基于LOF 与欧氏距离的液态危化品安全鹤位分配方法

薛善良，毛青青，彭振峰，李继平，王万磊

（1.南京航空航天大学计算机科学与技术学院,江苏 南京 211106；2.江苏德大石化科技有限公司,江苏 徐州 221000）

随着我国危化品行业的快速发展，危化品生产和消费水平排名世界第二，仅次于美国[1]。我国对液态危化品的使用需求仍在逐年增加，在带来经济效益的同时，也带来了一定的安全隐患。液态危化品在被生产或转运的装卸作业过程中，由于其物质特性，热传递、摩擦等因素都会使得液体受热，而受热后压力通常会增大，容易造成爆炸等安全隐患。实践中，在使用鹤位对大多数液态危化品进行装卸过程时其并非完全密封，此时也会产生泄漏、中毒等危险。这些危险不仅破坏力强、危险性高、影响范围广[2]，还会在一定程度上互相影响，引发二次事故。文献[3]研究表明，在2016—2021年，我国发生的危化品事故主要有爆炸、火灾、泄漏、中毒和窒息等，其中泄漏和爆炸事故占比高达60%，主要发生在危化品装卸作业环节。因此，为保证液态危化品装卸作业的安全运行，减少装卸作业相互影响，对液态危化品鹤位安全装卸具有重要的意义。

国内外对液态危化品装卸作业安全的研究主要围绕分析方法和运用等方面进行，例如故障树分析法[4]、模糊证据推理法[5]和层次分析法[6]等。通过分析装卸区鹤位发生事故的原因[7]、辨识装卸作业的危险因素[8]等可为危化品装卸作业安全保障提供参考。一方面，由于装卸作业靠近易燃易爆储罐，且储罐的体积往往较大，容易引发连锁破坏效应[9-10]，增大应急救援难度；另一方面，由于大型储罐通常集中在罐区，每个罐区可能同时配备大量的鹤位，这些鹤位分配的适当与否，影响着整个罐区的安全：因此，对储运罐区装卸作业进行鹤位分配使危害达到最低的研究是必要的。

有效识别数据集的异常值是数据分析中十分重要的环节[11]。基于小规模数据集的挖掘，离群点常被作为噪声除去。随着数据规模的不断扩大，大数据技术的日益成熟，从海量数据中挖掘的离群点不再是噪声和无用点，这些点可以揭示稀有事件和现象，发现有用的信息，成为了有意义点[12]。局部异常因子（local outlier factor,LOF）在故障检测和过程监控领域有广泛应用，该算法简单，不需要对数据的分布做假设，适合线性和非线性数据。李元等[13]采用LOF 算法实现了工业多工况、数据多模态的故障检测。董泽等[14]提出LOF 算法完成热工过程的异常值检测。文献[15]介绍了LOF 算法应用于定位上的实例，提高了定位的精度，但在降低节点的计算量上存在欠缺。文献[16]将LOF算法应用于制冷系统的故障检测问题，相较于基于模型和知识的方法，不需要高深的先验知识和精确的数学模型，相对简单，但在实际的运行中，会存在2 个或多个故障同时发生，这些影响是相互的，参数的变化也较为复杂。

借鉴上述实例，本文将LOF 算法与欧氏距离相结合，应用于液态危化品装卸过程的鹤位分配。先使用LOF 计算空位点局部离群程度，保证正在使用中的鹤位之间的相对安全间隔，再计算空位点与出口间的欧氏距离，对鹤位点进行多维度的综合评价，最后采用模糊量化法对得到的2 个指标进行无量纲化处理，将2 个结果加权计算后生成最终的综合评价指标。通过多轮次离群计算，这不仅改善了车辆动态出入问题，还能够应对不同鹤位布局下的未知情况，保障了危化品装卸过程中鹤位分配的合理性和安全性。

