石 峰，張保存，杜九懿，張 宇，闞 哲

（1.遼寧石油化工大學信息與控制工程學院，遼寧撫順113001；2.山東省天然氣管道有限責任公司濰坊輸氣管理處，山東 濟南250000）

危險化學品，顧名思義是一種化學藥品、化學制劑或者化學原料，其具有爆炸性、易燃性、毒害性等特征，在生產、運輸、儲存、經營等過程中容易造成事故，導致人身傷亡、財產損毀等[1]。所以，危險化學品的安全管理工作必須引起所有人的高度重視[2]。截至2015 年底，我國危險化學品生產、儲存企業(yè)共有危險化學品重大危險源（以下簡稱重大危險源）約1.2 萬個，其數量多，分布廣，潛在安全風險大[3]。近年來，國家不斷強化重大危險源安全管理，重大危險源自動化設施、監(jiān)測監(jiān)控設施裝備、日常安全管理等方面均取得了較大進步，并且部分地區(qū)，企業(yè)建立了重大危險源監(jiān)控系統(tǒng)中心[4]。但綜合分析，目前我國重大危險源安全方面仍存在自動化及監(jiān)測監(jiān)控設施不完善、監(jiān)控預警信息化水平低、政府安全監(jiān)督管理困難、發(fā)生事故無法及時獲取有關信息等問題[5]。特別是重大危險源監(jiān)控信息化整體水平比較低，監(jiān)控基礎設施缺乏、政府和企業(yè)的信息網絡不暢通、事故預警能力不足等情況日益突出,亟需建立國家-省-市-縣-企業(yè)五級重大危險源在線監(jiān)控及事故預警系統(tǒng)[6]。

CPS（Cyber-Physical System，CPS）是集感知、計算、控制和通信于一體，將信息空間與物理空間緊密結合的復雜控制系統(tǒng)，融合了嵌入式技術、無線傳感器技術、云計算技術、計算機網絡技術等[7]。本文基于CPS 技術，采用自主研制多元數據采集器，對石油化工過程危險化學品進行在線監(jiān)控及風險評價。主要闡述了CPS 危險化學品風險監(jiān)控預警系統(tǒng)的框架設計、實體層設計、基于遺傳算法優(yōu)化的BP 神經網絡算法的風險評價方法。通過DCS及組態(tài)實際數據仿真過程，證實本系統(tǒng)具備危險化學品在線風險預估能力，實時可靠。

1 系統(tǒng)架構設計

CPS 技術是一種工業(yè)4.0 技術的產物，在5G 技術驅使下，萬物物聯時代即將開啟。CPS 技術涵蓋通信、計算機和控制領域[8]。在工業(yè)過程中利用廣泛分布的傳感器、執(zhí)行器，將物理世界（物理進程）和虛擬世界（計算進程）深度融合起來，從而協調一致地對物理世界進行監(jiān)視和控制，做到實時感知、動態(tài)反饋控制，并能夠提供可靠的信息服務[9]。

CPS 并不是簡單地把傳感器網絡、執(zhí)行控制系統(tǒng)、嵌入式系統(tǒng)等獨立模塊簡單地組合起來。CPS系統(tǒng)十分復雜，系統(tǒng)在模型的建立、數據傳輸的實時性、虛擬世界和物理世界的一致性、安全性、可靠性、最優(yōu)控制策略等方面有很多問題需要解決。

1.1 系統(tǒng)整體架構

對于CPS無論從哪個方面進行研究，體系架構都是首先要解決的問題。體系結構是CPS 的骨骼，CPS在各個領域的應用都要對其原有的體系架構進行研究，根據實際應用的需要對原有體系架構進行擴展[10]。

