CN115830812B - 泵站建筑物异常沉降智能预警系统及方法 - Google Patents

Abstract

本发明公开了一种泵站建筑物异常沉降智能预警系统及方法，该系统包括数据采集子系统、数据传输子系统、数据分析子系统、智能决策与预警子系统；数据采集子系统用于采集泵站的监测数据，包括设置在泵站建筑物上的温度采集模块、雨量采集模块和多个沉降监测模块，以及设置在泵站上下游河道的水位采集模块；数据分析子系统包括服务器、数据分析与处理模块和安全监测数据库，用于对监测数据进行分析和计算；智能决策与预警子系统根据数据分析子系统的计算结果进行判断，并发布警报信息。该系统智能化程度高，监测效率高，且监测结果精准。解决了人工观测泵站沉降费时费力、监测结果误差大等问题，有效降低了人工观测时工作人员存在的安全隐患。

Description

泵站建筑物异常沉降智能预警系统及方法

技术领域

本发明属于水利工程安全监测技术领域，具体涉及一种泵站建筑物异常沉降智能预警系统及实施方法。

背景技术

泵站枢纽是水利工程的重要组成部分，在防洪、排涝、防灾、减灾等方面起到重要作用。由于地质、上下游河道水位变化、气温等外部因素影响，会对泵站建筑物变形产生一定影响，从而威胁工程和设备的安全运行，甚至造成损坏。根据《水利水电工程安全监测设计规范》(SL725-2016)要求，需要对泵站工程开展沉降、渗压等安全监测项目。由于泵站渗流存在滞后性，不能及时有效地反映泵站建筑物运行性态。相比之下，泵站沉降监测可及时有效反映泵站建筑物的运行状态。但泵站沉降人工观测费时费力，若在暴雨、台风等极端天气下对泵站沉降进行监测，工作人员作业时不仅存在安全隐患，监测效果也可能不佳。根据新时期水利工程信息化、智能化运行管理需要，亟需开展大型泵站建筑物远程监控与智能预警方法，以实现科学化、信息化、智能化的高效运行和科学管理目标，对保障泵站工程长效稳定运行及其综合效益的充分发挥具有重要的意义。

发明内容

本发明目的在于提供一种泵站建筑物异常沉降智能预警系统及实施方法，解决现有技术中泵站沉降人工观测费时费力，在暴雨、台风等极端天气下作业时存在安全隐患，且监测效果不佳的技术问题。

为了解决上述技术问题，本发明采用如下方案实现：

泵站建筑物异常沉降智能预警系统，包括数据采集子系统、数据传输子系统、数据分析子系统、智能决策与预警子系统。

所述数据采集子系统用于采集泵站的监测数据，包括设置在泵站建筑物上的温度采集模块、雨量采集模块和多个垂直沉降监测模块，以及设置在泵站上下游河道的水位采集模块；

所述数据传输子系统用于将数据采集子系统所采集的数据传送给数据分析子系统；

所述数据分析子系统包括服务器、数据分析与处理模块和安全监测数据库，用于对监测数据进行分析和计算；每个垂直沉降监测模块对应一个唯一的编号，并存储于安全监测数据库中。通过对每个垂直沉降监测模块设置一个唯一的编码，则数据分析子系统每次收到的数据中包括监测点位置信息和位移值，防止数据紊乱。

所述智能决策与预警子系统根据数据分析子系统的计算结果进行判断，并发布警报信息。

本发明通过设置泵站建筑物异常沉降智能预警系统，在泵站上布设多个垂直沉降监测模块，能够自动监测泵站沉降情况，并根据采集的监测数据智能判断泵站的垂直沉降情况，如果发现不均匀沉降点，则通过智能决策与预警子系统及时发出警报，并通过数据传输子系统将预警信息以报文形式发送给工作人员和泵站附近的居民，工作人员及时对中高风险区域采取加固措施，附近居民则会根据预警提示进行相应的安全保护措施。

该系统智能化程度高，监测效率高，且监测结果精准。解决了现有技术中人工观测泵站沉降费时费力、监测结果误差大的问题，有效降低了人工观测时工作人员存在的安全隐患，特别是极端天气状况下。