1 鹤位分配问题分析

装车鹤位的储运领域是指装卸臂能够延伸得到槽车的位置，被认为是液态危化品进行装卸作业的核心区域。鹤位基本上是油品或其他液态危化品装车必备的专用机械设备之一，一般用来装卸易挥发、易吸湿或有毒需要密闭装车的流体。由于液态危化品的物质特性，热传递、摩擦等因素都会使液体受热，受热后压力通常会增大，容易造成安全隐患。实践中，在使用鹤位对大多数液态危化品进行装卸作业时其并非完全密封。以油气储运为例，鹤位的样式一般如图1 所示。

图1 液态危化品装卸鹤位图Fig.1 Loading and unloading filling cell diagram of liquid dangerous chemicals

以油气储运为例，完整的装卸流程为：罐车得到许可后通过门禁系统进入厂区；所有车辆在排队通道等待并称重；排队完成后进入指定鹤位装卸；装卸完成后进行称重离场。在这一过程中，影响鹤位分配安全的重要因素有3 点。

1) 鹤位之间的距离需要符合国际标准。参照《GB 50160—2018 石油化工企业设计防火标准》[17]，装卸车鹤位之间的距离大于4 m 方可满足鹤管正常操作。

2) 相对较大安全间隔。处于装卸作业时的各鹤位之间的间隔要尽可能大。间隔越大，当发生泄漏时，同一区域内危化品平均泄漏量越少，引起二次危害的风险越低。

3）相对较短避险距离。在保证装卸作业安全性的前提下，尽可能地选取距离出口较近的鹤位作为候选鹤位，进一步保障候选鹤位在出现操作失误等技术性事故时，可及时转移运输车辆，防止事态升级。同时发生重大技术性事故时要保证工作人员可以及时逃离事故现场，保证人身安全。根据影响鹤位分配安全的3 个重要因素建立数学模型如式（1）所示。

式中：S为鹤位安全指标；x1为装卸车鹤位之间的距离，x1≥4即 满足国际标准；x2为处于装卸作业时的各鹤位之间的稀疏程度，x2越大，装卸泄漏时二次伤害的危害越低；x3为车辆驾乘人员的避险距离，在出现操作失误等技术性事故时，距离出口越近，即x3越小，转移运输车辆防止事态升级的时间越短。

因此，鹤位分配过程除了要保证危化品运输效率和鹤位运行效率之外，还要基于安全避险原则，引入鹤位安全因素对待分配鹤位进行综合分析，才能进一步保障鹤位分配过程的安全性和可靠性。

2 基于LOF 的安全鹤位分配

本文借鉴基于局部异常因子（local outlier factor,LOF）的离群算法，在算法运行前，需要输入所有位点，并建立坐标系，这时未使用的鹤位在平面空间为未激活状态，计算只在运输车辆入场时开始，车辆入场后，对未使用的鹤位点进行下一步的计算。车辆出场时，通过LOF 计算激活点集中每个位点的k距离，再选取各点的k距离和真实距离中的较大值作为非激活点集中的可达距离，将所有点的平均可达距离的倒数作为局部可达密度，有了局部可达密度以后对每一个点求其离群因子。离群因子越大，意味着隔离程度越大，作为安全鹤位分配的可能性越大。图2 示出基于LOF 的鹤位分配流程。

图2 基于LOF 的鹤位分配流程图Fig.2 Flow chart of filling cell allocation based on LOF

针对装卸区域建立坐标系。参照《GB 50160—2018 石油化工企业设计防火标准》，装卸车鹤位之间的距离大于4 m 方可满足鹤管正常操作。因此，为使分配符合国际标准，同时留下一定的弹性空间，本文采用每列鹤位错位5 m（或以上，但5 m 最佳）对齐，即x1选取5。另外，对厂区边界做了位点激活处理。即在厂区鹤位图示的边界为线向外延展5 个位点的线段上，设置了若干激活位点。这样做的目的是刻画真实厂区中，装卸区周围有重要建筑或物体的情况，同时也能更好地体现离群算法的分配效果。当然，在实际情况下，装卸厂区周围可能是有间隔要求或已经确定不能放置重要物品的。在这种情况下，可以不设激活位点边界，离群算法将优先分配边界附近的位点给入场车辆，也符合安全隔离的实际意义。

