密閉艙室突發(fā)污染濃度動(dòng)態(tài)預(yù)測與源項(xiàng)辨識(shí)

龐麗萍 曲洪權(quán) 胡 濤 王 浚

1北京航空航天大學(xué)航空科學(xué)與工程學(xué)院，北京100191 2北方工業(yè)大學(xué)信息工程學(xué)院，北京100144

密閉艙室突發(fā)污染濃度動(dòng)態(tài)預(yù)測與源項(xiàng)辨識(shí)

龐麗萍1曲洪權(quán)2胡 濤1王 浚1

1北京航空航天大學(xué)航空科學(xué)與工程學(xué)院，北京100191 2北方工業(yè)大學(xué)信息工程學(xué)院，北京100144

潛艇、載人航天器等密閉微環(huán)境隨著人員停留時(shí)間的延長，其艙室空氣污染問題已成為危害工作人員生命安全的主要因素，因此迫切需要開展快速準(zhǔn)確的污染濃度預(yù)測以及對突發(fā)不確定污染源辨識(shí)的技術(shù)研究，并提高密閉環(huán)境主動(dòng)應(yīng)對突發(fā)污染的能力。對艙室污染濃度進(jìn)行動(dòng)態(tài)預(yù)測和污染源項(xiàng)強(qiáng)度辨識(shí)是實(shí)現(xiàn)艙室空氣質(zhì)量實(shí)時(shí)預(yù)測的關(guān)鍵。建立了集總污染源概念，提出了聯(lián)合使用卡爾曼濾波和最小二乘算法的艙室突發(fā)污染辨識(shí)與濃度預(yù)測方法，并與建立的變結(jié)構(gòu)污染濃度模型相結(jié)合，同時(shí)完成了集總污染源散發(fā)強(qiáng)度的動(dòng)態(tài)辨識(shí)和污染濃度狀態(tài)預(yù)測。另外，在突發(fā)污染源定位方面開展了前期的探討研究工作，建立了一種新的多維濃度離散隨機(jī)模型，并提出了基于多假設(shè)特征匹配的突發(fā)污染源定位方法研究。通過匹配觀測數(shù)據(jù)序列與單參數(shù)（源位置）多假設(shè)獲得的傳感器處濃度響應(yīng)序列特征來實(shí)現(xiàn)源項(xiàng)定位及散發(fā)時(shí)間估計(jì)，可初步確定源散發(fā)強(qiáng)度。

艙室環(huán)境；污染源辨識(shí)；濃度預(yù)測；卡爾曼濾波

0 引 言

盡管潛艇和載人航天器等密閉微環(huán)境在最初設(shè)計(jì)時(shí)就已精心選擇了內(nèi)裝飾材料，并系統(tǒng)地配置了微量污染凈化設(shè)備，這樣雖然可以在一定程度上降低艙室微量污染危害，但由于處于特定的使用環(huán)境、密閉艙室空氣需要再生循環(huán)使用、污染源復(fù)雜、工作人員生活和工作污染事故突發(fā)概率高等多個(gè)因素，因而仍不可避免地會(huì)引起艙室空氣污染問題。隨著時(shí)間的延長，艙室突發(fā)污染問題日益受到人們的重視，因此迫切需要開展突發(fā)不確定污染源特性辨識(shí)方法研究，實(shí)現(xiàn)快速污染定位及危害預(yù)測，以提高該類密閉微環(huán)境主動(dòng)應(yīng)對突發(fā)污染的能力，從而保障工作人員的生命安全［1-2］。

本文開展了基于集總污染源的突發(fā)污染濃度預(yù)測，以及基于多假設(shè)特征匹配的突發(fā)污染源定位方法研究，試圖為增強(qiáng)該類密閉環(huán)境的主動(dòng)污染控制提供技術(shù)支持。

