基于K-means算法的隧道机电分项工程设备设施评定标度的研究

陈 建

(中路高科交通检测检验认证有限公司，北京 100088)

0 引言

隧道机电设施定检及其技术状况评定已成为隧道机电设施养护的基础依据。现阶段隧道机电设施定检工作开展的主要依据是《公路隧道养护技术规范》(JTG H12—2015)[1-2]或《国家公路网重点桥梁和隧道监测评价规程》(T/CECS G:E41-04—2019)[3]这2个标准，在第1个标准中，隧道机电设施分为供配电设施、照明设施、通风设施、消防设施和监控与通信设施5个分部工程，根据分部工程的设备完好率提出技术状况评定值，但没有给出分部工程中包含的分项工程设备设施的技术状况评定值及设备设施养护的明确分类，在第2个标准中，虽然规定了各分项工程设备设施检测内容的权重，但分项工程设备设施的技术状况评定值及养护分类同样也未给出明确要求。这种情况下，各省运营公司在做分项工程设备设施的养护时缺乏针对性。

目前，国内外学者结合工程应用现状针对隧道机电设施的评定和养护做了一些研究，提出了相关理论算法。张伟伟等[4]针对高速公路机电系统提出了AHP的机电系统维护质量的模糊评价模型。于艳波等[5]结合隧道设备成新率、稳定度和合格率等评估指标所占权重，提出了隧道机电设施的评估体系。余忠磊等[6]从高速公路隧道运营安全角度出发，引入模糊数学算法，从驾驶员和车辆特性、机电设施、土建结构、交通环境4个方面对运营安全进行了评价。康云霞等[7]从技术性能指标、运营效果指标2个角度着手，计算检测指令执行所需的权重比数值，完成了普通公路隧道机电设施的检测指标选取。邱进[8]结合隧道机电分项工程设备设施，从预防性检测和故障响应机制角度提出了检测技术要点和控制措施。杨松等[9]在分析现有隧道机电系统技术现状的基础上,根据目前隧道运营风险控制的需求,提出了智慧交通隧道机电系统技术体系框架。

基于现状，隧道机电设施养护检测及技术状况评定方法要么是隧道机电设施单位工程和分部工程的养护评定方法，要么是具体设备检测养护和养护方法，但对分项工程设备设施的系统分析和分类还较少。本研究从某省营运期隧道机电设施定检数据采样分析的工程实际出发，结合聚类K-means算法，提出分项工程设备设施技术状况评分值的分类以及标度的新概念，根据标度提出分项工程设备设施的不同养护措施，以期在行业中得到广泛应用。

1 隧道机电设施定检数据

某省某营运高速公路涉及隧道机电设施定期检测隧道共75座，其中特长隧道4座，长隧道38座，中隧道25座，短隧道8座。隧道机电设施包括供配电设施、照明设施、通风设施、消防设施、监控与通信设施5个分部工程。根据《公路隧道养护技术规范》中定期检查的测试项内容，从设备完好率和技术状况评分这2种主要参数出发，构建隧道机电设施定检数据新模型，得出2种参数的结果(均归一化处理，完好率以100%为满分，技术状况评分以100为满分)，以该省营运隧道中的1座隧道(整体评价包括隧道左幅和右幅)为例，其分部工程的分项工程设备设施的完好率和技术状况评分[10]如表1所示，形成该隧道的2个数组，分别表示设备设施的完好率和技术状况评分。表2为隧道机电设施的整体评分值和技术状况类别。该隧道是2类隧道，对于设备故障率出现很低，运营则主要关注分项工程设备设施的技术状况评分及相应的养护措施。

表1 某隧道分项设备设施的完好率和技术状况评分Tab.1 Intactness rate and technical condition scores of subdivisional equipment and facilities of a tunnel

表2 隧道机电设施技术状况评分和技术状况类别Tab.2 Technical condition scores and technical status categories of tunnel electromechanical facilities

2 技术路线研究

基于K-means算法的隧道机电分项工程设备设施评定标度的研究技术路线为：

(1)统计该省75座营运隧道定期检测结果。对隧道机电设施分部分项工程设备设施的完好率和技术状况评分，2个数据数组，每个数组均为一维数组，约3 000个数据，2个数组共约6 000个数据。

(2)分析现有常用的工程领域的数据处理、数据统计的算法和模型，找出适用该研究的算法。

(3)确定采用K-means算法对隧道机电分项工程设备设施评定标度进行研究。

(4)结合《公路隧道养护技术规范》和《国家公路网重点桥梁和隧道监测评价规程》这2个标准，对于评定划定类别的要求，对于分项工程设备设施提出划分为k类的合理性，分类选择值应与隧道机电设施的类别相对应，从k=2,3,4,5,6中选取，确定哪个值更为合适，并借此定义标度概念。

