液化天然气分层与涡旋监测报警装置
技术领域
本发明属于监测报警装置领域,尤其涉及一种液化天然气(LNG)分层与涡旋监测报警装置。
背景技术
将天然气液化,其体积将缩小到原来的1/625,有利于储存和运输,故液化天然气(LNG)已成为天然气储运的一种重要方式。我国已拟在广东、福建、浙江等地建立LNG接收站。但是,在LNG储运过程中存在着涡旋振动、泄露扩散、爆炸燃烧等安全性问题。而对LNG安全性的研究,涉及工程热物理、制冷技术、安全工程、非线性动力系统、非平衡态热力学、人工智能等多个学科领域,因此有必要将LNG储运系统,视为一个动力系统,从最基本的质能传递关系式出发,围绕其非线性特征,揭示事故发生的规律,然后利用人工智能技术,联系多种相关因素,形成其安全性的有关监测方法。
LNG涡旋,是因不同组分的密度差异或因氮先蒸发而分层,或自动分层后,发生的液层间强烈的混合现象。在已有的一些研究中,对该问题的解释是:密度较大的液体积聚在贮罐底部,而密度较小的液体处于贮罐顶部,底部液体因受到上面液体重力的作用,压力高于上部液体,对应的蒸发温度相应提高,且底部LNG具有一定的过冷度,蒸发速度较上部液体慢。而外界热量总是不断由外向内传递,底部液体获得热量,使其温度升高,密度减小,当底部液体密度等于或小于上部液体密度时,分层平衡将被破坏,形成所谓的“翻腾”(Rollover),引起液体蒸发率剧增和涡旋,两个液层就会发生强烈混合,从而引起储槽内过热的液化天然气大量蒸发引发事故。已有的研究可以定性说明LNG分层、涡旋、振动的原因,但对内部流动、混合过程却缺乏数学描述和定量计算。
LNG涡旋是典型的非线性问题,大涡旋串级成小涡旋的过程是典型的分形,可以运用分形理论的间歇性、分数维、标度指数等概念来描述,以利于对涡旋和振动强度的定量预测。同时,因为不同密度差形成液体内部的对流运动,与大气热对流,火灾中烟气羽流等有一定的类似性。美国气象学家Lorenz曾对热对流运动的偏微分方程进行了求解,发现热对流动力系统有混沌解。故此拟用混沌学来描述液化天然气内部对流,这将有利于对这一非线性动力系统的运动,状态和规律做出定量的判断。目前,还没有关于LNG涡旋分形、对流混沌的报道,也没有关于LNG分层与涡旋的监测装置。
而涡旋是液化天然气储存过程中容易引发事故的一种现象,从20世纪70年代世界液化天然气工业兴起以来,已发生过多起由涡旋引发储存失稳的事故,其中影响最大的有两起:一起是1971年8月21日发生在意大利La Spezia的SNAM LNG储配站的事故,在储槽充注后18h,罐内压力突然上升,安全阀打开,有318m3液化天然气被汽化放空;另一起有重要影响的是1993年10月发生在英国燃气公司(British Cas)一处LNG储配站的事故,在发生事故时,压力迅速上升,两个工艺阀门首先被开启,随后紧急放散阀也被开启,大约150t天然气被排空。此外,还有多起关于LNG涡旋事故的报道。
鉴于此,有必要开发一种液化天然气分层与涡旋监测报警装置,在LNG刚发生了分层,还没有形成强烈涡旋之前,就给出预警,采取措施,预防事故发生。
发明内容
本发明的目的在于克服现有技术存在的缺点,提供一种测量精确、判断准确、预报及时的液化天然气(LNG)分层与涡旋监测报警装置。
