四面山特長隧道風機智能控制系統的開發與設計

李 阿 蒙， 陳 小 銳

(中國水利水電第五工程局有限公司，四川 成都 610066)

1 概 述

重慶江習高速公路起于重慶江津，止于貴州習水，支線為四面山旅游景區專線，其中支線所屬的四面山特長隧道全長4 880 m，為雙向四車道分離式隧道，設計時速為80 km/h。因地形限制，四面山特長隧道采用雙向開挖掘進方式，最大單向掘進深度達2 880 m。施工過程中，其通風是極大的難題，隨著隧道的不斷掘進，“一風吹”的通風方式導致隧道內的通風效果越來越差；且隨著通風時間的增加，通風能耗增大。為解決這一問題，項目部技術人員對四面山特長隧道風機智能控制系統進行了開發與設計并予以應用。實踐證明：采用隧道風機智能控制系統，極大地提高了隧道的通風效果。

2 隧道風機智能控制系統的設計

2.1 基于RBF神經網絡隧道通風的基本思路

隧道施工通風的作用主要有三個：(1)為隧道內的工作人員供給足夠的新鮮空氣；(2)置換有毒有害氣體及爆破粉塵；(3)提供適宜的洞內施工環境。故隧道施工通風的風量應與隧道中的大氣環境、通風阻力等因素存在一定的內部聯系。例如，當隧道中大氣環境較好、有毒有害氣體均處于安全范圍時，隧道施工的風量僅需根據施工時最多的人數計算即可；而根據隧道通風難度最大時選擇的大功率風機，其前期提供的風量大大超出了隧道需求，浪費亦在此時產生；當有毒有害氣體不在規范要求的范圍內(如瓦斯濃度達到0.3%)時，此時的風量除了滿足施工人員需要外，還需要滿足稀釋瓦斯的需求，因此，此時的風量往往大于沒有瓦斯出現的情況，但其仍然達不到通風難度最大時的需風量，浪費仍然存在。然而，風機是否可以提供不同時段的需求風量？是否可以動態調整隧道軸流風機轉速，從而降低能耗？風量與有毒有害氣體濃度之間又存在什么樣的關系？而這些復雜的非線性關系無法采用傳統的數學方法建立連接。因此，借助神經網絡尋求它們之間的關系就成為一種選擇。

神經網絡是一種較為新型的數學建模方法，利用原記錄的數據可以找到輸入與輸出之間的各種關系[1]。而其隱射關系宛如一個“黑匣子 ”將輸入層 與輸出層連接起來。經過優化的網絡，任何滿足輸入層范圍的數據都可以通過“黑匣子”中的隱射關系計算出輸出值。影響其計算精確度的因素主要有兩點：(1)數據是否足夠多并具有代表性；(2)網絡的結構特點亦影響精度。因此，在選取網絡時必需十分注意。

RBF網絡可以逼近任意非線性函數，可以處理難以解析的規律并具有良好的泛化能力，學習收斂速度比較快。基于其具有的這些特點，可以采用RBF神經網絡模擬隧道施工通風運行頻率與隧道大氣環境以及隧道進尺之間的關系。

2.2 RBF神經網絡

1985年，Powen提出了一種多變量插值的徑向基函數(Radial Basis Function，RBF)方法，該方法為多層次前向型網絡的學習提供了一種有效而新穎的手段[2]。RBF神經網絡的結構與多層次前向型網絡類似，是一種三層次前向型神經網絡。

根據隱含層神經元數目上的不同，RBF 神經網絡的學習算法在總體上可以分為兩大類：(1)隱含層神經元數目逐漸增加，經過其不斷的循環和迭代，調整與修正其權值和閾值；(2)隱含層神經元數目的確定，權值和閾值由線性方程組接觸[3]。

