基于MIV特征篩選與BP神經(jīng)網(wǎng)絡(luò)的施工隧道通風控制算法

王中洋 孟憲倫

摘 要：針對隧道時變性與不確定性，提出一種基于BP神經(jīng)網(wǎng)絡(luò)預(yù)測風機頻率的算法，通過頻率預(yù)測開啟風機，實現(xiàn)隧道通風自動化。在此算法基礎(chǔ)上，運用MIV算法篩選有意義的輸入?yún)?shù)。結(jié)果表明，經(jīng)MIV算法優(yōu)化后，BP神經(jīng)網(wǎng)絡(luò)算法預(yù)測風機頻率有較高精確性，符合風機在隧道的運行特性，可應(yīng)用于隧道通風。

關(guān)鍵詞：隧道通風控制算法；BP神經(jīng)網(wǎng)絡(luò)；MIV

DOI：10.11907/rjdk.171400

中圖分類號：TP312

文獻標識碼：A 文章編號：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

隨著我國經(jīng)濟增長與綜合國力提升，交通事業(yè)迅猛發(fā)展，公路鐵路不斷向山區(qū)延伸，隧道所占比例越來越高。隧道屬于相對封閉區(qū)域，施工產(chǎn)生的有害氣體會危害施工人員健康。因此，隧道通風系統(tǒng)控制策略研究具有重要意義[1]。

我國隧道施工技術(shù)經(jīng)過幾十年發(fā)展，已經(jīng)達到了發(fā)達國家水平。因施工中通風系統(tǒng)干擾因素多，有關(guān)參數(shù)變化范圍大，目前國內(nèi)外隧道施工通風自動控制水平不高[2]。通風主要作用是排除隧道內(nèi)施工產(chǎn)生的粉塵與有害氣體，維持機械設(shè)備正常運行，創(chuàng)造良好施工環(huán)境，保障施工人員健康[3-5]。

施工中隧道通風系統(tǒng)主要難題是，針對復(fù)雜且不確定的受控對象與環(huán)境如何給出有效控制決策。本文利用MIV算法在現(xiàn)場采集數(shù)據(jù)中篩選對結(jié)果有意義的數(shù)據(jù)，確定神經(jīng)網(wǎng)絡(luò)輸入變量，并應(yīng)用于通風系統(tǒng)進行預(yù)測。通過MATLAB仿真可以看出，將MIV算法篩選后的數(shù)據(jù)輸入BP神經(jīng)網(wǎng)絡(luò)，具有更佳動態(tài)特性與較強魯棒性，且對隧道通風系統(tǒng)固有非線性因素有較高跟蹤性能。

1 MIV算法數(shù)據(jù)篩選

1.1 MIV算法

實際情況下，神經(jīng)網(wǎng)絡(luò)輸入數(shù)據(jù)常根據(jù)經(jīng)驗選取，并沒有充足理論依據(jù)，確定神經(jīng)網(wǎng)絡(luò)輸入特征較為困難。若將一些對結(jié)果影響較小數(shù)據(jù)引入，會降低BP神經(jīng)網(wǎng)絡(luò)模型精度，影響預(yù)測結(jié)果[6-8]。

MIV算法是BP神經(jīng)網(wǎng)絡(luò)評價輸入?yún)?shù)對結(jié)果影響的標準之一，其大小代表了對結(jié)果相關(guān)性影響的大小與方向。MIV的絕對值大小代表對結(jié)果影響的大小，符號代表方向。其原理為：①將樣本中每一個數(shù)據(jù)特征值增加或減少10%，或自定義其特征值增減量，對此進行仿真，得到兩個仿真結(jié)果；②兩個仿真結(jié)果差值為變動該自變量后對輸出產(chǎn)生的影響變化值，即IV值；③將IV值按觀測列數(shù)平均得到輸入變量對于應(yīng)變量的網(wǎng)絡(luò)輸出MIV值。用該方法計算每個數(shù)據(jù)MIV值并根據(jù)大小排序，得到各個數(shù)據(jù)對結(jié)果影響大小的排序，采用逐步剔除法實現(xiàn)變量篩選[9]。

