CN108091111B - 一种油罐车油气泄漏智能预警系统 - Google Patents

一种油罐车油气泄漏智能预警系统 Download PDF

Info

Publication number
CN108091111B
CN108091111B CN201711159729.3A CN201711159729A CN108091111B CN 108091111 B CN108091111 B CN 108091111B CN 201711159729 A CN201711159729 A CN 201711159729A CN 108091111 B CN108091111 B CN 108091111B
Authority
CN
China
Prior art keywords
oil
network prediction
oil truck
concentration
value
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201711159729.3A
Other languages
English (en)
Other versions
CN108091111A (zh
Inventor
赵志国
王业琴
马从国
胡晓明
陶玉凯
王磊
刘金国
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Kaishan Heavy Industrial Machinery Co ltd
Original Assignee
Huaiyin Institute of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Huaiyin Institute of Technology filed Critical Huaiyin Institute of Technology
Priority to CN201711159729.3A priority Critical patent/CN108091111B/zh
Publication of CN108091111A publication Critical patent/CN108091111A/zh
Application granted granted Critical
Publication of CN108091111B publication Critical patent/CN108091111B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/02—Alarms for ensuring the safety of persons
    • G08B21/12—Alarms for ensuring the safety of persons responsive to undesired emission of substances, e.g. pollution alarms
    • G08B21/16—Combustible gas alarms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B29/00—Checking or monitoring of signalling or alarm systems; Prevention or correction of operating errors, e.g. preventing unauthorised operation
    • G08B29/18—Prevention or correction of operating errors
    • G08B29/185—Signal analysis techniques for reducing or preventing false alarms or for enhancing the reliability of the system
    • G08B29/186—Fuzzy logic; neural networks
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B29/00—Checking or monitoring of signalling or alarm systems; Prevention or correction of operating errors, e.g. preventing unauthorised operation
    • G08B29/18—Prevention or correction of operating errors
    • G08B29/185—Signal analysis techniques for reducing or preventing false alarms or for enhancing the reliability of the system
    • G08B29/188—Data fusion; cooperative systems, e.g. voting among different detectors

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Evolutionary Computation (AREA)
  • Strategic Management (AREA)
  • Artificial Intelligence (AREA)
  • Computer Security & Cryptography (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Combustion & Propulsion (AREA)
  • Game Theory and Decision Science (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Chemical & Material Sciences (AREA)
  • Operations Research (AREA)
  • Health & Medical Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • General Health & Medical Sciences (AREA)
  • Toxicology (AREA)
  • Emergency Management (AREA)
  • Marketing (AREA)
  • Automation & Control Theory (AREA)
  • General Business, Economics & Management (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种油罐车油气泄漏智能预警系统，实现对油罐车在途参数进行检测和油罐车油气泄漏浓度智能预警，所述智能预警系统包括基于无线传感器网络的油罐车在途状态参数采集与智能预警平台、油罐车油气泄漏浓度智能预警模型；本发明目的是提供一种油罐车油气泄漏智能预警系统，该智能预警系统实时监测油罐车在行驶途中的温湿度、压力和是否泄漏等安全信息，从而避免意外事故的发生问题。

