藍祝光, 黃 銘,2

(1.合肥工業(yè)大學 土木與水利工程學院, 安徽 合肥 230009; 2.三峽大學 三峽庫區(qū)地質災害教育部重點實驗室, 湖北 宜昌 443000)

基于實測信息的海堤PHM系統框架及關鍵技術研究

藍祝光1, 黃 銘1,2

(1.合肥工業(yè)大學 土木與水利工程學院, 安徽 合肥 230009; 2.三峽大學 三峽庫區(qū)地質災害教育部重點實驗室, 湖北 宜昌 443000)

[目的] 解決海堤傳統維修方式存在維修保障能力差、易造成重大損失的問題,建立科學的海堤健康管理系統。[方法] 將先進的故障預測與健康管理(prognostic and health management, PHM)技術應用于海堤工程中,研究建立海堤PHM系統,并深入探討海堤PHM系統的預測和健康評估方法。結合海堤特點及海量、高頻的實測信息,提出將具有強大尋優(yōu)能力的水循環(huán)算法與神經網絡相結合,形成海堤狀態(tài)預測模型;并綜合考量海堤健康影響因素,基于模糊數學建立系統健康評估模型。[結果] 實例分析表明,所建立的海堤PHM系統預測模型和健康評估模型可有效預測海堤狀態(tài),并對海堤現階段和未來一定時段的健康狀況進行準確的實時評估和預評估。[結論] 形成了適應海堤工程特點的海堤PHM系統框架,所建立的預測模型和健康評估模型科學有效。

海堤PHM系統; 實測信息; 預測; 健康評估

文獻參數： 藍祝光, 黃銘.基于實測信息的海堤PHM系統框架及關鍵技術研究[J].水土保持通報，2017,37(3)：307-313.DOI:10.13961/j.cnki.stbctb.2017.03.053； Lan Zhuguang, Huang Ming. Framework and key technologies of seawall prognostic and health management system based on measured information[J]. Bulletin of Soil and Water Conservation, 2017,37(3)：307-313.DOI:10.13961/j.cnki.stbctb.2017.03.053

海堤的安全從古至今備受重視[1-4]，但由于設計施工能力所限，許多堤身年代久遠，且海堤長期抵抗潮水侵蝕、暴雨沖刷、臺風侵害，自然災害突發(fā)性強、破壞力大，海堤安全事故較為頻繁。鑒于海堤的重要性和安全隱患易發(fā)性，借助先進的信息技術和自動化技術，建立有效的海堤健康管理系統，實現海堤科學化、信息化管理顯得尤為重要。

針對海堤傳統維修方式存在維修保障能力差、無法預測未來健康狀態(tài)進而采取相應維修措施、經濟可承受性差等不足，以及建立科學、有效的海堤健康管理系統的迫切需要，根據海堤運行特點，結合海堤安全監(jiān)測，將近期快速發(fā)展的系統診斷預測決策研究熱點——故障預測與健康管理(prognostics and health management， PHM)技術應用于海堤工程，研究建立海堤PHM系統，對海堤運行狀況進行預測和健康管理，預知海堤存在的故障隱患或可能發(fā)生的險情，及時下達相應預警及維修決策指令，避免海堤過度維修或維修不足的問題，實現海堤視情維修、科學管理、降低維修保障費用、確保海堤安全運行的目的。

目前，PHM技術已在航空航天、國防、工業(yè)以及機械、核電站、電子等領域逐步得到應用，正顯露出其巨大的發(fā)展?jié)摿蛻们熬癧5-10]。溫祥西等[5]總結了目前網絡PHM關鍵技術存在的問題，提出了基于移動代理的分層分布式PHM體系結構和綜合型PHM管理框架；黃贊武[6]針對軌道電路故障，采用PHM開放式分層體系，構建了軌道電路PHM體系結構，并研制了軌道電路特征參數釆集及信息處理設備；JOUIN M等[7]將PHM技術運用于燃料電池系統(FC)中，增加了燃料電池系統的使用壽命；莫固良等[9]闡述了PHM系統的含義，對當前飛機PHM系統的應用狀態(tài)進行了全面的概述，并分析了PHM系統設計的主要關鍵技術。

