鐘晨昊

（中交基礎(chǔ)設(shè)施養(yǎng)護集團有限公司，北京 100011）

0 引言

隨著我國公路網(wǎng)結(jié)構(gòu)的逐漸完善，公路工程已從大規(guī)模建設(shè)階段轉(zhuǎn)向運營養(yǎng)護階段。目前，我國是世界上公路隧道發(fā)展最快、數(shù)量最多、形式最復(fù)雜的國家，截至2020年底，我國進入運營養(yǎng)護階段的隧道已有21 316處，共計2 199.93萬米，且每年以10%左右的速度增長[1]。公路隧道受長度、縱坡以及交通組成等影響，洞內(nèi)污染物持續(xù)累積、降低行車視距，通風(fēng)設(shè)施作為保障隧道安全與衛(wèi)生的重要手段，一旦隧道通風(fēng)功能失效，將嚴重威脅駕乘人員的安全[2]。隧道通風(fēng)是實現(xiàn)隧道安全、衛(wèi)生、舒適設(shè)計標準的重要技術(shù)手段，隨著隧道運營年限的增加，通風(fēng)設(shè)施性能也隨之衰損，當前通風(fēng)設(shè)施維養(yǎng)主要根據(jù)部件是否故障作為維修或更換的依據(jù)，而性能衰損導(dǎo)致的“帶病”風(fēng)機的功能能否滿足隧道運營安全的需求難以有效判斷，這將給公路隧道的安全運營帶來隱患風(fēng)險。[3]

國內(nèi)外已開展了諸多通風(fēng)設(shè)施運行狀態(tài)方面的研究。李輝等應(yīng)用層次分析法構(gòu)建具有反映機組運行狀態(tài)重要特征的項目層和子項目層框架，引入劣化度指標，并應(yīng)用模糊綜合評判方法，建立風(fēng)電機組運行狀態(tài)評估的改進模型，實現(xiàn)風(fēng)機的實時狀態(tài)評估。王志國等[4]利用模糊數(shù)學(xué)理論，從技術(shù)經(jīng)濟、功能設(shè)置、可靠性及維修性四個方面來綜合評判風(fēng)力發(fā)電機組系統(tǒng)性能。王利鵬等[5]利用不確定性區(qū)間層次分析法和集對分析理論中的三元聯(lián)系數(shù)精確地計算了高原礦井風(fēng)機指標權(quán)重，并構(gòu)建了五元聯(lián)同異反評估模型對礦井風(fēng)機進行了靜態(tài)評估。姜超等[6]以實際故障風(fēng)機的SCADA數(shù)據(jù)為基礎(chǔ)，采用了基于層次分析法和模糊綜合評價的評價方法實現(xiàn)風(fēng)機運行狀態(tài)綜合評估。張?zhí)K閩等[7]針對風(fēng)機健康狀態(tài)監(jiān)測問題，提出了一種基于改進BP神經(jīng)網(wǎng)絡(luò)的風(fēng)機運行狀態(tài)評估方法。楊錫運等[8]提取并準確合理地利用機組數(shù)據(jù)采集與監(jiān)視控制系統(tǒng)（SCADA）各個相關(guān)狀態(tài)參數(shù)之間的耦合特性，利用貝葉斯網(wǎng)絡(luò)對風(fēng)機高溫降容狀態(tài)進行評估，建立貝葉斯概率圖形網(wǎng)絡(luò)，實現(xiàn)對機組高溫降容狀態(tài)的評估。董玉亮等[9]針對大型風(fēng)電機組運行工況和狀態(tài)信息復(fù)雜、健康狀態(tài)難以準確評估的問題，提出基于工況辨識的健康狀態(tài)實時評價方法。周琦等[10]基于電站風(fēng)機振動信號數(shù)據(jù)，應(yīng)用聚類及最小二乘支持向量回歸對采集的故障數(shù)據(jù)進行診斷和趨勢預(yù)測，并分析了電站風(fēng)機設(shè)備的類型、構(gòu)造及風(fēng)機幾類典型故障。