假设厂区共有5 行6列，共30 个鹤位，其分布如图3 所示，每个鹤位的中心点横向间距为20 m，纵向间距为30 m，每列中鹤位错位5 m 对齐。以图3左下角为原点建立坐标系，图3 中鹤位A11坐标为(25，0)，A56坐标为(105，120)。鹤位分布图R建好后，此时正在被车辆使用的鹤位在R中为激活状态，空闲的鹤位在R中为未激活状态。按照鹤位分布确定鹤位集C，激活点集S，m为激活点集S的数量，厂区入口坐标为 (xi,yi)，出口为 (xo,yo)。车辆在鹤位入场之前，是按照顺序依次进场的，车辆停靠在对应鹤位位置时下一辆装卸车才从入口驶入，因此不需要将入口位置也纳入安全性考虑中。初始化完成后，使用LOF 算法计算激活点集S的每个位点的离群程度。

图3 鹤位分配示例图Fig.3 Example diagram of filling cell allocation

首先，计算鹤位集C中的任意一点p且p!=0 的k距离dk(p)，为

其中k=1，S为激活点集。d(p,o)为点p到点o的距离且满足：

1）在鹤位集S中至少有k个点o′且不包括p在内，满足d(p,o′)≤d(p,o)；

2）在鹤位集S中至多有k-1 个点o′′且不包括p在内，满足d(p,o′′)＜d(p,o)。

然后，通过得到的k距离计算点p的k距离内所有点，包括k点，由此得到点p的k距离领域，为

在离点o最近的k个点中，点o到它们的可达距离被认为相等，且都等于dk(o)。根据式（2），点o的k距离和点o与点p间的真实距离的最大值作为点o到点p的可达距离，为

式中：dr(pc-i,pi)表示非激活点集C-S中各点的可达距离；k=1；pc-i∈(C-S)；pi∈S。

接着，根据点p的k距离领域式（3）和点o到点p的可达距离式（4），得到局部可达密度，即p领域内所有点的平均可达距离的倒数为p的局部可达密度，其计算公式为

lrdk(p)的值表示密度。密度越高，这些位点就越可能属于同一簇；反之，密度越低，则越可能是离群点。如果p和周围邻域点是同一簇，那么dr越可能为较小的dk(o)，从而导致可达距离之和小，密度变高；如果p和邻点较远，那么可达距离可能都会取较大值d(p,o)，则导致密度小，可能离群。

有了局部可达密度后，可以利用式（6）对每一个点p求其离群因子x2，为

式中：pc-i∈(C-S),pi∈S；x2表示点p的邻域点Nk(p)的局部可达密度与点p的局部可达密度之比的平均。如果比值大于1，说明其密度小于其邻域点密度，p可能是离群点。离群因子越大，意味着隔离程度越大，处于装卸作业时的各鹤位之间的间隔就越大，即x2越大。

最后，定位最大隔离鹤位。每次有车辆入场时，进行一轮运算，每次运算时先更新上次保存的作业鹤位数据，确保每次入场时的各鹤位作业情况的实时性。取离群程度最大值的点pmax输出，并加入激活点集，等待转入下一轮运算。pmax即为进场车辆分配的鹤位。

3 基于欧氏距离的安全鹤位优化

为保证鹤位分配过程能综合考虑不同的影响因素，本文结合候选鹤位点的离群因子和与出口之间的欧氏距离，对鹤位点进行多维度的综合评价。首先，计算空位点与出口的欧氏距离，以确保操作人员遇到突发事故时可以快速逃离罐区；然后，针对不同量纲采用模糊量化法对得到的2 个指标进行无量纲化处理，再将2 次指标量化计算得到的结果进行加权运算，生成候选鹤位的综合评价得分，使候选鹤位的分配标准具备不同数据性质下对应指标的有效性；最后，将所有结果按照数值大小降序排序，选取综合评价得分最高的鹤位点所在鹤位作为进场车辆分配的鹤位。图4 示出了安全鹤位优化后的流程。