本发明传递的参数充分反映LNG状态参数的变化过程,而不同于传统的阈值法,这些参数变化过程与本发明所建立的参照模式对比,做出LNG分层与涡旋的判断,同时将系统每一次所做出的LNG分层与涡旋情况判断和预警准确率反馈回LNG分层与涡旋数据库及管理系统,人工神经网络技术将反馈的数据进行自学习,使装置具有自学习功能,使LNG分层与涡旋预测预报具有准确性和及时性。
本发明通过下述技术方案实现:
本发明的液化天然气分层与涡旋监测报警装置包括信号探测器、计算机,还包括分层与涡旋数据库及管理系统、信号过程传递模块、分层与涡旋报警控制器、参照模式模块和警报装置;所述计算机内存有分层与涡旋数据库及管理系统,分层与涡旋数据库及管理系统把从信号探测器接收来的信号变化历程经过处理后通过信号过程传递模块传给分层与涡旋报警控制器,分层与涡旋报警控制器将从信号过程传递模块过来的信号变化历程与参照模式模块进行对比,做出分层与涡旋是否发生的判断,再根据这种判断决定警报装置是否给出警报信号;若发生分层与涡旋,警报装置将分层与涡旋报警控制器所做出的预警判断和警报装置中的分层与涡旋报警记录对比得到的准确率反馈回分层与涡旋数据库及管理系统,人工神经网络技术将反馈回的数据进行自学习,不断修正样本集和判别规则,进而完善液化天然气分层与涡旋参照模式模块。
所述分层与涡旋报警控制器为智能型报警器,其还含有手动报警按钮,可在控制器没有自动给出准确报警信号时人为启动警报装置。
警报装置包括分层与涡旋报警记录、声光警报装置、报警电话、分层与涡旋事故广播和报警联动控制系统,可分别发出不同的警报。
所述分层与涡旋数据库及管理系统存储有关于液化天然气储罐充注量、充注前后两种液化天然气性质(密度、压力及沸点)及组成、各组分蒸发速率、储罐液位和尺寸因子、储存时间、涡旋发生记录和液化天然气分层与涡旋预测模型,产生基于模糊理论和人工神经网络训练的液化天然气分层与涡旋参照模式模块,同时具有查询、数据分析、知识发现的功能。
液化天然气分层与涡旋预测模型包括基于Bernard对流、混沌学和耦合映象格子的遭受外部热源侵袭下的液相主流区内部运动的湍流模型;基于分形几何学的分层形成后对产生涡旋强度的定量预测;基于突变论的液化天然气过热度达到失稳过热度后,在外部扰动下迅速到达极限过热度,液化天然气将不可逆返的全部汽化的闪蒸模型。
所述的基于模糊理论和人工神经网络训练的液化天然气分层与涡旋参照模式是通过分层与涡旋数据库及管理系统得到关于分层与涡旋的样本集,并由人工神经网络技术进行模拟训练得到,并结合模糊理论,确定了液化天然气分层与涡旋判别规则和参照模式。
所述的数据分析、知识发现的功能具有知识发现的过程,将每一次液化天然气分层与涡旋报警控制器所做出的预警判断和分层与涡旋报警记录对比得到的准确率反馈回分层与涡旋数据库及管理系统,人工神经网络技术将反馈回的数据进行自学习和对数据进行知识发现(KDD),不断修正样本集和判别规则,进而完善液化天然气分层与涡旋参照模式模块;最后反馈回来的数据存放在分层与涡旋数据库及管理系统中,作为以后判别的数据基础。
本发明与现有技术相比,具有如下优点和有益效果:
(1)本发明引入非线性动力学理论和研究方法对液化天然气分层与涡旋机理进行基础理论研究所得到的分层与涡旋预测模型,对其复杂性和不确定性有了定量的计算,揭示了LNG分层与涡旋的非线性本质特征,大大增强了样本集的可靠性;
(2)本发明运用人工神经网络技术,能模拟液化天然气分层与涡旋预测模型,输出有界的非线性映射,以构成描述液化天然气分层与涡旋的非线性模型,具有高度容错性;
(3)本装置与计算机系统并行处理,运行速度快,反应时间短;
