基于深度自編碼器的混凝土壩變形異常檢測(cè)模型

關(guān)鍵詞：混凝土壩；變形監(jiān)測(cè)；異常檢測(cè)；自編碼器；深度學(xué)習(xí)中圖分類號(hào)：TV642 文獻(xiàn)標(biāo)志碼：A doi：10.3969/j.issn.1000-1379.2025.07.022用格式：，，，等.基于深度自編碼器的混凝土壩變形異常檢測(cè)模型[J].人民黃河，2025，47（7）：137-143.

Concrete Dam Deformation Anomaly Detection Model Based on Deep Autoencoder

KANG Xinyu1，LI Yanlong'，ZHANGYe1，ZHOU Tao2，ZHONGWen’，YANG Tao3 （1.StateKeyLaboratoryofWaterEgineingEcologndEvoeninAridAra，XianUivesityofTcholog，Xianina; 2.Huanghe Hydropower DevelopmentCo.，Ltd.，Xining 810o0，China；3.ChinaYangtzePowerCo.，Ltd.，Yibin 644612，China） Abstract：Anunsupervisedanomalydetectionmodelbasedonadputoencoderwasproposedtoaddressanomalousreadingsinconcrete damdeformationmonitoring，withtheobjectiveofenhancingdetectionacuracyandautomation.Theautoencoderwas trainedinanusuper visedmaneronnoraldefomationdatatolearlow-dimensionalfeaturerepresentationsandwassubsequentlyemploedtorebuildcoming measurements.Measurementsexhitingsignificantdeviationsetwenobservedandrebuildvalueswereclasifiedasanomales.Teresult showsthat theproposedmodelachievesover97%accuracyianomalydetectionandisdemonstratedtoperforeliablyundervarioutesting conditions.Conseqentlytheeutocoderbdroachisableofectielydentigfoatiaolsioeda， exhibiting robust and precise detection capabilities.

Key words： concrete dam； deformation monitoring;anomaly detection；autoencoder; deep learning

0 引言

混凝土項(xiàng)具有卓越的承載能力、優(yōu)異的耐久性及良好的適應(yīng)性，已成為水庫(kù)大壩建設(shè)的首選類型[1-4]然而，在混凝土壩長(zhǎng)期服役過程中，外部荷載變化（如水位波動(dòng)、氣溫變化等）與內(nèi)部物理化學(xué)侵蝕（如碳化、硫酸鹽侵蝕等）持續(xù)對(duì)壩體造成負(fù)面影響，威脅大壩的安全運(yùn)行[5]。變形作為反映壩體結(jié)構(gòu)狀態(tài)變化的指標(biāo)之一，易于監(jiān)測(cè)且具有較強(qiáng)的代表性[6-7]。然而，變形監(jiān)測(cè)數(shù)據(jù)在采集、傳輸與存儲(chǔ)過程中，常常受到設(shè)備、線路故障以及環(huán)境等多種因素干擾，不可避免產(chǎn)生異常測(cè)值[8-10]。這些異常數(shù)據(jù)若未能及時(shí)識(shí)別和處理，將嚴(yán)重影響后續(xù)的變形預(yù)測(cè)與風(fēng)險(xiǎn)預(yù)警[1]。因此，構(gòu)建高精度異常檢測(cè)模型，可為大壩的安全評(píng)估與風(fēng)險(xiǎn)預(yù)警提供可靠支持，具有重要的實(shí)際應(yīng)用價(jià)值。

