CN109681786A - 一种危化品泄漏源定位方法 - Google Patents

Abstract

本发明涉及危化品泄漏源定位技术领域，具体涉及一种危化品泄漏源定位方法，包括以下步骤：A）建立坐标系，确定大致范围；B）粒子群算法重复次数k置1；C）获取固定传感器数据，采用自适应变异的粒子群算法反算定位；D）若不满足反算精度则重新执行步骤C；E）最终收敛判定，若满足则结束；F）重置粒子群算法，若重置次数达到最大值，则进入步骤G；G）启用移动传感器，置于初始位置；H）获得移动传感器有效采集值，若小于最终收敛判定值则结束，反之将该值加入固定传感器数据跳转到步骤B执行。本发明的实质性效果是：利用固定传感器网络结合移动传感器，能够有效获取事故信息，提高事故监测的灵活性，减小固定传感器网络密度。

Description

一种危化品泄漏源定位方法

技术领域

本发明涉及危化品泄漏源定位技术领域，具体涉及一种危化品泄漏源定位方法。

背景技术

危险化学品泄漏事故发生后，利用监测设备对事故现场及周围环境进行危险物质浓度的监测，进而利用所监测数据实现泄漏源位置与强度的确定。确定泄漏源的源强信息后，即可确定泄漏物质在大气中不同时空位置的动态分布，进而实现事故的预警预测及应急处理。

目前对于危化品气体泄漏源定位方法分为两类：一类基于概率统计理论，一类基于优化理论。基于概率统计理论的定位方法需要大量数据来进行分析，在应对紧急事故时，由于数据有限，使得该方法实用性不高。基于优化理论的定位方法只需要提供事故现场的浓度测量值，适用于突发事件下数据有限的情形，但在考虑计算效率的同时还要考虑算法的准确性，例如遗传算法、退火模拟法等能够获取问题的全局最优解，但由于需要经过多次运算取均值来得到近似最优解使得计算效率大大降低，而一些能够快速收敛的方法，例如粒子群算法，易陷入局部最优解并不能保证可以得到全局最优解。在危化品气体数据采集方面，目前已有的采集方法有：基于固定传感器网络的数据采集方法，基于移动传感器的数据采集方法以及基于固定传感器网络与移动传感器相结合的数据采集方法。对于基于固定传感器网络的数据采集方法需要布置大量的固定传感器来保证定位结果的准确性，使得成本增高。对于基于移动传感器的数据采集方法主要由通过装有嗅觉传感器的机器人搜索完成，定位效率低并且只适用于小范围的泄漏事故。对于基于固定传感器网络与移动传感器相结合的数据采集方法，由于优化算法的误差来源于随机误差，导致移动传感器的路径发生振荡，使得效率降低。

中国专利CN105548476B，公开日2018年1月9日，一种气体泄漏检测方法及检测系统，涉及气体检测技术领域，用于解决现有技术无法及时检测到气体泄漏源的位置的问题。气体泄漏检测方法包括：控制无人机在待测区域内沿设定飞行轨迹飞行，检测待测气体的浓度；同步判断所检测到的浓度值是否大于零，如果是，则控制无人机在该浓度值大于零的位置点周围飞行，检测该浓度值大于零的位置点周围待测气体的浓度，找出浓度值最大的位置点，将该浓度值最大的位置点作为待测气体的泄漏源；如果否，则返回上一步，若直至无人机完成整个设定飞行轨迹的飞行，均未检测到大于零的浓度值，则确定待测区域内无待测气体泄露。其提供的气体泄漏检测方法用于对气体设备进行气体泄漏检测。但其对泄露源的判断过于依赖无人机飞行轨迹，不适合快速和准确的预测出危化品泄露源。