1 基于集總污染源的濃度預(yù)測

1.1 基于集總污染源的濃度預(yù)測方法

艙室被監(jiān)測污染物濃度變化集總模型的差分方程為：

式中，C為艙室污染物濃度，mg/m3；V為密閉艙室的有效空氣體積，m3；t為時(shí)間，s；Q為艙室通風(fēng)率，m3/s；x為新風(fēng)系數(shù)（新風(fēng)量與總風(fēng)量之比）；Cin為新風(fēng)污染濃度，mg/m3；G為集總污染源產(chǎn)生率，mg/s；k為離散時(shí)刻。

利用在線監(jiān)測的污染濃度實(shí)時(shí)數(shù)據(jù)，結(jié)合濾波算法跟蹤污染源散發(fā)強(qiáng)度，與辨識(shí)算法相結(jié)合獲得集總污染源散發(fā)強(qiáng)度G（t）隨時(shí)間的變化規(guī)律，然后再與濃度濾波算法及式（1）相結(jié)合，可以實(shí)現(xiàn)動(dòng)態(tài)的艙室濃度和新風(fēng)入口濃度的濾波與預(yù)測值，從而為空氣質(zhì)量預(yù)測和污染態(tài)勢分析提供快速判斷的依據(jù)。

本文提出了聯(lián)合使用卡爾曼濾波和最小二乘算法的艙室突發(fā)污染源辨識(shí)與濃度預(yù)測方法，如圖1所示。當(dāng)污染源項(xiàng)的散發(fā)強(qiáng)度高于設(shè)定的產(chǎn)生率閾值時(shí)，將啟動(dòng)辨識(shí)算法。其實(shí)現(xiàn)方法如下：

1）使用基于源項(xiàng)噪聲特性的污染濃度模型和污染濾波算法，可產(chǎn)生源項(xiàng)強(qiáng)度濾波跟蹤值，并累計(jì)該值。

2）通過“辨識(shí)時(shí)間段優(yōu)化”程序來確定最優(yōu)辨識(shí)時(shí)間段，此時(shí)辨識(shí)的起始和終止時(shí)間點(diǎn)很重要，尤其是在處理多項(xiàng)式型污染源特性時(shí)。

3）將指定優(yōu)化段的時(shí)間和源項(xiàng)濾波跟蹤值傳遞給污染源強(qiáng)度辨識(shí)算法，該算法是使用最小二乘算法來獲得散發(fā)特性方程，從而可得到污染源的強(qiáng)度變化規(guī)律［3］。

4）上傳污染源辨識(shí)結(jié)果，將濃度模型切換到基于源項(xiàng)辨識(shí)特性的污染濃度模型。

圖1 艙室突發(fā)污染源辨識(shí)與濃度預(yù)測實(shí)現(xiàn)框圖Fig.1 Identification and concentration prediction realization diagram

這里需要建立變結(jié)構(gòu)濃度模型，以實(shí)現(xiàn)上述方法?？紤]噪聲后的密閉艙室污染統(tǒng)計(jì)模型為［4］：

變結(jié)構(gòu)是指污染源項(xiàng)強(qiáng)度G模型會(huì)根據(jù)污染源項(xiàng)強(qiáng)度辨識(shí)結(jié)果而改變。

模型結(jié)構(gòu)1（基于噪聲特性）：

模型結(jié)構(gòu)2（基于辨識(shí)特性，僅以多項(xiàng)式型污染源特性為例）：

式（2）～式（4）中，nC(k)為濃度C在k時(shí)刻的觀測噪聲；nG(k)為產(chǎn)生率G在k時(shí)刻的噪聲。上述噪聲假設(shè)為高斯分布。

1.2 艙室突發(fā)污染濃度預(yù)測試驗(yàn)

圖2所示為密閉試驗(yàn)艙。試驗(yàn)時(shí)，將污染源布置在艙內(nèi)任意位置，傳感器布置在出風(fēng)口附近的固定位置。使用質(zhì)量流量控制器控制氣瓶污染氣體的排出量來模擬污染源，可以向艙內(nèi)釋放一定量的污染物，控制污染釋放量。通過出風(fēng)口附近的傳感器獲得污染濃度測量的實(shí)時(shí)數(shù)據(jù)。

