祁宁春¹, 聂强¹, 来记桃¹, 陈永灿², 李永龙³
1. 雅砻江流域水电开发有限公司，成都 610051;
2. 清华大学，水沙科学与水利水电工程国家重点实验室，北京 100084;
3. 清华四川能源互联网研究院，成都 610213
收稿日期：2022-11-28
基金项目：国家重点研发计划项目(2019YFB1310505)
作者简介：祁宁春(1964—)，男，正高级工程师
通讯作者：陈永灿，教授。E-mail: chenyc@tsinghua.edu.cn

摘要：针对运行期水电站多元场景下复杂结构与环境水下检查的重大难题和迫切需求，以雅砻江流域梯级电站为典型场景，对比分析水电站水下检测环境与海洋开放水域场景的差异，该文提出了复杂场景下水工建筑物水下智能巡检实施的技术路径，构建了水下检测机器人系统装备、超长距离水下供电与通信、水下精确导航与定位、大断面快速精细检测、巡检过程实时监控和缺陷信息智能分析等关键技术体系，进而形成水工建筑物多元应用场景的系统解决方案。该文重点在典型水工隧洞结构和高山峡谷区半开放水域开展多元化应用实践，实现了水工建筑物智能巡检与安全管控，提升了流域梯级电站电力生产经济效益，大幅降低了传统检测成本。该研究成果与实践经验可促进水电枢纽水下智能巡检技术发展，具有重要的行业推广意义。
关键词：水电站水工建筑物多元场景水下机器人智能巡检
Key technology and practice of intelligent underwater inspection in multiple scenarios of hydropower station
QI Ningchun¹, NIE Qiang¹, LAI Jitao¹, CHEN Yongcan², LI Yonglong³
1. Yalong River Hydropower Development Co., Ltd., Chengdu 610051, China;
2. State Key Laboratory of Hydroscience and Engineering, Tsinghua University, Beijing 100084, China;
3. Sichuan Energy Internet Research Institute, Tsinghua University, Chengdu 610213, China