本文擬以實時監(jiān)測信息為基礎，結合海堤結構力學特性、工作環(huán)境特點，研究建立基于先進故障預測與健康管理技術的海堤PHM系統，構建系統整體結構。重點研究海堤PHM系統的關鍵技術——預測方法和健康評估模型。提出具有強大尋優(yōu)能力的新型算法——水循環(huán)算法與神經網絡相結合，形成水循環(huán)神經網絡預測模型；綜合考量海堤健康影響因素，結合實測信息和預報信息，基于模糊數學建立海堤健康評估模型；實現海堤PHM系統對海堤進行狀態(tài)預測、健康實時評估和預判評估等功能。并通過實例驗證海堤PHM系統預測功能和健康評估功能的有效性。

1 PHM技術及海堤PHM系統框架結構

隨著信息技術和自動化技術的快速發(fā)展，各種大型系統的集成度和復雜度越來越高，系統的運行維修保障問題日益突出，尋求一種既便捷可靠又經濟高效的保障方式成為相關領域專家研究的熱點[11]。故障預測與健康管理(PHM)就是在這種背景下，綜合利用現代信息技術、人工智能技術的最新研究成果而提出的一種全新的管理系統健康狀態(tài)的解決方案。

PHM是指利用先進傳感器采集系統的各類數據信息，借助各種智能模型和先進算法來監(jiān)控、評估、預測和管理系統自身的健康狀態(tài)，在系統故障發(fā)生前對其故障進行預測，并結合各種可利用的資源信息提供一系列的維修保障措施以實現系統的視情維修，是一種故障檢測、故障預測、健康評估及維護決策相融合的綜合技術[12]。PHM技術使得原來以事件為主導的事后維修或與時間相關的計劃維修被基于狀態(tài)的視情維修所取代。

通常情況下，PHM的體系結構主要由以下部分構成：數據采集模塊、數據處理模塊、狀態(tài)監(jiān)測模塊、健康評估模塊、故障預測模塊、決策支持模塊。依照具體研究對象可形成不同組合及不同應用的PHM系統，各模塊間相互聯系、有機融合[13]。本文依據海堤特點和實際需要，以海堤高頻、海量實測信息為基礎，針對PHM基本結構和海堤實際安全運行管理需要，構建海堤PHM系統框架結構(圖1)。

(1) 數據采集管理模塊。利用先進傳感器采集海堤PHM系統所需各類信息，建立數據庫對各類信息進行分類管理，并運用數理統計等方法對海堤高頻率、大數量、多種類的環(huán)境量、狀態(tài)量、工程信息進行信息融合、特征提取等處理。

(2) 海堤狀態(tài)監(jiān)測分析模塊。接受來自數據采集管理模塊處理后的各類信息，進行閾值判斷和監(jiān)測分析。

(3) 海堤狀態(tài)預測模塊。接受海堤狀態(tài)監(jiān)測分析模塊的分析結果，借助神經網絡、水循環(huán)算法等方法建立海堤狀態(tài)預測模型，實現海堤狀態(tài)預測分析功能，并將預測結果傳送至健康評估模塊，為海堤PHM系統實現預判未來一定時段的海堤健康狀況提供依據。

(4) 健康評估模塊。接受海堤狀態(tài)監(jiān)測分析模塊和海堤狀態(tài)預測模塊的數據，結合模糊數學、層次分析法等健康評估算法，形成海堤PHM系統健康評估模型，對海堤現階段和未來一定時段的健康狀態(tài)進行健康評估。并將評估結果傳送至預警及維修決策模塊。

(5) 預警及維修決策模塊。依據海堤工程特點和實際需求，建立海堤PHM系統安全預警級別、預警模式、維修及統籌決策機制，依據健康評估模塊得出的海堤當前與未來時段的健康評估結果，及時預警，并統籌可利用資源及協調各相關部門采取科學有效的維修保障措施。

PHM的顯著特征是具有預測能力，有效預測系統的各指標狀態(tài)并依此進行健康預判是進行預警和視情維修的基礎。健康評估模塊主要進行實時評估和預判系統的健康狀況，是整個系統的核心環(huán)節(jié)之一。本文在構建合理有效的海堤PHM系統框架的同時，重點研究海堤PHM系統關鍵技術——預測模型和健康評估模型的構建方法。

