基于物联网的化工厂有毒气体安全监测

廖磊，宋坤，李辉

(中钢集团武汉安全环保研究院有限公司，湖北 武汉 430081)

0 引言

化学工业的扩张增加了相关事故可能性，对人类和环境都会产生影响[1-2]，当有害物质被排放时，会威胁到公众健康和环境。空气中的污染物通常由几种对人体有害的挥发性有机化合物(VOCs) 组成。因此，一个可靠、准确、自动和连续的有毒气体监测、控制系统是每个化工厂不可或缺的部分[3-4]。

基于物联网的化工厂有毒气体安全监测是一种智能化的监控系统，通过将传感器、无线通信等技术应用于化工厂的有毒气体检测和监测，对有毒气体浓度等参数进行实时监测和预警，一旦发现有毒气体超标，系统将及时报警并采取相应的措施来确保工人的安全[5-7]。这种监测系统可以提高化工厂的安全性和生产效率，有效防范生产过程中的事故和危险。同时，它还具有实时响应和高效性的优点，减少监测和管理的人力成本，并提高监测的精度和准确性[8]。本文为了识别环境中存在的众多不同类型的气体，设计了一个基于物联网的危险气体监测系统。该系统包括多个传感器和组件，并将故障数据检测方法应用于传感器数据集，以实时检测传感器数据集中存在的有毒气体。

1 物联网监测系统

图1 为基于物联网的自动化智能有害有毒气体和环境监测系统的硬件组成。该系统可以测量空气中某种气体的浓度以监测有毒气体和环境条件。根据所涉及的不同气体和工作区域的大小，可以在同一区域使用一种或多种类型的气体探测器。

该系统结合了各种类型的传感器和技术，如AQ3 气体传感器、MQ3 气体传感器、DHT11 传感器、MiniPID 2 HS PID 传感器、开路红外工业气体传感器、ESP8266-WIFI 模块、有源蜂鸣器等。DHT11 是一款低成本的数字温度和湿度传感器，只需连接到任何微控制器(例如Arduino)，即可实时计算环境湿度和温度值。Mini PID 2HS PID 传感器能够检测VOC，由于ESP8266 简单的连接性，被用作接入点(AP 模式)，为任何基于微控制器的设计提供无线互联网接入。Arduino 有源蜂鸣器报警模块是一种音频信号设备，比无源蜂鸣器更昂贵，但更易于管理。蜂鸣器经常用于计时器、警报和确认人工输入，例如击键或鼠标单击。Thing Speak 是一个面向云的物联网分析平台，它使用户能够收集，查看和分析实时数据流，数据可能会从设备提供给Thing Speak，网络服务可用于构建实时数据的快速表示并提供警报。

该系统被设计用于在极端条件下的各种环境中运行，因此它具有高度特异性，可在各种情况和具有挑战性的环境中工作，可检测二氧化氮、臭氧、一氧化碳和二氧化硫等气体。该系统不仅在一定程度上响应各种气体，还可以更容易地进行更复杂的分析。使用微控制器程序将电源签名捕获与所选的物联网操作进行协调。

图2 为气体监测和控制系统的流程图，这些传感器持续监测环境中的气体并将数据传输到服务器以供存储和将来使用。在持续监测的同时，如果空气中的任何气体水平超过正常范围，则会发出警报。警报通知将发送到组织的安全控制委员会、工人流动站和最近的警察局等。如有必要，它将数据发送到云端服务器，并以图形形式绘制传感器数据。

图2 气体监测和控制系统的流程图

2 气体监测

2.1 检测算法

2.1.1 人工神经网络

人工神经网络(ANN)的主要目的是帮助从困难的过程中建立模型，它是由神经元的深度卷积网络组成的，被称为感知器，其中每个单元获得许多原始值的输入(利用激活函数相关联)，并通过其激活值(例如sigmoid 函数、线性和重组线性单元) 对它们进行非线性变换，每个特定的输入都与一个权重相关，它决定了输入数据对结果的参与。此外，输入值可以被定义为多维数组(张量)，并且相应输出的计算被有效地向量化并分布在可用的计算资源上。对给定的神经网络，输出相对于权重和偏差的偏导数通过反向传播算法进行有效的计算。其规则是从最后一层开始执行链式规定，并将中间值存储在计算图中，其中层的顺序颠倒。反向传播算法能够应用基于梯度的最小化算法，如果要最小化基于神经网络输出的损失函数。