1.2 數(shù)據(jù)篩選

本文數(shù)據(jù)源于施工中杭黃鐵路隧道采集的實時數(shù)據(jù)。在二次襯臺車安裝傳感器裝置，每5s獲取一個采樣值，共獲取18 000個采樣值，分別為粉塵濃度、CO濃度、NO-2、O-2、溫度、濕度及風機開啟頻率。其中，粉塵濃度、CO濃度、NO-2、O-2、溫度、濕度作為輸入變量，風機運行頻率作為輸出變量。采樣數(shù)據(jù)如圖1所示。

按照前述MIV算法流程，分別計算粉塵濃度、CO濃度、NO-2、O-2、溫度、濕度MIV值：MIV（粉塵濃度）=1.6139e-5，MIV（CO濃度）=6.5349e-9，MIV（NO-2）=0，MIV（O-2）=-0.0011，MIV（溫度）=0.0108，MIV（濕度）=0.059。輸入?yún)?shù)MIV值按大小排序：MIV（粉塵濃度）>MIV（CO濃度）>MIV（濕度）>MIV（溫度）>MIV（O-2）>MIV（NO-2）。其中，NO-2、O-2的MIV值小于粉塵濃度、CO濃度、溫度、濕度MIV值，對風機頻率影響較小。因此取粉塵濃度、CO濃度、溫度、濕度4個輸入變量作為神經(jīng)網(wǎng)絡(luò)輸入變量。

2 BP神經(jīng)網(wǎng)絡(luò)預(yù)測

2.1 BP算法

BP神經(jīng)網(wǎng)絡(luò)是一種具有3層及以上的神經(jīng)網(wǎng)絡(luò)，含輸入層、隱含層、輸出層，上下層之間實現(xiàn)全連接，每層神經(jīng)元之間實現(xiàn)無連接。該網(wǎng)絡(luò)結(jié)構(gòu)可實現(xiàn)輸入與輸出的任意非線性函數(shù)映射，對于離散度大、非線性高、時變性強的系統(tǒng)具有很強自適應(yīng)學(xué)習能力，能貯存大量輸入-輸出模式映射關(guān)系，無需事前揭示描述這種映射關(guān)系的數(shù)學(xué)方程。因此，廣泛應(yīng)用于函數(shù)逼近、模式識別與期望追蹤等領(lǐng)域[10]。

BP神經(jīng)網(wǎng)絡(luò)算法是按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò)，由正向傳播與反向傳播組成。正向傳播是輸入信號從隱含層最終傳遞到輸出層，如果輸出層得到期望軌跡，則學(xué)習參數(shù)過程終止，否則轉(zhuǎn)到反向傳播。反向傳播是將輸出期望差值從隱含層傳到輸出層，并將之分配到各層所有神經(jīng)元，得到各層神經(jīng)元誤差，用誤差信號修正各神經(jīng)元權(quán)值。正向傳播與反向傳播周而復(fù)始，不斷修正各層神經(jīng)元權(quán)值，直到得到期望輸出值。這種權(quán)值不斷更新、修正的過程就是BP神經(jīng)網(wǎng)絡(luò)學(xué)習過程，學(xué)習過程持續(xù)到完成設(shè)定學(xué)習次數(shù)或輸出期望差值達到可接受范圍為止[11]。

經(jīng)MIV算法篩選后，將神經(jīng)網(wǎng)絡(luò)模型輸入層為分為4個神經(jīng)元（分別對應(yīng)于粉塵濃度、CO濃度、溫度、濕度）。根據(jù)經(jīng)驗公式，神經(jīng)網(wǎng)絡(luò)模型中間層神經(jīng)元在3～13個之間，以誤差最小為依據(jù)，選取6個神經(jīng)元；輸出層對應(yīng)頻率值，神經(jīng)元個數(shù)為1。為避免因輸入輸出數(shù)據(jù)數(shù)量級差別大造成網(wǎng)絡(luò)預(yù)測誤差大，將所有數(shù)據(jù)都轉(zhuǎn)換為[0，1]之間的數(shù)，進行標度轉(zhuǎn)換。圖2為神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。

2.2 數(shù)據(jù)與參數(shù)訓(xùn)練

本文將傳感器采集的粉塵濃度、CO濃度、溫度、濕度數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)模型的輸入，風機頻率作為模型的輸出。根據(jù)現(xiàn)場風機司機操作記錄，學(xué)習風機控制規(guī)律。風機頻率采樣點如圖3所示。