圖1 海堤PHM系統框架結構

2 海堤PHM系統關鍵技術

海堤PHM系統的關鍵技術主要包括：信息融合方法、狀態(tài)監(jiān)測分析手段、海堤狀態(tài)預測模型、海堤健康評估模型及預警維修決策模型等。因篇幅所限，結合目前研究成果，本文主要對海堤PHM系統的預測模型和健康評估模型進行闡述。預測方法與健康評估手段作為海堤PHM系統得以實現的關鍵技術之一，建立科學有效的海堤狀態(tài)預測模型和健康評估模型是本文的研究重點。在充分研究海堤狀態(tài)量與快速變化潮位、暴雨、時效等重要環(huán)境量間的因果關系條件下，將水循環(huán)算法與神經網絡相結合，建立準確性高、有效合理反映多因素因果關系的海堤狀態(tài)預測模型；并綜合考量海堤健康影響因素，結合預測信息與海洋氣象預報信息，采用廣泛運用于復雜系統綜合安全評判的模糊數學方法，建立符合海堤健康管理需求的綜合評判結構，構建健康等級體系，形成海堤PHM系統健康評估模型，實現海堤健康實時評估和預判評估。

2.1 基于水循環(huán)神經網絡的海堤PHM系統狀態(tài)預測模型

滲壓作為反映海堤健康狀態(tài)的重要指標，對其實測數據進行預測分析，是構建海堤PHM系統狀態(tài)預測模塊的重要環(huán)節(jié)。本文以海堤滲壓為分析對象，詳細介紹海堤PHM系統狀態(tài)預測模型的構建方法。

在充分考慮周期性快速變化的潮位、降雨、時效對滲壓的影響，以及滲壓與其影響因素間具有明顯的非線性與不確定性關系的條件下，采用于2012年HadiEskandar[14]等人提出的具有強大尋優(yōu)能力、魯棒性和快速收斂特性的新型智能優(yōu)化算法——水循環(huán)算法[15-16](water cycle algorithm， WCA)與BP神經網絡相結合，以潮位、降雨、時效作為模型輸入層，滲壓作為模型輸出層，利用水循環(huán)算法取代BP神經網絡的誤差反向計算來求解模型權值，建立基于水循環(huán)神經網絡的海堤PHM系統滲壓預測模型。BP神經網絡的原理詳見文獻[17-18]。

2.1.1 水循環(huán)算法具體過程

(1) 基本參數。在N維變量問題中，由m個雨滴層(raindrops)形成種群X=[X1,X2,…,Xm]，其中第i個雨滴層的位置是大小為1×N的一組向量Xi=[xi,1,xi,2,…,xi,N]，每個雨滴層的位置Xi代表所求問題的一個潛在解。每個雨滴層的代價函數表示為：

costi=f(xi,1,xi,2,…,xi,N) (i=1,2,…,m)

(1)

比較每個雨滴層代價函數的大小，定義雨滴層種群中最優(yōu)雨滴層(即該雨滴層的代價函數最小)作為大海，定義N河個較好的雨滴層(即雨滴層的代價函數相對較小)作為河流，剩余雨滴層作為溪流。

Nsr=N河+1

(2)

N溪=m-Nsr

(3)

式中：N河——河流個數；Nsr——河流和大海個數總和；N溪——溪流個數。

(4)

式中：NSn——流向指定河流和大海的溪流個數； round{f}——取f四舍五入后的整數值。

(2) 匯流過程。初始時刻，溪流與河流的位置有一定的距離，隨著匯流作用，溪流逐漸向河流靠近，并達到新的位置，對比此時溪流與河流的代價函數，若溪流的代價函數較河流的小，則溪流與河流互換位置。類似的，經過匯流作用后，若河流的代價函數較大海的小，則河流與大?；Q位置。匯流公式如下：

(5)

(6)

(7)

(3) 蒸發(fā)與降雨。在水循環(huán)算法中，蒸發(fā)是能夠防止該算法因快速收斂而陷入局部最優(yōu)的重要措施。蒸發(fā)條件為：

(8)

