基于物聯(lián)網(wǎng)的滑坡自動遠程監(jiān)測預警系統(tǒng)設(shè)計*

郭 華, 于勝文

(1.山東科技大學 電子通信與物理學院,山東 青島 266590； 2.山東科技大學 測繪學院,山東 青島 266590)

基于物聯(lián)網(wǎng)的滑坡自動遠程監(jiān)測預警系統(tǒng)設(shè)計*

郭 華1, 于勝文2

(1.山東科技大學 電子通信與物理學院,山東 青島 266590； 2.山東科技大學 測繪學院,山東 青島 266590)

針對滑坡預警的世界難題，提出了一種基于物聯(lián)網(wǎng)(IOT)的分布式數(shù)據(jù)實時采集模型，并根據(jù)數(shù)據(jù)量巨大的問題，建立了最優(yōu)BP神經(jīng)網(wǎng)絡的預測模型。在滑坡實驗臺上進行了驗證，實驗表明：該算法具有計算量小，預測效果穩(wěn)定的特點。

滑坡； 預警； 神經(jīng)網(wǎng)絡； 物聯(lián)網(wǎng)； Zig Bee

0 引 言

我國是滑坡多發(fā)國家，據(jù)不完全統(tǒng)計，我國有70多座城市和460多個縣受到滑坡災害的威脅與危害。每年因崩塌、滑坡、泥石流等災害所造成的直接經(jīng)濟損失約200億元人民幣,間接損失更是難以估量[1]?；聻暮σ殉蔀閮H次于地震的第二大地質(zhì)災害[2]。雖然經(jīng)過50多年的研究，由于滑坡等地質(zhì)災害具有突發(fā)性和隨機性，以及短時間內(nèi)能造成巨大損失的特點，傳統(tǒng)模型并不能對危險滑坡帶進行實時的數(shù)據(jù)檢測，因而，無法及時掌握滑坡體的動態(tài)情況，不能準確預報滑坡的發(fā)生[3～5]。

隨著物聯(lián)網(wǎng)(IOT)和傳感器技術(shù)的發(fā)展，使得滑坡的實時監(jiān)控成為可能，本文設(shè)計的預警系統(tǒng)根據(jù)降雨型滑坡形成機理，將無線傳感器組成分布式網(wǎng)格，應用到滑坡災害預測模型中，形成全天候24 h不間斷的全面感知滑坡區(qū)域的多維數(shù)據(jù)檢測，實現(xiàn)動態(tài)預警，提高了預警準確性。

1 滑坡監(jiān)測方案設(shè)計

滑坡是多因素綜合作用導致的一種坡體失穩(wěn)滑動的現(xiàn)象，目前主要的檢測手段包括降雨量、土壤含水量、內(nèi)部剪切應力、位移、傾斜角度、外部環(huán)境(溫度濕度)等[7，8]。根據(jù)地質(zhì)發(fā)育條件不同，每個滑坡的危險監(jiān)控區(qū)域也不同，因而，必須設(shè)計成分布式的網(wǎng)絡構(gòu)架，使網(wǎng)絡規(guī)模和傳感器數(shù)量可以根據(jù)需求而隨意增減，并具有自組網(wǎng)能力。本方案的架構(gòu)如圖1所示，在危險滑坡面和坡體內(nèi)部，分布式安裝各種無線網(wǎng)絡傳感器，用于檢測滑坡體的各項參數(shù)(含水量、位移、剪應力等)，采用Zig Bee通信協(xié)議組成典型的Mesh網(wǎng)格網(wǎng)絡構(gòu)架并實時將各個傳感器的采集數(shù)據(jù)傳送到嵌入式網(wǎng)關(guān)，嵌入式網(wǎng)關(guān)再將接收到的各路傳感器數(shù)據(jù)打包后，通過3G或GPRS網(wǎng)絡,最終傳遞到遠程監(jiān)控中心的數(shù)據(jù)庫中，遠程監(jiān)控中心上運行的上位機預警軟件，根據(jù)數(shù)據(jù)庫中接收到數(shù)據(jù)的變化，通過智能算法，及時對滑坡進行預警，從而可以盡可能的避免人員財產(chǎn)損失。