混凝土壩變形異常檢測(cè)可分為人工檢測(cè)和模型檢測(cè)兩種方式。傳統(tǒng)的人工檢測(cè)方法通常需要繪制多個(gè)相鄰測(cè)點(diǎn)的變形曲線，并根據(jù)工程經(jīng)驗(yàn)分析這些測(cè)點(diǎn)的變形趨勢(shì)，從而識(shí)別并剔除異常值[12]。然而，人工檢測(cè)不僅工作量大、耗時(shí)費(fèi)力，而且效率較低，難以滿足現(xiàn)代工程對(duì)異常檢測(cè)的高效性和準(zhǔn)確性要求。因此，模型檢測(cè)逐漸成為主流。模型檢測(cè)可進(jìn)一步細(xì)分為統(tǒng)計(jì)模型檢測(cè)和智能模型檢測(cè)。統(tǒng)計(jì)模型通?；诮y(tǒng)計(jì)分析和概率論的基本理論，假設(shè)數(shù)據(jù)符合標(biāo)準(zhǔn)正態(tài)分布，一般將數(shù)據(jù)點(diǎn)偏離均值超過3個(gè)標(biāo)準(zhǔn)差的情況視為異常值，例如Z-score模型將標(biāo)準(zhǔn)分?jǐn)?shù)（Z-score）超出-3＼～3視為異常[13]。然而，混凝土壩變形數(shù)據(jù)往往具有分布復(fù)雜的特點(diǎn)，難以嚴(yán)格遵循標(biāo)準(zhǔn)正態(tài)分布，這使得統(tǒng)計(jì)模型在檢測(cè)輕微異常時(shí)存在局限性，通常只能識(shí)別出那些突變明顯的異常值。因此，統(tǒng)計(jì)模型在處理復(fù)雜分布的混凝土壩變形數(shù)據(jù)時(shí)，其檢測(cè)精度往往不夠理想[14]。而智能模型在處理混凝土壩變形數(shù)據(jù)方面具有顯著的優(yōu)勢(shì)，逐漸成為異常檢測(cè)領(lǐng)域的重要工具[15]，如孤立森林（Isolation Forest，IF）[16]、局部異常因子（Local Outlier Factor，LOF）[17]和支持向量機(jī)（SupportVectorMachine，SVM）[i8]等智能模型，能夠高效識(shí)別混凝土壩變形數(shù)據(jù)的異常情況。張海龍等[19]利用小波變換（WT）提取監(jiān)測(cè)數(shù)據(jù)中的趨勢(shì)成分，并對(duì)去除趨勢(shì)成分后的殘差項(xiàng)采用IF算法進(jìn)行異常檢測(cè)。李明超等[20]提出改進(jìn)LOF的密度分簇方法，通過計(jì)算異?？赡苄詫?shí)現(xiàn)長(zhǎng)周期監(jiān)測(cè)數(shù)據(jù)的野值識(shí)別。Salazar等[2i]通過對(duì)比隨機(jī)森林和SVM在異常檢測(cè)中的表現(xiàn)，發(fā)現(xiàn)SVM在異常檢測(cè)方面更具優(yōu)勢(shì)。Rong等[22]結(jié)合混凝土壩變形測(cè)點(diǎn)的時(shí)空相關(guān)性，提出了MP-LOF異常檢測(cè)模型，提高了檢測(cè)的準(zhǔn)確性。

綜上所述，現(xiàn)有的混凝土壩變形異常檢測(cè)模型雖然在一定程度上能夠識(shí)別異常數(shù)據(jù)，但仍存在諸多局限性。傳統(tǒng)的統(tǒng)計(jì)分析方法多假設(shè)數(shù)據(jù)符合正態(tài)分布，這使得其在處理復(fù)雜變形數(shù)據(jù)時(shí)存在一定局限，尤其在識(shí)別非線性特征和復(fù)雜模式時(shí)表現(xiàn)較差。雖然基于機(jī)器學(xué)習(xí)的模型在處理復(fù)雜數(shù)據(jù)方面具有一定優(yōu)勢(shì)，但其結(jié)構(gòu)相對(duì)簡(jiǎn)單，難以充分挖掘數(shù)據(jù)的深層次時(shí)空關(guān)聯(lián)性，且對(duì)微小異常的檢測(cè)敏感性較低。因此，現(xiàn)有方法在應(yīng)對(duì)混凝土壩變形數(shù)據(jù)的復(fù)雜性和多樣性時(shí)，存在一定的識(shí)別盲區(qū)。為此，本文提出了一種基于深度自編碼器的混凝土壩變形異常檢測(cè)模型。深度自編碼器能夠自動(dòng)學(xué)習(xí)數(shù)據(jù)的潛在特征，可避免傳統(tǒng)方法對(duì)數(shù)據(jù)分布的嚴(yán)格假設(shè)要求。該模型通過編碼器-解碼器結(jié)構(gòu)將輸入數(shù)據(jù)映射到低維隱空間，從而有效捕捉數(shù)據(jù)的復(fù)雜形式和潛在異常；在解碼階段，模型會(huì)重構(gòu)輸入數(shù)據(jù)，并與實(shí)際觀測(cè)值進(jìn)行對(duì)比，若重構(gòu)誤差超過設(shè)定的閾值，則判定該數(shù)據(jù)為異常。與傳統(tǒng)方法相比，基于深度自編碼器的模型能夠更好地處理混凝土壩變形數(shù)據(jù)的非線性問題，具有更強(qiáng)的適應(yīng)性和泛化能力。

1算法原理

1.1 深度自編碼器

深度自編碼器（Autoencoder，AE）是一種由編碼器f_e 和解碼器 f_d 組成的神經(jīng)網(wǎng)絡(luò)模型，由Rumellhart等[23]于1986年提出，常用于無監(jiān)督的數(shù)據(jù)降維任務(wù)。AE的核心思想是通過編碼器將輸人數(shù)據(jù) x 映射到一個(gè)低維隱空間，并通過解碼器從該隱空間重建出盡可能接近輸人數(shù)據(jù) x 的輸出數(shù)據(jù) x^′ ：

x^′=f_d[f_e（x）]

