云峰大坝激光数据衔接问题研究

李俊富，王洪洋，徐小武，王树宝

（中水东北勘测设计研究有限责任公司科学研究院，吉林 长春130061）

2009年5月云峰对原有激光系统进行了改造（但没有改变仪器的电气参数），如何保证将原有数据与安装后测量的数据保持一致，即归算到统一坐标，对于大坝安全监测系统的运行及数据分析整理极为重要。逐步回归分析是很好的数据分析方法，能够提取出各个相关的影响因子，同时具有很好的预报性。引入折线因子的逐步回归分析可以不受数据台阶变化的影响，建立合理的分析预报模型。

1 逐步回归分析

回归分析是数理统计学科中一种多元分析方法。大坝监测回归分析主要研究大坝结构效应因变量与各环境自变量之间的统计关系。逐步回归分析则是在众多环境自变量中仅挑选出对大坝结构效应因变量有显著影响的来组合建立回归方程的一种方法，由此方法所建立的模型称为大坝监测效应量逐步回归分析模型，简称监测量逐步回归模型。

大坝监测量逐步回归模型由各主要环境因素的影响分量构成，它应包括所有的重要因素并排除无关因素，如坝上一点在时刻的变形、应力等结构效应量主要是由上下游水位、温度以及时间效应这3种环境因素的共同作用引起的，其模型为：

为便于说明，下面以大坝水平位移回归分析模型为代表，根据力学理论分析，介绍上述3项环境因素影响分量在模型中的构造形式

逐步回归分析法是从一个自变量因子开始，按其对因变量y的作用的显著程度，从大到小依次逐个地引入回归方程。另一方面，当先引入的因子由于后面的因子引入而变得不显著时，就将它剔除。因此，逐步回归是有的步引入因子，有的步剔除因子，而每一步要作统计检验（F检验），以保证每次引入新的显著因子以前，回归方程中只包含有显著因子。直到显著因子都包括在回归方程以内为止。

2 折线型因子

折线型因子是针对数据有台阶式变化后，提出的一种函数因子(函数如下)，此因子能克服数据台阶的变化，去除台阶变化对数据进行统一规范建模。

式中：t0为台阶变化起始时间点。

3 数据衔接方法

1）预报模型建立

要求数据时段足够长，建立的模型才能全面反映其规律变化，预报值才能准确。对改造前后的全部数据建立统计分析模型（加入折线因子），调整折线因子形成预报模型。预报模型方程：

F（s，t）=-62.2717+18.06ekt+0.785037ln（1+dt）+0.0800703×t-6.943 99×10-23t/(a+bt)-0.063 602 1(△h/△t)-0.308 536×△h/△t15+0.259 877△h2/△t15+0.544 687△h/△t30-1.089 4×10-7h3+0.001 396 65-3.002 54×10-6h-0.041 953 6cos（s/2）-0.067 113 3cos（s/4）+0.001 349 16HT-4.425 32×10-6H2T-0.639 527sin（2s）-0.016 096 8sin（8s）+0.056 387 7sin（s/2）-0.155 487sin（s/4）+0.000 102 364tT2-8.42455×10-6t2T2+0.006 316 57Te+5.086 05×10-7Te4+0.149 84Te120-0.003 403 73-0.000 123 835+9.083 42×10-6+0.023 663 4Te15+0.016 928 9Te30+0.013 154 6Te7+0.000 430 707-4.070 7×10-6+10.95（调整基准值）。其中：d=1；a=10；b=0.04；s为测值；t为时间；h为库水位；△h/△t15为15 d平均；h30为30 d前库水位；H为水头；T为时间差；Te为气温；Texx为xx天气温平均。标准差为0.164。复相关系为0.999。

2）衔接方法

利用此预报模型对改造后的数据进行预报，这样就可以得到改造后观测数据与预报值的偏差，计算观测数据的预报值与测值差的算术平均。将折线因子的系数a和的平均值作为整编基准值的调整值c。衔接结果如图1，2所示。

式中：xi——测值——模型预报值。

4 结 论

1)经比较，方法合理，但必须选择合理时段数据建模才能反应数据的变化趋势，模型方程更加准确。

2)数据衔接需要有充分的数据，改造后的数据时段需要足够长，这样才能建立合理的预报模型，进而能把数据衔接合理、准确。

图1 衔接前后数据过程线

［1］朱劭宇.飞来峡大坝安全监测系统倒垂线修复［J］.水利水文自动化，2006（4）.

［2］吴中如.水工建筑物安全监控理论及其应用［M］.北京：高等教育出版社，2003.

［3］吴子安.大坝变形监测数据回归分析中的因子选择［J］.武汉测绘科技大学学报，1993，18（1）.