刘石磊， 耿 伟， 崔立志， 王 栋， 卜旭辉

(1. 中铁隧道集团有限公司勘测设计研究院， 广东 广州 511458；2. 河南理工大学电气工程与自动化学院， 河南 焦作 454000)

基于工业以太网的隧道施工通风环境参数自动监控系统研究

刘石磊1， 耿 伟1， 崔立志2, *， 王 栋1， 卜旭辉2

(1. 中铁隧道集团有限公司勘测设计研究院， 广东 广州 511458；2. 河南理工大学电气工程与自动化学院， 河南 焦作 454000)

为提高隧道施工通风系统自动化、信息化水平，提出了一种基于工业以太网络的隧道施工通风监控系统结构框架。系统由上位工控机、下位1200系列PLC及相关模块和传感器组成。工控机中采用WinCC软件编写监控程序，实现隧道施工环境与工作参数的实时监测；采用神经网络算法对现场数据进行学习，得到变频器输出频率的控制规律；1200PLC通过485电缆读取传感器数据；1200PLC和工控机之间通过以太网网线、光纤和无线局域网构成工业以太网络，实现系统环境参数和工作参数的共享。系统在天目山隧道施工通风项目部进行了调试与测试，结果表明： 1)1200PLC可以采用485电缆和Modbus协议在掌子面施工环境下顺利读取多个传感器的数据； 2)可以采用无线WIFI技术实现衬砌台车两端信息的稳定、可靠传输； 3)可以采用神经网络模型实现施工隧道环境参数与风机频率之间的非线性映射。

隧道施工通风监控系统； Profinet网络； Modbus通信网络； 1200PLC控制器； WinCC监控程序； 神经网络模型

0 引言

隧道施工通风系统是隧道工程的重要组成部分，其具有以下几个方面的特点： 1)随着施工面的不断推进，需风量动态变化； 2)隧道工程的流动性给通风系统的安装、调试和维护带来了不便； 3)长距离通风能够减少多端头掘进的规模，降低隧道施工的成本； 4)通风距离长，风管维护难度大； 5)通风耗电量大； 6)大多采用人工方式进行风量调节[1-5]。目前，隧道施工通风自动监控系统的相关研究滞后于隧道运营通风和煤矿通风，且未形成完整的研究体系与技术框架[6-9]。

从国内外的工程实例和研究成果来看，公路隧道运营期间的数值模拟、通风系统设计和风机自动控制技术等方面的研究比较成熟。但在环境参数控制方面的研究成果无法直接移植到隧道施工通风领域，主要原因为： 隧道施工通风多为长距离独头掘进，施工现场环境恶劣，在隧道中无法安装和使用贯穿风流通风设备。国外早已实现了巷道风量、粉尘、有害气体、温度以及湿度的自动监测，并已形成了微机管理系统。瑞典布里登矿产公司(Boliden Mineral AB)在其莱斯瓦尔(Laiswall)铅锌矿安装了1套Powervent计算机辅助全矿通风控制系统，不仅使风机的运转工况符合日常通风的需要，还可降低矿井电耗。与国外相比，国内的隧道施工通风自动监控技术还不够高。隧道施工通风系统是一个非线性多变量的控制系统，难以建立温度场和有害气体含量的精确模型。文献[10]结合某特长隧道施工实际，运用Fluent软件模拟分析了隧道出碴过程中洞内流场的特性及CO含量的空间分布规律，为传感器的安装提供了一定的参考。文献[11-12]避开传统经典理论数学建模的思路，建立了一种基于模糊理论的高原隧道施工通风控制方法，采用模糊控制器推算得到通过控制电压控制的通风系统的通风量，但并未给出传感器阈值的选择依据。

本文针对独头掘进式隧道施工结构，提出了一种基于Modbus总线、Profinet工业无线以太网及由光纤传输的工业有线以太网的隧道施工通风自动监控系统，解决了复杂工业环境下数据采集与传输的问题。在软件控制方面，采用BP神经网络对环境参数与风机运行频率的关系进行建模，解决了传感器位置选择与阈值确定的难题。此研究为提高隧道施工通风的自动化、信息化水平提供了一种设计思路。