CPS 的基本物理組件有傳感器、執(zhí)行器、決策控制單元。傳感器負責對物理世界的各種環(huán)境變化進行“感知”，如溫度、壓力、濕度、氣體濃度等，執(zhí)行器負責對被控物理實體進行直接控制，而決策控制單元則通過用戶定義的語義規(guī)則進行邏輯控制。傳感器、執(zhí)行器、決策控制單元三部分構成了CPS的反饋循環(huán)控制[11]。CPS 系統(tǒng)架構如圖1 所示。傳感器獲取被控對象的狀態(tài)信息通過網絡通信傳遞給決策控制單元，決策控制單元根據用戶輸入的語義規(guī)則對信息進行判斷處理并把控制指令傳遞給執(zhí)行器，執(zhí)行器根據控制指令調整被控對象。整個結構構成一個閉環(huán)。

1.2 系統(tǒng)技術架構

以遠程監(jiān)控及重大危險源辨識為主要目的，提出一種基于CPS 危險化學品風險監(jiān)控預警系統(tǒng)技術架構方式，基于CPS 的系統(tǒng)技術架構如圖2 所示。

CPS 危險化學品遠程監(jiān)控預警系統(tǒng)不僅能夠實現傳統(tǒng)系統(tǒng)中的監(jiān)視、報警功能，還能解決分散的危險化學品集中管理、同時監(jiān)視、隱患排查和風險預估等問題。

2 實體層設計

CPS 危險化學品遠程監(jiān)控預警系統(tǒng)中，實體層處于整個系統(tǒng)的最底層，負責對數據的實時采集、存儲、傳輸。這些功能需要傳感器模塊、處理器模塊、電源供應模塊、通信模塊等配合完成。

2.1 終端節(jié)點結構組成

在CPS 節(jié)點中，傳感器采集數據，處理器處理數據，通信模塊傳遞數據。多節(jié)點數據流向如圖3所示。傳感器采集的數據通過通信模塊傳遞給網關，并且在各節(jié)點之間進行組網以實現節(jié)點之間的數據傳送、協同感知，各節(jié)點的數據最終流向網關。

2.2 ZigBee-3G 網關設計

ZigBee-3G 網關是連接ZigBee 和因特網的“橋梁”。傳感器節(jié)點采集的數據通過ZigBee 通信模塊以數據包的形式傳遞給網關。網關處理器對數據包進行格式轉換并使用AT 指令控制3G 模塊完成初始化，格式轉換完畢的數據包經由3G 模塊發(fā)送至服務器。ZigBee-3G 網關結構如圖4 所示。3G 模塊型號為MF210V2，MF210V2 成本低、功耗低、可靠穩(wěn)定，支持標準的AT 指令和GPS 定位功能。

3 終端決策層設計

CPS 原型架構中，頂層被定義為應用層，由于CPS 需要處理海量數據，因此將系統(tǒng)搭建在云平臺上更為合理。在云平臺中使用云服務作為基礎構件塊能夠提高云應用的構建速度，降低使用成本，提供安全可靠的應用[12]。本文所提出的基于CPS危險化學品風險監(jiān)控預警系統(tǒng)可以提供大范圍的危險化學品風險隱患預估情況。決策層包含預警單元和決策控制單元。

3.1 重大危險源分類方法

重大危險源分類指數R 計算方法[13]：

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；α 為外界暴露人員的校正系數。

3.2 分類標準

主要危險源的等級如表1 所示。

表1 主要危險源的等級

3.3 GA+BP 神經網絡算法評價方法

BP 神經網絡的多層連接結構使其能夠模擬復雜的非線性系統(tǒng)，從輸入中有效地挖掘更多信息從而完成復雜任務[14]。但由于BP 神經網絡算法采用梯度下降法作為搜索方法，難免存在一些不足：

（1）收斂速度慢。BP 神經網絡算法雖然可以處理復雜問題，但收斂速度慢，需要較長的計算時間，消耗的系統(tǒng)資源也較大。

（2）訓練過程不穩(wěn)定。BP 神經網絡算法在反復循環(huán)訓練過程中，學習速率決定權值的修正。較高的學習速率可以獲得較大的誤差減小率，在訓練前期有很好的收斂效果，但是隨著訓練次數的增多，較高的學習速率會導致權值超出誤差的最小值而無法收斂。