現(xiàn)階段，對于公路隧道通風(fēng)設(shè)施的研究主要集中在定性的安全狀態(tài)評估或節(jié)能方面，缺乏對通風(fēng)設(shè)施性能狀態(tài)的研究分析。本文以風(fēng)機振動數(shù)據(jù)為基礎(chǔ)，采用LSTM神經(jīng)網(wǎng)絡(luò)算法對不同病害狀況下風(fēng)機振動信號進行分析，構(gòu)建公路隧道通風(fēng)設(shè)施性能狀態(tài)評估模型，實現(xiàn)公路隧道通風(fēng)設(shè)施性能狀態(tài)健康診斷。

1 公路隧道通風(fēng)設(shè)施性能評估模型

在公路隧道通風(fēng)設(shè)施性能評估的實際運用中，通常使用各類傳感器對射流風(fēng)機和軸流風(fēng)機進行風(fēng)機運行狀態(tài)數(shù)據(jù)獲取。本文以加速度傳感器采集的風(fēng)機振動數(shù)據(jù)為支撐，結(jié)合關(guān)鍵影響指標因素，分析不同狀態(tài)下風(fēng)機的性能表現(xiàn)形式，采用不同類型結(jié)果對通風(fēng)設(shè)施性能狀態(tài)進行標定，最終將通風(fēng)設(shè)施性能狀態(tài)劃分為健康、亞健康、劣化以及病態(tài)四種狀態(tài)。

采集風(fēng)機的振動數(shù)據(jù)時，應(yīng)在風(fēng)機布設(shè)多處傳感器以保證檢測數(shù)據(jù)的完整性和多樣性，使用能夠反映每組振動數(shù)據(jù)向量與通風(fēng)設(shè)施性能狀態(tài)相關(guān)關(guān)系的pearson相關(guān)系數(shù)篩選出強相關(guān)的指標因素，以提高評估模型的準確性。其相關(guān)性計算表達式為：

式中：r為指標a、b之間的相關(guān)系數(shù)；σa、σb為指標a、b的標準差；為指標a、b的均值。

通風(fēng)設(shè)施性能狀態(tài)變化實際為時間序列，LSTM神經(jīng)網(wǎng)絡(luò)引入了時序的概念，消除了RNN的梯度爆炸或梯度消失的問題，且具有很強的學(xué)習(xí)能力與泛化能力，本文使用LSTM神經(jīng)網(wǎng)絡(luò)對通風(fēng)設(shè)施的不同狀態(tài)進行評估，根據(jù)已標定好的狀態(tài)數(shù)據(jù)，構(gòu)建通風(fēng)設(shè)施性能狀態(tài)評估模型。

以時間連續(xù)的風(fēng)機振動指標數(shù)據(jù)為基礎(chǔ)，采用LSTM神經(jīng)網(wǎng)絡(luò)對通風(fēng)設(shè)施性能狀態(tài)進行評估，其基本步驟見表1。

表1 LSTM神經(jīng)網(wǎng)絡(luò)訓(xùn)練步驟Tab.1 Training steps of LSTM neural network

其中，將數(shù)據(jù)集作為參數(shù)輸入到神經(jīng)網(wǎng)絡(luò)中，在神經(jīng)網(wǎng)絡(luò)遺忘門層中舍棄輸入與上一時刻隱藏層數(shù)據(jù)不可接受的信息ft，在輸入門層i中控制新的數(shù)據(jù)輸入，確定需要更新的數(shù)據(jù)信息，在輸出門層中計算神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果ot，其表達式為：