Abstract: Objective Underwater building safety inspection is a vital tool for ensuring reservoir dam operation safety of hydropower stations. Due to the high expense of traditional drainage inspections and the high safety risk of divers performing underwater inspections for areas that cannot be drained, underwater detection technology provides a new solution to underwater building safety inspection. Methods Using the Yalong River basin step operation hydropower stations as a typical scenario, the target water environment and structural boundary conditions were analyzed; combined with open water underwater inspection experience and technical differences, underwater robot inspection equipment and essential technology systems under various scenarios of hydropower stations were constructed. Through robot system integration and testing, a small-sized, powerful, multi-sensor fusion cable remote control submersible was developed for tunnel-like structures with lengthy cavern lines. A high-strength, zero buoyancy photoelectric composite umbilical cable with a small diameter was designed, and remote power supply and fiber optic real-time communication were carried out through high-frequency medium voltage transmission technology. The real-time monitoring system for underwater robot movement based on the virtual exercise platform was built, and the robot was directed to return autonomously by an adaptive control algorithm in the case of communication and power supply failure. The combined inertial navigation-based positioning technology was investigated, and the position information, such as structural seams and feature markings detected by sonar and camera, was used to calibrate the inertial guidance positioning information. A high-frequency three-dimensional real-time sonar system with 360° mobility, continuous scanning, and real-time generation of a three-dimensional point cloud model was jointly developed, which improved precise positioning capability and detection efficiency for large cross-sections and long-distance closed structures. The research offers a defect identification technology based on dynamic feature distillation to intelligently identify the inspection images and uses the joint analysis method of inspection information and a 3D digital model to conduct intelligent spatiotemporal correlation analysis of defect information. Intelligent unmanned vessel systems and RTK-GNSS combined positioning technology are introduced for underwater inspection in semi-open waters in high mountain canyon areas. A joint inspection scheme of multibeam sonar and underwater robots is proposed to make full use of the advantages of fast and high-density scanning of multibeam sonar and fine inspection of robots to improve inspection efficiency. Results The robot system successfully passed through the access channel with only 2.1 m in diameter, the diversion tunnel with 12.0 m in diameter and 2.30 km in length, and the pressure pipeline with a 250.0 m vertical drop in the practice of normalized underwater inspection of multi-water scenes at Yalong River Basin Hydropower Station. The flaw detection accuracy reached the millimeter level, the plane positioning precision reached 10 cm, and the axial positioning accuracy was better than 1‰ of the traveled distance. The intelligent recognition rate of common defects in concrete structures, such as broken or exposed bars and cracks, reached 96.5%. The intelligent unmanned vessel successfully inspected various types of semi-open waters, such as tailwater channels of hydropower stations with a flow speed of 2 m/s and turbulent flows, obtaining three-dimensional topographic maps of underwater environments and identifying the distribution characteristics of underwater defects with a horizontal positioning accuracy better than ±8 mm+1 ppm and a vertical orientation better than ±15 mm+1 ppm. Conclusions The underwater intelligent inspection system features a high degree of innovation and integration, a large number of practical cases, safe and reliable inspection, and accurate and intuitive results. The system has effectively guided the safe operation and maintenance of underwater structures at the Yalong River Basin Hydropower Station and significantly reduced the cost of traditional inspection, which has important significance for industry promotion.
Key words: hydropower stationhydraulic structuresmultiple senariosunderwater robotsintelligent inspection
中国已建水库大坝约9.8×10⁴座，其中大型水库774座^[1]。水电枢纽工程缺陷和病害往往始发或显露于结构表面，因此，安全检查是保障水库大坝运行安全的必然要求。《水库大坝安全管理条例》(国务院令第77号)、《水电站大坝运行安全监督管理规定》(国家发展和改革委员会令第23号)、《混凝土坝安全监测技术标准》(GB/T 51416)、《混凝土坝安全监测技术规范》(DL/T5178)、《水电站大坝安全现场检查技术规程》(DL/T 2204)等法规和规范对水电站水工建筑物及库岸边坡等的安全检查作出明确规定。位于水面以上的建筑物，其安全检测技术已成熟，技术应用广泛、成果直观可见，电站运行状态能得到及时监控。水下建筑物由于长期受设计施工缺陷、水力冲蚀磨损、生物化学侵蚀和材料老化等因素影响，以及地震地质作用或调度运行方式等因素影响，可能出现各类病害、隐患，从而威胁电站运行安全。传统排水检查和潜水员检查存在诸多不利因素^[2]，检测范围受到极大限制，海洋水下探测技术为水电站水下建筑物安全检查提供了新的思路。
国外水下检测技术研究与应用起步较早，加拿大Kemano电站输水隧洞利用有缆遥控潜航器(remotely operated vehicle，ROV)进行了检测^[3]，脐带缆长度达5.00 km；德国ATLAS的SeaCat团队利用其制造的“SeaCat”自主式无缆遥控潜航器(autonomous underwater vehicles，AUV)成功穿过德国斯图加特附近的一条长24.00 km、直径2.25 m的输水隧洞^[4]，应用场景洞径小、检测设备集成度较低，但该AUV没有关于大直径、单进出通道的长距离水工隧洞的应用案例。近年来，国内也开展了大量的水电工程水下无人检测技术研究与应用实践。文[5—7]研究了水电站以ROV为载体的水下检测系统国内外设备选型和典型检测应用案例，但案例中的水下检测系统主要应用于水电站半开放水域，采用的是二维图像声呐和光学摄像，检测和导航传感器集成不够全面。张柏楠等^[8]综述了长距离水工隧洞水下检测机器人系统研究应用、关键技术、病害识别算法等研究的进展情况，但未涉及机器人巡检作业状态实时监控、检测成果可视化和分析管理等技术的研究进展与应用成效。文[9—12]利用ROV对典型水工隧洞缺陷进行水下检测，检测效果良好，但检测距离有限，对水电站多元场景水下建筑物缺乏系统的检测方案。
本文基于雅砻江流域梯级电站多元复杂水下环境，分析水下智能巡检应用较海洋开放水域场景的差异，重点针对水下机器人、无人测量船等检测装备的可靠适应性、远程巡检与控制、大断面快速检测和数据分析管理等关键技术，探索水电站水下智能巡检技术方案，并进行应用实践验证。
1 雅砻江流域梯级电站复杂水下场景雅砻江是金沙江第一大支流，干流河道全长1 571.00 km，流域面积约13.6×10⁴ km²，规划梯级电站22座，装机规模3 000×10⁴ kW。流域中下游7座电站已投产发电，总装机容量1 920×10⁴ kW。两河口、锦屏一级、二滩3大水库总库容达243×10⁸ m³，其中调节库容148×10⁸ m³，为长江中下游防洪安全发挥了重要作用，多级水库联合优化调度也极大提高了发电效益与电能质量，社会经济效益显著。
雅砻江流域地处高山峡谷地带，电站规模大、结构类型多样、调度运行复杂，水电站水工建筑物检查维护任务重、难度大。主要体现在:
1) 高坝大库导致壅水面积广、水深大，水库淤积及挡水建筑物水下部分运行情况需及时检查，库区滑坡体和变形体数量多、分布范围广。例如，锦屏一级双曲拱坝高305.0 m，壅水面积约83 km²；两河口砾石土心墙堆石坝高295.0 m，壅水面积约114 km²；二滩双曲拱坝高240.0 m，壅水面积约101 km²。
2) 水工隧洞直径大、洞线长，存在多个空间转弯段，进出通道狭窄且数量有限。如: 锦屏二级引水隧洞衬砌后内径为10.8~11.8 m，隧洞平均长度16.67 km，压力管道垂直向落差可达250.0 m，最大静水压力水头超300.0 m，放空检查时间长、风险大、成本高，影响发电效益。
3) 泄水消能设施水力冲击强、运行时间长，每年汛前汛后均需进行安全检查，频次高、抽干检查成本高；尾水区域及下游河道常年过水且无抽干检查条件，传统方法难以及时、准确掌握水下冲淤情况。
4) 电站运行调控可为水下检测作业提供静水或小流速等有利环境，但调控程序复杂、窗口期有限。
2 水电站水下智能检测技术路径与海洋开放水域水下检测相比，水电站水下检测面临复杂的水工结构、水域环境等因素限制。此外，其他的一些因素也会影响水电站水下检测。例如，超长水工隧洞边界狭窄、进出通道受限，故机器人检测系统应具备高度集成、小型灵活等特点；全球卫星导航系统(global navigation satellite system，GNSS)信号易受山体遮挡，超短基线(ultra short base line，USBL)等水声定位在隧洞空间面临严重的反射干扰，导航与定位方式选择受限；缺陷检测精度要求更高，须达厘米甚至毫米级；安全可靠性要求严苛，设备失事会引起关联危害，甚至危及隧洞及电站运行安全。针对雅砻江流域梯级电站水域特点和检测需求，结合水下检测技术与装备适用性，开展高山峡谷区半开放水域(包含库区、泄水消能及尾水区、下游河道等)和隧洞类(包含引水隧洞)封闭水域水下检测技术方案研究，技术路径如图 1所示。

