基于物聯(lián)網(wǎng)的化工廠有毒氣體安全監(jiān)測

廖磊，宋坤，李輝

(中鋼集團武漢安全環(huán)保研究院有限公司，湖北 武漢 430081)

0 引言

化學(xué)工業(yè)的擴張增加了相關(guān)事故可能性，對人類和環(huán)境都會產(chǎn)生影響[1-2]，當有害物質(zhì)被排放時，會威脅到公眾健康和環(huán)境。空氣中的污染物通常由幾種對人體有害的揮發(fā)性有機化合物(VOCs) 組成。因此，一個可靠、準確、自動和連續(xù)的有毒氣體監(jiān)測、控制系統(tǒng)是每個化工廠不可或缺的部分[3-4]。

基于物聯(lián)網(wǎng)的化工廠有毒氣體安全監(jiān)測是一種智能化的監(jiān)控系統(tǒng)，通過將傳感器、無線通信等技術(shù)應(yīng)用于化工廠的有毒氣體檢測和監(jiān)測，對有毒氣體濃度等參數(shù)進行實時監(jiān)測和預(yù)警，一旦發(fā)現(xiàn)有毒氣體超標，系統(tǒng)將及時報警并采取相應(yīng)的措施來確保工人的安全[5-7]。這種監(jiān)測系統(tǒng)可以提高化工廠的安全性和生產(chǎn)效率，有效防范生產(chǎn)過程中的事故和危險。同時，它還具有實時響應(yīng)和高效性的優(yōu)點，減少監(jiān)測和管理的人力成本，并提高監(jiān)測的精度和準確性[8]。本文為了識別環(huán)境中存在的眾多不同類型的氣體，設(shè)計了一個基于物聯(lián)網(wǎng)的危險氣體監(jiān)測系統(tǒng)。該系統(tǒng)包括多個傳感器和組件，并將故障數(shù)據(jù)檢測方法應(yīng)用于傳感器數(shù)據(jù)集，以實時檢測傳感器數(shù)據(jù)集中存在的有毒氣體。

1 物聯(lián)網(wǎng)監(jiān)測系統(tǒng)

圖1 為基于物聯(lián)網(wǎng)的自動化智能有害有毒氣體和環(huán)境監(jiān)測系統(tǒng)的硬件組成。該系統(tǒng)可以測量空氣中某種氣體的濃度以監(jiān)測有毒氣體和環(huán)境條件。根據(jù)所涉及的不同氣體和工作區(qū)域的大小，可以在同一區(qū)域使用一種或多種類型的氣體探測器。

該系統(tǒng)結(jié)合了各種類型的傳感器和技術(shù)，如AQ3 氣體傳感器、MQ3 氣體傳感器、DHT11 傳感器、MiniPID 2 HS PID 傳感器、開路紅外工業(yè)氣體傳感器、ESP8266-WIFI 模塊、有源蜂鳴器等。DHT11 是一款低成本的數(shù)字溫度和濕度傳感器，只需連接到任何微控制器(例如Arduino)，即可實時計算環(huán)境濕度和溫度值。Mini PID 2HS PID 傳感器能夠檢測VOC，由于ESP8266 簡單的連接性，被用作接入點(AP 模式)，為任何基于微控制器的設(shè)計提供無線互聯(lián)網(wǎng)接入。Arduino 有源蜂鳴器報警模塊是一種音頻信號設(shè)備，比無源蜂鳴器更昂貴，但更易于管理。蜂鳴器經(jīng)常用于計時器、警報和確認人工輸入，例如擊鍵或鼠標單擊。Thing Speak 是一個面向云的物聯(lián)網(wǎng)分析平臺，它使用戶能夠收集，查看和分析實時數(shù)據(jù)流，數(shù)據(jù)可能會從設(shè)備提供給Thing Speak，網(wǎng)絡(luò)服務(wù)可用于構(gòu)建實時數(shù)據(jù)的快速表示并提供警報。

該系統(tǒng)被設(shè)計用于在極端條件下的各種環(huán)境中運行，因此它具有高度特異性，可在各種情況和具有挑戰(zhàn)性的環(huán)境中工作，可檢測二氧化氮、臭氧、一氧化碳和二氧化硫等氣體。該系統(tǒng)不僅在一定程度上響應(yīng)各種氣體，還可以更容易地進行更復(fù)雜的分析。使用微控制器程序?qū)㈦娫春灻东@與所選的物聯(lián)網(wǎng)操作進行協(xié)調(diào)。