Description

一种油罐车油气泄漏智能预警系统
技术领域
本发明涉及特种运输车辆设备检测技术领域，具体涉及一种油罐车油气泄漏智能预警系统。
背景技术
我国油田多处于偏远地区，因此石油运输成为石油工业中一个重要环节。石油运输有长途和短途两种，长途运输主要依靠输油管道，对于短途以及某些没有铁路的沿线，石油的外运工作主要依靠油罐车。油罐车储运因其机动和灵活等特点，成为短途油品运输的主要载体。石油为易燃危险物品，司机在运输的过程中一般不允许私自停车，除非遇到道路阻塞、车辆故障等情况被迫停车，尤其在城市繁华地段更不能随意停靠，以免发生意外事故。为了实时监测油罐车在行驶途中的温湿度、压力和是否泄漏等安全信息，本申请设计了感知油罐车安全信息的无线传感器网络节点，构建了一种基于无线传感网络的油罐车在途状态监测系统。该系统由基于无线传感器网络的油罐车在途状态参数采集与智能预警平台和油罐车油气泄漏浓度智能预警模型组成，实现对油罐车油气泄漏浓度的精确监测与预警，对提高油罐车长途运输效果起到很好的推动作用。
发明内容
本发明目的是提供一种油罐车油气泄漏智能预警系统，该智能预警系统实时监测油罐车在行驶途中的温湿度、压力和是否泄漏等安全信息，从而避免意外事故的发生问题。
本发明通过以下技术方案实现：
一种油罐车油气泄漏智能预警系统，实现对油罐车在途参数进行检测和油罐车油气泄漏浓度智能预警，其特征在于：所述智能预警系统包括基于无线传感器网络的油罐车在途状态参数采集与智能预警平台、油罐车油气泄漏浓度智能预警模型；
所述基于无线传感器网络的油罐车在途状态参数采集与智能预警平台由多个检测节点和现场监控端组成，它们以自组织方式构建成油罐车在途状态参数采集与智能预警平台；检测节点由传感器组模块、单片机以及无线通信模块NRF2401组成，负责检测油罐车表面的温度、压力以及油气浓度的实际值，现场监控端实现对油罐车在途参数进行管理和对油罐车在途泄漏油气浓度进行预警；
所述油罐车油气泄漏浓度智能预警模型包括多个NARX神经网络预测模型、模糊C-均值聚类算法分类器、多个经验模态分解模型、多组ANFIS网络预测模型、支持度矩阵、融合权重以及油气浓度等级分类器；每个NARX神经网络预测模型输出作为模糊C-均值聚类算法分类器的输入，模糊C-均值聚类算法分类器对多个NARX神经网络预测模型输出进行分类，每种类型的NARX神经网络预测模型输出作为各个经验模态分解模型的输入，每个经验模态分解模型的多个输出作为每组ANFIS网络预测模型的输入，每组ANFIS网络预测模型的融合预测值作为支持度矩阵输入求得融合权重，每组ANFIS网络预测模型的融合预测值乘以各自融合权重累加和得到油罐车油气浓度标称值，油气浓度等级分类器对油罐车油气浓度标称值进行分类。
本发明进一步技术改进方案是：
所述多个NARX神经网络预测模型对油罐车表面每个检测点的油气泄漏浓度进行预测，多个NARX神经网络预测模型的输入为各个检测点油气浓度，模糊C-均值聚类算法分类器根据每个检测点NARX神经网络预测模型输出特征值对多个NARX神经网络预测模型输出值进行分类。
本发明进一步技术改进方案是：
所述每种类型NARX神经网络预测模型输出作为每个经验模态分解模型的输入，各个经验模态分解模型把每类NARX神经网络预测模型输出分解为低频趋势部分和多个高频波动部分，低频趋势部分和多个高频波动部分分别作为每组各个ANFIS网络预测模型的输入，每组各个ANFIS网络预测模型的输出等权重相加和得到每组ANFIS网络预测模型的融合预测值。
本发明进一步技术改进方案是：
通过计算每组ANFIS网络预测模型的融合预测值两两之间的距离构建支持度矩阵，支持度矩阵每行各个值为每组ANFIS网络预测模型的融合预测值与其他组ANFIS网络预测模型的融合预测值之间的距离，支持度矩阵每行各个值的累加和的倒数与支持度矩阵所有行各个值的累加和的倒数的比值为每组ANFIS网络预测模型的融合预测值的融合权重αi，每组ANFIS网络预测模型的融合预测值乘以各自融合权重的累加和为油罐车油气泄漏浓度的标称值，油气浓度等级分类器根据油罐车油气泄漏浓度标称值的大小分为高浓度、比较高浓度、一般浓度和低浓度四个报警等级。
本发明与现有技术相比，具有以下明显优点：
一、本发明采用的NARX神经网络预测模型的输入包括了油罐车油气泄漏浓度一段时间的输入和输出历史反馈,这部分反馈输入可以认为包含了一段时间的油罐车油气泄漏浓度状态历史信息参与油罐车油气泄漏浓度的预测,对于一个合适的反馈时间长度,预测得到了很好的效果,本专利的NARX神经网络预测模式提供了一种有效的预测油罐车油气泄漏浓度方法。
二、本发明采用的NARX神经网络预测模型是一种能够有效对油罐车油气泄漏浓度的非线性、非平稳时间序列进行预测的动态神经网络模型，能够在时间序列非平稳性降低的情况下提高对油罐车油气泄漏浓度时间序列的预测精度。与传统的预测模型方法相比，此方法具有处理非平稳时间序列效果好，计算速度快，准确率高的优点。通过对非平稳的油罐车油气泄漏浓度实验数据的实际对比，本专利验证了NARX神经网络预测模型对油罐车油气泄漏浓度时间序列预测的可行性。同时，实验结果也证明了NARX神经网络预测模型在非平稳时间序列预测中比传统模型表现更加优异。
