基于安全监测的水库岸坡PHM系统框架及故障预测技术研究

李 明，黄 铭，2

(1.合肥工业大学 土木与水利工程学院，合肥 230009； 2.三峡大学 三峡库区地质灾害教育部重点实验室，湖北 宜昌 443000)

0 引 言

随着国民经济持续快速发展，对清洁可再生能源的需求不断增大，我国对水电资源的开发利用已经到了前所未有的发展时期。据初步统计，我国已建成10×104m3及以上水库达9.8×104座，总库容达到9 323×108m3[1]，水库的安全稳定运营成为现阶段水库管理的主要内容，而水库岸坡的变形破坏是影响水库安全、可靠、稳定运行的主要因素。

水库岸坡由于其地形地貌、地层岩性、组成物质和演化过程的不同，且受到实时的水文环境和地质条件的综合作用[2]，在降雨、库水位升降、地质灾害等外界因素的影响下，始终处于一种复杂的、动态的状态。因此，水库岸坡作为复杂的动态运行系统，在外界条件的影响下，使得岸坡的水文地质条件、应力条件和岩土体强度发生变化，导致水库岸坡发生侵蚀、崩塌、滑移等自然灾害，减少有效库容，引发次生灾害，使岸坡系统不能保证水库多样性功能的实现，增加水库的运营成本，降低水库的生命周期，致使水库岸坡发生故障。

随着水利工程规模的增大，水库岸坡面对的环境更加复杂，其运行和维护的成本越来越高[3]。如果岸坡在生命周期内结构老化，裂缝发育形成局部滑动面，将导致岸坡位移增大，其发生坍塌、滑坡、崩岸等故障和功能失效的概率将增大，岸坡失稳的风险性提高。所以，根据安全监测结果及时对水库岸坡的故障进行预测，并对水库岸坡进行维修加固是保障其安全运行的主要措施。

传统的事后维修、定期维修等维修保障方式，存在资源浪费、诊断能力差、预警不及时等缺点，不能够达到预防性维修的目的，不满足复杂系统经济可承受性的要求。为克服传统维修保障方式的缺陷并适应现代水库岸坡维修保障的发展需求，将国外先进的故障预测与健康管理(prognostics and health management, PHM)技术应用于水库岸坡，研究建立水库岸坡PHM系统框架，利用BP神经网络模拟岸坡未来时间段内位移变化的趋势，提前预测岸坡功能性故障，为水库岸坡的维修决策提供有力的支撑。

1 PHM的概念和水库岸坡PHM框架研究

PHM是当前美军装备维修保障的一项重要技术，在联合攻击机、舰船、雷达、导弹等领域已经广泛应用[4]。我国早期的PHM技术主要应用于航空领域，用以监控飞机或发动机的状态。随着PHM技术的成熟，我国在高速铁路、大型桥梁、堤坝等领域逐渐开始引用PHM技术[5-6]，借助智能系统的故障诊断和预测，以实现自主式维修。

PHM是借助先进的传感器，通过即时监测对系统的工况信息进行采集，借助各种智能算法对系统的健康状态进行评估，综合历史信息、故障信息对可能发生的故障进行预测，推导出故障的原因及位置，跟踪故障的发展趋势，预测系统的剩余使用寿命[7]，对系统进行预防性维修，最终达到自主式视情维修的目的，为系统快速、精准的维修保障提供支撑。

1.1 水库岸坡PHM系统框架设计

通常情况下，PHM系统具有如下功能：数据采集、数据预处理、特征提取、故障诊断、故障预测、健康评价、决策维修。对于复杂程度更高的系统，PHM能够实现不同级别、不同层次的综合诊断、预测和健康评价[9]。在水库岸坡系统中，根据岸坡安全监测的信息，结合水库运营管理需求，建立水库岸坡故障预测与健康管理系统框架。根据PHM系统设计流程和水库岸坡的功能要求，采用开放式总线体系的分层推理结构，建立基于PHM的水库岸坡维修保障系统，包含传感器监测模块、数据采集与处理模块、故障预测模块、健康评估模块、决策维修模块，具体关系见图1。

