1.3 无线传感器节点模块
系统的输入数据(车速、车流量、洞外亮度)都是通过无线传感器节点模块进行采集，然后发送至DSP控制器。无线传感器节点模块主要由车辆探测器、信号调理整形电路、光强传感器、Zigbee无线模块CC2430组成，如图3所示。

系统采用性能稳定、性价比高、工程应用方便的感应线圈式检测器来检测车速和车流量信息。无线传感器模块由环形线圈、耦合振荡电路和信号调理整形电路组成^[3]。通过检测由环形线圈构成的耦合电路的振荡频率来判断车辆信息。耦合振荡电路采用如图3所示的电容反馈三点式振荡电路。图中,2个反接的稳压管HZ4C2抑制正弦振荡信号输出在-5 V～+5 V范围内，耦合变压器原副边匝数比为1∶1，二极管P6KE12CA 用于消除由静电等原因引起的瞬间电压影响。正弦振荡信号经过比较器MC34072AP整形成脉冲方波信号，然后输入到CC2430模块的微处理器的计数单元。
隧道洞内外环境亮度传感器采用TAOS公司的TSL2561[4]，是一种高速、低功耗、宽量程、可编程灵活配置的光强度数字转换芯片。芯片内部集成了积分式A/D转换器，采用数字信号输出，因此抗干扰能力比同类芯片强。该芯片可用于各类显示屏的监控，各种环境照明控制等。TLS2561具有标准的I2C总线接口，微控制器可通过I2C访问内部寄存器，对其操作控制。TSL2561与CC2430硬件接口电路如图3所示。
无线传感器节点模块中仍采用基于Zigbee技术的无线模块CC2430作为数据无线射频收发器，其外围电路如图2所示，与车辆传感器及光强传感器TSL2561的接口如图3所示。
1.4 无线控制LED灯具模块
无线控制LED与传统的高压钠灯、荧光灯不同，其亮度控制简单有效，可以在灯亮度的0～100％之间进行快速调节，而不会影响LED灯寿命。根据隧道照明的需求，改变LED亮度，具有巨大的节能潜力。但目前已采用LED的隧道中，对LED灯的布置和控制方式仍是按传统的高压钠灯方式进行，不能将LED灯的亮度调节和功耗调节简单的优势发挥出来。而本系统将LED电源模块和Zigbee无线通信模块相结合控制LED灯具亮度，其灯具模块结构如图4所示。LED点阵灯具电源模块将交流输入经桥式整流电路整流成直流，在经电流型或电压型DC-DC模块后，提供稳定、合适的LED输入电压或电流；将灯具模块增加CC2430无线通信模块，可以将所有的LED灯具组成一个无线控制网络，每个LED灯都是网络中的一个节点,都有唯一的网络ID。一方面灯具模块可以通过CC2430无线模块接收调光控制命令，结合DC-DC模块，调节电压或电流输出，从而实现对LED灯具的调光控制；另一方面可以将灯具的状态信息，如功耗、工作情况、执行指令情况发送到通信网络上，上传至监控计算机。

2 系统软件设计
2.1 系统主程序流程
　　系统主程序流程如图5所示。首先系统上电初始化各个模块，启动各处无线传感器模块，采集车辆及洞内外亮度信息，并将信息通过无线通信节点或传输给本地控制器由工业以太网发送出去，判断系统是否处于本地控制器手动控制状态，如果是在手动控制状态（系统出现故障或检修维护），则程序结束，由面板实现照明回路的控制；否则，检测隧道状态是否正常。如果不正常则报警，并且调用特殊状态程序；如果正常，则检测工业以太网通信是否正常；如果正常，则调用远程监控计算机控制程序，否则调用本地控制器基本控制程序，然后输出回路控制命令。利用触摸屏显示隧道状态信息，同时利用以太网或无线模块将本地隧道状态信息发送给监控计算机。

2.2 隧道照明控制方法
2.2.1传统照明控制方法
　　目前，国内的隧道照明的控制方式都是利用灯具的不同排列组合和现场控制器提供的自动或手动控制信号对照明灯进行逻辑控制，使其产生所需光强分布的亮度。虽然这些控制方法的控制程序和线路设计简单，灯具选择灵活，维修保养容易，但控制系统主要存在以下2个问题：
(1)隧道照明系统在设计阶段采用保守预估的方法^[5]，考虑光源衰减，乘以0.6～0.7的系数，并且对洞外亮度、车速、车流量等参数都以最大值来设计系统，使在运行过程中，各段照明照度却始终处于最大值状态。因此，隧道照明系统具有较大的节能改进空间。
(2)隧道照明系统未采用洞内亮度反馈控制，既不知道照度是否满足要求，不利于行车安全，造成电能浪费。
2.2.2 模糊神经网络控制调光法
模糊控制是以模仿人的模糊综合判断推理来处理常规方法难以解决的模糊信息处理难题的方法，能对那些复杂的具有非线性、甚至根本无法建立精确数学模型的系统进行有效而精确的控制，但不具备学习自适应能力；而神经网络以生物神经网络为模拟基础，具有自适应和自学习能力，但不善于表达基于规则的知识。因此，将模糊控制和神经网络相结合构成的模糊神经网络充分利用了两者的优点，弥补了各自的不足，能很好地解决隧道照明控制的问题。本系统采用的模糊神经网络调光法是在实时自动直接控制调光方案的基础上，以洞外亮度、车速及车流量作为控制系统的输入参数，通过基于专家经验的模糊规则判断，输出照明回路的调光命令，实现实时自动调节隧道照明亮度；同时将洞内亮度反馈给系统，进行比较学习，再将行车人员的反馈信息样本输入系统，通过神经网络学习，不断修改和完善控制规则，提高了隧道照明的安全性、适应性，且可大大节省照明运营电能的成本。
2.3 隧道照明模糊神经网络
2.3.1 隧道照明模糊神经网络模型构造
本方案采用结构等价型模糊神经网络，即根据模糊系统的结构，决定等价结构的神经网络，使其每个节点对应模糊系统的一部分，如模糊化或模糊推理等过程。本方案主要用于自适应控制，因此采用了多层前向BP网络， 共由(A)～(E)5层组成。其中,(A)层为输入层，接收语言变量的输入，输入量为车速、车流量和洞外亮度；(B)层为隶属函数生成层，实现模糊化操作；(C)层为规则前件匹配层，计算每条规则的适用度；(D)层为规则结论层，对相同的规则后件进行综合；(E)层为输出层，实现反模糊化操作，输出量为回路的调光数值。
2.3.2 隧道照明模糊神经网络程序设计
模糊神经网络学习算法包括自组织学习阶段和有教师学习阶段。自组织学习阶段的任务主要是进行模糊控制规则的自组织、输入输出语言变量各语言值隶属函数参数的预辨识，以得到一个符合该被控对象的模糊控制规则和初步的隶属函数分布。而有教师学习阶段的任务主要是利用训练样本数据实现输入、输出语言变量各语言值隶属函数的最佳调整。BP神经网络，基于误差传递算法，须通过学习样本与教师样本得出输出层误差，通过每层的误差传递调整神经网络，改变输出误差，以使输出误差小于给定误差指标。模糊神经网络程序设计及训练流程如图6所示。