一种罐车的气体泄漏预警系统及方法与流程

本发明涉及一种罐车的气体泄漏预警系统及方法，属于预警系统技术领域。

背景技术：

近年来，我国工业化快速发展，易燃易爆品及化工原料的生产、运输量逐年增加。危化品运输时，相当于动态危险源，一旦发生意外，事故波及面广，会对人们的生命和财产造成极大的危害，需要一种危化品运输罐车的气体泄漏预警系统，以避免因罐车气体泄漏导致的意外交通事故。

技术实现要素：

本发明的目的在于提供一种罐车的气体泄漏预警系统及方法，以解决对罐车气体泄漏的监测和智能预警的问题。。

为达到上述目的，本发明是采用下述技术方案实现的：

第一方面，本发明提供了一种罐车的气体泄漏预警方法，方法包括如下步骤：

采集罐内的危化品安全状态参数；

将罐内的危化品安全状态参数向量化，获取危化品安全状态参数向量；

构建灰色预警预测模型；

将所述危化品安全状态参数向量输入灰色预警预测模型，获取危化品安全状态参数向量预测值；

根据危化品安全状态参数向量预测值构建罐内预测状态向量，将所述罐内预测状态向量输入模糊神经网络模型，获取预测结果；

将气体泄漏预测结果发送至车载终端。

进一步的，罐内危化品安全状态参数包括：罐内危化品压力、气体浓度、液位高度、周围环境温湿度。

第二方面，本发明还提供了一种罐车的气体泄漏预警系统，系统包括：

第一获取模块：用于将罐内的危化品安全状态参数向量化，获取危化品安全状态参数向量；

第二获取模块：用于将所述危化品安全状态参数向量输入灰色预警预测模型，获取危化品安全状态参数向量预测值；

第三获取模块：用于根据危化品安全状态参数向量预测值构建罐内预测状态向量，将所述罐内预测状态向量输入模糊神经网络模型，获取预测结果；

数据传输模块：用于将气体泄漏预测结果发送至车载终端。

进一步的，系统还包括用于采集罐内的危化品安全状态参数的数据采集模块。

进一步的，系统还包括用于构建灰色预警预测模型的模型构建模块。

本发明提供的一种罐车的气体泄漏预警系统及方法，通过采集罐内危化品安全状态参数及罐体进出料口舱门状态信息，通过灰度预测模型和模糊神经网络模型获取气体泄漏预测结果，并将气体泄漏预测结果发送至车载终端，达到对罐车气体泄漏的预警的目的。

附图说明

图1是根据本发明实施例提供的一种t-s模糊神经网络模型的结构图；

图2是根据本发明实施例提供的罐车的气体泄漏预警方法的流程图。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

本发明实施例提供了一种罐车的气体泄漏预警方法，所述方法使用上述罐车的气体泄漏预警系统实现，参照图2，所述方法包括如下步骤：

步骤1：采集罐内危化品安全状态参数及罐体进出料口舱门状态信息。

步骤2：将采集的信号输入到灰色预测模型中，获取灰色预测结果；所述灰色预测模型包括多个gm(1,1)灰色预测模型；

步骤21：构建灰色预测模型：

单个gm(1,1)灰色预测模型的建立方法包括如下步骤：

设x⁽⁰⁾为n元序列，x⁽⁰⁾＝[x⁽⁰⁾(1),x⁽⁰⁾(2),…,x⁽⁰⁾(n)],n为时间点的数量且n≥4。对x⁽⁰⁾作累加生成(accumulatinggenerationoperator,ago)，即：

x⁽¹⁾(1)＝x⁽⁰⁾(1)，x⁽¹⁾(2)＝x⁽⁰⁾(1)+x⁽⁰⁾(2)，…

得到x⁽¹⁾＝[x⁽¹⁾(1),x⁽¹⁾(2),…,x⁽¹⁾(t),…,x⁽¹⁾(n)]，x⁽¹⁾是x⁽⁰⁾的累加序列，而x⁽⁰⁾是x⁽¹⁾的累减序列,x⁽⁰⁾是初始采集到气体泄漏状态参数，x⁽¹⁾是累加之后的状态参数。x⁽¹⁾(t)表示第t个状态参数累加值，τ表示第τ个初始数据的状态参数。

根据(2)式求得z⁽¹⁾，用于对新序列x⁽¹⁾累加取均值。

z⁽¹⁾(η)＝λx⁽¹⁾(η)+(1-λ)x⁽¹⁾(η-1),η＝2,3,…,n.(2)

式中，λ是调节因子，为简化起见常取λ＝0.5,x⁽¹⁾(η)表示第η个状态参数累加值，z⁽¹⁾(η)是第η个累加均值。

建立数据矩阵b和yn，数据矩阵b和yn如公式(3)和公式(4)所示：

yn＝[x⁽⁰⁾(2),x⁽⁰⁾(3),…,x⁽⁰⁾(n)]^t.(4)

那么gm(1,1)灰度模型相应的微分方程就是其中a为发展系数，b为控制系数。通过最小二乘法推导得出a、b。

根据公式(5)计算参数a、b的值：

(a,b)^t＝(b^tb)^-1b^tyn(5)

通过常微分方程求解，可以得到预测模型的解析表达式即gm(1,1)模型的指数响应形式为：

对做累减生成：

为原始数据序列的拟合值，为下一时期的预测值。

步骤22：获取灰色预测结果：

将采集的罐内危化品压力、气体浓度、液位高度、周围环境温湿度、罐体进出料口舱门状态参数向量化，获取对应的危化品安全状态参数向量，将危化品安全状态参数向量输入根据上述步骤构建的灰色预测模型，获取危化品安全状态参数向量预测值；

