一种基于物联网的多油气浓度传感器的智能监测系统
技术领域
本发明涉及罐区油气环境自动化监测技术领域,具体涉及一种基于物联网的多油气浓度传感器的智能监测系统。
背景技术
加油站油罐区环境主要存储着油品存储容器或者管道如果发生泄漏,就会产生易燃液体蒸汽,当蒸汽压较高时,就会产生燃烧爆炸的危险,而可燃液体具有流淌性,在常温下遇到火源就会起火燃烧,如果存储容器发生泄漏就会在流淌的过程中不断蒸发可燃蒸汽,一旦接触火源,哪怕是最微小的火花,都会引起燃烧。当存储罐发生泄漏,遇到火星,引发火灾,如果扑救措施不及时,就会引起一系列的连锁反应,造成更大的损失,产生连续性爆炸,产生冲击波力量巨大可以在瞬间摧毁设备和厂房,破坏力极强。汽车加油站油罐区环境是加油站涉及油品最多的区域,油品均属于易燃液体,发生火灾、爆炸事故的概率较大,而且一旦发生事故,后果相当严重。汽加油站油罐区环境发生火灾事故不仅对人及周围设备、设施产生危害,当蒸气浓度升高时,如达到汽油爆炸浓度极限时,将可能引发爆炸事故。如此则经济损失会更严重,社会影响会更强烈。因此在加油站油罐区环境的安全管理、应急管理方面还有大量工作要做。加油站油罐区环境发生池火灾是由于可燃液体泄漏到地面,遇到点火源形成的火灾。由于其氧气供应充足,所以燃烧比较完全。本发明的目的是提供一种基于物联网的多油气浓度传感器的油气浓度智能监测系统,该系统由基于ZigBee网络的加油站油罐区环境参数采集平台和加油站油罐区环境油气浓度传感器监测子系统组成,实现对加油站油罐区环境油气浓度进行精确检测和预测油气浓度传感器的工作状态,提高加油站油气浓度精确检测的可靠性和鲁棒性。
发明内容
本发明提供了一种基于物联网的多油气浓度传感器的智能监测系统,本发明有效解决了现有加油站油罐区环境监控系统没有根据加油站油罐区环境油气浓度变化的非线性、大滞后和变化复杂等特点,对加油站油罐区环境油气浓度精确进行检测和传感器故障进行预警,从而提高预测加油站油气浓度精确性和鲁棒性问题。
本发明通过以下技术方案实现:
一种基于物联网的多油气浓度传感器的智能监测系统由基于ZigBee网络的加油站油罐区环境参数采集平台和加油站油罐区环境油气浓度传感器监测子系统组成,加油站油罐区环境油气浓度传感器监测子系统由多个参数检测单元、加油站油罐区环境多点油气浓度融合模型和多个基于GRNN神经网络传感器状态分类器组成,该系统实现对加油站油罐区环境多点油气浓度智能化检测、融合和对油气浓度传感器工作状态进行分类。
本发明进一步技术改进方案是:
所述基于ZigBee网络的加油站油罐区环境参数采集平台由检测节点和现场监控端组成,它们以自组织方式通过ZigBee通信模块CC2530构建成加油站油罐区环境参数采集与智能预测平台。检测节点分别由传感器组模块、单片机MSP430和ZigBee通信模块CC2530组成,传感器组模块负责检测加油站油罐区环境的温度、油气浓度、风速和烟雾等加油站油罐区环境参数,由单片机控制采样间隔并通过ZigBee通信模块CC2530发送给现场监控端;现场监控端由一台工业控制计算机组成,实现对检测节点检测加油站油罐区环境参数进行管理和对油气浓度传感器工作状态进行分类。基于ZigBee网络的加油站油罐区环境参数采集平台见图1所示。
本发明进一步技术改进方案是:
加油站油罐区环境油气浓度传感器监测子系统由多个参数检测单元、加油站油罐区环境多点油气浓度融合模型和多个基于GRNN神经网络传感器状态分类器组成,每个检测单元负责感知和预测被检测点的油气浓度,加油站油罐区环境多点油气浓度融合模型实现对多个参数检测单元输出的被检测点的油气浓度三角模糊数预测值进行融合得到整个被检测的加油站油罐区环境油气浓度三角模糊数值,多个基于GRNN神经网络传感器状态分类器实现对每个检测点的油气浓度传感器的工作状态进行分类预警。加油站油罐区环境油气浓度传感器监测子系统参见图2所示。
本发明进一步技术改进方案是:
多个参数检测单元实现对加油站多个检测点的油气浓度检测与预测,每个参数检测单元包括油气浓度传感器、时间序列三角模糊数神经网络和三角模糊数预测模块组成;油气浓度传感器的输出作为时间序列三角模糊数神经网络的输入,时间序列三角模糊数神经网络的输出作为三角模糊数预测模块的输入,三角模糊数预测模块的三角模糊数预测值作为加油站油罐区环境多点油气浓度融合模型的输入,每个三角模糊数预测模块的相空间重构技术的Elman神经网络预测模型1、相空间重构技术的Elman神经网络预测模型2和相空间重构技术的Elman神经网络预测模型3的输出作为每个基于GRNN神经网络传感器状态分类器的输入来对对应检测点的油气浓度传感器工作状态进行分类,多个参数检测单元的时间序列三角模糊数神经网络和三角模糊数预测模块具有一下特征。
