CN113341066B - 基于多传感器融合技术的四氢噻吩浓度的在线检测方法及系统 - Google Patents
基于多传感器融合技术的四氢噻吩浓度的在线检测方法及系统 Download PDFInfo
- Publication number
- CN113341066B CN113341066B CN202110565363.XA CN202110565363A CN113341066B CN 113341066 B CN113341066 B CN 113341066B CN 202110565363 A CN202110565363 A CN 202110565363A CN 113341066 B CN113341066 B CN 113341066B
- Authority
- CN
- China
- Prior art keywords
- value
- tetrahydrothiophene
- output
- detection
- weight
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
Abstract
本发明公开了一种基于多传感器融合技术的四氢噻吩浓度的在线检测方法及系统,该检测系统包含:主管道,其两端分别设置有:前部气体切换阀和后部气体切换阀,该前部气体切换阀的前端与天然气进气管道连接,该后部气体切换阀与天然气排出管道连接;流量控制模块,其设置在前部气体切换阀和后部气体切换阀之间;检测模块,其设置在流量控制模块和后部气体切换阀之间;温度控制模块,其设置在主管道的外壳上;处理器,其与检测模块、温度控制模块、流量控制模块、前部气体切换阀和后部气体切换阀均通过总线连接。本发明的方法通过多传感器综合直接测量与算法补偿的方式,具有检测选择性好,检测精度高,能够进行实时监测,实时报警等优点。
Description
技术领域
本发明涉及一种四氢噻吩浓度的在线检测方法,具体涉及一种基于多传感器融合技术的四氢噻吩浓度的在线检测方法及系统。
背景技术
由于天然气无色无味,易燃易爆的物理特性,极易发生不易察觉的气体泄露,导致燃气中毒、火灾、爆炸等安全事故,致使人民财产安全乃至生命安全的损失。为避免企业以及人民因燃气泄露问题造成生命及财产的损失,根据燃气行业的规范和标准,如《天然气》GB17820-2012、《城镇燃气加臭技术规程》GJJ/T 148-2010、《城镇燃气管理条例》、《城镇燃气技术规范》GB 50494-2009、《城镇燃气设计规范》GB50028-2006等均对城镇燃气加臭提出要求。
目前,国内天然气中添加的加臭剂以四氢噻吩为主,根据规程要求管网起始端推荐加臭量为20mg/m3,四氢噻吩浓度达到8mg/m3时符合警示要求,为确保燃气管线终端用户加臭剂含量在国家标准范围内,需对燃气终端用户的加臭剂含量进行准确测量。由于实际工作中环境因素以及天然气中含硫物质的交叉干扰等因素对检测准确度的影响,有效提高四氢噻吩的检测准确度仍是一个需要解决的问题。
目前广泛使用的基于电化学原理的加臭检测方式,电化学加臭检测仪器一般由传感电极(或工作电极)和反电极组成,被测气体在传感器内部发生反应并产生与气体浓度成正比的电信号。由于天然气中除四氢噻吩外还含有多种含硫物质也会与传感器电极发生氧化还原反应,导致四氢噻吩的检测浓度偏高或偏低。另外,由于检测环境如温度、压力、湿度、流量等因素发生变化也会对检测结果造成影响,同时管道材料的吸附作用导致管道内部气体残余从而致使检测仪器准确度降低。外界环境如温度、压力、湿度等因素以及天然气流量等客观因素也会对四氢噻吩浓度的检测造成干扰。
发明内容
本发明的目的是提供一种基于多传感器融合技术的四氢噻吩浓度的在线检测方法及系统,通过多传感器综合直接测量与算法补偿的方式,具有检测选择性好,检测精度高,能够进行实时监测,实时报警等优点。
为了达到上述目的,本发明提供了一种基于多传感器融合技术的四氢噻吩浓度的在线检测方法,该检测方法针对采用四氢噻吩传感器、硫化氢传感器、甲硫醇传感器和甲硫醚传感器对天然气管道检测获得的检测信号通过处理器进行智能诊断,对得到的流量电平信号进行分析,诊断管道内部是否有气体通过,是否存在停气行为导致系统无效检测;该方法采用BP神经网络建立预测模型,用于四氢噻吩浓度的预测。
所述BP神经网络由输入层﹑输出层和隐藏层组成,建立预测模型的方法,包含:
(S100)将训练模式的输入值通过神经网络进行正向传播,以得到传播的输出值,利用训练模式的目标值与输出值的误差通过神经网络进行反向传播,以生成所有输出层和隐含层神经元的误差,从而获得各层单元的误差信号,误差信号作为修正各单元权值的依据;
设输入层神经元数目为m,隐含层神经元数目为l,输出层神经元数目为n,隐藏层的激活函数采用S型传递函数,为:
设一样本对(X,Y),其中输入值X=[x1,x2,…,xm]',表示标定时四氢噻吩实测值浓度、甲硫醇实测值浓度、甲硫醚实测值浓度、硫化氢实测值浓度,真实输出值Y=[y1,y2,…,yn]',表示校正后的四氢噻吩浓度;隐含层神经元O=[O1,O2,…O3],输入层与隐含层神经元间的网络权值矩阵W1和隐含层与输出层神经元间的网络权值W2分别为:
