基于安全監測的水庫岸坡PHM系統框架及故障預測技術研究

李 明，黃 銘，2

(1.合肥工業大學 土木與水利工程學院，合肥 230009； 2.三峽大學 三峽庫區地質災害教育部重點實驗室，湖北 宜昌 443000)

0 引 言

隨著國民經濟持續快速發展，對清潔可再生能源的需求不斷增大，我國對水電資源的開發利用已經到了前所未有的發展時期。據初步統計，我國已建成10×104m3及以上水庫達9.8×104座，總庫容達到9 323×108m3[1]，水庫的安全穩定運營成為現階段水庫管理的主要內容，而水庫岸坡的變形破壞是影響水庫安全、可靠、穩定運行的主要因素。

水庫岸坡由于其地形地貌、地層巖性、組成物質和演化過程的不同，且受到實時的水文環境和地質條件的綜合作用[2]，在降雨、庫水位升降、地質災害等外界因素的影響下，始終處于一種復雜的、動態的狀態。因此，水庫岸坡作為復雜的動態運行系統，在外界條件的影響下，使得岸坡的水文地質條件、應力條件和巖土體強度發生變化，導致水庫岸坡發生侵蝕、崩塌、滑移等自然災害，減少有效庫容，引發次生災害，使岸坡系統不能保證水庫多樣性功能的實現，增加水庫的運營成本，降低水庫的生命周期，致使水庫岸坡發生故障。

隨著水利工程規模的增大，水庫岸坡面對的環境更加復雜，其運行和維護的成本越來越高[3]。如果岸坡在生命周期內結構老化，裂縫發育形成局部滑動面，將導致岸坡位移增大，其發生坍塌、滑坡、崩岸等故障和功能失效的概率將增大，岸坡失穩的風險性提高。所以，根據安全監測結果及時對水庫岸坡的故障進行預測，并對水庫岸坡進行維修加固是保障其安全運行的主要措施。

傳統的事后維修、定期維修等維修保障方式，存在資源浪費、診斷能力差、預警不及時等缺點，不能夠達到預防性維修的目的，不滿足復雜系統經濟可承受性的要求。為克服傳統維修保障方式的缺陷并適應現代水庫岸坡維修保障的發展需求，將國外先進的故障預測與健康管理(prognostics and health management, PHM)技術應用于水庫岸坡，研究建立水庫岸坡PHM系統框架，利用BP神經網絡模擬岸坡未來時間段內位移變化的趨勢，提前預測岸坡功能性故障，為水庫岸坡的維修決策提供有力的支撐。

1 PHM的概念和水庫岸坡PHM框架研究

PHM是當前美軍裝備維修保障的一項重要技術，在聯合攻擊機、艦船、雷達、導彈等領域已經廣泛應用[4]。我國早期的PHM技術主要應用于航空領域，用以監控飛機或發動機的狀態。隨著PHM技術的成熟，我國在高速鐵路、大型橋梁、堤壩等領域逐漸開始引用PHM技術[5-6]，借助智能系統的故障診斷和預測，以實現自主式維修。

PHM是借助先進的傳感器，通過即時監測對系統的工況信息進行采集，借助各種智能算法對系統的健康狀態進行評估，綜合歷史信息、故障信息對可能發生的故障進行預測，推導出故障的原因及位置，跟蹤故障的發展趨勢，預測系統的剩余使用壽命[7]，對系統進行預防性維修，最終達到自主式視情維修的目的，為系統快速、精準的維修保障提供支撐。

1.1 水庫岸坡PHM系統框架設計

通常情況下，PHM系統具有如下功能：數據采集、數據預處理、特征提取、故障診斷、故障預測、健康評價、決策維修。對于復雜程度更高的系統，PHM能夠實現不同級別、不同層次的綜合診斷、預測和健康評價[9]。在水庫岸坡系統中，根據岸坡安全監測的信息，結合水庫運營管理需求，建立水庫岸坡故障預測與健康管理系統框架。根據PHM系統設計流程和水庫岸坡的功能要求，采用開放式總線體系的分層推理結構，建立基于PHM的水庫岸坡維修保障系統，包含傳感器監測模塊、數據采集與處理模塊、故障預測模塊、健康評估模塊、決策維修模塊，具體關系見圖1。

