高速公路隧道通風(fēng)系統(tǒng)的多參量模糊控制研究

張曉松，金 濤，林 東

(西安公路研究院，陜西 西安 710065)

高速公路隧道通風(fēng)系統(tǒng)的多參量模糊控制研究

張曉松，金 濤，林 東

(西安公路研究院，陜西 西安 710065)

為解決隧道通風(fēng)系統(tǒng)能耗較高、智能化程度較低的問題，將隧道煙霧濃度、車流量、風(fēng)速等多種數(shù)據(jù)作為參量，預(yù)測(cè)未來多個(gè)連續(xù)時(shí)刻的煙霧濃度，并以預(yù)測(cè)結(jié)果序列的變化程度及趨勢(shì)為依據(jù)，采用模糊控制方法對(duì)隧道通風(fēng)實(shí)現(xiàn)智能化提前控制。通過仿真實(shí)驗(yàn)證明，與分檔控制方法相比，該方法能夠根據(jù)煙霧濃度變化趨勢(shì)而調(diào)整風(fēng)機(jī)開啟數(shù)量，避免了因個(gè)別采樣點(diǎn)的影響而頻繁啟停風(fēng)機(jī)，有利于延長風(fēng)機(jī)壽命。由于根據(jù)預(yù)測(cè)結(jié)果對(duì)風(fēng)機(jī)進(jìn)行了提前控制，在更好地改善隧道環(huán)境的同時(shí)，縮短了風(fēng)機(jī)開啟的總時(shí)長，節(jié)約能源，降低隧道運(yùn)營成本。

隧道工程；智能交通；隧道通風(fēng)；模糊控制；風(fēng)機(jī)控制；多參量多步預(yù)測(cè)

0 引 言

隨著中國高速公路隧道運(yùn)營規(guī)模的不斷擴(kuò)大，隧道運(yùn)營的安全性、節(jié)能性和舒適性越來越多地受到管理單位和行車人員的關(guān)注[1]。隧道中，車輛尾氣無法通過自然風(fēng)排出，積聚在隧道中的CO，NO等氣體會(huì)危害司乘人員健康，且隨著煙霧濃度的升高，行車視認(rèn)距離與安全距離均變小，行車風(fēng)險(xiǎn)增加[2]。國內(nèi)隧道通風(fēng)控制通常采用分檔控制法，該方法具有控制延遲大，風(fēng)機(jī)啟停頻繁，能耗高等缺點(diǎn)。

近年來，隧道通風(fēng)迫切需要一種既能滿足通風(fēng)要求，又能實(shí)現(xiàn)節(jié)能的控制策略[3]。國內(nèi)外學(xué)者對(duì)隧道通風(fēng)控制策略研究在不斷深入地進(jìn)行。陳建濤等[4]提出了利用差分方程預(yù)測(cè)隧道洞口CO濃度的方法，實(shí)現(xiàn)對(duì)隧道通風(fēng)的控制，但通過對(duì)多條隧道實(shí)際數(shù)據(jù)分析，煙霧濃度較CO濃度更容易超標(biāo)；孫繼洋[5]采用前饋-反饋復(fù)合式控制法對(duì)隧道通風(fēng)方案進(jìn)行了研究；B．Chu等[6]、林強(qiáng)等[7]和王成志等[8]均采用模糊控制法，實(shí)現(xiàn)了隧道通風(fēng)的實(shí)時(shí)控制，但其都是以隧道內(nèi)檢測(cè)設(shè)備的測(cè)量值為輸入?yún)?shù)，未考慮未來時(shí)刻的隧道環(huán)境可能的變化情況，這將引起控制決策的輸出結(jié)果頻繁變化，從而導(dǎo)致風(fēng)機(jī)的頻繁啟停；何川等[9]、陳雪平等[10]和楊寧等[11]均對(duì)隧道內(nèi)下一時(shí)刻的污染物濃度進(jìn)行了預(yù)測(cè)，并以此實(shí)現(xiàn)隧道通風(fēng)的智能化控制，但由于預(yù)測(cè)參數(shù)單一，且預(yù)測(cè)點(diǎn)過少，無法真實(shí)反映未來一段時(shí)間內(nèi)隧道環(huán)境可能的變化趨勢(shì)。基于此，以上這些方法仍無法避免對(duì)風(fēng)機(jī)啟停的頻繁控制，無法達(dá)到更優(yōu)的節(jié)能效果。

