一种液化气瓶监控方法、系统及设备

技术领域

本公开涉及液化气瓶监控的技术领域，具体涉及一种液化气瓶监控方法、系统及设备。

背景技术

液化石油气是当前主流的常用燃料，液化气瓶是液化石油气的常用载体，液化气瓶通常在液化气站进行充装，液化气站储存有大量液化石油气，液化气瓶在充装、存放过程中可能出现泄漏、超压、高温等风险，存在较大的安全隐患，因此需要对液化气瓶进行监控，以规范充装行为，降低安全风险。

现有技术中，多使用智能传感设备对液化气瓶进行监测，具体如通过在液化气站设置液化气泄漏感应器，通过液化气泄漏感应器来检测液化气浓度，在液化气浓度超标时及时告警，或是在液化气瓶的充气口处设置气压传感器检测液化气瓶的气压，以在超压时及时告警。

如上所述，为了实现对液化气瓶的全面监控，需要设置种类、数量繁多的传感器组成监控系统，每个监测项目都预设有对应的告警条件，在满足告警条件时及时告警，更特殊的，由于液化气站的高安全性要求，告警条件一般设置得较为灵敏，即告警的阈值较低，而在上述监控系统的实际运行过程中，由于布置的各类传感器数量多，液化气站的环境复杂，不同位置、不同时段的监测数据可能都不相同，以单一的阈值作为告警条件，常常容易出现误告警的现象，导致在集成多传感器的液化气瓶监控系统的实际应用中，误告警频率非常高，严重影响液化气站的正常工作，另一方面，目前各个监测项目的传感器均为独立监控和告警，没有充分考虑各个监测项目之间的关联性，导致触发告警的判断条件仅为单一的到达预设阈值即告警，这进一步增大了监控过程中误告警的概率，给液化气瓶充装过程的监控带来困难。

发明内容

为了解决上述现有技术存在的问题，本公开目的在于提供一种液化气瓶监控方法、系统及设备。本公开在触发异常告警事件对异常告警事件进行验证，验证为真实后才进行异常告警，可有效降低误告警频率，提高告警的准确性，有利于增强用户对监控系统的信任度，减少误告警带来的不必要干预和成本，可提高监控系统的可靠性和稳定性。

本公开所述的一种液化气瓶监控方法，包括以下步骤：

S01、实时采集液化气瓶的监测数据；

S02、分析所采集的监测数据，判断所述监测数据是否达到预设的告警条件，若是则判断所述监测数据触发异常告警事件并进入步骤S03，否则返回至步骤S01；

S03、对达到告警条件的监测数据进行验证，判断所述异常告警事件的真实性，若所述异常告警事件判断为真实，则发出停止充气指令及异常告警信号，若所述异常告警事件判断为虚报，则返回至步骤S01。

优选地，步骤S01中，所述监测数据包括液化气瓶的气压、充装设备的充装气压、液化气瓶的重量、充气场所的液化气浓度、充气场所的温度中的一种或多种。

优选地，步骤S02中，预设的告警条件为监测数据的告警值，当实时采集的监测数据大于或等于预设的告警值时，判断所述监测数据触发异常告警事件，否则判断所述监测数据正常。

优选地，步骤S03中，判断所述异常告警事件的真实性具体为：

基于监测数据在当前时刻之前一段时间的历史数据，对当前时刻的监测数据值进行预测，获得关于当前时刻的监测数据的预测值D

记实时采集的监测数据为第一实时值D

或者，

|D

则所述异常告警事件判断为真实，并发出异常告警信号，否则判断该异常告警事件为虚报。

优选地，基于当前时刻之前一段时间的监测数据，对当前时刻的监测数据值进行预测，获得关于当前时刻的监测数据的预测值D

收集监测数据的历史数据作为样本数据，并记录时间戳；

对样本数据进行归一化处理，将归一化处理后的样本数据分为训练集数据和测试集数据；

将训练集数据和测试集数据转换为时间序列数据，通过滑动窗口算法将时间序列数据切割成输入序列和对应的输出序列；

构建一个包含LSTM和CNN的预测模型，其中LSTM用于捕捉时间序列数据中的长期依赖信息，CNN用于提取时间序列数据的特征；

使用所述训练集数据对所述预测模型进行训练，然后使用验证集数据对模型进行验证，根据验证结果调整所述预测模型的参数，重复迭代训练多次直至模型收敛或达到预设的停止条件，获得关于监测数据的预测模型；

将当前时刻之前一段时间的监测数据作为输入数据输入到所得预测模型中，所述预测模型的输出即为当前时刻的监测数据的预测值D

优选地，当所述监测数据的数量为至少两项时，收集各项监测数据在相同时段内的数据作为相关性评估数据，将各项相关性评估数据进行两两不重复组合，使用斯皮尔曼相关系数法计算各个组合内两项相关性评估数据的相关系数ρ