1 隧道施工通风监控系统组成原理

独头掘进隧道施工通风监控系统由监控柜、现场控制柜、无线端和传感器柜等组成，如图1所示。柔性通风风管穿过衬砌台车和防水板台架，开口于钻孔台架一侧。通风机通过通风管道将新鲜空气送入隧道，并将有毒、有害气体排出隧道。采用传感器柜采集现场的环境参数(包括CO含量、NO2含量、含氧量、温度和粉尘含量)，并通过Modbus协议传送至无线端。无线端将采集的数据通过无线WIFI传送至现场控制柜。现场控制柜一方面通过触摸显示传感器参数；另一方面将传感器参数通过光纤传送至监控柜。监控柜一方面接收并显示现场环境参数；另一方面通过决策算法控制变频器的频率，从而调节风机的送风量。

①—掌子面； ②—钻孔台架； ③—仰拱栈桥； ④—防水板台架； ⑤—衬砌台车。

图1独头掘进隧道施工通风监控系统组成

Fig. 1 Components of monitoring system of construction ventilation of dead-end boring tunnel

在图1所示的监控系统中，传感器的安装与防护是一个难题，至今尚无统一的标准，采用数值模拟方法得到的结果存在一定的误差。施工现场环境恶劣，爆破产生的冲击波威胁着传感器的安全。本文采用机器学习的方法弱化传感器位置选择的问题，将传感器安装于相对安全并且能够反映现场环境参数的位置，并安排有经验的风机司机对风机进行操作(改变风机运行的频率)。监控系统对司机的操作频率和传感器的数值进行记录并学习，得到符合现场的控制规律。

传感器安装位置的选取需要考虑轴向位置和纵向位置2个方面的内容。根据流体力学理论及相关研究[13]，施工隧道掌子面附近的流场分布主要符合3个规律： 1)风流在掌子面附近为湍流，离开掌子面一定距离(20 m)后趋于稳定； 2)隧道横截面中间部分流体的速度较高，四周流速较低； 3)流场稳定后，有害气体含量沿轴向呈单峰曲线分布，即在距离掌子面某处的监测环境达标时，该监测点与掌子面之间的环境参数也是达标的。基于以上流场分布的3个规律，且考虑到大部分工作人员集中在防水板台架与掌子面之间，将传感器柜安装于防水板台架上。这种安装方式既解决了传感器的安全保护问题，又能够反映隧道施工主要工作区域环境参数的变化情况，其采用BP人工神经网络对风机司机的操作过程进行学习，有效地避开了传感器监测点选择的难题。BP神经网络是一种前向多层神经网络，其采用误差反向传播学习算法逼近任何有理函数[14-15]。建立的BP人工神经网络模型如图2所示。其将传感器采集的参数作为模型的输入，将风机频率作为模型的输出，并根据现场风机司机的操作记录，学习风机的控制规律。

图2 BP人工神经网络模型

2 系统硬件的组成

通风监控系统硬件组成如图3所示。监控柜一方面通过485电缆读取并控制变频器，另一方面通过光纤与现场控制柜进行数据交换。现场控制柜与无线端之间通过无线局域网进行通信。无线端与传感器柜之间通过485电缆进行连通。传感器柜中安装粉尘含量传感器、CO含量传感器、NO2含量传感器、含氧量传感器和温度传感器。除了粉尘含量传感器需要配置额外的485通信模块外，其他传感器均支持Modbus协议的485通信功能。

在图3中，光电交换机、无线热点W774和无线客户端W734将工控机和2台1211C连接在一个局域网内，其中光电交换机不需要配置IP地址。WinCC监控软件在工控机中运行，并通过变量管理器建立与2个1211C之间的数据连接通道。监控柜中的1211C-1通过485模块CM241读取变频器的信息并发送控制命令。无线端中的1211C-2通过485模块CM241读取各传感器的数据并共享于局域网中。各设备的IP地址设置见图3。2台1211C的硬件组态包括设备组态和数据块组态2个部分，设备组态包括系统的硬件组成和IP地址分配等；数据块组态包括变频器对应变量构建、监控软件相关变量构建和数据块属性设置等内容。无线热点W774和无线客户端W734的参数配置通过IE浏览器完成。W774的主要配置包括： 1)System页选择AP模式，即热点； 2)Antenna页设置天线参数； 3)Radio页配置无线电参数； 4)AP页设置无线热点名称为TF774； 5)Security页设置为Open System，即无密码接入。W734的主要配置包括： 1)Antenna页设置天线参数； 2)Radio页配置无线电参数； 3)Client页设置无线接入点名称为TF774； 4)Security页设置为Open System，即无密码接入。