进一步优化，所述垂直沉降监测模块分别设置于泵站站身、岸墙和上下游翼墙的不同结构缝附近。通过在泵站的不同位置布设垂直沉降监测模块，确保泵站建筑物所有易发事故点均被监测，提高监测全面性。另外，泵站建筑物体积较大，为避免由于温度变化引起的涨缩、地基沉降等影响，通常会在相邻两底板单元之间设置结构缝。相邻两个底板单元之间的结构缝往往是泵站发生不均匀沉降的主要部位，因此需要将垂直沉降监测模块分别布置在结构缝附近。

进一步优化，所述垂直沉降监测模块为以位移传感器为核心监测设备。

泵站建筑物异常沉降智能预警方法，基于上述泵站建筑物异常沉降智能预警系统，具体包括如下步骤：

S1：数据采集子系统的所有垂直沉降监测模块以T为周期监测泵站的沉降情况，并将采集的泵站沉降数据通过数据传输子系统传送给数据分析子系统。采样周期可以根据需要或工程具体情况而定。

S2：数据分析子系统收到所采集的数据后，数据分析与处理模块将位于同一结构缝两侧的两个垂直沉降监测模块的数据进行对比，将二者相对位移差记为x_i；按照采集时间计算，该结构缝处多次采集、计算得到的位移差形成该处的位移差序列，记为{x_i}，i＝1,2,3…,N，i表示采集次数。

采用该方法，分析并计算所有结构缝处的垂直沉降情况，得到多个位移差序列。

S3：通过搜索位移差序列中的极值点，将该极值作为突变值，选用莱因达准则对位移差序列的可靠性进行分析和粗差识别，甄别异常数据：

1)、若为自动化系统信号干扰等因素造成的，则启动粗差在线剔除模型，通过莱茵达准则评判是否存在粗差，评判标准为：若

则表示x_i含有粗差，可判为野值予以剔除。其中，S为标准差，

为位移差序列平均值。

2)、若被判定为异常值，则通过智能决策与预警子系统对该监测点进行报警，并以文字方式提示用户对其进行监测追踪；

3)、若该位移差序列的数据无异常，则重复上述步骤，对下一位移差序列进行可靠性分析和粗差识别；直至对所有位移差序列进行可靠性分析和粗差识别，则继续对泵站结构缝处不均匀沉降状态进行判断和评估。

进一步优化，所述步骤S3中的对不均匀沉降状态进行判断和评估方法，具体包括如下步骤：

S3.1：选择滑动窗口长度W，令向量X＝{x_q,x_q+1,x_q+2,…,x_q+W}，Y＝{x_q+1,x_q+2,x_q+3,…,

x_q+W+1}，q＝1,2,…,N-W-1；W为正整数，大于等于3；

S3.2：利用相空间重构将泵站变形的监测序列映射到高维相空间中：

采用互信息法和虚假临近法分别计算相空间重构参数τ和m，再利用延迟时间τ和嵌入维数m将一维位移差序列映射至高维空间；

S3.3：计算向量X和向量Y的自关联和，以及向量X和向量Y之间的互关联和：

式中，C_XX为自关联和，C_XY为互关联和；X_α＝{x _q+α,…,x _q+α+(m-1)τ}，α＝1,…,W-(m-1)τ-1；X_β＝{x _q+β,…,x _q+β+(m-1)τ}，Y_β＝{x _q+β+1,…,x _{q+β+(m-1)τ+1}}，β＝1,…,W-(m-1)τ-1；M＝W-(m-1)τ，表示相空间重构后的总相点数，||·||为欧氏范数。

S3.4：计算互相关因子指数R，作为不均匀沉降的评判指标，判别不均匀沉降的运行状态：

式中，R为互相关因子指数，即不均匀沉降的评判指标。

S3.5：将步骤S3.4中计算所得评判指标与智能决策与预警子系统拟定的警戒指标进行比较，得出泵站不均匀沉降风险等级，并采取相应的措施。

进一步优化，所述步骤S3.5中，具体包括如下步骤：根据历史测值计算得出历史评判指标，先通过最大熵方法确定历史评判指标的概率密度函数，然后确定泵站变形转异显著性水平a。显著性水平即小概率事件发生的可能性，在统计学中小概率事件可认为是不可能发生的事件，如果该事件发生，则认为是异常的。

在水工建筑物监控指标拟定中显著性水平一般取0.01～0.05，为了保守起见，分别选取泵站不均匀沉降显著性水平a为1％与5％，通过智能决策与预警子系统计算泵站不均匀沉降的警戒指标R_5％与极限指标R_1％，满足以下条件：