三、本发明利用NARX神经网络建立油罐车油气泄漏浓度预测模型，由于通过引入延时模块及输出反馈建立模型的动态递归网络，它将输入和输出向量延时反馈引入网络训练中，形成新的输入向量，具有良好的非线性映射能力，网络模型的输入不仅包括原始输入数据，还包含经过训练后的输出数据，网络的泛化能力得到提高，使其在非线性油罐车油气泄漏浓度时间序列预测中较传统的静态神经网络具有更好的预测精度和自适应能力。
四、本发明通过经验模态分解模型(EMD)将原始变形NARX神经网络预测模型输出序列分解为不同频段的分量，每一个分量都显示出隐含在原序列中的不同特征信息。以降低序列的非平稳性。高频部分数据关联性不强，频率比较高，代表原始序列的波动成分，具有一定的周期性和随机性，这与油罐车油气泄漏浓度的周期性变化相符合；低频成分代表原序列的变化趋势。可见EMD能够逐级分解出油罐车油气泄漏浓度的波动成分、周期成分和趋势成分，分解出的每一个分量自身包含相同的变形信息，在一定程度上减少了不同特征信息之间的相互干涉，且分解出的各分量变化曲线比原始油罐车油气泄漏浓度变形序列曲线光滑。可见EMD能有效分析多因素共同作用下的油罐车油气泄漏浓度变形数据，分解得到的各分量有利于ANFIS网络预测模型的建立和更好地预测。使用对各分量分别建立ANFIS网络预测模型，为避免极限学习机输入维数选取的随意性和分量信息丢失等问题，先对各分量重构相空间，最后将各分量预测结果叠加得到最终融合预测结果。实例研究表明，所提的融合预测结果具有较高的预测精度。
五、本发明根据油罐车油气泄漏浓度预测参数样本差异的特点,构建模糊C均值的聚类(FCM)分类器对油罐车油气泄漏浓度多点预测样本参数进行分类，设计多个EMD模型和多组ANFIS网络预测模型对油罐车油气泄漏浓度预测的样本参数进行分别再预测，在油罐车油气泄漏浓度预测连续预报过程当中,充分考虑油罐车油气泄漏浓度在时空间的特性,把成因相近的,相对均质的数据从海量级的数据中抽取出来,以建立针对性更强、更能反应任意时间阶段油罐车油气泄漏浓度预测模型，提高预测精度。
六、本发明提出的多组ANFIS网络预测模型是一种基于Takagi-Sugeno模型的模糊推理系统，是将模糊逻辑和神经元网络有机结合的新型的模糊推理系统结构，采用反向传播算法和最小二乘法的混合算法调整前提参数和结论参数，并自动产生If-Then规则。多组ANFIS网络预测模型作为一种很有特色的神经网络，同样具有以任意精度逼近任意线性和非线性函数的功能，并且收敛速度快，样本需要量少。模型运算速度快，结果可靠，取得好效果。
七、本发明定义两两融合预测值之间的距离构建支持度矩阵，支持度矩阵每行各个值为每组ANFIS网络预测模型的融合预测值与其他组ANFIS网络预测模型的融合预测值之间的距离，支持度矩阵每行各个值的累加和与支持度矩阵所有行各个值的累加和的比值为每组ANFIS网络预测模型的融合预测值的融合权重αi，提高了油罐车油气泄漏浓度不同预测值融合的精确性和科学性。
八、本发明提高了油罐车油气泄漏浓度分类的科学性与可靠性，油气浓度等级分类器根据油罐车性能参数、专家经验和油罐车油气泄漏相关国家标准，根据油罐车油气泄漏浓度的标称值的大小进行等级划分为：高浓度、比较高浓度、一般浓度和低浓度四个报警等级，实现对油罐车油气泄漏浓度状态的分类，提高油罐车油气泄漏浓度预警的科学性与可靠性。
附图说明
图1为本发明基于无线传感器网络的油罐车在途状态参数采集与智能预警平台，其中1-检测节点，2-现场监控端；
图2为本发明油罐车油气泄漏浓度智能预警模型；
图3为本发明检测节点功能图；
图4为本发明现场监控端软件功能图；
图5为本发明一组ANFIS网络预测模型；
图6为本发明油罐车在途状态参数采集与智能预警平台平面布置图。
具体实施方式
结合附图1-6，对本发明技术方案作进一步描述：
一、系统总体功能的设计
本发明设计了一种油罐车油气泄漏智能预警系统，实现对油罐车在途表面温度、压力和泄漏油气参数进行检测和在途油罐车油气泄漏浓度智能预警，该系统由基于无线传感器网络的油罐车在途状态参数采集与智能预警平台和油罐车油气泄漏浓度智能预警模型部分组成。基于无线传感器网络的油罐车在途状态参数采集与智能预警平台包括检测节点1和现场监控端2，它们以自组织方式构建成无线测控网络来实现检测节点1和现场监控端2之间的无线通信；检测节点1将检测的油罐车在途状态参数发送给现场监控端2并对传感器数据进行初步处理；现场监控端2显示油罐车在途状态预警状态参数。整个系统结构如附图1所示。
二、检测节点的设计
采用大量基于无线传感器网络的检测节点1作为油罐车在途状态参数感知终端，检测节点1和现场监控端2通过自组织组成无线传感器网络的信息相互交互系统。检测节点1包括采集油罐车表面温度、压力、油气的传感器和对应的信号调理电路、MSP430微处理器和NRF2401无线传输模块；检测节点的软件主要实现无线通信和油罐车在途状态环境参数的采集与预处理。软件采用C语言程序设计，兼容程度高，大大提高了软件设计开发的工作效率，增强了程序代码的可靠性、可读性和可移植性。检测节点结构如附图3所示。