图1 基于PHM的水库岸坡维修保障系统框架

1.2 水库岸坡PHM系统工作流程

根据规范要求和管理需要，在水库岸坡重要部位布置监测仪器。数据采集模块负责采集所有监测部位的状态参数信息。数据处理模块主要完成对采集数据的预处理、特征值提取等。故障预测模块是结合岸坡的历史数据库，对岸坡故障发生的位置、时间进行预测分析，再估计其剩余寿命。健康评价模块是根据故障预测模块的预测信息，对岸坡当前及未来时刻的性能退化情况进行分析，从而掌握岸坡的健康状态。决策维修模块是根据水库岸坡的故障预测、剩余寿命信息以及健康评估结果，提前预警并确定维修保障方案。由于水库岸坡是复杂的动态系统，各模块需有机融合，才能实现岸坡的自主式视情维修，保证岸坡安全稳定运行。

2 水库岸坡PHM系统关键技术

PHM维修保障系统一个显著特点是故障预测与剩余寿命的估计，建立水库岸坡故障预测模型是本文研究的重点。当前，故障预测的方法主要分为：①基于物理模型的预测;②基于数据驱动的预测；③基于统计可靠分析的预测；④基于知识经验的预测。本文水库岸坡PHM系统的故障预测模块是基于传感器采集的数据，对数据进行预处理，提取特征值，运用神经网络，以降雨、库水位及其变化速率、时间等参数作为输入变量，岸坡的累积位移作为输出变量，建立水库岸坡的位移预测模型，监测岸坡位移突然变大的情况，以便在岸坡发生崩塌、滑坡等故障之前提出警告，实现岸坡的故障预测。

神经网络有较强的非线性映射能力，适用于多变量非线性复杂系统分析，而岸坡的变形与影响因素间复杂的关系与该特性吻合，且神经网络的鲁棒性、容错性及自学习能力都非常好，已在故障预测中得到了广泛的应用[10]。

2.1 BP神经网络的基本算法

BP模型是一种按照误差逆向传播算法训练的多层前馈神经网络，典型的三层BP神经网络由输入层、隐含层、输出层组成，结构见图2，算法步骤如下：

图2 BP神经网络结构

1) 样本数据归一化。当样本数据的单位不同，数量级相差较大时，用原始数据作为BP神经网络的输入层会使网络的性能和收敛性变差，较难得到理想的预测值。所以在进行神经网络训练之前对样本数据进行归一化，在BP神经网络输出计算结果时再将输出数据反归一化，以达到更精确的预测结果。本文采用如下函数进行归一化处理，将样本数据限定在[-1,1]之间。

式中：pn为原始样本数据；pmax、pmin分别为原始样本数据中的最大值和最小值；Tn为归一化后的样本数据。

2) 隐含层的确定。在BP神经网络中，没有标准的方法确定隐含层的节点数。节点数选取过多，能使系统的误差减小，但会增加网络的训练时间，且易陷入局部最小值而达不到最优点；节点选取过少，会使神经网络的性能变差，不能满足网络对样本的学习要求。BP神经网络的隐含层节点数一般根据以下经验公式选取：

式中：i、s、j分别为网络模型的输入层节点数、输出层节点数、隐含层的节点数；α为[1,10]之间的常数。

3) 初始化神经网络输入层和隐含层以及隐含层和输出层的权值和阈值。

4) 隐含层函数和输出层函数。

隐含层函数：

输出层函数：

式中:uij为输入层到隐含层的连接权值；wjs为隐含层到输出层的连接权值；βj为隐含层阈值；θs为输出层阈值；hs为模型的实际输出值。

5) 对输出数据反归一化。为得到岸坡累积位移计算结果，利用式(1)将模型输出结果进行反归一化。

2.2 BP神经网络故障预测的步骤

本文水库岸坡故障预测模型以安全监测系统为基础，运用BP神经网络对岸坡的效应量进行预测，判断是否会发生故障，从而达到预警的目的。本文故障预测步骤具体如下：①根据安全监测系统中传感器获得水库岸坡环境量和效应量的数据，进行分类、整理；②选取对岸坡效应量影响较大的环境量作为主要的影响因子；③将影响因子输入到输入层各节点，编程实现BP神经网络模型并进行训练，对岸坡的效应量进行预测；④在实际应用中，可以根据模型预测值和岸坡失效阈值的大小关系判断水库岸坡是否发生故障。其中，失效阈值可根据水库岸坡的相关规范确定，或采用工程比对资料分析计算研究设定。