（3）局部極小化問題。BP 神經網絡在訓練過程中，其權值沿局部改善的方向進行調整。由于采用梯度下降搜索法，很容易陷入局部極值，網絡權值收斂于局部極小點，因此導致網絡訓練失敗。

當輸入節(jié)點的個數為m 個、輸出節(jié)點的個數為n 個、隱藏層節(jié)點的個數為t 時，網絡輸入和輸出之間的關系為：

式中，ysk為網絡的實際輸出；ωki為輸出層第k 個神經元與隱藏層第i 個神經元之間的權重；f 為傳遞函數；xk為輸入層第k 個神經元的值；bi為隱藏層第i 個神經元的閾值；vik為網絡的參數。

設定總的誤差E′小于ε，則有：

GA-BP 優(yōu)化問題的數學模型為：

式中，ynk為期望輸出；E 為優(yōu)化過程誤差。

利用遺傳算法求解上述優(yōu)化問題，將得到的結果代入式（3），計算輸出誤差E′，如果E′小于ε，則可以使用該模型進行實際預測。

預警單元通過環(huán)己烷無催化氧化過程中傳感器采集到的數據對尾氧濃度進行預測。根據預測結果確定風險等級并發(fā)送預警信息。當風險等級為Ⅰ級時，極易發(fā)生火災、爆炸危險事故，此時生產現場會發(fā)出警報，反應裝置停車；當風險等級為Ⅱ級時，管理人員需要及時對決策控制單元的決策規(guī)則做適當調整，將重要物理量控制在安全范圍內；當風險等級為Ⅲ級時，管理人員應加強生產現場的安全防護，嚴格控制火源；當風險等級為Ⅳ時，風險較小，可以忽略。決策控制單元根據傳感器實時采集的數據確定反應溫度、進氣量、進氣氧含量3 個物理量的風險等級，不同的風險等級對應不同控制規(guī)則，將影響尾氧濃度的物理量控制在安全范圍內。

4 仿真實驗

實驗測試工作從整體和局部兩個方面開展，在實驗室內利用現有儀表通過集散控制系統(tǒng)（DCS）搭建通信測試平臺，對終端節(jié)點、網絡通信、服務器間的數據通信情況進行測試。分別測試終端節(jié)點通信情況及網絡通暢情況，同時對DCS 系統(tǒng)連接的儀表和多臺攝像機進行數據實時采集，通過以太網實時傳送到云端服務器進行重大危險源辨識并進行危險化學品風險隱患預警。

4.1 實體層終端節(jié)點測試

對終端節(jié)點的測試主要包括硬件測試、數據采集及發(fā)送測試。測試硬件包括DCS、攝像頭、采集器、交換機及筆記本電腦。終端節(jié)點測試連接圖如圖5 所示。

在上位機開發(fā)串口通信測試平臺，驗證終端節(jié)點數據采集及通信的正確性?；赩isual Studio 2010 環(huán)境，采用C#語言開發(fā)的終端節(jié)點測試平臺。將終端節(jié)點采集的DCS 數據和視頻數據組合成一個數據包，并發(fā)送至上位機，上位機接收到數據進行對應的顯示，終端節(jié)點測試平臺如圖6 所示。

從圖6 可以看出，其視頻數據完好，幀率滿足遠程監(jiān)控預警系統(tǒng)要求。通過測試平臺DCS 數據得到解析并以電壓形式顯示。Modbus485 協議數據也可以得到解析，并以電壓形式顯示。采集終端可以完成海量數據搜集及分類，并通過以太網傳輸給云服務端。

4.2 仿真

以某石化公司尼龍鹽廠環(huán)己烷無催化氧化過程實測數據作為樣本數據。其中，反應溫度、進氣量、進氣氧含量均為一定時刻的數據，而尾氧濃度是30 min 后的數據。樣本個數為120 個，隨機選取100 個樣本作為訓練樣本，剩下的20 個樣本作為測試樣本，以驗證BP 神經網絡的預測性能。在遺傳算法進化過程中，初始種群L=10，交叉概率PC=0.4，變異概率PM=0.2。

