1.3 無線傳感器節點模塊
    系統的輸入數據(車速、車流量、洞外亮度)都是通過無線傳感器節點模塊進行采集，然后發送至DSP控制器。無線傳感器節點模塊主要由車輛探測器、信號調理整形電路、光強傳感器、Zigbee無線模塊CC2430組成，如圖3所示。

系統采用性能穩定、性價比高、工程應用方便的感應線圈式檢測器來檢測車速和車流量信息。無線傳感器模塊由環形線圈、耦合振蕩電路和信號調理整形電路組成^[3]。通過檢測由環形線圈構成的耦合電路的振蕩頻率來判斷車輛信息。耦合振蕩電路采用如圖3所示的電容反饋三點式振蕩電路。圖中,2個反接的穩壓管HZ4C2抑制正弦振蕩信號輸出在-5 V～+5 V范圍內，耦合變壓器原副邊匝數比為1∶1，二極管P6KE12CA 用于消除由靜電等原因引起的瞬間電壓影響。正弦振蕩信號經過比較器MC34072AP整形成脈沖方波信號，然后輸入到CC2430模塊的微處理器的計數單元。
隧道洞內外環境亮度傳感器采用TAOS公司的TSL2561[4]，是一種高速、低功耗、寬量程、可編程靈活配置的光強度數字轉換芯片。芯片內部集成了積分式A/D轉換器，采用數字信號輸出，因此抗干擾能力比同類芯片強。該芯片可用于各類顯示屏的監控，各種環境照明控制等。TLS2561具有標準的I2C總線接口，微控制器可通過I2C訪問內部寄存器，對其操作控制。TSL2561與CC2430硬件接口電路如圖3所示。
無線傳感器節點模塊中仍采用基于Zigbee技術的無線模塊CC2430作為數據無線射頻收發器，其外圍電路如圖2所示，與車輛傳感器及光強傳感器TSL2561的接口如圖3所示。
1.4 無線控制LED燈具模塊
無線控制LED與傳統的高壓鈉燈、熒光燈不同，其亮度控制簡單有效，可以在燈亮度的0～100％之間進行快速調節，而不會影響LED燈壽命。根據隧道照明的需求，改變LED亮度，具有巨大的節能潛力。但目前已采用LED的隧道中，對LED燈的布置和控制方式仍是按傳統的高壓鈉燈方式進行，不能將LED燈的亮度調節和功耗調節簡單的優勢發揮出來。而本系統將LED電源模塊和Zigbee無線通信模塊相結合控制LED燈具亮度，其燈具模塊結構如圖4所示。LED點陣燈具電源模塊將交流輸入經橋式整流電路整流成直流，在經電流型或電壓型DC-DC模塊后，提供穩定、合適的LED輸入電壓或電流；將燈具模塊增加CC2430無線通信模塊，可以將所有的LED燈具組成一個無線控制網絡，每個LED燈都是網絡中的一個節點,都有唯一的網絡ID。一方面燈具模塊可以通過CC2430無線模塊接收調光控制命令，結合DC-DC模塊，調節電壓或電流輸出，從而實現對LED燈具的調光控制；另一方面可以將燈具的狀態信息，如功耗、工作情況、執行指令情況發送到通信網絡上，上傳至監控計算機。

2 系統軟件設計
2.1 系統主程序流程
　　系統主程序流程如圖5所示。首先系統上電初始化各個模塊，啟動各處無線傳感器模塊，采集車輛及洞內外亮度信息，并將信息通過無線通信節點或傳輸給本地控制器由工業以太網發送出去，判斷系統是否處于本地控制器手動控制狀態，如果是在手動控制狀態（系統出現故障或檢修維護），則程序結束，由面板實現照明回路的控制；否則，檢測隧道狀態是否正常。如果不正常則報警，并且調用特殊狀態程序；如果正常，則檢測工業以太網通信是否正常；如果正常，則調用遠程監控計算機控制程序，否則調用本地控制器基本控制程序，然后輸出回路控制命令。利用觸摸屏顯示隧道狀態信息，同時利用以太網或無線模塊將本地隧道狀態信息發送給監控計算機。

2.2 隧道照明控制方法
2.2.1傳統照明控制方法
　　目前，國內的隧道照明的控制方式都是利用燈具的不同排列組合和現場控制器提供的自動或手動控制信號對照明燈進行邏輯控制，使其產生所需光強分布的亮度。雖然這些控制方法的控制程序和線路設計簡單，燈具選擇靈活，維修保養容易，但控制系統主要存在以下2個問題：
(1)隧道照明系統在設計階段采用保守預估的方法^[5]，考慮光源衰減，乘以0.6～0.7的系數，并且對洞外亮度、車速、車流量等參數都以最大值來設計系統，使在運行過程中，各段照明照度卻始終處于最大值狀態。因此，隧道照明系統具有較大的節能改進空間。
(2)隧道照明系統未采用洞內亮度反饋控制，既不知道照度是否滿足要求，不利于行車安全，造成電能浪費。
2.2.2 模糊神經網絡控制調光法
模糊控制是以模仿人的模糊綜合判斷推理來處理常規方法難以解決的模糊信息處理難題的方法，能對那些復雜的具有非線性、甚至根本無法建立精確數學模型的系統進行有效而精確的控制，但不具備學習自適應能力；而神經網絡以生物神經網絡為模擬基礎，具有自適應和自學習能力，但不善于表達基于規則的知識。因此，將模糊控制和神經網絡相結合構成的模糊神經網絡充分利用了兩者的優點，彌補了各自的不足，能很好地解決隧道照明控制的問題。本系統采用的模糊神經網絡調光法是在實時自動直接控制調光方案的基礎上，以洞外亮度、車速及車流量作為控制系統的輸入參數，通過基于專家經驗的模糊規則判斷，輸出照明回路的調光命令，實現實時自動調節隧道照明亮度；同時將洞內亮度反饋給系統，進行比較學習，再將行車人員的反饋信息樣本輸入系統，通過神經網絡學習，不斷修改和完善控制規則，提高了隧道照明的安全性、適應性，且可大大節省照明運營電能的成本。
2.3 隧道照明模糊神經網絡
2.3.1 隧道照明模糊神經網絡模型構造
本方案采用結構等價型模糊神經網絡，即根據模糊系統的結構，決定等價結構的神經網絡，使其每個節點對應模糊系統的一部分，如模糊化或模糊推理等過程。本方案主要用于自適應控制，因此采用了多層前向BP網絡， 共由(A)～(E)5層組成。其中,(A)層為輸入層，接收語言變量的輸入，輸入量為車速、車流量和洞外亮度；(B)層為隸屬函數生成層，實現模糊化操作；(C)層為規則前件匹配層，計算每條規則的適用度；(D)層為規則結論層，對相同的規則后件進行綜合；(E)層為輸出層，實現反模糊化操作，輸出量為回路的調光數值。
2.3.2 隧道照明模糊神經網絡程序設計
模糊神經網絡學習算法包括自組織學習階段和有教師學習階段。自組織學習階段的任務主要是進行模糊控制規則的自組織、輸入輸出語言變量各語言值隸屬函數參數的預辨識，以得到一個符合該被控對象的模糊控制規則和初步的隸屬函數分布。而有教師學習階段的任務主要是利用訓練樣本數據實現輸入、輸出語言變量各語言值隸屬函數的最佳調整。BP神經網絡，基于誤差傳遞算法，須通過學習樣本與教師樣本得出輸出層誤差，通過每層的誤差傳遞調整神經網絡，改變輸出誤差，以使輸出誤差小于給定誤差指標。模糊神經網絡程序設計及訓練流程如圖6所示。