一种隧道射流风机状态监测与预测方法与流程

1.本发明属于隧道监测与预测技术领域，涉及一种隧道射流风机状态监测与预测方法。


背景技术：

2.射流通风，是一种喷射空气的装置，以达到增强隧道气流的目的。隧道气流加强主要是为了让隧道内部通风，增加隧道内的可见度，减少隧道内的有害气体含量，保证隧道使用过程的安全性，以及在隧道中的舒适性。但射流通风的应用场景具有一定的局限性，如果隧道中出现特殊情况，例如隧道中车辆过多，或者隧道内部发生车祸，射流通风会高负荷工作，缩短射流风机的使用年限。
3.目前存在一些隧道射流风机监测方法，但这些方法具有以下不足：(1)现有的射流风机监测系统大多需要人工值守监测，可能会因检测人员的不同导致判断射流风机高功率工作的时刻出现偏差，导致异常情况不能被及时发现，进而会减少射流风机使用年限；(2)目前射流风机监测没有配备相应的预测软硬件系统，当监测仪器失效时，预测射流风机状态的数据可以用于判断射流风机的状态情况，对射流风机状态进行实时监测；(3)现有的监测方法大多精度较低、环境适应能力差、自动化程度低，从而导致监测结果的可靠性较低，且监测仪器出现故障时，没有保证仪器故障期间对射流风机状态进行监测的方法。


技术实现要素：

4.有鉴于此，本发明的目的是提供一种隧道射流风机状态监测与预测方法，能够克服背景技术中存在的问题。
5.本发明的目的是通过以下技术方案实现的：
6.一种隧道射流风机状态监测与预测方法，包括以下步骤：
7.步骤s1、在隧道内启用射流风机，定期获取隧道内图像和射流风机传感器数据；
8.步骤s2、对采集的图像进行预处理，输入基于图神经网络的模型中进行训练；
9.步骤s3、根据训练结果自动设定管道通风装置和顶部通风装置的开启条件；
10.步骤s4、对射流风机的传感器数据进行预处理，输入时序模型中进行训练。
11.进一步的，所述步骤s1具体包括：
12.步骤s101、在隧道内启用射流风机和图像采集器，收集训练数据；
13.步骤s102、为图像采集器设定采集图像的频率，保存图像采集器中收集的图像；
14.步骤s103、保存射流风机中的传感器数据。
15.进一步，所述步骤s2具体包括：
16.步骤s201、对图像采集器中的图像进行预处理，先将图像转变为点阵图，再将点阵图转化为图结构，图结构由三种向量组成：节点向量，边向量和整体向量；
17.步骤s202、将预处理后的图结构输入图神经网络模型中进行训练。
18.进一步，所述步骤s3具体包括：
19.步骤s301、收集图神经网络模型中的训练结果；
20.步骤s302、根据训练结果自动设定管道通风装置和顶部通风装置的开启条件。
21.进一步，所述步骤s4具体包括：
22.步骤s401、对射流风机中的传感器数据进行预处理；
23.步骤s402、将预处理后的数据添加位置信息后送入时序模型中进行训练。
24.进一步，所述步骤s201中向量的表示方法是：
25.首先是节点向量表示，点阵图中根据车辆的类型形成大小不同的五种点，在节点向量中以数字0-4表示上述节点，数字越大车辆的大小就越大，节点向量的长度由图像中的车辆的个数决定；然后是边向量表示，点阵图在转化为图的过程中会对点阵图建立坐标系，求得点之间的距离，边向量中的元素用节点之间的距离表示，边向量中元素的个数由点之间距离的个数决定；最后是整体向量表示，整体向量由节点向量与边向量分别乘以一组可学习参数后加起来得到。
26.所述边向量中元素的计算公式为：
[0027][0028][0029]
其中，d表示节点a和b之间的距离；(xa,ya)，(xb,yb)是节点a和b在坐标系中的位置坐标，r1和r2是两个节点的半径；γ是可学习参数，初始值设为1；κ是比例参数，第i个比例参数用κi表示，其中di表示当前该节点到某一节点的距离di[j]表示当前节点到其他所有节点的距离和，n表示节点的个数；经过exp()函数处理后能够将参数κ控制在0到1之间；两个节点圆心坐标间的距离减去r1和r2后就能得到坐标系中两个节点的距离，但是因为图像采集器观测角度的问题，导致这个距离与现实中车辆之间的距离存在差距，所以引入κ比例参数缩小差距；同时引入可学习参数γ在训练过程中调整比例参数；
[0030]
所述整体向量的表达公式为：
[0031]
a＝ω1·
v-ω2·e[0032]
