基于改進PSO-LSTM的重大危險源風險評價

北華航天工業(yè)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(jiān)測辨識預估等問題。在信息物理系統(tǒng)（CPS）的決策層中建立長短期記憶網(wǎng)絡（LSTM）預測模型，采用改進粒子群算法（PSO）優(yōu)化網(wǎng)絡中的權值和閾值，將經(jīng)過改進PSO優(yōu)化的LSTM應用于重大危險源風險評價系統(tǒng)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(chǎn)、加工、使用或儲存危險化學品，且危險化學品的數(shù)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(qū)的企業(yè)建立了重大危險源監(jiān)控系統(tǒng)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(jiān)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(yōu)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(tǒng)和重大危險源分級

1.1 CPS系統(tǒng)

CPS主要分為3個部分，分別是感知層、網(wǎng)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(tǒng)中的末端設備；數(shù)據(jù)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(jù)認知層的認知結果。

1.2 重大危險源分級

分級方法根據(jù)《危化品重大危害源辨識》（GB 18218-2009）內(nèi)所規(guī)定的原則上，使用分級方法將各危險化學品的危險性現(xiàn)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(shù)的和。

重大危險源分級指數(shù)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(shù)；α為外界暴露人員的校正系數(shù)。

根據(jù)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(shù)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(diào)整。

其中，k為當前迭代次數(shù)，Tmax為最大迭代次數(shù)，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(diào)整個體最優(yōu)位置與全局最優(yōu)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(shù)，Tmax為最大迭代次數(shù)，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(yōu)化函數(shù)時，表現(xiàn)了較好的尋優(yōu)能力；通過迭代尋優(yōu)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(xiàn)簡單、收斂速度快且適用于非線性優(yōu)化等優(yōu)點。

3 仿真實驗

本文以某石化公司尼龍鹽廠環(huán)己烷催化氧化過程實測數(shù)據(jù)作為樣本數(shù)據(jù)。在環(huán)己烷的催化過程中，環(huán)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(tǒng)中具有重要意義，經(jīng)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(shù)，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(shù)據(jù)，而尾氧濃度是30min后的數(shù)據(jù)。樣本個數(shù)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(wǎng)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(shù)使用tanh函數(shù)，網(wǎng)絡節(jié)點的舍棄率取0.2；迭代次數(shù)取400，設定參數(shù)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(yōu)于基本PSO，隨著迭代次數(shù)不斷增加，改進PSO大約經(jīng)歷90次迭代達到全局最優(yōu)，基本PSO雖然最后都收斂了，但是迭代次數(shù)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(tài)，平均誤差約為0.25，明顯高于基本PSOLSTM的預測精度。根據(jù)式（1）求出重大危險源分級指數(shù)R，可以得到重大危險源分級指數(shù)R＜10，風險等級均為Ⅳ級，化工運行過程處于安全狀態(tài)。說明使用改進PSO-LSTM用于環(huán)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(tǒng)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(yōu)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。