图3通风监控系统硬件组成

Fig. 3 Components of hardware of monitoring system

3 通风监控系统软件编程

通风监控系统的软件包括工控机WinCC监控程序和2台PLC通信程序。其中，WinCC监控程序完成系统的上位机监控、风机智能控制、过程变量管理和异常数据报警等功能；PLC通信程序主要负责现场参数的采集及通信。

3.1 WinCC监控程序设计

监控程序由监控界面、控制算法和虚线框中的WinCC组件组成，如图4所示。WinCC自带的变量管理与Profinet网络连接，将下位机中的数据映射到上位机。变量记录和报警记录组件从变量管理中读取数据并进行相关设置，实现数据的归档和数据超限时自动报警。用户管理组件实现系统用户信息的组态。控制算法在全局脚本组件中采用C语言进行编写。

监控主界面、控制界面、现场控制柜界面和传感器柜界面直接从变量管理中连接数据进行显示与设置。其中，传感器的数值只作为显示，而变频器的数值作为显示的同时还要向下传递并改变变频器的输出频率。控制界面调用控制算法全局脚本，实现风机运行频率的自动调节。变频器风机界面和历史数据界面从变量记录中读取归档数据并进行显示与分析。报警界面从报警记录中读取数据并显示。用户管理界面与用户管理组件相关联，实现用户信息的管理。

为了提高控制系统的响应速度，神经网络模型采用了离线学习、在线计算的控制方式。系统投入使用后首先进入数据监测阶段。当采集的数据足够多时，采用BP神经网络对数据进行学习，得到神经网络的权值矩阵。然后将权值矩阵写入控制算法中，得到当前环境参数应该给出的风机控制频率，从而调节供风量。

图4 监控程序组成

3.2下位机PLC数据采集程序设计

1211C-2调用的Modbus指令包括通信初始化模块和Modbus主站模块2条指令，其中主站模块指令连续调用5次(对应5个传感器，分别编号为1—5号指令)。为了防止各个传感器在读取过程中总线产生冲突，并且考虑到当单个传感器发生故障时不影响后续传感器的读取，程序中将各个指令的DONE和ERROR信号并联后分别复位上一个主站读取指令的使能端，同时置位后一个主站指令的使能端。最后，5号指令的DONE和ERROR信号并联后复位5号指令使能端，同时置位1号指令使能端，从而实现5个传感器的轮询。其中，1号主站指令的使能端并联通信初始化的DONE信号，从而触发第1次轮询。

1211C-1调用的Modbus指令包括通信初始化模块和Modbus主站模块2条指令，其中主站模块指令连续调用2次(对应2个变频器)。其他设计类似于1211C-2中的设置。

4 系统调试与分析

依托杭州—黄山铁路工程天目山隧道通风项目进行系统的调试与测试。杭州—黄山铁路工程位于天目山山脉的西南方向，隧道起于浙江省淳安县临歧镇徐家庄村，止于安徽省歙县三阳乡黄坞村，隧道全长12 013 m。天目山隧道设3座斜井、1座横洞，均采用无轨运输双车道衬砌断面。该系统在闻家斜井进行调试与测试，现场设备的安装情况如图5所示。其中，监控柜安装于隧道口的控制室；无线端安装于防水板台架的下方，天线及馈线经过保护后安装于无线端下方；现场控制柜安装于衬砌台车远离掌子面一侧，天线及馈线经过保护后安装于台架上；传感器柜安装于无线端的上方，并通过485电缆连接于无线端上。图5(d)示出的传感器柜门处于打开状态，实际使用过程中的传感器柜门处于闭合状态，柜体及柜门上有密集、规则的圆孔，便于传感器与外界环境进行接触。

