一种LNG加气站智能控制系统及其控制方法

技术领域

本发明涉及LNG加气站智能控制技术领域，具体涉及一种LNG加气站智能控制系统及其控制方法。

背景技术

随着液化天然气加气站业务的快速发展，加气站能耗总量和能耗比重均快速上升，其中电耗占了总能耗的30％。目前，在我国的石油零售行业，随着物联网技术不断崛起与应用，加油加气站的自动化和信息化已经达到一定水平，如加油加气站自动化系统有自动液位仪、视频监控等；加油加气站信息系统有加油IC卡系统、零管系统、非油品系统、发票系统等。为了提高加气站的工作效率、减少不必要的能量消 费，需要对加气站的大功率设备的运行进行实时在线监测。

以压力容器为载体的化工产品在人类日常生活中得到广泛应用，但由于制造、保管和运输过程中操作不当，极有可能泄漏并引发安全事故，这不仅会给国家带来巨大的经济损失,还会破坏泄漏现场的生态环境，甚至危及周围人们的生命安全。因此,利用电子信息化技术快速准确地估计泄漏情况并及时处理,对减少和防止因气体泄漏而引发的安全事故有重要的意义。以往研究可知，气体泄漏是非线性、非正常的随机信号，频率成分丰富且具有多个模态特征。目前，许多时频分析技术可以同时提取时变频率内容而被成功应用于气体泄漏检测。

现有技术中，对LNG加气站的分析方法也仅限于压力、温度等在线检测及分析，导致控制预警及检测的误差；同时，由于采集的声音信号不但包含气体泄漏的声音，还包括环境声音，但是现有技术中的LNG加气站的信号采集过程中并没有对此进行区别，因此无法准确提取气体泄漏声音信号，更对后续加气站是否发生气体泄露的判断造成干扰。

发明内容

为了解决上述技术问题，本发明提出了一种LNG加气站智能控制方法，包括如下步骤：

S1、实时接收加气站的管道声音信号，对管道声音信号进行信号处理；

S2、利用模态分解方法分析经过处理后的管道信号在频域中的波形特征，解析特征向量，对分解得到的各模态特征向量进行归一化；

S3、建立BP神经网络模型，利用BP神经网络模型分析是否存在气体泄漏声音信号，判断加气站是否发生气体泄露，并发出预警。

进一步地，步骤S2中：

利用模态分解方法分析经过处理后的管道信号在频域中的波形特征，解析声音信号的特征向量，频域特征函数f(t)为:

；

为频率为t时的k个模态特征信号；/>

；

为频率为t时的模态特征信号的振幅，/>

模态特征信号

；

j代表虚数，e是指数函数。

进一步地，步骤S2中：

归一化特征向量

；

其中

进一步地，步骤S3中：

BP神经网络模型如下：

；

其中Y为模型的输出数据，

进一步地，步骤S1中，对管道声音信号进行信号处理包括对管道声音信号进行滤波、放大以及从离散信号到标准数字信号的转换。

本发明还提出了一种LNG加气站智能控制系统，用于实现LNG加气站智能控制方法，包括：信号采集系统，声音信号处理单元，处理器，控制单元和预警单元；

所述信号采集系统选用多个超声波接收器，实时采集加气站的管道声音信号；

所述声音信号处理单元包括滤波放大模块和模数转换模块，加气站的管道声音的信号经过滤波放大模块实现信号的滤波和放大，进入模数转换模块实现离散信号到标准数字信号的转换，并将数据处理后的信号数据传入所述处理器；