圖1 滑坡監(jiān)測總體方案

2 硬件設(shè)計

本方案的硬件設(shè)計分為嵌入式傳感器和嵌入式網(wǎng)關(guān)兩大部分。

1)嵌入式傳感器部分構(gòu)架

如圖2所示,每個模塊都采用TI公司的CC2530作為微處理器，該芯片是真正的系統(tǒng)級芯片(SoC)，內(nèi)部集成了極好性能的RF收發(fā)器,工業(yè)標準增強型8051 MCU,結(jié)合TI配套的Z-stack軟件協(xié)議棧，非常適合Zig Bee無線傳感器的開發(fā)。在本方案中傳感器部分根據(jù)滑坡檢測參量的需求，有溫度、濕度、壓力、位移、雨量、土壤飽和度、震動等。

圖2 傳感器硬件構(gòu)架圖

2)嵌入式網(wǎng)關(guān)主要構(gòu)架

如圖3所示，本方案中采用三星公司的基于Cortex A8的雙核S5PV210作為微處理器，主頻可達1GHz，64/32位內(nèi)部總線結(jié)構(gòu)，32/32kB的數(shù)據(jù)/指令一級緩存，512 kB的二級緩存，可以實現(xiàn)2000DMIPS的高性能運算能力。完全支持Linux、Android等流行嵌入式操作系統(tǒng)。3 G模塊選用中興的MG3732，該模塊是WCDMA/HSDPA/GSM/GPRS/EDGE模塊，具有語音、短信、數(shù)據(jù)業(yè)務功能，數(shù)據(jù)業(yè)務下行峰值數(shù)據(jù)速率可達3.6 Mbit/s 上行峰值數(shù)據(jù)速率384 kbit/s，可以為用戶提供經(jīng)濟型高速互聯(lián)網(wǎng)接入和無線數(shù)據(jù)等業(yè)務。另外，為了支持Linux操作系統(tǒng)，還提供了1 G的Flash存儲器和1G的DDR內(nèi)存，同時提供觸摸顯示屏，用于在網(wǎng)關(guān)上直接顯示系統(tǒng)的運行狀態(tài)和實時采集的數(shù)據(jù)，便于現(xiàn)場人員調(diào)試和觀測。

圖3 嵌入式網(wǎng)關(guān)硬件構(gòu)架圖

3 滑坡預測模型設(shè)計

滑坡發(fā)生時，有兩個最明顯的特征:一是滑坡體內(nèi)部剪切壓力的突變，通常狀態(tài)下，山體在沒有外界干擾時其內(nèi)部保持受力平衡，不會導致滑坡的出現(xiàn)，當在外部因素作用下，內(nèi)部受力平衡被破壞，將會導致坡體的變形與移動，從而演變?yōu)榛?，甚至于泥石流。因而監(jiān)測山體受力的變化情況是提前預警的關(guān)鍵步驟;二是滑動位移，從產(chǎn)生受力突變發(fā)展到山體滑坡，往往會有十幾分鐘到幾十小時的蠕變期，這段預警時間可以有效地轉(zhuǎn)移人員與財產(chǎn)，從而避免更大的損失。蠕變期內(nèi)山體已經(jīng)開始變形移動，但未必會發(fā)展為滑坡，根據(jù)其蠕變階段的變形速度，可以提高預警的準確度。然而，滑坡的影響因素眾多，必須綜合雨量、土壤飽和度等數(shù)據(jù)信息才能進一步提高預報的準確度。