步骤S03中，在将所述预测值D

对所述第一集合C

ρ

则所述异常告警事件判断为真实，并发出异常告警信号，若不满足则判断该异常告警事件为虚报，若达到告警条件的监测数据不存在关联数据，则仅根据预测值D

本公开的一种液化气瓶监控系统，包括：

采集模块，其用于实时采集液化气瓶的监测数据；

分析模块，其用于分析所采集的监测数据，判断所述监测数据是否达到预设的告警条件，若是则判断所述监测数据触发异常告警事件并进行验证；

验证模块，其用于对达到告警条件的监测数据进行验证，判断所述异常告警事件的真实性。

优选地，所述采集模块包括：

气压传感器，其设置在液化气瓶的充气口及充装设备内部，用于检测液化气瓶的气压、及充装设备的充装气压；

智能充装称，其设置在充气场所内，用于检测液化气瓶的重量；

液化气泄漏感应器，其设置在充气场所内，用于检测充气场所的液化气浓度；

温度传感器，其设置在充气场所内，用于检测充气场所的温度。

本公开的一种计算机设备，包括信号连接的处理器和存储器，所述存储器中存储有至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序由所述处理器加载时执行如上所述液化气瓶监控方法。

本公开的一种计算机可读存储介质，其上存储有至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序被处理器加载时执行如上所述液化气瓶监控方法。

本公开所述的一种液化气瓶监控方法、系统及设备，其优点在于，本公开在触发告警条件后会对异常告警事件进行验证，只有当异常告警事件验证为真实后才进行异常告警，发出停止充气指令使液化气瓶停止充气，同时发出异常告警信号提示工作人员，可有效降低误告警频率，提高告警的准确性，有利于增强用户对监控系统的信任度，减少误告警带来的不必要干预和成本，可提高监控系统的可靠性和稳定性。

附图说明

图1是本实施例所述一种液化气瓶监控方法的步骤流程图；

图2是本实施例所述计算机设备的结构示意图。

附图标记说明：101-处理器，102-存储器。

具体实施方式

如图1所示，本公开所述的一种液化气瓶监控方法，包括以下步骤：

S01、实时采集液化气瓶的监测数据，具体的，对应各个监测项目，安装不同的传感设备来采集监测数据，如监测数据包括液化气瓶的气压(分为已充装完成的气瓶气压和充装过程中的气瓶气压)、充装设备的充装气压、液化气瓶的重量、充气场所的液化气浓度、充气场所的温度中的一种或多种。

具体的，通过采集模块来获取各项监测数据，采集模块包括：

气压传感器，其设置在液化气瓶的充气口处设置气压传感器监测液化气瓶的气压，还设置在充装设备内部设置气压传感器来检测充气设备的充装气压。

智能充装称，其设置在充气场所内，具体位于充装工位的下方，用于检测液化气瓶的重量。

液化气泄漏感应器，其设置在充气场所用于检测充气场所的液化气浓度，如，可安装在充装工位的上方一侧，用于检测充装过程中充装环境的液化气浓度，也可在瓶装气的储存场所也安装若干液化气泄漏感应器。

温度传感器，其设置在充气场所内，可位于液化气站的侧壁或顶壁上，用于检测充气场所的环境温度。

在具体的实施例中，为了便于对各个液化气瓶进行识别和管理，还可通过在液化气瓶的瓶身上设置RFID标签，在液化气站设置带有RFID射频扫描模块的电子门，在液化气瓶经过电子门时，通过RFID射频扫描模块扫描瓶身上的RFID标签，获取该液化气瓶的信息，如液化气瓶的唯一标识、进行充装的充装工位所在位置、最大充装量等。此外，也可在液化气瓶的瓶身上设置携带有该液化气瓶信息的二维码，操作人员通过扫描该二维码即可获取该液化气瓶的信息。

此外，还可在液化气瓶的充气口处安装电子角阀，可通过电信号控制电子角阀的开闭，进而控制充气口的开闭。

S02、分析所采集的监测数据，判断所述监测数据是否达到预设的告警条件，若是则判断所述监测数据触发异常告警事件并进入步骤S03，否则返回至步骤S01；

具体的，预设的告警条件为监测数据的告警值，将实时采集的监测数据与预设的告警值做数值比较，若实时采集的监测数据大于或等于预设的告警值，判断该监测数据触发异常告警事件，下一步对该异常告警事件的真实性进行验证，若实时采集的监测数据小于预设的告警值，则表示该项监测数据正常，无需进行处理，返回至步骤S01继续采集实时监测数据。