三、现场监控端软件的设计
现场监控端2是一台工业控制计算机，现场监控端2主要实现对油罐车在途状态参数进行采集和油罐车油气泄漏浓度智能预警模型，实现与检测节点1的信息交互，现场监控端2主要功能为通信参数设置、数据分析与数据管理和油罐车油气泄漏浓度智能预警模型。该管理软件选择了Microsoft Visual++6.0作为开发工具，调用系统的Mscomm通信控件来设计通讯程序，现场监控端软件功能如附图4所示。油罐车油气泄漏浓度智能预警模型如附图2所示，该模型设计如下步骤：
1、NARX神经网络预测模型设计
NARX神经网络预测模型如附图2所示，NARX神经网络(Nonlinear Auto-Regression with External input neural network)是一种动态的前馈神经网络，NARX神经网络是一个有着油罐车油气泄漏浓度输入的非线性自回归网络，它有一个多步时延的动态特性，并通过反馈连接封闭网络的若干层，NARX回归神经网络是非线性动态系统中应用最广泛的一种动态神经网络，其性能普遍优于全回归神经网络。一个典型的NARX回归神经网络主要由输入层、隐层、输出层及输入和输出延时构成，在应用前一般要事先确定输入和输出的延时阶数、隐层神经元个数，NARX神经网络预测模型的当时输出不仅取决于过去的输出y(t-n)，还取决于当时的输入向量X(t)以及输入向量的延迟阶数等。NARX神经网络预测模型结构包括输入层、输出层、隐层和时延层。其中油罐车油气泄漏浓度通过时延层传递给隐层，隐层对输入的信号进行处理后传递到输出层，输出层将隐层输出信号做线性加权获得最终的神经网络预测输出信号，时延层将网络反馈的信号和输入层输出的信号进行延时，然后输送到隐层。NARX神经网络具有非线性映射能力、良好的鲁棒性和自适应性等特点，适宜对油罐车油气泄漏浓度进行预测。x(t)表示神经网络的外部输入，即多个检测点的油罐车油气泄漏浓度值；m表示外部输入的延迟阶数；y(t)是神经网络的输出，即下一时段的油罐车油气泄漏浓度预测值；n是输出延迟阶数；s为隐含层神经元的个数；由此可以得到第j个隐含单元的输出为：
上式中，wji为第i个输入与第j个隐含神经元之间的连接权值，bj是第j个隐含神经元的偏置值，网络的输出y(t+1)的值为：
y(t+1)＝f[y(t),y(t-1),…,y(t-n),x(t),x(t-1),…,x(t-m+1)；W] (2)
2、模糊C均值的聚类(FCM)分类器的设计
设有限集X＝{x1,x2,…xn}是n个样本组成的集合,它们分别是每个NARX神经网络预测模型的极大值、平均值和极小值，C为预定的类别数,mi(i＝1,2,…c)是每一个聚类的中心,μj(xi)是第i个样本关于第j类的隶属度,聚类准则函数由隶属函数定义为:
式中:||xi-mj||是xi到mj间的欧氏距离；b是模糊加权幂指数,是可以控制聚类结果模糊程度的参数；M是X的模糊C划分矩阵,V是X的聚类中心集合,FCM聚类算法的结果就是要获得使准则函数达到最小的M和V。在模糊C均值聚类方法中,要求样本对各个聚类的隶属度之和为1,即:
在式(4)的条件下求式(3)的极小值,令J(M,V)对mj和μj(xi)偏导数为0,可得极小值的必要条件为:
FCM算法可以按照以下迭代步骤完成:
A、设定聚类数目c和参数b,算法终止阈值ε,迭代次数t＝1,允许最大迭代数为tmax；
B、初始化各个聚类中心mi；
C、用当前聚类中心根据式(4)计算隶属函数；
D、用当前隶属函数按式(3)更新各类聚类中心；
E、选取合适的矩阵范数,如果||V(t+1)-V(t)||≤ε或者t≥tmax,停止运算；否则,t＝t+1,返回步骤C。
当算法收敛时,得到各类的聚类中心和各个NARX神经网络预测模型输出值样本对于各类的隶属度,完成模糊聚类划分。最后将模糊聚类结果进行去模糊化,将模糊聚类转变为确定性分类,实现最终的NARX神经网络预测模型输出值分类,如图2所示。
3、经验模态分解模型的设计
经验模态分解(EMD)是一种自适应信号筛选方法，具有计算简单、直观、基于经验和自适应的特点。它能将存在于信号中不同特征的趋势逐级筛选出来，得到多个高频波动部分(IMF)和低频趋势部分。EMD分解出来的IMF分量包含了信号从高到低不同频率段的成分，每个频率段包含的频率分辨率都随信号本身变化，具有自适应多分辨分析特性。使用EMD分解的目的就是为了更准确地提取故障信息。IMF分量必须同时满足两个条件：①在待分解信号中，极值点的数目与过零点的数目相等，或最多相差一个；②在任一时间上，由局部极大值和局部极小值定义的包络均值为零。经验模态分解方法针对NARX神经网络预测模型输出值信号的“筛分”过程步骤如下：
(1)确定NARX神经网络预测模型输出值信号所有的局部极值点，然后用三次样条线将左右的局部极大值点连接起来形成上包络线。
(2)在用三次样条线将NARX神经网络预测模型输出值的局部极小值点连接起来形成下包络线，上、下包络线应该包络所有的数据点。
(3)上、下包络线的平均值记为m1(t)，求出：
x(t)-m1(t)＝h1(t) (7)