3 水库岸坡PHM系统故障预测应用实例

以三峡库区某岸坡为研究对象，利用实际监测得到的60个月的库水位、降雨量、岸坡累积位移等资料进行建模，故障预测步骤，见图3。

图3 水库岸坡故障预测步骤

水库岸坡位移是反映其稳定性的重要标志，当位移突然或持续增大，岸坡发生故障的概率增大。本文以水库岸坡效应量即位移预测为例对岸坡故障预测进行说明。

水库岸坡发生位移是由自身的岩土体条件和外界环境因素共同影响决定的。通过分析岸坡的安全监测资料显示，外界环境因素是造成岸坡位移呈现周期性、台阶状增长的主要原因。

实测资料表明，库水位和岸坡位移随时间变化规律相近，库水位是影响岸坡稳定最明显的因素，故选择当前库水位为模型的水位因子。

岸坡位移不仅与库水位有关，还与库水位的变化速率有关，库水位下降越快，岩土体的渗透系数越小，库水位与岸坡地下水位的落差就越大，岸坡的稳定性越低[12]，发生故障的概率越大。所以，本文采用月平均库水位变化速率作为模型的影响因子。

库区岸坡多为土石结构，高强度的降雨能够增加坡体的自重，形成孔隙渗透压力，使得滑带土软化，抗剪强度降低，岸坡的稳定性下降，故障频率增加。所以，应将降雨作为岸坡位移的影响因素加以考虑。因受土石材料渗透系数的影响，降雨对岸坡位移的影响具有一定的滞后性，常采用前期降雨量和或平均降雨量作为影响因子，本文选取前一个月累积降雨量和前两个月累积降雨量为模型的降雨因子。

时效作用也是影响水库岸坡长期安全稳定运行的重要影响因素。由于库水长期冲刷，侵蚀作用，随着时间的推移，岸坡的稳定性逐渐降低，本文根据安全监测资料，以各月份先后顺序组成时间序列作为模型的时效因子。

将时效因子、库水位因子、库水位变化速率因子、前一个月累计降雨量因子、前两个月累计降雨量因子作为预测模型输入层的5个输入变量，岸坡的累积位移作为模型输出层的输出变量，按照2.1节中BP神经网络隐含层确定的公式，经过多次试验，得出当隐含层的节点数为5时，神经网络的预测性能最优。以实际监测得到的库水位、降雨量、累积位移等60组数据对岸坡故障预测模型进行训练。根据下式计算模型的平均相对误差：

式中：yk为累积位移实测值；lk为模型计算值；n为计算样本数。

模型训练的结果见图4。训练的平均相对误差为 0.75%，可见BP神经网络能够很好反映岸坡位移的整体变化趋势，训练效果很好。根据模型预测岸坡未来12个月的位移情况，结果见图5，模型预测的平均相对误差为0.19%，表明该模型的误差很小，预测效果好。

图4 BP神经网络预测模型训练结果

图5 BP神经网络预测模型预测结果

故障预测是水库岸坡PHM系统的关键技术，在实际应用中，根据本文预测模型，结合库区降雨以及库水位的变化情况，可预测岸坡位移突然增大等异常情况，跟踪位移发展的趋势。综合同类型滑坡的全寿命数据以及滑坡前的特征，以岸坡坡体周缘裂缝全部贯通，形成整体滑动面为判断岸坡失效的依据，根据当前及预测时刻的状态参数，估计岸坡的剩余使用寿命。

4 结 论

本文根据PHM系统构建原则和水库岸坡自身特点，建立水库岸坡PHM系统框架，选取对岸坡位移有重大影响的作用因子，重点研究以BP神经网络算法构建的岸坡故障预测模型。经实测资料验证，岸坡PHM系统中的故障预测模型能够准确预测岸坡位移的变化，可对水库岸坡可能发生的故障提前预测，为保证水库安全稳定运行奠定基础。为完善岸坡故障预测的内容，下一步将研究如何综合利用此岸坡及同类型滑坡的全寿命监测数据，对岸坡的剩余使用寿命进行估计，为后期评价岸坡健康状态和确定最佳维护时间提供依据。