隐含层神经元的阈值θ1和输出层神经元的阈值θ2分别为:
则隐含层神经元的输出为:
输出层神经元的输出为:
(S200)进行权重更新,输出误差乘以输入权值,得到权重的梯度,使阈值调整沿着误差函数下降最快的方向;
网络输出与期望输出的误差为:
由式(5)和(6),可得权值的调整公式为:
其中,η1和η2分别为隐含层和输出层的学习步长;表示隐含层的训练误差;表示输入层与隐含层神经元间的权值修正误差之后产生新的权值;表示输入层与隐含层神经元间未修正的权值;表示隐含层与输出层神经元间的权值修正误差之后产生新的权值;表示隐含层与输出层神经元间未修正的权值;
由式(8)和(9),可得阈值的调整公式为:
所述BP神经网络的初始神经元之间的权值和阈值采用人工蜂群算法进行优化。
优选地,所述人工蜂群算法对BP神经网络的初始神经元之间的权值和阈值的优化方法,包含:
(S1)将标定时测得的四氢噻吩传感器、硫化氢传感器、甲硫醇传感器和甲硫醚传感器的信号作为神经网络的输入层,将四氢噻吩真实值作为神经网络的输出,并初始化神经网络各层间的连接权值和阈值;
(S2)初始化蜂群规模、蜜源总数、蜜源开采极限和最大迭代次数,将神经网络的连接权值和阈值作为蜂群算法中蜜源的自变量;
(S3)计算各蜜源的适应度值,把神经网络的预测四氢噻吩浓度输出值和真实值之间的误差绝对值作为蜂群中每个个体适应度值F的计算公式,为:
式(11)中,Tk-Ok为标定时四氢噻吩、硫化氢、甲硫醇和甲硫醚浓度真实值和实测值的误差值;
(S4)引领蜂按照公式(12)在可行解的附近寻找新的可行解,保留适应度值小的可行解,将四氢噻吩浓度的预测值与真实值之差小的自变量保留,相应开采度置0,反之则位置不更新:
Xi(t+1)=Xi(t)+r*(Xi(t)-Xk(t)) (12)
式中,Xi(t+1)表示新可行解的位置,Xi(t)表示旧可行解的位置,r为[-1,1]内的随机数,Xk(t)表示随机指定某个可行解位置,且K≠i,随着Xi与Xk之差越小,位置的变化也越来越小;
(S5)引领蜂将信息传达给跟随蜂,跟随蜂通过阶段因子β判断轮盘赌法的选择公式进行搜索,通过公式(14)对比附近搜索的新可行解与旧可行解的适应度值,保留适应度小的可行解位置并传递给引领蜂,进行下一轮的搜索:
式(13)和(14)中,iter为迭代过程中正进行的迭代数,maxcycle为最大迭代次数,r表示随机数,pj表示跟随蜂选择第j个可行解的概率,fitnessj是第j个可行解的适应值,N为所有可行解数;
(S6)当可行解的开采次数达到极限点limit,引领蜂变为侦查蜂,根据公式(15)重新在可选择范围内随机选择新的可行解进行开采,若未达到,则不做任何改变继续步骤S5:
Xi(t+1)=rand (15)
式(15)中,rand代表随机数;
(S7)重复步骤S3至S5,最优解即为四氢噻吩浓度的预测值与真实值之差最小时,获得相应神经网络的连接权值和阈值。
本发明的另一目的是提供一种基于多传感器融合技术的四氢噻吩浓度的在线检测系统,该检测系统采用所述的方法检测天然气管道中的四氢噻吩浓度。
优选地,该检测系统包含:主管道,其两端分别设置有:前部气体切换阀和后部气体切换阀,该前部气体切换阀的前端与天然气进气管道连接,该后部气体切换阀与天然气排出管道连接;流量控制模块,其设置在所述前部气体切换阀和后部气体切换阀之间;检测模块,其设置在所述流量控制模块和后部气体切换阀之间,包含:第一级检测单元和第二级检测单元,该第二级检测单元与第一级检测单元相连接,第二级检测单元的检测数据用于对第一级检测单元进行算法补偿,该第一级检测单元选用四氢噻吩传感器,该第二级检测单元选用硫化氢传感器、甲硫醇传感器和甲硫醚传感器;温度控制模块,其设置在所述主管道的外壳上;处理器,其与所述检测模块、温度控制模块、流量控制模块、前部气体切换阀和后部气体切换阀均通过总线连接;无线串口收发模块,其与所述处理器连接;终端,其通过所述无线串口收发模块与所述处理器无线连接,用于显示四氢噻吩的实时浓度数据;以及显示器,其与所述处理器通过总线连接,用于显示四氢噻吩的实时浓度数据。
优选地,所述检测模块和处理器之间连接有滤波放大模块和A/D转换模块,所述检测模块的输出端连接滤波放大模块的输入端,滤波放大模块的输出端连接A/D转换模块的输入端,A/D转换模块的输出端连接处理器。
优选地,所述前部气体切换阀和流量控制模块之间设置有小型气泵。
优选地,所述小型气泵的后端与脱水管道的前端连接,脱水管道的后端与流量控制模块连接,脱水管道内放置有生石灰干燥剂。
优选地,所述流量控制模块与检测模块之间的管道内设置有通风过滤网。
本发明的基于多传感器融合技术的四氢噻吩浓度的在线检测方法及系统,具有以下优点:
本发明的方法,针对现有技术缺陷,通过多传感器融合技术对检测数据进行归纳整理得到相应权值对四氢噻吩检测浓度进行补偿,大大提高了检测系统对四氢噻吩检测的准确性,并提出一种恒温、恒压、恒湿、恒流的基于多传感器的四氢噻吩检测系统,为避免检测环境对气体检测带来的不利影响,对检测系统进行了前端处理,将温度、压力、湿度、流量控制在最利于对四氢噻吩检测的范围内,以保证四氢噻吩浓度检测的可靠性和稳定性,同时搭建四氢噻吩浓度在线检测系统以实现天然气管道中四氢噻吩浓度的实时在线检测,可有效提升天然气使用的安全性。
