基于Kalman睟P融合的南水北調高填方渠道滲漏監測模型研究

劉明堂 田壯壯 齊慧勤 耿宏印 劉雪梅

摘要：針對目前南水北調中線工程高填方渠道滲漏監測設備綜合誤差大、不能監測渠道斷面間滲漏等問題，設計了可用于高填方渠道滲漏的可移動無損監測系統，建立了高填方渠道滲漏狀態監測的KalmanBP融合模型。首先構建一種基于無線傳感網的多區域滲漏信息檢測平臺，將傳感器設計成便攜式可移動的錐形設備，對滲漏區域的溫濕度、土壤含水率、GPS位置信息以及滲流等信息進行實時采集，再通過ZigBee和GPRS將多傳感器信息進行無線傳輸；并結合流場滲漏檢測方法，通過試驗模型篩選出與高填方渠道滲流相關的特征變量；使用卡爾曼（kalman）算法對關聯的物理變量進行濾波和估值；最后將多傳感器數據通過BP神經網絡進行滲漏狀態模式識別，實現滲漏的狀態預測，確定坡面滲漏安全級別。試驗結果表明，基于KalmanBP融合模型的高填方渠道滲漏監測模型識別誤差較小，達到能在整體上實時監測高填方渠段的滲流狀態，可實現南水北調中線工程高填方渠道斷面間的坡面滲流非破壞性在線監測功能。

關鍵詞：南水北調中線工程；高填方渠道；滲漏監測；卡爾曼濾波；BP神經網絡

中圖分類號：TV68 文獻標志碼：A 文章編號：

16721683（2018）05017907

Research on leakage monitoring model for highfilled canal of the Middle Route of SouthtoNorth Water Diversion Project based on KalmanBP fusion network

LIU Mingtang，TIAN Zhangzhang，QI Huiqin，GENG Hongyin，LIU Xuemei

（

Department of Information Engineering，North China University of Water Resources and Electric Power，Zhengzhou 450045，China）

Abstract：

To solve the problems of the leakage monitoring equipment for highfilled canals in producing large comprehensive error and being unable to monitor the seepage between canal sections，we designed a movable and nondestructive leakage monitoring system for the highfilled canal of the Middle Route of the SouthtoNorth Water Diversion Project and established a fusion model based on KalmanBP for leakage monitoring of highfilled canals.Firstly，we constructed a multizone leakage information detection platform based on wireless sensor network，and we designed the sensors as portable and movable cone devices that can be inserted into the soil.The information of temperature，humidity，soil water content，seepage，and GPS location was collected in real time and then was transmitted wirelessly through the ZigBee and GPRS.Using the flow field leakage detection method，we selected the characteristic variables that were relevant to highfilled canal leakage through the experimental model.Then，we used Kalman algorithm to filter and valuate the associated physical variables.Finally，we submitted the multisensor data to the BP neural network for leakage state pattern recognition and realized the prediction of slope leakage state and determined the safety level of slope leakage.The experimental results showed that the KalmanBP fusion model has smaller error in recognizing the leakage of the highfill canal，and can monitor in real time the leakage state between the canal sections.It can realize nondestructive online monitoring of the slope seepage of the Middle Route of the SouthtoNorth Water Diversion Project.

Key words：

Middle Route of SouthtoNorth Water Diversion Project；highfilled canal；leakage monitoring；Kalman filter；BP neural network

南水北調中線工程線路總長約1 432 km，大部分采用新開挖渠道輸水[1]。其中，高填方渠段1395 km，占總干渠長度的 11%，而且有的高填方渠段最大填方高度達255 m。由于南水北調中線工程中高填方渠段分布范圍廣、工程地質條件復雜、天氣變化顯著等原因，其高填方渠道會出現整體或局部沉降、滑坡、凍脹、冰壓等災害[2]。這些災害均會造成填方襯砌面板開裂，防滲體被拉斷造成滲（漏）水。南水北調中線工程高填方渠段一旦失事，勢必給渠道兩岸人民生命財產造成嚴重損失[3]。

