基于多元感知及數據融合技術的隧道安全監測與預警系統研究

李玉環，李宇江，胡翠云

（廣東飛達交通工程有限公司，廣東 廣州 510663）

0 引 言

根據國家統計年鑒及交通部的信息發布顯示，到2021年底，我國高速公路隧道長度達到1.5 千米，廣東省高速公路隧道達到1 000 公里。自2018年以來，交通部、交通運輸廳等管理部門陸續出臺7 項關于隧道安全、隧道設備數字化、隧道信息化管理的相關政策。與一般公路路段相比，隧道在空間結構、光線、通風、溫度、通信等方面有其特殊性，所以保證隧道內設施設備、車流車速、環境因素正常是保證隧道安全通行的關鍵要素。傳統隧道監測存在感知設備單一、多個系統獨立、異常事件無法及時感知、應急處置無法互聯互通等問題，在交通強國、智慧交通、隧道數字化及信息化管理的政策及行業背景下，開展基于多源感知及數據融合技術的隧道安全檢測與預警系統研究。

1 設計思路

本研究在國家政策及行業需求的背景下立項，從隧道安全通行的智能化管理入手，對隧道的環境狀態、設施設備運營、車行路況、突發事件等進行多元感知，獲取環境數據、設施數據、設備數據、行車數據、事件數據，利用大數據技術將數據進行預處理、檢測、融合，利用算法對多源數據進行融合、推理、態勢預測。

2 系統架構

按照數據傳輸及控制邏輯，高速公路隧道安全監測與預警系統從下到上分為數據采集層、數據傳輸層、數據處理層、數據應用層、展示層。所有網絡和設備均需進行網絡安全管理。構成一個多元傳感器獲取數據、多源數據融合的功能架構，其數據和管理業務互相交叉共享，形成一個集視頻調看、報警聯動、設備巡檢、風險預警、事后回溯跟蹤于一體的平臺系統。系統架構圖如圖1 所示。

圖1 系統架構圖

3 多元感知數據來源及傳感器管理

3.1 數據來源及類型

隧道內感知設備種類繁多，決定隧道內是否安全的要素，除了設施數據、設備數據、環境數據，還包含了動態的行車數據、事件數據等等，如果隧道內發生交通事故、火災、危化品泄漏等事件，需要對隧道進行可視化監控，同時隧道內的感知設備能迅速識別并報警。所以保證隧道內所有設備的可用、可測、可控、可視對于隧道安全管理至關重要，隧道內數據包含靜態數據，也包含了實時動態數據，設備設施的基本信息為靜態數據，設備狀態、車流、車速、事件等屬于動態數據。從數據結構上來分設備數據、環境數據等屬于結構化數據，視頻數據屬于非結構數據。

3.2 多元傳感器管理

高速公路隧道內的感知設備包括環境設備、交通設備、照明設備、消防設備、監控設備、通風設備、標志設備、火災探測報警設備等。多元感知設備類型及名稱如表1 所示。

表1 多元感知設備列表

隧道內傳感設備種類繁多，每個傳感設備獲取的數據都是獨立的，為了使多傳感器的數據能夠有效融合，需要對多傳感器在接口、操作方方法、使用環境、邏輯算法等方面進行約束[1]。所以傳感器管理顯得十分重要，隧道傳感器管理是指在隧道環境的約束下，根據隧道安全管理和運營管理的具體要求任務以及最優原則，科學合理地協調、分配動態環境中有限的傳感器資料，使隧道監測與預警系統能高效完成目標檢測、數據采集與融合，充分發揮多元感知及數據融合的功能與性能，取得最優化結果[2]。

3.3 數據融合中的傳感器管理

在隧道監測和預警系統中，傳感器管理與數據融合是相輔相成的，傳感器管理是數據融合的重要組成部份，傳感器管理是為了更好地服務數據融合，而數據融合的結果又可以反饋給傳感器作為管理依據。本研究采用的是美國國防部聯合指揮工作組提出的傳感器管理及數據整合的4 級閉環模型。4 級傳感器反饋控制的閉環數據融合模型如圖2 所示。

圖2 傳感器反饋控制的閉環數據融合模型

在這個模型中，分別由隧道環境、傳感器子系統、數據整合子系統、傳感器管理子系統、決策支持子系統組成，而決策支持子系統由態勢估計及威脅估計兩部分組成。傳感器子系統通過隧道內的環境、溫度、視頻、消防等傳感器獲得隧道內靜態及動態數據，將數據傳輸到數據融合子系統進行數據的處理及融合，數據融合的數據結果傳遞到傳感器子系統，傳感器子系統通過決策支持子系統的態勢估計及威脅模型進行數據對比，將結果反饋到傳感器子系統，對多元傳感器進行有效的監測及預警，這樣就形成了隧道多元感知的4 級閉環系統。

4 多源數據融合模型研究

國內外多源數據融合的方法很多，主流的有Bayes 方法（英國數學家Thomas Bayes 創立，主要是將歸納推理法用于概率）、Monte Carlo 理論（隨機模擬方法，由美國物理學家提出）、Dempster-Shafer 證據理論（由Dempster 提出，由Shafer 完善，所以又稱為D-S 理論），本研究主要根據隧道實際數據應用D-S 理論來研究數據融合。Dempster-Shafer證據理論的基本策略就是將傳感器采集的數據進分成兩個或以上的相互獨立的子集，對子集數據結果進行獨立判斷，然后利用Dempster 將子集數據結果進行數據組合[3]。