本发明进一步技术改进方案是:
时间序列三角模糊数神经网络由被检测点的油气浓度传感器输出的一段常规时间序列值作为径向基神经网络的输入、径向基神经网络和被检测点的油气浓度的三角模糊数值作为径向基神经网络的输出组成,径向基神经网络输出的三角模糊数值分别表示被检测点的油气浓度的下限值、可能值和上限值;时间序列三角模糊数神经网络根据被检测点的油气浓度动态变化特征把被检测点的油气浓度的一段常规时间序列值转化被检测的油气浓度的三角模糊值来表示,这种转化更加符合被检测点的油气浓度的动态变化规律。
三角模糊数预测模块由3个DRNN神经网络预测模型和3个相空间重构技术的Elman神经网络预测模型组成,时间序列三角模糊数神经网络输出的被检测点的油气浓度的三角模糊数值的下限值、可能值和上限值分别为DRNN神经网络预测模型1、DRNN神经网络预测模型2和DRNN神经网络预测模型3的输入,时间序列三角模糊数神经网络输出的三角模糊数值的下限值、可能值和上限值分别与DRNN神经网络预测模型1、DRNN神经网络预测模型2和DRNN神经网络预测模型3的输出的残差分别为相空间重构技术的Elman神经网络预测模型1、相空间重构技术的Elman神经网络预测模型2和相空间重构技术的Elman神经网络预测模型3的输入,DRNN神经网络预测模型1、DRNN神经网络预测模型2和DRNN神经网络预测模型3的输出分别与相空间重构技术的Elman神经网络预测模型1、相空间重构技术的Elman神经网络预测模型2和相空间重构技术的Elman神经网络预测模型3的输出相加和作为被检测点的油气浓度三角模糊数预测值,该预测值作为加油站油罐区环境多点油气浓度融合模型的输入;相空间重构技术的Elman神经网络预测模型1、相空间重构技术的Elman神经网络预测模型2和相空间重构技术的Elman神经网络预测模型3的输出作为被检测点的基于GRNN神经网络传感器状态分类器的输入来对该检测点的油气浓度传感器工作状态进行分类。
本发明进一步技术改进方案是:
加油站油罐区环境多点油气浓度融合模型由油气浓度时间序列三角模糊数阵列、计算油气浓度三角模糊数预测值与正理想值和负理想值的相对帖近度、计算油气浓度三角模糊数融合值共3部分组成,一段时间多个参数检测单元油气浓度的三角模糊数预测值构成油气浓度时间序列三角模糊数阵列,确定油气浓度时间序列三角模糊数阵列的正理想值和负理想值,分别计算每个检测单元的油气浓度时间序列三角模糊数预测值与油气浓度时间序列三角模糊数阵列的正理想值和负理想值的距离,每个检测单元的时间序列三角模糊数预测值的负理想值的距离除以每个检测单元的时间序列三角模糊数预测值的负理想值的距离与每个检测单元的时间序列三角模糊数预测值的正理想值的距离的和得到的商为每个检测单元的时间序列三角模糊数预测值的相对贴近度,每个检测单元的时间序列三角模糊数预测值的相对贴近度除以所有检测单元的时间序列三角模糊数预测值的相对贴近度的和得到的商为每个检测单元的时间序列三角模糊数预测值的融合权重,每个检测单元的时间序列三角模糊数预测值与该检测单元的时间序列三角模糊数预测值的融合权重的积的和得到多个检测点的时间序列三角模糊预测值的融合值。
本发明进一步技术改进方案是:
多个基于GRNN神经网络传感器状态分类器由每个检测单元对应的每一个基于GRNN神经网络传感器状态分类器组成,每个基于GRNN神经网络传感器状态分类器根据加油站油气浓度传感器发生故障的工程实践经验和油气传感器输出信号的动态变化状况,将加油站油气浓度传感器分为正常状态、干扰故障、短路故障、漂移故障、冲击故障共5种工作状态,定义5种工作状态分别对应不同的三角模糊数表示;每个三角模糊预测模块的相空间重构技术的Elman神经网络预测模型1、相空间重构技术的Elman神经网络预测模型2和相空间重构技术的Elman神经网络预测模型3的输出作为对应的基于GRNN神经网络传感器状态分类器的输入,基于GRNN神经网络传感器状态分类器实现对检测点的油气浓度传感器工作状态进行分类,每个基于GRNN神经网络传感器状态分类器的输出为三角模糊数,计算该三角模糊数与代表油气传感器的5种工作状态的三角模糊数的相似度,其中相似度最大的三角模糊数对应的油气传感器的工作状态即为该检测单元油气浓度传感器的当前工作状态。