式中，P[R_a]为警戒指标和极限指标的概率，f(R)为最大熵概率分布函数。

将实时计算的评判指标R值分别与泵站沉降警戒指标R_5％和极限指标R_1％进行对比，得到不均匀沉降风险等级，且自动发送预警信息。

1)、若R小于R_5％，泵站不均匀沉降处于低风险等级，仅需按照正常观测频次执行即可；

2)、若R大于等于R_5％且小于R_1％，泵站不均匀沉降处于中风险等级，需加强观测，必要时采取相关措施；

3)、若R大于R_1％，泵站不均匀沉降处于高风险等级，需采取紧急措施。

与现有技术相比，本发明具有如下有益效果：

1、本发明通过设置泵站建筑物异常沉降智能预警系统，在泵站上布设多个垂直沉降监测模块，能够自动监测泵站沉降情况，并根据采集的监测数据智能判断泵站的垂直位移沉降情况，如果发现不均匀沉降异常测点，则通过智能决策与预警子系统及时发出警报，并将预警信息以报文形式发送给工作人员和泵站附近的居民，工作人员及时对中高风险区域采取加固措施，附近居民则会根据预警提示进行相应的安全保护措施。

2、本发明所述的泵站建筑物异常沉降预警方法，通过数据分析子系统对泵站垂直位移沉降监测数据进行比较，查找突变值。通过莱因达准则初步判断其“异常”情况，若为自动化系统信号干扰等因素造成的，则启动粗差在线剔除模型“莱因达准则”：若判定为异常值，则以声音和红色图标在屏幕上闪烁进行报警，并以文字方式提示用户对其进行监测追踪。若数据无异常，则继续对泵站相邻测点的不均匀沉降状态进行判断和评估，能够快速、精准查找到中、高风险点。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为发明所述泵站建筑物异常沉降智能预警系统的框图；

图2为实施例一中泵站的示意图及监测模块的布置图；

图3为发明中所述泵站建筑物异常沉降智能预警方法的流程图；

图4为泵站上A、B两点的垂直位移沉降曲线图；

图5为泵站上A、B两点间不均匀沉降曲线图；

图6为评判指标R随时间变化的曲线图；

图7为最大熵概率密度曲线及监控指标拟定示意图；

图8为泵站建筑物不均匀沉降评估示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例一：

如图1所示，泵站建筑物异常沉降智能预警系统，包括数据采集子系统、数据传输子系统、数据分析子系统、智能决策与预警子系统。

所述数据采集子系统用于采集泵站的监测数据，包括设置在泵站建筑物上的温度采集模块、雨量采集模块和Q个垂直沉降监测模块，以及设置在泵站上下游河道的水位采集模块，Q为正整数。

所述数据传输子系统用于将数据采集子系统所采集的数据传送给数据分析子系统。在本实施例中，采用5G通讯将数据采集子系统所采集的数据通过电信基站传送给数据分析子系统。

所述数据分析子系统包括服务器、数据分析与处理模块和安全监测数据库模块，数据分析与处理模块用于对监测数据进行分析和计算；每个垂直沉降监测模块对应一个唯一的编号，并存储于数据库中。所述智能决策与预警子系统根据数据分析子系统的计算结果进行判断，并发布警报信息。

所述垂直沉降监测模块分别设置于泵站站身、岸墙和上下游翼墙的不同结构缝附近。

在本实施例中，以南水北调东线工程某泵站枢纽为例，该泵站共设有48个垂直位移变形测点，即Q为48，如图2中圆点所示，分别位于站身、岸墙和上下游翼墙等位置。每个监测点布置一台GNSS监测设备。GNSS监测设备采用太阳能电池板和蓄电池供电，不需要额外功能，每一台GNSS监测设备包括一组太阳能模组。GNSS监测设备为现有技术，具体工作原理不再赘述。

在本实施例中，监测周期T为3个月，即每季度监测一次，每组监测数据中包括有32个位移监测值，以及泵站上下游河道水位信息、温度、降水信息等。

在其他实施例中，所述垂直沉降监测模块可以为以位移传感器模块为核心的其他设备组件。数据传输子系统利用5G无线通信模块将监测数据和预警信息传送到远端的电脑或手机终端，在电脑/手机端实现信息交互查询功能，综合展示各个监测点的数据、过程线、报表等。

