CN104616473A - 一种大型水利工程渗流实时监测系统及其趋势预测方法 - Google Patents

Abstract

本发明公开了一种大型水利工程渗流实时监测系统，由监测节点、网关节点、监测中心电子计算机组成，监测节点是带有水声传感器的ZigBee无线传感网络节点，监测节点经网关节点通过GPRS网络与Internet网络将水利工程渗流的水流信息实时传输到监测中心计算机上。本发明采用无线传感器网络特别适用大型水利工程的渗流实时监测，省去敷设大量导线、节约成本、降低施工难度；无线传感器网络监测节点结构简单、体积小、成本低，特别适合布置在大型水利工程中，对具有多处渗流进行监测；本发明所述水声传感器放置于渗流中，可以不受气候的影响，24小时实施实时监测。

Description

一种大型水利工程渗流实时监测系统及其趋势预测方法

技术领域

本发明属于大型水利工程(如大坝、水利枢纽)的安全检测领域，特别涉及一种大型水利工程渗流实时监测系统及其趋势预测方法。

背景技术

大坝，水建筑物挡水后因水位差发生渗流现象，使一部分水体渗入坝体和地基，在其地基中形成渗流场，导致发生流土、管涌或塌滑。资料显示，水利工程事故(特别是大坝事故)大部分是由渗流作用引起的。因此，对水利工程的渗流状态进行监测十分重要。

目前水利工程渗流监测的技术有，中国专利CN101694395A，一种水库大坝渗流流量的测量传输装置，有现场测量单元和室内接收单元；现场测量单元包括一套测量装置。中国专利CN103205987A，一种水坝排水孔渗流参数只能测控系统，它包括：安装于排水量孔底部的压力传感器，所述压力传感器用于测量排水压力；安装于排水口位置的测控装置，还有工控机。

基于GPRS的大坝渗流监测系统研究与实现(郑辉，北京交通大学，硕士论文，2011)该系统主要是由单片机终端和监控中心两大部分，开发了基于振弦式渗压计。

综上所述，现有技术对水利工程渗流监测起了较大的作用，是保证水利工程安全的一个重要手段，但也存在局限性。现有技术监测装置复杂，对于大型水利工程有多处渗流就不易进行监测，或投入的成本太高。

发明内容

为了克服现有技术的局限性，本发明采用无线传感网，以及信号去噪处理技术，并辅以一定的预测方法，实现大型水利工程(如大坝、水利枢纽)渗流进行实时监测及其发展趋势进行预测。

为解决上述技术问题，本申请采用以下技术方案：

一种大型水利工程渗流实时监测系统，由监测节点、网关节点、监测中心电子计算机组成，监测节点是带有水声传感器的ZigBee无线传感网络节点，监测节点经网关节点通过GPRS网络与Internet网络将水利工程渗流的水流信息实时传输到监测中心计算机上，在计算机屏幕上自动显示所监测的各具体确实位置的水利工程渗流的水流变化值，当变化值超出规定阈值时，计算机上自动显示预警，同时将预警发送至操作人员手机上，计算机能预测水利工程渗流的发展趋势。

进一步的，监测节点由以下部件组成：水声传感器、信号调理电路、基于ZigBee通信协议的射频发射模块，其中摄像传感器通过信号调理电路与基于ZigBee通信协议的射频发射模块连接，且均与光电源连接，光电源上连有电源管理芯片，统一控制供电；基于ZigBee通信协议的射频发射模块上连接有液晶显示器和USB接口。

优选的，水声传感器为探索系列28kHz水声传感器。

优选的，基于ZigBee通信协议的射频发射模块是CC2430芯片。

进一步的，网管节点由以下部件：基于ZigBee通信协议的射频接受模块、微处理器、SIM卡座、GPRS模块顺次连接而成，它们均由风光电源供电，并由电源管理芯片统一执行供电管理。

优选的，微处理器选用AT91RM9200芯片。

有益效果

本发明与现有技术相比，具有如下有益效果：

(1)采用无线传感器网络特别适用大型水利工程的渗流实时监测，省去敷设大量导线、节约成本、降低施工难度；

(2)无线传感器网络监测节点结构简单、体积小、成本低，特别适合布置在大型水利工程中，对具有多处渗流进行监测；

(3)本发明无需人员定期巡回检查渗流，节约大量人力成本；

(4)本发明所述水声传感器放置于渗流中，可以不受气候的影响，24小时实施实时监测。

附图说明

图1是一种大型水利工程渗流实时监测系统；

图2是ZigBee网络监测节点原理图；

图3是ZigBee网络网关节点原理图。

其中，1.监测节点；2.网关节点；3.GPRS网络；4.Internet网络；5.监测中心计算机；6.水声传感器；7.信号调理电路；8.基于ZigBee通信协议的射频发射(接收)模块；9液晶显示器；10.USB接口；11.光电源；12.电源管理芯片；13.微处理器；14.风光电源；15.SIM卡座；16.GPRS模块。