在混凝土壩變形異常檢測(cè)中，AE的核心機(jī)制是基于正常樣本數(shù)據(jù)進(jìn)行訓(xùn)練，學(xué)習(xí)正常樣本的分布特

征。通過最小化輸入與輸出數(shù)據(jù)之間的重構(gòu)誤差，AE能夠高效提取數(shù)據(jù)的關(guān)鍵特征。常用的損失函數(shù)為均方誤差（ （E_MS） ，計(jì)算公式為

式中： x_i、x_i^′ 分別為第 i 個(gè)樣本的輸入、輸出數(shù)據(jù)， N 為樣本數(shù)量。

將AE應(yīng)用于混凝土壩變形異常檢測(cè)的工作流程可分為學(xué)習(xí)正常樣本和檢測(cè)異常樣本兩個(gè)步驟

1）學(xué)習(xí)正常樣本。AE在訓(xùn)練過程中主要處理混凝土壩的正常變形數(shù)據(jù) x_n ，它能夠準(zhǔn)確捕捉混凝土壩正常變形數(shù)據(jù)的分布特征，同時(shí)忽略監(jiān)測(cè)數(shù)據(jù)中的噪聲或偶然異常，使模型在重構(gòu)正常樣本時(shí)具備較高的精度和穩(wěn)定性。編碼器將高維監(jiān)測(cè)數(shù)據(jù)映射到低維隱空間 z ，從中提取主要特征，解碼器則根據(jù)隱空間 z 重建輸入數(shù)據(jù)，得到重構(gòu)數(shù)據(jù) x_n^′ 。通過不斷優(yōu)化網(wǎng)絡(luò)參數(shù)，經(jīng)過訓(xùn)練后的AE對(duì)正常變形樣本具有很強(qiáng)的適應(yīng)性，能夠以較低的均方誤差 E_MS 準(zhǔn)確還原輸入數(shù)據(jù)：

z=f_e（x_n）

x_n^′=f_d（z）

2）檢測(cè)異常樣本。當(dāng)輸入異常變形樣本數(shù)據(jù) x_a 時(shí)，由于異常變形數(shù)據(jù)的分布特征偏離AE所學(xué)習(xí)的正常變形數(shù)據(jù)分布特征，因此編碼器難以生成合理的隱空間 z ，解碼器無法有效重構(gòu)異常數(shù)據(jù)，導(dǎo)致均方誤差 E_MS 顯著增大。異常變形通常反映壩體受外部環(huán)境或內(nèi)部結(jié)構(gòu)異常影響所引起的罕見或突發(fā)事件，其特征難以被模型準(zhǔn)確捕捉和重現(xiàn)。通過設(shè)置適當(dāng)?shù)闹貥?gòu)誤差閾值 χ_t ，AE能夠有效區(qū)分正常變形和異常變形。當(dāng)均方誤差 E_MS 顯著大于閾值 χ_t 時(shí)，輸入數(shù)據(jù)可被判定為異常變形數(shù)據(jù)，從而實(shí)現(xiàn)對(duì)混凝土壩變形的精準(zhǔn)檢測(cè)。

1.2 模型訓(xùn)練

基于AE的混凝土壩變形異常檢測(cè)模型檢測(cè)流程如下。

1）數(shù)據(jù)采集。采集混凝土壩變形的長(zhǎng)期監(jiān)測(cè)數(shù)據(jù)，確保數(shù)據(jù)的全面性和準(zhǔn)確性。AE模型具有較強(qiáng)的普適性，能夠處理各種類型的混凝土壩變形數(shù)據(jù)。無論是水平位移還是垂直位移，都能作為異常檢測(cè)數(shù)據(jù)的輸入?；炷翂蔚淖冃螖?shù)據(jù)通常具有周期性變化特征，AE模型能夠自動(dòng)學(xué)習(xí)周期性規(guī)律，從而適應(yīng)不同類型的變形數(shù)據(jù)，無須針對(duì)特定監(jiān)測(cè)指標(biāo)進(jìn)行額外優(yōu)化。

2）數(shù)據(jù)處理。對(duì)采集到的變形數(shù)據(jù)進(jìn)行預(yù)處理。首先采用極差化方法對(duì)數(shù)據(jù)進(jìn)行歸一化處理，然后將數(shù)據(jù)劃分為訓(xùn)練集和測(cè)試集。訓(xùn)練集用于模型的訓(xùn)練，必須包含正常變形數(shù)據(jù)，以便模型能夠充分學(xué)習(xí)正常變形數(shù)據(jù)的內(nèi)在特征；測(cè)試集用于模型性能評(píng)估，應(yīng)包含正常數(shù)據(jù)和異常數(shù)據(jù)，以測(cè)試模型在不同情況下的表現(xiàn)。

