基于多传感器滑坡监测预警系统设计及应用

刘德阳，温宗周，李丽敏，程少康，徐根祺

（西安工程大学电子信息学院，西安710600）

1 引 言

我国幅员辽阔，但地形较为复杂，部分地区滑坡体灾害运动剧烈。大规模的资源开发、工程兴建等活动，容易引发地质灾害山体滑坡，已成为滑坡灾害频繁发生的主要原因[1-3]。针对地质灾害滑坡体的监测预测预报，近些年许多相关的解决方案被相继提出。现有的滑坡监测预警系统，针对地质灾害滑坡体影响的因子参数采集较为单一，在野外恶劣自然条件下布设导线也很困难。滑坡体远程监测预警系统布设安装存在成本高、长距离布线信息传输延时等问题[4]。日本斋腾迪孝提出的蠕变破坏理论概念，成功在日本高汤山实施，解决了单一化模型影响因素。各因素之间的关系和实际值预测值拟合度可用以推断地质灾害滑坡体概率，但因为预测预报的精度不够高，存在一定的不确定性[5]。Mccann 使用BP神经网络模型对降雨型的滑坡体灾害进行短时间的预测预报，将BP 神经网络模型概率预测的方法应用到降雨型的地质灾害滑坡体灾害概率中。BP 神经网络模型具有可行性，但如果应用在一个非线性的预测系统中，它也有一些缺点，比如说在局部极小值的误差较大，随着时间的推移收敛速度逐渐减慢[6-7]。为解决上述BP 神经网络模型缺点，Broomhead 和Lowe 将径向基函数（Radial Basis Function, RBF）应用在分层网络模型的设计中，在以后的实际研究中神经网络（Neural Networks, NN）方法在线性适应和数值分析中都有使用[8-9]。

针对上述问题设计系统，近距离多传感器采集的数据采用无线射频通信，远距离通讯采用GPRS，可保证数据信息可靠传输。使用RBF 神经网络模型的方法，经过平均影响值（Mean Impact Value, MIV）方法建立地质灾害滑坡体发生概率预测预报模型。为解决目前单个影响因子的问题，将地质灾害滑坡体发生的主要影响因子数据进行融合。RBF 神经网络模型的输入部分可以经过MIV 算法筛选出对滑坡体影响的主要影响因子，将地质灾害滑坡体发生的概率作为输出。经过不断地对它的训练，再根据MIV 算法去除影响较小的影响因子，这样就可以提高系统估算地质灾害滑坡体发生概率的精确度[10]。

2 系统设计与实现

系统整体上采用裂缝位移、孔隙水压力传感器等设备，将采集的数据信息通过近距离无线通讯方式传送至现场预警终端；现场预警终端对采集数据进行简单的阈值判断，同时将数据信息通过远距离无线通讯方式发送至中心站；中心站将采集的数据信息进行分析，得出滑坡体区域的预报等级。系统由无线数据采集终端、现场预警终端、无线数据通讯、中心站和客户端组成。地质灾害滑坡预报系统总体结构图如图1 所示。

图1 地质灾害预报系统总体结构

系统选用STM32F103 系列芯片作为RTU 微处理器，足以满足系统设计。采用12V 锂电池为整个系统供电。程序下载方式采用SWD 方式，仅需2 根连线即可完成程序下载和代码调试的任务。触摸屏选用TFT-LCD 作为现场预警终端实时查询、召测和设置等操作。GPRS 模块选用SIM900A 芯片。无线射频模块选用CC1101 芯片。地质灾害滑坡预报系统硬件框图如图2 所示。

图2 滑坡预报系统硬件框图

为了无线数据采集终端设计的便利和降低成本等要求，将所有通讯接口集于一体，设计WRTU，包括最小系统模块、无线射频模块、电源模块、AD 通讯模块、脉冲通讯模块、RS232 通讯模块和RS485通讯模块。

地质灾害滑坡预报系统前端采用各传感器对数据进行实时数据采集，系统近距离通讯采用无线射频，保证数据可靠性传输；现场预警终端（SRTU）包含触摸屏模块，主要作用是实时查询当前滑坡灾害的参数信息和显示超过各参数设定阈值的参数；GPRS 模块负责现场预警终端和中心站之间远程通讯；报警模块通过SRTU 发送的控制指令，控制报警器的启动和关闭；中心站实时预测地质灾害滑坡发生的等级，其包括防火墙、服务器、预报模型、故障诊断系统和数据库系统。此外，手机APP 客户端和控制中心上位机可以用来接收或发送服务器发送的报文信息。

