[发明专利]一种气体泄漏源强反算改进型搜索算法

说明书

本发明公开了一种气体泄漏源强反算改进型搜索算法，包括以下步骤：使用传感器网络获取泄漏现场的浓度测量数据，先验扩散模型计算泄漏现场的浓度计算数据，通过建立测量数据和先验扩散模型间的函数关系，将反算问题转化为最优化求解问题，利用改进型遗传算法完成泄漏源参数预估值；将改进型遗传算法的预估值结果作为马尔科夫链蒙特卡洛抽样初始抽样点，利用马尔科夫链蒙特卡洛抽样算法得到泄漏源位置的概率分布范围；以马尔科夫链蒙特卡洛抽样算法提供的泄漏源位置的分布范围，使用移动机器人进场主动嗅探进行处理，利用改进型保守收敛粒子群算法用于完成泄漏源精确定位。先利用基于传感器网络的定位技术确定疑似的泄漏源区域，而后在疑似区域内有针对性的释放移动机器人进行进一步搜索，取长补短联合处理危害气体泄漏事故中源强反算问题。

技术领域

本发明涉及危险化学品气体泄漏检测技术领域，尤其是一种气体泄漏源强 反算改进型搜索算法。

背景技术

危险化学品气体泄漏源位置和强度的确定是危险化学品气体泄漏事故应 急救援的基石，开展此领域的研究将具有其重要性和紧迫性。危险化学品气体 泄漏往往是突发性的，导致泄漏时间、泄漏地点和泄漏环境均具有不确定性。 在突发情况下，要求在信息缺失的有限条件下，以最短的时间确定未知泄漏源， 以进一步确定应急疏散区域和安全距离，为应急决策提供依据。危险化学品气 体泄漏发生后，利用监测设备对泄漏现场及周围进行气体浓度的监测，进而利 用所监测数据实现泄漏源位置的定位。泄漏源定位形式主要分为两种：传感器 网络监测计算定位和移动机器人协同搜索定位。

传感器网络监测计算定位的思路是融合先验的气体扩散模型和实时采集 的气体浓度数据对气源参数迭代求解的分布式估计问题。该方法的实现方式是 首先通过先验模型依据候选参数集得到模拟浓度，再通过贝叶斯理论将模拟浓 度和传感器网络测量浓度建立匹配函数，通过不断优化匹配函数结果，从而得 到气源参数的后验分布。

移动机器人协同搜索定位的思路是利用移动机器人安装相应的气体浓度 传感器形成的具有嗅觉感知的个体，故而应有于源强反算问题的移动机器人搜 索又被成为主动嗅觉问题，机器人利用风向信息和气体浓度信息，采用启发性 搜索策略实现定位搜索。基于传感器网络的泄漏源定位受限于传感器网络的数 据有限性和网络布置的固定性，基于移动机器人协同的泄漏源定位则可以充分 发挥移动机器人的运动灵活性以实现高细致更有针对性的局部区域搜索，从而 可以使得移动机器人的场景适应性更强，可以应对更为复杂动态的环境。

对于基于无线传感器网络的气体源监测定位技术存在如下的研究缺点：

(1)属于统计概率分布类别的数据处理算法需要基于事故信息以及待求 参数的先验信息，虽然可以有效地评估反演结果的不确定性，但是对于后验分 布的抽样过程极为耗时，且初始抽样点的选取直接关系到抽样结果的准确与 否；

(2)属于优化最优解类别的反算算法对先验扩散模型存在较强的依赖， 且由于源强反算问题的高度非线性，只能采用直接优化算法进行反算，但是以 遗传算法为主的直接优化算法需要极大的种群规模才能得到较为理想的结果， 而这将直接导致计算成本指数增加；

(3)传感器网络规模与搜索目标准确性之间的平衡问题：显而易见，要 获得精度更高的疑似源参数，必然需要增加传感器网络的规模，这是典型的成 本和成果的平衡。

对于基于移动机器人的气体源监测定位技术则存在如下技术缺点：

(1)湍流造成的烟羽动态分布特性。小尺度漩涡将气味/气体烟羽撕裂成 许多细丝，造成局部微小区域浓度分布数值振荡性，容易给移动机器人带来局 部极值陷阱；由于实际气体扩散场的破碎现象明显，故而移动机器人面对规模 较大的搜索空间的适应性较低；

(2)当前的指导多机器人系统的算法效率普遍较低，高效的启发策略缺 失，并且少有研究涉及到多源场景下的并行定位，这极大地限制移动机器人协 同搜索的场景适应性。

发明内容