一种浮选车间有毒有害气体泄漏溯源方法与流程

本发明涉及选矿厂职业安全与有毒有害气体监测预警，具体涉及一种基于长时监测数据与热压驱动风流反演的浮选车间有毒有害气体泄漏溯源方法，适用于选矿厂浮选车间硫化氢等急性毒性气体的实时监测、智能识别与快速溯源定位。

背景技术：

1、浮选车间是选矿厂职业病危害因素最为集中的区域之一。浮选工艺过程中，矿浆中常伴生硫化氢等急性毒性气体，该类气体毒性强、致害快，人体少量吸入高浓度硫化氢即可能在短时间内出现生命危险；同时，浮选过程中添加的各类选矿药剂也会挥发产生多种有毒有害气体。因此，实现有毒有害气体的快速监测与泄漏源精准定位，是保障车间作业人员安全、提升应急处置效率的核心需求。

2、目前，现有浮选车间有毒有害气体监测与泄漏溯源技术主要存在以下不足：

3、第一，监测体系割裂，采样存在滞后性。现有浮选车间多采用独立气体检测仪表进行定点巡检与间断采样，各类气体监测设备相互独立，缺乏统一的时空感知框架。选矿药剂突发泄漏、设备密封瞬时失效等引发的短时极高浓度暴露，因突发性与短暂性常被常规采样间隔遗漏，难以实现异常工况的实时捕捉。

4、第二，气体扩散模型与车间通风环境适配性差。浮选车间空间高大、热源密集，浮选机、矿浆等持续散热，在热压驱动下形成复杂的非均匀温度场与气流组织。现有气体扩散模型多基于均匀流场假设，难以准确描述浮选车间热压驱动下的气流运动与污染物扩散规律，导致泄漏源定位偏差显著，无法满足现场精度需求。

5、第三，泄漏溯源响应速度不足。现有技术多依赖人工巡检发现异常后上报，从气体泄漏发生到源点定位完成往往需要数十分钟乃至数小时，无法满足硫化氢等急性毒性气体“秒级响应、快速定位”的应急处置需求。

6、第四，多源数据融合与智能识别能力薄弱。现有监测系统未能有效整合长时监测数据、实时浓度数据、环境参数数据等多源信息，缺乏基于人工智能算法的气体种类智能识别与异常模式自动判别能力，难以实现从被动监测到主动预警的升级。

7、针对上述技术缺陷，亟需提出一种适配浮选车间特殊通风环境、响应速度快、定位精度高的有毒有害气体泄漏溯源方法。

技术实现思路

1、本发明的目的在于克服现有技术的不足，提供一种浮选车间有毒有害气体泄漏溯源方法，实现有毒有害气体的秒级感知、十秒级定位，定位半径≤5m，为浮选车间急性中毒事件的快速应急处置提供技术支撑。

2、为了实现上述目的，本发明采用的技术方案是：一种浮选车间有毒有害气体泄漏溯源方法，包括以下步骤：

3、s1、布设多源传感监测网络：在浮选车间内依据设备布局、热源分布及通风口位置，按照预设空间拓扑结构布设多类型传感器节点。所述传感器节点包括有毒有害气体传感器阵列、温湿度传感器与风速风向传感器，其中有毒有害气体传感器阵列用于检测硫化氢、一氧化碳、挥发性有机物等有毒有害气体浓度，温湿度传感器用于采集车间内温度场与湿度场数据，风速风向传感器用于采集局部气流参数。各传感器节点通过通信模块将采集数据实时上传至数据汇聚中心。传感器节点的布设密度与空间位置经优化设计，以最少传感器数量实现车间全域的有效监测覆盖。

4、s2、构建长时监测数据模块：所述长时监测数据模块以1hz~10hz的预设采样频率持续采集各传感器节点的监测数据，建立浮选车间多参数长时监测数据库。所述监测数据包括：各监测点位的多组分有毒有害气体浓度时序数据、温度与湿度时序数据、风速与风向时序数据，以及各监测点位的空间坐标信息。

5、长时监测数据模块对采集数据进行数据清洗、异常值剔除与缺失值插补等预处理操作，并将预处理后的数据按照时间戳与空间坐标建立索引，形成结构化时序数据库，供后续智能识别与溯源定位调用。

6、s3、构建有毒有害气体智能识别模块：所述有毒有害气体智能识别模块基于深度神经网络算法，对长时监测数据模块提供的多组分气体浓度时序数据进行实时分析与智能识别，具体包括以下子步骤：

7、s3.1、气体浓度特征提取：对每个监测点的气体浓度时序数据进行时域特征与频域特征提取，构建多维气体浓度特征向量。其中，时域特征包括均值、方差、峰值、变化率，频域特征包括功率谱密度、主频成分。

