一种油罐车油气泄漏速度智能监测系统的制作方法

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速度智能监测系统。

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，成为了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、压力和是否漏油等安全信息，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，构建了一种油罐车油气泄漏速度智能监测系统。该系统由油罐车油气泄漏速度参数采集与智能预测平台和油罐车油气泄漏速度变化智能监测模型两部分组成，实现对油罐车油气泄漏速度的精确监测与预测，对提高油罐车长途运输效果起到很好的推动作用。

技术实现要素：

本发明目的是提供一种油罐车油气泄漏速度智能监测系统，该智能监测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速度智能监测系统，实现对油罐车在途参数进行检测和油罐车油气泄漏速度智能预测，其特征在于：所述智能监测系统包括油罐车油气泄漏速度参数采集与智能预测平台和油罐车油气泄漏速度变化智能监测模型；

所述油罐车油气泄漏速度参数采集与智能预测平台由多个检测节点和现场监控端组成，并以自组织方式构建成油罐车在途油气泄漏速度参数采集与智能预测平台；检测节点由传感器组模块、单片机和无线通信模块nrf2401组成，负责检测油罐车表面的温度、压力、油气浓度和油罐车速度的实际值，现场监控端实现对油罐车油气泄漏参数进行管理和对油罐车在途泄漏油气速度进行预测；

所述油罐车油气泄漏速度变化智能监测模型包括多个gm(1,1)灰色预测模型、模糊c-均值聚类算法分类器、多个经验模态分解模型、多组drnn网络预测模型和基于pso的elman网络油罐车油气泄漏速度融合模型；每个gm(1,1)灰色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gm(1,1)灰色预测模型输出进行分类，每种类型的gm(1,1)灰色预测模型输出作为经验模态分解模型的输入，每个经验模态分解模型的输出作为每组drnn网络预测模型的输入，每组drnn网络预测模型的融合预测值作为基于pso的elman网络油罐车油气泄漏速度融合模型的输入，基于pso的elman网络油罐车油气泄漏速度融合模型对多组drnn网络预测模型的融合预测值进行融合得到油罐车油气泄漏速度值。

本发明进一步技术改进方案是：

所述多个gm(1,1)灰色预测模型的输入为各个检测点油气浓度变化率，多个gm(1,1)灰色预测模型对多个检测点油气浓度变化速度进行预测，模糊c-均值聚类算法分类器根据多个gm(1,1)灰色预测模型输出值的特征值对多个gm(1,1)灰色预测模型的输出值进行分类。

本发明进一步技术改进方案是：

所述每种类型的gm(1,1)灰色预测模型输出作为各个验模态分解模型的输入，各个经验模态分解模型把每类gm(1,1)灰色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drnn网络预测模型的输入，每组各个drnn网络预测模型的输出等权重相加和得到每组drnn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：

所述多组drnn网络预测模型的融合预测值作为基于pso的elman网络油罐车油气泄漏速度融合模型的输入，基于pso的elman网络油罐车油气泄漏速度融合模型对多组drnn网络预测模型的融合预测值进行融合得到油罐车油气泄漏预测速度值。

本发明与现有技术相比，具有以下明显优点：

一、本发明采用多个gm(1,1)灰色预测模型预测油罐车泄漏油气速度变化的时间跨度长。用gm(1,1)灰色预测模型模型可以根据油罐车油气泄漏检测点监测的油气泄漏速度变化参数值预测未来时刻油罐车多个检测点油气泄漏速度值，用上述方法预测出的各个监测点油气泄漏速度后，把多个监测点油气泄漏速度值再加分别加入各个监测点油气泄漏速度的原始数列中，相应地去掉数列开头的一个数据建模，再进行预测多个监测点未来油罐车油气泄漏速度的预测。依此类推，预测出油罐车油气泄漏速度值。这种方法称为等维灰数递补模型，它可实现较长时间的预测。司机可以更加准确地掌握油罐车油气泄漏速度的变化趋势，为有效避免油气泄漏做好准备。

二、本发明根据油罐车油气泄漏速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速度多点预测样本参数进行分类，设计多个emd模型和多组drnn网络预测模型对油罐车油气泄漏速度预测的样本参数进行分别再预测，在油罐车油气泄漏速度预测连续预报过程当中,充分考虑油罐车油气泄漏速度在时空间的特性,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速度预测模型，提高预测精度。

三、本发明通过经验模态分解模型(emd)将原始变形gm(1,1)灰色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速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速度的波动成分、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速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速度变形数据，分解得到的各分量有利于drnn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drnn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。

四、本发明基于pso的elman网络油罐车油气泄漏速度融合模型是一种动态神经元网络包括输入层、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。隐含层单元的传递函数可采用线性或非线性函数。承接层又称上下文层或状态层,它用来记忆隐含单元前一时刻的输出值,可以认为是一个一步延时算子。其特点是隐含层的输出通过承接层的延时与存储,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。并且使系统的计算能力和泛化能力大为增强，实现对多组drnn网络预测模型的融合预测值的融合，获得整个油罐车油气泄漏监测点油气泄漏速度值。

五、本发明预测油罐车油气泄漏速度的分布空间范围广，本发明包括多个监测节点，可以把油罐车油气泄漏监测节点布置在油罐车车厢的上面、下面和前后侧面，可以对油罐车油气泄漏速度的同一时刻多点监测与预测，通过油罐车油气泄漏速度预测模型实现对油罐车油气泄漏多个监测点油气泄漏速度的融合，司机可以准确地预测同一时刻油罐车车厢不同监测点油气泄漏速度的空间分布状况和整个油罐车油气泄漏速度的准确值，可以根据油罐车油气泄漏的空间分布状况采用对应的策略。