筆者針對(duì)以上情況，設(shè)計(jì)了多參量隧道通風(fēng)模糊控制系統(tǒng)。該系統(tǒng)以煙霧濃度、交通流量、風(fēng)速為多參數(shù)輸入量，通過神經(jīng)網(wǎng)絡(luò)模型多步預(yù)測(cè)和模糊控制運(yùn)算，輸出需要啟停控制的風(fēng)機(jī)數(shù)量，實(shí)現(xiàn)隧道通風(fēng)的智能提前控制。仿真與實(shí)踐結(jié)果表明：文中方法可避免風(fēng)機(jī)的頻繁啟停，有利于延長風(fēng)機(jī)壽命，且在達(dá)到隧道通風(fēng)要求的基礎(chǔ)上，節(jié)能效果更加明顯。

1 多參量模糊控制系統(tǒng)構(gòu)成

隧道中污染物濃度主要包括CO濃度和煙霧濃度。通過對(duì)多條隧道實(shí)際測(cè)量數(shù)據(jù)的分析，在常態(tài)工況下，煙霧濃度較CO濃度更容易超標(biāo)，它是隧道通風(fēng)控制決策的最主要因素，筆者討論的控制系統(tǒng)以降低煙霧濃度為例進(jìn)行設(shè)計(jì)說明。其基本構(gòu)成如圖1。

圖1 多參量模糊控制系統(tǒng)構(gòu)成Fig.1 Constitution of multi-parameter tunnel ventilation fuzzy control system

控制系統(tǒng)由隧道傳感器采樣子系統(tǒng)、數(shù)據(jù)預(yù)處理子系統(tǒng)、多參量多步神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型、V趨勢(shì)運(yùn)算模型及模糊控制器組成。系統(tǒng)通過隧道內(nèi)傳感器采集V,D,W值，在數(shù)據(jù)預(yù)處理后輸入多參量多步神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。模型經(jīng)過訓(xùn)練，預(yù)測(cè)未來連續(xù)12個(gè)時(shí)刻的VP，并分別與VS求差，得到一組ΔVP序列。將這組ΔVP的均值、方差、上升或下降趨勢(shì)以及測(cè)量的W作為模糊控制器的多參數(shù)輸入量。經(jīng)過模糊運(yùn)算，得到需要啟停風(fēng)機(jī)的數(shù)量，從而進(jìn)行風(fēng)機(jī)控制調(diào)節(jié)，改善隧道環(huán)境。

2 多參量多步神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型

根據(jù)隧道通風(fēng)系統(tǒng)大時(shí)滯、非線性的特點(diǎn)，需要較為準(zhǔn)確地分析煙霧濃度將要變化的趨勢(shì)，才能實(shí)現(xiàn)對(duì)其更為有效、合理地控制。但僅對(duì)下一時(shí)刻煙霧濃度進(jìn)行預(yù)測(cè)，無法滿足對(duì)其變化趨勢(shì)分析，且隧道采樣周期一般較短，在一個(gè)采樣周期時(shí)間內(nèi)不足以通過控制風(fēng)機(jī)啟停來改變煙霧濃度趨勢(shì)。

為了建立隧道煙霧濃度的多步預(yù)測(cè)模型，控制系統(tǒng)采用了BP神經(jīng)網(wǎng)絡(luò)算法。以梯度快速下降法為學(xué)習(xí)規(guī)則，學(xué)習(xí)和存儲(chǔ)大量的輸入輸出模式映射關(guān)系，通過反向傳播方式不斷調(diào)整網(wǎng)絡(luò)的權(quán)值，使網(wǎng)絡(luò)平方誤差達(dá)到最小[12-14]。同時(shí)，通過數(shù)據(jù)分析可知，煙霧濃度與車流量和風(fēng)速之間具有較強(qiáng)的相關(guān)性，它們共同影響著未來時(shí)段煙霧濃度的變化。為了減小誤差，模型利用了車流量、風(fēng)速值以及煙霧濃度自身值對(duì)預(yù)測(cè)值進(jìn)行了修正。模型的基本原理公式為

ΔV(k+1)=f(VI(k),V(k-1),V(k-2),…,

D(k),D(k-1),D(k-2),…,

W(k),W(k-1),W(k-2),…)

(1)

式中：ΔVP(k+1)為V在(k+1)時(shí)刻的變化量；V(k)，D(k)，W(k)分別為V，D，W在k時(shí)刻的值。

3 多參量模糊控制器設(shè)計(jì)

3.1 輸入與輸出量的確定

3.2 隸屬度函數(shù)的設(shè)定

圖的隸屬度函數(shù)Fig.

圖的隸屬度函數(shù)Fig.

