基于Kalman睟P融合的南水北调高填方渠道渗漏监测模型研究

刘明堂 田壮壮 齐慧勤 耿宏印 刘雪梅

摘要：针对目前南水北调中线工程高填方渠道渗漏监测设备综合误差大、不能监测渠道断面间渗漏等问题，设计了可用于高填方渠道渗漏的可移动无损监测系统，建立了高填方渠道渗漏状态监测的KalmanBP融合模型。首先构建一种基于无线传感网的多区域渗漏信息检测平台，将传感器设计成便携式可移动的锥形设备，对渗漏区域的温湿度、土壤含水率、GPS位置信息以及渗流等信息进行实时采集，再通过ZigBee和GPRS将多传感器信息进行无線传输；并结合流场渗漏检测方法，通过试验模型筛选出与高填方渠道渗流相关的特征变量；使用卡尔曼（kalman）算法对关联的物理变量进行滤波和估值；最后将多传感器数据通过BP神经网络进行渗漏状态模式识别，实现渗漏的状态预测，确定坡面渗漏安全级别。试验结果表明，基于KalmanBP融合模型的高填方渠道渗漏监测模型识别误差较小，达到能在整体上实时监测高填方渠段的渗流状态，可实现南水北调中线工程高填方渠道断面间的坡面渗流非破坏性在线监测功能。

关键词：南水北调中线工程；高填方渠道；渗漏监测；卡尔曼滤波；BP神经网络

中图分类号：TV68 文献标志码：A 文章编号：

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

南水北调中线工程线路总长约1 432 km，大部分采用新开挖渠道输水[1]。其中，高填方渠段1395 km，占总干渠长度的 11%，而且有的高填方渠段最大填方高度達255 m。由于南水北调中线工程中高填方渠段分布范围广、工程地质条件复杂、天气变化显著等原因，其高填方渠道会出现整体或局部沉降、滑坡、冻胀、冰压等灾害[2]。这些灾害均会造成填方衬砌面板开裂，防渗体被拉断造成渗（漏）水。南水北调中线工程高填方渠段一旦失事，势必给渠道两岸人民生命财产造成严重损失[3]。

因此，对高填方渠段进行渗漏检测就具有重大的研究意义和实用价值。然而，南水北调中线工程目前尚无针对高填方段的专项安全监测设计方案[4]。在南水北调中线工程施工中，一般安装了以测压管和小量程渗压计为基础的渗流监测设备，可对渠底扬压力、监测断面上的渗透压力分布以及对浸润线、渗流量、地下水位和防渗墙防渗效果进行监测[57]。但在已安装的渗流监测设备中，大都是振弦式渗压计和测压管。其存在综合误差大等缺陷，一般不适合于南水北调高填方段总水头变化较小的渗流监测；且现有的渗流监测设备一般分布在监测站点的渠底或者渠道断面上，采用埋入式或半埋入式安装，不能灵活地实现可移动测量，也不能实现高填方渠道断面间的坡面渗流监测。

目前，可应用于高填方渠道渗漏检测的地球物理探测方法有电磁法[8]、高密度电阻率法[910]、分布式光纤[11]、翻斗式容积法[12]、温度场法[13]、示踪法[14]、电阻法[15]等。无论流场法还是电场法通常都是只适用于现场的临时勘查，有的检测方法还需要现场开挖破坏填方渠道。

本文将建立一种基于无线传感网的多区域渗漏信息无损检测系统，将温湿度传感器、土壤含水率传感器以及渗流检测电路设计成便携式设备，进行可移动非开挖方式安装，再通过ZigBee和GPRS进行多传感器信息采集与传输；然后提取与渗漏具有相关性的环境变量，进行渗漏信息的特征识别；最后建立一种基于KalmanBP融合的南水北调高填方渠道渗漏监测模型，实现渠道断面间的坡面渗漏状态预测。

1 数据采集及无线传输设计

1.1 监测模型设计

为满足高填方渠段渗流监测的便携测量，同时又不能开挖破坏的设计原则，本文设计了基于无线传感网的多区域实时渗漏信息监测系统模型。图1为高填方段坡面渗流监测布置示意图。ZigBee协调器连接五个监测子节点，再通过GPRS网络无线传输到监测室。

其中图1中1为高填方渠顶；2为渠坡；3为渠底；4为监测室；5为ZigBee监测点1；6为ZigBee监测子节点2；7为ZigBee监测子节点3；8为 GPRS监测节点；9为ZigBee监测子节点4；10为ZigBee监测子节点5。

1.2 信息采集节点设计

图2为基于ZigBee子节点的信息采集单元示意图。其传感器输入量有五个：渗流电场的电极A和电极B、温度场、土壤含水率和GPS位置信息。这五个输入量还需要通过数据融合处理，根据多传感器检测量定性判断渗漏情况[16]。

