基于物聯網的隧道通風控制系統的研究與設計

苗榮霞，張 洋，李潔馨，王 幸

（西安工業大學電子信息工程學院，西安 710000）

1 引言

在隧道通風控制中，一氧化碳濃度和煙霧濃度是兩個主要監控對象。汽車行駛過程中排放的一氧化碳若不及時排出隧道，過高的濃度會使司乘人員頭暈惡心；同樣，汽車高速行駛卷起的塵埃若不及時排出隧道，也會影響駕駛人員的視線。二者皆會造成嚴重的行車隱患，嚴重威脅車內人員的人身安全。為實現安全駕駛，保障通行人員的健康，必須提供充分的隧道通風[1]。目前大多數隧道通風采用分檔控制、PID 控制和模糊控制。分檔控制根據各個時間段最大車流量通行產生的污染物濃度確定風機的開啟數量。由于隧道通行日夜不間斷，大多數風機持續滿負荷連續運轉，在造成電能的浪費的同時也會造成風機損耗，縮短使用年限。傳統PID 對風機變頻器進行控制，由于污染物濃度的變化有大慣性、非線性、強耦合性等特點，會導致輸出超調與振蕩。模糊控制可以解決隧道環境復雜、難以建立準確數學模型的問題，但也存在超調量大、調節時間長等問題[2]。針對現有方法的諸多問題，在此嘗試構建“互聯網+隧道通風”，對被控對象進行實時監測[3]。由于污染物的測量、數據的傳輸以及主控制器根據濃度做出決策與開啟風機都需要一定的時間，會導致控制的滯后性，故此提出LSTM 交通流預測算法，通過預測下一時間段的交通流量判斷污染物的未來趨勢，提前對風機進行開啟，并用模糊PID 智能控制算法對風機進行精確控制，以降低運營商的耗能成本。

2 公路隧道通風控制系統框架

隧道通風控制系統主要是通過傳感器測量隧道內的污染物濃度，將各個測量點的數據傳輸至主控制器。主控制器根據污染物濃度決策風機的開啟數量，同時通過PLC 云網關將數據上傳至云平臺。另一方面，通過以太網通訊與上位機觸摸屏連接，上位機可以作為現場設備對污染物的濃度進行直接監測，并能對風機的開啟狀態、風機的運行頻率以及被控變量的設定值做出實時更改。系統結構圖如圖1 所示。

圖1 隧道通風控制系統結構框圖

其中，感知層是整個控制系統的基礎層，主要包含數據監測模塊和執行機構兩部分。使用傳感器對隧道內的環境信息進行采集，由執行機構根據主控的決策對通風設備進行控制[4]。

網絡數據層是物理層和應用層的數據通道，實現兩者之間的數據傳輸和控制指令的傳達。目前可以采用的通訊方式主要包括LAN 網口、光纖通信、GPRS/4G 等。

本系統利用交換機將PLC 組成環網結構，將從機的數據采集至主機，將主機的網線連接至USRPLCNET210 網關的LAN 口，利用USR-PlcNet 軟件對網關進行參數設置、網關添加，實現PLC 的遠程調試以及程序的上載、下載。

應用層作為整個系統的控制中心，主要將隧道內采集的數據進行顯示與保存。本系統利用云平臺進行添加變量與組態設計。利用PLCNET210 將主站采集的數據上傳至云平臺，用戶可以直接登陸網站進行數據查看，各節點污染物濃度一目了然，也可查看歷史數據，如圖2 所示。研究人員可以根據歷史數據以及各節點數據的變化趨勢對控制策略進行優化。

圖2 數據查看界面

利用組態軟件對隧道進行簡單組態，將變量與各節點的傳感器進行關聯，如圖3 所示。組態可直觀顯示隧道各節點的污染物濃度和風機頻率，當某處傳感器或者風機出現故障時，該位置變量將會以閃爍的形式提醒運營商及時對故障進行處理，以免造成更大的損失。

圖3 云平臺組態操作界面

3 LSTM 預測算法

3.1 算法結構

LSTM（Long Short-Term Memory,長短期記憶）由記憶單元、遺忘門、輸入門和輸出門構成，算法結構圖如圖4 所示。其中，記憶單元是LSTM 的核心，用作長期記憶的傳送帶，用C 表示。輸出門的輸出值h 可當作當前時刻的短期記憶。因此LSTM 具有長短期記憶能力[5]。