(5)用软件编程实现K-means算法，并导入4 770个数值，进行分类聚类计算，分析结果数据集合中的标准差，得出最为合适的值为标度的结果。

(6)对技术状况评分的数据进行评分值分类，得出分项工程设备设施技术状况评分对应的标度的分类，提出不同标度的分项工程设备设施的养护措施。

3 K-means聚类算法

数据处理算法的选择直接影响数据处理、数值分析及数据统计的结果。工程领域数据处理的常用方法有主观估计法[11]、概率分布分析法[12]、模糊数学法[13]、灰色关联评估法[14]、层次分析法[15]、熵权确定权重法[16]、聚类算法[17-19]等，针对上述各种算法分析其适用范围和特点，如表3所示。

表3 工程领域各种算法适用范围和特点Tab.3 Application scope and characteristics of various algorithms in engineering field

通过对上述各数据处理算法的分析和总结，结合该省的隧道机电设施分项工程设备设施的检测结果(主要为设备完好率和技术状况评分这2个参数)，选取聚类算法为数据处理算法。聚类常用算法方法分为3种，分别为基于距离的聚类算法、基于密度的聚类算法、基于互联性的聚类算法。由于只有2个变量参数的大规模数据，因此采用基于距离的K-means聚类算法可得到更为合适的聚类结果。

首先，将隧道机电设施的设备完好率和技术状况评分组成2个数组数据集合。其次，假设K-means算法分为k类，k为自然数，k=1，2，3，…，n。采用基于距离的聚类算法进行迭代，把数据集合划分为k类。最后，选取设备完好率和技术状况评分距离最远的2个参数(通过数值均一化处理)，例如[0,0]和[100,100]，按照图1的思想进行迭代，直至选取k类结果结束。使相同类的内部数据具有极大的相同性，而类之间的数据相同性尽量小，达到最优的分组聚类的效果。

图1 K-means聚类思想Fig.1 K-means clustering idea

数据集合分k类的软件算法流程图如图2所示。设数据集合为P，分类结果为T。

图2 K-means聚类软件算法Fig.2 K-means clustering software algorithm

4 K-means聚类结果分析

以设备完好率和技术状况评分分别为变量Pij，Pij=[ai;bj]，ai和bj分别对应隧道的分项工程设备设施的完好率和技术状况评分，i和j为自然数，i，j=1, 2, 3,…,n。对应75座隧道分项工程设备设施的完好率和技术状况评分数据，约4 770个参数。设其集合为Tk，k为自然数，k=1, 2, 3,…,n。集合x1数组和集合x2数组进行k分类后得到Tk集合，x1数组和x2数组中包含Tk聚类后ai和bj，运行编制的K-means算法聚类程序，根据《公路隧道养护技术规范》中隧道机电设施单位工程的技术状况评定分类为4类和评定划定的养护措施为5类的思想，选取分项工程设备设施的科学分类与单位工程隧道机电设施相对应，选取聚类k值分别为2, 3, 4, 5, 6进行分析研究。K-means聚类结果如表4～表8所示。

表4 k=2的聚类结果Tab.4 Clustering result of k=2

表5 k=3的聚类结果Tab.5 Clustering result of k=3

表6 k=4的聚类结果Tab.6 Clustering result of k=4

表7 k=5的聚类结果Tab.7 Clustering result of k=5

表8 k=6的聚类结果Tab.8 Clustering result of k=6

在表4中，由算法得出第1类为T1集合的x1数组和x2数组，第2类为T2集合的x1数组和x2数组。计算2类集合参数完好率和技术状况评分的标准差为xd1和xd2；xd1=[18.541 0 22.594 7]，xd2=[6.825 1 9.316 5]。

在表5中，由算法得出第1类为T1集合的x1数组和x2数组，第2类为T2集合的x1数组和x2数组，第3类为T3集合的x1数组和x2数组。计算3类集合参数完好率和技术状况评分的标准差为xd1，xd2和xd3。xd1=[5.2702 22.113 2]，xd2=[3.298 6 7.886 3] ，xd3=[16.682 7 16.876 1]。