3.2.3TΔVP的隸屬度函數(shù)

TΔVP為ΔVP序列上升趨勢(shì)、持平趨勢(shì)和下降趨勢(shì)，定義其模糊語言變量為{上升，持平，下降},語言變量詞集表示為{MI，K，MD}，隸屬度函數(shù)如圖4。

圖4 TΔVP的隸屬度函數(shù)Fig.4 Subjection function of TΔVP

3.2.4W的隸屬度函數(shù)

W的真實(shí)論域?yàn)閇0，8]，定義其模糊語言變量為{零，正小，正大}，語言變量詞集表示為{Z,PS,PB}，隸屬度函數(shù)如圖5。

圖5 W的隸屬度函數(shù)Fig.5 Subjection function of W

3.2.5 ΔNFJ的隸屬度函數(shù)

輸出變量ΔNFJ為需要啟停控制的風(fēng)機(jī)數(shù)量，其真實(shí)論域?yàn)閇-2，2]，定義其模糊語言變量為{負(fù)大，負(fù)小，零，正小，正大}，語言變量詞集表示為{NB,NS,Z,PS,PB}。為了避免風(fēng)機(jī)過渡頻繁啟停，選用正態(tài)形隸屬度函數(shù)，如圖6。

圖6 ΔNFJ的隸屬度函數(shù)Fig.6 Subjection function of ΔNFJ

3.3 模糊規(guī)則與推理

根據(jù)輸入輸出變量的隸屬度函數(shù)，結(jié)合實(shí)際數(shù)據(jù)分析，建立模糊規(guī)則。四維數(shù)據(jù)表1列出了FLC的全部135條規(guī)則，現(xiàn)列舉規(guī)則R1和R2說明FLC推理過程。

表1 隧道通風(fēng)多參量模糊控制規(guī)則Table 1 Rule of Multi-parameter fuzzy control in tunnel ventilation

(續(xù)表1)

ΔNFJWSZPSPBΔVPS2ΔVPZ,ZPS,Z,ZZZ,NS,NSZ,PSPS,Z,ZPS,Z,ZZZ,PBPB,PS,PSPS,Z,ZPS,Z,ZPS,ZPS,Z,ZPS,Z,ZZPS,PSPB,PS,PSPS,Z,ZZPS,PBPB,PB,PSPB,PS,PSPS,Z,ZPB,ZPB,PS,PSPS,Z,ZZPB,PSPB,PS,PSPB,PS,PSPS,Z,ZPB,PBPBPB,PS,PSPB,PS,PS

系統(tǒng)根據(jù)模糊規(guī)則運(yùn)算后，可得到需要啟停控制的風(fēng)機(jī)數(shù)量。列舉當(dāng)TΔVP= MI，W=PS時(shí)，ΔNFJ的模糊規(guī)則曲面如圖7。

圖7 ΔNFJ的模糊規(guī)則曲面Fig.7 ΔNFJ fuzzy regular surface diagram

4 多參量模糊控制系統(tǒng)的仿真

目前的隧道通風(fēng)控制大多采用分檔控制的方式，即把檢測(cè)V劃分為不同的等級(jí)，當(dāng)檢測(cè)V達(dá)到某個(gè)等級(jí)時(shí)，開啟相應(yīng)數(shù)量的風(fēng)機(jī)。為了與分檔控制方式進(jìn)行比較，取依托工程隧道中V，D，W的連續(xù)100個(gè)采樣點(diǎn)數(shù)據(jù)，根據(jù)圖1的基本原理建立仿真模型。兩種控制方式下，V變化曲線和風(fēng)機(jī)開啟數(shù)量曲線分別如圖8、圖9。

圖8 V變化Fig.8 Variety diagram of V

圖9 風(fēng)機(jī)開啟數(shù)量變化Fig.9 Variety diagram of running fans

本系統(tǒng)為了避免風(fēng)機(jī)頻繁控制，啟停變換控制周期設(shè)置為15 min，隧道V和風(fēng)機(jī)狀態(tài)采樣周期為5 min。采用分檔控制法雖然開啟了相應(yīng)數(shù)量的風(fēng)機(jī)，但由于隧道通風(fēng)系統(tǒng)大時(shí)滯性特點(diǎn)，V仍超過控制期望值較長時(shí)間。而采用多參量模糊控制系統(tǒng)，利用預(yù)測(cè)未來多個(gè)連續(xù)時(shí)刻V變化偏差和趨勢(shì)，對(duì)風(fēng)機(jī)進(jìn)行了提前控制，能夠有效減緩V變化趨勢(shì)，降低V濃度，縮短峰值時(shí)間，減少風(fēng)機(jī)開啟總時(shí)間。