在ANN 中，输入层和输出层的神经元数量已经根据指定的影响和操作响应进行了选择。同时，隐藏层的神经元数量也已经确定。在ANN 中，常使用S形传递函数来处理复杂和非线性关系：

其中，S 形传递函数将输入的加权代数求和，然后通过隐藏层的计算，将结果作为输入自动转发到输出层。隐藏层的主要作用是计算输入并生成输出。式(2)是归一化函数，通过使用归一化函数获得融合前0～1 范围之间的值：

式中：Xni为原始数据；Xi为归一化数据。

2.1.2 隐马尔可夫模型

隐马尔可夫模型(HMM) 是一类用于序列数据的统计模型，在大多数情况下与随时间演变的系统有关。许多生态现象自然可以通过这样的过程来描述。在HMM 中，状态过程不是直接观察到的，它是一个“隐藏”变量。相反，观察是由底层状态过程驱动的状态相关过程(或观察过程) 进行的。因此从数学上讲，使用前向算法(也称为滤波)，在给定观测序列(x1,…,xT) 的情况下，作为未知参数θ的函数的似然性 L(θ∣x1,… ,xT)可以在T中的计算成本来计算，待估计的参数向量θ包含三个模型定义分量δ、Γ、P(xT)中的任何未知参数，前向算法的应用等效于使用简单矩阵乘积表达式来评估似然性：

2.2 基于ANN 和HMM 的检测算法

利用多层人工神经网络(ANN)和隐马尔可夫模型(HMM)来检测传感器数据是否发生错误。传感器中的实时数据可以从世界各地的互联网上获得。故障有三种类型：第一种是恒定故障，它定义了大量连续样本，与“典型”传感器读数相比，所描述的恒定速率非常低或非常高；第二种类型是短故障，即两个连续数据点之间的差异，实际值存在显著变化；第三种类型是噪声故障，测量值变得更加可变。除短故障外，噪声故障对一系列样本的影响同时会影响到单个样本。

2.3 故障类型和阈值选择

通过将实际测量值与预测值进行比较来确定数据是否错误来确定阈值。阈值很容易影响准确性，如果阈值设置得太低，则假阴性会增加，如果阈值设置得太高，误报的值会增强。因此，需要仔细选择阈值以平衡假阴性和阳性。由于数据集包含不正确的数据，并且在验证阶段估计的误差可能不同，因此必须首先丢弃最高的变异性估计误差，并选择其他最大估计误差作为阈值。

3 实验讨论

AQ3 一氧化碳气体传感器采用4 电极电化学技术。它的测量范围为 0～12.5 mg/m3CO，其最大过载为62.5 mg/m3CO(无电路板)和37.5 mg/m3CO(带电路板)。当传感器为多个连续样品产生恒定速率时，就会发生恒定故障。时间序列传感器数据将用于预测未来的值/数据，并通过将偏差与潜在物理事件无关的预设阈值进行比较来检测不规则性。

监测的第一阶段实时数据传感器读数通过互联网发送到云端。第二阶段的重点是监测、早期检测和预测环境中的有毒气体。为了准确监测有毒气体，本文使用ANN 和HMM 的混合模型来检测传感器读数中的故障数据，测试了提出的混合模型，从AQ1 传感器中获取2 个传感器读数样本，并将200 个故障数据注入ANN &HMM 的混合模型中。图3 为混合模型与线性最小二乘估计方法和隐马尔可夫模型进行了比较，无论是一步法和两步法，提出的混合模型都具有更好的精度，因此混合模型产生了良好的结果，有助于提高预测的准确性。因此，该模型表现良好，具有良好的假阳性率。

图3 混合模型和线性最小二乘估计模型的假阳性率的比较

4 结语

由于工业化程度的提高和对空气污染对全球影响的担忧，对自动化气体监测和控制系统的需求不断增长。在评估和识别样品中，一些不同类型气体的传统方法中存在一些缺陷。为了解决这个问题，本文设计了一个基于物联网的危险气体监测系统，该系统将采用多个传感器和组件，包括AQ3 气体传感器，可以感测各种气体如臭氧、一氧化碳、二氧化氮和二氧化硫(SO2)，多用于周围环境中的环境监测。提出的基于物联网的有毒气体监测系统表现良好。为了提高环境中存在的有毒气体早期预测的准确性并降低模型的误报率，必须进行有效的数据分析。因此，应用了混合HMM 和ANN 方法来检测传感器数据集中存在的故障数据。HMM 和ANN 混合故障检测方法在数据集上表现良好，误报率为0.01%。