附图说明
图1为本发明的基于多传感器融合的四氢噻吩浓度的在线检测系统的结构示意图。
图2为本发明的基于多传感器融合的四氢噻吩浓度的在线检测系统的连接关系示意图。
图3为本发明的在线检测系统中检测模块的内部示意图。
图4为本发明的在线检测系统中算法流程示意图。
具体实施方式
下面将对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
一种基于多传感器融合的四氢噻吩浓度的在线检测系统,该检测系统包含:主管道1、滤波放大模块4、温度控制模块5、处理器8、无线串口收发模块9、终端10、A/D转换模块11、显示器12、小型气泵15、脱水管道16、流量控制模块17、检测模块19。
上述主管道1的两端分别设置有:前部气体切换阀13与后部气体切换阀21,主管道1上从前部气体切换阀13到后部气体切换阀21之间依次设有流量控制模块17、检测模块19。前部气体切换阀13的前端与天然气进气管道2连接,且前部气体切换阀13和天然气进气管道2之间设置有减压阀3,从而在天然气进气管道2压力不断变化的情况下保持送入检测模块19的压力在预定范围内。后部气体切换阀21与天然气排出管道22连接,通过天然气排出管道22将检测后的天然气排出检测系统。
小型气泵15设置在前部气体切换阀13与流量控制模块17之间,小型气泵15的后端与脱水管道16的前端连接,脱水管道16的后端与流量控制模块17连接,脱水管道16内放置有生石灰干燥剂。
主管道1的外壳上设置温度控制模块5,处理器8分别与检测模块19、温度控制模块5、流量控制模块17、无线串口收发模块9、显示器12、报警模块、前部气体切换阀13和后部气体切换阀21通过总线连接。温度控制模块5测定环境温度,当主管道1的外壳内环境温度大于温度预定值T0时,温度控制模块5进行降温处理,以控制主管道1的外壳内温度,温度预定值T0保存在处理器8中。检测模块19获得的检测信号经过处理器8处理过后在显示器12进行显示的同时,通过无线收发模块9传输至终端10(上位机)进行实时显示。报警模块7根据高出或者低于浓度正常值的等级对应相对等级的报警信号进行报警,报警模块7通过无线收发串口9将报警信号7等级传输至终端10实时显示,终端10的界面还进行各通道气体数据、补偿后的数据以及气体实时检测曲线的显示。流量控制模块17对气体流量进行测量与控制,使得气体流量以恒定的气速进入检测系统内部。
检测模块19与处理器8之间还连接有滤波放大模块4和A/D转换模块11,检测模块19的输出端连接滤波放大模块4的输入端,滤波放大模块4的输出端连接A/D转换模块11的输入端,A/D转换模块11的输出端连接处理器8。
检测模块19包括:第一级检测单元23和第二级检测单元24,第二级检测单元24与第一级检测单元23相连接,第二级检测单元24的检测数据用于对第一级检测单元23进行算法补偿。第一级检测单元23选用四氢噻吩传感器,第二级检测单元24选用硫化氢传感器、甲硫醇传感器和甲硫醚传感器。
流量控制模块17与检测模块19之间的管道内设置有通风过滤网18,对气样中的颗粒物以及脱水剂进行过滤,防止此类物质进入检测模块19内部,造成气路堵塞。
本发明的检测系统,安装于燃气用户终端调压站的专用四氢噻吩检测点,可以通过外径0.8cm、内径为0.5cm的特氟龙管将燃气由燃气主管道引出,并与本发明的检测系统的主管道1连接,其使用方法具体如下:
当系统进入工作状态时,温度控制模块5对主管道1内进行预热,将主管道1内部温度控制在一定范围内后,通入天然气,待测天然气进入主管道1后首先经过脱水管道16进行脱水,脱水管道16内含有生石灰干燥剂,生石灰干燥剂具有吸水不可逆的特性,具有极好的干燥吸湿效果,成本低廉,对四氢噻吩浓度检测没有影响。由流量控制模块17对气体流量进行控制,使得气体流量以恒定的气速进入检测系统内部,再由检测模块19对各气体浓度进行检测,检测模块19测得气体浓度,模拟信号经滤波放大模块4,AD转换模块11转换为数字信号后传递给处理器8,由处理器8对得到的浓度数据进行数据补偿处理以及存储,并将补偿后的检测结果在显示器12上显示。当检测到加臭剂浓度没有达到标准浓度时,由报警模块7进行分等级报警,通过无线收发串口9将报警提示与实时浓度数据在终端10进行显示,检测结束后的天然气从天然气排出管道22排出检测系统。
待检测结束后,前部气体切换阀与后部气体切换阀21关电,小型气泵15对管道内部进行吹扫,加速管道内部残余天然气排出,避免对下一次检测结果产生影响。
本发明的检测系统的检测方法,包含:
处理器8进行智能诊断,对得到的流量电平信号进行分析,诊断管道内部是否有气体通过,是否存在停气行为导致系统进行无效检测。选用BP神经网络用于四氢噻吩浓度的预测,采用BP神经网络建立预测模型,具体如下:
(S100)第一阶段进行传播,将训练模式的输入值通过神经网络进行正向传播,以得到传播的输出值,利用训练模式的目标值与输出值的误差通过神经网络进行反向传播,以生成所有输出层和隐含层神经元的误差,从而获得各层单元的误差信号,误差信号作为修正各单元权值的依据。