GA+BP 神經網絡的平均適應度曲線如圖7所示。

以BP 神經網絡訓練得到的誤差作為適應值，所以網絡訓練后得到的誤差越小，適應值越小。從圖7 可以看出,整體適應度曲線下降較快，遺傳到第20～30 代時適應值變化較小，30 代后達到最佳適應值，此時BP 神經網絡取得最優(yōu)權值和閾值。

BP 神經網絡的迭代次數如圖8 所示。從圖8 可以看出，BP 神經網絡在迭代35 次后均方誤差（muse）達到最小，此時網絡訓練完畢。

用訓練好的BP 神經網絡對20 個樣本進行測試，測試樣本的誤差曲線如圖9 所示。從圖9 可以看出，誤差曲線呈隨機波動狀態(tài)，整體誤差不超過3%。

測試樣本數據如表2 所示。從表2 可以看出，尾氧濃度的實際輸出和期望輸出的風險等級均為Ⅳ級，化工運行過程處于安全狀態(tài)。使用遺傳算法優(yōu)化的BP 神經網絡用于環(huán)己烷無催化氧化過程中尾氧濃度的預測是完全可行的。

表2 測試樣本數據

4.3 云服務層對重大危險源辨識及風險隱患預警

連接到DCS 系統(tǒng)的儀表有流量傳感器、溫度傳感器、壓力傳感器、液位傳感器。DCS 實驗系統(tǒng)如圖10 所示。DCS 系統(tǒng)共有8 個攝像頭，其中2 個模擬攝像頭，6 個數字攝像頭。采用含有少量乙醇的蒸餾裝置作為危險品源，由采集器采集DCS 數據和攝像頭數據，然后傳輸到云端服務器，由云端服務器進行大數據計算。經過云端計算乙醇的危險等級遠高于水的危險等級。結果表明，所設計的CPS危險化學品遠程監(jiān)控系統(tǒng)可以對危險源進行辨識并給出風險等級。

實驗中，式(1)只有Q1和Q2已知，Q1、Q2分別為乙醇、水的臨界值。根據《危險化學品重大危險源辨識》（GB 18218—2018），Q1=500 T，水不是危險化學品，即Q2=0。根據視頻數據，當3 名工作人員在存儲區(qū)工作1 d，工作時間8 h，當溫度為25 ℃、氣壓為1 個大氣壓時，得到α1=3×8/24=1。乙醇的校正系數β1為1，利用監(jiān)測數據，Q1值小于1 T，計算得R?10，乙醇風險水平為Ⅳ。決策層處理結果如圖11 所示。從圖11 可以看出，乙醇的風險等級遠高于水。乙醇具有易燃和易爆的風險，而水僅有造成淹沒設備和實驗室的風險。實驗室中并沒有儲存更高風險的化學品，但通過乙醇風險預警實驗，證實CPS 遠程監(jiān)控系統(tǒng)可以識別危害并給出危險等級。

5 結 論

采用CPS 技術設計了危險化學品風險監(jiān)控預警系統(tǒng)。通過對系統(tǒng)整體架構和技術架構得到了系統(tǒng)整體設計步驟。由物理層完成前端危險化學品數據采集、數據傳輸和數據的本地存儲，實時將數據分類傳送到云端服務器，數據經過網絡層由決策層進行重大危險源辨識和危險化學品隱患風險預警，最后對整體進行顯示。采用遺傳算法與神經網絡算法，對重大危險源進行風險評價。結果表明，該方法可以準確完成危險化學品重大危險源風險評價，證實了基于CPS 危險化學品遠程監(jiān)控預警系統(tǒng)具備危險源識別及風險隱患預估的能力。同時，使安全生產信息化系統(tǒng)達到了統(tǒng)一規(guī)劃、統(tǒng)一標準、統(tǒng)一規(guī)范和統(tǒng)一部署，保證系統(tǒng)整體績效，增強系統(tǒng)的可擴展性和易維護性。