x(t)为NARX神经网络预测模型输出值原始信号，如果h1(t)是一个IMF，那么h1(t)就是x(t)的第一个IMF分量。记c1(t)＝h1k(t)，则c1(t)为信号x(t)的第一个满足IMF条件的分量。
(4)将c1(t)从x(t)中分离出来，得到：
r1(t)＝x(t)-c1(t) (8)
将r1(t)作为原始数据重复步骤(1)-步骤(3)，得到x(t)的第2个满足IMF条件的分量c2。重复循环n次，得到信号x(t)的n个满足IMF条件的分量。通过这样步骤把NARX神经网络预测模型输出分解为低频趋势部分和多个高频波动部分，经验分解模型如图2所示。
4、多组ANFIS网络预测模型的设计
由于模糊推理本身不具备自学习功能，其应用受到了很大限制，而人工神经网络又不能表达模糊语言，实际上类似一个黑箱，缺少透明度，所以不能很好地表达人脑的推理功能。基于神经网络的自适应模糊推理系统ANFIS，也称为自适应神经模糊推理系统(Adaptive Neuro-Fuzzy Inference System)，将二者有机地结合起来，既能发挥二者的优点，又可弥补各自的不足。自适应神经网络模糊系统中的模糊隶属度函数及模糊规则是通过对大量已知数据的学习得到的，ANFIS最大的特点就是基于数据的建模方法，而不是基于经验或是直觉任意给定的。这对于那些特性还未被人们完全了解或者特性非常复杂的系统是尤为重要的。ANFIS网络预测模型的输入分别为每个多个高频波动部分(IMF)和低频趋势部分的极大值、平均值和极小值，ANFIS网络预测模型的主要运算步骤如下:
第1层:将输入的数据模糊化，每个节点对应输出可表示为:
本发明专利为3个节点，分别是每个多个高频波动部分(IMF)和低频趋势部分的极大值、平均值和极小值。式n为每个输入隶属函数个数，隶属函数采用高斯隶属函数。
第2层:实现规则运算，输出规则的适用度，ANFIS网络预测模型的规则运算采用乘法。
第3层:将各条规则的适用度归一化:
第4层:每个节点的传递函数为线性函数，表示局部的线性模型，每个自适应节点i输出为:
第5层:该层的单节点是一个固定节点，计算ANFIS网络预测模型的补偿估计值总输出为:
ANFIS网络预测模型中决定隶属函数形状的条件参数和推理规则的结论参数可以通过学习过程进行训练。参数采用线性最小二乘估计算法与梯度下降结合的算法调整参数。ANFIS网络预测模型每一次迭代中首先输入信号沿网络正向传递直到第4层，此时固定条件参数，采用最小二乘估计算法调节结论参数；信号继续沿网络正向传递直到输出层(即第5层)。ANFIS网络预测模型将获得的误差信号沿网络反向传播，用梯度法更新条件参数。以此方式对ANFIS网络预测模型中给定的条件参数进行调整，可以得到结论参数的全局最优点，这样不仅可以降低梯度法中搜索空间的维数，还可以提高ANFIS网络预测模型参数的收敛速度。一组ANFIS网络预测模型实现对一类NARX神经网络预测模型输出值进行预测，一组ANFIS网络预测模型的输入为经验模态分解模型的输出低频部分和多个高频波动部分，一组ANFIS网络预测模型中各个ANFIS网络预测模型输出等权重相加得到一组ANFIS网络预测模型的融合预测值如图5所示。
5、支持度矩阵和融合权重αi设计
通过计算每组ANFIS网络预测模型的融合预测值的两两之间距离构建支持度矩阵，支持度矩阵每行各个值为每组ANFIS网络预测模型的融合预测值与其他组ANFIS网络预测模型的融合预测值之间的距离，支持度矩阵为：
其中aij＝|yi-yj|，yi为第i组ANFIS网络预测模型的融合预测值，yj为第j组ANFIS网络预测模型的融合预测值。支持度矩阵每行各个值的累加和的倒数与支持度矩阵所有行各个值的累加和的倒数的比值为每组ANFIS网络预测模型的融合预测值的融合权重，即αi为：
每组ANFIS网络预测模型的融合预测值乘以各自融合权重的累加和为油罐车油气泄漏浓度的标称值，即y为：
6、油气浓度等级分类器
油气浓度等级分类器根据根据油罐车性能参数、专家经验和油罐车油气泄漏相关国家标，把油罐车油气泄漏浓度的标称值小于等于0.2、小于等于0.5、小于等于0.7和小于等于1.0值，分别对应轮胎的状态为：低浓度、一般浓度、比较高浓度和高浓度四种预警状态，实现对油罐车油气泄漏浓度等级的分类。
四、油罐车在途状态参数采集与智能预警平台平面布置图
根据油罐车的结构在油罐车油罐的上表面、下表面和前后侧面放置检测节点，监测油罐车在行驶途中油罐温度、压力和气体是否泄漏情况发生。系统布置了多个检测节点1和现场监控端2的平面布置安装图，其中检测节点1均衡布置在被检测油罐车油罐的上下表面和前后侧面，整个系统平面布置见附图6，其中上下表面布点和前后侧面布点类似，图中以上面布点为例作说明，通过该系统实现对油罐车在途参数的采集与对在途油气泄漏浓度进行预警。
本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段，还包括由以上技术特征任意组合所组成的技术方案。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (4)

