數據融合PID 算法綜合管廊智能監控系統

魏立明，于 波，張譯心，董開泰

（吉林建筑大學電氣與計算機學院，吉林 長春 130118）

隨著我國地下綜合管廊信息化業務的不斷發展和推進, 綜合管廊基礎運行設施的維護和管理體系正在逐步建立和完善。傳統的綜合管廊運營設施維護和管理模式變得難以適應新型的環境[1-2]。因此面對地下綜合管廊快速建設和發展的市場趨勢,如何更安全、高效、經濟便利地開展運營和有效管理地下綜合管廊仍是亟待解決的問題。長期利用復雜的圖紙和各種智能卡片處理城市地下管線的數據,可能會帶來數據不完整、精度明顯降低、數據分散、預警延誤、處理延誤等一系列問題。因此,利用最新的綜合管廊信息數據處理技術, 構建基于城市地下綜合管廊的智能安全監控數據處理平臺, 對地下綜合管廊的數據進行實時和信息化的管理, 及時發現和有效處理各類安全事故,顯得十分必要和迫切。

1 系統總體方案

一套比較完善的地下通道的智能監控管理系統, 可以有效保證同時完成對各類大型專業地下通道工程管線的實時智能管理和監控[3]。因此,逐步形成了城市地下綜合管廊的分級智能控制、多級智能管理的工作模式, 并由此基礎上構建了城市綜合智能地下通道監控智能管理平臺的結構和總體監控系統結構,系統總體框圖見圖1。系統總體結構由3部分組成，分別是前端采集系統、下位機系統和上位機系統。前端采集系統主要采集城市地下綜合管線中各類狀態數據，并將其接入主控系統、網絡傳輸系統和數據中心。下位機系統可以對各類情景下的管廊內部的水泵、風機等設備進行實時控制，實現工作內部環境溫度、水位及CO，CH4，H2S 等監控對象的智能化控制。上位機系統主要具有各種監控變量的歷史曲線查閱、液位報警值監控等功能。

圖1 系統總體框圖

管廊監測系統的范圍包括有害氣體監測和含氧量監測[4]，機電設備運行狀態檢測和遠程控制,以及排水系統液位監測、環境溫濕度監測等環境變量的實時監測。①環境溫濕度控制[5]：實時采集并上傳管廊工作環境溫度數據，與最初設定的規定值進行對比，將所監測的實時數據進行數學模型處理后送到風機控制端，并利用風機實現控制作用；②環境液位控制：當降雨或積水使管廊的工作環境被淹沒時，可以向監控中心發出報警信號，與此同時自動開啟排水泵對管道中的積水實施排水措施；③有害氣體監測報警：由于CO，CH4，H2S 等氣體是對人體有害的氣體，本設計通過對這幾種氣體濃度進行實時監測，同時將這幾種氣體的濃度用PID 算法計算出來，以便采取相應的應急方案，保證人員的人身安全。

2 基于數據融合PID 算法的監測系統

在城市地下綜合管廊的智能監控系統中, 本論文提出了采用數據融合PID 算法進行智能控制,初步對城市地下管廊的工作環境監控時所需要的基礎數據進行收集，并且利用卡爾曼濾波算法對收集出來的數據進行最初的處理, 使用數目巨大的數據對模型進行訓練。圖2 為PID 算法的原理圖。

圖2 PID 算法原理圖

PID 算法的數學表達式如下：

相關傳遞函數是：

式中：Kp為比例系數；Ti為積分時間常數；Td為微分時間常數；U（s）為輸入量 u（t）的拉普拉斯變換；E（s）為輸入量e（t）的拉普拉斯變換。PID 算法仿真圖見圖3。

圖3 PID 算法仿真圖

當系統進入正常工作狀態，且外部環境發生變化或有較強的干擾時，要求對所有用到的參數進行復位操作。本文提出的控制算法，核心是利用卡爾曼濾算波法[6-7]整合現場所需要的數據，并通過BP神經網絡算法對PID 算法的控制參數進行優化，使監控系統的性能達到了預期的效果。城市地下管廊具有較好的動態調節能力和抗干擾能力[8-10]，算法流程見圖4。本文對所有數據進行規范化所運用的方法為一般平均歸一化法。

圖4 PID 算法流程圖

式（3）中，計算的輸入數據所用到的規范化的神經網絡數據記為x′，經處理后得到的BP 神經網絡的數據和輸入數據被記為x。當結果從網絡輸出時，需要對數據進行反向規范化，并將[0，1]的數據轉換成系統輸出值。并且其處理公式如下：

