密閉艙室突發污染濃度動態預測與源項辨識

龐麗萍 曲洪權 胡 濤 王 浚

1北京航空航天大學航空科學與工程學院，北京100191 2北方工業大學信息工程學院，北京100144

密閉艙室突發污染濃度動態預測與源項辨識

龐麗萍1曲洪權2胡 濤1王 浚1

1北京航空航天大學航空科學與工程學院，北京100191 2北方工業大學信息工程學院，北京100144

潛艇、載人航天器等密閉微環境隨著人員停留時間的延長，其艙室空氣污染問題已成為危害工作人員生命安全的主要因素，因此迫切需要開展快速準確的污染濃度預測以及對突發不確定污染源辨識的技術研究，并提高密閉環境主動應對突發污染的能力。對艙室污染濃度進行動態預測和污染源項強度辨識是實現艙室空氣質量實時預測的關鍵。建立了集總污染源概念，提出了聯合使用卡爾曼濾波和最小二乘算法的艙室突發污染辨識與濃度預測方法，并與建立的變結構污染濃度模型相結合，同時完成了集總污染源散發強度的動態辨識和污染濃度狀態預測。另外，在突發污染源定位方面開展了前期的探討研究工作，建立了一種新的多維濃度離散隨機模型，并提出了基于多假設特征匹配的突發污染源定位方法研究。通過匹配觀測數據序列與單參數（源位置）多假設獲得的傳感器處濃度響應序列特征來實現源項定位及散發時間估計，可初步確定源散發強度。

艙室環境；污染源辨識；濃度預測；卡爾曼濾波

0 引 言

盡管潛艇和載人航天器等密閉微環境在最初設計時就已精心選擇了內裝飾材料，并系統地配置了微量污染凈化設備，這樣雖然可以在一定程度上降低艙室微量污染危害，但由于處于特定的使用環境、密閉艙室空氣需要再生循環使用、污染源復雜、工作人員生活和工作污染事故突發概率高等多個因素，因而仍不可避免地會引起艙室空氣污染問題。隨著時間的延長，艙室突發污染問題日益受到人們的重視，因此迫切需要開展突發不確定污染源特性辨識方法研究，實現快速污染定位及危害預測，以提高該類密閉微環境主動應對突發污染的能力，從而保障工作人員的生命安全［1-2］。

本文開展了基于集總污染源的突發污染濃度預測，以及基于多假設特征匹配的突發污染源定位方法研究，試圖為增強該類密閉環境的主動污染控制提供技術支持。

1 基于集總污染源的濃度預測

1.1 基于集總污染源的濃度預測方法

艙室被監測污染物濃度變化集總模型的差分方程為：

式中，C為艙室污染物濃度，mg/m3；V為密閉艙室的有效空氣體積，m3；t為時間，s；Q為艙室通風率，m3/s；x為新風系數（新風量與總風量之比）；Cin為新風污染濃度，mg/m3；G為集總污染源產生率，mg/s；k為離散時刻。

利用在線監測的污染濃度實時數據，結合濾波算法跟蹤污染源散發強度，與辨識算法相結合獲得集總污染源散發強度G（t）隨時間的變化規律，然后再與濃度濾波算法及式（1）相結合，可以實現動態的艙室濃度和新風入口濃度的濾波與預測值，從而為空氣質量預測和污染態勢分析提供快速判斷的依據。

本文提出了聯合使用卡爾曼濾波和最小二乘算法的艙室突發污染源辨識與濃度預測方法，如圖1所示。當污染源項的散發強度高于設定的產生率閾值時，將啟動辨識算法。其實現方法如下：

1）使用基于源項噪聲特性的污染濃度模型和污染濾波算法，可產生源項強度濾波跟蹤值，并累計該值。

2）通過“辨識時間段優化”程序來確定最優辨識時間段，此時辨識的起始和終止時間點很重要，尤其是在處理多項式型污染源特性時。

3）將指定優化段的時間和源項濾波跟蹤值傳遞給污染源強度辨識算法，該算法是使用最小二乘算法來獲得散發特性方程，從而可得到污染源的強度變化規律［3］。

4）上傳污染源辨識結果，將濃度模型切換到基于源項辨識特性的污染濃度模型。

圖1 艙室突發污染源辨識與濃度預測實現框圖Fig.1 Identification and concentration prediction realization diagram

這里需要建立變結構濃度模型，以實現上述方法。考慮噪聲后的密閉艙室污染統計模型為［4］：

變結構是指污染源項強度G模型會根據污染源項強度辨識結果而改變。

模型結構1（基于噪聲特性）：

模型結構2（基于辨識特性，僅以多項式型污染源特性為例）：

式（2）～式（4）中，nC(k)為濃度C在k時刻的觀測噪聲；nG(k)為產生率G在k時刻的噪聲。上述噪聲假設為高斯分布。

1.2 艙室突發污染濃度預測試驗

圖2所示為密閉試驗艙。試驗時，將污染源布置在艙內任意位置，傳感器布置在出風口附近的固定位置。使用質量流量控制器控制氣瓶污染氣體的排出量來模擬污染源，可以向艙內釋放一定量的污染物，控制污染釋放量。通過出風口附近的傳感器獲得污染濃度測量的實時數據。