1.一种油罐车油气泄漏智能预警系统，实现对油罐车在途参数进行检测和油罐车油气泄漏浓度智能预警，其特征在于：所述智能预警系统包括基于无线传感器网络的油罐车在途状态参数采集与智能预警平台、油罐车油气泄漏浓度智能预警模型；
所述基于无线传感器网络的油罐车在途状态参数采集与智能预警平台由多个检测节点和现场监控端组成，它们以自组织方式构建成油罐车在途状态参数采集与智能预警平台；检测节点由传感器组模块、单片机以及无线通信模块NRF2401组成，负责检测油罐车表面的温度、压力以及油气浓度的实际值，现场监控端实现对油罐车在途参数进行管理和对油罐车在途泄漏油气浓度进行预警；
所述油罐车油气泄漏浓度智能预警模型包括多个NARX神经网络预测模型、模糊C-均值聚类算法分类器、多个经验模态分解模型、多组ANFIS网络预测模型、支持度矩阵、融合权重以及油气浓度等级分类器；多个NARX神经网络预测模型的输入为各个检测点油气浓度；每个NARX神经网络预测模型输出作为模糊C-均值聚类算法分类器的输入，模糊C-均值聚类算法分类器对多个NARX神经网络预测模型输出进行分类，每种类型的NARX神经网络预测模型输出作为各个经验模态分解模型的输入，每个经验模态分解模型的多个输出作为每组ANFIS网络预测模型的输入，每组ANFIS网络预测模型的融合预测值作为支持度矩阵输入求得融合权重，每组ANFIS网络预测模型的融合预测值乘以各自融合权重累加和得到油罐车油气浓度标称值，油气浓度等级分类器对油罐车油气浓度标称值进行分类。
2.根据权利要求1所述的一种油罐车油气泄漏智能预警系统，其特征在于：所述多个NARX神经网络预测模型对油罐车表面每个检测点的油气泄漏浓度进行预测，模糊C-均值聚类算法分类器根据每个检测点NARX神经网络预测模型输出特征值对多个NARX神经网络预测模型输出值进行分类。
3.根据权利要求1或2所述的一种油罐车油气泄漏智能预警系统，其特征在于：所述每种类型NARX神经网络预测模型输出作为每个经验模态分解模型的输入，各个经验模态分解模型把每类NARX神经网络预测模型输出分解为低频趋势部分和多个高频波动部分，低频趋势部分和多个高频波动部分分别作为每组各个ANFIS网络预测模型的输入，每组各个ANFIS网络预测模型的输出等权重相加和得到每组ANFIS网络预测模型的融合预测值。
4.根据权利要求1或2所述的一种油罐车油气泄漏智能预警系统，其特征在于：通过计算每组ANFIS网络预测模型的融合预测值两两之间的距离构建支持度矩阵，支持度矩阵每行各个值为每组ANFIS网络预测模型的融合预测值与其他组ANFIS网络预测模型的融合预测值之间的距离，支持度矩阵每行各个值的累加和的倒数与支持度矩阵所有行各个值的累加和的倒数的比值为每组ANFIS网络预测模型的融合预测值的融合权重，每组ANFIS网络预测模型的融合预测值乘以各自融合权重的累加和为油罐车油气泄漏浓度的标称值，油气浓度等级分类器根据油罐车油气泄漏浓度标称值的大小分为高浓度、比较高浓度、一般浓度和低浓度四个报警等级。
CN201711159729.3A 2017-11-20 2017-11-20 一种油罐车油气泄漏智能预警系统 Active CN108091111B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711159729.3A CN108091111B (zh) 2017-11-20 2017-11-20 一种油罐车油气泄漏智能预警系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711159729.3A CN108091111B (zh) 2017-11-20 2017-11-20 一种油罐车油气泄漏智能预警系统