較大的dmax可以防止算法陷入局部極小值，較小的dmax可以提高算法搜索精度。因此， 采用逐漸遞減的方式進行計算：

(9)

式中：kmax——最大迭代次數。

當滿足蒸發(fā)條件后，進入降雨過程，即第h條河流和流入該河流的溪流蒸發(fā)消失，隨機形成與消失河流、溪流數量相同的雨滴層，計算其代價函數，選擇其中最好的雨滴層為第h條河流，其余為流入該河流的溪流，并進入匯流過程。

(4) 收斂準則。當達到最大迭代次數或最小誤差要求時，終止迭代；否則返回匯流、蒸發(fā)與降雨過程繼續(xù)迭代。最終得出的大海位置X海=[x1,x2,…,xN]即為問題最優(yōu)解。

2.1.2 海堤滲壓水循環(huán)神經網絡預測模型實現步驟

(1) 海堤PHM系統預測模塊的滲壓預測模型采用3層網絡結構，輸入層分別為經過處理的潮位因子、降雨因子和時效因子[19]，輸出層為滲壓，根據經驗公式[20]取隱含層節(jié)點數為5。

(2) 設定水循環(huán)算法控制參數：雨滴層總數m；河流個數N河；極小值dmax；最大迭代次數 。

(3) 隨機形成m個雨滴層，每個雨滴層的位置Xi=[xi,1,xi,2,xi,N]代表模型中所有的權值，根據每一組權值和BP神經網絡前向計算，對q組潮位、降雨、時效輸入樣本進行訓練，求得q組模型滲壓輸出值 ，則每個雨滴層的代價函數可表示為：

(10)

(4) 比較每個雨滴層代價函數的大小，選擇最小的cost對應的雨滴層作為大海，選擇N河個次小的cost對應的雨滴層作為河流。并按公式(4)確定流向指定河流和大海的溪流個數。

(7) 當達到最大迭代次數或最小誤差要求時，結束計算；否則返回步驟(5) 繼續(xù)計算。最終的大海位置X海=[x1,x2,…,xN]即為神經網絡權值。

(8) 模型依據最終的權值，對預測樣本進行計算，即可預測出滲壓。

2.2 基于模糊數學的海堤PHM系統健康評估模型

建立科學有效的健康評估模型是海堤PHM系統對海堤健康進行實時評估和預判評估的基礎，也是系統進行預警、視情維修的前提。以上海浦東海堤為研究對象，基于模糊數學建立海堤健康評估模型，實現海堤PHM系統健康實時評估和預判評估。

2.2.1 評判指標 海堤的健康影響因素包括滲壓、位移、潮位、降雨量、波浪爬高、堤身內部隱患、堤前灘地變化、護坡條件、堤基隱患等。影響海堤健康的因素眾多，建立海堤PHM系統健康評估模型時，應篩選主要影響因素作為評判指標?？紤]到滲壓是反映海堤安全狀態(tài)的重要效應量，潮位和降雨是影響海堤安全的主要環(huán)境量，且上海浦東海堤監(jiān)測資料主要收

集了大量、高頻的滲壓、潮位、降雨量信息。因此，以滲壓、潮位、降雨量作為浦東海堤健康評判指標，構建海堤PHM系統健康評估框架如圖2所示。

圖2 海堤PHM系統健康評估框架

2.2.2 評判集劃分 參照堤防工程對安全等級的定義[21]，將海堤安全分為4個等級：安全、較安全、不安全、很不安全。即：v={v1，v2，v3，v4}={安全，較安全，不安全，很不安全}。海堤PHM系統健康評價指標中，潮位和降雨量可根據其相應特征值進行安全等級劃分。而滲壓可采用數理統計和概率論方法對其安全等級進行劃分。具體劃分原理和方法詳見參考文獻[22]。滲壓、潮位、降雨量的評判集具體劃分如表1所示。

表1 評判集劃分

注：μ為均值；σ為標準差；y滲壓為滲壓值；ki的取值與置信水平有關，本文選取置信水平0.84，0.93，0.99為各評判等級的分界線，則相應的k1=1，k2=1.5，k3=2。