式中 ：ωxi、ωhi、ωxf、ωhf、ωxo、ωho均為權(quán)重參數(shù)；bi、bf、bo均為偏置參數(shù)。

在對比實際值與模型輸出結(jié)果中，計算損失函數(shù)MAE，其表達式為：

式中：m為樣本總個數(shù)，oi為模型輸出結(jié)果，為實際值。正常狀態(tài)至病態(tài)分別量化為值1至4。

2 實例分析

2.1 數(shù)據(jù)源

本文以已通車運營的某公路隧道通風(fēng)設(shè)施監(jiān)測數(shù)據(jù)與試驗數(shù)據(jù)為基礎(chǔ)，結(jié)合設(shè)備故障數(shù)據(jù)集，獲取不同程度性能及故障狀態(tài)下的振動數(shù)據(jù)信號，其原始數(shù)據(jù)結(jié)果形式見表2。

表2 原始數(shù)據(jù)結(jié)果形式Tab.2 Result form of original data

2.2 數(shù)據(jù)相關(guān)性檢驗

由于不同振動指標對應(yīng)通風(fēng)設(shè)施之間的相關(guān)程度不同，因此對不同振動數(shù)據(jù)指標對其對應(yīng)的性能狀態(tài)之間的相關(guān)性進行研究分析，確定與通風(fēng)設(shè)施性能狀態(tài)強相關(guān)的指標參數(shù)。由pearson相關(guān)系數(shù)計算相關(guān)性，結(jié)果見表3。

表3 相關(guān)性結(jié)果Tab.3 Correlation results

由表3可知，與通風(fēng)設(shè)施性能狀態(tài)強相關(guān)r＞0.7）的影響指標為振動3、振動4、振動5、振動6、振動7、振動8，因此，本文將通過相關(guān)性較強的影響指標開展對通風(fēng)設(shè)施性能狀態(tài)的評估。

2.3 評估模型實現(xiàn)

（1）參數(shù)尋優(yōu)

采用LSTM神經(jīng)網(wǎng)絡(luò)構(gòu)建公路隧道通風(fēng)設(shè)施性能狀態(tài)評估模型，分別設(shè)置神經(jīng)網(wǎng)絡(luò)的樣本量、時間步長以及批大小等參數(shù)，構(gòu)建不同的評估模型，并通過誤差函數(shù)MAE進行驗證，其結(jié)果見表4。

表4 參數(shù)尋優(yōu)結(jié)果Tab.4 Parameter optimization result

由表可以看出，在時間步長不變的情況下，隨著數(shù)據(jù)批大小的增加，MAE值逐步上升；而當數(shù)據(jù)批大小不變的情況下，隨著時間步長的增加，MAE值先增加后減小。為了能獲得更加精確的數(shù)據(jù)模型，本文選取時間步長為4，批大小為8作為模型的參數(shù)。

隱藏層數(shù)和節(jié)點數(shù)都是影響評估模型的關(guān)鍵參數(shù)，選取合適隱藏層參數(shù)能夠提高數(shù)據(jù)結(jié)果的精度。分別設(shè)置2、3、4種隱藏層，4、8、16、32種隱藏層節(jié)點數(shù)的神經(jīng)網(wǎng)絡(luò)模型進行模型尋優(yōu)，其中設(shè)置迭代次數(shù)為50次，不同參數(shù)下的MAE平均值見表5。

表5 隱藏層數(shù)與隱藏層節(jié)點數(shù)尋優(yōu)結(jié)果Tab.5 Optimization results of hidden layers and hidden layer nodes

根據(jù)不同LSTM網(wǎng)絡(luò)層數(shù)誤差表可以看出，隱藏層為4，隱藏節(jié)點為4時評估的誤差最小。在網(wǎng)絡(luò)層數(shù)不變，增加節(jié)點數(shù)量，MAE值逐漸增大；在節(jié)點數(shù)量不變的情況下，增加隱藏層數(shù)，MAE值逐漸減小，但是增加隱藏層數(shù)量會導(dǎo)致訓(xùn)練和評估時間不斷增加。因此，考慮到模型準確率的前提下降低模型的運行時間，最終選取了隱藏層數(shù)為3，隱藏層節(jié)點數(shù)為4的基礎(chǔ)參數(shù)構(gòu)建評估模型。

