钟晨昊
（中交基础设施养护集团有限公司，北京 100011）
随着我国公路网结构的逐渐完善，公路工程已从大规模建设阶段转向运营养护阶段。目前，我国是世界上公路隧道发展最快、数量最多、形式最复杂的国家，截至2020年底，我国进入运营养护阶段的隧道已有21 316处，共计2 199.93万米，且每年以10%左右的速度增长[1]。公路隧道受长度、纵坡以及交通组成等影响，洞内污染物持续累积、降低行车视距，通风设施作为保障隧道安全与卫生的重要手段，一旦隧道通风功能失效，将严重威胁驾乘人员的安全[2]。隧道通风是实现隧道安全、卫生、舒适设计标准的重要技术手段，随着隧道运营年限的增加，通风设施性能也随之衰损，当前通风设施维养主要根据部件是否故障作为维修或更换的依据，而性能衰损导致的“带病”风机的功能能否满足隧道运营安全的需求难以有效判断，这将给公路隧道的安全运营带来隐患风险。[3]
国内外已开展了诸多通风设施运行状态方面的研究。李辉等应用层次分析法构建具有反映机组运行状态重要特征的项目层和子项目层框架，引入劣化度指标，并应用模糊综合评判方法，建立风电机组运行状态评估的改进模型，实现风机的实时状态评估。王志国等[4]利用模糊数学理论，从技术经济、功能设置、可靠性及维修性四个方面来综合评判风力发电机组系统性能。王利鹏等[5]利用不确定性区间层次分析法和集对分析理论中的三元联系数精确地计算了高原矿井风机指标权重，并构建了五元联同异反评估模型对矿井风机进行了静态评估。姜超等[6]以实际故障风机的SCADA数据为基础，采用了基于层次分析法和模糊综合评价的评价方法实现风机运行状态综合评估。张苏闽等[7]针对风机健康状态监测问题，提出了一种基于改进BP神经网络的风机运行状态评估方法。杨锡运等[8]提取并准确合理地利用机组数据采集与监视控制系统（SCADA）各个相关状态参数之间的耦合特性，利用贝叶斯网络对风机高温降容状态进行评估，建立贝叶斯概率图形网络，实现对机组高温降容状态的评估。董玉亮等[9]针对大型风电机组运行工况和状态信息复杂、健康状态难以准确评估的问题，提出基于工况辨识的健康状态实时评价方法。周琦等[10]基于电站风机振动信号数据，应用聚类及最小二乘支持向量回归对采集的故障数据进行诊断和趋势预测，并分析了电站风机设备的类型、构造及风机几类典型故障。
现阶段，对于公路隧道通风设施的研究主要集中在定性的安全状态评估或节能方面，缺乏对通风设施性能状态的研究分析。本文以风机振动数据为基础，采用LSTM神经网络算法对不同病害状况下风机振动信号进行分析，构建公路隧道通风设施性能状态评估模型，实现公路隧道通风设施性能状态健康诊断。
在公路隧道通风设施性能评估的实际运用中，通常使用各类传感器对射流风机和轴流风机进行风机运行状态数据获取。本文以加速度传感器采集的风机振动数据为支撑，结合关键影响指标因素，分析不同状态下风机的性能表现形式，采用不同类型结果对通风设施性能状态进行标定，最终将通风设施性能状态划分为健康、亚健康、劣化以及病态四种状态。
采集风机的振动数据时，应在风机布设多处传感器以保证检测数据的完整性和多样性，使用能够反映每组振动数据向量与通风设施性能状态相关关系的pearson相关系数筛选出强相关的指标因素，以提高评估模型的准确性。其相关性计算表达式为：
式中：r为指标a、b之间的相关系数；
σa、σb为指标a、b的标准差；
为指标a、b的均值。
通风设施性能状态变化实际为时间序列，LSTM神经网络引入了时序的概念，消除了RNN的梯度爆炸或梯度消失的问题，且具有很强的学习能力与泛化能力，本文使用LSTM神经网络对通风设施的不同状态进行评估，根据已标定好的状态数据，构建通风设施性能状态评估模型。
以时间连续的风机振动指标数据为基础，采用LSTM神经网络对通风设施性能状态进行评估，其基本步骤见表1。
表1 LSTM神经网络训练步骤Tab.1 Training steps of LSTM neural network
其中，将数据集作为参数输入到神经网络中，在神经网络遗忘门层中舍弃输入与上一时刻隐藏层数据不可接受的信息ft，在输入门层i中控制新的数据输入，确定需要更新的数据信息，在输出门层中计算神经网络的输出结果ot，其表达式为：
式中 ：ωxi、ωhi、ωxf、ωhf、ωxo、ωho均为权重参数；
bi、bf、bo均为偏置参数。
在对比实际值与模型输出结果中，计算损失函数MAE，其表达式为：
式中：m为样本总个数，oi为模型输出结果，为实际值。正常状态至病态分别量化为值1至4。
2.1 数据源
本文以已通车运营的某公路隧道通风设施监测数据与试验数据为基础，结合设备故障数据集，获取不同程度性能及故障状态下的振动数据信号，其原始数据结果形式见表2。