图2中，1为金属保护壳；2为电源模块；3为GPS模块；4为ZigBee模块；5为温度模块；6为渗流电阻；7为金属保护壳锥形尖部。金属保护壳锥形尖部可以很方便地插入到渠道坡面土壤里面或者安装在渠道交叉建筑物上，实现了便携、可移动、无损检测功能。

1.3 无线传输设计

高填方渠段渗流监测平台的无线传输部分按照物联网架构设计，利用ZigBee无线通信网络实现近距离无线传输，[HJ2.15mm]然后将数据再通过GPRS网络上传到web服务器端，实现数据的远程传输和存储。图3是一个区域的渗漏监测系统整体示意图。每个测点间距可设置50 m左右，这些测点负责采集测点区域内和渗漏相关的传感器信息。各个独立的测点终端和协调器网关设备组成ZigBee无线网络；ZigBee无线网络选用CC 2530芯片实现各个传感器信息的读取，同时进行卡尔曼（Kalman）滤波等数据预处理工作。每个ZigBee测点终端要采集温湿度、电流、含水率四类传感器，应用太阳能板供电。ZigBee无线网络中要布置一个协调器，其主要接收和集中ZigBee网络中其他节点上传的数据，同时其还需要将数据通过GPRS网络上传至远端服务器。故此协调器还要加上GPRS模块。GPRS模块选用SIM800C，其实现了数据的无线远程传输。

2 KalmanBP融合模型建立

2.1 Kalman数据预处理

数据预处理分为三部分：异常值的剔除、卡尔曼滤波和归一化处理，前两部分是为了提高数据的准确性，后一部分是为BP神经网络输入样本值做预处理[17]。试验过程中由于测量仪器的干扰，导致测量数据出现一些明显的异常，剔除这些异常值便是首要任务。本文应用3σ准则剔除异常值，然后使用卡尔曼滤波算法对数据进行滤波，得出相对估计值[18]。由于Kalman算法具有实时性滤波特点，其可在ZigBee芯片上直接运行，实现了采集系统的实时性要求。

卡尔曼（Kalman）滤波其实是一个最优状态筛选的过程，可以实现监测数据实时在线处理[19]。Kalman方程式[HJ2.05mm]根据下面的五条Kalman最优滤波的基本公式进行描述（状态控制量为0）[20]：

2.2 BP网络的渗漏信息特征提取

本文应用了BP 神经网络，用于渗漏信息的函数逼近、模式识别、分类等功能[22]。BP神经网络学习过程是由前向计算过程和误差反向传播过程组成。这两个过程反复进行，不断调整各层的权值和阈值，使得网络误差最小平方和或达到人们期望的要求，学习过程结束[23]。BP神经网络非线性映射可用下面公式描述：

本文將渗流电场的两路电极信息、温度场信息和土壤含水率信息进行状态编码，然后作为BP神经网络的四维输入量，再利用BP神经网络的映射能力，进行渗漏信息的特征提取与数据融合处理，根据多传感器检测量来实现定性判断渗漏情况。BP神经网的网络拓扑见图5。

实测工程中，系统将渗漏发生的整个过程分为三个时间段：第一阶段记为Y=[0，0]，这个阶段模 型状态正常没有渗漏发生；第二阶段记为Y=[0，1]，此阶段开始发生渗漏但不明显；第三阶段记为Y=[1，1]，这一阶段渗漏现象很明显能够直接观察到。这样网络的输出是一个二维向量。隐藏层神经元数目可以根据经验选定15个。

2.3 kalmanBP融合模型

kalmanBP融合模型由卡尔曼滤波器和BP神经网络组成，如图6是模型的结构图。传感器输出值通过卡尔曼滤波器的入口Z（[WTB1X]k[WTBZ]）进入模型，最终从BP神经网络的输出端Y2输出。经卡尔曼滤波器处理后的序列估计值作为BP神经网络的一个输入神经元，对神经网络训练、检测，实现优化处理数据的效果。

3 结果分析

3.1 传感器信息关联分析

理论上，当测点区域发生渗漏时，区域内电场发生变化电流强度会增强，温度场也会发生有升高趋势，同时土壤含水率变化明显。本文进行了渗流电场同温度场、土壤含水率等进行了关联分析试验，来验证它们间的关联关系，见图7。

为了在同一坐标轴上表现关联特征量的变化趋势，这里对原始值做了归一化处理，从图7中可以看出四个特征量的整体变化趋势有明显的关联性。因此选取测点的电流强度、温度变化量和测点土壤含水率作为模型的监测量将有效地监测渠道渗漏状态，更具有可行性。