3 系统终端程序设计

系统上电后，首先进行系统内部初始化，初始化完成后，CC1101 进入接收数据模式。然后扫描是否有按键操作或触摸屏操作，若有，则执行按键或触摸屏程序。完成按键或触摸屏程序后，检验是否有召测指令，若没有键按下，则直接检测是否有召测指令。若有召测指令，则检测召测任务类别，采集对应的数据信息，通过GPRS 通讯方式上传至中心站；若无召测指令，则按照预先设定的顺序依次采集降雨量、土壤含水率、地表位移、次声波和孔隙水压力数据，并进行阈值比较。最后若采集的数据信息超过预先设定的阈值，则CC1101 进入发送数据模式，并下发报警指令，以及配置CC1101 数据包发送指令给报警模块，采集的数据信息没有超过预先设定的阈值，则配置GPRS 数据包发送采集的本组数据信息给中心站。滑坡预警终端软件设计流程图如图3 所示。

图3 滑坡预警终端软件设计流程

4 滑坡影响因子筛选

从地质灾害滑坡体监测对象角度筛选影响因子，将土壤含水率、降雨量、孔隙水压力、地表位移和次声频率等影响因子数据进行实时监测采集[11]。根据《陕西山阳县地质灾害调查与区划报告》以及地质结构、周围环境、历史滑坡体灾害发生的变化趋势，分析陕西山阳县地质灾害山体滑坡的主要影响因子。如：x1为土壤含水率，x2为降雨量，x3为孔隙水压力，x4为裂缝位移，x5为次声频率，x6为人为活动，x7为岩土性质，x8为冻融）；可以根据MIV 方法对这些滑坡体因子的影响权重比值来筛选预测输入影响因子，减少模型训练步数和仿真时间。

MIV 实现过程如下：

1) 在八个变量 x1、x2、x3、x4、x5、x6、x7、x8的原有矩阵P 的基础上加、减10%，变成新的样本矩阵P1、P2，形如：

式中xmn表示第m 个因子的第n 个数值。

2) 采用拉格朗日插值法计算P1、P2中的每个变量，得出对应的结果 L1、L2：

其中，L1、L2表示每个变量的差值，xk表示每个变量的均值，xi表示每个变量，此处n 为8。

3) 对L1和 L2进行MATLAB 仿真。所得出的MIV 值如表1 所示。可见，按其对滑坡灾害影响的大小排序为：x2＞x1＞x4＞ x3＞ x5＞x8＞x7＞x6。由此筛选出滑坡体灾害影响因子 x1、x2、x3、x4、x5作为训练样本，x6、x7、x8影响极小,可以忽略不计。

表1 MIV 算法仿真结果

经上述MIV 算法对滑坡体灾害的影响因子的筛选，最后选出降雨量、土壤含水率、孔隙水压力、裂缝、次声频率五个滑坡影响因子作为预报预测模型输入的参数。表2 为滑坡各影响因子数据量化结果。

表2 各因子作用和滑坡的关系量化

根据地质灾害滑坡体灾害的损失、发生概率和危害等级，将地质灾害滑坡灾害预警等级根据标准划分为四级[12]。具体划分情况如表3 所示。

表3 预警等级划分

5 RBF神经网络模型

5.1 RBF神经网络

RBF 径向基神经网络收敛于局部的网络模型，模型输出的结果受连接权的影响比较小，一旦确定了连接权值基本上不需要重新设定。其优点在于训练的学习速度较快，在实际应用比较常用。地质滑坡灾害预报的基本模型如图4 所示。

图4 RBF 神经网络模型

图中，RBF 网络模型输入为MIV 筛选后的五个地质灾害成灾影响因子，输出为滑坡体灾害发生的概率值，模型中间的隐含层节点RBF 节点构成由高斯核函数建立，如式：

此公式只对收敛的局部数据起到相应的作用，最后由模型的隐含层节点给出较大的数值。其中，x 为n维输入向量；神经元径向基节点数用r 表示，基函数中心由ci表示，δi决定着RBF 神经网络模型的隐含层中心点的聚集宽度；感知向量数用i 表示，每个单元的数目用m 表示，用表示x 与ci的距离。RBF 神经网络模型隐含层是通过它的自由组织和自适应的方式进行学习训练的，它的里面每一个参数是根据模型输入量的分布情况而定的。模型的输入输出之间的关系是根据期望值来建立的。最终模型参数由此确定。

径向基神经元采用径向基函数的网络结构，由隐含的径向基层和输出线性层组成，再根据第一个神经元层的输出显示，依次类推，有：

式中，第一个神经元的输出用a 表示；d 代表网络神经元的输入向量与权值向量之间的距离；N 表示RBF 神经网络模型输入向量与权值向量元素的乘积以及他们之间的误差之和，模型输出的函数值是径向基传递函数radbas 经过计算求得。