圖4 LSTM 算法結構圖

在這一結構中，遺忘門的主要功能是接受上一時刻傳輸的長期記憶Ct-1，并且根據遺忘因子ft決定遺忘掉Ct-1中的無用信息[6]。遺忘因子的定義可如下式表述：

式中，σ 表示激活函數sigmoid；Wf表示遺忘門的權值矩陣；［Ht-1,Xt］表示兩向量的縱向連接操作；bf為遺忘門輸入的偏置項。

輸入門的任務是確定新輸入的信息中哪些被存放到當前時刻的Ct中，有下式：

式中it表示記憶因子；Wi和bi分別表示輸入門的權值和偏置；C～t表示新的候選值向量；Wc和bc分別表示記憶單元狀態的權值和偏置。

記憶單元狀態不是一成不變的，要根據每個時刻的輸入進行更新，目的是保證對長序列數據的充分學習，有下式：

輸出門的任務是根據當前的記憶單元狀態，控制當前時刻的所有信息中有多少可以作為輸出值，即計算當前時刻的短期記憶Ht，有下式：

式中：ot表示輸出門的輸出信息；Wo和bo分別表示輸出門的權值和偏置。Ht也代表了當前時刻LSTM層的隱藏狀態。

3.2 構建數據集

選取某路段一段時間的交通量，時間間隔為5分鐘。共有數據150 個，選取120 個作為訓練集，剩余30 個作為測試集。部分數據如表1 所示。

表1 部分訓練數據集

從中得出均方根誤差：

均方根誤差RMSE 表示預測值與真實值間的偏差，取值范圍為[0,+∞)，該值越小表示預測效果越好。在訓練過程中，對LSTM 模型的隱藏層級、隱藏層神經元數目、學習效率等參數進行尋優，同時觀測在不同參數設置下模型評價指標RMSE 的變動狀況，從而據此選取出使RMSE 取值變化最小的參數，即為最優設置參數。

LSTM 預測模型具體參數設置如表2 所示。根據表中各參數對預測模型做出調整，對數據進行訓練和測試，得到訓練集預測結果圖如圖5 所示。

表2 LSTM 預測模型參數表

圖5 LSTM 模型訓練集預測結果對比

如圖所示，預測值與真實值兩者曲線接近重合，預測效果良好。

對模型的訓練結果進行指標運算，得到RMSE值為0.85755；平均絕對誤差MAE 值為0.71434；平均絕對百分比誤差MAPE 值為0.2603%。從MAPE值來看，模型的誤差較小，預測精度較高，表現出了良好的訓練效果。

同樣對測試集進行訓練和測試，得出結果對比曲線如圖6 所示。

圖6 LSTM 模型測試集預測結果對比

由圖中曲線可見，測試集的擬合效果相對訓練集較差，真實值相對于預測值有一定的滯后性，但是整體效果良好。對模型的預測結果進行定量計算，得到RMSE 值為0.80354，表示預測結果誤差較小；MAE 為0.56302；MAPE 值為0.1802%。從MAPE 這個值上來看，相比于訓練集，測試集的預測精度更高，表現出良好的訓練效果。

3.3 污染物增量模型

在隧道入口處前放置車輛檢測儀，將通行車分為大型車和小型車，根據采集的數目依據上述模型分別預測下一時間段的大型車和小型車的車流量預測值。車流速度假設為隧道設計車速[7]。

該模型主要用于預測未來一段時間的污染物趨勢。根據LSTM 預測的大型車和小型車的數量求二者污染物排放量的總和。定義隧道總空間w 為：

式中，S 為隧道通風截面積；L 為隧道長度。

結合已得到的預測結果，一氧化碳增量為：

式中，Nz為大型車預測車輛數；qCO1為大型車隧道設計車速時的平均一氧化碳排放量；Nq為小型車預測車輛數；qCO2為小型車隧道設計車速時的平均一氧化碳排放量。

4 算法仿真研究

4.1 控制對象數學模型

當風機啟動時，隧道內的氣壓保持不變，將此過程看成滯后環節；當風機工作一段時間之后，隧道內的壓力逐漸穩定在設定值，將此環節看作一階慣性環節。壓力的數學模型為一階純滯后慣性環節[8-11]：