图 1 水下智能检测关键技术路径

图选项

3 复杂水工隧洞水下智能检测关键技术3.1 水下检测机器人根据水工隧洞水域特点及检测需求，水下机器人应具备以下条件: 1) 机动灵活，具有强动力、长续航、高可靠等特点，能实时进行数据传输和运动控制；2) 结构小型化，可满足隧洞狭小进出口通道的通行条件；3) 兼容扩展性强，可根据不同检测需求装配检测、定位传感器及辅助仪器。
定制研发小体积、大动力、高集成的ROV为主要载体装备，该载体装备配备4个水平矢量推进器、2个垂直矢量推进器，前进、垂直和侧向推力分别达900、400和250 N，以适应2.00 km级检测距离脐带缆拖拽等动力需求，航速3 kn；尺寸为1 054 mm×724 mm×660 mm，满足直径仅2.0 m阻抗孔的通道进出要求；系统功率达15 kW，支持搭载的三维成像声呐等多种声呐和摄像、定位等设备同时工作；具备ROV、AUV、复合型潜航器(autonomous & remotely-operated vehicle，ARV)3种潜航器的工作模式，正常工作为ROV模式，脐带缆故障时释放备用光纤并切换为ARV模式，备用光纤通信也出现故障时切断光纤并切换为AUV模式进行自主返航。研究自适应控制算法，融合ROV搭载的姿态传感器、6向测距声呐、导引声呐和深度计等采集的信息，实现手动操作和自动定向、定深、定距巡航控制；当ARV模式切换为AUV模式时，自适应控制器将根据姿态、位置等信息自主调整控制参数，追寻入水处的声源信号进行自主返航，保障机器人在极端情况下能安全回收。机器人AUV模式自主控制算法如图 2所示，其中x为输入的控制量，u为控制输出，Y为传感器测得的机器人实际状态数据，Y_mod为模型输出的状态数据。

图 2 机器人AUV模式自主控制算法

图选项

3.2 ROV远程运动与控制1) 超长脐带缆供电与通信。
本文采用了光电复合型脐带缆进行电能和通信传输，针对2.00 km级长距离隧洞检测供电问题，提出了3 000 V/400 Hz高压中频输电技术，该技术可降低电能线损和减小变压器模块尺寸，这既为ROV小型化节约了空间又增强了其负载能力。本文对比研究了不同浮力材料脐带缆在检测作业中的摩擦、破损和收放难易等情况。该研究结果表明: 零浮力脐带缆在复杂多弯段隧洞结构中具有保持良好空间状态的能力，可减轻脐带缆与洞壁的剐蹭，从而减小脐带缆运动阻力与破损风险。脐带缆抗拉能力2 t，在动力、通信同时失效的极端情况下，可拖拽回收水下检测机器人。经研究与试验，脐带缆采用直径13 mm、长2 500.0 m的零浮力光电复合型线缆进行供电和通信，包括2组2芯电源线和2组4芯单模光纤。
2) 水下导航与定位。
卫星定位、水声定位等海洋中常用的定位技术无法适应深埋地下、空间封闭的水工隧洞。本文依据惯性导航系统(inertial navigation system，INS)和Doppler计程仪(Doppler velocity log，DVL)既不依赖外部信息也不向外部发射能量的水下自主式导航定位特点，在考虑单一定位方式可靠性低的情况下，通过Kalman滤波技术对位置、航向、姿态和速度等导航参数进行综合处理，形成INS/DVL组合导航定位方案，提高了导航定位精度^[13-14]。INS/DVL组合导航定位如图 3所示。在检测过程中，ROV检测到的结构缝、里程桩号标记等位置信息可对惯导定位信息进行校准，实现大直径、长隧洞中平面定位精度达10 cm、轴向定位精度优于行进里程的1‰。对比验证表明: 检测的缺陷位置与放空检查复核结果基本一致，定位精度可满足实际运维需求。