(4)本装置所建立的液化天然气分层与涡旋数据库及其管理系统和数据挖掘系统,具有较好的自学习能力,实现准确、及时的液化天然气分层与涡旋预警。
附图说明
图1是本发明的液化天然气分层与涡旋监测报警装置的原理示意图;
图2是图1的具体示意图,给出了警报装置的具体组成;
图3是图1的知识发现KDD系统模型结构图;
图4是图1的分层与涡旋数据库及管理系统中知识发现的处理过程示意图。
具体实施方式
为了更好地理解本发明,下面结合附图对本发明作进一步地描述,但本发明的实施方式不限于此。
如图1和2所示,本发明的液化天然气分层与涡旋监测报警装置包括信号探测器1、计算机2、分层与涡旋数据库及管理系统3、信号过程传递模块4、分层与涡旋报警控制器5、参照模式模块7和警报装置8;计算机2内存有分层与涡旋数据库及管理系统3,分层与涡旋数据库及管理系统3把从信号探测器1接收来的信号变化历程经过处理后通过信号过程传递模块4传给分层与涡旋报警控制器5,分层与涡旋报警控制器5将从信号过程传递模块4过来的信号变化历程与参照模式模块7进行对比,做出分层与涡旋是否发生的判断,再根据这种判断决定警报装置8是否给出警报信号;若发生分层与涡旋,警报装置8将分层与涡旋报警控制器5所做出的预警判断和警报装置8中的分层与涡旋报警记录8.1对比得到的准确率反馈回分层与涡旋数据库及管理系统3,人工神经网络技术将反馈回的数据进行自学习,不断修正样本集和判别规则,进而完善液化天然气分层与涡旋参照模式模块7。
分层与涡旋报警控制器5为智能型报警器,其还含有手动报警按钮6,可在控制器没有自动给出准确报警信号时人为启动警报装置8;警报装置8包括分层与涡旋报警记录8.1、声光警报装置8.2、报警电话8.3、分层与涡旋事故广播8.4和报警联动控制系统8.5,可分别发出不同的警报。
分层与涡旋数据库及管理系统3存储有关于液化天然气储罐充注量、充注前后两种液化天然气性质(密度、压力及沸点)及组成、各组分蒸发速率、储罐液位和尺寸因子、储存时间、涡旋发生记录和液化天然气分层与涡旋预测模型,产生基于模糊理论和人工神经网络训练的液化天然气分层与涡旋参照模式,同时具有查询、数据分析、知识发现的功能;液化天然气分层与涡旋预测模别包括基于Bernard对流、混沌学和耦合映象格子的遭受外部热源侵袭下的液相主流区内部运动的湍流模型;基于分形几何学的分层形成后对产生涡旋强度的定量预测;基于突变论的液化天然气过热度达到失稳过热度后,在外部扰动下迅速到达极限过热度,液化天然气将不可逆返的全部汽化的闪蒸模型;基于模糊理论和人工神经网络训练的液化天然气分层与涡旋参照模式是通过分层与涡旋数据库及管理系统3得到关于分层与涡旋的样本集,并由人工神经网络技术进行模拟训练得到,并结合模糊理论,确定了液化天然气分层与涡旋判别规则和参照模式;数据分析、知识发现的功能具有知识发现的过程,将每一次液化天然气分层与涡旋报警控制器5所做出的预警判断和分层与涡旋报警记录对比得到的准确率反馈回分层与涡旋数据库及管理系统3,人工神经网络技术将反馈回的数据进行自学习和对数据进行知识发现(KDD),不断修正样本集和判别规则,进而完善液化天然气分层与涡旋参照模式;最后反馈回来的数据存放在分层与涡旋数据库及管理系统3中,作为以后判别的数据基础。
本发明具体操作过程原理如下:
本发明通过信号探测器1把现场探测和调查得到的液化天然气的性质及组成、储罐尺寸因子、储存时间、分层、涡旋发生记录等数据经液化天然气分层与涡旋数据库及管理系统3预处理,再将物理量信号的变化过程通过信号过程传递模块4传送给分层与涡旋报警控制器5,分层与涡旋报警控制器5将这种信号变化历程与液化天然气分层与涡旋数据库及管理系统3事先储存的,由数值计算、人工神经网络技术自学习或现场调研得到的参照模式模块7进行相互比较,做出分层与涡旋是否发生的判断,再根据这种判断决定是否给出警报信号,判断有信号之后,将信号传递给声光警报装置8.2、报警电话8.3、分层与涡旋事故广播8.4和报警联动控制系统8.5,有关人员收到报警后采用输出部分液体或其他紧急措施来消除分层;通过手动报警按钮6人为地对分层与涡旋报警控制器5做出反应使警报有效地实施,同时对系统每一次所做出的分层与涡旋灾情判断和报警准确率反馈回液化天然气分层与涡旋数据库及管理系统3,人工神经网络技术将反馈回的数据进行自学习,不断修正样本集和判别规则,进而完善液化天然气分层与涡旋参照模式模块7;最后反馈回来的数据存放在分层与涡旋数据库及管理系统3中,作为以后液化天然气分层与涡旋的判别数据基础。
分层与涡旋数据库及管理系统3的形成过程如下:液化天然气分层与涡旋是一门涉及传热、传质、流动、相变、传感、自控、液化天然气(包括其低温特性及液体特征)等多学科的交叉学科。首先必须掌握有关液化天然气组成、各组分的沸点及蒸发速率、储罐尺寸因子;然后建立因充注、老化或热侵袭产生的分层及分层区内部对流模型;分层后底部液体因漏热而形成过热,在一定条件下迅速上升到表面引起剧烈闪蒸模型;并预测涡旋及振动的强度及储罐内压力增量;最终构造考虑各种相关因素的液化天然气分层、涡旋预测、预报模型。分层与涡旋过程包括:储罐内液化天然气分层后,外界能量从侧面和底部传入储罐内,各自独立的热对流产生、发展,主流区与分层区之间的传热与传质,各层的温度、密度和组成随时间变化,当相邻两层密度近似相等时分层界而收到扰动进而破坏,两个液层之间会发生强烈的混合,储罐内压力急剧增高及蒸发率剧增。液化天然气的分层、涡旋的复杂性在于它受多种因素影响,涉及湍流流动的过程,而湍流本身就是一个强烈的非线性过程,难以用经典流体力学的方法得到其确定解;及涡旋时的分形特性、蒸发量大幅度增加的突变过程。运用非线性动力学模型来研究和描述液化天然气分层、涡旋的非线性复杂性行为,经过对其发生机理的深入研究,作为人工神经网络训练所需的可靠样本集的基础。本发明人对以下分层、涡旋模型的研究作为本发明的研究基础:基于Bernard对流、动量、能量守恒及耦合映象格子的液相主流区流动混沌特性分析;基于分形几何学的涡旋振动预测;基于突变论和范德瓦尔方程的液化天然气过热剧烈蒸发过程研究。经过获取大量关于液化天然气的性质及组成、储罐尺寸因子、储存时间、分层、涡旋发生记录等数据进行液化天然气分层、涡旋的自组织临界性行为的研究。建立分层、涡旋预测模型,导出涡旋产生的热力条件。通过对典型条件深入机理分析,及基于尖点突变模型、Bernard对流模型、耦合映象格子模型的数学物理模拟和数值模拟,来揭示和描述液化天然气分层、涡旋的特点和规律。
本发明的液化天然气分层与涡旋参照模式模块7的生成过程如下:
