基于MIV特征筛选与BP神经网络的施工隧道通风控制算法

2018-09-04王中洋孟宪伦

软件导刊 2018年6期

王中洋孟宪伦

摘要：针对隧道时变性与不确定性，提出一种基于BP神经网络预测风机频率的算法，通过频率预测开启风机，实现隧道通风自动化。在此算法基础上，运用MIV算法筛选有意义的输入参数。结果表明，经MIV算法优化后，BP神经网络算法预测风机频率有较高精确性，符合风机在隧道的运行特性，可应用于隧道通风。

关键词：隧道通风控制算法；BP神经网络；MIV

DOI：10.11907/rjdk.171400

中图分类号：TP312

文献标识码：A 文章编号：1672-7800（2018）006-0100-02

Abstract：In view of the time variability and uncertainty of the tunnel， this paper presents an algorithm based on BP neural network to predict the frequency of the fan. On the basis of this algorithm， the MIV algorithm is used to select the input parameters. The results show that the proposed algorithm has a high accuracy in predicting the frequency of the fan， and it can be used in tunnel ventilation.

Key Words：tunnel ventilation control algorithm； BP neural network； MIV

0 引言

随着我国经济增长与综合国力提升，交通事业迅猛发展，公路铁路不断向山区延伸，隧道所占比例越来越高。隧道属于相对封闭区域，施工产生的有害气体会危害施工人员健康。因此，隧道通风系统控制策略研究具有重要意义[1]。

我国隧道施工技术经过几十年发展，已经达到了发达国家水平。因施工中通风系统干扰因素多，有关参数变化范围大，目前国内外隧道施工通风自动控制水平不高[2]。通风主要作用是排除隧道内施工产生的粉尘与有害气体，维持机械设备正常运行，创造良好施工环境，保障施工人员健康[3-5]。

施工中隧道通风系统主要难题是，针对复杂且不确定的受控对象与环境如何给出有效控制决策。本文利用MIV算法在现场采集数据中筛选对结果有意义的数据，确定神经网络输入变量，并应用于通风系统进行预测。通过MATLAB仿真可以看出，将MIV算法筛选后的数据输入BP神经网络，具有更佳动态特性与较强鲁棒性，且对隧道通风系统固有非线性因素有较高跟踪性能。

1 MIV算法数据筛选

1.1 MIV算法

实际情况下，神经网络输入数据常根据经验选取，并没有充足理论依据，确定神经网络输入特征较为困难。若将一些对结果影响较小数据引入，会降低BP神经网络模型精度，影响预测结果[6-8]。

MIV算法是BP神经网络评价输入参数对结果影响的标准之一，其大小代表了对结果相关性影响的大小与方向。MIV的绝对值大小代表对结果影响的大小，符号代表方向。其原理为：①将样本中每一个数据特征值增加或减少10%，或自定义其特征值增减量，对此进行仿真，得到两个仿真结果；②两个仿真结果差值为变动该自变量后对输出产生的影响变化值，即IV值；③将IV值按观测列数平均得到输入变量对于应变量的网络输出MIV值。用该方法计算每个数据MIV值并根据大小排序，得到各个数据对结果影响大小的排序，采用逐步剔除法实现变量筛选[9]。

1.2 数据筛选

本文数据源于施工中杭黄铁路隧道采集的实时数据。在二次衬台车安装传感器装置，每5s获取一个采样值，共获取18 000个采样值，分别为粉尘浓度、CO浓度、NO-2、O-2、温度、湿度及风机开启频率。其中，粉尘浓度、CO浓度、NO-2、O-2、温度、湿度作为输入变量，风机运行频率作为输出变量。采样数据如图1所示。