图 3 INS/DVL组合导航定位

图选项

3) ROV水下运动状态实时监控。
ROV控制台显示的声呐、视频和位置等信息相对独立、零散，且为局部信息，需要人为综合分析多种感知信息才能确定ROV的准确位置，不便于操控。本文集成工程设计、历史监测检测信息和机器人系统的各项参数，使用Unity3D结合虚拟现实(virtual reality，VR)、建筑信息模型(building information modeling，BIM)、物理模型仿真和三维视景仿真可视化等技术搭建基于隧洞BIM模型的虚拟演练平台，从而模拟不同流速、浊度和光照等环境下ROV水下作业状况。虚拟演练平台如图 4所示，其中图 4a为虚拟演练平台技术路径，图 4b为虚拟演练平台界面展示。

图 4 虚拟演练平台

图选项

在水下检测过程中，虚拟演练平台实时抓取实际ROV的各项运动参数和检测成果，可视化反馈ROV的运动姿态、空间位置和运动轨迹等信息，实现ROV水下作业实时监控，并为巡检航向、姿态、路径调整与避碰和缺陷预警等提供辅助支持。作业前利用该平台离线模式对作业环境及机器人运动状态进行三维可视化仿真模拟，沉浸式体验水下作业过程与环境特征，优化检测路径，及时发现潜在的作业风险，提升操作员的熟练度和检测效率。
3.3 大断面结构快速检测水下声学检测效率高、范围大，但检测精度受限于声呐工作频率和扫描范围。二维图像声呐技术较为成熟，但所获得的平面图像与实际结构相差较大，存在易失真和辨识度较低的问题，且无法反映隧洞整体情况，故二维图像声呐一般作为前视声呐用于ROV实时避障，同时辅助细部结构的检测^[9]。三维成像声呐检测速度快、精度高、点云密集，如BV-5 000工作频率1.35 MHz、量程分辨率15 mm、扫描方式为固定测站式扇形区域扫描，其通过测站旋转、点云拼接，然后以计算机技术合成三维图像，但成像速度较慢、检测效率较低。水下光学摄像检测视宽不足1.0 m，无法实现大断面结构快速检测，但抵近检测成果直观、清晰。
本文研制了隧洞专用Blueview-T2 250三维实时扫描声呐，该声呐采用9个声呐面阵元，各阵元通过错位角进行组合，利用不同声呐频段抗干扰技术，以2.25 MHz的频率对隧洞进行360°移动式连续扫描检测，结合惯导定位系统的位置参数，实时生成隧洞结构三维点云模型。最大波束2 100束，扫测优选量程为1.0~8.0 m，量程分辨率6 mm，而实际隧洞半径约6.0 m，处于最优量程范围内，可实现快速粗检。通过三维声呐数据解译，分析不同角度视图、纵横剖面，在初步确定缺陷分布范围后，操控ROV快速抵近，利用视频摄像、激光测量等进行详查，实现缺陷精确定性与定量分析，检测精度达毫米级。本文结合声呐、光学检测优势，对大断面结构进行快速粗检细查，提高了检测精度和效率。
3.4 缺陷智能识别分析与管理对于传统的缺陷信息图像，人工判读存在漏检、误检率高、效率低的问题，而以深度卷积神经网络为代表的自动提取技术在混凝土缺陷识别方面又大多存在识别种类单一、识别能力不足、推理时间长等缺点。因此，文[15]提出一种基于动态特征蒸馏的缺陷识别技术，在传统知识蒸馏结构的基础上，采用深度曲线估计模块、动态卷积模块和动态特征蒸馏损失3种方法改善低照度图像质量、提升特征提取能力和缩短模型推理时间，形成基于动态特征蒸馏的识别网络，可有效识别破损、露筋、裂缝等常见缺陷，典型缺陷智能识别结果如图 5所示。该识别技术对常见缺陷的识别率达96.15%，推理时间仅为ResNet-50(网络深度为50层的residual network)等主流图形识别技术的1/6，提高了缺陷图像智能化识别水平。

