《Mechanical Systems and Signal Processing》：An integrated monitoring method for dam displacement considering model deficiencies
编辑推荐：
本文提出了一种考虑模型缺陷的大坝位移集成监测方法，通过结合支持向量机(SVM)和自回归移动平均(ARMA)模型，并利用Copula函数拟合其联合残差分布，构建了基于累积分布函数的新型联合监测指标。案例研究表明，该方法能显著降低误报频率，为大坝安全管理提供了有效技术支撑。
Highlight
鉴于传统单模型监测方法的固有局限性，本研究提出了一种集成监测方法。首先建立多个位移监测模型，并分别计算各模型的残差。在此基础上，构建了两种残差的新型联合分布函数，作为制定联合监测指标的基础。
在开发监测模型时，考虑了在极端条件（如高水压）下，大坝位移与环境变量之间可能呈现非线性关系。因此，选择了支持向量机(SVM)模型，该模型在处理非线性回归问题方面表现出色。同时，也考虑了位移序列的自相关性，因此采用了自回归移动平均(ARMA)模型。分别基于SVM和ARMA建立了两个监测模型。
联合残差分析
分别计算SVM模型和ARMA模型的残差序列。分析发现，这两种残差在非尾部区域呈现弱相关性，而在尾部区域则表现出强相关性。这一发现至关重要，因为它意味着当某个模型的预测出现显著偏差（即残差处于尾部）时，另一个模型的残差很可能也处于异常状态。
基于Copula的联合监测指标
为了捕捉这种尾部相关性，采用Copula函数来拟合SVM和ARMA残差的联合分布。基于此联合分布，提出了一种新的联合监测指标，该指标利用残差的累积分布函数(CDF)值。当两个模型的残差CDF值同时落入临界区域时，才触发警报，从而实现更可靠的多模型融合监测。
案例研究
以中国江西省万安水利枢纽的混凝土重力坝为案例进行验证。结果表明，与传统单模型方法相比，所提出的SVM-ARMA集成监测方法显著降低了误报频率。
方法通用性
从物理机制、建模逻辑和方法框架的角度来看，本研究提出的方法在扩展到类似水工工程场景方面展现出良好的潜力。首先，大坝的运行环境及其位移响应在水工结构领域具有高度一致性，主要受水位和气温等环境因素影响。
Conclusions
(1) 由于固有的模型局限性，传统的单模型监测方法存在某些缺陷。当处理离散度大、异方差性强的位移数据时，SVM模型的精度显著下降。同样，当应用于平稳性低、波动性高的位移数据时，ARMA模型的精度也会降低。这些局限性可能导致工程应用中误报率较高。
(2) 本研究提出的集成监测方法有效结合了SVM和ARMA模型的优势。通过联合残差分析和Copula函数的应用，构建了更可靠的监测指标。案例研究证实，该方法能显著提高监测可靠性，减少误报。