在实时监测数据达到告警阈值后，触发异常告警事件，此时系统对该异常告警事件的真实性进行验证，若该异常告警事件判断为真实，则发出停止充气指令，令充装设备停止充气，同时令充气口处的电子角阀关闭，将液化气瓶封闭，同时发出异常告警信号，异常告警信号具体可以通过安装在充气场所的警示灯、蜂鸣器等告警设备发出，同时也可在系统页面上做明显显示，以提示操作人员。

判断异常告警事件的真实性具体为：

基于监测数据在当前一段时间的历史数据，对当前时刻的监测数据值进行预测，获得关于当前时刻的监测数据的预测值D

记实时采集的监测数据为第一实时值D

真实性判断过程中，主要验证所采集的第一实时值D

为了表征第一实时值D

具体步骤如下：

预设所述预测值D

或者，

|D

则所述异常告警事件判断为真实，并发出异常告警信号，否则判断该异常告警事件为虚报。

其中，第一阈值D

收集监测数据的历史数据作为样本数据，并记录时间戳，例如对于液化气瓶气压数据，采集全天各个时段的液化气瓶气压按序排布，并采集连续若干天的液化气瓶气压数据(包括正常状态下和异常状态下的监测数据)，对采集的数据进行数据清洗，去除异常值和噪声；

对样本数据进行归一化处理，将数据缩放到一个统一的范围内，如0到1之间；将归一化处理后的样本数据分为训练集数据和测试集数据，如70％作为训练集数据，剩余30％作为测试集数据。

根据时间戳和对应的监测数据值，按序排列并附上时间戳信息，将训练集数据和测试集数据转换为时间序列数据，通过滑动窗口算法将时间序列数据切割成输入序列和对应的输出序列；

构建一个包含LSTM(Long-Short Term Memor，长短期记忆网络)和CNN(Convolutional Neural Networks，卷积神经网络)的预测模型，其中LSTM用于捕捉时间序列数据中的长期依赖信息，CNN用于提取时间序列数据的特征；在模型中添加Dropout层，可以减少过拟合的可能性，为预测模型设置输出层，用于回归预测气压值。

使用所述训练集数据对所述预测模型进行训练，然后使用验证集数据对模型进行验证，根据验证结果调整所述预测模型的参数，重复迭代训练多次直至模型收敛或达到预设的停止条件，获得关于监测数据的预测模型；

以下是一个LSTM-CNN网络结构示例：

输入层：接收时间序列数据作为输入；

LSTM层：用于捕捉时间序列数据中的长期依赖性；

CNN层：用于提取输入数据的特征；

展平层：将多维的输出特征图转换为一维向量；

全连接层：将展平后的特征向量与输出层连接；

输出层：对监测数值进行回归预测；

损失函数采用平均绝对误差函数，用于评估预测值与实际值之间的平均绝对差异，进而不断对模型进行迭代优化，直至满足预测精度要求。

在上述完成预测模型的训练后，将预测模型部署到监控系统中，将当前时刻之前一段时间的监测数据作为输入数据输入到所得预测模型中，所述预测模型的输出即为当前时刻的监测数据的预测值D

例如，由于气温20℃时，液化气瓶在充满后的气压约为0.8MPa，将气压告警阈值设置为1MPa，在中午时刻，由于环境温度上升，液化气瓶气压的实时监测值达到1.05MPa，超过了气压告警阈值，在收集液化气瓶气压多日的历史数据后，经过上述的预测模型进行提取学习，得出中午时刻液化气瓶气压的预测值为1MPa，选择差值作为判断条件，将关于差值的第二阈值D

|D

则判断该异常告警事件为虚报，维持系统正常运行，通过此步骤，可以使得系统在保持低告警阈值、高安全性的同时，减少误告警的频率，提高系统整体的可信度。

更进一步的，通过对当前液化气瓶监控系统各项监控参数的详细分析，发现其中的各项监控参数实际上具有一定的关联性，如前述充气场所的温度与液化气瓶的气压，20℃条件下液化气瓶充满后气压一般为0.8MPa，40℃条件下气压可达1.59MPa，液化气瓶气压随环境温度变化明显，又如，液化气瓶的重量与液化气瓶的气压，随着充气过程的进行，液化气瓶重量和液化气瓶的气压应为同步上升，且具有一定的线性关系，再如，液化气泄漏多为液化气瓶或充装设备出现漏气现象，当液化气瓶发生泄漏时，所监测的充气场所的液化气浓度上升，通常会伴随着液化气瓶或充装设备的充装气压的下降，由此可知，各项监测数据虽然所采用的传感设备各不相同，但相互之间具有一定的关联性，可以通过各项监测数据之间的关联性，进一步提高异常告警事件验证的准确性，具体做法如下：