发明内容

本发明要解决的技术问题是：目前缺乏快速、准确的预测危化品泄漏源的方法。提出了一种采用固定和移动传感器协同预测的危化品泄漏源定位方法。

为解决上述技术问题，本发明所采取的技术方案为：一种危化品泄漏源定位方法，包括以下步骤：A)根据固定传感器网络布局建立坐标系，将监测到超过浓度阈值c的固定传感器所覆盖的区域作为大致范围，移动传感器移动步数t＝1；B)设置粒子群算法重复次数k＝1，重复次数最大值为K；C)将固定传感器采集到的气体浓度数据，利用自适应变异的粒子群算法反算定位，目标函数为：其中N为定位网络中固定传感器的数量，t为移动传感器的移动步数，在步骤F启动移动传感器前，t的取值为0，在步骤F启动移动传感器后t的值由步骤H确定，C_mes为监测浓度，C_comp为计算浓度，目标函数的计算结果记为适应度值fit，运行粒子群算法获得最优解fit_k，泄漏源记为(x_k，y_k，Q_k)，其中x_k、y_k分别为第k次粒子群算法获得的泄漏源最优解的x坐标和y坐标，Q_k表示第k次粒子群算法获得的泄漏源泄漏强度；D)若fit_k≥ε_pso，则返回步骤C再次运行粒子群算法，ε_pso为设定的反算精度，反之，进入步骤E；E)将步骤C得到的(x_k，y_k，Q_k，fit_k)存储到优化结果存储器中，在优化结果存储器中找到最小的fit_k，记为fit_r，若fit_r≤ε_final，ε_final为设定的最终收敛阈值，且ε_final＜ε_pso，则将fit_r对应的(x_k，y_k，Q_k)作为泄漏源位置以及泄漏源强度，并结束本方法，反之，则进入步骤F；F)将粒子群算法重复计算次数k加1，若k<K，则返回步骤C，重置粒子群算法，从步骤C重新执行，反之，则启动移动传感器，并进入步骤G；G)若t＜1，则将移动传感器置于随机初始位置(p₀，q₀)，反之，则利用扩展卡尔曼滤波算法确定移动传感器的下一个移动位置(p_t+1，q_t+1)；H)计算位置(p_t+1，q_t+1)处的理论浓度值将移动传感器移动到(p_t+1，q_t+1)，获得(p_t+1，q_t+1)处的检测值移动传感器移动步数t加1；I)若大于阈值c，则判断此点处于泄漏范围，计算若则将位置(p_t+1，q_t+1)作为泄漏源位置，将作为泄漏源强度，并结束本方法，若则位置(p_t+1，q_t+1)处的检测值当做固定传感器的检测值加入到固定传感器采集到的气体浓度数据，跳转到步骤B执行，若不大于阈值c，则返回步骤B重新执行。

作为优选，利用扩展卡尔曼滤波算法确定移动传感器的下一个移动位置(p_t+1，q_t+1)的方法包括以下步骤：G1)使用状态方程来描述系统状态随时间的变化过程，可表示为x_t＝f(x_t-1)+w_t-1，式中，x_t为观测目标在t时刻的状态向量；w_t-1为过程噪声，均值为0，方差为Q_t-1，使用状态向量表示移动传感器当前的状态，其中p_t以及q_t为移动传感器第t步的x坐标和y坐标，表示移动传感器第t步理论浓度值与检测值差值的平方；G2)移动传感器第t+1步的状态方程为：其中分别为移动传感器x坐标和y坐标的移动策略系数，均由人工设定，ξ为过程噪声，均值为0，方差为Q_t-1；G3)获得系统矩阵表达其中α、β、γ分别为关于p_t、q_t、的偏导值；G4)使用观测方程来描述系统状态的观测信息，由非线性函数h控制，即观测方程：z_t＝h(x_t)+v_t，式中，z_t为观测目标在t时刻的测量值，h为预测值映射到测量空间的非线性函数；v_t为观测噪声，均值为0，方差为R_t；G5)设Z_t为移动传感器在第t步的检测向量，Z_t＝[x_t y_t]^T，其中x_t以及y_t分别表示移动传感器在第t步移动位置检测后预测出的泄漏源x坐标和y坐标，预测值映射到测量空间的非线性函数h可由下式描述：

，

确定Z_t与X_t的关系即可得出h，进而可由h求偏导得出非线性系统的雅可比行列式H_t；G6)将状态方程与观测方程代入扩展卡尔曼滤波公式中，即可规划移动传感器下一位置(p_t+1，q_t+1)。

作为优选，坐标(x，y，z)处的计算浓度C_comp的计算方法为：其中Q₀为泄漏源的源强，u为风速，σ_x、σ_y以及σ_z分别为x，y，z方向的扩散系数，σ_x、σ_y以及σ_z的值可以根据高斯扩散模型扩散系数方程求得，H为有效源高，由人工设定，本方法仅寻找泄漏源的x坐标和y坐标，因而z由人工设定为常数值。

