一种基于神经网络的LNG罐箱剩余维持时间预报方法技术

本发明专利技术公开了一种基于神经网络的LNG罐箱剩余维持时间预报方法，包括如下步骤：步骤一、在待测LNG罐箱中布置传感器，对LNG罐箱进行静置试验，获取监测数据；步骤二、对监测数据进行预处理并进行储存；步骤三、判断罐箱是否有特定罐箱模型；如果有，则将步骤二中得到的储存数据输入特定罐箱模型进行预测；否则转向步骤四；步骤四：判断步骤二得到的储存数据的压力跨度是否足够；如果足够，转向步骤五；否则转向步骤六；步骤五：按梯度选取步骤二得到的储存数据，进行特定罐箱训练，得到特定罐箱模型；步骤六：将步骤二得到的储存数据，输入通用预测模型进行预测；具备准确度高，可迭代，适应性强的优点，提高了LNG罐箱运输的安全性。提高了LNG罐箱运输的安全性。提高了LNG罐箱运输的安全性。

【技术实现步骤摘要】
一种基于神经网络的LNG罐箱剩余维持时间预报方法


[0001]本专利技术属于工程预报
，具体涉及一种基于神经网络的LNG罐箱剩余维持时间预报方法。

技术介绍

[0002]LNG罐箱水陆(水路、铁路、公路)多式联运是与管道运输、LNG散装运输船并行的第三种新型的LNG物流方式，并在碳减排和碳达峰背景下逐渐由之前的试点转为常态化运行。其中LNG罐箱剩余维持时间是涉及LNG 罐箱安全运输的关键参数，LNG罐箱受热，内部温度和压力会逐渐增加，当气相压力增加到起跳压力时，安全阀会开启，释放出LNG罐箱内的积聚压力，即释放出部分LNG蒸汽，避免LNG罐体因超压损坏，造成严重后果。
[0003]现有法律法规及相关技术规则要求LNG罐箱在船舶载运期间以及车辆载运LNG罐箱通过隧道、涵洞时不允许安全阀起跳导致可燃气体的泄漏，为此只有通过准确的LNG罐箱剩余维持时间预报，才能避免上述意外的发生。而行业现有关于LNG罐箱剩余维持时间预报方法，基本上都是通过饱和均质模型计算的LNG罐箱到起跳状态所需漏热量和LNG罐箱生产厂家在 LNG罐箱型式试验所测得的静态日蒸发率之间的比值计算得到，其预报结果仅可用于LNG罐箱绝热性能的评比，预报精度不足以应用到实际LNG罐箱运输过程特别是水陆多式联运的安全控制。
[0004]行业已有方法计算所得结果与LNG罐箱实际无损维持时间之间有明显误差，LNG罐箱在行业已有方法计算所得剩余维持时间之前发生安全阀起跳的情况普遍存在，这也反映出了行业已有方法应用于实际罐箱时有一定的安全隐患，需要提出优化算法，减小预报与实际的误差，并消除上述隐患。