图4 安全鹤位综合优化流程图Fig.4 Flow chart of comprehensive optimization of filling cell

为保证候选鹤位点在遇到突发事故时，操作人员可以快速逃离罐区，进一步利用式（7）计算所有候选位点与出口的欧氏距离x3，为

式中：（xo，yo）为出口坐标；（xp，yp）为候选鹤位坐标。

为保证鹤位分配过程能综合考虑不同的影响因素，本文结合候选鹤位点的离群因子和与出口之间的欧氏距离，对鹤位点进行多维度的综合评价。首先采用数学的方法将2 个定性指标转换为量化评价指标，然后对2 个量化指标加权得到综合评价结果，使最终得到的候选鹤位的综合评价指标更具客观有效性。

本文采用模糊数学中的隶属函数来实现指标的量化，其中，正指标、负指标和适度指标分别根据最大值、最小值和最适值为标准进行计算。正指标是在一定范围内指标越大评价值越高的一类指标。负指标则是在一定范围内指标越小评价值越高的一类指标。

正指标对应的隶属函数为

负指标对应的隶属函数为

1）离群因子量化处理。本文中，离群因子越大，意味着隔离程度越大，给进场车辆分配鹤位的可能性越大，因此作为正指标。采用隶属函数式(8)进行正指标模糊量化。将局部离群程度指标的原始数值作为x2，局部离群程度指标实施过程中的边界值作为maxx2和minx2，代入公式(8)，得到离群因子指标经过无量纲化之后得到的评价值V(x2)。

2）欧氏距离量化处理。本文中，欧氏距离越小，意味着与出口的距离越短，发生危险情况越容易逃生，因此作为负指标。采用隶属函数式(9)进行负指标模糊量化。将欧氏距离指标的原始数值作为x3，欧氏距离指标实施过程中的边界值作为maxx3和minx3，代入公式(9)，得到欧氏距离指标经过无量纲化之后得到的评价值Q(x3)。

3）将2 次指标量化计算得到的结果进行加权运算，生成候选鹤位的综合评价得分，为

式中：ω1和ω2分别为离群因子和欧氏距离的权重，两者之和为1；V(x2)为式(6)所求离群因子，再经过式(8)无量纲化后的离群因子评价值；Q(x3)为式(7)所求欧氏距离原始值，再经过式(9)无量纲化后的欧氏距离评价值。将所有候选点量化计算后的综合评价指标量化值P，按照大小降序排序，选取综合评价得分最高的作为进场车辆分配的鹤位。

在下一轮运算开始时：如果中途有车辆出场，系统会记录出场信号，但已分配鹤位的车辆并不会调整；如果有新的车辆入场，系统才对出场信号进行处理。处理方法为将正在作业的鹤位标识为空鹤位，并在分配时加入待分配的鹤位中。

4 实验分析

为了验证本文提出的液态危化品装卸方案的有效性，在Python 开发环境下使用numpy 对鹤位分配场景进行仿真分析。采用Win10 的实验环境，处理器为Intel(R)Core(TM)i5-8400@2.80 GHz 2.81 GHz。

为直观说明文中的鹤位分配方法，本文使用计算机模拟一种具体情况。传统LOF 算法和改进LOF 算法实验环境一致：R为5 行6 列的鹤位分布图，鹤位集C为30，且每个鹤位的中心点横向间距为20 m，纵向间距为30 m，每列中鹤位错位5 m对齐，即x1选取5，出口位置为（125，0）。