BP神经网络由输入层﹑输出层和隐藏层组成,输入层神经元数目为m,隐含层神经元数目为l,输出层神经元数目为n,隐藏层的激活函数采用S型传递函数,为:
设一样本对(X,Y),其中输入值X=[x1,x2,…,xm]',表示标定时四氢噻吩实测值浓度、甲硫醇实测值浓度、甲硫醚实测值浓度、硫化氢实测值浓度(天然气中存在的主要干扰气体硫化氢、甲硫醇、甲硫醚,均会造成四氢噻吩检测准确度降低,因此需要考虑到硫化氢、甲硫醇、甲硫醚的浓度),真实输出值Y=[y1,y2,…,yn]',表示校正后的四氢噻吩浓度。
具体地,训练的时候输入传感器的四氢噻吩检测值和标气瓶里的其他气体浓度值,因为标气瓶里测得的值是单一的,且没有用传感器测其余气体,得到其他气体对THT的交叉干扰系数,将这些系数带入测试集,测试集中再输入传感器测得THT浓度,用这些系数修正传感器测量的值,得到去除交叉干扰后的值,达到矫正四氢噻吩浓度的目的。
隐含层神经元O=[O1,O2,…O3],输入层与隐含层神经元间的网络权值矩阵W1和隐含层与输出层神经元间的网络权值W2分别为:
隐含层神经元的阈值θ1和输出层神经元的阈值θ2分别为:
则隐含层神经元的输出为:
输出层神经元的输出为:
(S200)第二阶段进行权重更新,输出误差乘以输入权值,得到权重的梯度,使阈值调整沿着误差函数下降最快的方向即负梯度方向。
网络输出与期望输出的误差为:
其中,η1和η2分别为隐含层和输出层的学习步长;表示隐含层的训练误差;表示输入层与隐含层神经元间的权值修正误差之后产生新的权值;表示输入层与隐含层神经元间未修正的权值;表示隐含层与输出层神经元间的权值修正误差之后产生新的权值;表示隐含层与输出层神经元间未修正的权值。
由于BP神经网络存在一定的局限性,其初始权值w和阈值θ通常是随机产生,因此容易使得求解结果陷入局部最小值,从而影响预测结果的精确度。本发明使用人工蜂群算法(ABC)优化BP初始神经元之间的权值和阈值,具体优化过程如下:
(S1)将标定时测得的4组传感器(四氢噻吩传感器、硫化氢传感器、甲硫醇传感器和甲硫醚传感器)信号作为神经网络的输入层,将四氢噻吩真实值作为神经网络的输出,并初始化神经网络各层间的连接权值和阈值。
(S2)初始化蜂群规模,蜜源总数,蜜源开采极限,最大迭代次数,将神经网络的连接权值和阈值作为蜂群算法中蜜源的自变量。
(S3)计算各蜜源的适应度值,把神经网络的预测四氢噻吩浓度输出值和真实值之间的误差绝对值作为蜂群中每个个体适应度值F的计算公式:
式中,Tk-Ok为标定时四氢噻吩、硫化氢、甲硫醇和甲硫醚浓度真实值和实测值的误差值。
(S4)引领蜂按照下述公式在某可行解的附近寻找新的可行解,保留适应度值小的可行解,即将四氢噻吩浓度的预测值与真实值之差小的自变量保留,相应开采度置0,反之位置不更新:
Xi(t+1)=Xi(t)+r*(Xi(t)-Xk(t)) (12)
式中,Xi(t+1)表示新可行解的位置,Xi(t)表示旧可行解的位置,r为[-1,1]内的随机数,Xk(t)表示随机指定某个可行解位置,且K≠i,随着Xi与Xk之差越小,位置的变化也越来越小。
(S5)引领蜂将信息传达给跟随蜂,跟随蜂通过阶段因子β判断轮盘赌法的选择公式进行搜索,通过公式对比附近搜索的新可行解与旧可行解的适应度值,保留适应度小的可行解位置并传递给引领蜂,进行下一轮的搜索:
式(13)和(14)中,iter为迭代过程中正进行的迭代数,maxcycle为最大迭代次数,r表示随机数,pj表示跟随蜂选择第j个可行解的概率,fitnessj是第j个可行解的适应值,N为所有可行解数;
(S6)当可行解的开采次数达到极限点limit,引领蜂变为侦查蜂,根据下述公式重新在可选择范围内随机选择新的可行解进行开采,若未达到则不做任何改变继续步骤S5:
Xi(t+1)=rand (15)
式(15)中,rand代表随机数;
(S7)重复步骤S3至S5,最优解即为四氢噻吩浓度的预测值与真实值之差最小时,获得相应神经网络的连接权值和阈值。
本发明的基于多传感器融合技术的四氢噻吩浓度的高精度在线检测系统通过多传感器综合直接测量与算法补偿的方式,具有检测选择性好,检测精度高,能够进行实时监测,实时报警等优点。
尽管本发明的内容已经通过上述优选实施例作了详细介绍,但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后,对于本发明的多种修改和替代都将是显而易见的。因此,本发明的保护范围应由所附的权利要求来限定。
Claims (8)
1.一种基于多传感器融合技术的四氢噻吩浓度的在线检测方法,其特征在于,该检测方法针对采用四氢噻吩传感器、硫化氢传感器、甲硫醇传感器和甲硫醚传感器对天然气管道检测获得的检测信号通过处理器进行智能诊断,对得到的流量电平信号进行分析,诊断管道内部是否有气体通过,是否存在停气行为导致系统无效检测;该方法采用BP神经网络建立预测模型,用于四氢噻吩浓度的预测;
所述BP神经网络由输入层﹑输出层和隐藏层组成,建立预测模型的方法,包含:
(S100)将训练模式的输入值通过神经网络进行正向传播,以得到传播的输出值,利用训练模式的目标值与输出值的误差通过神经网络进行反向传播,以生成所有输出层和隐含层神经元的误差,从而获得各层单元的误差信号,误差信号作为修正各单元权值的依据;