圖1 基于PHM的水庫岸坡維修保障系統框架

1.2 水庫岸坡PHM系統工作流程

根據規范要求和管理需要，在水庫岸坡重要部位布置監測儀器。數據采集模塊負責采集所有監測部位的狀態參數信息。數據處理模塊主要完成對采集數據的預處理、特征值提取等。故障預測模塊是結合岸坡的歷史數據庫，對岸坡故障發生的位置、時間進行預測分析，再估計其剩余壽命。健康評價模塊是根據故障預測模塊的預測信息，對岸坡當前及未來時刻的性能退化情況進行分析，從而掌握岸坡的健康狀態。決策維修模塊是根據水庫岸坡的故障預測、剩余壽命信息以及健康評估結果，提前預警并確定維修保障方案。由于水庫岸坡是復雜的動態系統，各模塊需有機融合，才能實現岸坡的自主式視情維修，保證岸坡安全穩定運行。

2 水庫岸坡PHM系統關鍵技術

PHM維修保障系統一個顯著特點是故障預測與剩余壽命的估計，建立水庫岸坡故障預測模型是本文研究的重點。當前，故障預測的方法主要分為：①基于物理模型的預測;②基于數據驅動的預測；③基于統計可靠分析的預測；④基于知識經驗的預測。本文水庫岸坡PHM系統的故障預測模塊是基于傳感器采集的數據，對數據進行預處理，提取特征值，運用神經網絡，以降雨、庫水位及其變化速率、時間等參數作為輸入變量，岸坡的累積位移作為輸出變量，建立水庫岸坡的位移預測模型，監測岸坡位移突然變大的情況，以便在岸坡發生崩塌、滑坡等故障之前提出警告，實現岸坡的故障預測。

神經網絡有較強的非線性映射能力，適用于多變量非線性復雜系統分析，而岸坡的變形與影響因素間復雜的關系與該特性吻合，且神經網絡的魯棒性、容錯性及自學習能力都非常好，已在故障預測中得到了廣泛的應用[10]。

2.1 BP神經網絡的基本算法

BP模型是一種按照誤差逆向傳播算法訓練的多層前饋神經網絡，典型的三層BP神經網絡由輸入層、隱含層、輸出層組成，結構見圖2，算法步驟如下：

圖2 BP神經網絡結構

1) 樣本數據歸一化。當樣本數據的單位不同，數量級相差較大時，用原始數據作為BP神經網絡的輸入層會使網絡的性能和收斂性變差，較難得到理想的預測值。所以在進行神經網絡訓練之前對樣本數據進行歸一化，在BP神經網絡輸出計算結果時再將輸出數據反歸一化，以達到更精確的預測結果。本文采用如下函數進行歸一化處理，將樣本數據限定在[-1,1]之間。

式中：pn為原始樣本數據；pmax、pmin分別為原始樣本數據中的最大值和最小值；Tn為歸一化后的樣本數據。

2) 隱含層的確定。在BP神經網絡中，沒有標準的方法確定隱含層的節點數。節點數選取過多，能使系統的誤差減小，但會增加網絡的訓練時間，且易陷入局部最小值而達不到最優點；節點選取過少，會使神經網絡的性能變差，不能滿足網絡對樣本的學習要求。BP神經網絡的隱含層節點數一般根據以下經驗公式選取：

式中：i、s、j分別為網絡模型的輸入層節點數、輸出層節點數、隱含層的節點數；α為[1,10]之間的常數。

3) 初始化神經網絡輸入層和隱含層以及隱含層和輸出層的權值和閾值。

4) 隱含層函數和輸出層函數。

隱含層函數：

輸出層函數：

式中:uij為輸入層到隱含層的連接權值；wjs為隱含層到輸出層的連接權值；βj為隱含層閾值；θs為輸出層閾值；hs為模型的實際輸出值。

5) 對輸出數據反歸一化。為得到岸坡累積位移計算結果，利用式(1)將模型輸出結果進行反歸一化。

2.2 BP神經網絡故障預測的步驟

本文水庫岸坡故障預測模型以安全監測系統為基礎，運用BP神經網絡對岸坡的效應量進行預測，判斷是否會發生故障，從而達到預警的目的。本文故障預測步驟具體如下：①根據安全監測系統中傳感器獲得水庫岸坡環境量和效應量的數據，進行分類、整理；②選取對岸坡效應量影響較大的環境量作為主要的影響因子；③將影響因子輸入到輸入層各節點，編程實現BP神經網絡模型并進行訓練，對岸坡的效應量進行預測；④在實際應用中，可以根據模型預測值和岸坡失效閾值的大小關系判斷水庫岸坡是否發生故障。其中，失效閾值可根據水庫岸坡的相關規范確定，或采用工程比對資料分析計算研究設定。

