基于改進PSO-LSTM的重大危險源風險評價

北華航天工業學院計算機學院 劉喜梅 尹國才

在石油化工過程，針對重大危險源監測辨識預估等問題。在信息物理系統（CPS）的決策層中建立長短期記憶網絡（LSTM）預測模型，采用改進粒子群算法（PSO）優化網絡中的權值和閾值，將經過改進PSO優化的LSTM應用于重大危險源風險評價系統中。通過仿真實驗結果表明該方法具有一定的精準度，最終證明該方法可以準確完成重大危險源風險評價。

“重大危險源”指的是長期地或臨時地生產、加工、使用或儲存危險化學品，且危險化學品的數量等于或超過臨界量的單元。重大危險源的安全管理工作必須要引起我們所有人的高度重視。國家近幾年提出要進一步注重重大危險源管理安全并且部分地區的企業建立了重大危險源監控系統中心。由于我國目前在重大危險源安全方面仍存在著設施不完善，安全監督管理困難，事故時相關信息無法及時獲取等問題。

本文基于改進PSO-LSTM算法對基于CPS的重大危險源進行風險評價，由于基本的PSO具有易陷入局部最優和全局搜索能力較弱所導致的求解精度低的缺點，需要對慣性權重和加速因子的改進和引入模擬退火算法，大大提高了預測精度，仿真實驗結果證實了該方法具備重大危險源風險評價能力，并且實時可靠。

1 CPS系統和重大危險源分級

1.1 CPS系統

CPS主要分為3個部分，分別是感知層、網絡層和控制層，感知層主要是由傳感器、控制器和采集器等設備組成。感知層中的傳感器作為信息物理系統中的末端設備；數據傳輸層主要是連接信息世界和物理世界的橋梁；應用控制層主要是根據認知層的認知結果。

1.2 重大危險源分級

分級方法根據《危化品重大危害源辨識》（GB 18218-2009）內所規定的原則上，使用分級方法將各危險化學品的危險性現實儲存量與臨界設有量的比值，在這之后把它們的比值進行分級、校正，最終通過計算得出它們的校正系數的和。

重大危險源分級指數R的計算方法：

式中：q1，q2，…，qn為每種危險化學品實際存放量；Q1，Q2，…，Qn為每種危險化學品臨界量；β1，β2，…，βn為每種危險化學品的校正系數；α為外界暴露人員的校正系數。

根據公式(1)計算出風險等級R，可以得出重大危險源的等級：當R≥ 100時，風險等級為Ⅰ級；當100＞R≥ 50時，風險等級為Ⅱ級；當50＞R≥10時，風險等級為Ⅲ級；當R＜10時，風險等級為Ⅳ級。

2 改進PSO-LSTM算法評價方法

2.1 慣性權重的改進

慣性權重是構成粒子群算法的重要參數之一，較大的慣性權重有利于全局搜索，較小的慣性權重有利于局部細致搜索，所以需要對慣性因子進行自適應調整。

其中，k為當前迭代次數，Tmax為最大迭代次數，Wstart和Wend為W的起始值和終止值。

2.2 加速因子的改進

在粒子群算法中，加速因子的作用是用來調整個體最優位置與全局最優位置在速度更新中所起的影響作用。該因子作用與W作用類似，C1和C2也具有使局部搜索和全局探索得到平衡的能力。

其中，k為當前迭代次數，Tmax為最大迭代次數，和為C1的起始值和終止值，C2

start和C2

end為C2的起始值和終止值。

有式(2)和式(3)得到新的粒子速度和位置公式：

在早期階段設置較大的C1和較小的C2，增強全局搜索能力；在后期減小C1并增大C2，增強粒子的全局搜索能力。

2.3 引入模擬退火算法

雖然粒子群在求解優化函數時，表現了較好的尋優能力；通過迭代尋優計算，能夠迅速找到近似解。為了進一步提高粒子群算法的全局搜索能力，提高預測精度和收斂速度，結合本文模型引入模擬退火算法，該方法具有避免PSO容易陷入局部極值點、實現簡單、收斂速度快且適用于非線性優化等優點。

3 仿真實驗

本文以某石化公司尼龍鹽廠環己烷催化氧化過程實測數據作為樣本數據。在環己烷的催化過程中，環己烷蒸汽的爆炸下限受尾氣中氧濃度的影響，而尾氧濃度又會受到進氣氧含量、反應溫度、進氣量的影響，這些因素在重大危險源風險評估系統中具有重要意義，經過改進PSO-LSTM算法對這些關鍵物理量進行預測，然后通過實際輸出誤差得到重大危險源分級指數，從而完成危險源風險的評價。

其中反應溫度、進氣量、進氣氧含量均為一定時刻的數據，而尾氧濃度是30min后的數據。樣本個數為300個，隨機選取250個樣本作為訓練樣本，剩下的50個樣本作為測試樣本。改進PSO-LSTM網絡模型由輸入層、隱藏層和輸出層組成。隱藏層中的激活函數使用tanh函數，網絡節點的舍棄率取0.2；迭代次數取400，設定參數Wstart= 0.9，Wend= 0.4，C1=2，C2=1.2，t0=97，λ=0.95。

由圖1可知，在迭代初期改進PSO優于基本PSO，隨著迭代次數不斷增加，改進PSO大約經歷90次迭代達到全局最優，基本PSO雖然最后都收斂了，但是迭代次數相對較多。改進PSO不僅收斂速度快而且精度一直領先，為接下來的預測精度提供了保障。

圖1 適應度曲線

用改進PSO-LSTM對50個樣本進行測試，測試樣本的誤差曲線如圖2所示。

圖2 測試樣本的預測曲線

由圖2可知，誤差曲線呈隨機波動狀態，平均誤差約為0.25，明顯高于基本PSOLSTM的預測精度。根據式（1）求出重大危險源分級指數R，可以得到重大危險源分級指數R＜10，風險等級均為Ⅳ級，化工運行過程處于安全狀態。說明使用改進PSO-LSTM用于環己烷無催化氧化過程中尾氧濃度的預測是完全可行的。

結論：本文采用基于改進PSO-LSTM算法對基于CPS的重大危險源風險系統進行評價，通過對慣性權重和加速因子的改進和引入模擬退火算法提高了PSO的尋優能力，從而大大提高了LSTM的預測精度和時間。通過通過仿真實驗，證明該方法具有一定的精準度，可以準確完成重大危險源風險評價。