3）模型訓(xùn)練。在訓(xùn)練階段，AE通過編碼器將輸入數(shù)據(jù)映射到低維隱空間，并通過解碼器重構(gòu)輸人數(shù)據(jù)。AE在訓(xùn)練過程中學(xué)習(xí)正常變形數(shù)據(jù)的特征，并最小化輸入與輸出數(shù)據(jù)之間的重構(gòu)誤差，通過反向傳播和優(yōu)化，不斷提高正常樣本數(shù)據(jù)的重構(gòu)精度，捕捉到正常變形數(shù)據(jù)的內(nèi)在規(guī)律。

4）異常檢測(cè)。訓(xùn)練完成后，利用AE模型對(duì)測(cè)試集數(shù)據(jù)進(jìn)行預(yù)測(cè)。當(dāng)輸入異常樣本時(shí)，由于其分布特征與訓(xùn)練集的正常樣本差異較大，因此導(dǎo)致重構(gòu)誤差顯著增大。通過設(shè)置合適的重構(gòu)誤差閾值，AE模型能夠有效區(qū)分正常與異常變形。重構(gòu)誤差超過閾值的數(shù)據(jù)被判定為異常數(shù)據(jù)，從而實(shí)現(xiàn)混凝土壩變形的異常檢測(cè)。

1.3 超參數(shù)設(shè)置

本文所有模型均是基于Python3.6軟件實(shí)現(xiàn)的。對(duì)比模型包括常見的統(tǒng)計(jì)模型 Z- score、IF模型、LOF模型、SVM模型以及AE模型。其中， Z- score本質(zhì)上是一種基于統(tǒng)計(jì)分布的異常檢測(cè)方法，它通過計(jì)算樣本與總體均值 （μ） 之間的差異，以標(biāo)準(zhǔn)差 （σ） 為單位來衡量數(shù)據(jù)點(diǎn)的離群程度： ，若 |z| 超過預(yù)先設(shè)定的閾值 ±3 ，則判定觀測(cè)值為異常。該方法所需的參數(shù)為數(shù)據(jù)的均值和標(biāo)準(zhǔn)差，來源于數(shù)據(jù)本身的統(tǒng)計(jì)特征，不需要人為設(shè)定。其他模型的超參數(shù)均通過網(wǎng)格搜索方法選取最優(yōu)配置，具體設(shè)置見表1。

1.4 評(píng)價(jià)指標(biāo)

為了科學(xué)評(píng)估AE模型在混凝土壩變形異常檢測(cè)中的性能，選用精確率、召回率和F1分?jǐn)?shù)3個(gè)常用的評(píng)價(jià)指標(biāo)。精確率衡量模型檢測(cè)出的所有正常樣本中，真實(shí)正常樣本所占的比例，反映了模型對(duì)正常樣本的判斷準(zhǔn)確性；召回率表示在所有真實(shí)正常樣本中，被模型成功檢測(cè)為正常樣本的比例，體現(xiàn)了模型對(duì)正常樣本的覆蓋能力； F1 分?jǐn)?shù)是精確率與召回率的調(diào)和平均，可綜合評(píng)價(jià)模型在精確性和全面性上的性能表現(xiàn)這3個(gè)指標(biāo)越接近1，表明模型異常檢測(cè)性能越優(yōu)越評(píng)價(jià)指標(biāo)的計(jì)算公式分別為

式中： P 為精確率， R 為召回率， F₁ 為 F1 分?jǐn)?shù)， T 為模型正確識(shí)別出的正常樣本數(shù)， F 為誤將異常樣本判定為正常的樣本數(shù)， F_N 為誤將正常樣本判定為異常的樣本數(shù)。

2 實(shí)例應(yīng)用

2.1 工程背景

本文以黃河龍羊峽至青銅峽河段規(guī)劃中的第八座梯級(jí)水電站鹽鍋峽電站為例（見圖1）。壩頂高程1624.20m ，最大壩高 57.20m 。大壩為混凝土重力壩，由擋水壩段和溢流壩段組成，其中：擋水壩段布置在左岸，長(zhǎng)度為 225m ;溢流壩段布置在右岸，長(zhǎng)度為96m 。壩頂水平位移采用引張線遙測(cè)坐標(biāo)儀測(cè)量，測(cè)點(diǎn)布置如圖2所示。溢流壩段劃分為6段（I～VI），每段各設(shè)置兩個(gè)測(cè)點(diǎn);擋水壩段劃分為10段（Ⅰ＼～X），每段和隔墩壩段各設(shè)置一個(gè)測(cè)點(diǎn)。本文選取溢流壩段ⅡI的2個(gè)測(cè)點(diǎn)EX15和EX16的長(zhǎng)期變形監(jiān)測(cè)數(shù)據(jù)，建立混凝土壩變形異常檢測(cè)模型，并驗(yàn)證AE模型的有效性。