图 5 典型缺陷智能识别结果示意图

图选项

当前水下检测声呐、光学摄像和激光测距等具有数据量大、数据类型多等特点，缺乏智能化时空关联分析手段。本文针对上述问题提出了检测信息与三维数字模型联合分析方法，先通过三维声呐全面扫描结构表面，形成三维数字化点云数据，再从点云数据和BIM模型选取特征点坐标，采用最小二乘方法获得转换参数，从而获得BIM模型与三维点云间的最优变换矩阵，最终实现三维点云与BIM数据的精确配准。
在点云配准的基础上，对点云与BIM模型的偏差进行分析，形成偏差模型色谱图，该图可直观展示实测点云与设计BIM模型的差异区域，并可通过横、纵剖面提取相关信息，定量分析缺陷变化趋势。水下摄像、二维图像声呐等检测信息，通过位置坐标逐一标定至BIM模型。多源检测信息自动按时序融合于BIM模型，便于历史缺陷信息管理与快速研判。点云与BIM模型的偏差值计算如下:

$\left|\overline{m m^{\prime}}\right|=\sqrt{\left(x_m-x_{m^{\prime}}\right)^2+\left(y_m-y_{m^{\prime}}\right)^2+\left(z_m-z_{m^{\prime}}\right)^2} .$

(1)

其中: m为BIM模型中的任意一点，m′为点云中与BIM模型中点m对应的点；$\left|\overline{m m^{\prime}}\right|$为点云到BIM模型表面的偏差值，(x_m, y_m, z_m)和(x_m′, y_m′, z_m′)为BIM模型与点云中对应点的坐标。
本文开发了多源检测信息集成的缺陷智能识别分析与管理平台，该平台可对多次、多源数据进行判读、平面展开、纵横切面对比智能分析和三维可视化浏览审阅，从而实现多次数据迭代、信息溯源管理。
4 高山峡谷区半开放水域水下检测技术4.1 无人测量船水电站半开放水域水下检测通常以水面测量船为载体，搭载多波束测深系统、侧扫声呐等进行水下检测。与水面载人船相比，无人测量船控制灵活，可适应复杂流态水域，作业人员安全风险低。通过综合比较，本文采用控制精度高、抗流能力强、低噪声的L25c-700智能无人测量船，尺寸7.5 m ×2.8 m，空载质量2.4 t，最高航速15 kn；具有遥控操控、半自主和全自主3种操作方式，通信短时间断开后无人测量船原地停留，通信长时间断开后无人测量船可自动返回预设点，从而实现应急自救。
受无人测量船结构特征及成本制约，实用型无人船难以满足特别复杂流态区的需求，此时需利用电站机组检修或调整机组出力等运行调控手段，有效控制作业区域水流流量、流速和流态，为水下检测创造安全有利的作业条件。
4.2 水下定位相比于开放的海洋，高山峡谷区水库、水垫塘等水域面积小，GNSS信号易受山体、大坝结构等遮挡，难以满足定位精度要求。故本文引入实时动态载波相位差分技术(real-time kinematic，RTK)，RTK·GNSS可克服通视条件差等问题，RTK基准站布设在岸边开阔地带，流动站布置在测量船上，基准站与流动站数据在系统内组成差分观测值并实时处理，从而获得高精度定位信息；对于临近大坝结构等无GNSS信号的区域，利用惯导和水声定位信息进行校准，水平定位精度优于±8 mm+1 ppm，垂直定位精度优于±15 mm+1 ppm。
4.3 多波束联合ROV检测多波束测深系统检测效率高、点云密度大，可快速识别水下地形起伏变化情况，但无法直观判读水底对象的详细属性、状态等，ROV抵近详查及量测可弥补此种不足。鉴于此，本文提出了多波束联合ROV进行水下检测技术方案，如图 6所示。针对水下结构缺陷检测时，首先通过多波束进行大范围快速扫描检测，初步判断缺陷的空间分布；其次利用ROV携带高精度图像声呐、水下摄像机和激光测距仪抵近详细探查、量测；最后通过粗检细查信息的综合分析，精确判读缺陷的分布、类型和尺寸等信息。