设输入层神经元数目为m,隐含层神经元数目为l,输出层神经元数目为n,隐藏层的激活函数采用S型传递函数,为:
设一样本对(X,Y),其中输入值X=[x1,x2,…,xm]',表示标定时四氢噻吩实测值浓度、甲硫醇实测值浓度、甲硫醚实测值浓度、硫化氢实测值浓度,真实输出值Y=[y1,y2,…,yn]',表示校正后的四氢噻吩浓度;隐含层神经元O=[O1,O2,…O3],输入层与隐含层神经元间的网络权值矩阵W1和隐含层与输出层神经元间的网络权值W2分别为:
隐含层神经元的阈值θ1和输出层神经元的阈值θ2分别为:
则隐含层神经元的输出为:
输出层神经元的输出为:
(S200)进行权重更新,输出误差乘以输入权值,得到权重的梯度,使阈值调整沿着误差函数下降最快的方向;
网络输出与期望输出的误差为:
由式(5)和(6),可得权值的调整公式为:
其中,η1和η2分别为隐含层和输出层的学习步长;表示隐含层的训练误差;表示输入层与隐含层神经元间的权值修正误差之后产生新的权值;表示输入层与隐含层神经元间未修正的权值;表示隐含层与输出层神经元间的权值修正误差之后产生新的权值;表示隐含层与输出层神经元间未修正的权值;
由式(8)和(9),可得阈值的调整公式为:
所述BP神经网络的初始神经元之间的权值和阈值采用人工蜂群算法进行优化。
2.根据权利要求1所述的基于多传感器融合技术的四氢噻吩浓度的在线检测方法,其特征在于,所述人工蜂群算法对BP神经网络的初始神经元之间的权值和阈值的优化方法,包含:
(S1)将标定时测得的四氢噻吩传感器、硫化氢传感器、甲硫醇传感器和甲硫醚传感器的信号作为神经网络的输入层,将四氢噻吩真实值作为神经网络的输出,并初始化神经网络各层间的连接权值和阈值;
(S2)初始化蜂群规模、蜜源总数、蜜源开采极限和最大迭代次数,将神经网络的连接权值和阈值作为蜂群算法中蜜源的自变量;
(S3)计算各蜜源的适应度值,把神经网络的预测四氢噻吩浓度输出值和真实值之间的误差绝对值作为蜂群中每个个体适应度值F的计算公式,为:
式(11)中,Tk-Ok为标定时四氢噻吩、硫化氢、甲硫醇和甲硫醚浓度真实值和实测值的误差值;
(S4)引领蜂按照公式(12)在可行解的附近寻找新的可行解,保留适应度值小的可行解,将四氢噻吩浓度的预测值与真实值之差小的自变量保留,相应开采度置0,反之则位置不更新:
Xi(t+1)=Xi(t)+r*(Xi(t)-Xk(t)) (12)
式中,Xi(t+1)表示新可行解的位置,Xi(t)表示旧可行解的位置,r为[-1,1]内的随机数,Xk(t)表示随机指定某个可行解位置,且K≠i,随着Xi与Xk之差越小,位置的变化也越来越小;
(S5)引领蜂将信息传达给跟随蜂,跟随蜂通过阶段因子β判断轮盘赌法的选择公式进行搜索,通过公式(14)对比附近搜索的新可行解与旧可行解的适应度值,保留适应度小的可行解位置并传递给引领蜂,进行下一轮的搜索:
式(13)和(14)中,iter为迭代过程中正进行的迭代数,maxcycle为最大迭代次数,r表示随机数,pj表示跟随蜂选择第j个可行解的概率,fitnessj是第j个可行解的适应值,N为所有可行解数;
(S6)当可行解的开采次数达到极限点limit,引领蜂变为侦查蜂,根据公式(15)重新在可选择范围内随机选择新的可行解进行开采,若未达到,则不做任何改变继续步骤S5:
Xi(t+1)=rand (15)
式(15)中,rand代表随机数;
(S7)重复步骤S3至S5,最优解即为四氢噻吩浓度的预测值与真实值之差最小时,获得相应神经网络的连接权值和阈值。
3.一种基于多传感器融合技术的四氢噻吩浓度的在线检测系统,其特征在于,该检测系统采用权利要求1或2所述的方法检测天然气管道中的四氢噻吩浓度。
4.根据权利要求3所述的检测系统,其特征在于,该检测系统包含:
主管道(1),其两端分别设置有:前部气体切换阀(13)和后部气体切换阀(21),该前部气体切换阀(13)的前端与天然气进气管道(2)连接,该后部气体切换阀(21)与天然气排出管道(22)连接;
流量控制模块(17),其设置在所述前部气体切换阀(13)和后部气体切换阀(21)之间;
检测模块(19),其设置在所述流量控制模块(17)和后部气体切换阀(21)之间,包含:第一级检测单元(23)和第二级检测单元(24),该第二级检测单元(24)与第一级检测单元(23)相连接,第二级检测单元(24)的检测数据用于对第一级检测单元(23)进行算法补偿,该第一级检测单元(23)选用四氢噻吩传感器,该第二级检测单元(24)选用硫化氢传感器、甲硫醇传感器和甲硫醚传感器;
温度控制模块(5),其设置在所述主管道(1)的外壳上;
处理器(8),其与所述检测模块(19)、温度控制模块(5)、流量控制模块(17)、前部气体切换阀(13)和后部气体切换阀(21)均通过总线连接;
无线串口收发模块(9),其与所述处理器(8)连接;
终端(10),其通过所述无线串口收发模块(9)与所述处理器(8)无线连接,用于显示四氢噻吩的实时浓度数据;以及
显示器(12),其与所述处理器(8)通过总线连接,用于显示四氢噻吩的实时浓度数据。