2.2 監(jiān)測(cè)數(shù)據(jù)描述

本文使用的變形監(jiān)測(cè)數(shù)據(jù)時(shí)間跨度為2012年3月16日至2023年10月8日。數(shù)據(jù)來源于自動(dòng)化監(jiān)測(cè)系統(tǒng)，采樣頻率為每日一次，總計(jì)4224組觀測(cè)值。其中：2012年3月16日至2017年7月25日采集的1958組數(shù)據(jù)作為模型的訓(xùn)練集，用于學(xué)習(xí)混凝土壩的正常變形特征；2017年7月26日至2023年10月8日采集的2266組數(shù)據(jù)作為測(cè)試集，用于評(píng)估模型在異常檢測(cè)中的實(shí)際效果。EX15和EX16測(cè)點(diǎn)的變形曲線見圖3。從圖3可以看出，變形監(jiān)測(cè)數(shù)據(jù)中存在異常值。異常值的出現(xiàn)通常由多種因素引起，包括監(jiān)測(cè)設(shè)備和線路老化（如線路接觸不良、傳感器因高濕度或腐蝕而損壞、電氣系統(tǒng)因絕緣老化或超負(fù)荷運(yùn)行而導(dǎo)致的短路跳閘等），網(wǎng)絡(luò)設(shè)備受到信號(hào)干擾、硬件故障或帶寬不足的影響而導(dǎo)致數(shù)據(jù)傳輸不穩(wěn)定，環(huán)境荷載的變化、結(jié)構(gòu)材料的老化和人為干預(yù)等因素。

2.3 結(jié)果分析

將AE模型與常見的4種異常檢測(cè)模型（統(tǒng)計(jì)模型Z-score和機(jī)器學(xué)習(xí)模型IF、LOF、SVM）的檢測(cè)結(jié)果進(jìn)行對(duì)比，見表2。由表2可知，AE模型在EX15和EX16測(cè)點(diǎn)均表現(xiàn)出色，精確率超過 97% 且召回率和F1分?jǐn)?shù)均處于較高水平，展現(xiàn)了較強(qiáng)的異常檢測(cè)能力。AE模型在3個(gè)評(píng)價(jià)指標(biāo)上的均衡表現(xiàn)明顯優(yōu)于其他4種對(duì)比模型。Z-score在異常檢測(cè)過程中存在較大漏檢問題，在兩個(gè)測(cè)點(diǎn)均表現(xiàn)較差。IF和LOF模型在EX15測(cè)點(diǎn)的表現(xiàn)接近，雖然兩者的召回率均為1.000，但在精確率方面有所欠缺，IF模型的精確率僅為0.505，LOF模型為0.805，顯示出較高的誤報(bào)率。SVM模型在兩個(gè)測(cè)點(diǎn)的整體表現(xiàn)相對(duì)較差，表明其在處理復(fù)雜異常檢測(cè)任務(wù)時(shí)，特別是對(duì)極端異常值的檢測(cè)能力較弱。為了保證一致性，上述3種機(jī)器學(xué)習(xí)模型與AE模型采用相同的訓(xùn)練方式，僅使用正常數(shù)據(jù)進(jìn)行訓(xùn)練。這種策略可能導(dǎo)致模型在異常檢測(cè)任務(wù)中的效果不佳，由于模型未能充分學(xué)習(xí)異常數(shù)據(jù)的特征，因此在測(cè)試階段出現(xiàn)較高的誤判和漏判率。

為了直觀比較上述5種模型在異常檢測(cè)方面的性能差距，繪制了EX15、EX16測(cè)點(diǎn)不同模型的混淆矩陣，分別見圖4和圖5（圖中0代表正常標(biāo)簽，1代表異常標(biāo)簽；混淆矩陣左上角表示將異常數(shù)據(jù)誤判為正常數(shù)據(jù)，左下角表示將正常數(shù)據(jù)正確識(shí)別為正常數(shù)據(jù)，右上角表示將異常數(shù)據(jù)正確識(shí)別為異常數(shù)據(jù)，右下角表示將正常數(shù)據(jù)誤判為異常數(shù)據(jù)）。混淆矩陣左下角值和右上角值越大、左上角值和右下角值越小，表明模型的異常檢測(cè)性能越好。由圖4可知，AE模型僅出現(xiàn)7次錯(cuò)誤識(shí)別，而Z-score、IF、LOF、SVM模型分別出現(xiàn)30、45、30和80次錯(cuò)誤識(shí)別。由圖5可知，AE模型僅有3次錯(cuò)誤識(shí)別，而Z-score、IF、LOF、SVM模型的錯(cuò)誤識(shí)別次數(shù)分別為33、57、55和230。AE模型的誤判和漏判樣本數(shù)量均明顯少于其他模型，能夠更準(zhǔn)確地區(qū)分正常測(cè)值和異常測(cè)值，表明其異常檢測(cè)精度明顯高于其他模型。