在表6中，由算法得出第1类为T1集合的x1数组和x2数组，第2类为T2集合的x1数组和x2数组，第3类为T3集合的x1数组和x2数组，第4类为T4集合的x1数组和x2数组。计算4类集合参数完好率和技术状况评分的标准差为xd1，xd2，xd3和xd4。xd1=[2.329 4 1.837 7]，xd2=[4.821 5 22.104 4]，xd3=[6.514 3 9.410 3]，xd4=[13.858 7 11.773 4]。

在表7中，由算法得出第1类为T1集合的x1数组和x2数组，第2类为T2集合的x1数组和x2数组，第3类为T3集合的x1数组和x2数组，第4类为T4集合的x1数组和x2数组，第5类为T5集合的x1数组和x2数组。计算5类集合参数完好率和技术状况评分的标准差为xd1，xd2，xd3，xd4和xd5。xd1=[1.785 8 9.711 6]，xd2=[9.965 5 11.958 6] ，xd3=[6.303 9 7.850 9]，xd4=[1.314 3 1.771 6]，xd5=[4.324 6 22.153 4]。

在表8中，由算法得出第1类为T1集合的x1数组和x2数组，第2类为T2集合的x1数组和x2数组，第3类为T3集合的x1数组和x2数组，第4类为T4集合的x1数组和x2数组，第5类为T5集合的x1数组和x2数组，第6类为T6集合的x1数组和x2数组。计算6类集合参数完好率和技术状况评分的标准差为xd1，xd2，xd3，xd4，xd5和xd6。xd1=[1.838 6 10.066 7]，xd2=[9.965 5 11.958 6] ，xd3=[5.994 5 7.981 6]，xd4=[4.3246 22.153 4]，xd5=[2.847 4 2.954 7]，xd6=[1.126 2 0.681 5]。

设备设施完好率的计算要素由设备是否有重大缺陷或故障来确定，技术状况评分的计算要素由外观评分、安装情况、设备设施功能和性能等指标来确定，即可能出现设备设施完好率为0的情况和技术状况评分不为0的情况。运营养护期在故障率不高的情况下，运营更为关心的是分项工程设备设施的技术状况评分(即定检过程中发现的问题)，因此选择技术状况评分为主要因素来选择聚类结果，通过对比分析k值分别为2,3,4,5,6的聚类结果和聚类后的标准差，得出其中1个聚类中的最大标准差分别为22.594 7，22.113 2，22.104 4，22.153 4，22.153 4，不同的k值反映出最大标准差之间的差距，其中k=4时的22.104 4为各方差最大值中的最小值，同时考虑对分项工程设备设施完好率对应类别的划分，所以将分项工程设备设施技术状况分为4类，对划分为4类的分类，引入标度的概念即0，1，2，3，对分为4类的数据x2数组进行分析整理，对应标度为0时的技术状况评分值在90分以上，标度为1时的技术状况评分值在80～90分之间，标度为2时的技术状况评分值在70～80分之间，标度为3时的技术状况评分值在70分以下，如表9所示。

表9 分项工程设备设施技术状况评分和标度Tab.9 Score and scale of technical conditions of equipment and facilities of subdivisional projects

定义标度，对评定划定不同标度的各类分部工程设备设施，分别采取不同的养护措施：

(1) 对评定标度为0的分项工程设备设施进行正常养护，做好清洁维护，对外观产生的锈蚀部分进行及时处理，对光、电缆进行标识。

(2) 对评定标度为1的分项工程设备设施进行正常养护，对性能指标的缺陷进行关注，并对部分功能缺失进行及时修复。

(3) 对评定标度为2的分项工程设备设施，对性能指标和功能进行专项修复工程，并加强日常巡查，使同类型问题不再扩大。

(4) 对评定标度为3的分项工程设备设施实施，完善重大缺陷，恢复使用功能，必要时进行体质升级，更新换代产品或系统。

5 结论

(1) 基于K-means算法的隧道机电分项工程设备设施评定标度的研究，选取某省隧道机电设施分部分项工程设备设施的完好率和技术状况评分组成的4 770个数组数据，综合考虑隧道机电设施包括供配电设施、照明设施、通风设施、消防设施和监控与通信设施这5个分部工程所包含的分项工程，应用欧式距离的K-means算法构建了引入标度分类养护分项工程设备设施的概念。

(2) 基于K-means算法的评定标度及对应的分项工程设备设施的技术状况评分，归纳设备设施出现技术状况的风险点，优化资金的预算、配置和使用，明确隧道机电设施养护工程的保养、维护、维修和改造方案，是对《公路隧道养护技术规范》中养护方法的补充，也是对《国家公路网重点桥梁和隧道监测评价规程》中分项工程设备设施评定结果的补充。