所述处理器利用模态分解方法分析经过处理后的管道信号在频域中的波形特征，解析特征向量，对分解得到的各模态特征向量进行归一化；

所述控制单元，建立BP神经网络模型，利用BP神经网络模型分析是否存在气体泄漏声音信号，判断加气站是否发生气体泄露，并向所述预警单元发出预警信号。

进一步地，所述控制单元包括：模型构建单元、模型训练单元和模型测试单元；

所述模型构建单元用于通过激活函数，确定BP神经网络模型的三个隐藏层；

所述模型训练单元通过损失函数计算模型输出误差，将误差结果从输出层反向逐层传递并调整各隐藏层的权重，重复正向传播和反向传播过程，使得模型参数稳定；

所述模型测试单元用多个测试集数据对训练好的模型进行测试，若多个测试集的误差结果相近，且模型输出结果的均方根误差在误差范围，在测试成功。

相比于现有技术，本发明具有如下有益技术效果：

本发明实时接收加气站的管道声音信号，对管道声音信号进行信号处理，能够保留原始的管道声音信号，不仅实现了原信号的准确表示，而且便于后续有效提取声音信号。

利用模态分解方法分析信号在频域中的波形特征，解析声音信号特征向量，对分解得到的各模态分量的特征向量进行归一化；建立BP神经网络模型，利用BP神经网络模型分析是否存在气体泄漏声音信号，判断加气站是否发生气体泄露，并发出预警，有效解决加气站气体泄漏检测问题。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图:

图1为本发明的LNG加气站智能控制方法的流程图;

图2为本发明的信号在频域中的波形特征示意图;

图3为本发明的LNG加气站智能控制系统的结构示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

在本发明的具体实施例附图中，为了更好、更清楚的描述系统中的各元件的工作原理，表现所述装置中各部分的连接关系，只是明显区分了各元件之间的相对位置关系，并不能构成对元件或结构内的信号传输方向、连接顺序及各部分结构大小、尺寸、形状的限定。

如图1所示，为本发明的LNG加气站智能控制方法的流程图，包括如下步骤：

S1、实时接收加气站的管道声音信号，对管道声音信号进行信号处理。

信号采集系统选用多个超声波接收器，采集加气站的管道声音的信号；声音信号处理单元对管道声音信号进行信号处理，包括滤波、放大以及离散信号到标准数字信号的转换。管道声音信号包括环境声音信号以及在环境背景下气体泄漏声音信号。

由于加气站的设备管道内气体压强比环境要高，当气体泄漏时，在漏孔附近会产生一定频率的声波，被超声波接收器接收。优选地，超声波接收器设置在设备管道焊接口等易被压力气体冲破的连接处。

S2、利用模态分解方法分析经过处理后的管道信号在频域中的波形特征，解析特征向量，对分解得到的各模态特征向量进行归一化。

由于加气站设备管道内的干扰信号较多，因此被检测出的异常信号也多，需要对信号从频域方面做进一步分析，提取声音信号特征参数。

当管道发生异常的时候，超声波接收器在管道上采集的管道信号在波形上与没有发生异常时有明显的不同，因此可以提取管道信号在频域中的波形特征来构造特征向量，反映管道声波波形特征的指标。如图2所示。

S21、利用模态分解方法分析经过处理后的管道信号在频域中的波形特征，解析声音信号的特征向量。

频域特征函数f(t)可以写成:

；

为频率为t时的k个模态特征信号；

；

为频率为t时的模态特征信号的振幅，/>

模态特征信号

；

j代表虚数，e是指数函数。

S22、对分解得到的各模态分量的特征向量进行归一化。

归一化特征向量

；

其中

S3、建立BP神经网络模型，利用BP神经网络模型分析是否存在气体泄漏声音信号，判断加气站是否发生气体泄露，并发出预警。

BP神经网络模型如下：

；

其中Y为模型的输出数据，

当BP神经网络模型的输出数据Y高于阈值，则证明此时环境声音信号有其他气体信号干扰，即可能有气体泄露发生，此时系统将报警信号反馈给预警单元。

设备管道声音信号本就具有较强的非线性和非平稳性，存在更多的突变和异常的变化趋势。通过分解得到的声音信号的变化的分析，能够更好地预测气体泄露风险。对环境声音信号和叠加环境声音的气体泄漏的声音信号的分解，降低了预测难度，使得总体预测效果提升。拟合了频率序列的突变峰值，能更好捕捉声音信号的变化趋势，对气体泄露时声音曲线异常变化的预测更加准确。

具体地，BP神经网络模型搭建的具体步骤包括：首先确定BP神经网络模型的激活函数为ReLU函数，根据不断试验确定BP神经网络模型的三个隐藏层。

在优选实施例中，输入层节点数可以是2560，设第一个隐藏层有1024个神经元，第二个隐藏层有256个神经元，第三个隐藏层有64个神经元，输出层节点数为1，相邻层的所有神经元之间采取全连接的方式相连，损失函数选择MSE函数，就此搭建BP神经网络模型，以归一化特征向量作为输入，模型的输出数据作为判断依据。