圖3所示為傳感器實(shí)時(shí)監(jiān)測CO2濃度數(shù)據(jù)及跟蹤與預(yù)測的艙室濃度變化曲線。分析圖3可知，本文提出的污染濃度預(yù)測算法能較好地實(shí)現(xiàn)預(yù)期的污染濃度，并與試驗(yàn)結(jié)果的吻合性好。

圖2 試驗(yàn)照片F(xiàn)ig.2 Test equipment

圖3 跟蹤、預(yù)測濃度與試驗(yàn)數(shù)據(jù)的比較Fig.3 Comparison of tracking and predicted concentration with experimental data

2 突發(fā)污染源定位方法

基于上述污染濃度預(yù)測，本文進(jìn)一步發(fā)展了一種基于多假設(shè)特征匹配的突發(fā)污染源定位方法，用以感知突發(fā)污染源定位。

2.1 突發(fā)污染源定位原理

污染濃度多維傳播可滿足下式：

式中：dg為氣體分子擴(kuò)散系數(shù)，mg/（m·s）；u為風(fēng)速，m/s；fs為污染源的位置和散發(fā)強(qiáng)度函數(shù)，mg/（m3·s）；t為時(shí)間，s；ρ為氣體密度，mg/m3。

可以得到污染傳播模型的離散形式：

式中，Δt為時(shí)間步長；m為時(shí)間節(jié)點(diǎn)；j(j=1，…，N)為空間節(jié)點(diǎn)數(shù)；N為節(jié)點(diǎn)總數(shù)。如果在節(jié)點(diǎn) j位置沒有污染源，則=0，有污染源則≠0。

在已知速度u和擴(kuò)散系數(shù)d等參數(shù)的情況下，正向計(jì)算濃度序列時(shí)，需要知道污染源的位置p，強(qiáng)度 fs和散發(fā)起始時(shí)刻te這3個(gè)參數(shù)。反向定位則無法預(yù)知這3個(gè)參數(shù)。采用正向多參數(shù)多假設(shè)定位方法，需要對p，fs，te進(jìn)行多假設(shè)，計(jì)算量非常大［5］。另外，如果使用逆CFD模型，由于受觀測噪聲的影響，其觀測數(shù)據(jù)具有不確定特性，因此，很難將具有噪聲的觀測數(shù)據(jù)直接用于目前常規(guī)的確定性多維CFD逆模型，以進(jìn)行源項(xiàng)位置辨識(shí)［6-8］。本文提出了一種基于多假設(shè)特征匹配的突發(fā)污染源定位方法，試圖探討該問題［9］。實(shí)現(xiàn)方法如下：

1）污染源位置p的多假設(shè)

由于傳感器與污染源的相對距離未知，因此，能夠被利用的定位信息只有傳感器處帶有噪聲的觀測濃度序列Csensor和污染感知時(shí)刻tp。為實(shí)現(xiàn)污染源定位，假設(shè)污染源依次出現(xiàn)在每個(gè)可能的位置 pi上，即先進(jìn)行源位置 pi單參數(shù)已知的假設(shè)，從感知污染時(shí)刻tp起，在時(shí)間層j上針對該位置 pi逆向搜索出最優(yōu)污染散發(fā)起始時(shí)刻。

2）單位虛擬源觀測濃度假設(shè)序列

假設(shè)污染源依次出現(xiàn)在假設(shè)節(jié)點(diǎn)位置 pi處，分別在每個(gè)節(jié)點(diǎn)處設(shè)置單位虛擬污染源s。針對假設(shè) pi和s，從感知時(shí)刻tp逆推假設(shè)污染源散發(fā)起始時(shí)刻，以計(jì)算 pi，s和這 3 個(gè)參數(shù)下的傳感器處假設(shè)濃度觀測序列。由于是傳感器處的假設(shè)濃度觀測數(shù)據(jù)，而真實(shí)污染源強(qiáng)度并不是單位污染源，所以假設(shè)觀測數(shù)據(jù)與傳感器觀測數(shù)據(jù)Csensor具有高度差別，需要進(jìn)行污染源強(qiáng)度預(yù)估計(jì)，以獲得初步未知污染源強(qiáng)度。