在滑坡預警方面，前人取得了大量的預警模型[9,10]，這些模型都取得了一定的預測效果，但是也有局限性，共同的缺點就是不能適應大規(guī)模分布式監(jiān)測網(wǎng)絡的應用,其數(shù)據(jù)獲取不具有實時性，傳感器類型較少，往往以粗精度的降雨量作為主變量。本文提出了一種最優(yōu)BP神經(jīng)網(wǎng)絡的預測模型，其結(jié)構(gòu)如圖4所示，由于采用了N路網(wǎng)格構(gòu)架的實時數(shù)據(jù)采集系統(tǒng)，從而每種傳感器的測量數(shù)據(jù)量將是非常龐大的，而且不斷動態(tài)增長，如果將如此龐大的數(shù)據(jù)直接進入神經(jīng)網(wǎng)絡，將導致持續(xù)增加的運算量和效率的低下，從預測的角度來講，對于同一種傳感器數(shù)據(jù)(如位移量)，其某一時刻t，所有位移傳感器的位移量中變化最劇烈的才是最重要的，把它稱為最優(yōu)變量，同理，可以得到最優(yōu)剪應力、最優(yōu)土壤含水量等，將這些量作為BP神經(jīng)網(wǎng)絡的輸入信號，不僅可以大大簡化其訓練過程，而且避免了同類信號間的變化不一致導致的混亂問題。

圖4 最優(yōu)神經(jīng)網(wǎng)絡預測模型

本系統(tǒng)軟件設(shè)計分為數(shù)據(jù)采集和預測分析兩大部分。

1)數(shù)據(jù)采集部分：該部分的主要功能就是實時的采集各個傳感器的數(shù)據(jù)，并遠程上傳到云端服務器的數(shù)據(jù)庫并實現(xiàn)存儲。程序流程圖如圖5所示，采集程序在啟動后，發(fā)出數(shù)據(jù)采集命令給下位機各個傳感器節(jié)點，各個節(jié)點在收到命令后，啟動一次采集，并將采集到的最新數(shù)據(jù)返回，采集程序?qū)⒔邮盏降臄?shù)據(jù)，根據(jù)各個模塊功能不同，分類存儲到數(shù)據(jù)庫中。

圖5 數(shù)據(jù)采集部分流程圖

2)預測分析部分：在該部分中，首先從數(shù)據(jù)庫中獲取各類參數(shù)的當前最新值，并對各個參數(shù)進行前向差分運算，獲取每種類型傳感器的最大變化量，然后輸入神經(jīng)網(wǎng)絡，神經(jīng)網(wǎng)絡根據(jù)權(quán)值判斷是否該報警，并根據(jù)輸入數(shù)據(jù)，合理調(diào)整其內(nèi)部權(quán)值。圖6為滑坡預測部分流程圖。

圖6 滑坡預測部分流程圖

4 實驗測試

為了驗證系統(tǒng)的有效性，采用山東科技大學自行開發(fā)研制的滑坡實驗臺，做了多次重復實驗。初始條件為90 mm/h的強降雨，持續(xù)2 h，傳感器密度為平均間距30 cm的高密度網(wǎng)格狀分布，在取不同的初始閾值條件下，對每種閾值做10次重復實驗，觀察系統(tǒng)的預報平均準確率和平均預警時間的提前量，每種閾值其預測情況如表1所示。

表1 高密度分布情況下預測結(jié)果 Tab 1 Prediction results under high density distribution

從表1的測試結(jié)果來看，神經(jīng)網(wǎng)絡的初始閾值對整個系統(tǒng)的影響非常大，閾值過大，導致預測的提前量越小，甚至毫無實際意義，過小則有可能誤報，0.6～0.7之間是比較合理的區(qū)間。

在閾值固定在0.7的情況下，改變坡體上傳感器的數(shù)量和變動傳感器在坡體上的分布位置并重復多次實驗，觀察傳感器密度對預測精度的影響。如圖7所示，當傳感器的覆蓋范圍小于坡體的1,3時，預測正確率維持在40 %以下，基本不具備實用價值，當傳感器數(shù)量逐漸增加，覆蓋范圍在接近坡體的2,3時，預測效果較好，達到80 %以上，如果這些傳感器全部集中在坡體的下半?yún)^(qū)，則基本上能保證正確預測。當覆蓋率達到75 %以上，則預測精度基本保持不變，說明傳感器密度過大，成本增加但對預測效果的提升并未有實質(zhì)貢獻。