8、s3.2、气体种类智能识别：采用预训练的深度神经网络分类器，以多维气体浓度特征向量为输入，输出各监测点位对应的气体种类识别结果。所述深度神经网络采用卷积神经网络与长短期记忆网络的复合架构，以实验室标定数据和现场历史监测数据为训练样本，经监督学习训练获得，能够实现对硫化氢、一氧化碳、挥发性有机物等多种有毒有害气体的准确分类识别。

9、s3.3、异常模式自动判别：智能识别模块将实时识别结果与预设报警阈值进行比对，当任一监测点位的有毒有害气体浓度超过预设报警阈值时，触发异常预警，生成异常预警信息。所述异常预警信息至少包括超标点位编号、超标气体种类、超标浓度值、超标起始时间。

10、s3.4、浓度/时间趋势分析：智能识别模块基于长时监测数据，生成各监测点位的浓度/时间趋势图，并通过趋势外推算法预测未来时刻的浓度变化趋势，为预警决策提供前瞻性信息。

11、s4、构建热压驱动风流反演与三角定位融合溯源模块：该模块为泄漏源定位的核心，先基于浮选车间热压驱动通风原理构建物理模型与扩散正演模型，通过风流反演得到初步定位结果，再结合多源三角定位进行校验与加权融合，输出最终高精度定位结果。具体包括：

12、s4.1、热压驱动通风物理模型构建：浮选车间内，浮选机运行、矿浆散热等热源持续释放热量，在车间竖向空间形成显著温度梯度。热压驱动通风的物理原理为：车间内空气受热密度降低，热空气上升并在车间上部形成正压区，冷空气从车间下部补入，形成热压驱动的自然通风循环。

13、基于多区域通风网络模型与热压自然通风原理，建立浮选车间热压自然通风网络模型，基本数学方程如下：

14、（1）热压方程：

15、式中，  为第i个通风路径的热压驱动力，单位为pa；g为重力加速度，单位为m/s2；  为第i个通风路径的竖向高度差，单位为m；  为车间外部空气密度，单位为kg/m3；  为第i个通风路径处车间内部空气密度，单位为kg/m3。

16、车间内部空气密度  与温度  的关系由理想气体状态方程给出：

17、式中，p为大气压力，单位为pa；m为空气摩尔质量，单位为kg/mol；r为理想气体常数，单位为j/(mol·k)；  为第i个通风路径处的热力学温度，单位为k。

18、（2）质量守恒方程

19、对于车间内任一控制体，流入质量流量等于流出质量流量：

20、

21、式中，  为通过第j个入口流入控制体的质量流量，单位为kg/s；  为通过第k个出口流出控制体的质量流量，单位为kg/s。

22、（3）能量守恒方程（热平衡方程）

23、车间内热源散热总量等于通风气流带走的热量：

24、

25、式中，  为车间内总热源散热功率，单位为w；  为第i个通风路径的质量流量，单位为kg/s；  为空气定压比热容，单位为j/(kg·k)；  和  分别为第i个通风路径的出口和入口空气温度，单位为k。

26、通过求解上述方程组，可得到车间全域的温度场与风速场分布，为后续扩散模型修正提供基础数据。

27、s4.2、气体扩散正演模型构建：在获得浮选车间热压驱动风流场分布的基础上，建立有毒有害气体在非均匀风流场中的扩散正演模型。以经典高斯烟羽模型为基础，引入热压驱动非均匀流场修正系数，对均匀流场假设下的扩散模型进行修正，气体扩散浓度分布函数为：

28、

29、式中，  为空间点  处的气体浓度，单位为mg/m3；q为泄漏源强度，单位为mg/s；  为车间平均风速，单位为m/s；  、  分别为横向和垂向扩散参数，单位为m；h为泄漏源有效高度，单位为m；  为热压驱动非均匀流场修正系数，无量纲。

30、所述热压驱动非均匀流场修正系数  由热压驱动通风物理模型的流场计算结果确定，具体为空间点局部风速与平均风速的比值，结合局部风流方向与扩散主方向的夹角修正得到，计算公式为：

31、

32、式中，  为空间点  处的局部风速，由热压流场计算得到；  为局部风流方向与泄漏源扩散主方向的夹角。通过该修正系数，可将均匀流场高斯模型适配为浮选车间非均匀热压流场下的扩散模型，显著提升浓度预测精度。

33、s4.3、风流反演模型求解：风流反演模型将泄漏源定位问题转化为逆向优化问题：基于传感器网络实测的浓度分布数据，反推泄漏源的位置坐标与源强。

34、定义目标函数为传感器实测浓度与正演模型预测浓度之间的残差平方和：

35、

36、式中，  为泄漏源位置坐标，单位为m；q为泄漏源强度，单位为mg/s；n为触发报警的传感器节点数量；  为第i个传感器的实测浓度值，单位为mg/m3；  为基于正演模型预测的第i个传感器位置处的浓度值，单位为mg/m3。

