(19)中华人民共和国国家知识产权局
(12)发明专利申请
(10)申请公布号 (43)申请公布日 (21)申请号 201711159729.3
(22)申请日 2017.11.20
(71)申请人 淮阴工学院
地址 223005 江苏省淮安市经济技术开发
区枚乘路1号
(72)发明人 赵志国 王业琴 马从国 胡晓明
陶玉凯 王磊 刘金国
(74)专利代理机构 淮安市科文知识产权事务所
32223
代理人 李锋
(51)Int.Cl.
G08B 21/16(2006.01)
G08B 29/18(2006.01)
G06Q 10/06(2012.01)
G06K 9/62(2006.01)
(54)发明名称
(57)摘要
本发明公开了一种油罐车油气泄漏智能预
警系统，实现对油罐车在途参数进行检测和油罐
括基于无线传感器网络的油罐车在途状态参数
采集与智能预警平台、油罐车油气泄漏浓度智能
漏智能预警系统，该智能预警系统实时监测油罐
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。权利要求书1页 说明书8页 附图4页CN 108091111 A 2018.05.29
C N 108091111
A
1.一种油罐车油气泄漏智能预警系统，实现对油罐车在途参数进行检测和油罐车油气泄漏浓度智能预警，其特征在于：所述智能预警系统包括基于无线传感器网络的油罐车在途状态参数采集与智能预警平台、油罐车油气泄漏浓度智能预警模型；
所述基于无线传感器网络的油罐车在途状态参数采集与智能预警平台由多个检测节点和现场监控端组成，它们以自组织方式构建成油罐车在途状态参数采集与智能预警平台；检测节点由传感器组模块、单片机以及无线通信模块NRF2401组成，负责检测油罐车表面的温度、压力以及油气浓度的实际值，现场监控端实现对油罐车在途参数进行管理和对油罐车在途泄漏油气浓度进行预警；
所述油罐车油气泄漏浓度智能预警模型包括多个NARX神经网络预测模型、模糊C -均值聚类算法分类器、多个经验模态分解模型、多组ANFIS网络预测模型、支持度矩阵、融合权重以及油气浓度等级分类器；每个NARX神经网络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NARX神经网络预测模型输出进行分类，每种类型的NARX神经网络预测模型输出作为各个经验模态分解模型的输入，每个经验模态分解模型的多个输出作为每组ANFIS网络预测模型的输入，每组ANFIS网络预测模型的融合预测值作为支持度矩阵输入求得融合权重，每组ANFIS网络预测模型的融合预测值乘以各自融合权重累加和得到油罐车油气浓度标称值，油气浓度等级分类器对油罐车油气浓度标称值进行分类。
2.根据权利要求1所述的一种油罐车油气泄漏智能预警系统，其特征在于：所述多个NARX神经网络预测模型对油罐车表面每个检测点的油气泄漏浓度进行预测，多个NARX神经网络预测模型的输入为各个检测点油气浓度，模糊C -均值聚类算法分类器根据每个检测点NARX神经网络预测模型输出特征值对多个NARX神经网络预测模型输出值进行分类。
3.根据权利要求1或2所述的一种油罐车油气泄漏智能预警系统，其特征在于：所述每种类型NARX神经网络预测模型输出作为每个经验模态分解模型的输入，各个经验模态分解模型把每类NARX神经网络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各个ANFIS网络预测模型的输入，每组各个ANFIS 网络预测模型的输出等权重相加和得到每组ANFIS网络预测模型的融合预测值。
4.根据权利要求1或2所述的一种油罐车油气泄漏智能预警系统，其特征在于：通过计算每组ANFIS网络预测模型的融合预测值两两之间的距离构建支持度矩阵，支持度矩阵每行各个值为每组ANFIS网络预测模型的融合预测值与其他组ANFIS网络预测模型的融合预测值之间的距离，支持度矩阵每行各个值的累加和的倒数与支持度矩阵所有行各个值的累
加和的倒数的比值为每组ANFIS网络预测模型的融合预测值的融合权重，每组ANFIS网络预测模型的融
合预测值乘以各自融合权重的累加和为油罐车油气泄漏浓度的标称值，油气浓度等级分类器根据油罐车油气泄漏浓度标称值的大小分为高浓度、比较高浓度、一般浓度和低浓度四个报警等级。
权 利 要 求 书1/1页CN 108091111 A
一种油罐车油气泄漏智能预警系统
技术领域
