地铁车辆空气质量在线监测系统及应用

姜 峰，张 萌，李 悦，刘 珲，石 慧

（北京市地铁运营有限公司运营三分公司，北京 100083）

由于地铁系统存在自然通风不足、缺乏自然采光、人群聚集且流动性大等健康危害因素，极易累积并引发群体性公共卫生事件。车站之间通过复杂的隧道系统连接，形成一个相对封闭的空间，地铁车站与外界的空气交换只能通过车站出入口和有限的隧道风井进行。此外，客流作为地铁内部与外界进行物质交流的重要方式，对地铁内颗粒物的质量浓度有很大影响，客流高峰时地铁车厢内 CO2的浓度和细颗粒物（PM2.5）的质量浓度较高，车厢内空气质量较差。同时，车厢内高度密集的人群释放出大量异味，如香水味、体味、食品气味等，还有装饰材料释放出的总挥发性有机物（TVOC），各种异味对人体感官刺激明显，直接影响乘客满意度。本文通过给地铁车辆加装空气质量在线监测系统，实现对CO2、PM2.5、TVOC、温湿度等数据进行连续监测，可实时了解车厢内的空气质量状况；运用云平台记录车厢内的数据，有助于运营部门分析制定相应的措施，以提升运营管理质量。

1 空气质量在线监测系统

地铁车辆空气质量在线监测系统由空气质量监测终端、云平台、客户端（用户PC或者手机）组成。空气质量在线监测系统通过监测终端实现对车厢内的PM2.5、TVOC、CO2、温湿度数据进行采集。其中，PM2.5检测采用激光粉尘传感器，CO2检测采用固态电化学型传感器，TVOC检测采用气味传感器，温湿度检测使用半导体温度传感器。

云平台包括云服务器、数据存储模块、数据解析模块、数据发送模块、数据分析模块、污染预警模块等。云平台采用linux服务器，使用C++编程，具备高并发特性，易于扩展，可方便对异构系统实现集成和被集成。数据通过4G通信模块传输至服务器，云平台支持客户端网页登录和手机APP登录方式接收云服务器的数据推送，对设备运行状态和空气质量数据进行实时监测，具有设备信息和历史数据展示、异常数据报警反馈、多级架构管理、数据统计查询等功能。

空气质量在线监测系统工作原理如图1所示。空气质量监测终端通过CO2、气味、粉尘、温湿度传感器采集当前安装位置的空气质量状况，由监测终端的主控单元进行数据预处理形成数据队列；在数据队列达到一定的数量且蜂窝信号满足要求的情况下，主控单元对数据按照特定的传输协议进行编码和加密，并送入数据传输模块；数据准备完成后启动数据传输，由数据传输模块通过运营商基站从空中发送至云平台；云平台在收到数据后进行加密校验，校验合格后进行数据解码，并判断是否为有效数据（若收到的数据符合预先制定的协议和规范，服务器则进行数据存储并通知程序进行数据解析和展示）；云平台根据已储存的数据按协议进行数据解析，并根据既定的规则在客户端进行数据展示。

图1 空气质量在线监测系统工作原理

2 空气质量监测终端安装及运行稳定性测试

2.1 安装位置及接电

空气质量监测终端的规格参数如表1所示，实物及安装位置如图2所示。其安装在地铁车厢2号车门处中顶板上方，采用防松螺丝对底板进行固定，采样位置接近车厢中部客流密集处，能较好地反应车厢内的实际空气质量。空气质量监测终端由空调电控柜DC 24 V电源模块供电，电路设有单联1A空气开关，电源线由车门上部侧板进入空调电控柜。

2.2 运行稳定性测试

本测试在整列试验车加装了空气质量监测终端（每节车厢各1台），安装后对其进行工作状态、网络信号质量、数据传输可靠性等多项测试。在稳定运行10 个月后，未出现装置工作异常及车辆电气控制线路异常的情况。4G与GPRS信号强度各连续测量 15 min，测试位置的网络信号强度高于数据传输所需国标要求的最低信号强度（4G大于-110 dBm，GPRS大于-90 dBm）。云平台设定每分钟采样1组数据，表2 为 2020 年 8 月 7 日空气质量监测终端连续 1 h监测的数据记录，每分钟均正常上传1 组数据。