因此，對高填方渠段進行滲漏檢測就具有重大的研究意義和實用價值。然而，南水北調中線工程目前尚無針對高填方段的專項安全監測設計方案[4]。在南水北調中線工程施工中，一般安裝了以測壓管和小量程滲壓計為基礎的滲流監測設備，可對渠底揚壓力、監測斷面上的滲透壓力分布以及對浸潤線、滲流量、地下水位和防滲墻防滲效果進行監測[57]。但在已安裝的滲流監測設備中，大都是振弦式滲壓計和測壓管。其存在綜合誤差大等缺陷，一般不適合于南水北調高填方段總水頭變化較小的滲流監測；且現有的滲流監測設備一般分布在監測站點的渠底或者渠道斷面上，采用埋入式或半埋入式安裝，不能靈活地實現可移動測量，也不能實現高填方渠道斷面間的坡面滲流監測。

目前，可應用于高填方渠道滲漏檢測的地球物理探測方法有電磁法[8]、高密度電阻率法[910]、分布式光纖[11]、翻斗式容積法[12]、溫度場法[13]、示蹤法[14]、電阻法[15]等。無論流場法還是電場法通常都是只適用于現場的臨時勘查，有的檢測方法還需要現場開挖破壞填方渠道。

本文將建立一種基于無線傳感網的多區域滲漏信息無損檢測系統，將溫濕度傳感器、土壤含水率傳感器以及滲流檢測電路設計成便攜式設備，進行可移動非開挖方式安裝，再通過ZigBee和GPRS進行多傳感器信息采集與傳輸；然后提取與滲漏具有相關性的環境變量，進行滲漏信息的特征識別；最后建立一種基于KalmanBP融合的南水北調高填方渠道滲漏監測模型，實現渠道斷面間的坡面滲漏狀態預測。

1 數據采集及無線傳輸設計

1.1 監測模型設計

為滿足高填方渠段滲流監測的便攜測量，同時又不能開挖破壞的設計原則，本文設計了基于無線傳感網的多區域實時滲漏信息監測系統模型。圖1為高填方段坡面滲流監測布置示意圖。ZigBee協調器連接五個監測子節點，再通過GPRS網絡無線傳輸到監測室。

其中圖1中1為高填方渠頂；2為渠坡；3為渠底；4為監測室；5為ZigBee監測點1；6為ZigBee監測子節點2；7為ZigBee監測子節點3；8為 GPRS監測節點；9為ZigBee監測子節點4；10為ZigBee監測子節點5。

1.2 信息采集節點設計

圖2為基于ZigBee子節點的信息采集單元示意圖。其傳感器輸入量有五個：滲流電場的電極A和電極B、溫度場、土壤含水率和GPS位置信息。這五個輸入量還需要通過數據融合處理，根據多傳感器檢測量定性判斷滲漏情況[16]。

圖2中，1為金屬保護殼；2為電源模塊；3為GPS模塊；4為ZigBee模塊；5為溫度模塊；6為滲流電阻；7為金屬保護殼錐形尖部。金屬保護殼錐形尖部可以很方便地插入到渠道坡面土壤里面或者安裝在渠道交叉建筑物上，實現了便攜、可移動、無損檢測功能。

1.3 無線傳輸設計

高填方渠段滲流監測平臺的無線傳輸部分按照物聯網架構設計，利用ZigBee無線通信網絡實現近距離無線傳輸，[HJ2.15mm]然后將數據再通過GPRS網絡上傳到web服務器端，實現數據的遠程傳輸和存儲。圖3是一個區域的滲漏監測系統整體示意圖。每個測點間距可設置50 m左右，這些測點負責采集測點區域內和滲漏相關的傳感器信息。各個獨立的測點終端和協調器網關設備組成ZigBee無線網絡；ZigBee無線網絡選用CC 2530芯片實現各個傳感器信息的讀取，同時進行卡爾曼（Kalman）濾波等數據預處理工作。每個ZigBee測點終端要采集溫濕度、電流、含水率四類傳感器，應用太陽能板供電。ZigBee無線網絡中要布置一個協調器，其主要接收和集中ZigBee網絡中其他節點上傳的數據，同時其還需要將數據通過GPRS網絡上傳至遠端服務器。故此協調器還要加上GPRS模塊。GPRS模塊選用SIM800C，其實現了數據的無線遠程傳輸。