（2）結(jié)果分析

通過對風(fēng)機實際振動數(shù)據(jù)的學(xué)習(xí)，結(jié)合設(shè)備故障數(shù)據(jù)集合，分析不同設(shè)備狀態(tài)類型下振動信號的時域波形，如圖1所示。

圖1 振動信號時域波形示意圖Fig.1 Schematic diagram of vibration time domain waveform

本文將通風(fēng)設(shè)施試驗數(shù)據(jù)隨機劃分為訓(xùn)練集和測試集，其比例為8∶2，并將實際的通風(fēng)設(shè)施振動數(shù)據(jù)作為驗證集，開展評估模型的試驗，實驗結(jié)果混淆矩陣見表6。

表6 實驗結(jié)果混淆矩陣Tab.6 Experimental result confusion matrix

由表6可知，使用LSTM神經(jīng)網(wǎng)絡(luò)建立的公路隧道通風(fēng)設(shè)施狀態(tài)評估模型能夠根據(jù)通風(fēng)設(shè)施振動數(shù)據(jù)較為準確地判別通風(fēng)設(shè)施的性能狀態(tài)，且未出現(xiàn)將健康設(shè)備評估為病態(tài)設(shè)備等情況。

同時，采用SVM和決策樹算法分別對通風(fēng)設(shè)施數(shù)據(jù)進行訓(xùn)練，研究各算法的準確性，其誤差函數(shù)結(jié)果見表7。

表7 各算法誤差Tab.7 Error of each algorithm

由表7可知，SVM和決策樹算法均能實現(xiàn)對通風(fēng)設(shè)施性能狀態(tài)進行評估的功能，SVM的MEA為1.34，算法性能較差；決策樹的MEA為0.87，算法性能一般；LSTM神經(jīng)網(wǎng)絡(luò)的MEA為0.38，性能較好。

綜上所述，LSTM神經(jīng)網(wǎng)絡(luò)適用于實現(xiàn)通風(fēng)設(shè)施性能狀態(tài)評估的功能，使用LSTM神經(jīng)網(wǎng)絡(luò)訓(xùn)練出的通風(fēng)設(shè)施性能評估模型能夠根據(jù)風(fēng)機振動數(shù)據(jù)對風(fēng)機當前的性能狀態(tài)進行準確評估。

3 結(jié)論

隨著公路隧道運營年限的增加，隧道內(nèi)通風(fēng)設(shè)施的性能也將逐漸衰減。本文以風(fēng)機振動數(shù)據(jù)為基礎(chǔ)，應(yīng)用pearson相關(guān)系數(shù)篩選強相關(guān)數(shù)據(jù)向量，并將機器學(xué)習(xí)方法引入對通風(fēng)設(shè)施的性能評估研究，使用LSTM神經(jīng)網(wǎng)絡(luò)構(gòu)建了一種公路隧道通風(fēng)設(shè)施性能評估模型。實驗結(jié)果表明，該模型能夠正確評估隧道內(nèi)各通風(fēng)設(shè)施的健康狀態(tài)。

本文提出的模型實現(xiàn)了對公路隧道內(nèi)通風(fēng)設(shè)施的性能狀態(tài)評估，能夠評估隧道內(nèi)所有通風(fēng)設(shè)施的狀態(tài)，為隧道管理單位對隧道通風(fēng)設(shè)施的風(fēng)機機組使用管理和運行狀態(tài)記錄提供數(shù)據(jù)支撐；能夠有效判斷風(fēng)機機組整體狀態(tài)和通風(fēng)系統(tǒng)整體運行情況，明確日常應(yīng)重點維護的風(fēng)機對象，為運維單位的日常維護工作提供依據(jù)；能夠精確篩選出處于劣化和病態(tài)狀態(tài)的風(fēng)機，指導(dǎo)通風(fēng)設(shè)施計劃性養(yǎng)護工作的科學(xué)規(guī)劃和制定。綜上所述，本文提出的模型對公路隧道通風(fēng)設(shè)施的管理和運維工作均具有重要意義。