按照前述MIV算法流程，分别计算粉尘浓度、CO浓度、NO-2、O-2、温度、湿度MIV值：MIV（粉尘浓度）=1.6139e-5，MIV（CO浓度）=6.5349e-9，MIV（NO-2）=0，MIV（O-2）=-0.0011，MIV（温度）=0.0108，MIV（湿度）=0.059。输入参数MIV值按大小排序：MIV（粉尘浓度）>MIV（CO濃度）>MIV（湿度）>MIV（温度）>MIV（O-2）>MIV（NO-2）。其中，NO-2、O-2的MIV值小于粉尘浓度、CO浓度、温度、湿度MIV值，对风机频率影响较小。因此取粉尘浓度、CO浓度、温度、湿度4个输入变量作为神经网络输入变量。

2 BP神经网络预测

2.1 BP算法

BP神经网络是一种具有3层及以上的神经网络，含输入层、隐含层、输出层，上下层之间实现全连接，每层神经元之间实现无连接。该网络结构可实现输入与输出的任意非线性函数映射，对于离散度大、非线性高、时变性强的系统具有很强自适应学习能力，能贮存大量输入-输出模式映射关系，无需事前揭示描述这种映射关系的数学方程。因此，广泛应用于函数逼近、模式识别与期望追踪等领域[10]。

BP神经网络算法是按误差逆传播算法训练的多层前馈神经网络，由正向传播与反向传播组成。正向传播是输入信号从隐含层最终传递到输出层，如果输出层得到期望轨迹，则学习参数过程终止，否则转到反向传播。反向传播是将输出期望差值从隐含层传到输出层，并将之分配到各层所有神经元，得到各层神经元误差，用误差信号修正各神经元权值。正向传播与反向传播周而复始，不断修正各层神经元权值，直到得到期望输出值。这种权值不断更新、修正的过程就是BP神经网络学习过程，学习过程持续到完成设定学习次数或输出期望差值达到可接受范围为止[11]。

经MIV算法筛选后，将神经网络模型输入层为分为4个神经元（分别对应于粉尘浓度、CO浓度、温度、湿度）。根据经验公式，神经网络模型中间层神经元在3～13个之间，以误差最小为依据，选取6个神经元；输出层对应频率值，神经元个数为1。为避免因输入输出数据数量级差别大造成网络预测误差大，将所有数据都转换为[0，1]之间的数，进行标度转换。图2为神经网络结构。

2.2 数据与参数训练

本文将传感器采集的粉尘浓度、CO浓度、温度、湿度数据作为神经网络模型的输入，风机频率作为模型的输出。根据现场风机司机操作记录，学习风机控制规律。风机频率采样点如图3所示。

结合实际工况，采样后期（15 000个采样点之后）粉尘浓度、CO浓度、温度、湿度参数特性相对稳定，隧道空气质量能够满足工况要求，保障施工人员健康。此时，为节约能源降低了风机频率。因此，采样后期数据没有实际意义，应选用1～15 000的采样点进行仿真。

由图4、图5可看出，BP神经网络能够预测风机频率趋势。比较图3、图4，发现经MIV算法优化后的BP神经网络能提高模型精度，应用于隧道通风系统可更准确预测风机频率。

3 结语

本文在隧道通风系统中，运用BP神经网络算法预测风机频率。通过MIV算法，在6个参数中筛选出4个对BP神经网络建模精度影响较大的参数作为输入参数。输

入参数作为BP神经网络的输入，风机频率作为输出，利用MTLAB仿真软件进行仿真。结果表明：①利用BP神经网络能够实现风机频率预测开启；②经MIV算法优化的BP神经网络能快速、准确逼近风机频率曲线。因此，本文提出方法是可行有效的，可应用于隧道通风系统。

参考文献：

[1] 刘少军，张思雨.基于PLC及触摸屏的隧道通风系统的设计[J].国外电子测量技术，2016，35（6）：92-95.

[2] 王明慧，姚云晓，蒋树屏.我国铁路隧道施工方法及适应性研究[J].现代隧道技术设计，2010（3）：1-5.

[3] 杨超，王志伟.公路隧道通风技术现状及发展趋势[J].地下空间与工程学报，2011，7（4）：819-824.

[4] 吕康成，伍毅敏.特长公路隧道通风设计若干问题与对策[J].现代隧道技术，2006，43（6）：49-52.