实施例二：

如图3所示，泵站建筑物异常沉降智能预警方法，基于实施例一中泵站建筑物异常沉降智能预警系统，具体包括如下步骤：

S1：数据采集子系统的所有泵站的垂直沉降监测模块以T为周期监测泵站的沉降情况，并将采集的泵站沉降数据通过数据传输子系统传送给数据分析子系统。

以南水北调东线工程某泵站枢纽为例，监测周期T为3个月，即每季度监测一次，监测时间为2014年3月23日～2021年12月16日，每组监测数据中包括有32个位移监测值。

在其他实施例中，监测周期T可以为1个月、1星期或1天等等，根据具体情况而定。

S2：数据分析子系统收到所有的采集数据后，数据分析与处理模块将同一结构缝两侧的两个垂直沉降监测模块的数据进行对比，将二者相对位移差记为x_i；按照采集时间计算，该结构缝处多次采集、计算得到的位移差形成该处的位移差序列，记为{x_i}，i＝1,2,3…,N，i表示采集次数。

采用该方法，分析并计算所有结构缝处的垂直沉降情况，得到多个位移差序列。

在本实施例中，对所有位移差序列进行比较，得出此次监测的数据中位于泵站站身上相邻监测点A、B之间的垂直沉降位移差值最大，因此，以A、B两测点为例进行说明。如图4所示，为根据最近32次监测获得A、B两点垂直沉降位移值所绘制的沉降曲线。具体数据如下表1所示，为各点监测数据与原始数据的差值，其中，正数表示下沉，负数表示抬升。然后将每次监测所获A、B两点的沉降位移差形成位移差序列，记为{x_i}，i＝1,2,3…32，如图5所示，为A、B两点间不均匀沉降曲线图。

表1沉降点A、B的垂直沉降位移值

季度	1	2	3	4	5	6	7	8
									测点A	0	-1.9	-1.5	1.5	1.4	-0.2	-2.3	0.5
测点B	0	-1.8	-0.2	1.8	0.8	0.2	-1.7	0.2
									季度	9	10	11	12	13	14	15	16
测点A	2	1.2	-2.9	3	-0.4	-0.8	0.5	1.4
									测点B	0.7	-0.3	-2.9	1.9	1.7	-1.3	-0.2	-0.6
季度	17	18	19	20	21	22	23	24
									测点A	3	-1.7	-2.2	1.3	3.8	-0.4	-2.8	-2.5
测点B	0.8	0.9	0.6	-0.5	0.7	-2.8	-4.9	-4.9
									季度	25	26	27	28	29	30	31	32
测点A	0.9	-0.9	-1.5	2.1	4.7	0.2	0.8	3.8
									测点B	-2	-3.5	-5.3	-1.5	0.8	-3.1	-2.1	0.2

选择垂直沉降位移差值最大的结构缝处的位移差序列进行计算和判断，是因为位移差绝对值最大表示泵站该处的不均匀沉降最严重，发生事故的可能性最大，因此对该处的数据进行计算、判断，具有代表性。若该处为低风险，则表示整个泵站均处于低风险。

当然在其他实施例中，根据具体需要可以选择垂直沉降位移差值绝对值最大值，以及垂直沉降位移差值绝对值较大的多条结构缝处的监测数据进行计算、判断，这样更全面，但是计算量也相应的增加了。

S3：通过搜索位移差序列中的极值点，将该极值作为突变值，选用莱因达准则对监测序列的可靠性进行分析和粗差识别。若为自动化系统信号干扰等因素造成的，则启动粗差在线剔除模型；通过莱茵达准则评判是否存在粗差，评判标准为：若

则表示x_i含有粗差，可判为野值予以剔除。其中，S为标准差，

为序列平均值。对剔除粗差后的序列，继续判别不均匀沉降的风险等级。

所述步骤S3具体包括如下步骤：

S3.1：选择滑动窗口长度W＝8，令向量X＝{x_q，x_q+1，x_q+2，...，x_q+W}，Y＝{x_q+1，x_q+2，x_q+3，...，x_q+W+1}。

S3.2：以信息熵为基础，当互信息熵第一次达到极小值所对应的延迟时间即为最佳延迟时间τ。不断增大嵌入维数m，当m大于某一临界值m₀时，相空间中轨迹将停止变化，相应m₀+1即为最小嵌入维数。由此确定延迟时间τ＝1，嵌入维数m＝3，再利用延迟时间τ和嵌入维数m将一维监测序列映射至高维空间。