5.根据权利要求4所述的检测系统,其特征在于,所述检测模块(19)和处理器(8)之间连接有滤波放大模块(4)和A/D转换模块(11),所述检测模块(19)的输出端连接滤波放大模块(4)的输入端,滤波放大模块(4)的输出端连接A/D转换模块(11)的输入端,A/D转换模块(11)的输出端连接处理器(8)。
6.根据权利要求4所述的检测系统,其特征在于,所述前部气体切换阀(13)和流量控制模块(17)之间设置有小型气泵(15)。
7.根据权利要求6所述的检测系统,其特征在于,所述小型气泵(15)的后端与脱水管道(16)的前端连接,脱水管道(16)的后端与流量控制模块(17)连接,脱水管道(16)内放置有生石灰干燥剂。
8.根据权利要求4所述的检测系统,其特征在于,所述流量控制模块(17)与检测模块(19)之间的管道内设置有通风过滤网(18)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110565363.XA CN113341066B (zh) | 2021-05-24 | 2021-05-24 | 基于多传感器融合技术的四氢噻吩浓度的在线检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110565363.XA CN113341066B (zh) | 2021-05-24 | 2021-05-24 | 基于多传感器融合技术的四氢噻吩浓度的在线检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113341066A CN113341066A (zh) | 2021-09-03 |
CN113341066B true CN113341066B (zh) | 2022-04-08 |
Family
ID=77471078
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110565363.XA Active CN113341066B (zh) | 2021-05-24 | 2021-05-24 | 基于多传感器融合技术的四氢噻吩浓度的在线检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113341066B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113759726B (zh) * | 2021-09-27 | 2024-02-06 | 西南石油大学 | 一种天然气加臭控制系统及其控制方法 |
CN114542989B (zh) * | 2022-03-16 | 2023-11-28 | 西南石油大学 | 一种天然气补充加臭方法及其微型加臭装置 |
CN115343348A (zh) * | 2022-07-04 | 2022-11-15 | 深圳大学 | 一种目标物浓度的检测方法、装置、设备及存储介质 |
CN115681821B (zh) * | 2022-12-13 | 2023-04-07 | 成都秦川物联网科技股份有限公司 | 用于智慧燃气设备管理的加臭自动控制方法和物联网系统 |
CN116381164B (zh) * | 2023-05-31 | 2023-08-29 | 广州香安化工有限公司 | 一种基于神经网络的燃气臭味剂浓度测量方法及装置 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB1283912A (en) * | 1968-07-01 | 1972-08-02 | Unilever Ltd | Mercapto furane and mercapto thiophene derivatives |
CN107290481A (zh) * | 2017-05-12 | 2017-10-24 | 淮阴工学院 | 一种基于无线传感器网络的牛舍环境氨气智能检测系统 |
CN107478742A (zh) * | 2017-08-09 | 2017-12-15 | 西南化工研究设计院有限公司 | 一种宽量程测定气体中硫化物的气相色谱分析系统及其方法 |
CN108896706A (zh) * | 2018-05-17 | 2018-11-27 | 华东理工大学 | 大数据驱动的恶臭气体多点集中式电子鼻仪器在线分析方法 |
CN109577892A (zh) * | 2019-01-21 | 2019-04-05 | 西南石油大学 | 一种基于井下参数的智能溢流检测系统及预警方法 |
CN109596684A (zh) * | 2019-01-16 | 2019-04-09 | 苏州天地衡遥感科技有限公司 | 一种基于rs485网络的多组分气体检测装置及方法 |
CN110320251A (zh) * | 2019-03-29 | 2019-10-11 | 西南石油大学 | 一种天然气硫化氢和四氢噻吩含量的在线检测装置和检测方法 |
CN110700810A (zh) * | 2019-09-16 | 2020-01-17 | 中海艾普油气测试(天津)有限公司 | 一种测试用钻井平台安全系统及其监测方法 |