(a) 监控柜

(b) 无线端

(c) 现场控制柜

(d) 传感器柜

图5现场设备的安装情况

Fig. 5 Installation of field devices

通过实地调试与测试，该系统能够较好地实现隧道施工通风管理的智能化、信息化与自动化。具体分析如下。

1)系统结构框架的先进性。该系统采用有线、无线以太网和485电缆相结合的通信方式，提高了系统的通信距离，增强了系统安装的灵活性。采用Profinet工业以太网络作为数据通信协议，保障了数据通信的稳定性、可靠性和操作简易性。

2)学习样本计算结果分析。从数据库中提取监测数据得到的学习样本如图6所示。通过观察，在正常的通风条件下NO2含量和含氧量变化不明显，因此设计的神经网络模型的输入层为4个神经元(分别对应粉尘含量、CO含量、温度和湿度)。根据经验公式，模型中间层神经元个数为3～13，以误差最小为依据选择神经元的个数为6。输出层对应频率值，神经元的个数为1。图6中各曲线的采样频率为0.2 Hz(即每5 s获取一个采样值)，然后截取15 051个采样点(约为21 h)的数值输入神经网络模型进行学习。学习完成后，将权值矩阵写入程序，对原学习数据进行计算，得到学习样本的计算结果，如图7所示。由图7可以看出，计算得到的频率变化趋势(学习频率曲线)与人工操作时的频率变化趋势相似。对学习频率曲线和人工操作频率曲线进行求和，得到的频率求和曲线为人工操作频率曲线的0.92倍。风机轴功率与频率的3次方成正比，因此学习频率曲线与人工手动操作相比较具有一定的节能效果。由于学习频率曲线变化较为频繁，因此实际过程中需对学习频率曲线进行滤波后再送给变频器。

(a) 粉尘含量

(b) CO含量

(c) 温度

(d) 湿度

(e) 频率

图7 学习样本的计算结果

3)控制过程测试数据计算结果分析。测试数据计算结果如图8所示。将控制算法作用于控制系统进行测试，截取了5 915个采样点(约为8 h)的系统传感器参数和频率计算值，其中，频率计算值经过了平滑滤波。结果表明，神经网络模型输出的频率计算值能够较好地完成通风机的控制任务，且自动调节速度与人工操作的调节速度相接近。如图6所示，在人工操作过程中，粉尘含量曲线和CO含量曲线由峰值到0值附近分别需要200和803个采样点的时间；而图8中，粉尘含量曲线和CO含量曲线由峰值到0值附近分别需要192和733个采样点的时间。

4)控制算法可靠性检验。截取不同时间段的、类似于图6所示的包含污染物数值峰值的数据集合若干，采用神经网络模型进行了9次计算，计算结果如图9所示。由图9所示的9次计算结果可以看出，每次的计算结果均能跟随学习对象的变化趋势进行变化，说明文中提出的控制算法能够实现变频风机的自动控制。另外，9次计算频率的求和曲线与人工操作频率曲线的比例依次为：0.984 3, 0.985 6, 0.986 9, 0.988 5, 0.987 8, 0.988 8, 0.988 5, 0.983 2, 0.989 6。由此可以看出，9次计算结果中自动控制的频率均小于人工手动控制频率，说明本文提出的控制算法能够可靠地实现一定的节能效果。

(a) 粉尘含量

(b) CO含量

(c) 温度

(d) 湿度

(e) 频率

5 结论与讨论

针对隧道施工通风系统提出了一种先进的系统结构框架，引入了机器学习算法对风机频率进行控制，结论如下。

1)采用多种数据通信协议有效地提高了系统的数据采集效率和通信距离，能够满足目前隧道施工通风工程的实际要求。其中，采用Modbus总线协议实现了多个传感器数值的总线读取，保证了数据采集的实时性和硬件组成的简单化；采用工业无线以太网实现了衬砌台车两端的数据无线通信，保证了在复杂工业环境下数据的有效传输；采用光纤和以太网技术实现了衬砌台车末端至通风洞口之间的数据远距离传输。