本发明与现有技术相比,具有以下明显优点:
一、本发明针对加油站油罐区环境参数测量过程中,传感器精度误差、干扰和测量温度值异常等问题存在的不确定性和随机性,本发明专利将加油站油罐区环境参数的传感器测量的参数值通过时间序列三角模糊数神经网络模型转化为三角模糊数形式表示,有效地处理了加油站油罐区环境环境被检测参数传感器测量参数的模糊性、动态性和不确定性,提高了加油站油罐区环境参数检测传感器值检测参数的客观性和可信度。
二、加油站油罐区环境多点油气浓度融合模型实现对多个检测点的油气浓度三角模糊预测值进行动态融合,通过确定多个检测点的时间序列三角模糊数预测值的油气浓度时间序列三角模糊数阵列,确定油气浓度时间序列三角模糊数阵列的正理想值和负理想值,分别计算每个检测单元的油气浓度时间序列三角模糊数预测值与油气浓度时间序列三角模糊数阵列的正理想值和负理想值的距离、每个检测单元的与正理想值和负理想值的相对贴近度和融合权重,提高被检测点油气浓度三角模糊数预测值的精确度。
三、本发明所采用DRNN神经网络预测模型的输入包括被检测点的三角模糊数的下限值a、可能值b和上限值c的进行预测,由于被检测点的油气浓度具有复杂的非线性特性,不同的工况下油气浓度变化很大,很难建立精确的数学模型,利用DRNN神经网络预测模型可精确地预测油气浓度的三角模糊数的下限值a、可能值b和上限值c,具有良好的非线性逼近能力,DRNN神经网络预测模型是一种反馈型网络,具有局部反馈特性,它是在BP网络的基础上,通过存储内部状态使其具备映射动态特征的功能,从而使预测油气浓度的三角模糊数具有适应时变的能力。其网络结构基本类似于4层BP网络,增加了一个结构层,把隐层的输出经延时环节反馈到隐层的输入,从而实现部分反馈,达到记忆上一状态的效果。DRNN型神经网络预测模型的这种自联方式使其对被检测点的油气浓度三角模糊数的历史状态的数据具有敏感性,内部反馈网络的加入增加了网络本身处理动态信息的能力,有利于对被检测点油气浓度三角模糊数的动态过程建模。因此,利用DRNN神经网络预测建立精确的油气浓度三角模糊数的预测模型,提高油气浓度预测精确度。
四、本发明所采用的相空间重构技术的Elman神经网络预测模型实现对被检测点的油气浓度参数三角模糊数的残差进行预测,该预测值作为被检测点的三角模糊数的补偿值,提高被检测点的三角模糊数检测的精确度,该Elman神经网络预测模型一般分为4层:输入层、中间层(隐含层)、承接层和输出层,其输入层、隐含层和输出层的连接类似于前馈网络,输入层的单元仅起信号传输作用,输出层单元起线性加权作用。隐含层单元的传递函数可采用线性或非线性函数,承接层又称为上下文层或状态层,它用来记忆隐含层单元前一时刻的输出值,可以认为是一个一次延时算子。Elman神经网络预测模型的特点是隐含层的输出通过承接层的延迟与存储,自联到隐含层的输入,这种自联方式使其对历史状态的数据具有敏感性,内部反馈网络的加入增加了网络本身处理动态信息的能力,从而达到了动态建模的目的。Elman神经网络预测模型回归神经元网络的特点是隐层的输出通过结构单元的延迟、存储自联到隐层的输入,这种自联方式使其对历史状态的数据具有敏感性,内部反馈网络的加入增加了网络本身处理动态信息的能力,有利于动态过程的建模;该模型利用关联层动态神经元的反馈连接,将未来预测网络和过去预测网络的信息进行融合,使网络对时间序列特征信息的记忆得到加强,从而提高被检测点油气浓度的三角模糊数的预测精度。
五、本发明将相空间重构和Elman神经网络二者结合起来构建相空间重构的Elman神经网络预测模型影响火灾危险度的油气浓度的参数进行补偿预测,该预测模型将重构相空间能够估计出预测参数的一维时间序列的演化信息并把一维时间序列拓展为包含着多态信息的多维序列,从而使被预测参数的结果跟实际值更加吻合;另外,使用相空间重构的输出向量作为Elman神经网络的输入值避免了选取Elman神经网络输入参数时的随意性,采用相空间重构的Elman神经网络预测模型提高预测加油站油气浓度的准确性和可靠性,对准确预测油气浓度具有重要价值。