其中，v表示节点向量，e表示边向量，a表示整体向量，ω1和ω2分别是节点向量和边向量对应的可学习参数构成的矩阵；若节点向量与边向量长度不同，用0补全至长度相当；边向量取负后与节点向量相加后求得的元素值越大，射流风机越容易高负荷工作。进一步，所述步骤s401中的预处理为：
[0033]
如果射流风机中收集的数据之间变化较大，则需要控制数据的变化范围，避免训练过程利用随机梯度下降算法训练模型的效率下降，所述控制数据变化范围的公式为：
[0034][0035]
其中，xi是转换前射流风机中收集数据变化较大的值，是转换后的值，x
min
到x
max
是转换前射流风机中收集数据的最小值和最大值，和是转换后数据的最小值和最大值。
[0036]
进一步，所述步骤s402中位置信息涉及的公式为：
[0037][0038][0039]
其中，position
i,j
表示数据库中表上位置为第i行第j列的位置信息，参数τ表示随机数，当i为奇数时τ取奇数，当i为偶数时τ取偶数，参数σ是固定值，赋值为2
16
，目的是让sin()函数值趋于0，数据的第i行j列位置信息通过sin()函数和参数σ编码为趋于0的数，参数τ用于改变sin()函数的变化趋势，避免位置编码重复。
[0040]
进一步的，所述步骤s402中时序模型涉及的公式为：
[0041]
control0＝relu(x
t
·
w1+h
t-1
·
w2+b1)
[0042]
control1＝relu(x
t
·
w3+h
t-1
·
w4+b2)
[0043]
…
[0044]
controln＝relu(x
t
·w2n-1
+h
t-1
·w2n
+bn)
[0045]
remember
t
＝(control0)
ij
·
(remember
t-1
)
ij
+(control0)
ij
·
(control1)
ij
·
(remember
t-1
)
ij
+
…
[0046]
+(control0)
ij
·
(control1)
ij
·
…
·
(control
n-1
)
ij
·
(remember
t-1
)
ij
[0047]yt
＝h
t
＝(remember
t
)
ij
·
(controln)
ij
[0048]
其中，control0到controln表示时序模型中n个记录单元模块，其包含各自的可学习参数张量w和b，能分别对x
t
和h
t-1
进行处理，共同决定x
t
与h
t-1
中哪些部分传输到下一时间步进而计算得到y
t
和h
t
；relu()是激活函数；remember
t
代表x
t
与h
t-1
中被保留的数据，当t＝0时，remember
t
中所有元素设置为1；(control0)
ij
·
(remember
t-1
)
ij
的含义是：两个张量对应元素之间相乘，也就是对应第i行j列的元素进行相乘。
[0049]
本发明的有益效果是：
[0050]
(1)本发明通过引入图神经网络与时序模型相结合的方式，图神经网络通过图像采集器监测射流风机状态；时序模型通过射流风机上的传感器数据预测射流风机状态，在图像采集器出现故障时能利用时序模型对射流风机状态进行预测，及时开启额外通风装置，避免射流风机高功率工作，保障隧道的安全使用，增加射流风机的使用年限；
[0051]
(2)本发明对图神经网络模型进行训练时，通过引入点阵图的方式对图神经网络中的输入进行预处理，将图像采集器中采集的图像转换为点阵图，减少输入数据所需的存储空间，增加了可以存储的数据量，进而提升了算法的运行效率；
[0052]
(3)本发明对时序模型进行训练时，在时序模型中添加控制模块，每一个控制模块都有自己的可学习参数，增加了模型的泛化性，并对输入数据进行过滤，多个控制模块参与计算能够增加训练结果的可靠性；
[0053]
(4)本发明对时序模型进行训练时，通过在时序模型的输入中添加位置编码，并且位置编码操作可以将数据的位置信息编码为接近于0的数，即保证原数据拥有位置编码信息，而且由于位置编码接近于0，原数据直接与位置编码相加也不会影响训练结果，并且应用位置编码能使数据在多个控制模块中进行并行处理时保留原始位置信息，使数据能够并行处理，进而提高训练效率；
[0054]
(5)传统的射流风机状态监测与预测方法主要采用人工操作实现，受制于条件限
