一种气体源估计定位方法

本发明涉及气体定位领域，具体涉及一种气体源估计定位方法。

背景技术：

1、在当今迅速发展的社会中，化工产业作为经济增长的引擎，提供了日常生活所需的各种产品，然而与之伴随的是对环境的潜在威胁，化工过程中释放的有害气体，如挥发性有机物、氮氧化物等已经成为大气污染和环境质量下降的主要原因之一。在产品制造过程中一旦发生气体泄露，将造成重大的事故，因此有必要对泄漏源进行定位，利用无人机搭载传感器检测泄漏物的浓度，可以快速的实现对泄露源头的定位。

2、为了解决上述气体源的定位问题，有人提出了一种基于仿生算法的协同机器人气体源定位方法，但由于仿生机器人协同受到地形和自身性能限制的原因，定位到的气体源往往具有较大的误差，且机器人之间信号传输，无法避免测距带来的误差。还有人在上述基础上对算法上进行了创新，对气体源定位方案进行了补充，但算法的复杂性较高，需要更多计算资源，多气体源的时候，运算时间大幅度上升，时效性会降低，同时系统的可靠性和鲁棒性较低，算法本身存在的误差积累和边界处理问题，使得定位精确度还是不高，计算复杂性也大大增加。

技术实现思路

1、发明目的：本发明目的是提供一种精确度较高、运算效率高的气体源估计定位方法。

2、技术方案：本发明所述的气体源估计定位方法，包括：获取待检测区域的气体信息；基于改进的pso算法建立高斯烟羽扩散模型，结合所述气体信息模拟所述待检测区域的气体扩散情况，求解并输出气体源的位置。

3、进一步的，根据如下公式建立高斯烟羽扩散模型：

4、

5、式中，c(x,y,z,h)为坐标(x,y,z)处的污染物浓度；h为污染物从源头到大气中的高度；u为平均风速；β为调节因子，调节正负方向上的扩散相对大小；σy为气体的横向扩散系数；σz为纵向扩散系数；q为气体浓度因子。

6、进一步的，在pso算法中引入自适应调节的惯性权重和学习因子；求解气体源的位置时，由加权质心定位法处理所述气体信息得到气体源的预定位，将气体源预定位作为初始解，设置终止条件进行迭代求解，在搜索空间中更新粒子的位置，并根据迭代次数的增加而动态调整粒子的学习因子和惯性权重，达到终止条件后输出气体源的位置。

7、进一步的，加权质心定位公式如下：

8、

9、式中，d为当前浓度q的位置和浓度最大值qmax的位置的距离估计；(xn,yn)表示位置信息；q为气体浓度因子；(x,y)表示为加权处理后的位置坐标信息。

10、进一步的，线性调整粒子的学习因子和惯性权重采用如下公式：

11、ci＝ki·c0,ωi＝ki·ω0

12、式中，ci为学习因子；ωi为惯性权重；ki为算法迭代次数增加而减小的调整系数。进一步的，所述终止条件以均方误差建立评价函数，公式为：

13、f＝mse(cp-c0)

14、式中，cp为预测的气体浓度；c0为实际的气体浓度；f为均方误差。

15、进一步的，所述高斯烟羽扩散模型中，对气体扩散过程随机添加阵风干扰。

16、进一步的，所述待检测区域的气体信息包括气体浓度信息和气体位置信息。

17、进一步的，采用插值法预处理所述气体信息。

18、进一步的，采用携带气体传感器的无人机进行所述气体信息的采集。

19、有益效果：本发明具有如下显著效果：1、本发明精确度较高：首先本发明采用无人机携带气体传感器，在大范围地区进行气体检测，以将浓度信息和位置信息采集，考虑泄露源与检测点之间的距离对气体浓度的影响，在待检测区域内不断向气体源浓度大的位置飞行以进行信息采集；其次，采用插值的方式对采集到的气体信息进行预处理，有利于减少误差；另外，本发明基于趋风性改进了pso算法，并将其与加权质心定位算法结合起来进行气体源的定位，引入了自适应的惯性权重和学习因子，建立高斯烟羽模型以对气体扩散进行具体模拟，算法执行过程中不断迭代调整自身惯性权重和学习因子，达到终止条件后算法执行完毕，输出气体源的位置，上述改进有助于优化数据的质量，减少由于数据不准确引起的定位误差，提高系统的可靠性；2、运算效率高：本发明对pso算法进行了改进，建立气体扩散模型，引入自适应调节的惯性权重和学习因子；建立线性衰弱函数，以迭代次数的倒数作为衰减因子，减小局部搜索的范围，增加全局搜索的机会，防止过早陷入局部最优解，收敛速度快、跳出局部最优解，提高了计算效率，加快算法的运行速度，减小算法的运行时间，能够快速的定位到气体源，运算效率高。

技术特征：

1.一种气体源估计定位方法，其特征在于，所述定位方法包括：

2.根据权利要求1所述的气体源估计定位方法，其特征在于，根据如下公式建立高斯烟羽扩散模型：

3.根据权利要求1所述的气体源估计定位方法，其特征在于，在pso算法中引入自适应调节的惯性权重和学习因子；求解气体源的位置时，由加权质心定位法处理所述气体信息得到气体源的预定位，将气体源预定位作为初始解，设置终止条件进行迭代求解，在搜索空间中更新粒子的位置，并根据迭代次数的增加而动态调整粒子的学习因子和惯性权重，达到终止条件后输出气体源的位置。

4.根据权利要求3所述的气体源估计定位方法，其特征在于，加权质心定位公式如下：

5.根据权利要求3所述的气体源估计定位方法，其特征在于，线性调整粒子的学习因子和惯性权重采用如下公式：

6.根据权利要求3所述的气体源估计定位方法，其特征在于，所述终止条件以均方误差建立评价函数，公式为：

7.根据权利要求1所述的气体源估计定位方法，其特征在于，所述高斯烟羽扩散模型中，对气体扩散过程随机添加阵风干扰。

8.根据权利要求1所述的气体源估计定位方法，其特征在于，所述待检测区域的气体信息包括气体浓度信息和气体位置信息。

9.根据权利要求1所述的气体源估计定位方法，其特征在于，采用插值法预处理所述气体信息。

10.根据权利要求1所述的气体源估计定位方法，其特征在于，采用携带气体传感器的无人机进行所述气体信息的采集。

技术总结本发明公开了一种气体源估计定位方法，包括获取待检测区域的气体信息；建立高斯烟羽扩散模型，基于改进的PSO算法结合所述气体信息模拟所述待检测区域的气体扩散情况，求解并输出气体源的位置。其中，在PSO算法中引入自适应调节的惯性权重和学习因子，求解气体源的位置时，由加权质心定位法处理气体信息得到气体源的预定位，将气体源预定位作为初始解，设置终止条件进行迭代求解，在搜索空间中更新粒子的位置，并根据迭代次数的增加而动态调整粒子的学习因子和惯性权重，达到终止条件后输出气体源的位置。本发明具有精确度较高、运算效率高的特点。技术研发人员：蒙延,陈奇,袁海连,刘波受保护的技术使用者：淮阴工学院技术研发日：技术公布日：2024/8/20