CN111443160A (zh) * | 2020-01-23 | 2020-07-24 | 华东理工大学 | 一种气敏-气相色谱信息融合和电子鼻仪器在线分析方法 |
CN111710372A (zh) * | 2020-05-21 | 2020-09-25 | 中国医学科学院生物医学工程研究所 | 一种呼出气检测装置及其呼出气标志物的建立方法 |
CN111735911A (zh) * | 2020-06-16 | 2020-10-02 | 中国石油天然气第一建设有限公司 | 一种油气装置内微量硫化氢气体监测方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7691257B2 (en) * | 2004-04-22 | 2010-04-06 | Exxonmobil Research And Engineering Company | Process to manufacture low sulfur diesel fuels |
JP4627553B2 (ja) * | 2008-03-28 | 2011-02-09 | 株式会社日立製作所 | プラントの制御装置および火力発電プラントの制御装置 |
US8445684B2 (en) * | 2008-10-14 | 2013-05-21 | PsycoGenics Inc. | Nicotinic acetylcholine receptor ligands and the uses thereof |
US20100176351A1 (en) * | 2009-01-15 | 2010-07-15 | Ruoff Rodney S | Mixtures comprising graphite and graphene materials and products and uses thereof |
WO2016161445A1 (en) * | 2015-04-03 | 2016-10-06 | Georgia State University Research Foundation | Hydrogen sulfide precursors and conjugates thereof |
CN108760789A (zh) * | 2018-05-04 | 2018-11-06 | 杭州辛孚能源科技有限公司 | 一种原油快评方法 |
WO2019218395A1 (zh) * | 2018-05-17 | 2019-11-21 | 华东理工大学 | 一种恶臭气体多点集中式电子鼻仪器在线监测与分析方法 |
CN110017428A (zh) * | 2019-05-13 | 2019-07-16 | 广州香安化工有限公司 | 一种用于燃气臭味剂的监测系统 |
CN111368975A (zh) * | 2020-02-25 | 2020-07-03 | 东北农业大学 | 一种猪舍内多环境因子动态变化预测方法 |
-
2021
- 2021-05-24 CN CN202110565363.XA patent/CN113341066B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB1283912A (en) * | 1968-07-01 | 1972-08-02 | Unilever Ltd | Mercapto furane and mercapto thiophene derivatives |
CN107290481A (zh) * | 2017-05-12 | 2017-10-24 | 淮阴工学院 | 一种基于无线传感器网络的牛舍环境氨气智能检测系统 |
CN107478742A (zh) * | 2017-08-09 | 2017-12-15 | 西南化工研究设计院有限公司 | 一种宽量程测定气体中硫化物的气相色谱分析系统及其方法 |
CN108896706A (zh) * | 2018-05-17 | 2018-11-27 | 华东理工大学 | 大数据驱动的恶臭气体多点集中式电子鼻仪器在线分析方法 |
CN109596684A (zh) * | 2019-01-16 | 2019-04-09 | 苏州天地衡遥感科技有限公司 | 一种基于rs485网络的多组分气体检测装置及方法 |
CN109577892A (zh) * | 2019-01-21 | 2019-04-05 | 西南石油大学 | 一种基于井下参数的智能溢流检测系统及预警方法 |
CN110320251A (zh) * | 2019-03-29 | 2019-10-11 | 西南石油大学 | 一种天然气硫化氢和四氢噻吩含量的在线检测装置和检测方法 |
CN110700810A (zh) * | 2019-09-16 | 2020-01-17 | 中海艾普油气测试(天津)有限公司 | 一种测试用钻井平台安全系统及其监测方法 |
CN111443160A (zh) * | 2020-01-23 | 2020-07-24 | 华东理工大学 | 一种气敏-气相色谱信息融合和电子鼻仪器在线分析方法 |