六、本发明根据油气浓度传感器输出油气浓度的最大值、最小值和可能值的残差预测值参数样本差异的特点和加油站油气浓度传感器工作状态的工程实践,定义加油站油气浓度传感器5种工作状态对应的三角模糊数,提高分类加油站油气浓度传感器工作状态分类的准确性。本发明采用基于GRNN神经网络传感器状态分类器具有很强的非线性映射能力和柔性网络结构以及高度的容错性和鲁棒性,该分类器在逼近能力和学习速度上较RBF网络有更强的优势,最后收敛于样本量积聚较多的优化回归面并且在样本数据较少时,还可以处理不稳定数据,分类效果也较好。基于GRNN神经网络传感器状态分类器泛化能力强,分类精确度高,算法稳定,基于GRNN神经网络传感器状态分类器还具有收敛速度快、调整参数少和不易陷入局部极小值等优点,预测网络运算速度快,对加油站油气浓度传感器工作状态分类具有良好的应用前景。本发明采用基于GRNN神经网络传感器状态分类器结构简单而完备,它的模型内部结构随着样本点的确定而确定,它对数据样本的要求较少,只要有输人、输出样本,即使数据稀少,也可以收敛于回归表面。它具有明确的概率意义、较好的泛化能力、局部逼近能力及快速学习特点,能逼近任愈类型的函数,而且在网络模型的建立和学习过程中,只需调节选择光滑因子来最终确定模型。基于GRNN神经网络传感器状态分类器建立过程也就是网络的训练过程,无需专门训练,具有网络建立过程简单,影响因素少,局部逼近能力强,学习速度快,仿真性能好的特点。本专利利用基于GRNN神经网络传感器状态分类器的输出为代表油气浓度传感器工作状态的三角模糊数,该三角模糊数具有自适性、自学习和以任意精度非线性逼近等特点,因而本专利利用基于GRNN神经网络传感器状态分类器来进行加油站油罐区环境油气浓度传感器工作状态分类,较好地满足预测模型的鲁棒性和容错性。
七、本发明采用基于GRNN神经网络传感器状态分类器较具有很强的非线性映射能力和柔性网络结构以及高度的容错性和鲁棒性,GRNN在逼近能力和学习速度上较RBF网络有更强的优势,网络最后收敛于样本量积聚较多的优化回归面并且在样本数据较少时,基于GRNN神经网络传感器状态分类器还可以处理不稳定数据,分类效果也较好。基于GRNN神经网络传感器状态分类器模型泛化能力强,预测精度高,算法稳定,GRNN网络模型还具有收敛速度快、调整参数少和不易陷入局部极小值等优点,预测网络运算速度快,对基于GRNN神经网络传感器状态分类器对油气浓度传感器的分类具有良好的应用前景。
附图说明
图1为本发明基于ZigBee网络的加油站油罐区环境参数采集平台;
图2为本发明加油站油罐区环境油气浓度传感器监测子系统;
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为本发明时间序列三角模糊数神经网络模型;
图6为本发明加油站油罐区环境参数采集平台平面布置图。
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:
1、系统总体功能的设计
本发明一种基于物联网的多油气浓度传感器的智能监测系统实现对加油站油罐区环境因子参数进行检测和预测加油站油气浓度传感器的工作状态,该系统由基于ZigBee网络的加油站油罐区环境参数采集平台和加油站油罐区环境油气浓度传感器监测子系统两部分组成。基于ZigBee网络的加油站油罐区环境参数采集平台包括加油站油罐区环境参数的检测节点1和现场监控2组成,它们以自组织方式构建成ZigBee监测网络来实现检测节点1和现场监控端2之间的ZigBee通信;检测节点1将检测的加油站油罐区环境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把控制信息传输到检测节点和预测加油站油罐区环境多点传感器工作状态。整个系统结构见图1所示。
2、检测节点的设计
采用大量基于ZigBee传感器网络的检测节点1作为加油站油罐区环境参数感知终端,检测节点1通过自组织ZigBee网络实现现场监控端2之间的信息相互交互。检测节点1包括采集加油站油罐区环境油气浓度、温度、风速和烟雾参数的传感器和对应的信号调理电路、MSP430微处理器和ZigBee通信模块CC2530;检测节点的软件主要实现ZigBee通信和加油站油罐区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。检测节点结构见图3。
3、现场监控端软件