3）污染源強(qiáng)度的預(yù)估計(jì)

污染源的散發(fā)強(qiáng)度呈正例變化時(shí)，能夠引起的各點(diǎn)濃度曲線也呈相應(yīng)倍數(shù)的正例變化，所以，初步污染源估計(jì)強(qiáng)度為：

4）估計(jì)污染源作用下的觀測濃度假設(shè)序列

對污染源位置 pi進(jìn)行假設(shè)后，可得到不同散發(fā)時(shí)刻對應(yīng)的不同未知污染源估計(jì)強(qiáng)度，由式（6）可計(jì)算出傳感器節(jié)點(diǎn)處的相應(yīng)計(jì)算濃度，即傳感器假設(shè)觀測濃度序列。

5）假設(shè)濃度與觀測濃度特征的距離

在時(shí)間段[t1， t2]內(nèi)，定義不同傳感器假設(shè)濃度曲線與傳感器真實(shí)觀測濃度曲線的特征距離：

最小特征距離是指假設(shè)污染源 pi應(yīng)對的不同污染源散發(fā)時(shí)刻所對應(yīng)中的最小值：

7）污染源定位概率

式中，N為所有污染源可能出現(xiàn)的節(jié)點(diǎn)總數(shù)。

2.2 突發(fā)污染源定位試驗(yàn)研究

為了驗(yàn)證上述污染源定位方法的可行性，開展了相應(yīng)的突發(fā)污染試驗(yàn)研究。試驗(yàn)裝置如圖4所示，污染源可能出現(xiàn)在任意一點(diǎn)，污染源模擬采用與第2.2小節(jié)相同的裝置，傳感器僅布置在回風(fēng)口的固定位置處。傳感器為英國海德公司的實(shí)時(shí)質(zhì)譜分析儀。本試驗(yàn)僅進(jìn)行了定污染釋放速率的污染源定位研究工作。

圖4 污染源定位試驗(yàn)裝置Fig.4 Experimental device of source location

圖5所示為風(fēng)速場（X，Y分別為圖4所示實(shí)驗(yàn)區(qū)域的長度和寬度），圖6所示為傳感器監(jiān)測到的污染物濃度曲線。采用本文提出的突發(fā)污染定位方法給出的定位概率如圖7所示，突發(fā)污染源出現(xiàn)在定位概率最大的點(diǎn)處，即入口處，與設(shè)置較吻合。

圖5 風(fēng)速場Fig.5 Velocity flow chart

圖6 出口處的濃度觀測曲線Fig.6 Observed concentration curve at the outlet

圖7 突發(fā)污染源定位概率圖Fig.7 Positioning probability map for locating sudden source

通過匹配觀測數(shù)據(jù)序列與多假設(shè)獲得的傳感器處濃度響應(yīng)序列特征，可以實(shí)現(xiàn)源項(xiàng)定位和散發(fā)歷史重構(gòu)，同時(shí)，構(gòu)建了污染源位置分布概率，以表示定位結(jié)果，從而使得結(jié)果更符合實(shí)際情況。

3 結(jié) 語

本文針對潛艇等密閉艙室突發(fā)污染的情況，提出了聯(lián)合使用卡爾曼濾波和最小二乘算法的艙室突發(fā)污染辨識(shí)與濃度預(yù)測方法，同時(shí)完成了集總污染源散發(fā)強(qiáng)度動(dòng)態(tài)辨識(shí)和污染濃度狀態(tài)預(yù)測。另外，還提出了基于多假設(shè)特征匹配的突發(fā)污染源定位方法研究，通過匹配觀測數(shù)據(jù)序列與單參數(shù)（源位置）多假設(shè)獲得的傳感器處濃度響應(yīng)序列特征，試圖實(shí)現(xiàn)突發(fā)污染源項(xiàng)的定位。對此，開展了相應(yīng)的試驗(yàn)研究工作，以推動(dòng)該項(xiàng)工作的進(jìn)一步深入開展。

［1］HOCKING M B.Passenger aircraft cabin air quality：trends，effects，societal costs，proposals［J］.Chemo?sphere，2000，41（4）：603-615.