2 KalmanBP融合模型建立

2.1 Kalman數據預處理

數據預處理分為三部分：異常值的剔除、卡爾曼濾波和歸一化處理，前兩部分是為了提高數據的準確性，后一部分是為BP神經網絡輸入樣本值做預處理[17]。試驗過程中由于測量儀器的干擾，導致測量數據出現一些明顯的異常，剔除這些異常值便是首要任務。本文應用3σ準則剔除異常值，然后使用卡爾曼濾波算法對數據進行濾波，得出相對估計值[18]。由于Kalman算法具有實時性濾波特點，其可在ZigBee芯片上直接運行，實現了采集系統的實時性要求。

卡爾曼（Kalman）濾波其實是一個最優狀態篩選的過程，可以實現監測數據實時在線處理[19]。Kalman方程式[HJ2.05mm]根據下面的五條Kalman最優濾波的基本公式進行描述（狀態控制量為0）[20]：

2.2 BP網絡的滲漏信息特征提取

本文應用了BP 神經網絡，用于滲漏信息的函數逼近、模式識別、分類等功能[22]。BP神經網絡學習過程是由前向計算過程和誤差反向傳播過程組成。這兩個過程反復進行，不斷調整各層的權值和閾值，使得網絡誤差最小平方和或達到人們期望的要求，學習過程結束[23]。BP神經網絡非線性映射可用下面公式描述：

本文將滲流電場的兩路電極信息、溫度場信息和土壤含水率信息進行狀態編碼，然后作為BP神經網絡的四維輸入量，再利用BP神經網絡的映射能力，進行滲漏信息的特征提取與數據融合處理，根據多傳感器檢測量來實現定性判斷滲漏情況。BP神經網的網絡拓撲見圖5。

實測工程中，系統將滲漏發生的整個過程分為三個時間段：第一階段記為Y=[0，0]，這個階段模 型狀態正常沒有滲漏發生；第二階段記為Y=[0，1]，此階段開始發生滲漏但不明顯；第三階段記為Y=[1，1]，這一階段滲漏現象很明顯能夠直接觀察到。這樣網絡的輸出是一個二維向量。隱藏層神經元數目可以根據經驗選定15個。

2.3 kalmanBP融合模型

kalmanBP融合模型由卡爾曼濾波器和BP神經網絡組成，如圖6是模型的結構圖。傳感器輸出值通過卡爾曼濾波器的入口Z（[WTB1X]k[WTBZ]）進入模型，最終從BP神經網絡的輸出端Y2輸出。經卡爾曼濾波器處理后的序列估計值作為BP神經網絡的一個輸入神經元，對神經網絡訓練、檢測，實現優化處理數據的效果。

3 結果分析

3.1 傳感器信息關聯分析

理論上，當測點區域發生滲漏時，區域內電場發生變化電流強度會增強，溫度場也會發生有升高趨勢，同時土壤含水率變化明顯。本文進行了滲流電場同溫度場、土壤含水率等進行了關聯分析試驗，來驗證它們間的關聯關系，見圖7。

為了在同一坐標軸上表現關聯特征量的變化趨勢，這里對原始值做了歸一化處理，從圖7中可以看出四個特征量的整體變化趨勢有明顯的關聯性。因此選取測點的電流強度、溫度變化量和測點土壤含水率作為模型的監測量將有效地監測渠道滲漏狀態，更具有可行性。