圖3所示為傳感器實時監測CO2濃度數據及跟蹤與預測的艙室濃度變化曲線。分析圖3可知，本文提出的污染濃度預測算法能較好地實現預期的污染濃度，并與試驗結果的吻合性好。

圖2 試驗照片Fig.2 Test equipment

圖3 跟蹤、預測濃度與試驗數據的比較Fig.3 Comparison of tracking and predicted concentration with experimental data

2 突發污染源定位方法

基于上述污染濃度預測，本文進一步發展了一種基于多假設特征匹配的突發污染源定位方法，用以感知突發污染源定位。

2.1 突發污染源定位原理

污染濃度多維傳播可滿足下式：

式中：dg為氣體分子擴散系數，mg/（m·s）；u為風速，m/s；fs為污染源的位置和散發強度函數，mg/（m3·s）；t為時間，s；ρ為氣體密度，mg/m3。

可以得到污染傳播模型的離散形式：

式中，Δt為時間步長；m為時間節點；j(j=1，…，N)為空間節點數；N為節點總數。如果在節點 j位置沒有污染源，則=0，有污染源則≠0。

在已知速度u和擴散系數d等參數的情況下，正向計算濃度序列時，需要知道污染源的位置p，強度 fs和散發起始時刻te這3個參數。反向定位則無法預知這3個參數。采用正向多參數多假設定位方法，需要對p，fs，te進行多假設，計算量非常大［5］。另外，如果使用逆CFD模型，由于受觀測噪聲的影響，其觀測數據具有不確定特性，因此，很難將具有噪聲的觀測數據直接用于目前常規的確定性多維CFD逆模型，以進行源項位置辨識［6-8］。本文提出了一種基于多假設特征匹配的突發污染源定位方法，試圖探討該問題［9］。實現方法如下：

1）污染源位置p的多假設

由于傳感器與污染源的相對距離未知，因此，能夠被利用的定位信息只有傳感器處帶有噪聲的觀測濃度序列Csensor和污染感知時刻tp。為實現污染源定位，假設污染源依次出現在每個可能的位置 pi上，即先進行源位置 pi單參數已知的假設，從感知污染時刻tp起，在時間層j上針對該位置 pi逆向搜索出最優污染散發起始時刻。

2）單位虛擬源觀測濃度假設序列

假設污染源依次出現在假設節點位置 pi處，分別在每個節點處設置單位虛擬污染源s。針對假設 pi和s，從感知時刻tp逆推假設污染源散發起始時刻，以計算 pi，s和這 3 個參數下的傳感器處假設濃度觀測序列。由于是傳感器處的假設濃度觀測數據，而真實污染源強度并不是單位污染源，所以假設觀測數據與傳感器觀測數據Csensor具有高度差別，需要進行污染源強度預估計，以獲得初步未知污染源強度。

3）污染源強度的預估計

污染源的散發強度呈正例變化時，能夠引起的各點濃度曲線也呈相應倍數的正例變化，所以，初步污染源估計強度為：

4）估計污染源作用下的觀測濃度假設序列

對污染源位置 pi進行假設后，可得到不同散發時刻對應的不同未知污染源估計強度，由式（6）可計算出傳感器節點處的相應計算濃度，即傳感器假設觀測濃度序列。

5）假設濃度與觀測濃度特征的距離

在時間段[t1， t2]內，定義不同傳感器假設濃度曲線與傳感器真實觀測濃度曲線的特征距離：

最小特征距離是指假設污染源 pi應對的不同污染源散發時刻所對應中的最小值：

7）污染源定位概率

式中，N為所有污染源可能出現的節點總數。

2.2 突發污染源定位試驗研究

為了驗證上述污染源定位方法的可行性，開展了相應的突發污染試驗研究。試驗裝置如圖4所示，污染源可能出現在任意一點，污染源模擬采用與第2.2小節相同的裝置，傳感器僅布置在回風口的固定位置處。傳感器為英國海德公司的實時質譜分析儀。本試驗僅進行了定污染釋放速率的污染源定位研究工作。

圖4 污染源定位試驗裝置Fig.4 Experimental device of source location

圖5所示為風速場（X，Y分別為圖4所示實驗區域的長度和寬度），圖6所示為傳感器監測到的污染物濃度曲線。采用本文提出的突發污染定位方法給出的定位概率如圖7所示，突發污染源出現在定位概率最大的點處，即入口處，與設置較吻合。