EX15、EX16測(cè)點(diǎn)5種模型的混凝土壩變形異常檢測(cè)效果分別見圖6和圖7（圖中紅色虛線表示異常檢測(cè)閾值，灰色陰影代表模型識(shí)別錯(cuò)誤）。AE模型采用自適應(yīng)閾值，通過輸入實(shí)時(shí)監(jiān)測(cè)數(shù)據(jù)的重構(gòu)誤差，并根據(jù)歷史數(shù)據(jù)分布動(dòng)態(tài)調(diào)整異常判定標(biāo)準(zhǔn)，從而靈活反映不同數(shù)據(jù)特征?；趯?duì)EX15和EX16測(cè)點(diǎn)重構(gòu)誤差的統(tǒng)計(jì)分析，選擇重構(gòu)誤差的98分位數(shù)（0.442）作為閾值，可有效地識(shí)別大多數(shù)異常數(shù)據(jù)，同時(shí)避免對(duì)正常數(shù)據(jù)的過度敏感。Z-score模型設(shè)定正常測(cè)值在-3到3之間，超出該范圍即為異常。IF模型的閾值設(shè)為0.6，旨在減少漏判的同時(shí)保持較高的靈敏度，以便有效檢測(cè)異常數(shù)據(jù)。依據(jù)已有研究成果[17]，LOF模型的閾值設(shè)為1.5，以確保模型的可靠性。SVM模型采用0作為閾值（0表示正常數(shù)據(jù)，1表示異常數(shù)據(jù)），符合其二分類模型的基本結(jié)構(gòu)，當(dāng)某一時(shí)刻的測(cè)值超過設(shè)定的閾值時(shí)，該測(cè)值被判定為異常。圖中灰色陰影區(qū)域代表異常檢測(cè)結(jié)果出現(xiàn)錯(cuò)誤，包括漏判異常測(cè)值為正常測(cè)值以及誤判正常測(cè)值為異常測(cè)值?；疑幱暗姆植己兔芗潭葹樵u(píng)估各模型異常檢測(cè)精度的重要參考，灰色陰影的數(shù)量和范圍越大，表明該模型的異常檢測(cè)效果越差。

由圖6可知，在EX15測(cè)點(diǎn)的變形異常檢測(cè)中，AE模型的表現(xiàn)最佳。AE模型成功識(shí)別出大部分異常測(cè)值（共37處），但未能有效識(shí)別出第一處突跳型異常測(cè)值。此外，AE模型對(duì)第三處振蕩變化的異常測(cè)值識(shí)別存在局限，僅能識(shí)別數(shù)據(jù)振蕩增長(zhǎng)部分，漏檢了數(shù)據(jù)振蕩下降部分。Z-score模型識(shí)別出16處異常，但相比之下漏檢現(xiàn)象更加嚴(yán)重，不僅忽略了第一處突跳型異常測(cè)值，而且未能識(shí)別第三處振蕩變化的異常測(cè)值以及第六處臺(tái)階型異常測(cè)值。IF模型雖然成功識(shí)別了所有的異常測(cè)值（共46處），但頻繁出現(xiàn)誤判現(xiàn)象，多次將正常測(cè)值誤判為異常。LOF模型同樣成功識(shí)別了所有的異常測(cè)值（共46處），且比IF模型誤判次數(shù)少。SVM模型的表現(xiàn)與IF模型類似，雖然成功識(shí)別了所有異常測(cè)值（共46處），但誤判次數(shù)更多、異常檢測(cè)效果更差。因此，從整體表現(xiàn)來看，AE模型的異常檢測(cè)性能優(yōu)于其他4種模型。

由圖7可知，在EX16測(cè)點(diǎn)的變形異常檢測(cè)中，AE模型同樣效果最佳，該模型成功識(shí)別了大多數(shù)異常測(cè)值（共34處），并且未出現(xiàn)誤判的情況；然而，AE模型在識(shí)別第二處臺(tái)階型異常測(cè)值時(shí)有所欠缺，未能準(zhǔn)確識(shí)別該異常測(cè)值的前端部分，且未能識(shí)別最后一處突跳型異常測(cè)值。相比之下，Z-score模型僅識(shí)別出3處異常，漏檢了多個(gè)異常測(cè)值，包括第一處和最后一處突跳型異常測(cè)值、第二處和第六處所有臺(tái)階型異常測(cè)值。IF 模型雖然成功識(shí)別了大部分異常測(cè)值（共35處），但頻繁出現(xiàn)誤判現(xiàn)象，將多處正常測(cè)值誤判為異常值。LOF模型與IF模型類似，共識(shí)別35處異常測(cè)值，且誤判次數(shù)較少。SVM模型雖然成功識(shí)別了所有異常測(cè)值（共36處），但是誤判的次數(shù)更多，導(dǎo)致其異常檢測(cè)效果更差。因此，AE模型在異常測(cè)值識(shí)別準(zhǔn)確性方面優(yōu)于其他模型。