3.2 KalmanBP訓練模型效果分析

高填方滲漏渠道滲漏監測模型系統具有可行性，其檢測的電流強度、溫度變化量和測點含水率等特征量數據通過訓練好的BP神經之后，能夠較好地識別系統預先定義的滲漏狀態模式。將實測所得的2 557組數據經過預處理之后按照約6∶1的比例分為訓練數據集和測試數據集。通過試驗嘗試建立均方誤差小的BP神經網絡，圖8是神經網絡訓練效果圖，在設定訓練誤差值為0005的情況下，2 198組訓練樣本在18 090次訓練之后達到預期誤差值，說明建立的BP神經網絡符合要求。當BP神經網絡在上位機上訓練好后，其就可以進行相應現場的滲漏預測工作，能達到高填方渠道滲漏實時性要求。

3.3 KalmanBP滲漏預測誤差分析

KalmanBP融合模型建立好之后，利用359組測試樣本對網絡進行測試，驗證其預測和識別的準確性。歸一化之后的測試樣本值在經過BP神經網絡輸出的狀態向量Y，都能很好接近期望值，其中Y=[y1，y2]。雖然有個別輸出和期望輸出偏差稍大，但是通過模糊聚類的知識依然可以將其歸入正確的狀態模式中。從整體上來說，KalmanBP融合模型的實際輸出值都能很好接近期望值，實現了高填方渠道滲漏實時監測功能。表1為KalmanBP滲漏預測誤差分析表，其中，6組樣本是從359組測試樣本中選取的，其中，各個傳感器數據是已經歸一化到[0，1]之間的數值。

4 結論

本文研究和設計了可用于南水北調中線工程高填方渠道滲漏實時監測模型，首先結合流場法滲漏檢測原理，建立一種基于無線傳感網的多傳感器滲漏信息無損檢測系統，進行數據采集和無線傳輸；然后使用卡爾曼（kalman）算法對關聯的物理變量進行濾波和估值；最后將多傳感器數據通過BP神經網絡進行滲漏狀態模式識別。試驗和實測結果表明， kalmanBP融合模型實現了高填方渠道滲漏實時監測功能，并能對[HJ1.9mm]監測區域的滲漏狀態進行定性判斷，達到能在整體上實時監測高填方渠段的滲流狀態，可實現南水北調中線工程高填方渠道斷面間的坡面滲流非破壞性在線監測功能。

參考文獻（References）：

[1] 汪易森.南水北調中線工程幾個技術問題的解決與思考[J].水利水電技術，2015，46（6）：7986.（WANG Y S.Consideration and solution of several technical problems of the Middle Route of the SouthtoNorth Water Diversion Project[J].Water Resources and Hydropower Engineering，2015，46（6）：7986.（in Chinese）） DOI：10000860（2015） 06007908.

[2] 李斌，楊斌，韋國虎，等.碾壓施工質量實時監控系統在南水北調工程中的應用[J].[JP+2]南水北調與水利科技，2012，10（2）：3033.（LI B，YANG B，WEI G H，et al.Application of realtime monitoring system of roller compaction construction quality in SouthtoNorth Water diversion project[J].SouthtoNorth Water diversion and Water Science&Technology;，2012，10（2）：3033.（in Chinese）） DOI：10.3724/SP.I.1201.2012.0 2030.

[3] 屈志剛，申黎平，李明新，等.南水北調中線工程高填方渠道加強措施探討[J].人民長江，2013，44（16）：6366.（QU Z G，SHEN L P，LI M X，et al.Effective reinforcement measures for highfilled canal of Middle Route Project of SouthtoNorth Water Diversion[J].Yangtze River，2013，44（16）：6366.（in Chinese）） DOI：10.16232/j.cnki.1001179.2013.16.025.

[4] 崔崗，陳俊生，王麗麗.南水北調高填方段滲流監測設計方案[J].西部探礦工程，2013，25（2）：3941.（CU G，CHEN J S，WANG L L.Design scheme of seepage monitoring in high fill segment of SouthtoNorth Water Transfer Project[J].Western Exploration Engineering，2013，25（2）：3941.（in Chinese）） DOI：10045716（2013）0200390.