现场监控端3是一台工业控制计算机,现场监控端2主要实现对加油站油罐区环境参数进行采集、处理、预测和加油站油气浓度传感器工作状态分类,实现与检测节点1和现场监控端2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、加油站油罐区环境多个油气浓度传感器工作状态分类。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见图4。加油站油罐区环境油气浓度传感器监测子系统由多个参数检测单元、加油站油罐区环境多点油气浓度融合模型和多个基于GRNN神经网络传感器状态分类器组成,实现对加油站油罐区环境多点参数智能化检测与预测和加油站多个油气浓度传感器工作状态分类,加油站油罐区环境油气浓度传感器监测子系统的设计过程如下:
⑴、多个参数检测单元
多个参数检测单元实现对加油站多个检测点的油气浓度的同时检测与预测,每个参数检测单元包括油气浓度传感器、时间序列三角模糊数神经网络和三角模糊数预测模块组成;油气浓度传感器的输出作为时间序列三角模糊数神经网络的输入,时间序列三角模糊数神经网络的输出作为三角模糊数预测模块的输入,三角模糊数预测模块的三角模糊数预测值作为加油站油罐区环境多点油气浓度融合模型的输入,每个三角模糊数的相空间重构技术的Elman神经网络预测模型1、相空间重构技术的Elman神经网络预测模型2和相空间重构技术的Elman神经网络预测模型3的输出作为对应的基于GRNN神经网络传感器状态分类器的输入来对对应检测点的油气浓度传感器工作状态进行分类;
①、时间序列三角模糊数神经网络模型
设有加油站被检测点油气浓度值的时间序列为x(t),x(t-1),…,x(t-d+1),x(t-d),根据加油站被检测点油气浓度参数一段常规时间序列值作为径向基神经网络的输入,径向基神经网络的输出为t+1时刻加油站被检测点油气浓度参数的三角模糊数值为S,S三角模糊数表示为[a,b,c]等于[s1,s2,s3],a表示被检测点油气浓度下限值,b表示被检测点油气浓度可能值,c表示被检测点油气浓度上限值,被检测参数的t+1时刻三角模糊数值大小依赖于被检测参数的前d个时刻的常规时间序列数值状态值,d为时间窗口,根据S与前d个时刻的被检测点油气浓度值参数时间序列数值存在函数依赖关系这一特点,通过被检测点油气浓度值参数的时间序列三角模糊数神经网络来建立被检测点油气浓度值参数的一段时间序列常规序列值预测被检测点油气浓度值参数的t+1时刻的被检测点油气浓度值参数的三角模糊数值之间的关系,被检测点油气浓度值参数的时间序列三角模糊数神经网络模型1结构图如5所示。神经网络的径向基向量为H=[h1,h2,…,hp]T,hp为基函数。径向基神经网络中常用的径向基函数是高斯函数,其表达式为:
式中X为被检测参数的传感器的时间序列输出,C为隐含层神经元高斯基函数中心点坐标向量,δj为隐含层第j个神经元高斯基函数的宽度;网络的输出连接权值向量为wij,时间序列三角模糊数神经网络模型输出表达式为:
被检测点油气浓度参数的时间序列三角模糊数神经网络模型1的关键就是要根据过去过去一段时间被检测点油气浓度值参数的d个时刻的被检测点油气浓度值数据和t+1时刻的被检测点油气浓度值参数的三角模糊数据来拟合出映射关系f,进而通过径向基神经网络前向传播得到检测点油气浓度值拟合函数的三角模糊数值S。被检测点油气浓度值参数的时间序列三角模糊数神经网络的数学模型可表示为:
S=f(x(t),x(t-1),…,x(t-d+1),x(t-d)) (3)
检测点温度传感器对应的时间序列三角模糊数神经网络模型2和检测点烟雾传感器对应的时间序列三角模糊数神经网络模型3的设计方法类似于时间序列三角模糊数神经网络模型1。
②、三角模糊数预测模块
三角模糊数预测模块包括3个DRNN神经网络预测模型和3个相空间重构技术的Elman神经网络预测模型,3个DRNN神经网络预测模型1、DRNN神经网络预测模型2和DRNN神经网络预测模型3分别对时间序列三角模糊数神经网络模型1输出S三角模糊数的被检测点参数下限值a、被检测点参数可能值b和对被检测点参数上限值c进行预测;3个相空间重构技术的Elman神经网络预测模型1、相空间重构技术的Elman神经网络预测模型2和相空间重构技术的Elman神经网络预测模型3分别对被检测点的三角模糊数S的下限值a与DRNN神经网络预测模型1输出的残差、被检测点被检测点的三角模糊数S可能值b与DRNN神经网络预测模型2输出的残差和对被检测点的被检测点的三角模糊数S上限值c与DRNN神经网络预测模型3的输出的残差进行预测;3个DRNN神经网络预测模型1、DRNN神经网络预测模型2和DRNN神经网络预测模型3的输出分别和3个相空间重构技术的Elman神经网络预测模型1、相空间重构技术的Elman神经网络预测模型2和相空间重构技术的Elman神经网络预测模型3的输出分别相加得到的和分别为被检测点的三角模糊数S油气浓度下限值a预测值、被检测点的被检测点的三角模糊数S油气浓度可能值b预测值和被检测点的油气浓度上限值c预测值,并构成了三角模糊数预测值,即为s'为[a',b',c']。