每个鹤位的分布位置是确定的，其分配结果取决于当前状态，只在车辆入场时开始计算。在每轮计算前，需要更新厂区装卸鹤位的使用情况，具体方法是检查原作业中的鹤位是否作业完成，如图5中着色鹤位为正在工作的鹤位，工作完成后，鹤位状态更新。

图5 正在作业的鹤位分配图Fig.5 Filling cell allocation map in operation

当有车辆入场时，为了保障安全隔离，先使用分配算法对所有空位进行隔离程度计算，再计算所有空位与出口间的欧氏距离，将得到的2 个指标进行模糊无量纲化处理，ω1和ω2都为0.5，对结果进行加权计算后生成最终的综合评价指标。将所有候选鹤位点的综合评价指标按照数值大小进行降序排序，得分较高的候选鹤位分布如表1 所示。在这种情况下，可以选择第1 个鹤位A54分配给入场车辆。假若A12所在车辆已完成装卸，并释放鹤位，则第2 轮计算时需要剔除A12。第2 次计算的结果如表2 所示，容易发现由于A12的加入，最优的分配位置已不是A54而是A12。

表1 综合评价指标第1 轮计算Tab.1 Calculation of comprehensive evaluation index in the first round

表2 综合评价指标第2 轮计算Tab.2 Calculation of comprehensive evaluation index in the second round

本文中提出的分配算法可以在一般情况下保证正在使用的鹤位有相对较大的安全间隔，避免了采用几何距离计算难以适应安全装卸过程的问题。同时引入欧氏距离计算各候选鹤位点与出口间的距离，对传统的离群算法进行优化，在保持鹤位最大安全间隔的前提下，进一步保证工作人员在发生危险时的安全撤离距离，提升鹤位分配时的安全性以及鹤位分配方案的可靠性。本文将传统LOF 算法与改进LOF 算法进行了对比分析，其鹤位得分排序与综合评价指标的结果对比如图6所示。

图6 不同方法的实验结果对比Fig.6 Comparison of experimental results of different methods

由图6 可知：传统LOF 算法曲线波动间断性明显，虽然相邻坐标的综合指标值接近，但不同坐标区域的综合指标值跳跃性强，且存在多个坐标的综合指标值明显过低和突然过低的情况；改进LOF 算法曲线连续性明显，基本不存在波动情况，相邻坐标的综合指标值接近，不同坐标区域的综合指标值相近，不存在坐标综合指标值突然过低情况。这说明：基于密度的传统LOF 算法筛选得到的相邻候选鹤位之间离群程度差异很小，易影响下一次鹤位分配过程，造成鹤位安全距离过小等问题；基于欧式距离的改进LOF 算法引入欧氏距离计算候选鹤位，使筛选得到的候选鹤位考虑了多个维度的安全因素，可以在保证鹤位分配方案可靠性的同时，提高候选鹤位的离群程度差异度，保证下一次鹤位分配过程可以正常进行。

5 总结与展望

本文针对危化品储运安全所考虑的作业鹤位分配问题，为了确保厂区的装卸鹤位作业安全隔离，研究了一种基于LOF 离群算法与欧氏距离的安全鹤位分配方法，同时引入模糊量化法对所有候选鹤位点的局部离群指标和欧氏距离指标进行无量纲化处理，将2 个结果加权计算后生成最终的综合评价指标，据此进行作业鹤位点分配。实验表明，本文中提出的液态危化品安全鹤位分配算法在一般环境下，可以保证正在使用中的鹤位之间的相对安全间隔，避免了固定的几何距离计算难以适应装卸过程的问题。通过多轮次离群计算，不仅改善了车辆动态出入问题，还能够应对不同鹤位布局下的未知情况，保障了危化品装卸过程中鹤位分配的合理性和安全性。后续可以开展的研究如下：加入风速、风向、地形等不同维度下的数据指标，作为综合评价的参考；根据不同数据指标对结果的影响，分配不同的权重，生成最终的综合评价结果。