為對(duì)節(jié)能效果進(jìn)行評(píng)估，可計(jì)算隧道內(nèi)風(fēng)機(jī)的耗電量，如式(2)：

W1=N1×P×T

(2)

式中：W1為所有開啟風(fēng)機(jī)的總能耗；N1為所有風(fēng)機(jī)開啟周期總數(shù)；P為每臺(tái)射流風(fēng)機(jī)的功率；T為風(fēng)機(jī)控制周期時(shí)長。

取P=30 kW，T=15 min，根據(jù)式(2)計(jì)算，仿真實(shí)驗(yàn)中風(fēng)機(jī)的耗電量結(jié)果如表2。

表2 風(fēng)機(jī)能耗對(duì)比結(jié)果Table 2 Comparison of fan’s energy consumption

通過仿真實(shí)驗(yàn)比較，多參量模糊控制系統(tǒng)比分檔控制系統(tǒng)節(jié)能9.45%。

5 結(jié) 語

多參量隧道通風(fēng)模糊控制系統(tǒng)利用采集的多種數(shù)據(jù)，通過神經(jīng)網(wǎng)絡(luò)模型，預(yù)測(cè)未來多個(gè)連續(xù)時(shí)刻的煙霧濃度，并以其變化程度及趨勢(shì)作為模糊控制的策略依據(jù)，可實(shí)現(xiàn)風(fēng)機(jī)的提前控制。通過仿真實(shí)驗(yàn)證明，本系統(tǒng)在很好地滿足隧道通風(fēng)控制要求的前提下，可縮短風(fēng)機(jī)運(yùn)行時(shí)間，減少啟停控制頻率，延長風(fēng)機(jī)使用壽命，節(jié)約能耗，降低隧道運(yùn)營成本。

[1] 楊超,王志偉.公路隧道通風(fēng)技術(shù)現(xiàn)狀及發(fā)展趨勢(shì)[J].地下空間與工程學(xué)報(bào),2011,7(4):819-824. YANG Chao, WANG Zhiwei. Current status and development trend of ventilation technology for highway tunnel[J].ChineseJournalofUndergroundSpaceandEngineering,2011,7(4):819-824.

[2] 鄧其,詹華崗,肖文貴,等.隧道煙霧環(huán)境下駕駛視覺安全模擬實(shí)驗(yàn)研究[J].公路工程,2014,39(1):35-39. DENG Qi, ZHAN Huagang, XIAO Wengui, et al. Simulation experimental study on driving vision safety under tunnel smoky environment[J].HighwayEngineering,2014,39(1):35-39.

[3] 魏斌,黃惠斌,馬天智,等.基于CFD仿真的隧道通風(fēng)模糊控制算法[J].公路工程,2008,33(6):30-32. WEI Bin, HUANG Huibin, MA Tianzhi, et al. Fuzzy control of tunnel ventilation system based on CFD simulation[J].HighwayEngineering,2008,33(6):30-32.

[4] 陳建濤,李運(yùn)華,劉東曉.縱向通風(fēng)公路隧道空氣污染濃度短時(shí)預(yù)報(bào)算法[J].北京航空航天大學(xué)學(xué)報(bào),2011,37(1):114-118. CHEN Jiantao, LI Yunhua, LIU Dongxiao. Short-period forecasting algorithm for air pollution concentration in road tunnel with longitudinal ventilation[J].JournalofBeijingUniversityofAeronauticsandAstronautics,2011,37(1):114-118.

[5] 孫繼洋.山西太古路西山隧道通風(fēng)方案研究[J].公路,2011(7):279-286. SUN Jiyang. Research of ventilation scheme for Xishan tunnel of Shanxi Taigu[J].Highway,2011(7):279-286.

[6] CHU B, KIM D, HONG D, et al. GA-based fuzzy controller design for tunnel ventilation systems[J].AutomationinConstruction,2008,17(2):130-136.

[7] 林強(qiáng),劉明華,茹鋒,等.隧道通風(fēng)系統(tǒng)模糊控制算法研究[J].公路交通科技,2010,27(9):85-88. LIN Qiang, LIU Minghua, RU Feng, et al. Research on fuzzy control algorithm of tunnel ventilation system[J].JournalofHighwayandTransportationResearchandDevelopment,2010,27(9):85-88.

[8] 王成志,彭毅,張銳.模糊控制技術(shù)在隧道射流風(fēng)機(jī)中的應(yīng)用[J].計(jì)算機(jī)測(cè)量與控制,2014,22(11):3594-3596. WANG Chengzhi, PENG Yi, ZHANG Rui. Application of fuzzy control technology in tunnel jet fan[J].ComputerMeasurement&Control,2014,22(11):3594-3596.