本发明的实质性效果是：利用固定传感器网络结合移动传感器，能够有效获取事故信息，弥补了单纯依赖固定传感器网络监测导致失灵的缺点，提高事故监测的灵活性；引入移动传感器后，可减小固定传感器网络中固定传感器的分布密度，降低传感器布设成本。

附图说明

图1为实施例一危化品泄漏源定位方法流程框图。

图2为实施例一在试验模拟中移动传感器的路径。

具体实施方式

下面通过具体实施例，并结合附图，对本发明的具体实施方式作进一步具体说明。

实施例一：

一种应用于危化品泄漏源定位的方法，如图1所示，本实施例包括以下步骤：A)根据固定传感器网络布局建立坐标系，将监测到超过浓度阈值c的固定传感器所覆盖的区域作为大致范围，移动传感器移动步数t＝1；B)设置粒子群算法重复次数k＝1，重复次数最大值为K；C)将固定传感器采集到的气体浓度数据，利用自适应变异的粒子群算法反算定位，目标函数为：其中N为定位网络中固定传感器的数量，t为移动传感器的移动步数，在步骤F启动移动传感器前，t的取值为0，在步骤F启动移动传感器后t的值由步骤H确定，C_mes为监测浓度，C_comp为计算浓度，目标函数的计算结果记为适应度值fit，运行粒子群算法获得最优解fit_k，泄漏源记为(x_k，y_k，Q_k)，其中x_k、y_k分别为第k次粒子群算法获得的泄漏源最优解的x坐标和y坐标，Q_k表示第k次粒子群算法获得的泄漏源泄漏强度；D)若fit_k≥ε_pso，则返回步骤C再次运行粒子群算法，ε_pso为设定的反算精度，反之，进入步骤E；E)将步骤C得到的(x_k，y_k，Q_k，fit_k)存储到优化结果存储器中，在优化结果存储器中找到最小的fit_k，记为fit_r，若fit_r≥ε_final，εf_inal为设定的最终收敛阈值，且ε_final＜ε_pso，则将fit_r对应的(x_k，y_k，Q_k)作为泄漏源位置以及泄漏源强度，并结束本方法，反之，则进入步骤F；F)将粒子群算法重复计算次数k加1，若k<K，则返回步骤C，重置粒子群算法，从步骤C重新执行，反之，则启动移动传感器，并进入步骤G；G)若t＜1，则将移动传感器置于随机初始位置(p₀，q₀)，反之，则利用扩展卡尔曼滤波算法确定移动传感器的下一个移动位置(p_t+1，q_t+1)；H)计算位置(p_t+1，q_t+1)处的理论浓度值将移动传感器移动到(p_t+1，q_t+1)，获得(p_t+1，q_t+1)处的检测值移动传感器移动步数t加1；I)若大于阈值c，则判断此点处于泄漏范围，计算若则将位置(p_t+1，q_t+1)作为泄漏源位置，将作为泄漏源强度，并结束本方法，若则位置(p_t+1，q_t+1)处的检测值当做固定传感器的检测值加入到固定传感器采集到的气体浓度数据，跳转到步骤B执行，若不大于阈值c，则返回步骤B重新执行。

利用扩展卡尔曼滤波算法确定移动传感器的下一个移动位置(p_t+1，q_t+1)的方法包括以下步骤：G1)使用状态方程来描述系统状态随时间的变化过程，可表示为x_t＝f(x_t-1)+w_t-1，式中，x_t为观测目标在t时刻的状态向量；w_t-1为过程噪声，均值为0，方差为Q_t-1，使用状态向量表示移动传感器当前的状态，其中p_t以及q_t为移动传感器第t步的x坐标和y坐标，表示移动传感器第t步理论浓度值与检测值差值的平方；G2)移动传感器第t+1步的状态方程为：其中分别为移动传感器x坐标和y坐标的移动策略系数，均由人工设定，ξ为过程噪声，均值为0，方差为Q_t-1；G3)获得系统矩阵表达其中α、β、γ分别为关于p_t、q_t、的偏导值，可由地面H高处连续点源的高斯烟羽模型公式与扩散系数方程求得；G4)使用观测方程来描述系统状态的观测信息，由非线性函数h控制，即观测方程：z_t＝h(x_t)+v_t，式中，z_t为观测目标在t时刻的测量值，h为预测值映射到测量空间的非线性函数；v_t为观测噪声，均值为0，方差为R_t；G5)设Z_t为移动传感器在第t步的检测向量，Z_t＝[x_t y_t]^T，其中x_t以及y_t分别表示移动传感器在第t步移动位置检测后预测出的泄漏源x坐标和y坐标，预测值映射到测量空间的非线性函数h可由下式描述：