圖7 閾值0.7下傳感器數(shù)量對預測精度的影響

5 結(jié) 論

受滑坡體巖性等諸多的因素影響，采用分布式的實時采集系統(tǒng)，因其傳感器的布置密度和位置可以根據(jù)需求任意改變，因而其準確性和可靠性要遠遠大于傳統(tǒng)的單點或多點監(jiān)測系統(tǒng)。傳統(tǒng)的神經(jīng)網(wǎng)絡預測模型因為其輸入信號層也是單點的監(jiān)測數(shù)據(jù)，即使支持多點，但受坡體位移形變的不確定性影響，其預測結(jié)果與檢測點的分布位置相關(guān)性極大，位置布置不當，預測的有效性將大打折扣，甚至于完全不正確。而本系統(tǒng)的預測模型由于采用了分布式的實時采集系統(tǒng)，并通過最優(yōu)算法，及時反映坡體變化的敏感部位，預測效果也優(yōu)于這種傳統(tǒng)的神經(jīng)網(wǎng)絡預測模型。

[1] 唐亞明,張茂省,薛 強,等.滑坡監(jiān)測預警國內(nèi)外研究現(xiàn)狀及評述[J].地質(zhì)論評,2012,58(3): 533-539.

[2] 王念秦.中國滑坡預測預報研究綜述[J].地質(zhì)論評,2008(3):355-360.

[3] 余文坤,戴吾蛟,曾凡河,等.多傳感器滑坡監(jiān)測遠程數(shù)據(jù)采集軟件設(shè)計與實現(xiàn)[J].工程勘察,2011(7): 62-69.

[4] 王 波,李文田,梅 倩.滑坡監(jiān)測的無線傳感器網(wǎng)絡定位系統(tǒng)設(shè)計[J].計算機應用,2012,32(7): 1831-1835.

[5] 曹詩詠.基于無線傳感器網(wǎng)絡的滑坡監(jiān)測研究[D].成都:西南石油大學,2012.

[6] 王朝陽.滑坡監(jiān)測預報效果評估方法研究——以三峽工程庫區(qū)為例[D].成都:成都理工大學,2012.

[7] 羅先啟,葛修潤.滑坡模型試驗理論及其應用[M].北京：中國水利水電出版社,2008.

[8] 黃潤秋.20世紀以來中國的大型滑坡及其發(fā)生機制.[J].巖土力學與工程學報,2007(3):433-453.

[9] 郭永春,謝 強,王 磊.滑坡變形的人工神經(jīng)網(wǎng)絡預測模型及應用[J].路基工程,2006(5):67-69.

[10] 孔祥禮,肖艷波.基于BP神經(jīng)網(wǎng)絡與時間序列的滑坡變形預測分析[J].現(xiàn)代礦業(yè),2011(12):80-82.

Design of automatic remote monitoring system

for landslide based on Internet of things*GUO Hua1, YU Sheng-wen2

(1.College of Electronic,Communication and Physics,Shandong University of Science and Technology, Qingdao 266590 China; 2.College of Geomatics,Shandong University of Science and Technology,Qingdao 266590,China)

Aiming at the world recognized problem of landslide forecast,a distributed real-time data acquisition model based on the Internet of things (IOT)is proposed,and according to huge amount of data,establish an optimal BP neural network model for early prediction of landside.Verify it on landslide testbed,and experiments show that the algorithm has small amount of calculation and stable prediction effect.

landslide; monitoring and warning; neural network;Internet of things(IOT); Zig Bee

2014—09—09

山東省高等學校科技計劃資助項目(J10LG24)；山東科技大學群星計劃資助項目(QX2013228)

10.13873/J.1000—9787(2015)04—0075—03

TP 274

A

1000—9787(2015)04—0075—03

郭 華(1977-)，男，山東萊蕪人，博士研究生，講師，主要研究方向為嵌入式系統(tǒng)的工業(yè)應用。