3个相空间重构技术的Elman神经网络预测模型1、相空间重构技术的Elman神经网络预测模型2和相空间重构技术的Elman神经网络预测模型3对3个DRNN神经网络预测模型1、DRNN神经网络预测模型2和DRNN神经网络预测模型3分别预测时间序列三角模糊数神经网络模型1输出S三角模糊数a、b和c进一步残差预测进行补偿,提高了预测a、b和c准确性。
Ⅰ、DRNN神经网络预测模型设计
DRNN神经网络预测模型是一种具有反馈的动态回归神经网络和适应时变特性的能力,该网络能够更直接生动地反映被预测参数动态变化性能,可以更加精确分辨被预测参数的动态变化状态,DRNN神经网络预测模型是4-10-1的3层网络结构,其隐层为回归层。在本发明DRNN神经网络预测模型中,设I=[I1(t),I2(t),…,In(t)]为DRNN神经网络预测模型1输入向量,即为被检测单元的三角模糊数油气浓度S下限值a的时间序列值,其中Ii(t)为DRNN神经网络预测模型1输入层第i个神经元t时刻的输入,回归层第j个神经元的输出为Xj(t),Sj(t)为第j个回归神经元输入总和,f(·)为S的函数,则O(t)为DRNN网络的输出,则DRNN神经网络预测模型1的输出为:
DRNN神经网络预测模型1输出为被检测单元的三角模糊数油气浓度S下限值a初步预测值,DRNN神经网络预测模型2输出和DRNN神经网络预测模型3输出的设计方法与DRNN神经网络预测模型1类似,本发明专利的3个DRNN神经网络预测模型的输出为被检测点的油气浓度三角模糊数的初步预测值。
Ⅱ、相空间重构技术的Elman神经网络预测模型设计
由相空间重构技术和Elman神经网络构成的3个相空间重构技术的Elman神经网络预测模型1、相空间重构技术的Elman神经网络预测模型2和相空间重构技术的Elman神经网络预测模型3分别对被检测点的三角模糊数S的下限值a与DRNN神经网络预测模型1输出的残差、被检测点的三角模糊数S的可能值b与DRNN神经网络预测模型2输出的残差和对被检测点的三角模糊数S的上限值c与DRNN神经网络预测模型3输出的残差进行预测;3个相空间重构技术的Elman神经网络预测模型1、相空间重构技术的Elman神经网络预测模型2和相空间重构技术的Elman神经网络预测模型3分别用于对被检测点的三角模糊数S的下限值a、可能值b和的上限值c的残差进行预测,3个相空间重构技术的Elman神经网络预测模型经足够多的训练样本训练模拟出预测被检测点的三角模糊数S的下限值a、可能值b和的上限值c残差的变化量,从而实现对被检测点的三角模糊数S预测的补偿。
3个相空间重构的Elman神经网络预测模型的预测方法的具体步骤如下:
第1步:收集被检测点油气浓度传感器对应的时间序列三角模糊数神经网络模型1的输出三角模糊数S的的下限值a、可能值b和的上限值c分别和3个DRNN神经网络预测模型1输出值、DRNN神经网络预测模型2输出值和DRNN神经网络预测模型3输出值的3个系列差,分别构成对应a、b和c的3个残差时间序列数据。
第2步:按照常规确定最优延时常数τ及嵌入维数m。
第3步:构建Elman神经网络预测模型,Elman神经网络预测模型是一个具有局部记忆单元和局部反馈连接的前向神经网络,关联层从隐层接收反馈信号,每一个隐层节点都有一个与之对应的关联层节点连接。关联层将上一时刻的隐层状态连同当前时刻的网络输入一起作为隐层的输入作为状态反馈。隐层的传递函数一般为Sigmoid函数,关联层和输出层为线性函数。设Elman神经网络预测模型的输入层、输出层和隐层的个数分别为m,n和r;w1,w2,w3和w4分别表示结构层单元到隐层、输入层到隐层、隐层到输出层、结构层到输出层的连接权矩阵,则网络的隐含层、关联层和输出层的输出值表达式分别为:
cp(k)=xp(k-1) (6)