制，人工识别可能存在误差，判断不准确的情况，本发明采用图神经网络模型智能监测射流风机状态变化，对射流风机功率过高的判断比较灵敏，可以及时开启额外通风装置，实现射流风机状态的智能监测；
[0055]
(6)传统的射流风机状态监测技术没有集成对射流风机状态预测功能，导致射流风机的监测设备中图像采集器出现故障时，无法对射流风机状态进行实时监测，进而无法实现对射流风机状态的预测，本发明采用序列模型实现对射流风机状态预测，在图像采集器出现故障时，及时开启额外通风装置，避免射流风机高功率工作的情况。
[0056]
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书和前述的权利要求书来实现和获得。
附图说明
[0057]
图1为本实施例中的隧道射流风机状态监测与预测流程示意图；
[0058]
图2为本实施例中点阵图的生成以及预处理示意图；
[0059]
图3为本实施例中图神经网络模型结构示意图；
[0060]
图4为本实施例中隧道内部管道通风装置和顶部通风装置示意图；
[0061]
图5为本实施例中时序模型结构示意图。
具体实施方式
[0062]
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
[0063]
一种隧道射流风机状态监测与预测方法，如图1所示，包括如下步骤：
[0064]
步骤s1、在隧道内启用射流风机，定期获取隧道内图像和射流风机传感器数据；
[0065]
步骤s2、对采集的图像进行预处理，输入基于图神经网络的模型中进行训练；
[0066]
步骤s3、根据训练结果自动设定管道通风装置和顶部通风装置的开启条件；
[0067]
步骤s4、对射流风机的传感器数据进行预处理，输入时序模型中进行训练。
[0068]
本实施例中，步骤s1包括以下分步骤：
[0069]
步骤s101、在隧道内启用射流风机和图像采集器，收集训练数据；
[0070]
步骤s102、为图像采集器设定采集图像的频率，保存图像采集器中收集的图像；
[0071]
步骤s103、保存射流风机中的传感器数据。
[0072]
本实施例中，步骤s2包括以下分步骤：
[0073]
步骤s201、对图像采集器中的图像进行预处理，先将图像转变为点阵图，再将点阵图转化为图结构，图结构由三种向量组成：节点向量，边向量和整体向量；
[0074]
步骤s202、将预处理后的图结构输入图神经网络模型中进行训练，其中，步骤s201中向量的表示过程如图2所示，具体方法为：
[0075]
首先是节点向量，点阵图中以车辆的类型形成大小不一的五种点，第一类是摩托
车，电动车；第二类是家用车，如轿车越野车面包车；第三类是功能车，见到这类车会选择避让，如消防车和救护车等；第四类是大型的运输车辆，这类车行驶速度较为缓慢，容易引发拥堵；第五类是工程车，吊车之类的，这类车出现可能是隧道内出现损坏，需要修理，容易引发拥堵，从而射流风机容易高功率工作；在节点向量中以数字0-4表示这些点，数字越大车辆的大小就越大，节点向量的长度由图像中的车辆的个数决定，例如对于节点向量[0,0,4,4,0]表示：当前图像中一共有五辆车，第一类车有三辆，第五类车有两辆；然后是边向量，点阵图在转化成图的过程中会对点阵图建立坐标系，求得点之间的距离，这些距离就是边向量中的元素，边向量中元素的个数由点之间距离的个数决定；最后是整体向量，整体向量由节点向量与边向量分别乘以一组可学习参数后加起来得到。
[0076]
所述边向量中元素的计算公式为：
[0077][0078][0079]
其中，d表示节点a和b之间的距离；(xa,ya)，(xb,yb)是节点a和b在坐标系中的位置坐标，r1和r2是两个节点的半径；γ是可学习参数，初始值设为1；κ是比例参数，第i个比例参数用κi表示，其中di表示当前该节点到某一节点的距离，di[j]表示当前节点到其他所有节点的距离和，n表示节点的个数；经过exp()函数处理后能够将参数κ控制在0到1之间；两个节点圆心坐标间的距离减去r1和r2后就能得到坐标系中两个节点的距离，但是因为图像采集器观测角度的问题，导致这个距离与现实中车辆之间的距离存在差距，所以引入κ比例参数缩小差距；同时引入可学习参数γ在训练过程中调整比例参数；