3.2 KalmanBP训练模型效果分析

高填方渗漏渠道渗漏监测模型系统具有可行性，其检测的电流强度、温度变化量和测点含水率等特征量数据通过训练好的BP神经之后，能够较好地识别系统预先定义的渗漏状态模式。将实测所得的2 557组数据经过预处理之后按照约6∶1的比例分为训练数据集和测试数据集。通过试验尝试建立均方误差小的BP神经网络，图8是神经网络训练效果图，在设定训练误差值为0005的情况下，2 198组训练样本在18 090次训练之后达到预期误差值，说明建立的BP神经网络符合要求。当BP神经网络在上位机上训练好后，其就可以进行相应现场的渗漏预测工作，能达到高填方渠道渗漏实时性要求。

3.3 KalmanBP渗漏预测误差分析

KalmanBP融合模型建立好之后，利用359组测试样本对网络进行测试，验证其预测和识别的准确性。归一化之后的测试样本值在经过BP神经网络输出的状态向量Y，都能很好接近期望值，其中Y=[y1，y2]。虽然有个别输出和期望输出偏差稍大，但是通过模糊聚类的知识依然可以将其归入正确的状态模式中。从整体上来说，KalmanBP融合模型的实际输出值都能很好接近期望值，实现了高填方渠道渗漏实时监测功能。表1为KalmanBP渗漏预测误差分析表，其中，6组样本是从359组测试样本中选取的，其中，各个传感器数据是已经归一化到[0，1]之间的数值。

4 结论

本文研究和设计了可用于南水北调中线工程高填方渠道渗漏实时监测模型，首先结合流场法渗漏检测原理，建立一种基于无线传感网的多传感器渗漏信息无损检测系统，进行数据采集和无线传输；然后使用卡尔曼（kalman）算法对关联的物理变量进行滤波和估值；最后将多传感器数据通过BP神经网络进行渗漏状态模式识别。试验和实测结果表明， kalmanBP融合模型实现了高填方渠道渗漏实时监测功能，并能对[HJ1.9mm]监测区域的渗漏状态进行定性判断，达到能在整体上实时监测高填方渠段的渗流状态，可实现南水北调中线工程高填方渠道断面间的坡面渗流非破坏性在线监测功能。

参考文献（References）：

[1] 汪易森.南水北调中线工程几个技术问题的解决与思考[J].水利水电技术，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，杨斌，韦国虎，等.碾压施工质量实时监控系统在南水北调工程中的应用[J].[JP+2]南水北调与水利科技，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] 屈志刚，申黎平，李明新，等.南水北调中线工程高填方渠道加强措施探讨[J].人民长江，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，陈俊生，王丽丽.南水北调高填方段渗流监测设计方案[J].西部探矿工程，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] 赵逊，兰卿良，王永亮.南水北调中线工程安全监测专业化管理研究[J].南水北调与水利科技，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] 吴少华，焦康，薛伟.南水北调中线干线工程安全监测自动化系统[J].中国农村水利水电，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] 陈俊生，刘春征.南水北调中线一期工程总干渠第 Ⅳ 渠段第 4 设计单元安全监测设计[J].西北水电，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] 蔡运胜，张宝华.几种电法仪器在地质勘查中的应用[J].地质与勘探，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，张平松，江晓益.并行电法在快速检测水坝渗漏通道中的应用[J].水利水电技术，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] 马若龙，毋光荣，周锡芳.高密度电法和自然电位法在某水库大坝渗漏探测中的应用[J].大坝与安全，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] 蒋力，周柏兵，徐国龙，等.基于分布式光纤技术的渗流监测试验探论[J].大坝与安全，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，王绍旭，文春龙.青狮潭水库大坝渗漏观测分析及评价[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] 付长静，李国英，陈亮，等.利用温度场计算渗透流速的数学模型[J].水利水运工程学报，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] 张茜，陈建生，董海洲，等.示踪法测定井中渗透流速的广义稀释模型研究[J].长江科学院院报，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] 汪华斌，徐瑞春.神经网络在鱼洞河滑坡稳定性评价中的应用[J].长江科学院院报，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] 刘佳佳，彭鹏.基于Kalman滤波融合算法的某坝基水平位移分析[J].郑州大学学报（工学版），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] 蒋恩松，李孟超，孙刘杰.一种基于神经网络的卡尔曼滤波改进方法[J].电子与信息学报，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] 陈善广，鲍勇.BP神经网络学习算法研究[J].应用基础与工程科学学报，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] 张群，许强，吴礼舟，等.南江滑坡群体积的BP神经网络模型与预测[J].水文地质工程地质，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，田伟平，李家春.基于 BP 神经网络的滑坡稳定性分析[J].广西大学学报，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.