將隧道內一氧化碳濃度變化看作一階純滯后慣性環節，如下式：

式中，K1、K2為靜態增益；T1、T2為慣性常數；τ t1、τt2為滯后時間。在此，設置K1=3、K2=6；T1=2、T2=3；τt1=2、τt2=1。

綜上可得本系統中隧道內一氧化碳通風量控制對象的數學模型為：

根據實際情況，目標隧道采用縱向通風，可以對交通風和自然風充分利用[12]，節約能源。

4.2 基于模糊PID 控制算法及其仿真

由于隧道環境的特殊性，且多因素相互耦合，系統難以獲得精確的數學模型。模糊控制普遍用于復雜控制領域，用以解決無法建立精確數學模型的問題。傳統的PID 控制算法性能較好，但是難以適應干擾多、控制復雜的系統。在此利用自適應模糊PID控制算法，結合模糊控制規則和PID 控制，對PID參數不斷調整。算法結構如圖7 所示。

圖7 模糊PID 控制算法結構圖

自適應模糊PID 控制算法在原參量基礎上，由反饋偏差值和誤差變化率經過模糊控制器，輸出△KP、△KI、△KD，共同對PID 參數進行整定。為簡化模糊化過程，將濃度誤差E 和濃度誤差變化率EC分成NB、NM、NS、Z、PS、PM、PB 共7 個隸屬度等級，如圖8 所示。

圖8 輸入量隸屬度函數

其輸出△KP、△KI、△KD隸屬度也分為7 個等級，如圖9 所示。

圖9 輸出量隸屬度函數

根據隧道環境的變化，根據輸入誤差E 以及誤差變化率EC制定模糊控制規則，共計49 條。采用Mamdani 推理法進行模糊推理，采用重心法解模糊化。最終得到的控制規則如圖10 所示。

圖10 模糊PID 控制規則曲面視圖

模糊PID 是根據模糊規則對PID 參數進行不斷優化，以克服傳統PID 參數無法實時調節的缺陷。通過傳感器采集的污染物濃度，確定污染物濃度與設定值的誤差E 以及當前誤差和上次誤差的變化EC，根據模糊規則表進行推理。模糊控制器輸出的△KP、△KI、△KD與原PID 的參數共同對風機進行控制，以便及時排出污染物。控制規則如表3 所示。

表3 系統模糊規則表

4.3 仿真比較

隧道環境具有滯后性、強耦合性、時變性等特點。模糊控制不用創建精確的數學模型，且抗干擾能力強、容錯力高；PID 控制算法能快速適應隧道復雜環境。結合二者優點，對隧道一氧化碳調風量進行建模。分別用模糊控制、傳統PID 控制和自適應模糊PID 控制三種控制算法對隧道通風進行控制仿真。仿真結構如圖11 所示。

圖11 Simulink 仿真結構

給系統一個階躍函數，輸出值設為1，系統在三種不同控制方式下的響應曲線如圖12 所示。由圖中可知，模糊控制不僅響應慢，調節時間也長達21.37s，超調量高達21.9%，不適合單獨用于隧道通風系統。傳統PID 控制算法的響應時間、調節時間以及控制效果相對穩定，但其超調量超過10%。相比之下，自適應模糊PID 控制系統的最大超調量僅為4%，系統從初始狀態達到穩定狀態的超調量僅為6.71s。

圖12 三種控制算法階躍響應

為反映隧道環境復雜且易受外界影響的情況，在第50s 加入10%的干擾信號，加入干擾信號后各算法的階躍響應表現對比如圖13 所示。

圖13 加入10%干擾信號后階躍響應對比

由圖13 可見，模糊PID 控制效果最好，在2.13s內即可使系統再次達到穩態；傳統模糊控制的調節時間最長；PID 算法的調節時間適中，但其超調量在三者中最大，已達10.7%。三種智能算法的階躍響應情況對比如表4。由此可見，模糊PID 控制算法能夠有效緩解隧道通風耗能大的問題，并有助于避免模糊控制和傳統PID 控制超調量大、控制時間長，以及其他對隧道環境影響較大的問題[13]。

表4 三種控制算法階躍響應比較

5 結束語

研究圍繞隧道通風耗能問題進行，利用物聯網對隧道污染物濃度進行實時監測，提出基于LSTM交通流預測的模糊PID 控制算法。利用交通流預測算法對交通流進行預測，根據預測的車輛數目、車型等計算下一時間段的污染物濃度增量，計算需風量以提前對風機進行控制。利用模糊PID 控制算法對變頻風機進行更精確的控制。模糊PID 控制相比于模糊控制和PID 控制超調量小、調節時間短且在加入干擾后也能短時間內達到穩態，滿足系統實時控制要求。與傳統隧道通風控制系統相比，表現出了提前預測、及時反饋、可靠控制和管理高效等優點。