附图说明

图1为本发明油罐车油气泄漏速度参数采集与智能预测平台，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速度变化智能监测模型；

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drnn网络预测模型；

图6为本发明基于pso的elman网络油罐车油气泄漏速度融合模型；

图7为本发油罐车油气泄漏速度参数采集与智能预测平台平面布置图。

具体实施方式

结合附图1-7，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速度智能监测系统，实现对油罐车罐体表面温度、压力和泄漏油气速度参数进行检测和油罐车油气泄漏速度智能预测，该系统由油罐车油气泄漏速度参数采集与智能预测平台和油罐车油气泄漏速度变化智能监测模型两部分组成。油罐车油气泄漏速度参数采集与智能预测平台包括多个检测节点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显示油罐车油气泄漏速度预测参数。整个系统结构如附图1所示。

二、检测节点的设计

本发明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、油气浓度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

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速度变化智能监测模型，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速度变化智能监测模型。该管理软件选择了microsoftvisual++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5所示。油罐车油气泄漏速度变化智能监测模型设计如下步骤：

1、多个gm(1,1)灰色预测模型的设计

灰色预测方法较传统的统计预测方法有着较多的优点，它不需要确定预测变量是否服从正态分布，不需要大的样本统计量，不需要根据油罐车油气泄漏速度输入变量的变化而随时改变预测模型，通过累加生成技术，建立统一的微分方程模型，累加油罐车油气泄漏速度原始值还原后得出预测结果，微分方程模型具有更高的预测精度。建立gm(1,1)灰色预测模型的实质是对油罐车油气泄漏速度原始数据作一次累加生成，使生成数列呈现一定规律，通过建立微分方程模型，求得拟合曲线，用以对油罐车多个监测点油气泄漏速度进行预测。

2、模糊c均值的聚类(fcm)分类器

设有限集x＝{x1,x2,…xn}是n个样本组成的集合,它们分别是油罐车油气泄漏速度多个gm(1,1)灰色预测模型输出的极大值、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之间的欧氏距离；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(2)的条件下求式(1)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gm(1,1)灰色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gm(1,1)灰色预测模型输出值分类。如附图2所示。

3、经验模态分解模型设计

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gm(1,1)灰色预测模型输出值信号的“筛分”过程步骤如下：

(1)确定gm(1,1)灰色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gm(1,1)灰色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)(5)

x(t)为gm(1,1)灰色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)(6)

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。这样就可以把每个gm(1,1)灰色预测模型输出值分解为低频趋势部分和多个高频波动部分。经验分解模型如附图2所示。

4、多组drnn网络预测模型设计

每个drnn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油罐车油罐泄漏油气动态变化性能，可以精确预测油罐车油气泄漏速度，每个drnn网络3-7-1的3层网络结构，其隐层为回归层。附图5为油罐车油罐泄漏油气速度drnn网络预测模型结构图5。在本发明drnn网络预测模型中，设i＝[i1(t),i2(t),…,in(t)]为网络输入向量，其中ii(t)为油气泄漏预测模型drnn网络输入层第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网络预测模型的输出层输出为：

各个经验模态分解模型把每类gm(1,1)灰色预测模型输出分解为低频趋势部分和多个高频波动部分作为每组drnn网络预测模型的输入，每组drnn网络预测模型实现对每类gm(1,1)灰色预测模型输出值再预测，每组各个drnn网络预测模型输出等权重累加和为每组drnn网络预测模型的融合预测值如附图5所示。

5、基于pso的elman网络油罐车油气泄漏速度融合模型设计

基于pso的elman网络油罐车油气泄漏速度融合模型如附图6所示，elman网络可以看作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。除了隐层外,还有一个特别的关联层。该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,相当于状态反馈。隐层的传递函数一般为sigmoid函数,输出层为线性函数,关联层也为线性函数。为了有效地解决故障诊断中的逼近精度问题,增强关联层的作用。在该网络中z^-1表示一步延时算子，设网络的输入层、输出层、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,则网络的表达式为:

cp(k)＝xp(k-1)(9)

设网络的理想输出为yt，实际输出为y，误差函数为：

该模型包含elman神经网络结构确定、pso算法优化和elman神经网络融合三部分。基本步骤如下：

step1、给定神经网络的m组输入、输出样本作为训练集，并将原始数据标准化；

step2、根据输入、输出参数个数确定elman神经网络结构，从而确定pso算法粒子的长度；

step3、将elman网络结构中所有神经元间的间接权值、阈值编码成实数码表示的个体。若网络中包含n个优化权值、阈值，则每个个体将由n个权值、阈值参数构成的n维向量来表示初始化粒子群；

step4、以预测误差绝对值和作为个体适应度值，并根据适应度值得到个体极值和全局极值；

step5、判断全局极值是否满足pso结束条件，若满足，退出pso寻优，转至step6；若不满足，更新每个粒子速度和位置，转至step4；

step6、译码全局极值所对应的粒子，并以此作为elman网络的初始权值、阈值；

step7、将step6中得到的最优初始权值和阈值赋给elman网络，训练并确定网络模型，用训练好的神经网络模型对多点油气变化速度进行融合。

四、油罐车油气泄漏速度参数采集与智能预测平台平面布置图

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，整个系统平面布置如附图7所示，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，通过本专利实现对油罐车油罐油气泄漏参数的采集与对在途油气泄漏速度进行预测。

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。