液化天然气分层与涡旋现象具有多变性。分层形成、发展过程中,各物理量在总体上表现出一定的规律性,而某一物理量或多个物理量的瞬时值却往往表现出一定的随机性,具有不确定性。储罐的尺寸、充注液化天然气量及其成分、性质、储存时间等多种因素都影响到分层与涡旋现象。这样,实际探测到分层产生时液相区中主流区和分层区之间的温差中往往难以与经验值(0.2K)完全吻合,这就要求模式识别过程具有较强的模糊类比、识别和容错能力。模糊理论、人工神经网络具有样本自学习能力、高容错性,是实现复杂模式分类与辩识的有效工具。人在认识和处理事物时,所使用的逻辑往往不是绝对的“是”与“非”的二值逻辑,即,判别一个事件对于某一范畴的从属程度,不是绝对的“1”,也不是绝对的“0”,而常常是界于“1”与“0”之间,这正是模糊逻辑——连续多值逻辑的特征。人工神经网络技术,是目前世界上最突出的智能化理论,其自适应、自学习的功能能够很好地模拟非线性系统的特征。将模糊逻辑理论、人工神经网络与上述的液化天然气分层、涡旋理论和基础数据等有机结合,形成真正的智能报警技术。由信号探测器1、调研、理论计算得到了关于液化天然气分层与涡旋的样本集,通过该样本集利用人工神经网络技术进行训练,形成具有样本自学习能力、高容错性、实现复杂模式分类与辩识的高效的液化天然气分层与涡旋智能监测报警装置。
本发明应用人工神经网络来训练以上所述液化天然气分层与涡旋预测模型。设计选用了含隐层的ANN结构,输入变量为经过预处理每一模型的控制变量。设计中选择了非线性关联较复杂的分层与涡旋过程中罐内液化天然气的温度作为研究对象,通过试探法来选择隐含层节点数。神经网络的训练采用改进后的误差反向传播算法(BP),采用了动态调整步长的加速技术。改进后的BP算法多数情况下能有效跳出局部极小点,而且其训练过程的饱和也是判断足否达到网络容量极限的一个有效指标。采用上述方法最终选定了三层和四层前馈神经网络模型。
至此通过对液化天然气分层与涡旋机理的基础研究、现场调研以及数值模拟,积累起有关分层、涡旋的基础数据,并由信号探测器1、调研、理论计算得到了关于分层与涡旋的样本集,通过该样本集应用人工神经网络技术进行训练,并建立分层与涡旋数据库及管理系统3;提取分层与涡旋温度信号特征值,构成人工智能训练得到的判别规则和参照模式模块7;本发明人根据实际实验得出了预期可靠的监测报警效果。
下面结合图3和图4对本发明的液化天然气分层与涡旋数据库中知识发现过程作进一步说明。
图3为知识发现KDD系统的结构图,本发明人将研究液化天然气分层与涡旋所得的有关数据建立分层与涡旋数据库DBF,把分层与涡旋数据库DBF在数据库管理系统DBMS进行处理,使分层与涡旋数据库可以与用户界面进行人机对话,用户界面通过计算机发出指令给KDD模块和DM模块,数据库管理系统DBMS和KDD模块以及DM模块相互进行知识发现过程。本发明人运用图4的原理把液化天然气分层与涡旋的有关数据进行知识发现,获得可靠的容错性高的判别规则。通过用户界面一方面从分层与涡旋数据库中筛选出判断分层与涡旋发生与否的目标数据,另一方面确定KDD目标,确定定KDD系统算法。定KDD系统算法对分层与涡旋目标数据进行数据挖掘(DM),对挖掘数据进行模式解释和知识评价,得到发现的知识,进行知识应用之后又收集新的数据,将新收集到的数据反馈到分层与涡旋数据库,对分层与涡旋数据库进行补充和完善。
本发明运用液化天然气分层与涡旋非线性机理、模糊理论和人工神经网络技术相结合建立起的分层与涡旋数据库及管理系统,具有自学习的能力和知识发现的过程,获得可靠的容错性高的训练样本集和判别规则,能不断自我补充和完善,有助于液化天然气分层与涡旋的机理研究和提高分层与涡旋报警智能化的程度,大大提高报警的准确性、及时性和可靠性。