当所述监测数据的数量为至少两项时，收集各项监测数据在相同时段内的数据作为相关性评估数据，将各项相关性评估数据进行两两不重复组合，使用斯皮尔曼相关系数法计算各个组合内两项相关性评估数据的相关系数ρ

步骤S03中，在将所述预测值D

对所述第一集合C

ρ

则所述异常告警事件判断为真实，并发出异常告警信号，若不满足则判断该异常告警事件为虚报，若达到告警条件的监测数据不存在关联数据，则仅根据预测值D

上述步骤中，采用斯皮尔曼相关系数法先评估各项监测数据之间的相关性，根据相关系数ρ

通过上述步骤，本实施例充分考虑不同监测项目之间的关联性，利用具有相关性的监测项目对触发异常告警事件的监测数据进行进一步验证，可进一步提高系统的可靠性，降低误报率。

本实施例还提供了一种液化气瓶监控系统，包括：

采集模块，其用于实时采集液化气瓶的监测数据；

分析模块，其用于分析所采集的监测数据，判断所述监测数据是否达到预设的告警条件，若是则判断所述监测数据触发异常告警事件并进行验证；

验证模块，其用于对达到告警条件的监测数据进行验证，判断所述异常告警事件的真实性。

具体的，所述采集模块包括：

气压传感器，其设置在液化气瓶的充气口及充装设备内部，用于检测液化气瓶的气压、及充装设备的充装气压；

智能充装称，其设置在充气场所内，用于检测液化气瓶的重量；

液化气泄漏感应器，其设置在充气场所内，用于检测充气场所的液化气浓度；

温度传感器，其设置在充气场所内，用于检测充气场所的温度。

各个传感设备可通过物联网网关进行监测数据的汇总，并由物联网网关通过通信网络上传至监控平台，在监控平台端进行运算处理和分析。

本实施例的液化气瓶监控系统与上述的监控方法属于相同的发明构思，可参照上文描述进行理解，在此不再赘述。

如图2所示，本实施例还提供了一种计算机设备，包括通过总线信号连接的处理器101和存储器102，所述存储器102中存储有至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序由所述处理器101加载时执行如上所述液化气瓶监控方法。存储器102可用于存储软件程序以及模块，处理器101通过运行存储在存储器102的软件程序以及模块，从而执行各种功能应用。存储器102可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、功能所需的应用程序等；存储数据区可存储根据所述设备的使用所创建的数据等。此外，存储器102可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器102还可以包括存储器控制器，以提供处理器101对存储器102的访问。

本公开实施例所提供的方法实施例可以在计算机终端、服务器或者类似的运算装置中执行，即上述计算机设备可以包括计算机终端、服务器或者类似的运算装置。该计算机设备的内部结构可包括但不限于：处理器、网络接口及存储器。其中，计算机设备内的处理器、网络接口及存储器可通过总线或其他方式连接。

其中，处理器101(或称CPU(CentralProcessingUnit，中央处理器))是计算机设备的计算核心以及控制核心。网络接口可选的可以包括标准的有线接口、无线接口(如WI-FI、移动通信接口等)。存储器102(Memory)是计算机设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的存储器102可以是高速RAM存储设备，也可以是非不稳定的存储设备(non-volatile memory)，例如至少一个磁盘存储设备；可选的还可以是至少一个位于远离前述处理器101的存储装置。存储器102提供存储空间，该存储空间存储了电子设备的操作系统，可包括但不限于：Windows系统(一种操作系统)，Linux(一种操作系统)，Android(安卓，一种移动操作系统)系统、IOS(一种移动操作系统)系统等等，本公开对此并不作限定；并且，在该存储空间中还存放了适于被处理器101加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。在本说明书实施例中，处理器101加载并执行存储器102中存放的一条或一条以上指令，以实现上述方法实施例所述液化气瓶监控方法。

本公开实施例还提供一种计算机可读存储介质，其上存储有至少一条指令或至少一段程序，所述至少一条指令或所述至少一段程序被处理器101加载时执行如上所述液化气瓶监控方法。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的方法。

根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质。例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

在本公开的描述中，需要理解的是，方位词如“前、后、上、下、左、右”、“横向、竖向、水平”和“顶、底”等所指示的方位或位置关系通常是基于附图所示的方位或位置关系，仅是为了便于描述本公开和简化描述，在未作相反说明的情况下，这些方位词并不指示和暗示所指的装置或元件必须具有特定的方位或者以特定的方位构造和操作，因此不能理解为对本公开保护范围的限制。

对于本领域的技术人员来说，可根据以上描述的技术方案以及构思，做出其它各种相应的改变以及形变，而所有的这些改变以及形变都应该属于本公开权利要求的保护范围之内。