Publications (2)

Publication Number Publication Date
CN108091111A CN108091111A (zh) 2018-05-29
CN108091111B true CN108091111B (zh) 2018-11-13

Family

ID=62172705

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711159729.3A Active CN108091111B (zh) 2017-11-20 2017-11-20 一种油罐车油气泄漏智能预警系统

Country Status (1)

Country Link
CN (1) CN108091111B (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109145439B (zh) * 2018-08-20 2021-07-02 南京市锅炉压力容器检验研究院 一种基于罐车车载气体侦测装置的全智能危险介质泄漏过程实时动态预测方法
CN109765783B (zh) * 2018-12-10 2019-12-17 常州机电职业技术学院 一种液氨储罐泄露预警方法及预警装置
CN110083190B (zh) * 2019-04-19 2020-08-25 淮阴工学院 一种基于减法聚类分类器的青椒温室环境智能监测系统
CN110363109B (zh) * 2019-06-26 2023-03-24 成都新舟锐视科技有限公司 一种基于计算机视觉的覆盖式漏油检测系统及方法
CN110702852B (zh) * 2019-09-10 2020-09-25 淮阴工学院 一种基于物联网的多油气浓度传感器的智能监测系统
CN111476278B (zh) * 2020-03-20 2022-04-26 淮阴工学院 一种气体浓度智能化检测系统
CN112013203B (zh) * 2020-07-18 2021-09-24 淮阴工学院 一种基于drnn神经网络管网检测系统
CN111998887A (zh) * 2020-08-25 2020-11-27 淮阴工学院 一种用于参数测量的检测装置
CN111982042A (zh) * 2020-08-25 2020-11-24 淮阴工学院 一种用于参数测量的位移检测装置
CN111998885A (zh) * 2020-08-25 2020-11-27 淮阴工学院 一种测量用的参数校准系统
CN115979548B (zh) * 2023-03-16 2023-07-18 北京理工大学 车用氢系统泄漏诊断方法、系统、电子设备及存储介质
CN116817192B (zh) * 2023-08-30 2023-11-17 南通金芸流体设备有限公司 一种管道输送设备的腐蚀监测告警方法及系统