3个相空间重构技术的Elman神经网络预测模型1、相空间重构技术的Elman神经网络预测模型2和相空间重构技术的Elman神经网络预测模型3的输入数据为三角模糊数神经网络模型1的输出三角模糊数S的下限值a、可能值b和的上限值c分别和3个DRNN神经网络预测模型1输出值、DRNN神经网络预测模型2输出值和DRNN神经网络预测模型3输出值的3个系列差构成的3个对应a、b和c的残差时间序列数据,3个相空间重构技术的Elman神经网络预测模型1、相空间重构技术的Elman神经网络预测模型2和相空间重构技术的Elman神经网络预测模型3的输出分别为a、b和c的预测补偿值。Elman神经网络预测模型输入维数等于嵌入维数m,每个输入数据之间时间相差τ个时间点,即将a、b和c的残差时间序列数据作为Elman神经网络预测模型的输入;隐含层取单层,个数按2m+1方法确定;输出层含有一个神经元,其输出即为要预测时间点的残差预测值。若其中一个残差时间序列数据是X(t0),X(t1),…,X(ti),…,X(tn),首先使用MatlabR2012a编程对时间序列进行相空间重构,相空间重构的输出结果如下:
第4步:Elman神经网络预测模型网络训练,从a、b和c的残差时间序列原始数据中选取部分数据,进行网络训练,直到训练达到要求为止。
第5步:从a、b和c的残差时间序列原始数据中选取测试样本,若达到要求,即可进入第6步进行预测,如测试误差较大,返回第4步重新训练,或返回第3步重新设计网络结构。
第6步:选取预测时间点,应用前面建立的Elman神经网络预测模型进行预测,可由下公式得到预测值:
Y=f(X(t0+mτ),X(t1+mτ)…X(ti+mτ)…X(tn+τ)) (9)
⑵、加油站油罐区环境多点油气浓度融合模型
加油站油罐区环境多点油气浓度融合模型由油气浓度时间序列三角模糊数阵列、计算油气浓度三角模糊数预测值与理想值的相对帖近度、计算油气浓度三角模糊数融合值共3部分组成,一段时间多个参数检测单元油气浓度的三角模糊数预测值构成油气浓度时间序列三角模糊数阵列,分别计算每个检测单元的时间序列三角模糊数预测值与油气浓度时间序列三角模糊数阵列的正理想值的距离和每个检测单元的时间序列三角模糊数预测值与油气浓度时间序列三角模糊数阵列的负理想值的距离,分别计算每个检测单元的时间序列三角模糊数预测值的负理想值的距离除以每个检测单元的时间序列三角模糊数预测值的负理想值的距离与每个检测单元的时间序列三角模糊数预测值的正理想值的距离的和得到的商为每个检测单元的时间序列三角模糊数值的相对贴近度,每个检测单元的时间序列三角模糊数值的对贴近度除以所有检测单元的时间序列三角模糊数值的对贴近度的和得到的商为每个检测单元的时间序列三角模糊数的融合权重,每个检测单元的时间序列三角模糊数值与该检测单元的时间序列三角模糊数的融合权重的积的和得到多个检测点的时间序列三角模糊融合值;加油站油罐区环境多点油气浓度融合模型算法如下:
①、构建油气浓度的时间序列三角模糊数预测值阵列
一段时间多个参数检测单元油气浓度的三角模糊数预测值构成油气浓度时间序列三角模糊数阵列,设有n个检测点和m个时刻的nm个参数检测单元的三角模糊数预测值构成n行和m列的油气浓度时间序列三角模糊数阵列,设不同时刻不同参数检测单元油气浓度的模糊三角数预测值为Xij(t),Xij(t+1),…,Xij(d),则油气浓度时间序列三角模糊数阵列为:
②、计算油气浓度三角模糊数预测值与正理想值和负理想值的相对帖近度
同一时刻所有检测单元油气浓度的三角模糊数预测值的平均值构成该时刻的油气浓度时间序列三角模糊数阵列的正理想值,时间序列三角模糊数正理想值为:
同一时刻检测单元油气浓度的三角模糊数预测值与该时刻的正理想值的距离最大的三角模糊数预测值构成该时刻油气浓度时间序列三角模糊数阵列的负理想值,时间序列三角模糊数负理想值为:
每个检测单元的时间序列三角模糊数预测值与油气浓度时间序列三角模糊数阵列的正理想值的距离为:
每个检测单元的时间序列三角模糊数预测值与油气浓度时间序列三角模糊数阵列的负理想值的距离为:
每个检测单元的时间序列三角模糊数预测值的负理想值的距离除以每个检测单元的时间序列三角模糊数预测值的负理想值的距离与每个检测单元的时间序列三角模糊数预测值的正理想值的距离的和得到的商为每个检测单元的时间序列三角模糊数值的相对贴近度为:
③、计算油气浓度三角模糊数融合值