[5] 趙遜，蘭卿良，王永亮.南水北調中線工程安全監測專業化管理研究[J].南水北調與水利科技，2008，6（1）：334336.（ZHAO X，LAN Q L，WANG Y L.Study on specialized management to engineering safety monitoring in the Middle Route of the SouthtoNorth Water Diversion Project[J].SouthtoNorth Water Diversion and Water Science&Technology;，2008，6（1）：334336.In Chinese）） DOI：10.13476/j.cnki.nsbdqk.2008.01.085.

[6] 吳少華，焦康，薛偉.南水北調中線干線工程安全監測自動化系統[J].中國農村水利水電，2012 （9）：140143.（WU S H，JIAO K，XUE W.A simple analysis of the monitoring automation system of SouthtoNorth Water Diversion Middle Route Project safety[J].China Rural Water and Hydropower，2012 （9）：140143.（in Chinese）） DOI：10072284 （2012）09014004.

[7] 陳俊生，劉春征.南水北調中線一期工程總干渠第 Ⅳ 渠段第 4 設計單元安全監測設計[J].西北水電，2011 （B09）：1518.（CHEN J S，LIU C Z.Safety monitor design of the fourth unit of HuanghebeiYouhebei section of the middle route of southtonorth water diverion project.[J].Northwest Hydropower，2011 （B09）：1518.（in Chinese）） DOI：10062610（2011）D1001504.

[8] 蔡運勝，張寶華.幾種電法儀器在地質勘查中的應用[J].地質與勘探，2006，42（5）：7278.（CAI Y S，ZHANG B H.The application of a few electrical method instruments in geologic prospecting[J].Geology and Prospecting，2006，42（5）：7278.（in Chinese）） DOI：04955331（2006）05007207.

[9] 胡雄武，張平松，江曉益.并行電法在快速檢測水壩滲漏通道中的應用[J].水利水電技術，2012，43（11）：5154.（HU X W，ZHANG P S，JIANG X Y.Application of parallel electric survey to quick detection of seepage passage through reservoir dam[J].Water Resource and Hydropower Engineering，2012，43（11）：5154.（in Chinese）） DOI：10.13928/j.cnki.wrahe.2012.11.016.

[10] 馬若龍，毋光榮，周錫芳.高密度電法和自然電位法在某水庫大壩滲漏探測中的應用[J].大壩與安全，2015 （6）：5558.（MA R L，WU G R，ZHOU X F.Application of highdensity resistivity method and spontaneous electric field method in leakage detection of a dam[J].Dam and Safety，2015 （6）：5558.（in Chinese）） DOI：16711092（2015）06005504.

[11] 蔣力，周柏兵，徐國龍，等.基于分布式光纖技術的滲流監測試驗探論[J].大壩與安全，2015 （5）：3236.（JIANG L，ZHOU B B，XU G L，et al.Research of seepage monitoring test based on distributed optical fiber temperature sensing technology[J].Dam and Safety.2015 （5）：3236.（in Chinese）） DOI：16711092（2015）05003205.

[12] 唐智德，王紹旭，文春龍.青獅潭水庫大壩滲漏觀測分析及評價[J].2016，（11）：107111.（TANG Z D，WANG S X，WEN C L.Analysis and evaluation of dam leakage in Qingshitan Reservoir[J].Water Resources Planning and Design，2016，（11）：107111.（in Chinese）） DOI：10.3969/j.issn.16722469.2016.I 1.035.

[13] 付長靜，李國英，陳亮，等.利用溫度場計算滲透流速的數學模型[J].水利水運工程學報，2015 （6）：8893.（FU C J，LI G Y，CHEN L，et al.A mathematical model for calculating penetration velocity using temperature field[J].HydroScience and Engineering，2015（6）：8893.（in Chinese）） DOI：10.16198 /j.cnki.1009640X.2015.06.013.

[14] 張茜，陳建生，董海洲，等.示蹤法測定井中滲透流速的廣義稀釋模型研究[J].長江科學院院報，2016，33（10）：126130.（ZHANG X，CHEN J S，DONG H Z.Research for determining permeability velocity in wells in generalized dilution moedl by tracer method[J].Journal of Yangtze River Scientific Research Institute.2016，33（10）：126130.（in Chinese）） DOI：10.11988 /ckyyb.20150662.