2.3 RBF神經網絡的設計

神經網絡系由輸入、隱含和輸出層三部分組成，而確定相應層的數目對于網絡的構建較為重要。根據所進行的研究得知：在四面山特長隧道內部共布置有監控傳感器四類，即甲烷濃度傳感器、硫化氫濃度傳感器、一氧化碳傳感器和風速傳感器，因此，輸入層的節點數為4。對于輸出層來說，由于輸出層輸出的結果是風機的運行頻率，因此，輸出層的節點數為1。由于RBF神經網絡為非線性，故其初始值的選取很重要。初始值太大，加權后的輸入容易處于激活函數飽和區以內而導致網絡調節停頓。因此，最好使神經元的輸出值接近零，故權值的初始值常取-1與1之間的隨機數。

2.4 RBF神經網絡的訓練與仿真

在RBF神經網絡的結構已經確定的前提下，利用已獲得的數據對其進行訓練并待訓練結束后對剩余的樣本進行仿真，將剩余樣本的數據與仿真數據進行對比后，選取比對結果最好的一組作為最終訓練結果。

2.4.1 基礎頻率的確定

根據對隧道風流結構的研究以及對隧道中有毒有害氣體擴散特征的探究，在現場試驗時確定了當時隧道施工的大氣環境下所需要的最低頻率。初期，首先需要確定風機運行的基礎頻率。所謂基礎頻率是指隧道在施工環境良好的情況下仍需滿足的最小風量時對應的頻率。工程中一般根據軸流風機運行的曲線進行相關的參數運算，稱為風機的相似論。

隧道中的基本風量根據同時工作的最多人數計算：

Q=4N

式中Q為隧道的基本風量，m3/s;N為隧道施工時同時工作的人數，個。

首先計算所需的風量。當風機在不同的隧道進尺中提供相同的風量時，風機運行頻率的平方與隧道進尺成正比，因此，風機在不同隧道進尺時的基礎頻率可以計算。根據以上公式，記錄風機正常運轉的最小頻率，在該運行頻率下，其風量為滿足工作人員所需的最小風量。現場記錄的基礎頻率見表1，該記錄結果基本符合計算規律。由此可以計算出不同隧道進尺對應的基礎頻率。

所謂的數字簽名，也稱之為電子簽名，指的是指附加在發送文件中的一組特殊的符號，通過對原文本進行一系列的混合運算，可以被接受者驗證該文件是否被篡改或者偽造。

表1 基礎頻率表

2.4.2 運行頻率的確定

在基礎頻率確定后，還需要確定變頻器在不同環境下的輸出頻率。智能控制系統未使用時其通過模擬量VI值進行控制以改變變頻器的輸出頻率。模擬量VI值由輸出的電壓信號控制其變頻器的運行頻率，電壓的輸入信號0～10 V與變頻器的輸出頻率0～50 Hz對應，頻率可連續變化，電壓亦可連續變化。因此，試驗期間，變頻器運行頻率的改變均采用該方法。

在確定不同有毒有害氣體中的濃度情況下風機需要運行的最小頻率時，此次研究采用了以下方法：《鐵路瓦斯隧道技術規范》TB10120-2019要求：當隧道中的濃度在0.3%以下時，可以停止隧道通風且瓦斯最高允許濃度為0.5%。因此，所制定的甲烷濃度與運行頻率對應情況見表2。

表2 甲烷濃度與運行頻率對應表

《煤礦安全規程》2002年新版規定：隧道內硫化氫的最大濃度不能大于0.000 66%，即6.6 ppm。因此，所制定的硫化氫濃度與運行頻率的對應情況見表3。

表3 硫化氫濃度與運行頻率對應表

通常，在非高原地區，一氧化碳短時間接觸的最高濃度為 30 mg/m3，即24 ppm。同樣，在《煤礦安全規程》2002年新版中要求的一氧化碳的最大濃度為24 ppm[4]。所制定的一氧化碳濃度與運行頻率的對應情況見表4。

綜上所述，采用上述方法測得最小運行頻率并選取同一時刻所計算的最大值。例如，在同一時刻計算得到的甲烷頻率為32 Hz，一氧化碳頻率為35 Hz，硫化氫頻率為34 Hz，則選取最大值35 Hz 作為此刻的頻率。