2.2.3 評判指標隸屬度計算 采用模糊統計法計算潮位和降雨量的隸屬度；以隸屬函數法計算滲壓的隸屬度。模糊統計法的定義是評判指標y對評判等級vi的隸屬度ri由下式確定：

ri=ni/n

(11)

式中:ni——評判指標屬于評判等級vi的次數。

針對海堤滲壓的特性，采用正態(tài)分布函數來計算滲壓的隸屬度。滲壓隸屬函數為：

(12)

式中:y——評判指標值；σ——評判指標標準差；ai(i=1,2,3,4)——對應評判集vi在該區(qū)域的中間值。

2.2.4 權重計算及綜合評價 評判指標權重計算是否合理，直接關系到海堤PHM系統健康評估的效果。本文采用應用廣泛且有效的層次分析法來計算各評判指標的權重。層次分析法的原理詳見參考文獻[23]。

計算出各評判指標的隸屬度和權重后，采用加法合成法得到海堤綜合健康評判矩陣，并根據最大隸屬度原則得出海堤健康評估結果。

B=W°R

(13)

式中:B——海堤綜合健康評判矩陣；W——評判指標權重矩陣；R——評判指標隸屬度矩陣。

根據建立的預測模型和健康評估模型，可實現海堤PHM系統狀態(tài)預測、健康實時評估及預判評估的功能，為海堤PHM系統進行預警及維修決策提供可靠依據。

3 實例分析

以浦東海堤某年9月30日至10月7日的滲壓、潮位、降雨量實測數據，驗證所建立的海堤PHM系統預測模型及健康評估模型的有效性。

3.1 預測模型驗證分析

將9月30日至10月6日的潮位、降雨量、時間、滲壓的實測數據作為訓練樣本，依據前文所建立的水循環(huán)神經網絡滲壓預測模型，將潮位、降雨量、時間作為模型輸入層，滲壓作為模型輸出層，按2.1.2節(jié)模型實現步驟進行訓練。以下式計算平均相對誤差和平均絕對誤差：

(14)

訓練結果如圖3所示，模型訓練平均相對誤差為0.433%，平均絕對誤差為0.013m?？梢娝h(huán)神經網絡模型能很好地描述、跟蹤滲壓的主導規(guī)律及整體變化趨勢，訓練效果顯著。將訓練后的預測模型對10月7日的滲壓值進行預測，模型預測結果如圖4所示。模型預測平均相對誤差為0.326%，平均絕對誤差為0.009m。由此可知，水循環(huán)神經網絡預測模型在整個預測期都取得很好的預測效果，具有很高的預測精度。表明建立的預測模型可有效預測海堤滲壓，實現海堤PHM系統狀態(tài)預測的功能，為海堤PHM系統健康預判評估提供可靠依據。

圖3 水循環(huán)神經網絡預測模型訓練結果

圖4 水循環(huán)神經網絡預測模型預測結果

3.2 健康評估模型驗證分析

3.2.1 海堤健康實時評估 以9月30日至10月6日為健康實時評估時段，對該時段內的滲壓、潮位、降雨量實測值進行健康評估計算。依據2.2節(jié)健康評估模型構建過程，計算出潮位隸屬度為(0.016 0.755 0.229 0)，降雨量隸屬度為(1 0 0 0)，滲壓隸屬度為(0.398 0.336 0.209 0.057)。匯總可得到評判指標隸屬度矩陣R：

以層次分析法計算得到潮位、降雨量、滲壓的權重向量為W=(0.23 0.122 0.648)。依公式(13)可求解得海堤綜合健康評估矩陣B=(0.383 0.392 0.188 0.037)。按最大隸屬度原則，可判斷出9月30日至10月6日時間段內，海堤處于較安全的健康狀態(tài)。

3.2.2 海堤健康預判評估 健康預判評估體現了海堤PHM系統的先進性。以10月7日作為健康預判評估時段，依據前文建立的海堤PHM系統中海堤狀態(tài)預測模塊的預測模型，預測該時段的滲壓預測值，結合海洋預報信息得到10月7日的潮位預報值和降雨量預報值，采用前文健康評判步驟，可求得10月7日潮位隸屬度為(0.042 0.875 0.083 0)，降雨量隸屬度為(1 0 0 0)，滲壓隸屬度為(0.185 0.365 0.328 0.122)，評判指標隸屬度矩陣R為：