結(jié)合實際工況，采樣后期（15 000個采樣點之后）粉塵濃度、CO濃度、溫度、濕度參數(shù)特性相對穩(wěn)定，隧道空氣質(zhì)量能夠滿足工況要求，保障施工人員健康。此時，為節(jié)約能源降低了風機頻率。因此，采樣后期數(shù)據(jù)沒有實際意義，應(yīng)選用1～15 000的采樣點進行仿真。

由圖4、圖5可看出，BP神經(jīng)網(wǎng)絡(luò)能夠預(yù)測風機頻率趨勢。比較圖3、圖4，發(fā)現(xiàn)經(jīng)MIV算法優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)能提高模型精度，應(yīng)用于隧道通風系統(tǒng)可更準確預(yù)測風機頻率。

3 結(jié)語

本文在隧道通風系統(tǒng)中，運用BP神經(jīng)網(wǎng)絡(luò)算法預(yù)測風機頻率。通過MIV算法，在6個參數(shù)中篩選出4個對BP神經(jīng)網(wǎng)絡(luò)建模精度影響較大的參數(shù)作為輸入?yún)?shù)。輸

入?yún)?shù)作為BP神經(jīng)網(wǎng)絡(luò)的輸入，風機頻率作為輸出，利用MTLAB仿真軟件進行仿真。結(jié)果表明：①利用BP神經(jīng)網(wǎng)絡(luò)能夠?qū)崿F(xiàn)風機頻率預(yù)測開啟；②經(jīng)MIV算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)能快速、準確逼近風機頻率曲線。因此，本文提出方法是可行有效的，可應(yīng)用于隧道通風系統(tǒng)。

參考文獻：

[1] 劉少軍，張思雨.基于PLC及觸摸屏的隧道通風系統(tǒng)的設(shè)計[J].國外電子測量技術(shù)，2016，35（6）：92-95.

[2] 王明慧，姚云曉，蔣樹屏.我國鐵路隧道施工方法及適應(yīng)性研究[J].現(xiàn)代隧道技術(shù)設(shè)計，2010（3）：1-5.

[3] 楊超，王志偉.公路隧道通風技術(shù)現(xiàn)狀及發(fā)展趨勢[J].地下空間與工程學(xué)報，2011，7（4）：819-824.

[4] 呂康成，伍毅敏.特長公路隧道通風設(shè)計若干問題與對策[J].現(xiàn)代隧道技術(shù)，2006，43（6）：49-52.

[5] 羅寧寧，宋貴明.長大隧道遠程自動智能施工通風技術(shù)[J].企業(yè)技術(shù)開發(fā)，2016，35（31）：11-15.

[6] 王紫微，葉奇旺.基于神經(jīng)網(wǎng)絡(luò)MIV值分析的腫瘤基因信息提取[J].數(shù)學(xué)的實踐與認識，2011，41（14）：47-58.

[7] 顧瑤媛，謝紅，吳旭波.基于MIV特征篩選和BP神經(jīng)網(wǎng)絡(luò)的三維人體參數(shù)轉(zhuǎn)換[J].上海工程大學(xué)學(xué)報，2012，26（4）：361-364.

[8] 張金國，王小君，朱潔，等.基于MIV的BP神經(jīng)網(wǎng)絡(luò)磷酸鐵鋰電池壽命預(yù)測[J].電源技術(shù)研究與設(shè)計，2016，40（1）：50-52.

[9] 孫寧嶸，張勤，沙勇華.基于MIV-BP網(wǎng)絡(luò)與粗糙集的邊坡敏感性分析[J].河南科學(xué)，2016，34（10）：108-113.

[10] 桂現(xiàn)才.BP神經(jīng)網(wǎng)絡(luò)在MTLAB上的實現(xiàn)與應(yīng)用[J].湛江師范學(xué)報，2004，25（3）：79-83.

[11] 龔聰.改進神經(jīng)網(wǎng)絡(luò)煤礦安全評價模型仿真研究[J].計算機仿真，2012，29（1）：156-159.

（責任編輯：何 麗）