[0080]
所述整体向量的表达公式为：
[0081]
a＝ω1·v–
ω2·e[0082]
v＝[2,4,2,2,1],e＝-[1,2,1,1,1,2,1,1]
[0083]
v＝[2,4,2,2,1,0,0,0],e＝-[1,2,1,1,1,2,1,1]
[0084]
ω1＝[1,2,2,4,7,8,1,5],ω2＝[1,1,2,1,4,5,3,4]
[0085]
a＝[2]
[0086]
其中，v＝[2,4,2,2,1]表示节点向量，e＝-[1,2,1,1,1,2,1,1]表示边向量，ω1和ω2分别是节点向量和边向量对应的可学习参数组成的向量；若节点向量与边向量维度和长度不同，用0补全至维度和长度相当，即v补全为[2,4,2,2,1,0,0,0]；v中的整体值越大(大型车辆多，隧道内通行受阻的可能性较大)，e中的整体值越小(车之间的间距短，隧道内引发交通事故的可能性较大)，就越容易引发射流风机高功率工作的情况，用v和e联合表达a时，将边向量e中的值取负，取负后与节点向量相加后求得的元素值越大，越容易引发射流风机高功率工作，本实施例计算得到整体向量a＝[2]，取值较小，表明隧道中射流风机高功率工作可能性较小。
[0087]
其中，步骤s202中图神经网络模型图如图3所示，其工作流程为：
[0088]
首先图神经网络模型得到经过预处理的图后，分别对节点、边、节点和边的整体创建向量，在pytorch中使用dgl包实现图神经网络模型创建，dgl.dglgraph()用于创建图，
在图内部g.add_nodes()用于创建节点向量，g.add_edges()创建边向量,节点向量与边向量与权重相乘后得到整体向量；然后将这些向量输入隐藏层，defforward()中定义这些向量如何在隐藏层中进行计算，本实施例以全连接神经网络为隐藏层，使用nn.parameter(torch.randn(num_inputs,num_hiddens)，nn.parameter(torch.randn(num_hiddens,num_outputs)创建隐藏层中的权重，使用nn.parameter(torch.zeros(num_hiddens,requires_grad＝true))创建隐藏层中的偏差；输出结构与输入类似，但输出图内部特征有所变化；最后定义softmax()函数对图进行分类，defsoftmax(x,y,z)对节点、边、整体向量分别进行处理。在训练过程中，将loss函数设置为交叉熵，在本发明中还设置另一个评判模型好坏的标准，采用人工抽样的方法，检查模型判断应当开启管道通风装置和顶部通风装置的图像是否正确，把人工采样的结果称为准确度。
[0089]
优化过程可以采用简单易用，计算代价低的adam优化算法对模型进行优化。如果训练表现出欠拟合，可以考虑为图填上标签，辅助模型进行训练，例如：如果因有特殊车辆(如：救护车，消防车，运输车)导致隧道内拥堵，导致射流风机容易高功率工作，可以为图片打上标签huge；因发生车祸导致隧道内拥堵，射流风机可能会高功率工作，可以为图片打上标签ta(traffic accident)；所有车辆避开右边行驶，但右边并无车辆，可能是因为右边在施工，导致隧道内车辆行驶缓慢，射流风机容易高功率工作，可以为图片打上标签eg(engineering)。
[0090]
本实施例中，步骤s3包括以下分步骤：
[0091]
步骤s301、收集图神经网络模型中的训练结果；
[0092]
步骤s302、根据训练结果自动设定管道通风装置和顶部通风装置的开启条件。是否开启是将采集图像的节点向量、边向量和整体向量分别与步骤s2中softmax()函数的分类结果进行比对得到的，例如：目前图像采集器返回的图节点向量为(0,4,2,0,1,1,2,3)，边向量为-(1,2,1,1,1,2,1,1)，ω1为(1,2,2,4,7,8,1,5)，ω2整体向量为(1,1,2,1,4,5,3,4)，整体向量计算结果为(17)；根据图神经网络之前的训练结果，节点向量中显示隧道中目前存在第五类工程车(用4表示)，边向量显示出车辆之间的距离较近，且整体向量值偏高，所以判断射流风机可能会高功率工作，需要开启管道通风装置和顶部通风装置，管道通风装置和顶部通风装置示意图如图4所示。
