Page 35 - 2025年第56卷第9期

和通用的特征被模型学习掌握，所提出的智能监测预警方法将在工程应用中不断完善，取得越来越好
的效果。
6.3 含有异常数据的模型应用 由于高坝泄流运行的异常数据十分罕见，因此用于智能监测预警模型
训练的基础数据往往不包含异常工况，这意味着网络模型在首次学习到异常工况数据特征时即应发出
预警信号，否则可能无法指导工程现场迅速采取措施，进而导致局部异常显著发展和扩大。文献［7］
通过室内试验模拟了泄流结构破坏条件下的流态图像和空化现象伴随的空气声压，为了进一步验证模
型对异常数据的识别能力，从文献［7］所建立的数据库中，提取包含异常工况的流态图像和空气声压
数据，按照表 4 给出的方式，构建含异常样本的数据集。在测试阶段，数据集在声压或图像通道上采
用了室内试验测得的正常和异常数据；在训练阶段，数据集在对应通道上仍然采用室内试验得到的正
常数据；在不含异常数据的其它两个通道，训练和测试阶段均采用原型监测正常数据。

表 4 含异常样本数据集的构建方式
训练集样本构成 测试集样本构成
样本类
数据集 正常样本数 正常样本 异常样本数 异常样 正常样本数 正常样本 异常样本数 异常样本
型
量（组） 来源 量（组） 本来源 量（组） 来源 量（组） 来源
振动 8692 工况一 0 2000 工况一 0
含异常图像的数据集 图像 8692 文献［7］ 0 1000 文献［7］ 1000 文献［7］
声压 8692 工况一 0 2000 工况一 0
振动 8692 工况一 0 2000 工况一 0
含异常声压的数据集 图像 8692 工况一 0 2000 工况一 0
声压 8692 文献［7］ 0 1000 文献［7］ 1000 文献［7］

分析过程中，仅用上表给出的正常样本对模型进行训练，采用正常和异常混合的数据集对模型进
行测试，以检测模型对未知异常数据的识别效果，验证模型的泛化能力和鲁棒性。在训练过程中，输
入网络模型的声压和振动样本均为二维矩阵，矩阵的元素值都是将时域信号利用短时傅里叶变换得到
的特定时刻的频率谱幅度；输入网络的图像样本即为流态照片的像素矩阵，矩阵的元素值是各像素点
的像素值；在数据融合过程中，会将相关矩阵进行归一化以及缩减处理，但样本的特征信息被尽可能
完整准确地保留。对于正常样本而言，不论是时频图还是流态图像，都具有一定的特征，例如：流态
图像的水流颜色正常、流线基本平顺；声压和振动信号主要能量分布在低频范围、时频图幅度值稳定
于一定区间。采用正常数据训练得到的模型，其参数也会逐渐适应正常样本，学习正常样本的特征，
最终使得所有输入网络的正常样本都能被较准确地重构，重构误差较小。然而，当泄流结构发生破
坏，异常样本的特征将显著区别于正常样本，例如：流态图像的水流变浑浊、流线紊乱、出现水翅和
漩涡等；声压和振动信号的能量分布在频谱上发生变化，时频图的幅度值超出正常区间。当异常样本
输入网络后，原本适应于正常样本的网络参数对异常特征缺乏学习，因此异常样本的重构效果较差，
重构误差显著增加，从而判定泄流结构为异常运行状态。计算结果如表 5 所示。在分别含有异常图像
和声压数据的情况下，正常样本和异常样本正确识别的精确率均高于 99.5%，说明模型能够较准确地
完成泄流运行安全监测预警任务。
图 5 给出了正常和异常样本的重构误差函数值分布情况，首先将验证集中的数据作为输入样本输

表 5 含异常样本的数据集在模型上的测试结果

正常样本 异常样本
数据集
总数 正确识别数 识别率/% 总数 正确识别数 识别率/%
含异常图像的数据集 1000 997 99.70 1000 1000 100.00
含异常声压的数据集 1000 995 99.50 1000 999 99.90

— 1139 —