3 水庫岸坡PHM系統故障預測應用實例

以三峽庫區某岸坡為研究對象，利用實際監測得到的60個月的庫水位、降雨量、岸坡累積位移等資料進行建模，故障預測步驟，見圖3。

圖3 水庫岸坡故障預測步驟

水庫岸坡位移是反映其穩定性的重要標志，當位移突然或持續增大，岸坡發生故障的概率增大。本文以水庫岸坡效應量即位移預測為例對岸坡故障預測進行說明。

水庫岸坡發生位移是由自身的巖土體條件和外界環境因素共同影響決定的。通過分析岸坡的安全監測資料顯示，外界環境因素是造成岸坡位移呈現周期性、臺階狀增長的主要原因。

實測資料表明，庫水位和岸坡位移隨時間變化規律相近，庫水位是影響岸坡穩定最明顯的因素，故選擇當前庫水位為模型的水位因子。

岸坡位移不僅與庫水位有關，還與庫水位的變化速率有關，庫水位下降越快，巖土體的滲透系數越小，庫水位與岸坡地下水位的落差就越大，岸坡的穩定性越低[12]，發生故障的概率越大。所以，本文采用月平均庫水位變化速率作為模型的影響因子。

庫區岸坡多為土石結構，高強度的降雨能夠增加坡體的自重，形成孔隙滲透壓力，使得滑帶土軟化，抗剪強度降低，岸坡的穩定性下降，故障頻率增加。所以，應將降雨作為岸坡位移的影響因素加以考慮。因受土石材料滲透系數的影響，降雨對岸坡位移的影響具有一定的滯后性，常采用前期降雨量和或平均降雨量作為影響因子，本文選取前一個月累積降雨量和前兩個月累積降雨量為模型的降雨因子。

時效作用也是影響水庫岸坡長期安全穩定運行的重要影響因素。由于庫水長期沖刷，侵蝕作用，隨著時間的推移，岸坡的穩定性逐漸降低，本文根據安全監測資料，以各月份先后順序組成時間序列作為模型的時效因子。

將時效因子、庫水位因子、庫水位變化速率因子、前一個月累計降雨量因子、前兩個月累計降雨量因子作為預測模型輸入層的5個輸入變量，岸坡的累積位移作為模型輸出層的輸出變量，按照2.1節中BP神經網絡隱含層確定的公式，經過多次試驗，得出當隱含層的節點數為5時，神經網絡的預測性能最優。以實際監測得到的庫水位、降雨量、累積位移等60組數據對岸坡故障預測模型進行訓練。根據下式計算模型的平均相對誤差：

式中：yk為累積位移實測值；lk為模型計算值；n為計算樣本數。

模型訓練的結果見圖4。訓練的平均相對誤差為 0.75%，可見BP神經網絡能夠很好反映岸坡位移的整體變化趨勢，訓練效果很好。根據模型預測岸坡未來12個月的位移情況，結果見圖5，模型預測的平均相對誤差為0.19%，表明該模型的誤差很小，預測效果好。

圖4 BP神經網絡預測模型訓練結果

圖5 BP神經網絡預測模型預測結果

故障預測是水庫岸坡PHM系統的關鍵技術，在實際應用中，根據本文預測模型，結合庫區降雨以及庫水位的變化情況，可預測岸坡位移突然增大等異常情況，跟蹤位移發展的趨勢。綜合同類型滑坡的全壽命數據以及滑坡前的特征，以岸坡坡體周緣裂縫全部貫通，形成整體滑動面為判斷岸坡失效的依據，根據當前及預測時刻的狀態參數，估計岸坡的剩余使用壽命。

4 結 論

本文根據PHM系統構建原則和水庫岸坡自身特點，建立水庫岸坡PHM系統框架，選取對岸坡位移有重大影響的作用因子，重點研究以BP神經網絡算法構建的岸坡故障預測模型。經實測資料驗證，岸坡PHM系統中的故障預測模型能夠準確預測岸坡位移的變化，可對水庫岸坡可能發生的故障提前預測，為保證水庫安全穩定運行奠定基礎。為完善岸坡故障預測的內容，下一步將研究如何綜合利用此岸坡及同類型滑坡的全壽命監測數據，對岸坡的剩余使用壽命進行估計，為后期評價岸坡健康狀態和確定最佳維護時間提供依據。