图 6 半开放水域水下智能检测技术方案

图选项

5 水下智能巡检应用实践针对雅砻江流域梯级电站复杂水工隧洞封闭水域和高山峡谷区半开放水域特点，本文率先组织开展了水下机器人智能巡检技术研究，为电站安全运维提供了丰富可靠的巡检资料。
5.1 典型应用案例1) 锦屏二级大直径长距离引水隧洞水下检测。
锦屏二级水电站引水隧洞放空检查均在枯水期进行，仅排水、充水过程就需耗时2周，单条隧洞的储水量约180×10⁴ m³，发电效益损失巨大，而且充、排水过程不利于隧洞结构的安全稳定，排水后的隧洞环境阴暗潮湿，人工巡查安全风险大。根据工程特点，隧洞运行期重点关注部位主要为引15+200.0 m附近地质条件复杂洞段衬砌变形、引15+700.0 m附近集渣坑淤积状况，以及底板磨蚀情况。采用定制研发的ROV从引16+673.0 m处调压井中直径2.1 m的阻抗孔进入隧洞，利用声呐和摄像进行全面检查，单次检测距离2.30 km、检测时间一般为2 d，能够覆盖隧洞重点关注部位，对隧洞整体安全评估具有重要的参考价值。
本文采用“声学+光学”的方式进行粗检细查。在某次检测中，隧洞底板缺陷三维成像声呐检测如图 7所示，三维成像声呐在1号引水隧洞引(1) 15+200.0 m附近右侧底板发现疑似缺陷区域，尺寸约4.0 m×8.0 m(见图 7)，随即抵近摄像，查明该区域为混凝土保护层破损、局部钢筋网出露。2号引水隧洞集渣坑淤积检测三维成像声呐与视频摄像对比如图 8所示。水下摄像发现，部分集渣坑已淤满，淤积物主要为表面光滑的卵石(最大粒径约10 cm)；三维成像声呐点云数据解析得出，2#-3室淤积厚度0.4~1.6 m，其余集渣室基本淤满(见图 8)，此部分数据实现了集渣坑淤积程度定量分析和淤积物性态判断，为物料来源分析及清淤时机决策提供了依据。典型建筑物二维图像声呐与光学量测摄像对比如图 9所示。利用避碰声呐、二维图像声呐、激光尺等对门槽形态、淤积等情况进行了详细检查，门槽结构完整、平顺(见图 9)。通过4条引水隧洞多次水下检查发现，70%以上的缺陷为底板磨蚀、不平整，个别部位局部破损、钢筋出露，边墙和顶拱除个别渗水点外无明显异常。隧洞放空后对水下检查的缺陷位置、尺寸和类型等进行复核，匹配一致性较好。

图 7 隧洞底板缺陷三维成像声呐检测

图选项

图 8 集渣坑淤积检测三维成像声呐与视频摄像对比(单位：m)

图选项

图 9 典型建筑物二维图像声呐、光学量测摄像对比

图选项

2) 复杂流态尾水过流面水下检测。
桐子林电站尾水渠常年处于流速高、流态紊乱的状态，且无排干检查条件。2022年4月，利用桐子林电站1#和3#机组检修、2#和4#机组总负荷23×10⁴ kW的有利窗口，通过电站机组运行调控，在保持2#、4#机组总负荷不变的情况下，交错调整2#、4#机组的出力，将对应机组作业区流速由5 m/s降低至2 m/s，采用智能无人测量船搭载多波束声呐系统获取了该区域约3×10⁴ m²的水下地形点云模型，并与设计资料建立了高程信息对比模型。尾水过流面水下地形点云模型如图 10所示，多波束实测结果与设计地形的差值模型如图 11所示。结果表明: 水下结构完整、平顺、无明显缺陷，但在海拔(elevation，EL)980.0 m高程存在约10 cm的淤积、4#机组右侧厂闸导墙墙角处存在约10 cm的淘刷，总体不影响正常运行。

图 10 尾水过流面水下地形点云模型

图选项

图 11 多波束实测结果与设计地形的差值模型

图选项

3) 大流量泄洪消能设施缺陷检测。
某电站大坝河床4孔泄洪闸与右岸明渠3孔泄洪闸之间由导墙分隔，建基面岩性为弱风化Ⅳ类混合岩，泄洪闸最大下泄流量23 600 m³/s，水力学条件复杂，导墙桩号170.0 m附近有一条与导墙斜交40 °夹角的F₁断层穿过，断层及其影响带主要由碎裂岩、碳质页岩和断层泥组成，抗冲刷能力差。导墙基础完整稳定性需定期评估，干地检测需单独建设围堰，成本高、难度大。自2015年投运以来，采用多波束联合ROV进行水下检测，某次检查发现左导墙(左导)0+145.0 m~0+153.0 m段自然河床基础存在反淘蚀带，横河向(即向导墙内部方向)淘刷深度2.1 m、垂直向淘刷高度0.6 m，多波束点云断面如图 12a所示；随即利用ROV携带声呐、摄像仪器进行抵近详查，淘刷规模二维图像声呐复查结果如图 12b所示，淘刷区视频摄像详查结果如图 12c所示。由图 12b和12c可知，该部位存在的反淘蚀带顺河向长约7.8 m，垂直向高约0.6 m，摄像复核淘刷规模一致。水下检测成果丰富、直观，为导墙结构安全评价及修补措施提供了科学依据。