表4 一氧化碳濃度與運行頻率對應表

試驗期間，四面山特長隧道(進口)向前掘進了178 m，歷時近 2個月，隧道穿過高瓦斯段和低斯段兩種瓦斯地質條件洞段，期間，硫化氫均未出現超限的情況。但是，由于隧道內作業機車尾氣排放的原因，一氧化碳出現過超限的情況。為保證結果的合理性并遵循所選取的數據盡可能地分布在較廣泛范圍內的原則，以及所選數據的量應盡可能的大的原則，從記錄的所有數據中選取了70 個具有代表性的監測數據作為樣本，同時，在樣本中人為加入了超限情況。超限數據錄入情況見表5。

表5 超限數據錄入表

利用上述70組數據和 6組超限數據，先后訓練數據用于BP神經網絡和 RBF神經網絡。

首先構建BP神經網絡，隨機選取上述76組數據中的68組對神經網絡進行訓練，訓練采用梯度下降動量法和自適應的梯度下降法。訓練結束后，將利用網絡計算的剩余8組數據的值與真實情況進行比對，BP網絡計算的預測值與真實值的對比情況見表6。

其次，從表6可以看出：擬合度達到了0.965 51，其最大誤差為11.28%,不符合預測要求。鑒于風機的運行頻率是由甲烷濃度、一氧化碳濃度、硫化氫濃度和風速4個變量共同決定的，因此，RBF神經網絡的輸入層和輸出層節點數為4和1。隱含層傳遞函數選擇高斯核函數，輸出層傳遞函數選擇線性函數，所用的樣本仍然是上述76個樣本、從中隨機選取68組進行訓練。訓練結束后，將剩余的8組數據用網絡計算的值與真實的值進行對比，RBF網絡計算預測值與真實值的對比情況見表7。

表6 BP網絡計算的預測值與真實值對比表

表7 RBF網絡計算預測值與真實值對比表

從表7可以看出：擬合度已經達到0.991 3，同時其最大的誤差也僅為6.41%，符合預測要求。值得注意的是：誤差的最大值是在50 Hz時出現，也就是說其是在有氣體超限的情況下產生的。

2.4.4 分析與討論

根據以上訓練結果可以得出以下結論：

(1)相較于BP神經網絡計算結果，利用RBF神經網絡計算出的結果更加實際，誤差更小、擬合度更高，因此，將最終的控制方法選用了RBF神經網絡的訓練結果；

(2)通過隨機對比結果可以看出：RBF神經網絡具有較高的擬合度，從而證明利用 RBF神經網絡尋找隧道大氣環境與風機運行參數之間的關系是可行的[5]，且其效果良好；

(3)從現場統計結果看，瓦斯、硫化氫的濃度始終處于相對較低的水平，而一氧化碳的濃度波動范圍較大，因此可以認為：瓦斯與硫化氫選取的關鍵點不夠，控制系統在計算分析瓦斯與硫化氫與運行頻率之間的關系時其準確率可能會有所降低；

(4)選取每個參數的極限值作為訓練參數是正確的選擇。因此，在最終設計控制程序時設計了一條高于所有計算法則的法則：一旦有任何一種氣體超限，可以不經過神經網絡的計算，直接控制變頻器以最高頻率運行；

(5)基礎頻率是隧道環境的最低保障，因此，對其進行設定時一定要慎重；

(6)如果風機的運行頻率頻繁改變，可能會降低風機的使用壽命，增加風機運行的故障率。因此，必須控制程序設計，將風機頻率的改變值控制在±3 Hz范圍內，以降低對風機的損害。

3 結 語

在數值模擬結果和現場試驗結果的指導下，通過利用RBF神經網絡的學習功能，設計出了一種能夠兼顧安全與節能的隧道施工通風自適應變頻控制系統，為隧道施工的通風提供了一種新的思路和方法。自適應變頻控制系統使風機的運行頻率可以根據隧道需求給予，從而克服了隧道風機在通電狀態下始終以一個狀態運行而造成電量浪費的問題，也解決了風機自適應能力低、無法根據隧道安全需求改變的不足。