[0093]
本实施例中，步骤s4包括以下分步骤：
[0094]
步骤s401、对射流风机中的传感器数据进行预处理；
[0095]
步骤s402、将预处理后的数据添加位置信息后送入时序模型中进行训练。
[0096]
进一步，所述步骤s401中的预处理为：
[0097]
本实施例中，日期相关的信息可以添加字段[year，month，day，day_of_year，day_of_week]，通过这些字段能快速发现重要信息，例如day_of_week可以观察今天是工作日还是休息日，day_of_year可以观察今天是否是节日，通过这些信息观察周末、节日和工作日隧道内射流风机的状态有何变化；如果射流风机中收集的数据之间变化较大，例如：射流风机的功率变化是0-60w，但射流风机的输出风量变化是0-600000cm3/h，则需要控制数据的变化范围，让输出风量的变化范围与功率相近，避免训练过程利用随机梯度下降算法训练模型的效率下降，所述控制数据变化范围的公式为：
[0098][0099]
其中，xi是转换前射流风机中收集数据变化较大的值，是转换后的值，x
min
到x
max
是转换前射流风机中收集数据的最小值和最大值，和是转换后数据的最小值和最大值。对于上述风量变化，输出风量xi是处于x
min
＝0，x
max
＝600000之间的数，已知xi＝540000cm3/h，设置将风量变化控制在0-100之间，转换后的
[0100]
进一步，所述步骤s402中位置信息涉及的公式为：
[0101][0102][0103]
其中，position
i,j
表示数据库中表上位置为第i行第j列的位置信息，参数τ表示随机数，当i为奇数时τ取奇数，当i为偶数时τ取偶数，参数σ是固定值，赋值为2
16
，目的是让sin()函数值趋于0。数据的第i行j列位置信息通过sin()函数和参数σ编码为趋于0的数，参数τ用于改变sin()函数的变化趋势，避免位置编码重复。
[0104]
进一步的，所述步骤s402中时序模型涉及的公式为：
[0105]
control0＝relu(x
t
·
w1+h
t-1
·
w2+b1)
[0106]
control1＝relu(x
t
·
w3+h
t-1
·
w4+b2)
[0107]
…
[0108]
controln＝relu(x
t
·w2n-1
+h
t-1
·w2n
+bn)
[0109]
remember
t
＝(control0)
ij
·
(remember
t-1
)
ij
+(control0)
ij
·
(control1)
ij
·
(remember
t-1
)
ij
+
…
[0110]
+(control0)
ij
·
(control1)
ij
·
…
·
(control
n-1
)
ij
·
(remember
t-1
)
ij
[0111]yt
＝h
t
＝(remember
t
)
ij
·
(controln)
ij
[0112]
其中，control0到controln表示时序模型中n个记录单元模块，其包含各自的可学习参数张量w和b，能分别对x
t
和h
t-1
进行处理，共同决定x
t
与h
t-1
中哪些部分传输到下一时间步进而计算得到y
t
和h
t
；relu()是激活函数；remember
t
代表x
t
与h
t-1
中被保留的数据，当t＝0时，remember
t
中所有元素设置为1；(control0)
ij
·
(remember
t-1
)
ij
的含义是：两个张量对应元素之间相乘，也就是对应第i行j列的元素进行相乘。
[0113]
其中，步骤s402中时序模型图如图5所示，其工作流程为：
[0114]
本实施例在描述工作流程时以3个控制模块为例，首先将预处理后的数据添加位置信息后输入编码器中，整个编码器由多个编码器块组成，编码器块内部包含控制模块和前馈神经网络，将输入转变为隐藏状态送入解码器中，解码器内部与编码器类似，也是控制模块和前馈神经网络，但是还需要接受来自自己上一步时间步的输出。假设x
t
，h
t-1
为2行3列的张量，所述控制模块在pytorch中表示为：
[0115]
control0＝torch.relu(torch.matmul(x
t
,w1)+torch.matmul(h