圖2 為氣體監(jiān)測和控制系統(tǒng)的流程圖，這些傳感器持續(xù)監(jiān)測環(huán)境中的氣體并將數(shù)據(jù)傳輸?shù)椒?wù)器以供存儲和將來使用。在持續(xù)監(jiān)測的同時，如果空氣中的任何氣體水平超過正常范圍，則會發(fā)出警報。警報通知將發(fā)送到組織的安全控制委員會、工人流動站和最近的警察局等。如有必要，它將數(shù)據(jù)發(fā)送到云端服務(wù)器，并以圖形形式繪制傳感器數(shù)據(jù)。

圖2 氣體監(jiān)測和控制系統(tǒng)的流程圖

2 氣體監(jiān)測

2.1 檢測算法

2.1.1 人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)(ANN)的主要目的是幫助從困難的過程中建立模型，它是由神經(jīng)元的深度卷積網(wǎng)絡(luò)組成的，被稱為感知器，其中每個單元獲得許多原始值的輸入(利用激活函數(shù)相關(guān)聯(lián))，并通過其激活值(例如sigmoid 函數(shù)、線性和重組線性單元) 對它們進行非線性變換，每個特定的輸入都與一個權(quán)重相關(guān)，它決定了輸入數(shù)據(jù)對結(jié)果的參與。此外，輸入值可以被定義為多維數(shù)組(張量)，并且相應(yīng)輸出的計算被有效地向量化并分布在可用的計算資源上。對給定的神經(jīng)網(wǎng)絡(luò)，輸出相對于權(quán)重和偏差的偏導(dǎo)數(shù)通過反向傳播算法進行有效的計算。其規(guī)則是從最后一層開始執(zhí)行鏈式規(guī)定，并將中間值存儲在計算圖中，其中層的順序顛倒。反向傳播算法能夠應(yīng)用基于梯度的最小化算法，如果要最小化基于神經(jīng)網(wǎng)絡(luò)輸出的損失函數(shù)。

在ANN 中，輸入層和輸出層的神經(jīng)元數(shù)量已經(jīng)根據(jù)指定的影響和操作響應(yīng)進行了選擇。同時，隱藏層的神經(jīng)元數(shù)量也已經(jīng)確定。在ANN 中，常使用S形傳遞函數(shù)來處理復(fù)雜和非線性關(guān)系：

其中，S 形傳遞函數(shù)將輸入的加權(quán)代數(shù)求和，然后通過隱藏層的計算，將結(jié)果作為輸入自動轉(zhuǎn)發(fā)到輸出層。隱藏層的主要作用是計算輸入并生成輸出。式(2)是歸一化函數(shù)，通過使用歸一化函數(shù)獲得融合前0～1 范圍之間的值：

式中：Xni為原始數(shù)據(jù)；Xi為歸一化數(shù)據(jù)。

2.1.2 隱馬爾可夫模型

隱馬爾可夫模型(HMM) 是一類用于序列數(shù)據(jù)的統(tǒng)計模型，在大多數(shù)情況下與隨時間演變的系統(tǒng)有關(guān)。許多生態(tài)現(xiàn)象自然可以通過這樣的過程來描述。在HMM 中，狀態(tài)過程不是直接觀察到的，它是一個“隱藏”變量。相反，觀察是由底層狀態(tài)過程驅(qū)動的狀態(tài)相關(guān)過程(或觀察過程) 進行的。因此從數(shù)學(xué)上講，使用前向算法(也稱為濾波)，在給定觀測序列(x1,…,xT) 的情況下，作為未知參數(shù)θ的函數(shù)的似然性 L(θ∣x1,… ,xT)可以在T中的計算成本來計算，待估計的參數(shù)向量θ包含三個模型定義分量δ、Γ、P(xT)中的任何未知參數(shù)，前向算法的應(yīng)用等效于使用簡單矩陣乘積表達式來評估似然性：