(a) 第1次计算结果

(b) 第2次计算结果

(c) 第3次计算结果

(d) 第4次计算结果

(e) 第5次计算结果

(f) 第6次计算结果

(g) 第7次计算结果

(h) 第8次计算结果

(i) 第9次计算结果

图9采用神经网络模型计算的结果

Fig. 9 Calculation results of neural network model

2)采用了上位机+下位机的结构框架，提高了系统的执行效率。上位机主要完成监控画面的展现，提供良好的人机界面；下位机主要完成数据的采集、存储与传输，提供稳定可靠的数据通道。

3)使用神经网络模型对环境参数和风机频率进行了离线学习，然后将学习成功的神经网络模型应用于风机的频率控制中。神经网络的引入有效地避开了传感器位置选择的难题，为传感器的安装提供了便利；同时，神经网络模型直接在环境参数和风机频率之间建立对应关系，解决了风机控制过程中复杂的非线性建模问题。

4)有效地解决了隧道施工通风工作中自动化程度不高的问题，降低了工作人员操作的复杂程度，能够在一定程度上提高能源利用率，且其自动调节速度与人工操作的调节速度接近。随着隧道掘进深度的增加，通风参数(如风管风阻、通风距离)均会产生较大的变化，因此，需要在一定的间隔时间后对神经网络的权值参数进行再学习，避免出现较大的计算误差。

5)本研究为隧道施工通风自动控制提供了一种有效的方法，但为了进一步提高控制算法的精度与速度，需要针对算法本身进行更深入的研究和测试。

[1] 苟红松, 吴元金, 李永生， 等. 隧道施工通风分风三通位置选择研究[J]. 隧道建设， 2016, 36(4): 384.

GOU Hongsong, WU Yuanjin, LI Yongsheng, et al. Selection of location of ventilation T-junciton in tunnel construction[J]. Tunnel Construction, 2016, 36(4): 384.

[2] ZHANG Heng, CHEN Shougen, CHEN Liang. A study of large power jet ventilation technology in long tunnel construction[J]. Applied Mechanics and Materials, 2011, 94: 1800.

[3] 宋旭彪. 压出式空气幕通风技术在隧道施工中的应用[J]. 现代隧道技术, 2013, 50(2): 173.

SONG Xubiao. Application of forced-out air curtain ventilation in tunnel construction[J]. Modern Tunnelling Technology, 2013, 50(2): 173.

[4] LIN Baolong, JIA Xiaoyun. Numerical analysis of construction ventilation of long railway tunnel in plateau area[J]. Advanced Materials Research, 2011, 243: 3489.

[5] 孙振川，苟红松. 隧道长距离独头施工通风设备选型探讨[J]. 隧道建设, 2014, 34(5): 408.

SUN Zhenchuan, GOU Hongsong. Comments on equipment selection for ventilation during long-distance dead-end tunneling[J]. Tunnel Construction, 2014, 34(5): 408.

[6] 何知思，曾鹏，钟勇奇，等. 壁板坡特长隧道施工通风的影响因素分析[J]. 铁道标准设计, 2016, 60(5): 91.

HE Zhisi, ZENG Peng, ZHONG Yongqi, et al. Analysis of construction ventilation influencing factors of Bibanpo extra-long tunnel[J]. Railway Standard Design, 2016, 60(5): 91.

[7] 刘敦文, 唐宇, 李波, 等. 瓦斯隧道施工通风风筒优化数值模拟及试验研究[J]. 中国公路学报, 2015, 28(11): 98.

LIU Dunwen, TANG Yu, LI Bo, et al. Numerical simulation and test analysis of construction ventilation air duct optimization in gas tunnel[J]. China Journal of Highway and Transport, 2015, 28 (11): 98.

[8] 王应权. 长大铁路隧道施工通风方案选择及优化[J]. 地下空间与工程学报, 2015, 11(增刊1): 359.

WANG Yingquan. The selection and optimization of ventilation scheme for long railway tunnel construction[J]. Chinese Journal of Underground Space and Engineering, 2015, 11(S1): 359.

[9] 邬如梁. 自动化控制技术在煤矿通风系统中的应用[J]. 煤炭技术, 2013, 32(4): 62.

WU Ruliang. Application of automation control technology in coal mine ventilation system[J]. Coal Technology, 2013, 32(4): 62.

[10] 刘敦文，甘如鲁，张聪，等. 隧道出碴过程CO含量监测与模拟研究及应用[J]. 铁道科学与工程学报, 2014, 11(5): 90.