具体地，BP神经网络模型训练的具体步骤包括：将BP神经网络模型中神经元之间的权重以及每个神经元中的映射方式进行初始化；初始化后，训练集数据由输入层传递至第一个隐藏层的各神经元，对各神经元的数据与权向量的内积进行求和计算，得到的结果经过ReLU函数的非线性处理后输出至第二个隐藏层和第三个隐藏层，当网络中第三个隐藏层的计算结束时，将计算结果传递至输出层，通过损失函数MSE计算输出误差，将该误差结果从输出层反向逐层传递并调整各隐藏层的权重。重复以上正向传播和反向传播过程，BP神经网络模型的计算误差不断下降，使得预测结果逐渐逼近真实结果。当计算误差不再随着训练次数的增加而下降时，才能获得最优BP神经网络模型，视为BP神经网络模型训练完成，实现输入数据和输出结果的非线性映射。

在优选实施例中，获得得到最优权重值集合和最优映射方式的方法具体包括：

将归一化特征向量作为样本，构建样本的权重初始值集合x

计算神经元映射分布集合y，使得x

更新权重值集合，获取y＝(y

不断学习更新权值函数，使得x

用测试集数据对训练好的模型进行测试，如果几个测试集的误差结果相近，则证明BP神经网络模型具有鲁棒性，再根据BP神经网络模型得到的均方根误差是否在误差范围以内来评判BP神经网络模型反演结果的准确性与可靠性。

如图3所示为LNG加气站智能控制系统结构示意图，该控制系统包括：信号采集系统，声音信号处理单元，处理器，控制单元和预警单元。

信号采集系统选用多个超声波接收器，实时采集加气站的管道声音信号。

声音信号处理单元包括滤波放大模块和模数转换模块，加气站的管道声音的信号经过滤波放大模块实现管道声音信号的滤波和放大，随后进入模数转换模块实现离散信号到标准数字信号的转换，并将数据处理后的信号数据传入处理器。

处理器利用模态分解方法分析经过处理后的管道信号在频域中的波形特征，解析特征向量，对分解得到的各模态特征向量进行归一化。

控制单元，建立BP神经网络模型，利用BP神经网络模型分析是否存在气体泄漏声音信号，判断加气站是否发生气体泄露，并向预警单元发出预警信号。

当BP神经网络模型的输出数据Y高于阈值，则证明此时环境声音信号有气体信号干扰，即可能有气体泄露发生，此时系统将报警信号反馈给预警单元。

在优选实施例中，控制单元包括：模型构建单元、模型训练单元和模型测试单元。

模型构建单元用于通过激活函数，根据不断试验确定BP神经网络模型的三个隐藏层。

模型训练单元通过损失函数计算模型输出误差，将该误差结果从输出层反向逐层传递并调整各隐藏层的权重，重复正向传播和反向传播过程，神经网络模型的计算误差不断下降，使得模型参数稳定时，保证BP神经网络模型的平稳性。

模型训练单元用测试集数据对训练好的模型进行测试，如果几个测试集的误差结果相近，则证明BP神经网络模型具有鲁棒性，再根据BP神经网络模型得到的均方根误差是否在误差范围以内来评判BP神经网络模型反演结果的准确性与可靠性。

LNG加气站智能控制系统能监测半径为20m球形空间内加气站气体泄漏情况,可连续运行；信号采集系统和声音信号处理单元可实现信号的远传；预警单元，给出了报警控制信号，可以控制声、光等报警装置；处理器把所有数据信号输入计算机进行分析处理,使系统既可以实时监测,又可以对历史记录进行检索、分析,比较出泄漏信号和背景噪声信号的发展趋势,确定加气站的泄漏情况；用C语言编制信息处理系统软件，使界面友好、直观，操作方便，软件运行可靠。

在软件的支持下, LNG加气站智能控制系统实现了泄漏早期报警、判定泄漏区域位置、显示泄漏噪声频谱、跟踪泄漏发展趋势、实时监听加气站内噪声等功能。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者通过所述计算机可读存储介质进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如，固态硬盘(solid state disk，SSD))等。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。