CN111710372A (zh) * | 2020-05-21 | 2020-09-25 | 中国医学科学院生物医学工程研究所 | 一种呼出气检测装置及其呼出气标志物的建立方法 |
CN111735911A (zh) * | 2020-06-16 | 2020-10-02 | 中国石油天然气第一建设有限公司 | 一种油气装置内微量硫化氢气体监测方法 |
Non-Patent Citations (4)
Title |
---|
Influence of Tert-Butylthiol and Tetrahydrofuran on the Holographic Characteristics of a Polymer Dispersed Liquid Crystal: A Research Line Toward a Specific Sensor for Natural Gas and Liquefied Petroleum Gas;María P. Mora et,;《polymers》;20190102;第11卷;第1-14页 * |
Study on a New Electromagnetic Flow Measurement Technology Based on Differential Correlation Detection;Liang Ge et,;《sensor》;20200428;第20卷;第1-18页 * |
一种便携式四氢噻吩检测系统的研究与开发;卓勇 等,;《石油工业技术监督》;20200531;第36卷(第5期);第1-4页 * |
基于改进BP 神经网络优化的管道腐蚀速率预测模型研究;许宏良 等,;《表面技术》;20180228;第47卷(第2期);第177-181页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113341066A (zh) | 2021-09-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113341066B (zh) | 基于多传感器融合技术的四氢噻吩浓度的在线检测方法及系统 | |
CN111627181A (zh) | 融合多源参数及其梯度信息的综合管廊火灾预警方法 | |
CN110675006A (zh) | 一种室内空气质量实时监测与甲醛衰减预测系统 | |
CN105809249B (zh) | 一种基于双神经网络的pm2.5浓度检测与预测系统及方法 | |
AU2020102518A4 (en) | A method of gas sensor calibration based on linear optimization | |
US20220136994A1 (en) | Apparatus, method and sensor for measuring gas concentration | |
CN116519555A (zh) | 一种稀释法烟气监测系统 | |
CN111007035A (zh) | 基于卷积神经网络的二燃室高温气体浓度检测方法、系统、装置及存储介质 | |
CN114496104B (zh) | 一种采煤条件下采空区遗煤自燃程度评估方法及系统 | |
CN109030566A (zh) | 一种实验室气体泄漏诊断装置及方法 | |
Temple et al. | Equilibrium moisture content of tea | |
CN115236135B (zh) | 用于气体传感器的基线校准方法、控制装置和气体传感器 | |
CN101158676B (zh) | 一种评价血液及其代用品携氧、释氧功能的分析方法及装置 | |
CN112198207B (zh) | 一种甲醛检测方法及甲醛检测装置 | |
CN107576695A (zh) | 电化学气体传感器及其校准方法、空调器 | |
CN112198101A (zh) | 一种高精度pm2.5/pm10浓度连续在线检测装置 | |
CN108717098A (zh) | 一种提高混合气体浓度检测精度的方法 | |
CN116067829A (zh) | 一种火力发电厂脱硫石膏浆液密度的软测量方法及系统 | |
KR102501286B1 (ko) | 기체 센서의 이상 감지 장치 및 방법 | |
CN113836813A (zh) | 一种基于数据分析的高炉风口漏水检测方法 | |
CN113008440A (zh) | 基于遗传算法优化神经网络的柔性注液传感器检测方法 | |
CN112528566A (zh) | 基于AdaBoost训练模型的空气质量数据实时校准方法及系统 | |
CN117574681B (zh) | 基于油烟气体干扰的传感器寿命预测方法 | |
CN112903617B (zh) | 基于曲面拟合的二氧化碳气体传感器的标定方法及其系统 | |
CN217060028U (zh) | 一种天然气热值分析仪快速测量装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |