混凝土坝长效服役性态的多源信息融合推理方法

赵二峰 黄 浩

（1.河海大学水文水资源与水利工程科学国家重点实验室，南京 210098；2.河海大学水资源高效利用与工程安全国家工程研究中心，南京 210098）

混凝土坝结构和工作条件复杂，特别是高坝和特高坝的服役性态评价需各级领导亲临现场，通过组织专家小组对大坝及坝基服役性态多源监测和检测信息进行综合分析，从而进行决策.但是，对于高坝大库，施工、设计、地勘等资料、各类巡查信息、检测信息和监测信息等很多，导致信息处理分析的工作量很大，往往需要较长时间完成，以致不能及时发现隐患.另外，混凝土坝在设计、施工和运行过程中，积累了大量的专家知识和实践经验，需要及时科学地总结管理这些知识，避免由于专家老龄化而导致这些知识的消失［1］.鉴于此，本文展开混凝土坝长效服役性态的多源信息融合推理方法研究，利用复杂系统的多层融合、知识获取、知识表示和因果机制推理等具备学习功能的人工智能技术，构建基于黑板结构的混凝土坝长效服役性态的多源信息融合推理分析体系，设计多源信息融合推理的知识库和推理算法，充分利用施工、设计、地勘等资料、各类巡查信息、检测信息、监测信息、模型监控信息和专家经验信息等，从而提高混凝土坝长效服役性态安全评价的可靠性和准确性.

1 混凝土坝长效服役性态多源信息融合推理体系的特性分析

在构建混凝土坝长效服役性态的多源信息融合推理体系时，这些信息在类型、表达形式等方面的差异，需要依靠由数据驱动的串行或并行程序进行，而且由于各类信息和资料的多源性、冗余性、互补性，使得各功能模块可采用不同的分析模式，如数据挖掘方法、结构计算、检测信息评测等，但必须将这些方法统一起来，才能做到对多源信息融合处理过程的有效控制.另外，来自各类监测和检测仪器及巡查信息具有随时间不断变化的特点，推理体系须具有一定的更新机制，并在各类信息变化时，主动去识别、理解异常信息.黑板结构通过不同知识表达方法、推理框架和控制机制的组合来实现，在信息管理智能决策系统中得到了广泛的应用［2－3］.黑板系统通过提供可扩展的多层次结构，可以有效地组织调度大量相互独立的知识源，而且通过不断加入新的知识，可不断提高信息融合推理的智能化程度.黑板框架结构如图1所示，由黑板、知识源和控制运算机构组成.

图1 黑板框架结构

1）黑板是用来存储施工、设计、地勘等资料、监测数据、检测信息和各类处理方法的动态数据库，整个黑板分成若干个信息层，每一层用于描述混凝土坝渗漏、裂缝等问题的某一类信息.

2）知识源用于描述混凝土坝长效服役性态安全评价中的分析方法、模型和因果推理机制，每个知识源可完成具有较明确因果机制的推理分析，各类知识源具有相互独立性，知识推理分析过程记录在各信息层相应的黑板上.

3）控制运算由监督程序和调度程序组成，其中监督程序根据黑板信息的变化可激活相应的分析方法、模型和因果推理机制，通过选择最合适的知识源进行推理，推理结果同时用于修改黑板状态，以便下一步循环推理.

与此同时，混凝土坝长效服役性态的多源信息融合推理分析需要综合运用多学科知识，所以在黑板框架结构中，每个专家可根据其领域身份提供结构、渗流等问题的分析方法，并利用黑板交流其经验以解决问题.在此框架下，各个功能模块通过协调工作可实现最佳的多源信息融合效果.因此，鉴于混凝土坝长效服役性态的多源信息融合推理的层次化要求，利用黑板框架构造多层次多源信息融合系统成为较好的途径.

2 混凝土坝长效服役性态的多源信息融合推理分析结构

混凝土坝长效服役性态多源信息融合推理分析结构如图2所示，多源信息库用于存储多源检测和监测信息等及信息融合结果；知识库用于存储领域专家知识，并存储巡查记录与混凝土坝变形、应力、裂缝、渗流等结构变化性态的因果机制；黑板用于输入混凝土坝服役的各类信息、结构性态变化的因果推理机制，根据混凝土坝长效服役性态的多源信息融合推理的特点，预处理和融合层的黑板均包含数据层、特征层和决策层；综合调度管理用于监督黑板、调度推理机制及选择信息融合结果等；因果推理机则以一定的因果机制推理策略，根据混凝土坝多源信息进行综合推理，进行大坝长效服役性态的综合评价.

图2 多源信息融合推理分析结构

对于混凝土坝长效服役性态多源信息融合推理，最重要的技术环节是构建知识库和推理机，下面综合运用多维数据库［4］、BP 神经网络［5－6］，对混凝土坝长效服役性态知识的表示、知识的获取、知识的管理和实时融合推理机制进行研究.

2.1 知识库

1）知识的表示

混凝土坝长效服役性态综合评价结构如图3所示，知识库存放工程等级评判准则、设计标准评判准则、原型工作性态评判准则、施工质量评判准则、运行评判准则和库区滑坡评判准则等；推理机指借助图2中的因果推理分析等对结构和渗流引起的异常进行物理成因解析，并提出辅助决策和建议.为了便于混凝土坝长效服役性态的多源信息融合推理，本文采用基于多维数据原理的知识表示方法，通过模式识别、模糊识别、推理求解等［7］实现，具体包括元事实表（ID－MATA）、事实表（ID－FACT）、规则表（IDRULE）、方法表（ID－METHOD）、事实索引表（IDMATA）、规则索引表（ID－MATA）和方法索引表（ID－MATA）.

图3 混凝土坝长效服役性态综合评价结构

2）知识的获取

混凝土坝长效服役性态的多源信息融合推理知识的获取可将得到的专家知识直接输入知识库，也可利用BP神经网络学习算法来获取，后者既具有更高的时间效率，又能保证更高的学习质量.本文采用基于BP神经网络学习算法的知识获取，知识的获取过程如图4所示.

图4 BP神经网络实现知识自动获取过程

3）知识的管理

混凝土坝长效服役性态的多源信息融合推理知识的管理直接影响多源信息融合推理的效果，通过选择紧耦合知识管理系统，充分利用高效的搜索算法，对推理规则的一致性和完整性进行检验，其中一致性检验包括因果推理机制的条件冗余、冲突、检验等.因此，借助多维数据库的信息共享、存储、并发控制等技术，采用结构化查询语言SQL 与知识库进行交互的管理模式，实现因果推理机制等知识的有效管理.

2.2 推理过程

混凝土坝长效服役性态实时推理分析流程如图5所示，当知识库识别为异常测值时，通过推理过程进行异常测值的成因分析，对结构和渗流等出现的异常情况进行专家综合诊断，解析物理成因，并提出辅助决策建议.

图5 混凝土坝长效服役性态实时推理分析流程

根据知识库的评判准则，可对混凝土坝长效服役性态进行层次阈值模糊评判，首先对水工建筑物的级别、设计标准以及衡量质量的相关标准进行评价；然后，进行枢纽等级、设计洪水、安全超高、抗滑稳定、工程质量及基础处理等进行评价；最后，按上述准则进行评价.根据多源信息融合的定义，鉴于渐进推理方法可以对多源信息的各类数据进行渐进综合分析，本文采用分级渐进推理机制（图6），即通过感知、记忆和论证在综合调度管理下协调工作，进行混凝土坝长效服役性态的多源信息融合推理.

图6 分级渐进推理机制

1）推理机主要数据结构

CURRENT－FACT 存储当前的巡查信息；

CURRENT－RULE 存储当前正在执行的因果机制；

CURRENT－MODEL 存储当前正在执行的监控模型；

VALID－RULES－STACK 规则顺序栈，存储所要执行的因果机制序列；

VALID－METHODS－STACK 方法顺序栈，存储所要执行的监控方法序列.

2）推理机与知识库的主要接口

①SEARCH（OBJECT，CURRENT－FACTS－SET）

在事实库（或案例库）中搜索与当前结构或渗流异常相匹配的元事实：

IF OBJECT ＝ID－MATA

THEN ID－MATA should be added into CUR－RENT－FACTS－SET

②SEARCH（PARENT－RULE，FACTS－SET）

在优化规则库中搜索当前启用因果推理机制的子规则：

IF PARENT－RULE number ＝ PARENTRULE AND part of conditions are consistent with FACTS－SET

THEN return

③SEARCH（PARENT－METHOD，FACTS－SET）

在方法库中搜索所用监控方法或监控模型的子监控方法或子监控模型：

IF PARENT－METHOD number ＝PARENTMETHOD AND is suitable in FACTS－SET for MATA use

THEN return

④EXECUTE（RULE－NO）执行规则RULENO 的推理机制，若该规则含有“输出建议”，则输出相应的推理分析建议；若含有“判断新的事实（案例）”，则进行中间事实（案例）判断，并将判断后的中间事实（案例）返回.

⑤EXECUTE （METHOD－NO）执行方法METHOD－NO 的操作部分，若该方法含有“输出建议”，则输出相应的建议；若含有中间事实产生，则进行相应的判断，并将判断后的中间事实返回.

⑥EXECUTE（bpa）根据数据库或人工确定的基本概率指派函数（bpa），运用D－S证据理论对规则推理结果进行验证.若有中间事实产生，则进行相应的判断，并将判断后的中间事实返回.

3 混凝土坝长效服役性态的多源信息融合推理分析模型

3.1 数据级的模糊贴近度融合模型

因此，在得到监测点与估计值贴近度的基础上，即可计算出各测点的相对权重，进而最终得到多测点监测信息融合结果为

3.2 特征级的GA－BP网络融合模型

对于多层BP神经网络，定义能量函数为

式中，okj为第k 个学习样本第j 个输出节点的实际输出，tkj为第k 个学习样本第j 个输出节点的期望输出.

BP神经网络的训练过程是找到一个较优的网络模型（确定网络参数），调整权值矩阵W 和阈值矩阵θ使得E 最小的过程.因此，定义评价神经网络优劣的适应度函数为

式中，C 为常数，E 为能量函数.

GA－BP算法应用于特征信息融合的过程如图7所示.将利用遗传算法得到的网络参数及初始权值矩阵和阈值矩阵传于BP 算法对其进行细微调整，即可得到满意的优化结果.

图7 GA－BP算法应用于特征信息融合过程

3.3 决策信息的D－S融合模型

1）单测点多测量属性融合模型

设单测点n个监测周期中通过对效应量的监测获得对k 个命题的可信度分配为m1（Ai）、m2（Ai）、…、mn（Ai），i＝1，2，…，k，mj（Ai）表示在第j个周期中对命题Ai的可信度分配，则该测点依据n 个监测周期的累积测量对k 个命题的融合后验可信度分配为

特别地，“未知”命题（不同于中性命题）的融合后验可信度分配为

式中，ui表示第i 个周期“未知”命题的可信度分配值.

对于除了“未知”命题以外，各周期间不同命题都相互独立的情形

2）多测点多测量属性融合模型

设有m 个测点，每个测点在辨识框架Θ 的幂集2θ中有意义的命题为k 个.各测点在各测量周期上获得的后验可信度分配为msj（Ai）（i＝1，2，…，k；j＝1，2，…，n；s＝1，2，…，m），usj＝msj（2θ），其中msj（Ai）表示第s个测点在第j 个监测周期上对命题Ai的后验可信度分配；usj表示对“未知”命题的可信度分配.融合思路如下：首先对于单个测点，基于n 个监测周期的累积测量计算出每一个命题的融合后验可信度分配，然后基于这些融合可信度分配，再将m 个测点视为一个监测系统，进一步计算出总的融合后验可信度分配.

①计算单测点依据各自n 个监测周期的累积量测所获得的k 个命题的融合后验可信度分配

②将m 个测点视为一个监测系统，计算总的融合后验可信度分配

特别地，“未知”命题的融合后验可信度分配为

4 混凝土坝长效服役性态的多源信息融合推理实现

下面以面向对象软件设计开发方法为基本原则，利用Delphi 2007实现混凝土坝长效服役性态多源信息融合推理的功能.混凝土坝长效服役性态信息融合推理采用层次化的体系结构如图8所示，自下而上分为数据层、学习层、融合层以及应用层.在数据层上，通过对环境信息源状态的获取以及混凝土坝运行监测和检测数据等的标准化处理，完成对混凝土坝长效服役多源信息的预处理；在学习层上，通过BP 网络学习算法对证据合成规则中的权值进行离线学习，并对学习样本进行管理；在融合层上，利用学习后得到的权值在证据合成网络中对标准化处理后的各类数据进行合成，实现对多源信息的融合；应用层作为扩展模块，可以根据需求加入不同的模块，从而实现对信息融合决策的应用.

图8 信息融合体系结构

根据信息融合体系结构，混凝土坝长效服役性态信息融合推理主要包括：1）信息预处理模块，包括监测数据获取与标准化子模块，通过获取待融合的各类监测和检测数据等，利用标准化函数将各种类型的数据和信息进行预处理；2）参数设置模块，用于管理和配置系统中的各种全局参数，包括BP神经网络权值的设置以及多源信息融合参数等；3）离线学习模块，包括样本管理、学习参数设置以及学习算法等，样本管理子模块将实现对样本数据的存储、修改等，学习算法模块利用BP神经网络对权值进行离线学习，学习参数设置用于管理离线学习模块中特定的参数（如算法的学习效率、迭代次数等）；4）信息融合推理模块（图9），将标准化后的各类数据传入D－S证据合成网络中，并利用离线学习获得的权值进行参数设置，最终得到混凝土坝长效服役性态的多源信息融合推理结果.

图9 混凝土坝长效服役性态的多源信息融合推理功能模块

5 结 语

本文研究了混凝土坝长效服役性态的多源信息融合推理方法，构建了基于黑板结构的信息融合推理结构，提出了利用多维数据库进行混凝土坝长效服役性态的多源信息的知识表示方法，利用BP 神经网络学习算法来获取知识，以及采用结构化查询语言SQL与知识库进行交互的知识管理模式，并采用分级渐进推理机制进行混凝土坝长效服役性态的多源信息融合推理.在此基础上，利用Delphi 2007实现混凝土坝长效服役性态多源信息融合推理的功能，为提高混凝土坝长效服役性态安全评价的可靠性和准确性提供了技术支持.

［1］ 顾冲时，吴中如.大坝与坝基安全监控理论和方法及其应用［M］.南京：河海大学出版社，2006.

［2］ 高举红，徐燕申，单乐生.基于黑板结构CAPP专家系统的研究［J］.天津大学学报，2000，33（3）：298－301.

［3］ 刘 群，夏 虹.多源信息融合系统的主动式黑板结构与模型［J］.哈尔滨工程大学学报，2007，28（8）：910－916.

［4］ 赵二峰，金 怡，杨 阳，等.大坝安全监控系统的多维数据模型设计［J］.计算机工程与应用，2010，46（25）：231－234.

［5］ 张育智.基于神经网络与数据融合的结构损伤识别理论研究［D］.成都：西南交通大学，2007.

［6］ 张洪涛.基于神经网络和滤波理论的信息融合算法研究［D］.哈尔滨：哈尔滨工业大学，2007.

［7］ 葛 红，田联房.信息融合技术在模式识别中的应用［J］.计算机应用研究，2009，26（1）：19－24.