[发明专利]一种油气装置内微量硫化氢气体监测方法

权利要求书

1.一种油气装置内微量硫化氢气体监测方法，其特征在于包括下列步骤：

(1)通过硫化氢传感器和甲烷传感器采集硫化氢和甲烷的浓度值；

(2)将硫化氢传感器和甲烷传感器监测的浓度值传给单片机，单片机对监测结果通过硫化氢监测补偿算法程序中的修正算法和曲线拟合算法进行校正，将校正后的结果与硫化氢气体预先设定的浓度阈值进行比较，若结果高于预设的浓度阈值则进行下位机声光报警；

(3)通过无线传输终端将监测结果和比较结果上传至上位机，并进行上位机声光报警。

2.根据权利要求1所述的一种油气装置内微量硫化氢气体监测方法，其特征在于所述校正的过程如下：

a、设实际气体浓度值数据Z＝[z₁ z₂]^T，其中z₁为硫化氢气体浓度值，z₂为甲烷气体浓度值；传感器实测的气体浓度值数据X＝[x₁ x₂]^T，其中x₁为硫化氢传感器实测的硫化氢气体浓度值，x₂为甲烷传感器实测的甲烷气体浓度值；硫化氢传感器和甲烷传感器的交叉干扰系数矩阵为:

其中a₁₂代表硫化氢传感器对甲烷气体的交叉干扰系数，a₂₁代表甲烷传感器对硫化氢气体的交叉干扰系数；则经过交叉干扰系数矩阵计算后的实际气体浓度值数据Z＝A^-1X；

b、利用BP神经网络的线性拟合特性，将经过交叉干扰系数矩阵计算后的气体浓度值数据Z进行线性曲线拟合。

3.根据权利要求2所述的一种油气装置内微量硫化氢气体监测方法，其特征在于：在范例学习阶段，首先建立BP神经网络，然后将经过交叉干扰系数矩阵计算后硫化氢气体的实际气体浓度值数据作为样本，并将硫化氢气体的实际气体浓度值数据作为输出结果，以此进行BP神经网络的训练，最后生成基于BP神经网络的线性拟合神经网络；

在实际应用阶段，将经过交叉干扰系数矩阵计算后硫化氢气体的实际气体浓度值数据作为输入，经过基于BP神经网络的线性拟合神经网络进行拟合运算，最终达到实时高效的输入更为精确的硫化氢气体浓度值数据。