[9] 何川,李祖?zhèn)?方勇,等.公路隧道通風(fēng)系統(tǒng)的前饋式智能模糊控制[J].西南交通大學(xué)學(xué)報(bào),2005,40(5):575-579. HE Chuan, LI Zuwei, FANG Yong, et al. Feed-forward intelligent fuzzy logic control of highway tunnel ventilation system[J].JournalofSouthwestJiaotongUniversity,2005,40(5):575-579.

[10] 陳雪平,胡剛,曾盛,等.公路隧道前饋式模糊通風(fēng)控制系統(tǒng)及仿真[J].交通信息與安全,2008,26(4):78-83. CHEN Xueping, HU Gang, ZENG Sheng, et al. Feed-forward fuzzy ventilation control and simulation of road tunnel[J].JournalofTransportationInformationandSafety,2008,26(4):78-83.

[11] 楊宇,周奎寧,程軍圣.模糊辨識(shí)在隧道縱向式通風(fēng)控制中的應(yīng)用[J].計(jì)算機(jī)工程與應(yīng)用,2014,50(4):245-249. YANG Yu, ZHOU Kuining, CHENG Junsheng. Application of fuzzy identification to road tunnel longitudinal ventilation control[J].ComputerEngineeringandApplications,2014,50(4):245-249.

[12] 強(qiáng)明,郭春喜,周紅宇.基于神經(jīng)網(wǎng)絡(luò)的GPS高程擬合方法優(yōu)選及精度分析[J].重慶交通大學(xué)學(xué)報(bào)(自然科學(xué)版),2012,31(4):815-818. QIANG Ming, GUO Chunxi, ZHOU Hongyu. Optimization and precision evaluation with GPS elevation fitting method based on neural network[J].JournalofChongqingJiaotongUniversity(NaturalScience),2012,31(4):815-818.

[13] 王禮軍.模糊神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)在故障診斷中的應(yīng)用[J].重慶交通大學(xué)學(xué)報(bào)(自然科學(xué)版),2012,31(3):469-472. WANG Lijun. Application on fuzzy neural network expert system in fault diagnosis[J].JournalofChongqingJiaotongUniversity(NaturalScience),2012,31(3):469-472.

[14] 葉敏,王鐵權(quán).基于模糊神經(jīng)網(wǎng)絡(luò)的高寒路基縱向裂縫危險(xiǎn)度綜合評(píng)價(jià)[J].重慶交通大學(xué)學(xué)報(bào)(自然科學(xué)版),2015,34(4):68-72. YE Min, WANG Tiequan. Comprehensive risk evaluation on the longitudinal cracks of permafrost subgrade based on fuzzy neural network[J].JournalofChongqingJiaotongUniversity(NaturalScience),2015,34(4):68-72.

Research on Multi-parameter Fuzzy Control Algorithm of Highway Tunnel Ventilation System

ZHANG Xiaosong, JIN Tao, LIN Dong

(Xi’an Highway Research Institute, Xi’an 710065, Shaanxi, P.R.China)

In order to solve the problems of high energy consumption and low intelligence in tunnel ventilation system, it was proposed that using fuzzy control algorithm for achieving the target of controlling tunnel ventilation intelligently in advance, according to the sequence of change and trends in smoke concentration data, which is predicted in multiple consecutive time in the future based on the parameters of smoke concentration, vehicle flow, and wind speed. The simulation results prove that the fuzzy control algorithm can adjust the number of working fans by the change and trends in smoke concentration data compared with step control method, which can avoid frequent start-stop of fans because of the influence of individual sample and also extend the service life of fans. The method for controlling fans in advance by the result of prediction can improve the environment of tunnel, shorten total working time of fans, save energy and reduce the operating cost of tunnel.

tunnel engineering; intelligent transportation; tunnel ventilation; fuzzy control; fan control; multivariate and multistep prediction

10.3969/j.issn.1674-0696.2016.04.05

2015-12-28；

2016-03-03

交通運(yùn)輸部科技成果推廣項(xiàng)目(2012 318 361 110)；陜西省交通建設(shè)科技項(xiàng)目(08-16K)

張曉松(1965—)，男，陜西西安人，高級(jí)工程師，主要從事智能交通及應(yīng)用方面的研究。E-mail：1286743765@qq.com。

金 濤(1978—)，男，上海嘉定人，高級(jí)工程師，主要從事交通信息技術(shù)及ITS方面的研究。E-mail：xgyjt@qq.com。

U453.5

A

1674-0696(2016)04-020-05