基于物聯網的化工廠有毒氣體安全監測

廖磊，宋坤，李輝

(中鋼集團武漢安全環保研究院有限公司，湖北 武漢 430081)

0 引言

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

基于物聯網的化工廠有毒氣體安全監測是一種智能化的監控系統，通過將傳感器、無線通信等技術應用于化工廠的有毒氣體檢測和監測，對有毒氣體濃度等參數進行實時監測和預警，一旦發現有毒氣體超標，系統將及時報警并采取相應的措施來確保工人的安全[5-7]。這種監測系統可以提高化工廠的安全性和生產效率，有效防范生產過程中的事故和危險。同時，它還具有實時響應和高效性的優點，減少監測和管理的人力成本，并提高監測的精度和準確性[8]。本文為了識別環境中存在的眾多不同類型的氣體，設計了一個基于物聯網的危險氣體監測系統。該系統包括多個傳感器和組件，并將故障數據檢測方法應用于傳感器數據集，以實時檢測傳感器數據集中存在的有毒氣體。

1 物聯網監測系統

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

該系統結合了各種類型的傳感器和技術，如AQ3 氣體傳感器、MQ3 氣體傳感器、DHT11 傳感器、MiniPID 2 HS PID 傳感器、開路紅外工業氣體傳感器、ESP8266-WIFI 模塊、有源蜂鳴器等。DHT11 是一款低成本的數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計提供無線互聯網接入。Arduino 有源蜂鳴器報警模塊是一種音頻信號設備，比無源蜂鳴器更昂貴，但更易于管理。蜂鳴器經常用于計時器、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網分析平臺，它使用戶能夠收集，查看和分析實時數據流，數據可能會從設備提供給Thing Speak，網絡服務可用于構建實時數據的快速表示并提供警報。

該系統被設計用于在極端條件下的各種環境中運行，因此它具有高度特異性，可在各種情況和具有挑戰性的環境中工作，可檢測二氧化氮、臭氧、一氧化碳和二氧化硫等氣體。該系統不僅在一定程度上響應各種氣體，還可以更容易地進行更復雜的分析。使用微控制器程序將電源簽名捕獲與所選的物聯網操作進行協調。

圖2 為氣體監測和控制系統的流程圖，這些傳感器持續監測環境中的氣體并將數據傳輸到服務器以供存儲和將來使用。在持續監測的同時，如果空氣中的任何氣體水平超過正常范圍，則會發出警報。警報通知將發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，它將數據發送到云端服務器，并以圖形形式繪制傳感器數據。

圖2 氣體監測和控制系統的流程圖

2 氣體監測

2.1 檢測算法

2.1.1 人工神經網絡

人工神經網絡(ANN)的主要目的是幫助從困難的過程中建立模型，它是由神經元的深度卷積網絡組成的，被稱為感知器，其中每個單元獲得許多原始值的輸入(利用激活函數相關聯)，并通過其激活值(例如sigmoid 函數、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重相關，它決定了輸入數據對結果的參與。此外，輸入值可以被定義為多維數組(張量)，并且相應輸出的計算被有效地向量化并分布在可用的計算資源上。對給定的神經網絡，輸出相對于權重和偏差的偏導數通過反向傳播算法進行有效的計算。其規則是從最后一層開始執行鏈式規定，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用基于梯度的最小化算法，如果要最小化基于神經網絡輸出的損失函數。

在ANN 中，輸入層和輸出層的神經元數量已經根據指定的影響和操作響應進行了選擇。同時，隱藏層的神經元數量也已經確定。在ANN 中，常使用S形傳遞函數來處理復雜和非線性關系：

其中，S 形傳遞函數將輸入的加權代數求和，然后通過隱藏層的計算，將結果作為輸入自動轉發到輸出層。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，通過使用歸一化函數獲得融合前0～1 范圍之間的值：

式中：Xni為原始數據；Xi為歸一化數據。

2.1.2 隱馬爾可夫模型

隱馬爾可夫模型(HMM) 是一類用于序列數據的統計模型，在大多數情況下與隨時間演變的系統有關。許多生態現象自然可以通過這樣的過程來描述。在HMM 中，狀態過程不是直接觀察到的，它是一個“隱藏”變量。相反，觀察是由底層狀態過程驅動的狀態相關過程(或觀察過程) 進行的。因此從數學上講，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θ的函數的似然性 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，前向算法的應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

利用多層人工神經網絡(ANN)和隱馬爾可夫模型(HMM)來檢測傳感器數據是否發生錯誤。傳感器中的實時數據可以從世界各地的互聯網上獲得。故障有三種類型：第一種是恒定故障，它定義了大量連續樣本，與“典型”傳感器讀數相比，所描述的恒定速率非常低或非常高；第二種類型是短故障，即兩個連續數據點之間的差異，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測值進行比較來確定數據是否錯誤來確定閾值。閾值很容易影響準確性，如果閾值設置得太低，則假陰性會增加，如果閾值設置得太高，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。由于數據集包含不正確的數據，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 電極電化學技術。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樣品產生恒定速率時，就會發生恒定故障。時間序列傳感器數據將用于預測未來的值/數據，并通過將偏差與潛在物理事件無關的預設閾值進行比較來檢測不規則性。

監測的第一階段實時數據傳感器讀數通過互聯網發送到云端。第二階段的重點是監測、早期檢測和預測環境中的有毒氣體。為了準確監測有毒氣體，本文使用ANN 和HMM 的混合模型來檢測傳感器讀數中的故障數據，測試了提出的混合模型，從AQ1 傳感器中獲取2 個傳感器讀數樣本，并將200 個故障數據注入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，因此混合模型產生了良好的結果，有助于提高預測的準確性。因此，該模型表現良好，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 結語

由于工業化程度的提高和對空氣污染對全球影響的擔憂，對自動化氣體監測和控制系統的需求不斷增長。在評估和識別樣品中，一些不同類型氣體的傳統方法中存在一些缺陷。為了解決這個問題，本文設計了一個基于物聯網的危險氣體監測系統，該系統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)，多用于周圍環境中的環境監測。提出的基于物聯網的有毒氣體監測系統表現良好。為了提高環境中存在的有毒氣體早期預測的準確性并降低模型的誤報率，必須進行有效的數據分析。因此，應用了混合HMM 和ANN 方法來檢測傳感器數據集中存在的故障數據。HMM 和ANN 混合故障檢測方法在數據集上表現良好，誤報率為0.01%。