圖5 風速場Fig.5 Velocity flow chart

圖6 出口處的濃度觀測曲線Fig.6 Observed concentration curve at the outlet

圖7 突發污染源定位概率圖Fig.7 Positioning probability map for locating sudden source

通過匹配觀測數據序列與多假設獲得的傳感器處濃度響應序列特征，可以實現源項定位和散發歷史重構，同時，構建了污染源位置分布概率，以表示定位結果，從而使得結果更符合實際情況。

3 結 語

本文針對潛艇等密閉艙室突發污染的情況，提出了聯合使用卡爾曼濾波和最小二乘算法的艙室突發污染辨識與濃度預測方法，同時完成了集總污染源散發強度動態辨識和污染濃度狀態預測。另外，還提出了基于多假設特征匹配的突發污染源定位方法研究，通過匹配觀測數據序列與單參數（源位置）多假設獲得的傳感器處濃度響應序列特征，試圖實現突發污染源項的定位。對此，開展了相應的試驗研究工作，以推動該項工作的進一步深入開展。

［1］HOCKING M B.Passenger aircraft cabin air quality：trends，effects，societal costs，proposals［J］.Chemo?sphere，2000，41（4）：603-615.

［2］ALAPATI S，KABALA Z J.Recovering the release his?tory of a groundwater contaminant using a non-linear least-squares method［J］.Hydrol.Process，2000，14（6）：1003-1016.

［3］GORDON N J， SALMOND D J.Novel approach to nonlinear/non-Gaussian Bayesian state estimation［J］.IEEE Proceedings，1993，140（2）：107-113.

［4］PANG L P，CHANG H J，QU H Q.Dynamic source identification of emitting characters in enclosed envi?ronments［J］.Journal of Beijing University of Aeronau?tics and Astronautics，2010，36（1）：31-34.

［5］ZHAO B，LI X T，CHEN X，et al.Determining ventila?tion strategy to defend indoor environment against con?tamination by integrated accessibility of contaminant source（IACS）［J］.Building and Environment，2004，39（9）：1035-1042.

［6］ZHANG T，CHEN Q.Identification of contaminant sources in enclosed environments by inverse CFD mod?eling［J］.Indoor Air，2007，17（3）：167－177.

［7］LIU X，ZHAI Z Q.Probability-based inverse modeling algorithm for indoor pollutant source tracking［C］//Building Simulation，2007：810-817.

［8］ALEEXANDER Y S，Painter S L.A robust approach for iterative contaminant source location and release history recovery［J］.Journal of Contaminant Hydrolo?gy，2006，88（3）：181-196.

［9］PANG L P，CHANG H J，QU H Q.Source identifica?tion of emitting characters in aircraft cabin［J］.Journal of Astronautics，2010，31（1）：282-286.

［10］范玉妹，汪飛星，王萍.概率論與數理統計［M］.北京：機械工業出版社，2007：192-195.

Prediction and Identification of Sudden Pollution Source

PANG Li-ping1QU Hong-quan2HU Tao1WANG Jun1

1 School of Aeronautic Science and Engineering，Beihang University，Beijing 100191，China 2 College of Information Engineering，North China University of Technology，Beijing 100144，China

Such as submarines，manned spacecraft and other closed micro-environment，cabin air pollu?tion has become a hazard to the safety of staff with the residence time extend.There is an urgent need for fast and accurate prediction of pollution concentration and location identification of a sudden source to im?prove the closed environment active control ability for unexpected pollution.Dynamic cabin concentration prediction and pollution sources identified are a key to achieve real-time air quality forecast.A concept of lumped source and a variable structure concentration model were built to realize concentration prediction together using Kalman filtering and least-squares algorithm.In addition，a source location method was studied because it is a key link for source identification.The contaminant source location method based on multi-hypothesis source position was established and attempt to solve the source location problems.This method realizes source identification by comparing the similarity between the sensor-measured concentra?tion distribution and the multiple hypothetical concentration distributions calculated at the monitoring point based on multi-hypothesis source position.The proposed method is capable of identifying a source po?sition，estimating its initial emission time and approximate strength.

cabin environment；pollution source identification；concentration prediction；Kalman filtering

U664.9

A

1673－3185（2012）03－64－04

10.3969/j.issn.1673－3185.2012.03.012

2012－01－05

國家自然科學基金資助項目（50808007）

龐麗萍（1973－），女，博士，副教授。研究方向：有限空間環境控制。E?mail：pangliping@buaa.edu.cn

曲洪權（1973－），男，博士，副教授。研究方向：信號處理。E?mail：qhqphd@163.com

王 浚（1935－），男，中國工程院院士。研究方向：人機與環境工程。

龐麗萍。

［責任編輯：饒亦楠］