图 12 导墙0+145.0 m~0+153.0 m段基础淘刷区检查

图选项

5.2 应用成效雅砻江流域电站自2015年进行水下机器人智能检测技术研究与实践以来，在行业内首次利用ROV完成了200.0 m级高水头、3个垂直弯段、直径9.0 m的二滩电站压力管道水下检测，并成功检测了垂直落差达250.0 m的锦屏二级水电站压力管道，完成锦屏二级水电站4条引水隧洞首末两端2.00 km范围水下检测共计12次，单次最大检测距离达2.30 km，避免了频繁放空隧洞带来的成本、效益和安全等方面的不利影响。
通过智能无人测量船结合电站发电出力运行调控，顺利完成了流速大、流态复杂的桐子林电站发电尾水渠水下智能检测，实现了桐子林电站投运6年以来的首次检测。多波束与ROV联合检测在水垫塘/消力池、泄洪闸和护坦等泄洪消能建筑物，以及库区、下游河道等区域检测效率高、数据丰富，解决了无排干条件水域的安全检测难题，避免了水垫塘等区域非必需的抽干检查，降低了水工建筑物运维成本和作业风险。
雅砻江流域运行电站多元复杂场景水下智能巡检实践情况如表 1所示，积累了丰富的经验:
表 1 雅砻江流域运行电站多元复杂场景水下智能巡检实践情况

电站名称	应用区域	检查方式
二滩(3 300 MW)	压力管道(2015)/尾水洞/尾调室/底孔闸门	ROV
	水垫塘/下游岸坡	多波束和ROV
官地(2 400 MW)	水垫塘/下游岸坡	多波束和ROV
锦屏一级(3 600 MW)	水垫塘/下游河道/近坝库岸	多波束和ROV
锦屏二级(4 800 MW)	引水隧洞(2018)/压力管道(2020)/进水口、护坦、海漫	ROV
		多波束和ROV
桐子林(600 MW)	护坦/海漫/导墙(2016)	多波束和ROV
	发电尾水渠(2022)	无人船和多波束
两河口(3 000 MW)	引水系统(2022)	ROV

表选项






1) 结合电站机组检修及运行调度合理安排，主动创造有利的水下作业环境条件。
2) 根据应用水域场景环境及边界条件特点，进行充分技术调研，设计针对性的检测装备和巡检方案，声学普查结合光学详查仍是当前最有效的检查方式。
3) 集成创新多源传感器组合技术，单一的导航、检测、定位和控制等方式难以满足现实需求，充分利用各手段的互补优势进行组合集成应用，实现更加精确的检测效果。
4) 注重BIM、VR、人工智能、大数据等技术的创新应用，着力解决机器人巡检作业状态实时监控和安全可靠问题，强化检查成果数字化呈现和缺陷智能分析与管理。
6 结论根据雅砻江流域梯级电站水下建筑物运维需求和水域场景特点，本文通过水下智能检测系统集成研发，超远程供电与通信、水下导航与定位、机器人巡检过程实时监控、大断面结构快速检测及多源数据智能识别分析管理等技术研究，形成了多元应用场景水下智能巡检系统解决方案，并取得良好的应用成效。在行业内率先完成了深埋大直径引水隧洞2.30 km、250.0 m垂直落差压力管道等结构的水下机器人检测实践，并实现了常态化生产应用；提出了多波束联合水下机器人、无人测量船与电站运行调控相结合的复杂流态水域水下检测方案，在雅砻江流域6座运行电站库区、水垫塘、尾水渠和下游河道等区域进行了成功应用，为工程运维提供了技术支撑。
超长距离水工隧洞水下智能巡检需求及挑战巨大。当前，引水隧洞水下机器人系统综合集成检测已取得2.00 km级常态化生产应用实践，但受限于检测成本、装备适应性与可靠性等经济和技术因素，更长距离隧洞水下机器人远程抵达与回收、安全协同控制、表观与内部精细检测、水下无人修补等技术和装备亟待突破。