LIU Dunwen, GAN Rulu, ZHANG Cong，et al. Research and application of CO concentration monitoring and simulation under tunnel mucking process[J]. Journal of Railway Science and Engineering, 2014, 11(5): 90.

[11] 温少芳，刘海宁，王军，等. 冻土隧道施工通风模糊控制系统的研究[J]. 铁道工程学报, 2006, 23(8): 76.

WEN Shaofang, LIU Haining, WANG Jun, et al. Research on frozen soil tunnel construction ventilation system based on fuzzy control theory[J]. Journal of Railway Engineering Society, 2006, 23(8): 76.

[12] 李力, 危宁. 隧道施工通风系统模糊控制方法研究[J]. 人民长江, 2008, 39(2): 43.

LI Li, WEI Ning. Research on fuzzy control approach for ventilation system in tunnel construction[J]. Yangtze River, 2008, 39(2): 43.

[13] 刘钊春. 独头掘进隧道施工通风数值模拟[D]. 西安: 西安理工大学, 2010.

LIU Zhaochun. Numerical simulation on construction ventilation of single head tunnel[D]. Xi′an: Xi′an University of Technology, 2010.

[14] 刘建， 刘丹. 利用BP神经网络模型动态预测隧道涌水量： 以铜锣山隧道为例[J]. 现代隧道技术, 2012, 49(3): 62.

LIU Jian, LIU Dan. Dynamic prediction of tunnel water inflow based on BP neural network: A case study of Tongluoshan Tunnel[J]. Modern Tunnelling Technology, 2012, 49(3): 62.

[15] 杨卓，马超. 基于BP神经网络方法的岩溶隧道突涌水风险预测[J]. 隧道建设, 2016, 36(11): 1337.

YANG Zhuo, MA Chao. Risk prediction of water inrush of karst tunnels based on BP neural network[J]. Tunnel Construction, 2016, 36(11): 1337.

StudyofAutomaticMonitoringSystemofEnvironmentParametersofTunnelConstructionVentilationBasedonIndustrialEthernet

LIU Shilei1, GENG Wei1, CUI Lizhi2， *, WANG Dong1, BU Xuhui2

(1.Survey,DesignandResearchInstituteofChinaRailwayTunnelGroupCo.,Ltd.,Guangzhou511458,Guangdong,China; 2.SchoolofElectricalEngineeringandAutomation,HenanPolytechnicUniversity,Jiaozuo454000,Henan,China)

In order to improve the automatizaion and informatization level of tunnel construction ventilation system in China, a monitoring system of tunnel construction ventilation based on industrial Ethernet (IE) is proposed. The monitoring system is composed of industrial personal computer (IPC), 1200 series programmable logical computer (PLC) and relative modules and sensors. The monitoring program of IPC is written by software WinCC, which can realize the real-time monitoring of tunnel construction environment and working parameters. The neural network algorithm is used to study the field data, which can obtain the control law of output frequency of the transducer. The industrial Ethernet between 1200PLC and IPC is established by Ethernet cable, optical fiber and wireless LAN, which can realize the sharing of system environment parameters and work parameters. The system is debugged and tested in the construction ventilation project of Tianmushan Tunnel. The results show that: 1) The 1200PLC can collect the data of multiple sensors smoothly by using 485 cable and Modbus protocol under the construction environment of tunnel face. 2) The technology of WIFI could be used to realize the stable transmission of information between the two ends of the lining formwork trolley. 3) The artificial neural network could be used to realize the nonlinear representation between the environment parameters and the fan frequency.

monitoring system of tunnel construction ventilation; Profinet network; Modbus communication network; 1200PLC controller; WinCC monitoring program; neural network model

2017-02-16;

2017-08-27

河南省科技攻关计划项目(172102210024)

刘石磊(1982—)，男，江苏徐州人，2005年毕业于兰州交通大学，建筑环境与设备工程专业，本科，高级工程师，主要从事隧道及地下工程工作。E-mail： 15037953057@139.com。*通信作者： 崔立志， E-mail： clzh0308@126.com。

10.3973/j.issn.2096-4498.2017.11.006

U 453.5

B

2096-4498(2017)11-1396-08