S3.3：计算向量X和向量Y的自关联和，以及向量X和向量Y之间的互关联和：

式中，C_XX为自关联和，C_XY为互关联和；X_α＝{x_q+α，...，x_q+α+(m-1)τ}，α＝1，...，W-(m-1)τ-1；X_β＝{x_q+β，...，x_q+β+(m-1)τ}，Y_β＝{x_q+β+1，...，x_{q+β+(m-1)τ+1}}，β＝1，...，W-(m-1)τ-1；M＝W-(m-1)τ，表示相空间重构后的总相点数，||·||为欧氏范数。

S3.4：通过计算互相关因子指数作为不均匀沉降的评判指标，判别不均匀沉降的运行状态：

式中，R为互相关因子指数，即不均匀沉降的评判指标。

通过上述计算得出对应的评判指标R，评判指标R随监测时间的变化曲线如图6所示，具体数据如下表2所示。

表2不均匀沉降的评判指标结果

季度	6	7	8	9	10	11	12
								R	0.40	0.45	0.50	0.60	0.70	0.72	0.70
季度	13	14	15	16	17	18	19
								R	0.86	1.14	1.45	1.66	1.61	1.43	1.21
季度	20	21	22	23	24	25	26
								R	0.95	0.66	0.44	0.35	0.28	0.27	0.28

S3.5：将步骤S3.4中计算所得评判指标R与泵站不均匀沉降的警戒指标进行比较，得出泵站不均匀沉降风险等级，并采取相应的措施。

其中，警戒指标(警戒指标R_5％与极限指标R_1％)是由智能决策与预警子系统计算得出的；根据实测数据计算得出评判指标序列，首先通过最大熵方法确定评判指标序列的概率分布函数，再分别计算警戒指标R_5％与极限指标R_1％。具体步骤如下：

目标函数为：

max H(x)＝-∫f(x)lnf(x)dx

式中，f(x)表示变量x的概率分布函数。

约束条件为：

∫f(x)dx＝1

∫x^kf(x)dx＝μ_k

式中，u_k表示第k阶原点矩(k＝1，2，3，4)。

通过求解以上函数即可得出评判指标R的分布函数，然后通过智能决策与预警子系统计算泵站不均匀沉降的警戒指标R_5％与极限指标R_1％，如图7所示。

满足以下条件：

式中，f(R)为最大熵概率分布函数，P[R_a]为警戒指标和极限指标的概率。

将计算的评判指标R值与泵站沉降警戒指标R_5％、极限指标R_1％进行对比，得到泵站不均匀沉降风险等级，且自动发送预警信息；

1)、若R小于R_5％，泵站不均匀沉降处于低风险等级，仅需按照正常观测频次执行即可；

2)、若R大于等于R_5％且小于R_1％，泵站不均匀沉降处于中风险等级，需加强观测，必要时采取相关措施；

3)、若R大于R_1％，泵站不均匀沉降处于高风险等级，需采取紧急措施。

通过将实时计算的评判指标R值与泵站沉降警戒指标R_5％、极限指标R_1％进行对比，发现在第17和18季度时评判指标超过警戒指标，但小于极限指标，如图8所示，表明泵站不均匀沉降处于中风险等级，需要加强观测，必要时采取相关措施。智能决策与预警子系统对该监测点进行报警，并以文字方式提示用户对其进行监测追踪。

以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明专利技术思想的范围内，进行多样的变更以及修改。本项发明专利的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。

Claims (3)

1.泵站建筑物异常沉降智能预警方法，其特征在于，基于泵站建筑物异常沉降智能预警系统，该系统包括数据采集子系统、数据传输子系统、数据分析子系统、智能决策与预警子系统；

所述数据采集子系统用于采集泵站的监测数据，包括设置在泵站建筑物上的温度采集模块、雨量采集模块和多个垂直沉降监测模块，以及设置在泵站上下游河道的水位采集模块；

所述数据传输子系统用于将数据采集子系统所采集的数据传送给数据分析子系统；

所述数据分析子系统包括服务器、数据分析与处理模块和安全监测数据库，用于对监测数据进行分析和计算；每个垂直沉降监测模块对应一个唯一的编号，并存储于安全监测数据库中；所述垂直沉降监测模块分别设置于泵站站身、岸墙和上下游翼墙的不同结构缝附近；