評判指標權重向量不變，可得預測時段的海堤綜合健康評估矩陣為B=(0.251 0.438 0.232 0.079)。按最大隸屬度原則，可預判出10月7日海堤處于較安全的健康狀態(tài)。

由此可見，所建立的海堤PHM系統健康評估模型可有效的對現階段和未來一定時段的海堤健康狀態(tài)進行評估和預判，為海堤PHM系統實現安全預警、視情維修及統籌決策等功能提供重要保障。

上述海堤PHM系統健康評估計算表明，在9月30日至10月7日這一時間段內，海堤均處于較安全的健康狀態(tài)，可不進行預警，不采取故障維護措施。若得出的健康結果為不安全或很不安全，海堤PHM系統可下達相應預警指令和維修決策。

4 結 論

(1) 形成了適應海堤工程特點的海堤PHM系統框架，為后期進一步形成系統性、完善性、高效性的海堤故障預測與健康管理系統打下堅實基礎。

(2) 將具有強大尋優(yōu)能力和快速收斂特性的水循環(huán)算法與神經網絡相結合，建立適用于海堤狀態(tài)預測模塊的水循環(huán)神經網絡預測模型，實現海堤PHM系統的預測功能。通過實例分析可知，該預測模型可有效預測海堤滲壓，具有很高的預測能力和預測精度。

(3) 充分考量海堤健康的影響因素，基于模糊數學形成海堤PHM系統健康評估模型，依據實時信息對海堤健康進行實時評估。并結合海堤狀態(tài)預測模塊的預測模型的預測結果和海洋預報信息，對未來一定時段的海堤進行健康預判評估，實現健康預判功能，也為后續(xù)的海堤PHM系統進行預警、維修決策提供依據。實例分析表明，健康評估模型可有效對海堤現階段和未來一定時段進行健康評估和預評估。

(4) 海堤PHM系統的最終目的是依據海堤當前與未來健康狀況，及時預警、制定維修決策，減少損失、實現海堤安全運行。本文對海堤PHM系統的預警和維修決策機制探討較少，后續(xù)將深入研究該方面的內容，實現海堤PHM系統各結構模塊的有機融合和科學有效的運行。

[1] Gambolati G, Teatini P. GIS simulations of the inundation risk in the coastal lowlands of the Northern Adriatic Sea[J]. Mathematical and Computer Modelling, 2002,35(9):963-972.

[2] 謝婕,龔政,陳永平.海堤安全評價指標體系的構建及應用[J].水利水電科技進展,2016,36(2):59-63.

[3]Huang Ming, Liu Jun. Monitoring and analysis of Shanghai Pudong seawall performance[J]. Journal of Performance of Constructed facilities, 2009,23(6):399-405.

[4] 黃銘.數學模型與工程安全監(jiān)測[M].上海:上海交通大學出版社,2008.

[5] 溫祥西,孟相如,李明迅.網絡故障預測與健康管理關鍵技術綜述[J].系統工程理論與實踐,2012,32(1):146-154.

[6] 黃贊武.軌道電路故障預測與健康管理關鍵技術研究[D].北京：北京交通大學,2013.

[7] Jouin M, Gouriveau R, Hissel D, et al. Prognostics and Health Management of PEMFC: State of the art and remaining challenges[J]. International Journal of Hydrogen Energy, 2013,38(35):15307-15317.

[8] Dong Ming, Peng Ying. Equipment PHM using non-stationary segmental hidden semi-Markov model[J]. Robotics and Computer-Integrated Manufacturing, 2011,27(3):581-590.

[9] 莫固良,汪慧云,李興旺,等.飛機健康監(jiān)測與預測系統的發(fā)展及展望[J].振動測試與診斷,2013,33(6):925-930,1089.

[10] 劉大同,周建寶,郭力萌,等.鋰離子電池健康評估和壽命預測綜述[J].儀器儀表學報,2015,36(1):1-16.

[11] 孫博,康銳,謝勁松.故障預測與健康管理系統研究和應用現狀綜述[J].系統工程與電子技術,2007,29(10):1762-1767.