，

确定Z_t与X_t的关系即可得出h，进而可由h求偏导得出非线性系统的雅可比行列式H_t；G6)将状态方程与观测方程代入扩展卡尔曼滤波公式中，即可规划移动传感器下一位置(p_t+1，q_t+1)。

扩展卡尔曼滤波包含预测阶段和更新阶段。预测阶段通过状态方程利用当前时刻的系统状态来估计下一时刻的系统状态，更新阶段通过观测方程获得最新时刻的观测信息来更新系统状态，使得状态估计更加准确。预测阶段计算式包括：更新阶段计算式包括：P_t＝(I-K_tH_t)P_t|t-1，式中的K_t称为卡尔曼滤波的增益矩阵；F_t为系统矩阵，由f求偏导得到；H_t为非线性系统的雅可比行列式，由h求偏导得到。

坐标(x，y，z)处的计算浓度C_comp的计算方法为：其中Q₀为泄漏源的源强，u为风速，σ_x、σ_y以及σ_z分别为x，y，z方向的扩散系数，σ_x、σ_y以及σ_z的值可以根据高斯扩散模型扩散系数方程求得，H为有效源高，由人工设定，本方法仅寻找泄漏源的x坐标和y坐标，因而z由人工设定为常数值。

如图2所示，将实施例一应用在试验模拟中，移动传感器沿图示路径移动。圆点表示泄漏源位置，折线表示移动传感器的移动路径，试验模拟中不考虑高度，泄漏源坐标为(650,400)，每种传感器布局做100组实验。误差公式为其中：e为误差距离，x为实验结果所得泄漏源横坐标，y为实验结果所得泄漏源纵坐标，x0为实际泄漏源横坐标，y0为实际泄漏源纵坐标。如表1中列出采用不同的传感器网络时，试验定位误差结果的。

表1不同传感器网络在试验模拟中的定位误差结果

由试验模拟的结果可知，引入移动传感器后定位精度大大提升。由此可见，移动传感器与固定传感器网络协同泄漏源定位方法的提高了泄漏源定位结果的精度。

利用固定传感器网络结合可移动传感器，能够有效获取事故信息，弥补了单纯依赖固定传感器网络监测导致失灵的缺点，提高事故监测的灵活性。引入移动传感器后，可减小固定传感器网络中固定传感器的分布密度。例如，在16km2的传感器网络中，9个固定传感器间隔为2000m的协同定位网络定位精度比25个固定传感器间隔为1000m的固定传感器网络定位精度高提升了25.79％，并且固定传感器的使用数量减少了16个；在64km2的传感器网络中，25个固定传感器间隔为2000m的协同定位网络定位精度比81个固定传感器间隔为1000m的固定传感器网络定位精度提升了55.89％，并且固定传感器的使用数量减少了56个。由此可见，移动传感器与固定传感器网络相结合的协同定位网络可以减少固定传感器的分布数量，进而大大降低了成本。

以上所述的实施例只是本发明的一种较佳的方案，并非对本发明作任何形式上的限制，在不超出权利要求所记载的技术方案的前提下还有其它的变体及改型。

Claims (3)

1.一种危化品泄漏源定位方法，其特征在于，

包括以下步骤：

A)根据固定传感器网络布局建立坐标系，将监测到超过浓度阈值c的固定传感器所覆盖的区域作为大致范围，移动传感器移动步数t＝1；

B)设置粒子群算法重复次数k＝1，重复次数最大值为K；

C)将固定传感器采集到的气体浓度数据，利用自适应变异的粒子群算法反算定位，目标函数为：其中N为定位网络中固定传感器的数量，t为移动传感器的移动步数，在步骤F启动移动传感器前，t的取值为0，在步骤F启动移动传感器后t的值由步骤H确定，C_mes为监测浓度，C_comp为计算浓度，目标函数的计算结果记为适应度值fit，运行粒子群算法获得最优解fit_k，泄漏源记为(x_k，y_k，Q_k)，其中x_k、y_k分别为第k次粒子群算法获得的泄漏源最优解的x坐标和y坐标，Q_k表示第k次粒子群算法获得的泄漏源泄漏强度；

