基于改进PSO-LSTM的重大危险源风险评价

北华航天工业学院计算机学院 刘喜梅 尹国才

在石油化工过程，针对重大危险源监测辨识预估等问题。在信息物理系统（CPS）的决策层中建立长短期记忆网络（LSTM）预测模型，采用改进粒子群算法（PSO）优化网络中的权值和阈值，将经过改进PSO优化的LSTM应用于重大危险源风险评价系统中。通过仿真实验结果表明该方法具有一定的精准度，最终证明该方法可以准确完成重大危险源风险评价。

“重大危险源”指的是长期地或临时地生产、加工、使用或储存危险化学品，且危险化学品的数量等于或超过临界量的单元。重大危险源的安全管理工作必须要引起我们所有人的高度重视。国家近几年提出要进一步注重重大危险源管理安全并且部分地区的企业建立了重大危险源监控系统中心。由于我国目前在重大危险源安全方面仍存在着设施不完善，安全监督管理困难，事故时相关信息无法及时获取等问题。

本文基于改进PSO-LSTM算法对基于CPS的重大危险源进行风险评价，由于基本的PSO具有易陷入局部最优和全局搜索能力较弱所导致的求解精度低的缺点，需要对惯性权重和加速因子的改进和引入模拟退火算法，大大提高了预测精度，仿真实验结果证实了该方法具备重大危险源风险评价能力，并且实时可靠。

1 CPS系统和重大危险源分级

1.1 CPS系统

CPS主要分为3个部分，分别是感知层、网络层和控制层，感知层主要是由传感器、控制器和采集器等设备组成。感知层中的传感器作为信息物理系统中的末端设备；数据传输层主要是连接信息世界和物理世界的桥梁；应用控制层主要是根据认知层的认知结果。

1.2 重大危险源分级

分级方法根据《危化品重大危害源辨识》（GB 18218-2009）内所规定的原则上，使用分级方法将各危险化学品的危险性现实储存量与临界设有量的比值，在这之后把它们的比值进行分级、校正，最终通过计算得出它们的校正系数的和。

重大危险源分级指数R的计算方法：

式中：q1，q2，…，qn为每种危险化学品实际存放量；Q1，Q2，…，Qn为每种危险化学品临界量；β1，β2，…，βn为每种危险化学品的校正系数；α为外界暴露人员的校正系数。

根据公式(1)计算出风险等级R，可以得出重大危险源的等级：当R≥ 100时，风险等级为Ⅰ级；当100＞R≥ 50时，风险等级为Ⅱ级；当50＞R≥10时，风险等级为Ⅲ级；当R＜10时，风险等级为Ⅳ级。

2 改进PSO-LSTM算法评价方法

2.1 惯性权重的改进

惯性权重是构成粒子群算法的重要参数之一，较大的惯性权重有利于全局搜索，较小的惯性权重有利于局部细致搜索，所以需要对惯性因子进行自适应调整。

其中，k为当前迭代次数，Tmax为最大迭代次数，Wstart和Wend为W的起始值和终止值。

2.2 加速因子的改进

在粒子群算法中，加速因子的作用是用来调整个体最优位置与全局最优位置在速度更新中所起的影响作用。该因子作用与W作用类似，C1和C2也具有使局部搜索和全局探索得到平衡的能力。

其中，k为当前迭代次数，Tmax为最大迭代次数，和为C1的起始值和终止值，C2

start和C2

end为C2的起始值和终止值。

有式(2)和式(3)得到新的粒子速度和位置公式：

在早期阶段设置较大的C1和较小的C2，增强全局搜索能力；在后期减小C1并增大C2，增强粒子的全局搜索能力。

2.3 引入模拟退火算法

虽然粒子群在求解优化函数时，表现了较好的寻优能力；通过迭代寻优计算，能够迅速找到近似解。为了进一步提高粒子群算法的全局搜索能力，提高预测精度和收敛速度，结合本文模型引入模拟退火算法，该方法具有避免PSO容易陷入局部极值点、实现简单、收敛速度快且适用于非线性优化等优点。

3 仿真实验

本文以某石化公司尼龙盐厂环己烷催化氧化过程实测数据作为样本数据。在环己烷的催化过程中，环己烷蒸汽的爆炸下限受尾气中氧浓度的影响，而尾氧浓度又会受到进气氧含量、反应温度、进气量的影响，这些因素在重大危险源风险评估系统中具有重要意义，经过改进PSO-LSTM算法对这些关键物理量进行预测，然后通过实际输出误差得到重大危险源分级指数，从而完成危险源风险的评价。

其中反应温度、进气量、进气氧含量均为一定时刻的数据，而尾氧浓度是30min后的数据。样本个数为300个，随机选取250个样本作为训练样本，剩下的50个样本作为测试样本。改进PSO-LSTM网络模型由输入层、隐藏层和输出层组成。隐藏层中的激活函数使用tanh函数，网络节点的舍弃率取0.2；迭代次数取400，设定参数Wstart= 0.9，Wend= 0.4，C1=2，C2=1.2，t0=97，λ=0.95。

由图1可知，在迭代初期改进PSO优于基本PSO，随着迭代次数不断增加，改进PSO大约经历90次迭代达到全局最优，基本PSO虽然最后都收敛了，但是迭代次数相对较多。改进PSO不仅收敛速度快而且精度一直领先，为接下来的预测精度提供了保障。

图1 适应度曲线

用改进PSO-LSTM对50个样本进行测试，测试样本的误差曲线如图2所示。

图2 测试样本的预测曲线

由图2可知，误差曲线呈随机波动状态，平均误差约为0.25，明显高于基本PSOLSTM的预测精度。根据式（1）求出重大危险源分级指数R，可以得到重大危险源分级指数R＜10，风险等级均为Ⅳ级，化工运行过程处于安全状态。说明使用改进PSO-LSTM用于环己烷无催化氧化过程中尾氧浓度的预测是完全可行的。

结论：本文采用基于改进PSO-LSTM算法对基于CPS的重大危险源风险系统进行评价，通过对惯性权重和加速因子的改进和引入模拟退火算法提高了PSO的寻优能力，从而大大提高了LSTM的预测精度和时间。通过通过仿真实验，证明该方法具有一定的精准度，可以准确完成重大危险源风险评价。