通过(15)公式计算可以知道,每个检测单元的时间序列三角模糊数值与油气浓度时间序列三角模糊数阵列的正理想值和负理想值的相对贴近度越大,则该检测单元的时间序列三角模糊数值离正理想值相对就越接近,否则该检测点的时间序列三角模糊数值离正理想值相对就越接远离,根据这个原理确定每个检测单元的时间序列三角模糊数值的对贴近度除以所有检测单元的时间序列三角模糊数值的对贴近度的和得到的商为每个检测单元的时间序列三角模糊数的融合权重为:
根据每个检测单元的时间序列三角模糊数值与该检测单元的时间序列三角模糊数的融合权重的积的和得到多个检测点的时间序列三角模糊融合值为:
⑶、多个基于GRNN神经网络传感器状态分类器组成
多个基于GRNN神经网络传感器状态分类器由每个检测单元对应的每个基于GRNN神经网络传感器状态分类器组成,每个基于GRNN神经网络传感器状态分类器根据油气传感器发生故障的工程实践经验和油气传感器输出信号的动态变化状态,将油气传感器的分为5种工作状态分别为正常状态、干扰故障、短路故障、漂移故障、冲击故障,它们分别用不同的三角模糊数表示;每个三角模糊数的相空间重构技术的Elman神经网络预测模型1、相空间重构技术的Elman神经网络预测模型2和相空间重构技术的Elman神经网络预测模型3的输出作为对应的基于GRNN神经网络传感器状态分类器的输入来对对应检测点的油气浓度传感器工作状态进行分类,每个基于GRNN神经网络传感器状态分类器的出为代表油气浓度传感器的三角模糊数,计算该三角模糊数与代表油气传感器的5种工作状态的三角模糊数的相似度,其中相似度最大的三角模糊数对应的油气传感器的工作状态即为该检测单元油气浓度传感器当前工作状态。
广义回归神经网络GRNN(Generalized Regression Neural Network)是一种局部逼近网络。它是建立在数理统计的基础上,具有明确的理论依据,学习样本确定后网络结构和连接值也随之确定,在训练过程中只需要确定平滑参数一个变量。GRNN神经网络的学习全部依赖数据样本,具有很强的非线性映射和柔性网络结构以及高度的容错性和鲁棒性,特别适用于函数的快速逼近和处理不稳定的数据。GRNN的人为调节参数很少,网络的学习全部依赖数据样本,这一特性使得网络可以最大限度地减少人为主观假定对预测结果的影响。GRNN神经网络具有小样本下训练快速、鲁棒性强等特征,基本不受输入数据多重共线性的困扰。本专利构建的GRNN神经网络传感器状态分类器由输入层、模式层、求和层和输出层构成,GRNN神经网络传感器状态分类器输入向量X为n维向量X={x1,x2,…,xn}T,即为相空间重构技术的Elman神经网络预测模型1、相空间重构技术的Elman神经网络预测模型2和相空间重构技术的Elman神经网络预测模型3的输出;GRNN神经网络传感器状态分类器输出向量Y为k维向量Y={y1,y2,…,yk}T,即为代表油气浓度传感器的工作状态的三角模糊数k为3。模式层神经元数目等于训练样本的数目m,模式层神经元传递函数pi为:
pi=exp{-[(x-xi)T(x-xi)]/2σ},(i=1,2,…,m) (16)
上式中的GRNN神经网络输出进入求和层进行求和,求和层函数分为两类,分别为:
其中,yij为第i个训练样本输出向量中的第j个元素值。根据前述GRNN神经网络算法,则网络输出向量Y的第j个元素的估计值为:
yj=sNj/sD,(j=1,2,…k) (19)
GRNN神经网络传感器状态分类器建立在数理统计基础之上,能够根据样本数据逼近其隐含的映射关系,网络的输出结果能够收敛于最优回归面,特别是在样本数据稀少的情况下,也能获得满意的预测效果。GRNN神经网络传感器状态分类器具有较强的分类能力,学习速度快,主要用于解决函数逼近问题而且在结构方面也具有高度并行性。
根据被检测单元的油气浓度传感器工作状态的工程实践和和油气传感器输出信号的动态变化状态,建立评估油气浓度传感器的5种工作状态的语言变量与三角模糊数对应关系表,见表1所示。
4、加油站油罐区环境参数采集平台的设计举例
根据加油站油罐区环境的状况,系统布置了检测节点1和现场监控端2的平面布置安装图,其中检测节点1均衡布置在被检测加油站油罐区环境中,整个系统平面布置见图6,通过该系统实现对加油站油罐区环境参数的采集与加油站油罐区环境多个油气浓度传感器工作状态进行分类。
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。