表2 原始数据结果形式Tab.2 Result form of original data
2.2 数据相关性检验
由于不同振动指标对应通风设施之间的相关程度不同，因此对不同振动数据指标对其对应的性能状态之间的相关性进行研究分析，确定与通风设施性能状态强相关的指标参数。由pearson相关系数计算相关性，结果见表3。
表3 相关性结果Tab.3 Correlation results
由表3可知，与通风设施性能状态强相关r＞0.7）的影响指标为振动3、振动4、振动5、振动6、振动7、振动8，因此，本文将通过相关性较强的影响指标开展对通风设施性能状态的评估。
2.3 评估模型实现
（1）参数寻优
采用LSTM神经网络构建公路隧道通风设施性能状态评估模型，分别设置神经网络的样本量、时间步长以及批大小等参数，构建不同的评估模型，并通过误差函数MAE进行验证，其结果见表4。
表4 参数寻优结果Tab.4 Parameter optimization result
由表可以看出，在时间步长不变的情况下，随着数据批大小的增加，MAE值逐步上升；
而当数据批大小不变的情况下，随着时间步长的增加，MAE值先增加后减小。为了能获得更加精确的数据模型，本文选取时间步长为4，批大小为8作为模型的参数。
隐藏层数和节点数都是影响评估模型的关键参数，选取合适隐藏层参数能够提高数据结果的精度。分别设置2、3、4种隐藏层，4、8、16、32种隐藏层节点数的神经网络模型进行模型寻优，其中设置迭代次数为50次，不同参数下的MAE平均值见表5。
表5 隐藏层数与隐藏层节点数寻优结果Tab.5 Optimization results of hidden layers and hidden layer nodes
根据不同LSTM网络层数误差表可以看出，隐藏层为4，隐藏节点为4时评估的误差最小。在网络层数不变，增加节点数量，MAE值逐渐增大；
在节点数量不变的情况下，增加隐藏层数，MAE值逐渐减小，但是增加隐藏层数量会导致训练和评估时间不断增加。因此，考虑到模型准确率的前提下降低模型的运行时间，最终选取了隐藏层数为3，隐藏层节点数为4的基础参数构建评估模型。
（2）结果分析
通过对风机实际振动数据的学习，结合设备故障数据集合，分析不同设备状态类型下振动信号的时域波形，如图1所示。
图1 振动信号时域波形示意图Fig.1 Schematic diagram of vibration time domain waveform
本文将通风设施试验数据随机划分为训练集和测试集，其比例为8∶2，并将实际的通风设施振动数据作为验证集，开展评估模型的试验，实验结果混淆矩阵见表6。
表6 实验结果混淆矩阵Tab.6 Experimental result confusion matrix
由表6可知，使用LSTM神经网络建立的公路隧道通风设施状态评估模型能够根据通风设施振动数据较为准确地判别通风设施的性能状态，且未出现将健康设备评估为病态设备等情况。
同时，采用SVM和决策树算法分别对通风设施数据进行训练，研究各算法的准确性，其误差函数结果见表7。
表7 各算法误差Tab.7 Error of each algorithm
由表7可知，SVM和决策树算法均能实现对通风设施性能状态进行评估的功能，SVM的MEA为1.34，算法性能较差；
决策树的MEA为0.87，算法性能一般；
LSTM神经网络的MEA为0.38，性能较好。
综上所述，LSTM神经网络适用于实现通风设施性能状态评估的功能，使用LSTM神经网络训练出的通风设施性能评估模型能够根据风机振动数据对风机当前的性能状态进行准确评估。
随着公路隧道运营年限的增加，隧道内通风设施的性能也将逐渐衰减。本文以风机振动数据为基础，应用pearson相关系数筛选强相关数据向量，并将机器学习方法引入对通风设施的性能评估研究，使用LSTM神经网络构建了一种公路隧道通风设施性能评估模型。实验结果表明，该模型能够正确评估隧道内各通风设施的健康状态。
本文提出的模型实现了对公路隧道内通风设施的性能状态评估，能够评估隧道内所有通风设施的状态，为隧道管理单位对隧道通风设施的风机机组使用管理和运行状态记录提供数据支撑；
能够有效判断风机机组整体状态和通风系统整体运行情况，明确日常应重点维护的风机对象，为运维单位的日常维护工作提供依据；
能够精确筛选出处于劣化和病态状态的风机，指导通风设施计划性养护工作的科学规划和制定。综上所述，本文提出的模型对公路隧道通风设施的管理和运维工作均具有重要意义。