[0001]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智能预警系统。
背景技术
[0002]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、压力和是否泄漏等安全信息，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，构建了一种基于无线传感网络的油罐车在途状态监测系统。该系统由基于无线传感器网络的油罐车在途状态参数采集与智能预警平台和
油罐车油气泄漏浓度智能预警模型组成，实现对油罐车油气泄漏浓度的精确监测与预警，对提高油罐车长途运输效果起到很好的推动作用。
发明内容
[0003]本发明目的是提供一种油罐车油气泄漏智能预警系统，该智能预警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。[0004]本发明通过以下技术方案实现：
[0005]一种油罐车油气泄漏智能预警系统，实现对油罐车在途参数进行检测和油罐车油气泄漏浓度智能预警，其特征在于：所述智能预警系统包括基于无线传感器网络的油罐车在途状态参数采集与智能预警平台、油罐车油气泄漏浓度智能预警模型；
[0006]所述基于无线传感器网络的油罐车在途状态参数采集与智能预警平台由多个检测节点和现场监控端组成，它们以自组织方式构建成油罐车在途状态参数采集与智能预警平台；检测节点由传感器组模块、单片机以及无线通信模块NRF2401组成，负责检测油罐车表面的温度、压力以及油气浓度的实际值，现场监控端实现对油罐车在途参数进行管理和对油罐车在途泄漏油气浓度进行预警；
[0007]所述油罐车油气泄漏浓度智能预警模型包括多个NARX神经网络预测模型、模糊C-均值聚类算法
分类器、多个经验模态分解模型、多组ANFIS网络预测模型、支持度矩阵、融合权重以及油气浓度等级分类器；每个NARX神经网络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NARX神经网络预测模型输出进行分类，每种类型的NARX神经网络预测模型输出作为各个经验模态分解模型的输入，每个经验模态分解模型的多个输出作为每组ANFIS网络预测模型的输入，每组ANFIS网络预测模型的融合预测值作为支持度矩阵输入求得融合权重，每组ANFIS网络预测模型的融合预测值乘以各自融合权重累加和得到油罐车油气浓度标称值，油气浓度等级分类器对油罐车油气浓度标
称值进行分类。
[0008]本发明进一步技术改进方案是：
[0009]所述多个NARX神经网络预测模型对油罐车表面每个检测点的油气泄漏浓度进行预测，多个NARX神经网络预测模型的输入为各个检测点油气浓度，模糊C-均值聚类算法分类器根据每个检测点NARX神经网络预测模型输出特征值对多个NARX神经网络预测模型输出值进行分类。
[0010]本发明进一步技术改进方案是：
[0011]所述每种类型NARX神经网络预测模型输出作为每个经验模态分解模型的输入，各个经验模态分
解模型把每类NARX神经网络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各个ANFIS网络预测模型的输入，每组各个ANFIS网络预测模型的输出等权重相加和得到每组ANFIS网络预测模型的融合预测值。
[0012]本发明进一步技术改进方案是：
[0013]通过计算每组ANFIS网络预测模型的融合预测值两两之间的距离构建支持度矩阵，支持度矩阵每行各个值为每组ANFIS网络预测模型的融合预测值与其他组ANFIS网络预测模型的融合预测值之间的距离，支持度矩阵每行各个值的累加和的倒数与支持度矩阵所有行各个值的累加和的倒数的比值为每组ANFIS网络预测模型的融合预测值的融合权重αi，每组ANFIS网络预测模型的融合预测值乘以各自融合权重的累加和为油罐车油气泄漏浓度的标称值，油气浓度等级分类器根据油罐车油气泄漏浓度标称值的大小分为高浓度、比较高浓度、一般浓度和低浓度四个报警等级。
[0014]本发明与现有技术相比，具有以下明显优点：
[0015]一、本发明采用的NARX神经网络预测模型的输入包括了油罐车油气泄漏浓度一段时间的输入和输出历史反馈，这部分反馈输入可以认为包含了一段时间的油罐车油气泄漏浓度状态历史信息参与油罐车油气泄漏浓度的预测，对于一个合适的反馈时间长度，预测得到了很好的效果，本专利的NARX神经网络预测模式提供了一种有效的预测油罐车油气泄漏浓度方法。