所述智能决策与预警子系统根据数据分析子系统的计算结果进行判断，并发出警报信息；

预警方法具体包括如下步骤：

S1：数据采集子系统的所有垂直沉降监测模块以T为周期监测泵站的沉降情况，并将采集的泵站沉降数据通过数据传输子系统传送给数据分析子系统；

S2：数据分析子系统收到所采集的数据后，数据分析与处理模块将位于同一结构缝两侧的两个垂直沉降监测模块的数据进行对比，将二者相对位移差记为x_i；按照采集时间计算，该结构缝处多次采集、计算得到的位移差形成该处的位移差序列，记为{x_i}，i＝1,2,3…,N，i表示采集次数；

采用该方法，分析并计算所有结构缝处的垂直沉降情况，得到多个位移差序列；

S3：通过搜索位移差序列中的极值点，将该极值作为突变值，选用莱因达准则对位移差序列的可靠性进行分析和粗差识别，甄别异常数据：

1)、若为自动化系统信号干扰因素造成的，则启动粗差在线剔除模型，剔除干扰数据；

2)、若被判定为异常值，则通过智能决策与预警子系统对该监测点进行报警，并以文字方式提示用户对其进行监测追踪；

3)、若该位移差序列的数据无异常，则重复上述步骤，对下一位移差序列进行可靠性分析和粗差识别；直至对所有位移差序列进行可靠性分析和粗差识别，则继续对泵站结构缝处不均匀沉降状态进行判断和评估；

对不均匀沉降状态进行判断和评估方法，具体包括如下步骤：

S3.1：选择滑动窗口长度W，令向量X＝{x_q,x_q+1,x_q+2,…,x_q+W}，Y＝{x_q+1,x_q+2,x_q+3,…,

x_q+W+1}，q＝1,2,…,N-W-1；W为正整数，大于等于3；

S3.2：利用相空间重构将泵站变形的监测序列映射到高维相空间中：

采用互信息法和虚假临近法分别计算相空间重构参数τ和m，再利用延迟时间τ和嵌入维数m将一维位移差序列映射至高维空间；

S3.3：计算向量X和向量Y的自关联和，以及向量X和向量Y之间的互关联和：

式中，C_XX为自关联和，C_XY为互关联和；X_α＝{x_q+α,…,x_q+α+(m-1)τ}，α＝1,…,W-(m-1)τ-1；X_β＝{x_q+β,…,x_q+β+(m-1)τ}，Y_β＝{x_q+β+1,…,x_{q+β+(m-1)τ+1}}，β＝1,…,W-(m-1)τ-1；M＝W-(m-1)τ，表示相空间重构后的总相点数，||·||为欧氏范数；

S3.4：计算互相关因子指数R，作为不均匀沉降的评判指标，判别不均匀沉降的运行状态：

式中，R为互相关因子指数，即不均匀沉降的评判指标；

S3.5：将步骤S3.4中计算所得评判指标与智能决策与预警子系统拟定的警戒指标进行比较，得出泵站不均匀沉降风险等级，并采取相应的措施。

2.根据权利要求1所述的泵站建筑物异常沉降智能预警方法，其特征在于，所述步骤S3.5，具体如下：

分别选取显著性水平a为1％与5％，通过智能决策与预警子系统计算泵站不均匀沉降的警戒指标R_5％与极限指标R_1％，满足以下条件：

式中，P[R_a]为警戒指标和极限指标的概率，f(R)为最大熵概率分布函数；

将实时计算的评判指标R值分别与泵站沉降警戒指标R_5％和极限指标R_1％进行对比，得到不均匀沉降风险等级，且自动发送预警信息；

1)、若R小于R_5％，泵站不均匀沉降处于低风险等级，仅需按照正常观测频次执行即可；

2)、若R大于等于R_5％且小于R_1％，泵站不均匀沉降处于中风险等级，需加强观测，必要时采取相关措施；

3)、若R大于R_1％，泵站不均匀沉降处于高风险等级，需采取紧急措施。

3.根据权利要求2所述的泵站建筑物异常沉降智能预警方法，其特征在于，所述垂直沉降监测模块为以位移传感器为核心的监测设备。

Images