式（4）中，將神經網絡系統的最終數據輸出實際值設為y，將系統規范化的數據輸出值設為x′，將數據在經過系統規范化數據后的輸出過程中的最大數據值設為xmax，將系統最終的數據輸出中的最小數據值設為xmin。通常對數據進行逆歸一化的公式可以得出神經網絡的實際輸出值。

傳統的數字增量式PID 算法公式：

轉換思路是將公式（5）中的 KP，KI，KD作為系統的可調控制參數,將公式（5）轉換為：

本文采用H2S 和溫度作為典型的測量參數，并以非線性函數R=f（u1，u2，u3，u4）為代表。本文采用BP 神經網絡對非線性函數進行逼近 KP，KI，KD，并利用該算法對地下管廊的內部環境數據進行融合,輸出是下一個PID 算法的控制系數。

前向兩層的BP 神經網絡選擇隱層節點數的公式為:輸入層的神經元數設定為M，隱層的神經元數設定為q。通過公式可以得出結論，在本次設計中有9 個隱藏的層節點數。由此可得出：本文所講的激勵函數和隱含層的第一個隱含層定為前向雙曲正切的激勵函數，其激勵函數的計算公式如下：

隱藏層的輸出如下：

在上述表達式中，將Xj作為輸入層某一神經元J 的輸入，將隱層某一神經元I 的輸出設定為Xi，將Bi設定為隱層神經元I 的閾值，將輸入層神經元J與隱層神經元I 的連接權值設定為Wij。

將輸出層節點設置為線性激勵函數, 得到整個網絡的輸出如下：

式（9）中，Wki為隱層神經元 I 與輸出層神經元 K 的連接權值。

不斷地調整控制 KP，KI，KD參數，直到本系統控制要求達到卡爾曼算法的最優狀態。根據以上描述,將分為如下幾個步驟：①指定卡爾曼濾波算法的初始值 x（0|0）和協方差 P（0|0）。選擇并權衡 BP 神經網絡的慣性系數及其學習速率，將K 值設定為1，初始化加權系數Wij（0）和Wli；②通過卡爾曼整合取樣后，獲得r（k）和y（k）；③規范化和統一化；④將通過歸一化處理后的最終數據結果輸入BP 神經網絡模型進行計算，并將其最終結果當做數據融合的PID控制算法中能夠調節參數的數值；⑤收集數據融合的PID 控制算法的最終結果u（k）；⑥優化加權系數；⑦k=k+1，返回②。

通過對實驗結果的精確分析及查找相關的文獻證實實驗所得結果計算出參數KP=4.55，KI=0.15，KD=5.7，充分滿足此次仿真實驗的要求，并且得出了在MATLAB 中對本次算法的模型及算法的仿真效果圖，如圖5 所示。在BP 神經網絡部分，利用S 函數建立模型,如圖6 所示，在MATLAB 中建立了基于數據融合的PID 算法的模型并進行了仿真。

圖5 卡爾曼仿真效果圖

圖6 PID 算法模型圖

從圖7 中可以看出，系統的輸出響應具有明顯的滯后性，因此可以看出城市地下綜合管廊監控系統存在滯后性。從系統調整時間及曲線上升時間可以看出，本文研究的PID 算法比傳統意義上采用的PID 控制算法分別低22.2%和35.7%。從仿真曲線比較可以看出，基于數據融合的PID 算法與BP 神經網絡結合及卡爾曼濾波效果仿真曲線十分穩定。在保證穩定性的基礎上，本文算法能更好地減少系統所需的調節時間，能將穩態誤差基本降至0。

圖7 PID 算法仿真對比圖

3 系統測試

本監控系統下位機收集整理的現場數據通過上位機實時匯總，并通過圖表展現給檢測人員。當有報警事件發生時，該頁面能夠快速將各類歷史發生過的報警信息成功整理到一起。并且其整理的歷史報警信息十分詳細，通常包括報警信號的開始時間和報警種類，歷史報警界面見圖8。

圖8 報警界面圖

4 結論

本次設計控制工具采用PLC 進行分析，同時在控制算法上使用數據融合，結合PID 算法對綜合管廊中某些參數進行控制與優化處理。采用本文的算法研究方案在很大程度上降低了外界干擾程度。采用LABVIEW 軟件進行上位機設計，操作過程簡化，功能齊全，監控界面清晰，便于系統整體軟件的移植性和可操作性。