t-1
,w2)+b1))
[0116]
control1＝torch.relu(torch.matmul(x
t
,w3)+torch.matmul(h
t-1
,w4)+b2))
[0117]
control2＝torch.relu(torch.matmul(x
t
,w5)+torch.matmul(h
t-1
,w6)+b3))
[0118]
remember0＝torch.ones(2,3)
[0119]
remember1＝torch.matmul(control0,remember0)
[0120]
remember2＝torch.matmul(control0,remember1)+torch.matmul(torch.matmul(control0,
[0121]
control1),remember1)
[0122]yt
＝h
t
＝torch.matmul(remember2,control2)
[0123]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0124]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0125]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0126]
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
[0127]
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

技术特征：
1.一种隧道射流风机状态监测与预测方法，其特征在于，包括以下步骤：步骤s1、在隧道内启用射流风机和图像传感器，定期获取射流风机传感器数据和隧道内图像；步骤s2、对收集的图像进行预处理，输入图神经网络模型中进行训练，完成对射流风机的状态监测；步骤s3、根据训练结果自动设定管道通风装置和顶部通风装置的开启条件；步骤s4、对射流风机的传感器数据进行预处理，输入时序模型中进行训练，完成对射流风机的状态预测。2.根据权利要求1所述的一种隧道射流风机状态监测与预测方法，其特征在于，所述步骤s1具体包括：步骤s101、在隧道内启用射流风机和图像采集器，收集训练数据；步骤s102、为图像采集器设定采集图像的频率，保存图像采集器中收集的图像；步骤s103、保存射流风机中的传感器数据。3.根据权利要求1所述的一种隧道射流风机状态监测与预测方法，其特征在于，所述步骤s2具体包括：步骤s201、对图像采集器中的图像进行预处理，先将图像转变为点阵图，再将点阵图转化为图结构，图结构由三种向量组成：节点向量，边向量和整体向量；步骤s202、将预处理后的图结构输入图神经网络模型中进行训练。4.根据权利要求1所述的一种隧道射流风机状态监测与预测方法，其特征在于，所述步骤s3具体包括：步骤s301、收集图神经网络模型中的训练结果；步骤s302、根据训练结果自动设定管道通风装置和顶部通风装置的开启条件。5.根据权利要求1所述的一种隧道射流风机状态监测与预测方法，其特征在于，所述步骤s4具体包括：步骤s401、对射流风机中的传感器数据进行预处理；步骤s402、将预处理后的数据添加位置信息后送入时序模型中进行训练。6.根据权利要求2所述的一种隧道射流风机状态监测与预测方法，其特征在于，所述步骤s201中向量的表示方法是：首先是节点向量表示，点阵图中根据车辆的类型形成大小不同的五种点，在节点向量中以数字0-4表示上述节点，数字越大车辆的大小就越大，节点向量的长度由图像中的车辆的个数决定；然后是边向量表示，点阵图在转化为图的过程中会对点阵图建立坐标系，求得点之间的距离，边向量中的元素用节点之间的距离表示，边向量中元素的个数由点之间距离的个数决定；最后是整体向量表示，整体向量由节点向量与边向量分别乘以一组可学习参数后加起来得到；所述边向量中元素的计算公式为：
其中，d表示节点a和b之间的距离；(x
a
,y
a
)，(x
b
,y
b
)是节点a和b在坐标系中的位置坐标，r1和r2是两个节点的半径；γ是可学习参数，初始值设为1；κ是比例参数，第i个比例参数用κ
i
表示，其中d
i
