基于优化的K近邻法的特长隧道风机养护平台.pdf

技术：基于优化的近邻法的特长隧道风机养护平台沈航，裴洋（浙江省机电设计研究院，浙江杭州）摘要：隧道风机作为特长型隧道内部的重要机电设备，在火灾等紧急事故发生时至关重要。体积过大、内部结构 复 杂以及所处环境不稳定 等因素，均是隧道风机日常 养护和运维的重大阻碍。特长型隧道内部环境的特殊性导致运维人员无 法进行频繁的人工检修或者维护，且过度依赖运维人员经验进行养护无 法保证其运维的 高效性和准确性。本文依据相应国家 交通数字化改革政策，通过合理的科学数据推算，提出特长隧道风机养护平台。其基于近邻法生成养 护预案自适应匹配措施，供运维人员参考。非专业技术人员也可以进行常规的风机养护且无需进行频繁的人工巡检。关键词：数据服务；近邻法；主成分 分析法；折交叉验证；统一接入平台我国正在努力建设以数据 创新为驱动、通信网络 为基础、数据算力设施为核心的基础设施体系，机电领域面临数字化转型的关键节点。隧道作 为一个复杂又特殊的交通环境，与其他交通场景的管理运营有所不同，其中特长隧道由于内部环境最 为复杂，运维需求远高于其他环境。风机作为隧道中最重要的机电设备，在各类事故的救援中都至关重要。尤其在特长隧道这种密闭环境中，风机具有维修难、开启频繁等特点。基于上述多点 原因，本文从运维养护角度建设一个特长隧道风机养护平台，其中的养护预案自适应匹配技术在行业中存在一定空白。以往的风机运维主要依靠专业人士 的经验判断，在风机故障报警之后派遣专业人士到现场排査故障类型再进行维修养护。此 流程对于运维单位要求过高，普通的工人无法胜任。又由于特长隧道内部环境复杂，交通流量大，难以维持规律地例行巡检，导致大多风机错失了养护的黄金期，最终报废。在其他领域的预案匹配技术中，很低了对云平台的要求。一、系统架构笔者设计的隧道风机养护预案自适应匹配平台，采用物联网设备统一接入平台。该平台提供了自助一站式智能设备接入管理、协议解析、物模型创建、消息路由管理工具集。平台包括各种应用场景，如消息路由、协议解析、规则引擎、设备管理（注册、接入）、物模型创建（功能定义）、事件告 警管理、数据存储和网关。只需要少量代码编写和配置即可完成隧道内不同类型、不同品牌、不同协议风机的接入和高并发数据存储，大大提升了幵发速度。数据接入后，经由外部访问 系统，实现风机的数据协议管理、权限设置等多方功能，满足运维单位的各项需求。评台技术架构如图所示：多业内人士釆用支持向量机（）、朴素贝叶斯法、决策树等常见的 分 类算法来处理。风机的故障十分多变，导致对应的养 护措施也十分繁杂。而是一个二类分类器，当类型过多时，大量且复杂的计算会延长计算速度；朴素贝叶斯法过度依赖先验概率来分类，在现实生活中有很多额外的因素影响结论，故使用效果大打折扣；决策树虽然可以快速进行多类别分类，但决策树的分支是成倍增加的，这就导致模型计算到 后面会发生过度拟合，影响计算速度且导致误差增大。鉴于以上多种原因，本文釆用优化的近邻法，针对特长隧道中的风机进行养护预案自适应匹配。在处理数据的时候用主成分分析法（）进行数据降维，将风机的多个特征向量降至少量主成分，再用主成分作 为新的特征向量带入近邻法进行匹配，即可直接产出配套的解决方案。此方法 降低了对专业人士的需求，提升了计算速度，同时降平台紐班（网）；图平台搭建结构此平台同时具备 移动端和端应用，便于运维单位在隧道 年増刊（总第 期）丨中国交通信息化？内巡检或维修时进行信 息的实时录入。首先由控制中心获取传感器传输进来的风机各项特征数据，再经由开发中心导入适配的算法进行数据分析，最终将算法得出的养护预案结果传输至两端应用。整个系统分为数据感 知层、数据支撑层、数据治理层、平台应用层和可视化展示层。（一）麵感知层数据感知层依托于各类感知设备，包含摄像机、传感器、环境监测器等。以上多 类感知设备收集到 的数据，为 后续的建模和业务应用打下坚实基础。（二）雖支撑层数据支撑层 是整个风机养护运维平台的核心，包含各类对风机产生影响 的数据。隧道环境数据包含隧道内温度、湿度、一氧化碳浓度、风向 以及天气情况等，风机自身参数数据包含三相电数据、风机功率、风机转速以及风机噪声等，监控视频数据包含风机是否晃动、风机是否起 火以及风机周围是否有浓烟等，风机外形数据包含外壳温度、风机震动幅度和频率以及风机外壳小型零件是否缺失等。以上全部数据均对风机的故障判定和养护方案有部分影响，可为 后期应用层提供全面且有效的数据支持。（三）難治腿数据治理层主要实现全部数 据接人之后的降 维、清洗以及分析建模等工作。