［2］ALAPATI S，KABALA Z J.Recovering the release his?tory of a groundwater contaminant using a non-linear least-squares method［J］.Hydrol.Process，2000，14（6）：1003-1016.

［3］GORDON N J， SALMOND D J.Novel approach to nonlinear/non-Gaussian Bayesian state estimation［J］.IEEE Proceedings，1993，140（2）：107-113.

［4］PANG L P，CHANG H J，QU H Q.Dynamic source identification of emitting characters in enclosed envi?ronments［J］.Journal of Beijing University of Aeronau?tics and Astronautics，2010，36（1）：31-34.

［5］ZHAO B，LI X T，CHEN X，et al.Determining ventila?tion strategy to defend indoor environment against con?tamination by integrated accessibility of contaminant source（IACS）［J］.Building and Environment，2004，39（9）：1035-1042.

［6］ZHANG T，CHEN Q.Identification of contaminant sources in enclosed environments by inverse CFD mod?eling［J］.Indoor Air，2007，17（3）：167－177.

［7］LIU X，ZHAI Z Q.Probability-based inverse modeling algorithm for indoor pollutant source tracking［C］//Building Simulation，2007：810-817.

［8］ALEEXANDER Y S，Painter S L.A robust approach for iterative contaminant source location and release history recovery［J］.Journal of Contaminant Hydrolo?gy，2006，88（3）：181-196.

［9］PANG L P，CHANG H J，QU H Q.Source identifica?tion of emitting characters in aircraft cabin［J］.Journal of Astronautics，2010，31（1）：282-286.

［10］范玉妹，汪飛星，王萍.概率論與數(shù)理統(tǒng)計(jì)［M］.北京：機(jī)械工業(yè)出版社，2007：192-195.

Prediction and Identification of Sudden Pollution Source

PANG Li-ping1QU Hong-quan2HU Tao1WANG Jun1

1 School of Aeronautic Science and Engineering，Beihang University，Beijing 100191，China 2 College of Information Engineering，North China University of Technology，Beijing 100144，China

Such as submarines，manned spacecraft and other closed micro-environment，cabin air pollu?tion has become a hazard to the safety of staff with the residence time extend.There is an urgent need for fast and accurate prediction of pollution concentration and location identification of a sudden source to im?prove the closed environment active control ability for unexpected pollution.Dynamic cabin concentration prediction and pollution sources identified are a key to achieve real-time air quality forecast.A concept of lumped source and a variable structure concentration model were built to realize concentration prediction together using Kalman filtering and least-squares algorithm.In addition，a source location method was studied because it is a key link for source identification.The contaminant source location method based on multi-hypothesis source position was established and attempt to solve the source location problems.This method realizes source identification by comparing the similarity between the sensor-measured concentra?tion distribution and the multiple hypothetical concentration distributions calculated at the monitoring point based on multi-hypothesis source position.The proposed method is capable of identifying a source po?sition，estimating its initial emission time and approximate strength.

cabin environment；pollution source identification；concentration prediction；Kalman filtering

U664.9

A

1673－3185（2012）03－64－04

10.3969/j.issn.1673－3185.2012.03.012

2012－01－05

國家自然科學(xué)基金資助項(xiàng)目（50808007）

龐麗萍（1973－），女，博士，副教授。研究方向：有限空間環(huán)境控制。E?mail：pangliping@buaa.edu.cn

曲洪權(quán)（1973－），男，博士，副教授。研究方向：信號(hào)處理。E?mail：qhqphd@163.com

王 浚（1935－），男，中國工程院院士。研究方向：人機(jī)與環(huán)境工程。

龐麗萍。

［責(zé)任編輯：饒亦楠］