5.2 滑坡模型建立

滑坡预报的过程分为两步：①训练RBF 神经网络模型；②用已经训练好的RBF 神经网络预报地质灾害滑坡发生概率。

对一个滑坡体采集一些数据，然后对这些数据做归一化处理，将这些数据做为RBF 神经网络模型训练的输入数据：xi为{x1i,x2i,...,xni}。神经网络训练输出数据：滑坡发生的概率Y 为{y1,y2,...,yn}。通过MIV 算法筛选后的变量为：x1为降雨量，x2为土壤含水率，x3为孔隙水压力，x4为裂缝位移，x5为次声频率。基于对滑坡体的监测数据，选n 为1000 的一组数据作为模型结构训练数据。

对地质滑坡灾害作出预报就是选出主要影响因子信息，根据这些数据预测出滑坡体发生灾害的概率Y。把筛选出来的主要影响因子作为RBF 神经网络的输入量，RBF 神经网络的隐含层节点hi(x)由高斯核函数构成，如式(2)所示RBF 神经网络模型的输入、隐含层和输出之间的关系函数如下式所示：

其中，Y 为RBF 神经网络的输出，ωij为隐含层与输入层之间的权值；i 为输入变量的个数，设为5；b 为修正参数。

5.3 系统验证与应用

使用陕西山阳县的滑坡体采集数据[13]为例，验证RBF 预报模型的准确性。根据陕西山阳县的实际滑坡体情况，经过MIV 算法筛选出：土壤含水率，降雨量，孔隙水压力，裂缝位移和次声频率影响因子，并对这些数据进行归一化处理。

归一化处理后，用newrb 函数构建并进行不断地训练，程序代码选用BP 网络模型进行训练，由地质灾害滑坡预报模型和采集的影响因子的数据不断地训练。MATLAB 中训练代码如下：

如图5 为训练窗口，从中可见网络及运行相关数据的结构、网络训练的算法、误差函数和网络训练过程中的动态变化。网络模型中迭代次数设定为1000。迭代453 次时，数据样本就已经到达收敛的程度。网络完成训练后，达到预先设定目标数值。

图5 训练窗口

使用train 函数对RBF 神经网络进行不断地训练，仿真结果如图6 和图7 所示。图6 中的虚横线是训练数值达到最优的位置，垂直虚线为RBF 神经网络模型训练到达的期望值，深色实线为RBF 神经网络训练过程中的误差实际变化曲线；图7 中的实现和虚线分别表示输出值与理想值之间的拟合程度。进行不断地仿真实验，通过测试可得出滑坡体数据预测结果。

图6 训练目标图

图7 样本数据拟合曲线

使用手机APP 查询滑坡体灾害数据，选择了0000001 号监测点，可以清楚地看到该点滑坡灾害具体数据值。APP 界面如图8 所示。图8(a)为登录界面；图8(b)为手机实时数据显示，可以通过多种方式查询滑坡体的历史数据，如：属性、监测点编号和时间范围等组合条件查询读取，可查询到该监测点监测的历史曲线图；生成的滑坡体历史数据曲线如图8(c)所示。

图8 手机端APP 界面及显示

地质灾害滑坡体监测预警系统主要可用来实现对系统阈值的设定，采集影响因子数据，并对预测的概率进行显示[14]。系统的主界面提供了通道的选择途径；显示界面部分的主要功能是对设备名称、网络通道IP 地址和采集影响因子的实时显示。可通过触屏的方式对时间、数据上报的时间间隔、网络IP 地址和监测点通道选择等进行设置。进入到参数设置页面后，首先要读取系统的数据，如出现错误就需要对相应参数重新进行设置。地质灾害智能监测预警系统的触屏界面如图9 所示。

图9 地质灾害智能监测预警系统实物图

经过RBF 神经网络不断训练，通过输入的数据预测结果，可以根据公式(4)计算出地质灾害滑坡体成灾发生的概率，并通过对发生概率的量化，得出其对应的预报等级。最终的预报结果数据如表4 所示。

表4 原始数据及相应的测试预报结果

从表中可以看出，将陕西山阳县2018 年3 月24 号前后几天滑坡采集的数据输入地质滑坡体灾害RBF 神经网络模型进行灾害发生的等级预测预报，将输出预测结果与原始采集的数据值进行对比，可由对比分析得出模型理论预测结果与实际数据的平均误差率约为0.18%，实验结果较为理想，验证了该地质灾害滑坡体监测预警系统预报结果的准确性和可行性。

6 结束语

地质灾害滑坡体监测预警系统由野外监测点和室内监测站组成，能对滑坡的多个传感器的参数进行实时监测采集，经过GPRS/Internet 方式进行远距离传输到预警指挥控制中心，成本低廉，优势明显。通过RBF 神经网络，采用MIV 算法进行对成灾因子的筛选和对历史数据训练，最后通过手机APP 和上位机方式输出滑坡灾害预报概率，可以较为理想地达到预警滑坡灾害发生的目的，对人民生活及生命财产安全有着重要的意义。