地铁车辆地下线路可能存在通信信号强度不稳定的情况，表3记录了连续一个月（2020年5月份）内试验车在正线运营期间空气质量监测终端采集的数据量，所有时段均采用1 min采集1组（包括PM2.5、TVOC、CO2、温湿度）数据的频率进行采集。与运营期间每台空气质量监测终端理论应采集的数量进行比较，发现仅有1台监测终端在5月10日与5月22日出现了共2组数据的丢失（见表3标黄色的部分）。连续1个月监测过程中所得的数据丢失率（丢失率=丢失的数据量/应采集数据量）约为0.13×10-3，低于国标对于信息传输要求丢包率的上限值1×10-3。

表1 空气质量监测终端规格参数

表2 空气质量监测终端连续1 h监测的数据记录

图2 空气质量监测终端实物及安装位置

表3 2020年5月份试验车空气质量监测终端采集的数据量

3 云平台对车辆空气质量监测数据分析

3.1 车厢内PM2.5监测数据分析

由于车站站厅与车厢相通，站内PM2.5的浓度会随客流变化而受到影响，同时乘客的携带、气流的流动作用也会使其从站台轨道进入车厢，从而对车厢内的浓度造成影响。在2020年1月—11月运营期间试验车某车厢内PM2.5浓度整体变化趋势如图3所示。在新冠肺炎疫情的影响下，2月较1 月的PM2.5整体数据随着乘客量的下降变化比较明显，在疫情后车辆通风系统采用最大换风量设置，车厢内的PM2.5数值保持在较低的水平。本文列出试验车某车厢在连续某3个工作日（2020年11月9日—11日）运行过程中PM2.5数据的变化趋势，如图4所示。由图可知，PM2.5浓度随着早晚高峰客流的变化波动，并在运行一天的情况下会累计增加。

3.2 车厢内 CO2 监测数据分析

在2020年1月—11月运行期间试验车某车厢内CO2浓度整体变化趋势如图5所示。由图可知，CO2浓度的变化趋势与客流量的变化趋势一致，即使在全新风模式下，客流高峰期的CO2浓度依然较高。由于高峰期客流爆增，乘客呼出的CO2也随之剧增，并在车厢的小空间内聚积。本文列出试验车某车厢在连续某3 个工作日（2020年11月9日—11日）运行过程中CO2浓度的变化趋势，如图6所示。

图3 2020年1月—11月试验车某车厢内PM2.5浓度整体变化趋势

图4 2020年11月9日—11日试验车某车厢内PM2.5浓度变化趋势

图5 2020年1月—11月试验车某车厢内CO2浓度整体变化趋势

3.3 车厢内 CO2 与TVOC 监测数据关联分析

丁力行等人指出 TVOC 的浓度过高会直接刺激人们的嗅觉和其他器官。试验车某车厢在某两日（2020年11月11日和13日）TVOC与CO2浓度的连续监测数据分别如图7和图8所示。通过比较可看出，二者在早晚高峰时间段出现峰值的时间一致。由此可知，车辆在运行过程中，车厢内TVOC与CO2浓度的变化均与客流量有关，在早晚高峰客流量较大时二者的浓度较高，容易造成乘客感官不适。

3.4 车厢内温、湿度监测数据分析

图6 2020年11月9日—11日试验车某车厢内CO2浓度变化趋势

图7 2020年11月11日和13日试验车某车厢内TVOC浓度变化趋势

图8 2020年11月11日和13日试验车某车厢内CO2浓度变化趋势

图9 2020年1月—11月试验车某车厢内温度变化趋势

图10 2020年1月—11月试验车某车厢内湿度变化趋势

2020年1 月—11月运行期间试验车某车厢内的温湿度连续监测数据分别如图9和图10所示。由图可看出，温度变化趋势在空调设定范围内，冬季略低于夏季，湿度变化趋势也同样冬季低于夏季；与庞雪莹等人关于冬夏两季北京地铁车厢内温度检测数据趋势一致，湿度变化趋势也与冬夏两季北京湿度变化趋势一致。

4 结论

本文通过测试试验，验证了在地铁车辆车厢内加装空气质量在线监测系统后运行的安全性及稳定性，未发现对车辆既有设施及电路造成影响，通过数据记录得出采集的数据完整性较好。由连续监测车厢内PM2.5、CO2、TVOC、温湿度数据的变化趋势可看出，各项目指标均与客流量变化直接相关。若该系统在地铁车辆中扩大运用，可积累更多的车辆空气质量各项指标数据，以便为提升列车运营服务质量、制定改善措施提供参考依据。