步骤3：将灰色预测结果输入训练好的模糊神经网络模型中，获取下一时刻气体泄漏预测结果：

步骤31：构建模糊神经网络模型：

所述模糊神经网络模型由t-s型模糊神经网络模型组成，参照图1，模糊神经网络包括前件网络和后件网络。前件网络和后件网络分别用来匹配模糊规则的前件和后件，其中模糊神经网络的前件网络由4层组成，依次是：输入层、模糊化层、规则处理层以及输出层，针对多输出变量的情况，后件网络可由n个结构相同的并列子网络组成。

t-s模糊神经网络模型的构建方法包括如下步骤：

构建t-s模糊神经网络模型使用的模糊规则是if-then模式：

其中xk是第k个传感器输入向量，是第j个模糊子集；是权重，yj是经过模糊规则处理后的输出。

所述t-s型模糊神经网络模型的前件网络结构如下所示：

第一层为信息输入层，输入向量为：

x＝[x1,x2,…,xθ]^t(8)

θ表示输入层的节点数，本实施例中选择输入层的节点数θ＝5,

第二层为模糊化层，模糊化层用于对第一层的输入利用隶属度函数进行输入数据的模糊化处理，对每个节点计算出所属的模糊集合的隶属度值，所述隶属度函数为：采用高斯函数作为隶属度函数：

其中，为第j个模糊子集第i个节点的隶属度的中心、为第j个模糊子集第i个节点的隶属度的宽带；χ为输入参数个数即传感器个数；z为模糊子集数，1≤j≤z；1≤i≤χ。该层的节点数为m为模糊分割数。

第三层为规则处理层，规则处理层用于利用模糊规则对第二层的输出计算出每个节点适应度αq；

模糊规则为第二层计算处理的隶属度乘积：

其中：q表示模糊分割数，q＝1,2,…,n；节点总数为n3＝n。表示第k个传感器的第q个模糊分割数的隶属度值。

第四层为输出层也是归一化层，其节点数与第三层相同(n4＝n3)，用于对规则处理层计算出的适应度进行归一化，归一化公式为：

所述t-s型模糊神经网络模型的后件网络由多个子网络组成：其中表示适应度的总个数；

第一层为子网络输入层，用于将输入变量传输到第二层以提供模糊规则后件中的常数项xk，第0个节点的输入值为x0＝1，第0个节点即初始节点。

第二层为子网络，用于计算每一条规则的后件计算公式如下：

第三层为输出层：

其中，σ表示节点数。

根据以下公式对网络参数进行调整：

实际值与预测值之间的目标函数误差为：

y为已知预期值，为实际输出值，对各个权值参数的修正：

其中，ω为学习率。为第k个传感器的第j个模糊子集第i个节点的隶属度的中心，为第k个传感器的第j个模糊子集第i个节点的隶属度值，为第k个传感器的第j个模糊子集第i个节点的权重值。

步骤32：训练模糊神经网络模型：

选取采集的信号中的一部分作为训练样本集，对模糊神经网络模型进行学习和训练，经过模糊神经网络模型的训练之后，通过权值变化找出状态参数与气体泄漏发生概率之间的映射规律，完成针对气体泄漏特征的学习；

步骤33：获取罐内危化品安全状态预测结果：

将根据步骤2获取的危化品安全状态参数向量预测值构建为罐内预测状态向量，将所述罐内预测状态向量输入至根据上述步骤训练好的模糊神经网络模型中，自动生成模糊规则集和隶属度函数的参数，并提取各模糊推理规则作为相对作用的权值，模糊推理输出去模糊化后得到气体泄漏概率，所述气体泄漏概率为气体泄漏预警的依据，根据得到气体泄漏的概率，预测罐车内气体的状态，将罐内危化品安装状态进行分级，安全等级分为ⅲ级，低于0.4为ⅰ级，0.4～0.6为ⅱ级，0.6～1为ⅲ级。

步骤4：将气体泄漏预测结果发送至车载终端。

将根据步骤1至步骤3获取的罐车的气体泄漏预测结果发送至车载终端，车载终端接收罐车的气体泄漏预测结果。

本发明还提供了一种罐车的气体泄漏预警系统，用于实现上述罐车的气体泄漏预警方法，系统包括：

第一获取模块：用于将罐内的危化品安全状态参数向量化，获取危化品安全状态参数向量；

第二获取模块：用于将所述危化品安全状态参数向量输入灰色预警预测模型，获取危化品安全状态参数向量预测值；

第三获取模块：用于根据危化品安全状态参数向量预测值构建罐内预测状态向量，将所述罐内预测状态向量输入模糊神经网络模型，获取预测结果；

数据传输模块：用于将气体泄漏预测结果发送至车载终端。

进一步的，系统还包括用于采集罐内的危化品安全状态参数的数据采集模块。

进一步的，系统还包括用于构建灰色预警预测模型的模型构建模块。

本发明实施例提供的一种罐车的气体泄漏预警系统及方法，通过采集罐内危化品安全状态参数及罐体进出料口舱门状态信息，根据罐内危化品安全状态参数及罐体进出料口舱门状态信息，获取气体泄漏预测结果，并将气体泄漏预测结果发送至车载终端，达到对罐车气体泄漏的预警的目的。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。