2.2 基于ANN 和HMM 的檢測算法

利用多層人工神經(jīng)網(wǎng)絡(luò)(ANN)和隱馬爾可夫模型(HMM)來檢測傳感器數(shù)據(jù)是否發(fā)生錯誤。傳感器中的實時數(shù)據(jù)可以從世界各地的互聯(lián)網(wǎng)上獲得。故障有三種類型：第一種是恒定故障，它定義了大量連續(xù)樣本，與“典型”傳感器讀數(shù)相比，所描述的恒定速率非常低或非常高；第二種類型是短故障，即兩個連續(xù)數(shù)據(jù)點之間的差異，實際值存在顯著變化；第三種類型是噪聲故障，測量值變得更加可變。除短故障外，噪聲故障對一系列樣本的影響同時會影響到單個樣本。

2.3 故障類型和閾值選擇

通過將實際測量值與預(yù)測值進行比較來確定數(shù)據(jù)是否錯誤來確定閾值。閾值很容易影響準確性，如果閾值設(shè)置得太低，則假陰性會增加，如果閾值設(shè)置得太高，誤報的值會增強。因此，需要仔細選擇閾值以平衡假陰性和陽性。由于數(shù)據(jù)集包含不正確的數(shù)據(jù)，并且在驗證階段估計的誤差可能不同，因此必須首先丟棄最高的變異性估計誤差，并選擇其他最大估計誤差作為閾值。

3 實驗討論

AQ3 一氧化碳氣體傳感器采用4 電極電化學(xué)技術(shù)。它的測量范圍為 0～12.5 mg/m3CO，其最大過載為62.5 mg/m3CO(無電路板)和37.5 mg/m3CO(帶電路板)。當傳感器為多個連續(xù)樣品產(chǎn)生恒定速率時，就會發(fā)生恒定故障。時間序列傳感器數(shù)據(jù)將用于預(yù)測未來的值/數(shù)據(jù)，并通過將偏差與潛在物理事件無關(guān)的預(yù)設(shè)閾值進行比較來檢測不規(guī)則性。

監(jiān)測的第一階段實時數(shù)據(jù)傳感器讀數(shù)通過互聯(lián)網(wǎng)發(fā)送到云端。第二階段的重點是監(jiān)測、早期檢測和預(yù)測環(huán)境中的有毒氣體。為了準確監(jiān)測有毒氣體，本文使用ANN 和HMM 的混合模型來檢測傳感器讀數(shù)中的故障數(shù)據(jù)，測試了提出的混合模型，從AQ1 傳感器中獲取2 個傳感器讀數(shù)樣本，并將200 個故障數(shù)據(jù)注入ANN &HMM 的混合模型中。圖3 為混合模型與線性最小二乘估計方法和隱馬爾可夫模型進行了比較，無論是一步法和兩步法，提出的混合模型都具有更好的精度，因此混合模型產(chǎn)生了良好的結(jié)果，有助于提高預(yù)測的準確性。因此，該模型表現(xiàn)良好，具有良好的假陽性率。

圖3 混合模型和線性最小二乘估計模型的假陽性率的比較

4 結(jié)語

由于工業(yè)化程度的提高和對空氣污染對全球影響的擔憂，對自動化氣體監(jiān)測和控制系統(tǒng)的需求不斷增長。在評估和識別樣品中，一些不同類型氣體的傳統(tǒng)方法中存在一些缺陷。為了解決這個問題，本文設(shè)計了一個基于物聯(lián)網(wǎng)的危險氣體監(jiān)測系統(tǒng)，該系統(tǒng)將采用多個傳感器和組件，包括AQ3 氣體傳感器，可以感測各種氣體如臭氧、一氧化碳、二氧化氮和二氧化硫(SO2)，多用于周圍環(huán)境中的環(huán)境監(jiān)測。提出的基于物聯(lián)網(wǎng)的有毒氣體監(jiān)測系統(tǒng)表現(xiàn)良好。為了提高環(huán)境中存在的有毒氣體早期預(yù)測的準確性并降低模型的誤報率，必須進行有效的數(shù)據(jù)分析。因此，應(yīng)用了混合HMM 和ANN 方法來檢測傳感器數(shù)據(jù)集中存在的故障數(shù)據(jù)。HMM 和ANN 混合故障檢測方法在數(shù)據(jù)集上表現(xiàn)良好，誤報率為0.01%。