D)若fit_k≥ε_pso，则返回步骤C再次运行粒子群算法，ε_pso为设定的反算精度，反之，进入步骤E；

E)将步骤C得到的(x_k，y_k，Q_k，fit_k)存储到优化结果存储器中，在优化结果存储器中找到最小的fit_k，记为fit_r，若fit_r≤ε_final，ε_final为设定的最终收敛阈值，且ε_final＜ε_pso，则将fit_r对应的(x_k，y_k，Q_k)作为泄漏源位置以及泄漏源强度，并结束本方法，反之，则进入步骤F；

F)将粒子群算法重复计算次数k加1，若k＜K，则返回步骤C，重置粒子群算法，从步骤C重新执行，反之，则启动移动传感器，并进入步骤G；

G)若t＜1，则将移动传感器置于随机初始位置(p₀，q₀)，反之，则利用扩展卡尔曼滤波算法确定移动传感器的下一个移动位置(p_t+1，q_t+1)；

H)计算位置(p_t+1，q_t+1)处的理论浓度值将移动传感器移动到(p_t+1，q_t+1)，获得(p_t+1，q_t+1)处的检测值移动传感器移动步数t加1；

I)若大于阈值c，则判断此点处于泄漏范围，计算若则将位置(p_t+1，q_t+1)作为泄漏源位置，将作为泄漏源强度，并结束本方法，若则位置(p_t+1，q_t+1)处的检测值当做固定传感器的检测值加入到固定传感器采集到的气体浓度数据，跳转到步骤B执行，若不大于阈值c，则返回步骤B重新执行。

2.根据权利要求1所述的一种危化品泄漏源定位方法，其特征在于，

所述利用扩展卡尔曼滤波算法确定移动传感器的下一个移动位置(p_t+1，q_t+1)的方法包括以下步骤：

G1)使用状态方程来描述系统状态随时间的变化过程，可表示为x_t＝f(x_t-1)+w_t-1，式中，x_t为观测目标在t时刻的状态向量；w_t-1为过程噪声，均值为0，方差为Q_t-1，使用状态向量表示移动传感器当前的状态，其中p_t以及q_t为移动传感器第t步的x坐标和y坐标，表示移动传感器第t步理论浓度值与检测值差值的平方；

G2)移动传感器第t+1步的状态方程为：其中分别为移动传感器x坐标和y坐标的移动策略系数，均由人工设定，ξ为过程噪声，均值为0，方差为Q_t-1；

G3)获得系统矩阵表达其中α、β、γ分别为关于p_t、q_t、的偏导值；

G4)使用观测方程来描述系统状态的观测信息，由非线性函数h控制，即观测方程：z_t＝h(x_t)+v_t，式中，z_t为观测目标在t时刻的测量值，h为预测值映射到测量空间的非线性函数；v_t为观测噪声，均值为0，方差为R_t；

G5)设Z_t为移动传感器在第t步的检测向量，Z_t＝[x_t y_t]^T，其中x_t以及y_t分别表示移动传感器在第t步移动位置检测后预测出的泄漏源x坐标和y坐标，预测值映射到测量空间的非线性函数h可由下式描述：

，

确定Z_t与X_t的关系即可得出h，进而可由h求偏导得出非线性系统的雅可比行列式H_t；G6)将状态方程与观测方程代入扩展卡尔曼滤波公式中，即可规划移动传感器下一位置(p_t+1，q_t+1)。

3.根据权利要求1或2所述的一种危化品泄漏源定位方法，其特征在于，

坐标(x，y，z)处的计算浓度C_comp的计算方法为：

其中Q₀为泄漏源的源强，u为风速，σ_x、σ_y以及σ_z分别为x，y，z方向的扩散系数，σ_x、σ_y以及σ_z的值可以根据高斯扩散模型扩散系数方程求得，H为有效源高，由人工设定，本方法仅寻找泄漏源的x坐标和y坐标，因而z由人工设定为常数值。