具体实施方式

为使本申请的目的和技术方案更加清楚，以下结合附图对本申请的技术方案进行清楚、完整地描述。所描述的实施例是本申请的一部分实施例，而不是全部的实施例，基于所描述的本申请的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

实施例1：一种大型水利工程渗流实时监测系统，由监测节点1、网关节点2、监测中心电子计算机5组成，监测节点1是带有水声传感器的ZigBee无线传感网络节点，监测节点经网关节点通过GPRS网络3与Internet网络4将水利工程渗流的水流信息实时传输到监测中心计算机5上，在计算机屏幕上自动显示所监测的各具体确实位置的水利工程渗流的水流变化值，当变化值超出规定阈值时，计算机上自动显示预警，同时将预警发送至操作人员手机上，计算机能预测水利工程渗流的发展趋势。

(1)监测节点

如图2所示监测节点1，放在渗流中的水声传感器将渗流的流水信息经信号调理电路7处理后，由基于ZigBee通信协议的射频模块8发射渗流信息。监测节点1用光伏电源11。监测节点1的各个芯片型号可以作如下选择：CC2430是Chipcon公司生产的用来实现嵌入式ZigBee应用的芯片系统，它支持2.4GHz IEEE802.15.4/ZigBee协议。CC2430芯片以强大的集成开发环境作为支持，内部线路的交互式调试以遵从IDE的IAR工业标准为支持，得到嵌入式机构的高度认可，CC2430芯片系统模块集成了CC2420RF收发器，增强工业标准的8051MCU.32/64/128KB闪存，8KB SRAM等高性能模块，并内置ZigBee协议，加上超低能耗，使得它可以用很低的费用构成ZigBee节点。

水声传感器6是接收和探测在水中传播的声波的传感器。水声传感器6一般由压电传感器及相关的电子电路构成，封闭在一个防水密闭的容器中，可以安放在渗流的水流中，由光电源11供电，水声传感器漂流在渗流中，将渗流的水流信息传输至网关节点2。选用探测系列28kHz水声传感器，也就是水平无方向柱形水声传感器。

为了适应水利工程安全监测的实际需要，节约能源，监测节点1应用光伏电源，选用的光伏电源型号为SAS2.5-WED。

(2)网关节点

由于ZigBee协议依据IEEE802.15.4标准，在数千个微小的监测节点1之间相互协调实现通信，这些监测节点1只需很少的能量，以接力的方式通过无线电波将数据从一个监测节点1传递到另一个监测节点1，它们通信效率非常高，但同时也说明了ZigBee技术的低数据速率和通信范围较小的特点。因此，在大型水利工程安全监测系统监测节点信息传递时，必须要设置网关节点2，方能使监测节点1信息顺利传输至监测中心的电子计算机5上，网关节点2的原理图如图3所示，其工作过程如下：通过基于ZigBee通信协议的射频接收模块8接收监测节点发来的渗流的流水信息，由微处理器13对渗流的流水信息进行去噪、压缩处理后，再由GPRS模块16发射，经GPRS网络3与Internet网络4耦合，在监测中心电子计算机5上可以接收到监测节点1所监测的渗流的流水信息。

微处理器13选用Atmel公司的一款内嵌32位ARM920T核的高速ARM处理器AT91RM9200作为中心处理器，具有高性能、低功耗、低成本特点，其指令处理速度可以达200MI/s(兆指令/秒)，能满足监测网关节点2的高速传输要求，同时它又是一款工业级微处理器，能够适合网关节点2工作环网境恶劣的要求，保证网关节点2工作的稳定性。同时AT91RM9200上可以移植标准的Linux操作系统，减少了网管节点2软件的开发难度，并增强了它的可移植性，有利于软件的二次开发。

无线发射装置包括SIM卡插座15、GPRS模块16和天线。SIM卡插座15的输入端连接微处理器13，输出端连接GPRS模块16。GPRS模块16选用Mc55模块，Mc55模块内置的TCP/IP协议在由AT指令控制使用程序很容易接入网络。