数据经由治理层之后直接输出为对应的业务需求，是整个平台实现高效的风机运维养护最关键的一部分。（四）平台应用层此平台从风机全生命周期的每个维度展开应用，具备风机运行状态 监控、故障预警、养护预案自适应匹配等功能。最终根据养护预案评估结 果 更新优化预案库和模型，完成全流程的风机运维管理。（五）可视化展示层此平台具备端、手机端和大屏等展示方式，具备多维度接人操作模式，运维单位人员可在任意时间和任意地点对平台进行操作，保证整个养护流程的高效性。二、应用优势（一）提升风机运维效率此 系统通过统一接人平台进行数据的 统一接人，经由算法进行数据降维处置，最终运用算法进行数据分析，为后续的业务应用提供全方位的底层数据支持。此系统具备全方位数据支撑，可输出较精确的运维指导建议，缩短故障排査时间，建立成熟的例行巡检机制，保证运维单位工作的高效性，最终达到提升风机运维效率的目的。（二）降低运维成本与以往风机运维不同的是，此系统的运维需求、流程以及决策建议等信息，均是经由大数据分析出具的精准结果。可有效避免人为经验导致的误差，避免反复的故障排査致使错过检修黄金期，避免运维时间过长造成的交通堵塞等问题，从根本上降低运维成本。（三）运维流程系统化管理此系统的报警、运维流程以及人员信息，全部可以自动生成报表并归档，供予运维单位定期评估和上报上级领导。可清晰并直观地输出运维过程中的缺陷，可针对缺陷更新并优化养护方案模型，最终达到运维流程全周期管控的目的。三、算法实施（一）算法原理近邻法（，）是一种基本分类与回归方法。该方法 利用计算待检测样本 与其他多个历史样本的距离，来判断待检测样本属于哪一分类。此算法隶属于机器学习的一种，被 广泛 应用于潜在客户挖掘、未来走 势预测，以及非线性分类中。此算法首先需要输人一个训练数据集，如公式（）所示：，），），）其中，为历史样本中的特征向量，即风机的轴温、电流、电压、噪声振幅等；，为历史样本中特征向量的类 别，即叶片松动、电路烧毁等故障类型对应的 养护措施。基于以上历史数据，测量待检测样本￥与之间距离最近的个历史样本，根据少数服从多数原理，从个历史样本的类别中选取最多的一类，判定为的类别。（二）算法距离计算待检测样本测量自身与历史样本之 间 的距离，作为相 似度程度，距离越远相似度越低，反之越高。假设特征空间是维（维度代表 类別，维 表示有种故障类 别）实数向量空间，贝，；，），（”，：）（：？）。，与距离如公式（）所示：）？（，（）；值的选择会决定最后分类的效果。在算法中，常用的距离公式 有曼哈顿距离（）、欧氏距离（）或其他自定义的距离。曼哈顿距离（）如公式（）所示：）（！（，（）欧氏距离（）卩公式（）所示：乙（）（三）算法优缺点技术作为一个基础 算法，拥有容易理解的优点，适配度高，可以较好处理各种分类需求。此算法对数据的要求较低，不要求额外空间描述规则，不要求样本一致性，具有一定的噪声容忍性。然而，正是由于此算法的包含性较高，使得对于特征繁杂的多维数据处理较为困难，不仅计算速度较慢，且容易产生过度拟合，导致 结果精准度不高。另外，此算法没有针对权重配比的处理，全部信息都按照统一权重计算，这会导致无用的信 息权重过大，从而影响结论的准确性。（四）理对于隧道风机的养护预案匹配，操作者需要对疑似与 风机故障相关的多个变量进行观测，对照 与之相关的养护措施来进行预案匹配，且需要在一段时间之内收集一定量的数据来提升模型精度。多变量的大样本数据无疑为研究和应用提供了丰富 的信息，但也在一定程度上也增加了数据模型的复杂度和计算的难度。在实际应用中，云平台 的计算能力十分有限，且平台的数据会持续累积。所以本论文在进行算法分析之前，先使用主成分分析法进行数据降维处理风机传感 器收集到 的多种数据中，可以在原有的风机特征向量中提取重要的、信息贡献度大的部分数据，来达成维度变低的效果。同时，此过程仅抛弃不重要的数据部分，尽量保留住重要的信息，利用各特征向量的信息贡献率，组成新的 综 合指标，即主成分。这不仅提升了运算速度，且保证了后期模型结果的准确性。主成分 分析的原理为：对数据进行正交 变换，即针对坐标系进行旋转变换，成立新的坐标轴。在新的坐标轴中，所 有变量都是线性无关的。即在此平台中，假设得知风机的电压取值，对风机轴温的预测是完全随机的。假设，、）是维随机变量，且维随机变量到维随机变量？的线性变换为，？，其中（，），目的为使其方差最大化，并使协方差 为，分别如公式（）（）所示：（），（，）（）（，）（）主成分之间相互独立并按照方差大小从高到低排序，方差越大代表对于原始数据的解释度越高。