Page 29 - 2025年第56卷第9期

模型试验提出了明流洞室泄洪安全的流态图像监测方法。值得注意的是，虽然基于声音和图像的泄流
安全监测方法的相关研究目前还较少，但由于其异常敏感性、设备耐久性、数据代表性和实施简易
性，未来具有广阔的应用前景。
监测数据类型的增加对分析方法提出了更高的要求，相比采样频率 200 Hz 左右的振动信号，空气
声压信号的采样频率一般在 44 kHz 以上（可听声频段，如考虑超声频段，则所需采样频率更高），数据
量大幅增加；流态图像作为像素矩阵，不仅数据量增加，数据维度也有所升高（灰度图像为二维，彩
色图像为三维）。为了分析和处理上述多源异构数据，亟需有效的数据融合方法，最大程度上保留和
［8］
融合不同类型数据的特征信息。李季等 应用模糊推理的数据融合理论，提出了监测资料结论不一致
［9］
时水利水电工程的转异诊断方法。何金平等 在高拱坝多效应量融合建模研究中，提出了基于改进
D-S 证据理论的融合系数运算公式。李子阳等 ［10］ 提出了基于数值、特征、决策三个层次信息融合的信
息合理性分析方法。Ren 等 ［11］ 基于数据融合和机器学习方法，实现了坝体变形的高精度预测。盛金保
等 ［12］ 系统地介绍了大坝多源信息感知-融合-挖掘的理论与方法。李火坤等 ［13］ 基于方差贡献率，提出了
多传感器泄流振动信号的数据级融合方法。张建伟等 ［14］ 将决策级信息融合技术应用于拱坝结构损伤诊
断。然而，上述研究均基于同构数据，在高坝泄流安全监测预警领域，针对振动-声音-图像多源异构
数据融合方法的研究尚属空白。
此外，数据量的大幅增加导致传统的信号处理方法不再适用，深度学习由于其优异的大规模数据
处理能力在相关研究中得到广泛应用 ［15-19］ 。泄流安全监测预警方法的关键在于正确识别异常运行状态
下的数据特征，然而由于异常工况下相关数据缺乏记录、破坏性试验不具有可行性等原因，实际工程
中的异常数据基本为空白状态。这意味着只有正常数据可供参考，相关方法首次学习到异常数据特征
时即应准确预警，属于典型的单分类异常识别任务。自编码器由于其自身的网络结构特点 ［20］ ，便于与
深度学习技术相结合，是目前常用的单分类异常识别方法。该方法通过编码器学习高维输入的关键特
征，实现输入的低维表征，然后通过解码器重构输入，以重构误差阈值为标准进行样本分类。为了提
升深度网络的学习能力，许多即插即用的模块化网络，如：通道注意力 ［21］ 、混合注意力 ［22］ 、Inception
感知网络 ［23］ 、长短时记忆网络 ［24］ 、门控循环单元（Gated Recurrent Unit，GRU） 等网络结构被提出。
［25］
其中，Inception 网络通过不同尺寸卷积核在特征图上的滑移操作，实现了空间范围上更全面的特征提
取，能够以较低的计算成本显著提升网络学习能力。GRU 网络利用更新门和重置门控制记忆信息的保
留、与输入信息的结合以及向后续网络中的流动，能够有效学习数据时序特征，实际应用效果良好，
适用于长期稳定泄流运行突发异常的场景。
本文综合考虑振动位移、空气声压和流态图像等数据类型，研究提出高坝泄流安全智能监测预警
方法，以进一步丰富数据类型、提升有效信息，获得更高的准确率和鲁棒性。通过原型监测试验，构
建了振动位移、空气声压和流态图像多源异构数据库，提出了特征级融合方法对上述多源异构数据进
行有效融合；根据自编码器结构，构建了深度学习网络模型，并嵌入 Inception 和 GRU 模块提升模型性
能，提出了 Autoencoder-Inception-GRU 单分类异常识别模型；基于原型数据库，对上述网络模型性能
进行了详细分析，并测试分析了不同情况下所提方法的工程应用效果。

2 改进的单分类异常识别模型

2.1 Autoencoder-Inception-GRU 模型 对于高坝泄流监测数据，绝大部分为正常工况，异常数据
十分罕见，因此采用经典的单分类网络自编码器（Autoencoder）作为模型的主体结构。其中的编码器将
高维输入编码为低维隐变量，促使神经网络学习少数关键特征，解码器将隐变量还原为初始维度，然
后计算输入和输出的重构误差。在大规模正常样本的前提下，以输入数据本身作为监督，指导网络学
习非线性映射关系。基于反向传播算法和最优化方法，最小化重构误差，从而提升模型的有效性。
为了更好地学习输入数据的空间结构和模式，将 Inception 模块嵌入编码器，其中的多个平行卷积

— 1133 —