在微处理器13中实行对渗流的水流信息进行去噪处理，渗流的流水信息的去噪应用基于奇异值分解和小波阈值消噪算法，具体包括：

1.非均匀噪声分布渗流的流水信息的分解

对于任何m×n阶矩阵A(其中，m＞n)都存在以下分解：

$A=U\left[\begin{array}{cc}\mathrm{\Σ}& 0\\ 0& 0\end{array}\right]V^H$

其中：U和V为酉矩阵；Σ＝diag(δ₁,δ₂,...,δ_r)；δ_i(i＝1,2,...,r)为A的非零奇异值。

由上式可知，矩阵A经奇异值分解后可表示为k个秩为1的m×n阶子矩阵之和。

$A=\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{\mathrm{\δ}}_i{u}_i{v}_i^T=\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{\mathrm{\δ}}_i{A}_i$

其中：r为A的秩u_i和v_i别为矩阵U和V的第i个列向量；δ_i为矩阵A的第i个奇异值。由于v_i之间两两正交，故

因此，矩阵奇异值分解是将矩阵分解为两两相互正交的子矩阵的叠加。

2.渗流的流水信息的奇异值分解

由于渗流的流水信息是一维信号，因此，在进行奇异值分解之前，需将一维信号转变成矩阵形式。对于长度为N的一维信号，取2个正整数m和n，将序列截取m段长度为n个点的连续序列构成m×n阶矩阵，对一维渗流的流水信息X＝{x(1),x(2),...,x(N)}取合适的m和n进行矩阵化，得m×n阶矩阵A。

将矩阵A经过矩阵奇异值分解可得：

A＝δ₁A₁+δ₂A₂+...+δ_kA_k

对δ_iA_i矩阵的各行首尾相连，可构造一维的序列信号：

S_i＝{S_i,1,S_i,2,...,S_i,m}

其中：S_i,j代表矩阵A_i的第j行向量。因此，一维渗流的流水信息可分解为：

X＝S₁+S₂+...+S_k

A_i之间相互正交，故

渗流的流水信息经过奇异值分解后可表示为多个一维分量的叠加，且分量之间相互正交。噪声分布不均匀的振动信号经过奇异值的正交分解后，可有效地将噪声信号相对均匀地分解到子空间中。

3.分解分量的小波阈值消噪

小波变换是由短时傅里叶变换发展起来的，具有时频局部化和多分辨率的特性，其多分率公式为：

$\left\{\begin{array}{c}{x}_k^{j+1}=D(h_0*x_k^j)\\ d_k^{j+1}=D(h_1*x_k^j)\end{array}\right.$

其中为逼近信号；为细节信号；h₀为低通滤波器；h₁为带通滤波器；D为下抽样算子。其重构公式为：

$x_n^{(j-1)}=\underset{k}{\mathrm{\Σ}}{h}_0(n-2k)x_k^{\left(j\right)}+\underset{k}{\mathrm{\Σ}}{h}_1(n-2k)d_k^{\left(j\right)}$

小波变换是信号与小波函数之间的内积运算，它具有多分辨率功能，将信号分解到不同的频带空间；它又具有时频局部化功能，能够表征信号的时间特性。小波阈值消噪方法分为硬阈值法和软阈值法。硬阈值是将大于阈值的点保持不变，而软阈值法将大于阈值的点变为该点与阈值的差。由硬阈值法处理所得信号比由软阈值处理后所得信号更粗糙，因此，本文选择软阈值法。两种方法的消噪函数为：

对于小波阈值消噪法，小波阈值选择规则有rigrsure，heursure，sqtwolog，minimaxi等。其中，minimaxi和rigrsure阈值选择规则比较保守、方便不容易丢失真实信号成份，可以将弱小信号从高频信号中提取出来。而heursure和sqtwolog规则能够有效地去除噪声，但是，也可能将有用的高频信号当成噪声去除。Fix form threshold规则是一种折中的规则。

对噪声分布均匀的信号，以上规则具有良好的消噪效果，但是，对于噪声分布不均匀的信号，因信号不同，区域噪声分布特征不同，规则的选择相互矛盾，因此，本文将非均匀噪声分布渗流的流水信息经过奇异值分解，然后，利用小波软阈值消噪法分别对分解后的正交分量S_i(1＜i＜k)进行消噪，由线性叠加消噪后的分量得出消噪后的渗流的流水信息。