5種模型在異常檢測(cè)中的表現(xiàn)差異主要源于各自的算法機(jī)制和適應(yīng)能力。AE模型作為一種深度學(xué)習(xí)模型，通過對(duì)輸人數(shù)據(jù)進(jìn)行重構(gòu)學(xué)習(xí)，能夠自動(dòng)捕捉數(shù)據(jù)的潛在特征和規(guī)律。AE模型異常檢測(cè)機(jī)制是通過重構(gòu)誤差來判斷異常，當(dāng)輸入數(shù)據(jù)的變形模式偏離了正常模式時(shí)，AE模型能夠靈活地識(shí)別出這些異常波動(dòng)，因此在大多數(shù)情況下能夠準(zhǔn)確檢測(cè)出異常值。特別是AE模型的自適應(yīng)閾值機(jī)制，能夠根據(jù)歷史數(shù)據(jù)的分布和實(shí)時(shí)變形情況調(diào)整判定標(biāo)準(zhǔn)，靈活應(yīng)對(duì)不同類型的異常，有效提高檢測(cè)精度。相比之下，Z-score模型異常檢測(cè)效果受到數(shù)據(jù)符合標(biāo)準(zhǔn)正態(tài)分布假設(shè)的限制，而IF、LOF和SVM等機(jī)器學(xué)習(xí)模型雖然能夠處理較為復(fù)雜的數(shù)據(jù)形式，但它們往往依賴預(yù)先設(shè)定的特征和閾值，難以動(dòng)態(tài)適應(yīng)數(shù)據(jù)的細(xì)微變化。IF和LOF模型檢測(cè)波動(dòng)性較大或非線性特征的變形數(shù)據(jù)效果較差，容易出現(xiàn)誤判：SVM模型雖能識(shí)別出大部分異常，但在檢測(cè)波動(dòng)性較大的數(shù)據(jù)時(shí)難以精準(zhǔn)判斷正常與異常的邊界，因此誤判情況更為嚴(yán)重。綜上所述，AE模型在混凝土壩變形異常檢測(cè)中，展現(xiàn)出較強(qiáng)的適應(yīng)性和較高的準(zhǔn)確性，較傳統(tǒng)方法具有明顯優(yōu)勢(shì)，能夠有效提高對(duì)混凝土壩變形異常測(cè)值的識(shí)別能力。

3結(jié)論

1）本文提出的基于AE的混凝土壩變形異常檢測(cè)模型，可充分發(fā)揮自編碼器在數(shù)據(jù)重構(gòu)和異常判別中的優(yōu)勢(shì)。通過自適應(yīng)閾值機(jī)制，能夠?qū)崟r(shí)調(diào)整異常檢測(cè)標(biāo)準(zhǔn)，針對(duì)不同的變形數(shù)據(jù)作出靈活響應(yīng)，從而有效提高檢測(cè)的準(zhǔn)確性和適應(yīng)性。

2）與傳統(tǒng)的統(tǒng)計(jì)模型（如Z-score）及經(jīng)典機(jī)器學(xué)習(xí)模型（如IF、LOF、SVM）相比，AE模型在混凝土壩變形異常檢測(cè)中表現(xiàn)出顯著優(yōu)勢(shì)。通過5個(gè)模型在大壩兩個(gè)測(cè)點(diǎn)變形異常檢測(cè)中的效果比較，發(fā)現(xiàn)AE模型異常檢測(cè)精度最高（精確率超過 97% ），成功識(shí)別了大多數(shù)異常測(cè)值，并減少了誤報(bào)與漏報(bào)現(xiàn)象

本文的混凝土項(xiàng)變形異常檢測(cè)研究仍存在進(jìn)一步改進(jìn)的空間。未來應(yīng)獲取更多大壩監(jiān)測(cè)數(shù)據(jù)，進(jìn)一步探討異常測(cè)值出現(xiàn)的原因，并將該模型擴(kuò)展應(yīng)用于混凝土壩滲流、應(yīng)力應(yīng)變等的監(jiān)測(cè)上，以提高模型的綜合檢測(cè)能力。

參考文獻(xiàn)：

[1]周蘭庭，柳志坤，徐長(zhǎng)華.基于WA-LSTM-ARIMA的混凝土壩變形組合預(yù)測(cè)模型[J].人民黃河，2022，44（1）：124-128.

[2]原佳帆，李丹楊，李佳霖，等.基于 TimeGAN 和CNN-BiL-STM-Attention的大壩變形預(yù)測(cè)混合模型［J].人民黃河，2024，46（12） ：127-130，143.

