[发明专利]一种基于现场总线网络的油气浓度智能监测系统

权利要求书

1.一种基于现场总线网络的油气浓度智能监测系统，其特征在于：所述系统由基于CAN现场总线网络的加油站油罐区环境参数采集平台和加油站油罐区环境多点油气浓度泄露分类子系统组成，该系统实现对加油站油罐区环境油气泄露浓度智能化检测和对油气泄露浓度等级进行分类；加油站油罐区环境多点油气浓度泄露分类子系统由多个检测点油气浓度传感器、多个时间序列三角模糊数神经网络、加油站油罐区环境多点油气浓度融合模型、三角模糊数预测模块和小波神经网络油气泄露浓度分类器共五部分组成，多个检测点油气浓度传感器感知被检测点油气泄露的浓度，每个检测点油气浓度传感器的输出作为对应的每个时间序列三角模糊数神经网络的输入，时间序列三角模糊数神经网络的输出作为加油站油罐区环境多点油气浓度融合模型的输入，加油站油罐区环境多点油气浓度融合模型的输出作为三角模糊数预测模块的输入，三角模糊数预测模块的输出作为小波神经网络油气泄露浓度分类器的输入，小波神经网络油气泄露浓度分类器把被检测的加油站油气泄露浓度分为不同的等级，加油站油罐区环境多点油气浓度泄露分类子系统实现对加油站油气泄露浓度的检测、模糊量化、多点融合、预测和油气泄露浓度等级的分类过程；

所述时间序列三角模糊数神经网络由每个检测点对应的每个时间序列三角模糊数神经网络组成，时间序列三角模糊数神经网络由被检测点的油气浓度传感器输出的一段常规时间序列值作为径向基神经网络的输入、径向基神经网络和被检测点的油气浓度的三角模糊数值作为径向基神经网络的输出组成，径向基神经网络输出的三角模糊数值分别表示被检测点的油气浓度的下限值、可能值和上限值；时间序列三角模糊数神经网络根据被检测点的油气浓度动态变化特征把被检测点的油气浓度的一段常规时间序列值转化为被检测的油气浓度的三角模糊值来表示。

2.根据权利要求1所述的一种基于现场总线网络的油气浓度智能监测系统，其特征在于：所述加油站油罐区环境多点油气浓度融合模型由油气浓度时间序列三角模糊数阵列、计算油气浓度三角模糊数预测值与正理想值和负理想值的相对帖近度、计算油气浓度三角模糊数融合值共三部分组成，一段时间多个参数检测单元油气浓度的三角模糊数预测值构成油气浓度时间序列三角模糊数阵列，确定油气浓度时间序列三角模糊数阵列的正理想值和负理想值，分别计算每个检测单元的油气浓度时间序列三角模糊数预测值与油气浓度时间序列三角模糊数阵列的正理想值和负理想值的距离，每个检测单元的时间序列三角模糊数预测值的负理想值的距离除以每个检测单元的时间序列三角模糊数预测值的负理想值的距离与每个检测单元的时间序列三角模糊数预测值的正理想值的距离的和得到的商为每个检测单元的时间序列三角模糊数预测值的相对贴近度，每个检测单元的时间序列三角模糊数预测值的相对贴近度除以所有检测单元的时间序列三角模糊数预测值的相对贴近度的和得到的商为每个检测单元的时间序列三角模糊数预测值的融合权重，每个检测单元的时间序列三角模糊数预测值与该检测单元的时间序列三角模糊数预测值的融合权重的积的和得到多个检测点的时间序列三角模糊预测值的融合值；同一时刻所有检测单元油气浓度的三角模糊数预测值的平均值构成油气浓度时间序列三角模糊数阵列的正理想值，同一时刻所有检测单元油气浓度的三角模糊数预测值与正理想值的距离最大的三角模糊数预测值构成油气浓度时间序列三角模糊数阵列的负理想值。

3.根据权利要求1所述的一种基于现场总线网络的油气浓度智能监测系统，其特征在于：所述三角模糊数预测模块由三个NARX神经网络预测模型和三个相空间重构技术的Elman神经网络预测模型组成，加油站油罐区环境多点油气浓度融合模型输出的被检测环境油气浓度的三角模糊数的下限值、可能值和上限值分别为对应NARX神经网络预测模型的输入，加油站油罐区环境多点油气浓度融合模型输出的被检测环境油气浓度三角模糊数的下限值、可能值和上限值分别与对应NARX神经网络预测模型的输出的差分别为对应相空间重构技术的Elman神经网络预测模型的输入，NARX神经网络预测模型的输出分别与对应的相空间重构技术的Elman神经网络预测模型的输出相加和作为被检测环境油气浓度的三角模糊数预测值，该三角模糊数预测值作为三角模糊数预测模块输出。