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6578634B2 (en) * 2001-09-05 2003-06-17 Key Energy Services, Inc. Method of monitoring pumping operations of a service vehicle at a well site
CN102323782A (zh) * 2011-08-27 2012-01-18 大连理工大学 一种基于物联网的罐区油罐智能监控系统
CN102928466B (zh) * 2012-10-25 2015-01-07 四川威特龙消防设备有限公司 一种油气爆炸临界参数测试装置及测试方法
CN103914622B (zh) * 2014-04-04 2017-07-07 清华大学 一种化学品泄漏快速预测预警应急响应决策方法
CN204056863U (zh) * 2014-06-17 2014-12-31 中国石油大学(北京) 一种基于油气浓度的油罐安全防护系统
CN104090089B (zh) * 2014-07-03 2016-06-29 中国人民解放军后勤工程学院 一种山洞油库油气危险源分级预警方法
CN104229347A (zh) * 2014-09-12 2014-12-24 江苏中恒嘉华新能源科技发展股份有限公司 油罐车出油、漏油检测报警系统
CN204802435U (zh) * 2015-06-25 2015-11-25 中国石油天然气股份有限公司 拉油罐车防污染自动报警装置
CN105890844A (zh) * 2016-06-11 2016-08-24 税爱社 隐蔽储油罐微泄漏定性与定量检测方法
CN107082404A (zh) * 2017-05-12 2017-08-22 海湾环境科技（北京）股份有限公司 油气监测方法和油气监测系统
CN107085732B (zh) * 2017-05-12 2020-07-24 淮阴工学院 基于无线传感器网络的牛舍环境氨气智能监测系统

Also Published As

Publication number Publication date
CN108091111A (zh) 2018-05-29

Similar Documents

Publication Publication Date Title
CN108091111B (zh) 一种油罐车油气泄漏智能预警系统
CN108108832B (zh) 一种基于无线传感器网络的油罐车油气泄漏智能监测系统
Machlev et al. Explainable Artificial Intelligence (XAI) techniques for energy and power systems: Review, challenges and opportunities
CN107976934B (zh) 一种基于无线传感器网络的油罐车油气泄漏速度智能预警系统
Quek et al. POP-TRAFFIC: A novel fuzzy neural approach to road traffic analysis and prediction
CN108053052B (zh) 一种油罐车油气泄漏速度智能监测系统
Yu et al. Intelligent monitoring and diagnosis of manufacturing processes using an integrated approach of KBANN and GA
CN109973331B (zh) 一种基于bp神经网络的风力发电机组风轮叶片故障诊断算法
Luan et al. Out-of-distribution detection for deep neural networks with isolation forest and local outlier factor
Egrioglu et al. An ARMA type fuzzy time series forecasting method based on particle swarm optimization
Prajapati et al. Application of statistical techniques and neural networks in condition‐based maintenance
Canfei et al. A multi-criteria fusion feature selection algorithm for fault diagnosis of helicopter planetary gear train
Fahmy et al. A comparison between fuzzy inference systems for prediction (with application to prices of fund in Egypt)
Taj et al. Survey on fuzzy Petri nets for classification
Jamsandekar et al. Self generated fuzzy membership function using ANN clustering technique
Hwarng et al. Boltzmann machines that learn to recognize patterns on control charts
Baharisangari et al. Weighted graph-based signal temporal logic inference using neural networks
Li et al. Information granularity with the self-emergence mechanism for event detection in WSN-based tunnel health monitoring
Kong et al. Dynamic early warning method for major hazard installation systems in chemical industrial park
Sun et al. Multi-task learning for dependability assessment of industrial wireless communication systems
Satur et al. Multi-layered FCMs applied to context dependent learning
Dragomir et al. Adaptive Neuro–Fuzzy Inference Systems–An Alternative Forecasting Tool for Prosumers
Kaplan et al. Fuzzy Reliability Theory in the Decision-Making Process
Berizzi et al. A neuro-fuzzy inference system for the evaluation of voltage collapse risk indices
Zhang et al. Fault diagnosis method of WSN nodes based on wavelet packet and belief rule base

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 223200 High-tech Industrial Park A12-2, No. 3 Dongqi Street, Hongze District, Huai'an City, Jiangsu Province

Applicant after: HUAIYIN INSTITUTE OF TECHNOLOGY

Address before: 223005 Huaian 1 Jiangsu economic and Technological Development Zone

Applicant before: HUAIYIN INSTITUTE OF TECHNOLOGY

GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20220708

Address after: 163712 building D-2, standard industrial plant of Daqing Economic Development Construction Investment Group Co., Ltd., Ranghulu District, Daqing City, Heilongjiang Province

Patentee after: Kaishan Heavy Industrial Machinery Co.,Ltd.

Address before: A12-2, high tech Industrial Park, No. 3, Dongqi street, Hongze District, Huai'an City, Shandong Province (Hongze sub center, technology transfer center of Huaiyin Institute of Technology)

Patentee before: HUAIYIN INSTITUTE OF TECHNOLOGY