[15] HIMI M，CASADO I，SENDROS A，et al.Using the resistivity method for leakage detection at sant lloren de montgai embankment （Lleida，NE Spain）[C]//Near Surface Geoscience 201622nd European Meeting of Environmental and Engineering Geophysics，2016.DOI：10.3997/22144609.201601925.

[16] KHALEGHI B，KHAMIS A，KARRAY F O，et al.Multisensor data fusion：A review of the stateoftheart[J].Information Fusion，2013，14（1）：2844.DOI：10.1016/j.inffus.2011.08.001.

[17] SHIVASHANKARAPPA N，ADIGA S，AVINASH R A，et al.Kalman filter based multiple sensor data fusion in systems with time delayed state[C]//Signal Processing and Integrated Networks （SPIN），2016 3rd International Conference on.IEEE，2016：375382.DOI：10.1109/SPIN.2016.7566723.

[18] 汪華斌，徐瑞春.神經網絡在魚洞河滑坡穩定性評價中的應用[J].長江科學院院報，2002，19（4）：6265.（WANG H B，XU R C.Application of BP artificial neutral network son stability evaluation of Yudongde landslide[J].Journal of Yangtze River Scientific Research Institute，2002，19（4）：6265.In Chinese）） DOI：10015485（2002）04006203.

[19] 劉佳佳，彭鵬.基于Kalman濾波融合算法的某壩基水平位移分析[J].鄭州大學學報（工學版），2010，31（3）：110114.（LIU J J，PENG P.Analysis of dam foundation horizontal displacement based on kalman filter fusion algorithm[J].Journal of Zhengzhou University （Science Engineering Science），2010，31（3）：110114.（in Chinese）） DOI：16716833（2010）03011005.

[20] SISWANTORO J，PRABUWONO A S，ABDULLAH A，et al.A linear model based on Kalman filter for improving neural network classification performance[J].Expert Systems with Applications，2016，49：112122.（in Chinese）） DOI：10.1016/j.eswa.2015.12.012.

[21] 蔣恩松，李孟超，孫劉杰.一種基于神經網絡的卡爾曼濾波改進方法[J].電子與信息學報，2007，29（9）：46.（JIANG E S，LI M C，SUN L J.An improved method of kalman filter based on neural network[J].Journal of Electronics and Information Technology，2007，29（9）：46.（in Chinese）） DOI：1009589 6 （2007） 09207304.

[22] HE W，WILLIARD N，CHEN C，et al.State of charge estimation for Liion batteries using neural network modeling and unscented Kalman filterbased error cancellation[J].International Journal of Electrical Power & Energy Systems，2014，62：783791.DOI：10.016/j.ijepes.2014.04.059.

[23] 陳善廣，鮑勇.BP神經網絡學習算法研究[J].應用基礎與工程科學學報，1995，3（4）：437442.（CHEN S G，BAO Y.Studies on learning algorithms for BP Net[J].Journal of Basic Scienceand Engineering，1995，3（4）：437442.（in Chinese）） DOI：10.16058 /j.issn.10050930.1995.04.012.

[24] 張群，許強，吳禮舟，等.南江滑坡群體積的BP神經網絡模型與預測[J].水文地質工程地質，2015，42（1）：134139.（ZHANG Q，XU Q，WU L Z，et al.BP neural network model for forecasting volume of landslide group in Nanjing[J].Hydrogeology & Engineering Geology 2015，42（1）：134139.（in Chinese）） DOI：10.16030/j.cnki.issn.10003665.2015.01.23.

[25] 李朋麗，田偉平，李家春.基于 BP 神經網絡的滑坡穩定性分析[J].廣西大學學報，2013，38（4）：905911.（LI P L，TIAN W P，LI J C.Analysis of landslide stability based on BP neural[J].Journal of Guangxi University，2013，38（4）：905911.（in Chinese）） DOI：10.13624/j.cnki.issn.10017445.2013.04.003.