表示当前该节点到某一节点的距离，表示当前节点到其他所有节点的距离和，n表示节点的个数；经过exp()函数处理后能够将参数κ控制在0到1之间；两个节点圆心坐标间的距离减去r1和r2后就能得到坐标系中两个节点的距离，但是因为图像采集器观测角度的问题，导致这个距离与现实中车辆之间的距离存在差距，所以引入κ比例参数缩小差距；同时引入可学习参数γ在训练过程中调整比例参数；所述整体向量的表达公式为：a＝ω1·
v-ω2·
e其中，v表示节点向量，e表示边向量，a表示整体向量，ω1和ω2分别是节点向量和边向量对应的可学习参数构成的矩阵；若节点向量与边向量长度不同，用0补全至长度相同；边向量取负后与节点向量相加后求得的元素值越大，射流风机越容易高负荷工作。7.根据权利要求3所述的一种隧道射流风机状态监测与预测方法，其特征在于，所述步骤s401中预处理为：如果射流风机中收集的数据之间变化较大，则需要控制数据的变化范围，避免训练过程利用随机梯度下降算法训练模型的效率下降，所述控制数据变化范围的公式为：其中，x
i
是转换前射流风机中收集数据变化较大的值，是转换后的值，x
min
到x
max
是转换前射流风机中收集数据的最小值和最大值，和是转换后数据的最小值和最大值。8.根据权利要求4所述的一种隧道射流风机状态监测与预测方法，其特征在于，所述步骤s402中位置信息涉及的公式为：骤s402中位置信息涉及的公式为：其中，position
i,j
表示数据库中表上位置为第i行第j列的位置信息，参数τ表示随机数，当i为奇数时τ取奇数，当i为偶数时τ取偶数，参数σ是固定值，赋值为2
16
，目的是让sin()函数值趋于0。数据的第i行j列位置信息通过sin()函数和参数σ编码为趋于0的数，参数τ用于改变sin()函数的变化趋势，避免位置编码重复。9.根据权利要求5所述的一种隧道射流风机状态监测与预测方法，其特征在于，所述步骤s402中时序模型涉及的公式为：control0＝relu(x
t
·
w1+h
t-1
·
w2+b1)control1＝relu(x
t
·
w3+h
t-1
·
w4+b2)
…
control
n
＝relu(x
t
·
w
2n-1
+h
t-1
·
w
2n
+b
n
)remember
t
＝(control0)
ij
·
(remember
t-1
)
ij
+(control0)
ij
·
(control1)
ij
·
(remember
t-1
)
ij
+
…
+(control0)
ij
·
(control1)
ij
·
…
·
(control
n-1
)
ij
·
(remember
t-1
)
ij
y
t
＝h
t
＝(remember
t
)
ij
·
(control
n
)
ij
其中，control0到control
n
表示时序模型中n个记录单元模块，其包含各自的可学习参数张量w和b，能分别对x
t
和h
t-1
进行处理，共同决定x
t
与h
t-1
中哪些部分传输到下一时间步进而计算得到y
t
和h
t
；relu()是激活函数；remember
t
代表x
t
与h
t-1
中被保留的数据，当t＝0时，remember
t
中所有元素设置为1；(control0)
ij
·
(remember
t-1
)
ij
的含义是：两个张量对应元素之间相乘，也就是对应第i行j列的元素进行相乘。

技术总结
本发明提供了一种隧道射流风机状态监测与预测方法，该方法包括定期获取隧道内图像和射流风机传感器数据；通过对图像进行预处理，并将预处理后的图像输入至图神经网络模型中训练，根据输出结果设置管道通风装置和顶部通风装置的开启条件，完成对隧道射流风机状态的监测；通过引入位置信息，将带有位置信息的数据输入编码器-解码器模型，通过训练模型完成对隧道射流风机状态的预测。预测射流风机状态的目的是为了在图像采集器出故障时，用预测结果对射流风机进行判定，在射流风机即将高功率工作时，启用隧道中额外的通风装置减少射流风机的损耗，完成对射流风机的辅助监测。完成对射流风机的辅助监测。完成对射流风机的辅助监测。


技术研发人员：秦启平 郝勇 张蕾 王邦平 张泽维
受保护的技术使用者：四川迈铁龙科技有限公司
技术研发日：2023.05.31
技术公布日：2023/8/14