参考文献

[1]	中华人民共和国水利部. 2020年全国水利发展统计公报[M]. 北京: 中国水利水电出版社, 2021. Ministry of Water Resources, People's Republic of China. 2020 statistic bulletin on China water activities[M]. Beijing: China Water Resources and Hydropower Press, 2021. (in Chinese)
[2]	来记桃, 聂强, 李乾德, 等. 水下检测技术在雅砻江流域电站运维中的应用[J]. 水电能源科学, 2021, 39(11): 207-210, 144. LAI J T, NIE Q, LI Q D, et al. Application of underwater unmanned detection technology in operation and maintenance of hydropower stations in Yalong River basin[J]. Water Resources and Power, 2021, 39(11): 207-210, 144. (in Chinese)
[3]	CLARKE R. Inspection of the tunnel at the Kemano project[J]. American Scientist, 2013, 32(2): 42-44.
[4]	KALWA J. SeaCat AUV inspects water supply tunnel[J]. Sea Technology, 2012, 53(8): 43-44.
[5]	王秘学, 谭界雄, 田金章, 等. 以ROV为载体的水库大坝水下检测系统选型研究[J]. 人民长江, 2015, 46(22): 95-98, 102. WANG M X, TAN J X, TIAN J Z, et al. Study on selection of underwater detection equipment of reservoirs and dams using ROV as carrier[J]. Yangtze River, 2015, 46(22): 95-98, 102. DOI:10.16232/j.cnki.1001-4179.2015.22.022 (in Chinese)
[6]	王祥, 宋子龙. ROV水下探测系统在水利工程中的应用初探[J]. 人民长江, 2016, 47(2): 101-105. WANG X, SONG Z L. Preliminary analysis on application of ROV underwater detect system in water conservancy project[J]. Yangtze River, 2016, 47(2): 101-105. DOI:10.16232/j.cnki.1001-4179.2016.02.023 (in Chinese)
[7]	李永龙, 王皓冉, 张华. 水下机器人在水利水电工程检测中的应用现状及发展趋势[J]. 中国水利水电科学研究院学报, 2018, 16(6): 586-590. LI Y L, WANG H R, ZHANG H. Application status and development trend of underwater robot in water and hydropower engineering detection[J]. Journal of China Institute of Water Resources and Hydropower Research, 2018, 16(6): 586-590. DOI:10.13244/j.cnki.jiwhr.2018.06.010 (in Chinese)
[8]	张柏楠, 韩勃, 李宁博, 等. 长距离水工隧洞运营期无人检测技术及病害识别方法研究进展[J]. 应用基础与工程科学学报, 2021, 29(5): 1245-1264. ZHANG B N, HANG B, LI N B, et al. Research progress on unmanned inspection technology and disease identification method of long-distance hydraulic tunnels in operation period[J]. Journal of Basic Science and Engineering, 2021, 29(5): 1245-1264. DOI:10.16058/j.issn.1005-0930.2021.05.013 (in Chinese)
[9]	黄泽孝, 孙红亮. ROV在深埋长隧洞水下检查中的应用[J]. 长江科学院院报, 2019, 36(7): 170-174. HUANG Z X, SUN H L. An application of remotely operated vehicle to underwater inspection of deep-buried long tunnel[J]. Journal of Yangtze River Scientific Research Institute, 2019, 36(7): 170-174. (in Chinese)
[10]	WANG H R, WANG S, FENG C C, et al. Diversion tunnel defects inspection and identification using an automated robotic system [C]// 2019 Chinese Automation Congress. Hangzhou, China: IEEE, 2019: 5863-5868.
[11]	冯永祥, 来记桃. 高水头多弯段压力管道水下检查技术研究与应用[J]. 人民长江, 2017, 48(14): 82-85. FENG Y X, LAI J T. Research and application of underwater inspection technology for pressure pipeline with multi-bend segment in high-head hydropower station[J]. Yangtze River, 2017, 48(14): 82-85. (in Chinese)
[12]	来记桃. 大直径长引水隧洞水下全覆盖无人检测技术研究[J]. 人民长江, 2020, 51(5): 228-232. LAI J T. Research and application of underwater full coverage unmanned detection technology for large diameter and long diversion tunnel[J]. Yangtze River, 2020, 51(5): 228-232. DOI:10.16232/j.cnki.1001-4179.2020.05.038 (in Chinese)
[13]	赵俊波, 葛锡云, 冯雪磊, 等. 水下SINS/DVL组合导航技术综述[J]. 水下无人系统学报, 2018, 26(1): 2-9. ZHAO J B, GE X Y, FENG X L, et al. A review of underwater SINS/DVL integrated navigation technology[J]. Journal of Unmanned Undersea Systems, 2018, 26(1): 2-9. (in Chinese)
[14]	XU X S, LI P J, LIU J J. A fault-tolerant filtering algorithm for SINS/DVL/MCP integrated navigation system[J]. Mathematical Problems in Engineering, 2015, 2015: 581909.
[15]	黄继爽, 张华, 李永龙, 等. 基于动态特征蒸馏的水工隧洞缺陷识别方法[J]. 计算机应用, 2021, 41(8): 2358-2365. HUANG J S, ZHANG H, LI Y L, et al. Hydraulic tunnel defect recognition method based on dynamic feature distillation[J]. Journal of Computer Applications, 2021, 41(8): 2358-2365. (in Chinese)