（五）主成分求解此平台中风机的多种特征均可以影响到其健康程度。设轴温，电流，电压，湿度，转速，功率，流量，其中后三位为三相电的三个数据。根据历史数据及专业人士的经验评估，隧道风机常见的故障类型有：轴系不对称；转子不平衡；基座松动；叶片损坏；润滑油堵塞或缺乏；风管接头损坏等。其他故障类型极为罕见故不加入模型中，影响计算速度。第一主成分计算如公式（）所示：），）（）求出即可得知主成分广。根据上文提及的方差公式（）与协方差公式（）得知，的求解可转化为 约束最优化问题，即在七的条件下使方差最大。此时带入拉格朗日乘子法，其中为拉格朗日乘子，求导后得知为又对应的单位特征向量，即可解出，以此类 推可求出全部主成分。主成分的方 差贡献率结果如表所示：表主成分贡献率 表主成分单一方差贡献率累计贡献率 由表可见，前三个主成分 的累计贡献率已经达到以上，解释了足够多的特征。故整个数据库降维至三个特征主成分，其计算如公式（）（）（）所示：（）（）（）（六）值交叉验证值的选择是算法中最为重要的一部分，过小可能会导致用于比较的数据过少 而招致过度拟合，而值过大 则会形成模型欠拟合且拖慢计算速度。所以本文中，作者采用交叉验证法 来 寻找最合适的（值。交叉验证的核心思想就是把可能的值全部测试一下，选取准确率最高的那一个。首先选取最近产生的组数据，每组包含风机的十个特征向量作为训 练集，其中组作为测试数据，剩下的 为训练数据。然 后把训练数据分为 组训 练集和组测试集，用训练集来训练模型，最终得到最优秀的值，本系统中最优值为。（七）改进的算法、将历史数据输入 算法，产出累计方差贡献率以上的主成分公式。、将待检测样本数据导 人云平台，带入以上三个主成 分 公式之后形成新的特征向量综合指标。、通过算法的欧氏距离测量待检测样本。、在值为的 范围 内选取出现次数最多的养 护预案作为此样本的匹配预案。若无匹配预案产生，则代表此样本为新型故障 年增刊（总第期）中 国交通信息化 类型。经人工检査 产出预案之后，导人历史数 据供下一次匹配使用。具体的技术路线如图所示。图技术路线图（八）结论为了试验此优化后的近邻算 法能否真正使 用于此风机养护平台，作者从匹配成功率、平均耗时和出现卡顿次数三个方面进行试验，试验隧道为甬台温高速公路复线温州瑞安至仓南段渔寮隧道，长度，为长隧道。此隧道中共有台风机，平台试验选择接入其中台轴流风机、洞口处的台射流风机、位于隧道中间部位的台风机和位于出口的两台射流风机，每天风机测试次数为次，对比角度为单一近邻法、优化后的近邻法和人工査验。具体的实验结果如表表所示：由此可见，此优化算法可以有效地节省用时。在平台开始使用一段时间之后，历史数据量会成倍增长，计算时间也会随之增长，此时的运算耗时变得额外重要。虽 然 选取的主成分并未覆盖全部的信息，但是匹配成功率不降反增更 表明了，单纯的数据量大并不会提升结果的精准度，反而由于模型过度拟合等情况造成结果误差。优化后的模型出现卡顿的次数为，无须后期频繁维护，实用性较高。表平均耗时轴流风机射流风机（人口）射流风机（中部）射流风机（出口）优化后的邻算法单一近邻算法人工査验约 约约约表匹配成功率轴流风机射流风机（入口）射流风机（中部）射流风机（出口）优化后的近邻算法 单一邻算法 人工査验约约约约表卡顿次数轴流风机射流风机（入口）射流风机（中部）射流风机（出口）优化后的近邻算法单一近邻算法人工査验四、结束语经由测试对比发现，此优化模型可以较好地提升模型运算速度，且在摒弃掉非重 要数据时依然可以保持很高的结果准确率，可以较好地解决过度拟合的问题，为整个平台提供完整且有效的数据支 持。此模型适配度较高，平台可用于不同厂家、不同类型多种隧道风机的后期运维养护业务，为各运维单位提供便利。此模型具备自适应优化功能，可不断输入新的预案体系供日后匹配，具备较好的稳定性，适于长期应用。参 考文献】曾志敏强化数字基础设施 建设经 济曰报（）孙 志 于，王琪高彬，等？面向边 缘智 能计 算的数 据场分类算法计算机应用，（丨丨）：】钱小毅基于近邻与规则挖 掘的风电机 组故 障诊断 研究沈阳工业大学，李航统 计学习方 法？北京：清 华大 学出版社，丨：，】徐春 晖基于四元数变换的复制粘贴取证研究？南京信 息工程 大学，】傅湘，纪昌明区域水 资源承载能力综合评价主成分分析法的应用长江流域资濂与环境，丨（）：丨丨郑茂 波，孟佳 俊，鲁 越基于天气数 据 对空气质董预 测的改进 算 法科技创新与应用，（）：责任编辑：郭潇威