[3]KANG F，LI JJ，ZHAO S Z，et al.Structural Health Monitoringof Concrete Dams Using Long-Term Air Temperature forThermal Efect Simulation[J]. Engineering Structures， 2019，180：642-653.

[4]LIU M K，WEN Z P，SU H Z.Deformation Prediction Basedon Denoising Techniques and Ensemble Learning Algorithmsfor Concrete Dams[J]. Expert Systems with Applications，2024，238：122022.

[5]ZHANG Y，ZHANG W W，LI Y L，et al.AF-OS-ELM-MVE： ANew Online Sequential Extreme Learning Machine of DamSafetyMonitoring Model for Structure Deformation Estimation[J].Advanced Engineering Informatics，2024，60：102345.

[6]歐斌，吳邦彬，袁杰，等.基于LSTM的混凝土壩變形預(yù)測(cè)模型[J].水利水電科技進(jìn)展，2022，42（1）：21-26.

[7］宋蕾，雷兆星.基于Inception 模塊與改進(jìn)GRU 的混凝土壩變形預(yù)測(cè)模型[J].水利水電科技進(jìn)展，2024，44（6）：100-105.

[8]劉鶴鵬，李登華，丁勇.基于IF-Encoder 的大壩監(jiān)測(cè)異常數(shù)據(jù)檢測(cè)算法[J].人民黃河，2024，46（10）：148-153.

[9]鄭霞忠，陳國(guó)梁，鄒韜.考慮時(shí)間序列關(guān)聯(lián)的大壩監(jiān)測(cè)異常數(shù)據(jù)清洗[J].水力發(fā)電，2020，46（4）：111-114，125.

[10] YUAN D Y，WEI B W，XIE B，et al.Modified Dam Deform-ation Monitoring Model Considering Periodic ComponentContained in Residual Sequence[J].Structural Control andHealth Monitoring，2020，27（12） ：e2633.

[11] 魏博文，徐文博，袁冬陽，等.基于觀測(cè)數(shù)據(jù)可靠性辨識(shí)與挖掘的混凝土壩位移時(shí)序預(yù)測(cè)方法［J].應(yīng)用基礎(chǔ)與工程科學(xué)學(xué)報(bào)，2024，32（4）：1049-1066.

[12]SONG JT，CHEN Y C，YANG J.A Novel Outlier DetectionMethod of Long-Term Dam Monitoring Data Based on SSA-NAR[J].Wireless Communications and Mobile Computing，

[13] 謝中凱，王良，蘇玉杰，等.考慮不確定性的大壩監(jiān)測(cè)信息異常診斷方法及應(yīng)用[J].水電能源科學(xué)，2020，38（10） ：59-62.

［14］鄭付剛.基于局部異常系數(shù)的混凝土壩變形異常分析方法[J].水電能源科學(xué)，2016，34（6）：103-105，31.

[15] 宋錦燾，葛佳豪，楊杰，等.基于時(shí)空聚類和深度學(xué)習(xí)的混凝土壩變形異常值識(shí)別方法[J].水利水電科技進(jìn)展，2024，44（4） ：65-71.

[16]CHEN Y，ZHAO Z Y，WU H Z，et al.Fault Anomaly Detec-tion of Synchronous Machine Winding Based on IsolationForest and Impulse Frequency Response Analysis [J].Measurement，2022，188：110531.

[17] YANGJ，QU XD，HUD X，et al.Research on SingularValueDetection Method of Concrete Dam Deformation Mo-nitoring[J].Measurement，2021，179：109457.

[18]VOS K，PENG Z X，JENKINS C，et al.Vibration-Based A-nomaly Detection Using LSTM/SVM Approaches [J].Me-chanical Systems and Signal Processing，2022，169：108752.

[19] 張海龍，范振東，陳敏.孤立森林算法在大壩監(jiān)測(cè)數(shù)據(jù)異常識(shí)別中的應(yīng)用[J].人民黃河 2020，42（8）：154－157，168.

[20] 李明超，李明昊，任秋兵，等.基于密度分簇的長(zhǎng)周期監(jiān)測(cè)數(shù)據(jù)異常識(shí)別方法[J].水力發(fā)電學(xué)報(bào)，2021，40（3）：124-133.

[21]SALAZAR F，CONDE A，IRAZABAL J，et al.Anomaly De-tection in Dam Behaviour with Machine Learning Classifica-tion Models[J].Water，2021，13（17） ：2387.

[22] RONG Z，PANG R， XU B，et al.Dam Safety MonitoringData Anomaly Recognition Using Multiple-Point Model withLocal Outlier Factor[J].Automation in Construction，2024，159：105290.

[23]RUMELLHART D E，HINTON G E，WILLIAMS R J. LearningInternal Representations by Error Propagation[J].ParallelDistributed Processing：Explorations in the Microstructure ofCognition，1986，1：319-362.【責(zé)仟編輯張華興】