[0016]二、本发明采用的NARX神经网络预测模型是一种能够有效对油罐车油气泄漏浓度的非线性、非平稳时间序列进行预测的动态神经网络模型，能够在时间序列非平稳性降低的情况下提高对油罐车油气泄漏浓度时间序列的预测精度。与传统的预测模型方法相比，此方法具有处理非平稳时间序列效果好，计算速度快，准确率高的优点。通过对非平稳的油罐车油气泄漏浓度实验数据的实际对比，本专利验证了NARX神经网络预测模型对油罐车油气泄漏浓度时间序列预测的可行性。同时，实验结果也证明了NARX神经网络预测模型在非平稳时间序列预测中比传统模型表现更加优异。
[0017]三、本发明利用NARX神经网络建立油罐车油气泄漏浓度预测模型，由于通过引入延时模块及输出反馈建立模型的动态递归网络，它将输入和输出向量延时反馈引入网络训练中，形成新的输入向量，具有良好的非线性映射能力，网络模型的输入不仅包括原始输入数据，还包含经过训练后的输出数据，网络的泛化能力得到提高，使其在非线性油罐车油气泄漏浓度时间序列预测中较传统的静态神经网络具有更好的预测精度和自适应能力。[0018]四、本发明通过经验模态分解模型(EMD)将原始变形NARX神经网络预测模型输出
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浓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浓度的波动成分、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浓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浓度变形数据，分解得到的各分量有利于ANFIS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ANFIS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。
[0019]五、本发明根据油罐车油气泄漏浓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浓度多点预测样本参数进行分类，设计多个EMD模型和多组ANFIS网络预测模型对油罐车油气泄漏浓度预测的样本参数进行分别再预测，在油罐车油气泄漏浓度预测连续预报过程当中，充分考虑油罐车油气泄漏浓度在时空间的特性，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浓度预测模型，提高预测精度。
[0020]六、本发明提出的多组ANFIS网络预测模型是一种基于Takagi-Sugeno模型的模糊推理系统，是将模糊逻辑和神经元网络有机结合的新型的模糊推理系统结构，采用反向传播算法和最小二乘法的混合算法调整前提参数和结论参数，并自动产生If-Then规则。多组ANFIS网络预测模型作为一种很有特的神经网络，同样具有以任意精度逼近任意线性和非线性函数的功能，并且收敛速度快，样本需要量少。模型运算速度快，结果可靠，取得好效果。
[0021]七、本发明定义两两融合预测值之间的距离构建支持度矩阵，支持度矩阵每行各个值为每组ANFIS网络预测模型的融合预测值与其他组ANFIS网络预测模型的融合预测值之间的距离，支持度矩阵每行各个值的累加和与支持度矩阵所有行各个值的累加和的比值为每组ANFIS网络预测模型的融合预测值的融合权重αi，提高了油罐车油气泄漏浓度不同预测值融合的精确性和科学性。
[0022]八、本发明提高了油罐车油气泄漏浓度分类的科学性与可靠性，油气浓度等级分类器根据油罐车性能参数、专家经验和油罐车油气泄漏相关国家标准，根据油罐车油气泄漏浓度的标称值的大小进行等级划分为：高浓度、比较高浓度、一般浓度和低浓度四个报警等级，实现对油罐车油气泄漏浓度状态的分类，提高油罐车油气泄漏浓度预警的科学性与可靠性。
附图说明
[0023]图1为本发明基于无线传感器网络的油罐车在途状态参数采集与智能预警平台，其中1-检测节点，2-现场监控端；
[0024]图2为本发明油罐车油气泄漏浓度智能预警模型；
[0025]图3为本发明检测节点功能图；
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议