4.渗流的流水信息的奇异值小波消噪法

噪声非均匀分布渗流的流水信息的奇异值小波消噪法步骤如下：

(1)将噪声非均匀分布渗流的流水信息经奇异值分解，得不同正交子空间的叠加：X＝S₁+S₂+...+S_k。

(2)对若干个不同子空间的正交分量S_i(1＜i＜k)采用小波阈值消噪法进行消噪，得到消噪后的分量S_i'(1＜i＜k)。

(3)经过线性叠加消噪后的正交分量为：X'＝S₁'+S₂'+...+S_k'。其中：X'为消噪后渗流的流水信息。

经过去噪的渗流，显示在计算机的屏幕上，对于发送在屏幕上的渗流的流水信息，计算机能自动识别流水信息的具体确定位置，具体算法如下：

在监测系统中用嵌入式空间来描述节点的位置，从一个监测节点1到网关节点2测量估计值在线性系统中来定位它的坐标。假设存在M个网关节点2，监测节点1S_i在M维的嵌入式空间中的坐标用估计值矢量值来表示：[P_i]＝[P_i1,P_i2,P_i3,…,P_iM]^T，P_ij表示节点j的测量值，P_ii＝0。整个嵌入式空间可以用一个M×M的估计矩阵来表示为[P]＝[P₁,P₂,…,P_M]。

同理，地理距离矢量表示为[L_i]＝[L_i1,L_i2,…,L_iM]^T，[L_ij]表示节点i到节点j的地理距离。则地理距离矩阵表示为[L]＝[L₁,L₂,…,L_M]。本发明的定位算法主要思想是构建一个最优线性变换[T]，提供一个从估计矩阵[P]到距离矩阵[L]的映射关系。未知节点在获得了一个估计矢量后，就可以利用这种映射关系来计算它的矢量距离，从而计算节点的位置坐标。[T]是一个M×M的矩阵，[T]的每一行通过最小化方差来得到。

$e_i=\underset{k=1}{\overset{M}{\mathrm{\Σ}}}{(l_{\mathrm{ik}}-t_i{p}_k)}^2={\left|\right|l_i^T-t_{i}p\left|\right|}^2$

[L₁,L₂,…,L_M]＝[T][P₁,P₂，…,P_M]

通过最小方差得到行矢量 $t_1:t_i=l_i^T\left[P\right]\left[T\right]{\left\{\right[P\left]{\left[P\right]}^T\right\}}^{-1},$ [T]＝[L][P][T]{[P][P]^T}^-1。

在计算机上自动绘制个渗流的水流变化曲线，当变化超过规定阈值时，由计算机自动显示预警信息，并将预警信息发至工作人员的手机上。

鉴于渗流的水流特点，应用混沌时间序列的神经网络预测，具体算法如下：

将按混沌时间序列一维渗流的水流信息在相空间内重构，应用3层BP网络预测渗流的水流信息混沌时间序列，BP网络输入层节点只传递输入信号到隐层，并对数据处理后送给输出节点，隐层采用双曲正切函数，输出节点是线性函数。

1.渗流的流水信息的混沌时间序列状态空间重构

将按混沌时间序列一维渗流的水流信息在相空间内重构，进行建模和预测，具体如下：

非线性混沌动力系统的状态演化可以由以下非线性微分方程来表示：

X(t)＝A(X(t))

或者由非线性差分方程表示：

X(k+1)＝G(X(k))

上式中，X是系统的状态向量，A(g)或者G(g)是非线性矢量函数。假设时间序列{y(k),k＝0,1,2,L}是非线性混沌系统某个状态的采样序列，根据Takens定理，只要找到一个合适的嵌入维，即如果延迟坐标的维数m≥2D+1(D是动力系统的关联维数)，可以由观测输出y(k)得到一个新的重构系统，并在拓扑等价意义下保持原系统的动力学性态，重构的m维状态向量为：

Y(k)＝[y(k),y(k-τ),L,y(k-(m-1)τ)]

式中：τ为正整数，称为延迟时间。条件m≥2D+1是实现状态重构的一个充分但不必要条件。找到合适的维数m的过程称为嵌入，获得延迟坐标重构的最小整数m被称为最小嵌入维。对混沌时间序列进行预测时，给定的预测原点为k，预测步长为Δt，即给定Y(k)的值和若干k时刻之前的时间点，要求预测y(k+Δt)，如果在k时刻预测y(k+Δt)，需先建立预测原点k和预测时刻k+Δt之间的定量关系。由Takens定理可知，在重构的相空间中存在一个映射F:R^m→R^m，使得：