[12] 劉志偉,劉銳,徐勁松,等.復雜系統故障預測與健康管理(PHM)技術研究[J].計算機測量與控制,2010,18(12):2687-2689.

[13] 張叔農,謝勁松,康銳.電子產品健康監(jiān)控和故障預測技術框架[J].測控技術,2007,26(2):12-16,18.

[14] Eskandar H, Sadollah A, Bahreininejad A, et al. Water cycle algorithm: A novel metaheuristic optimization method for solving constrained engineering optimization problems[J]. Computers & Structures, 2012,110:151-166.

[15] Sadollah A, Eskandar H, Bahreininejad A, et al. Water cycle algorithm for solving multi-objective optimization problems[J]. Soft Computing, 2015,19(9):2587-2603.

[16] 章純,劉峰,廖國維,等.基于WCA優(yōu)化算法的空間桁架結構優(yōu)化設計[J].建筑鋼結構進展,2014,16(1):34-40.

[17] 宋安,王世杰,盧海.基于BP神經網絡的流凌開河日期預報模型應用[J].天津大學學報,2008,41(6):731-735.

[18] 周娟,黃銘.基于改進BP神經網絡的海堤滲壓監(jiān)測模型研究[J].人民長江,2014,45(3):90-93.

[19] 黃銘,劉俊.海堤滲壓監(jiān)測因果模型基本結構和因子選擇[J].上海交通大學學報,2008,42(11):1931-1934.

[20] 王德明,王莉,張廣明.基于遺傳BP神經網絡的短期風速預測模型[J].浙江大學學報:工學版,2012,46(5):837-841.

[21] 汪自力,顧沖時,陳紅.堤防工程安全評估中幾個問題的探討[J].地球物理進展,2003,18(3):391-394.

[22] 吳德娟.海塘安全監(jiān)測的模糊綜合評判研究[D].上海:上海交通大學,2007.

[23] 駱正清,楊善林.層次分析法中幾種標度的比較[J].系統工程理論與實踐,2004,24(9):51-60.

Framework and Key Technologies of Seawall Prognostic and Health Management System Based on Measured Information

LAN Zhuguang1, HUANG Ming1,2

(1.SchoolofCivilEngineering,HefeiUniversityofTechnology,Hefei,Anhui230009,China; 2.KeyLaboratoryofGeologicalHazardsonThreeGorgesReservoirArea,ChinaThreeGorgesUniversity,MinistryofEducation,Yichang,Hubei443000,China)

[Objective] To solve the problems of maintenance support inability and easily causing significant loss in the traditional maintenance mode of seawall, in order to establish a scientific health management system of seawall. [Methods] The advanced prognostic and health management(PHM) technology was applied to the seawall project. The PHM system of seawall was set up, and the prediction model and health assessment model of seawall PHM system were studied. Combining with the characteristics of seawall and the massive high frequency-measured information, the prediction model of seawall state was put forward based on the water cycle algorithm with strong searching ability combined with the neural network. On the premise of the seawall health factors were considered comprehensively, the system health assessment model was set up based on fuzzy mathematics. [Results] The example analysis showed that the prediction model could predict seawall condition effectively and the health assessment model could assess seawall health in real-time and can pre-estimate seawall health accurately for present and future. [Conclusion] The seawall PHM system framework established meet the characteristics of seawall project. The prediction model and health assessment model are scientific and effective.

seawall PHM system; measured information; prediction; health assessment

2016-11-04

2016-11-19

水利部公益性行業(yè)專項“皖江城市帶長江河勢變化與洲灘綜合利用研究” (201401063-02); 三峽庫區(qū)地質災害教育部重點實驗室開放研究基金“庫區(qū)邊坡安全監(jiān)測PHM系統關鍵技術研究”(2015KDZ03); 安徽省科技攻關計劃項目(1604a0802106)

藍祝光(1990—),男(瑤族),廣西壯族自治區(qū)南寧市人,博士研究生,研究方向為水利建筑結構。E-mail:lanzhuguang163@163.com。

黃銘(1972—),男(漢族),江西省樂平市人，博士,教授,主要從事水利工程、巖土工程安全監(jiān)測研究。E-mail:Lsxhuangm@hotmail.com。

B

1000-288X(2017)03-0307-07

TV698.1