4.1 隧道安全狀態的評估與預測流程

隧道安全要素是由隧道內的環境、設備、設施、動態行駛車輛等因素決定的，主要方法是首先通過判斷單個設備設施或行駛中的車輛狀況產生的結果，再通過單個要素安全狀況判斷整個隧道安全狀況。隧道安全狀態評估與預測整體流程圖如圖3 所示。

圖3 隧道安全評估與預測流程圖

在這個流程中，通過隧道內的各種感知設備獲取隧道內靜態及動態的實時數據，由于感知設備種內繁多、數據量大，產生大量的冗余數據，所以首先要先對數據進行篩選，篩選后的數據通過單傳感器評估模型得到評估結果，通過數據融合模型、安全預測模型，最后得到整體隧道安全的預測結果，根據預測結果判斷是否啟動緊急預案。

4.2 Dempster-Shafer 數據融合模型

對于大部分的感知設備監測采用了多種指標的參數，目的是能夠多方面監測設備，使得預測的結果更加準確[4]。但是對于多個指標數據，單獨使用可能提現不了該數據的價值。因此，需建立一套多源數據融合模型以判斷單個感知設備的健康狀況。本研究擬使用D-S（Dempster-Shafer）證據推理方法，對多個指標參數進行融合判斷，并輸出一個結果。D-S證據理論的組合規則如公式1 所示。

其中，

其中K為歸一化因子。

其方法步驟如下：

（1）數據融合，把監測到單個設備的多種數據通過特定函數進行目標合成，輸出一個總的結果。

（2）推斷，對上述輸出的數據進行推斷，推斷出來的結果與設備狀況相關。

輸出結果的數值通過公式換算是的范圍在0 ～100，其結果區間含義如下：

10 ～60：不合格，表示傳感設備出現故障；

61 ～80：合格，表示傳感設備有存在故障的可能性或者風險；

81 ～100：優良，表示當前傳感設備運行狀況良好，發生故障的可能性比較低。

5 隧道安全預測模型

通過對隧道內各單獨傳感設備運行狀況的判斷，可得到大量的設備運行狀況數據，為了充分利用數據的價值，本研究擬使用人工智能技術對多元傳感器采集的大量數據進行訓練預測，獲得各設備健康狀況對整個隧道安全系統影響的權重值，建立隧道安全模型對整個隧道系統的安全狀況進行預測，預測的結果同樣公式換算成區間在0 ～100 數值，其數值區間含義如下：

（1）0 ～60：不合格，表示隧道安全系統出現故障；

（2）61 ～80：合格，表示隧道安全系統存在故障的可能性或者風險；

（3）81 ～100：優良，表示當前隧道安全系統運行狀況良好，發生故障的可能性比較低。

將大量獨立傳感設備健康狀況的結果數據輸入到卷積神經網絡中，如公式（2）所示，對數據進行學習，訓練預測模型，并通過卷積神經網絡的反向傳播的特點，不斷完善模型的準確度。

在卷積神經網絡中，高層的特征信息比較抽象，在模型分類中起到重要的作用。但是，卷積神經網絡的一個特點不僅僅是能夠提取高層特征信息，還能提取底層，中層的特征信息[5]。因此，為了充分利用不同層次的特征信息，本研究將結合殘差網絡思想設計一種能提取多層次特征卷積神經網絡模型，神經網絡結構圖如圖4 所示。

圖4 神經網絡結構圖

通過對模型持續訓練，最終獲得一個最佳的預測模型，對輸入數據可通過模型進行隧道安全狀態進行監測，從模型訓練的流程如圖5 所示。

圖5 模型訓練流程

如圖5 所示，獲取單個消防設備的健康狀態數據，將數據輸入模型網絡之前，需要設置參數，例如學習率，batch_size 等參數，輸入數據訓練后若模型收斂則訓練結束，獲得預測模型，并與之前訓練得到的模型進行比較，通過不斷調整訓練參數獲得最優參數權重值，以得到最佳預測模型。

6 案例應用成效

本研究是根據高速公路隧道安全管理的實際業務需求開展的，具體落地場景為廣東省紫惠高速的好義隧道，紫惠高速起點位于河源市紫金縣南部，與汕湛高速公路相接，連接河源、惠州兩市。好義隧道單洞長1 700 多米，共有攝像機23 套、雷視一體機12 套、火災探測器28 套、車道指示器36 套、交通燈2 套、風機27 套、卷簾門4 套、風速風向儀2 套、CO/VI 檢測儀2 套、光強檢測儀4 套、高位水池液位探測儀2 套、水泵4 套、消防柜117 套、水浸檢測器2 套、照明控制器2 套。好義隧道于2020年12月建成并投入使用。

在本研究中，以好義隧道所有感知設備采集到的數據作為原始數據，通過研究中建立的模型對數據進行融合，通過模型的反復訓練，判斷隧道內所有感知設備的健康狀況及對隧道安全進行預測，通過一年多的應用，取得了預期效果，大大提高了管理效率。

7 結 論

本研究從隧道多元感知設備的管理入手，通過傳感器反饋控制的閉環數據管理，對傳感感器采集到的數據進行處理，采用D-S 證據推理方法，建立數據整合模型及隧道安全預測模型，并將研究結果應用于實際案例中進行驗證，取得了預期的效果，為工程上實際的隧道安全管理提供參考。但研究結果僅限于實際的物理空間的隧道安全管理，數字孿生需要進一步研究。