Y(k+Δt)＝F(Y(k))

式中：Y(k+Δt)为当前状态Y(k)的Δt步演化状态。因此只要能够逼近真实函数F(g)，就能够对y(k+Δt)的值作出预测。

2.BP神经网络预测方法

BP网络是通过将网络输出误差反馈回传来对网络参数进行修正，从而实现网络的映射能力。业已证明，具有一个隐层的3层BP网络可以有效地逼近任意连续函数，这个3层网络包括输入层、隐层和输出层。考虑到实际应用当中对于网络预测泛化性能的要求，网络设计应坚持尽可能减小网络复杂性的原则。3层BP网络模型预测混沌时间序列，输入层节点只传递输入信号到隐层，隐层采用双曲正切S型函数对数据处理后送给输出节点，输出节点是简单的线性函数。BP网络的训练方法很多，这里采用Levengerg_Marquardt训练方法，训练中的误差性能函数设为每次批处理后误差的平方和。对于一个给定的混沌时间序列，其具体的预测步骤如下：

(1)为了便于预测，首先对获得的混沌时间序列进行归一化处理。归一化方法为：

$y\left(k\right)=\frac{y\left(k\right)-\underset{k}{\mathrm{mean}}\left(y\left(k\right)\right)}{\underset{k}{\max }\left(y\left(k\right)\right)-\underset{k}{\min }\left(y\left(k\right)\right)}$

(2)选择合适的m和τ重构系统的状态相空间，依据预测步长要求构造训练数据。输入数据为：Y(k)＝[y(k),y(k-τ),L,y(k-(m-1)τ)]，k＝1,2,L,N，输出数据为y(k+Δt)，k＝1,2,L,N。

(3)设计BP网络结构。网络的输入节点数目为重构相空间的维数m，根据具体情况选择合适的隐节点数目，因为每次只是预测出一个数据点，输出节点为单节点。

(4)依次输入训练数据Y_k和对应的理想输出数据y(k+Δt)，对BP网络进行训练。训练结束以后就可以利用该网络进行预测。

(5)为了衡量BP网络的预测精度，对训练数据和测试数据分别采用均方误差(MSE)和相对误差(Perr)作为评测标准：

$\mathrm{MSE}=\frac{1}{N}\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{|y\left(k\right)-\hat{y}\left(k\right)|}^2$

$\mathrm{Perr}=\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{|y\left(k\right)-\hat{y}\left(k\right)|}^2/\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{y}^2\left(k\right).$

Claims (4)

1.一种大型水利工程渗流实时监测系统，由监测节点(1)、网关节点(2)、监测中心电子计算机(5)组成，其特征在于，监测节点(1)是带有水声传感器(6)的ZigBee无线传感网络节点，监测节点(1)经网关节点(2)通过GPRS网络(3)与Internet网络(4)将水利工程渗流的水流信息实时传输到监测中心计算机(5)上，在计算机屏幕上自动显示所监测的各具体确实位置的水利工程渗流的水流变化值，当变化值超出规定阈值时，计算机上自动显示预警，同时将预警发送至操作人员手机上，计算机能预测水利工程渗流的发展趋势。

2.根据权利要求1所述的一种大型水利工程渗流实时监测系统，其特征在于，监测节点(1)由以下部件组成：水声传感器(6)、信号调理电路(7)、基于ZigBee通信协议的射频发射模块(8)，其中摄像传感器(6)通过信号调理电路(7)与基于ZigBee通信协议的射频发射模块(8)连接，且均与光电源(11)连接，光电源(11)上连有电源管理芯片(12)，统一控制供电；基于ZigBee通信协议的射频发射模块(8)上连接有液晶显示器(9)和USB接口(10)。

3.根据权利要求1所述一种大型水利工程渗流实时监测系统，其特征在于，网管节点(2)由以下部件：基于ZigBee通信协议的射频接受模块(8)、微处理器(13)、SIM卡座(15)、GPRS模块(16)顺次连接而成，它们均由风光电源(14)供电，并由电源管理芯片(12)统一执行供电管理。

4.权利要求1、2或3所述一种大型水利工程渗流实时监测系统的预测方法，用BP神经网进行预测，其特征在于，将按混沌时间序列一维渗流的水流信息在相空间内重构，应用3层BP网络预测渗流的水流信息混沌序列，BP网络输入层节点只传递输入信号到隐层，并对数据处理后送给输出节点，隐层采用双曲正切函数，输出节点是线性函数。