37、泄漏源定位的最优化问题为：

38、

39、本发明采用粒子群优化算法与遗传算法的混合优化策略求解该最优化问题：先通过粒子群优化算法进行全局搜索，快速定位最优解的大致区域，避免陷入局部最优；再将粒子群输出的初步最优解作为遗传算法的部分初始种群，通过交叉、变异操作进行局部精细寻优，在热压驱动风流场的约束条件下快速收敛至最优泄漏源参数，兼顾求解速度与精度。

40、s4.4、多源三角定位融合：在风流反演模型输出初步泄漏源位置的基础上，引入基于空间几何解析的多源三角定位算法，利用多个传感器节点的空间坐标与浓度衰减几何约束，对反演结果进行独立校验与加权融合，提升定位精度与系统鲁棒性。

41、浮选车间空间开阔，气体在热压驱动湍流扩散中近似满足球面波衰减规律。若已知泄漏源到至少三个非共线传感器节点的空间距离，即可通过空间球面交汇确定泄漏源坐标，具体过程如下：

42、（1）传感器-泄漏源空间距离的推算

43、对于第i个触发报警的传感器节点，其空间坐标为  ，待求泄漏源坐标为  ，二者的欧氏距离  通过实测浓度反演获得。

44、根据热压驱动湍流扩散模型，在泄漏源强度q已由步骤s4.3初步反演得到的前提下，忽略局部湍流脉动影响，传感器i处的稳态浓度  与距离  满足湍流球面扩散衰减关系：

45、

46、式中，  为浮选车间热压驱动下的等效湍流扩散系数，单位为m2/s，由热压物理场经现场示踪实验标定获得；  为第i个点位的风流场局部修正因子，无量纲，反映该点热压风流方向与扩散梯度的夹角影响，由步骤s4.1的风流场结果插值得到。

47、由此反推得到第i个传感器到泄漏源的测算距离：

48、

49、为消除单一时刻浓度波动带来的误差，取异常触发后连续3个采样时刻的浓度均值代入计算  ，采样间隔为0.2s~1s，保障距离测算的稳定性。

50、（2）空间球面交汇定位求解

51、选取3个非共线的报警传感器节点，根据三维空间两点间距离公式，建立三元二次球面方程组：

52、

53、式中，  、  、  为三个传感器的固定安装坐标，、  、  为推算得到的距离，待求量为泄漏源空间坐标  。

54、为满足实时性要求，采用线性化消元法处理：将后两个方程分别与第一个方程相减，消去二次项，得到三元一次线性方程组，记作  ，其中  为三角定位求解的泄漏源坐标向量。

55、由于2个独立线性方程包含3个未知数，方程组为欠定状态，本发明引入泄漏源高度的先验约束：浮选车间泄漏点通常位于设备密封面或管道法兰处，高度范围为  ；或联合第4个非共面传感器组成多余观测方程，采用最小二乘平差法求解最优几何解  ，使残差  最小。

56、（3）三角定位与风流反演结果的加权融合：将三角定位解  与风流反演解进行置信度加权融合，得到最终泄漏源位置  ：

57、

58、式中，  和  分别为三角定位与风流反演的权重系数，由系统动态自适应确定：  与三角定位的几何精度因子（gdop）成反比，几何精度因子越大、参与定位的传感器空间构型越接近共线，  自动减小，降低几何定位的置信度；  与风流反演的局部残差（实测浓度与预测浓度的均方根误差rmse）成反比，局部残差越大、模型在该区域的吻合度越低，  自动减小，降低风流反演的置信度。

59、通过上述融合策略，可避免单一三角定位因浓度波动导致的奇异解，同时弥补风流反演模型在近壁面区域因流场剧烈变化产生的偏差，最终输出的定位半径稳定控制在5m以内，定位置信度达92%。

60、与现有技术相比，本发明具有如下优点：

61、1、本发明针对浮选车间热源密集、热压驱动风流的特殊环境，构建热压通风物理模型并以此修正高斯烟羽扩散模型，突破了传统均匀流场模型的应用局限，显著提升了非均匀流场下气体浓度预测与泄漏反演的准确性。

62、2、本发明采用“物理模型反演与几何三角定位”的双路定位架构，通过自适应加权融合实现二者优势互补，既保留了风流反演的物理严谨性，又借助几何约束提升了空间定位精度，定位半径稳定≤5m。

63、3、本发明依托实时传感网络与智能识别算法实现秒级异常感知，结合高效混合优化算法与线性化求解策略，实现十秒级泄漏源定位，适配硫化氢等急性毒性气体的应急处置时效要求。

64、4、本发明整合气体浓度、温湿度、风速风向多参数长时监测数据，通过深度神经网络实现多组分气体智能识别与异常预判，构建了“感知-识别-预警-溯源”的完整技术体系。