技术实现思路

[0005]为解决现有技术的不足，本专利技术的目的是为了弥补现有技术计算结果与实际维持时间有较大误差的缺陷，提出一种更精确的LNG罐箱剩余维持时间预报方法。
[0006]为了实现上述目的，本专利技术涉及：一种基于神经网络的LNG罐箱剩余维持时间预报方法，其特征在于，包括如下步骤：
[0007]步骤一、在待测LNG罐箱中布置压力传感器和温度传感器，对LNG罐箱进行静置试验，并通过压力传感器和温度传感器获取监测数据，监测数据包括LNG罐箱的实时气相温度、液相温度、气相压力和起跳压力间的差值、环境温度；
[0008]步骤二、对步骤1中监测数据进行预处理并对监测数据进行储存；
[0009]步骤三、判断待预测的LNG罐箱是否有特定罐箱模型；如果有特定罐箱模型，则将步骤二中得到的储存数据输入特定罐箱模型，对剩余维持时间进行预测，得到剩余维持时间；如果没有特定罐箱模型则转向步骤四；
[0010]步骤四：判断步骤二得到的储存数据的压力跨度是否足够；如果压力跨度足够，转向步骤五；如果压力跨度不够，则转向步骤六；压力跨度即储存数据的压力区间范围，压力
跨度足够表明储存数据的压力区间范围足够大，可用于训练的数据量是足够的；选择压力跨度作为判断指标主要是考虑到，每一组监测数据包括气液相温度、气相压力以及环境温度，其中环境温度随时间的变化不是线性的，罐箱安全阀起跳的温度值也不是固定的，二者的区间范围作为判断指标无法准确反映数据量，而安全阀始终会在设定的压力值起跳，压力跨度能很明显的反映数据量在整个起跳周期内的占比；
[0011]步骤五：按梯度选取步骤二得到的储存数据，进行特定罐箱训练，得到特定罐箱模型；
[0012]步骤六：将步骤二得到的储存数据，输入通用预测模型，得到剩余维持时间；
[0013]进一步的，所述步骤一中静置试验的方法为：将LNG罐箱充装至95％后置于堆场，放散48小时后关闭阀门，使LNG在密闭的罐箱内静置，同时通过传感器监测LNG罐箱内部的气液温度、气相压力、罐箱所处环境的温度参数。
[0014]进一步的，所述步骤二中数据进行预处理的方法为：去除大量长时间没有变化的数据，按照压力0.01Mpa的变化选择对应的状态参数数据，并对数据进行归一化，采用线性缩放的方式，将用于神经网络模型输入输出值控制在
‑
1和1之间，数据处理完成后留存，用于神经网络模型的训练和验证。
[0015]进一步的，所述通用预测模型的建立方法为：
[0016]步骤1、设置Bp神经模型网络的层数和节点：
[0017]步骤2、设置初始权重矩阵；
[0018]步骤3、设置神经元节点中的激活函数；
[0019]步骤4、设置学习因子；学习因子为用于调节修正幅度的系数θ(初始取值0.1)；
[0020]步骤5、采用对误差函数求偏导的方式计算各权重的修正矩阵；
[0021]步骤6、使用LNG罐箱静置试验的数据训练神经网络模型，训练得到模型的学习因子θ和权重矩阵W0、U0、V0；
[0022]步骤7、将步骤6训练得到的学习因子θ和权重矩阵W0、U0、V0代入步骤 1～步骤5建立的神经网络模型框架，获得LNG罐箱剩余维持时间预报的通用神经网络模型；
[0023]进一步的，所述步骤1中设置模型的层数和节点具体为：设置1个输入层，2个隐藏层和1个输出层，其中输出层有4个神经元节点、第一层隐藏层有3个神经元节点，第二层隐藏层有2个神经元节点，输出层有1个神经元节点；模型的输入输出层的节点数量和拟应用场景需要输入和输出参数数量相对应。
[0024]进一步的，所述步骤2中设置初始权重矩阵具体方法为:权重矩阵共三个，分别为W、U、V；其中W为输入层和第一层隐藏层之间的链接权重矩阵， 3
×
4阶；U为第一层隐藏层和第二次隐藏层之间的链接权重矩阵，2
×
3阶， V为第二层隐藏层和输出层之间的链接权重矩阵，1
×
2阶；W、U、V中的初始元素均为
‑
0.5到0.5之间的随机值。
[0025]进一步的，所述步骤3中设置激活函数的方法具体为：
[0026](1)输入层和输出层节点中的激活函数设置为：
[0027]f1(x)＝x，
[0028](2)使用sigmoid和tanh函数应用时会出现梯度消失的现象，经测试，模型无法完成深度训练，因此采用Leaky ReLU函数。第一层隐藏层和第二层隐藏层节点中的激活函数设置为：
[0029]f2(x)＝max(x，0.01x)(Leaky ReLU函数)
[0030]其中，x为激活函数的输入。
[0031]进一步的，所述步骤5中计算修正矩阵的方法为：
[0032]权重矩阵共三个，分别为W、U、V
[0033](1)输入层输入矩阵X0：X0＝[x1,x2,x3,x4]，其中，x1,x2,x3,x4为输入层输入数据；
[0034](2)输入层输出矩阵Y0：Y0＝f1(X0)
[0035](3)第一层隐藏层输入矩阵X1：X1＝W
×
Y0
[0036](4)第一次隐藏层输出矩阵Y1：Y1＝f2(X1)
[0037](5)第二层隐藏层输入矩阵X2：X2＝U本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的LNG罐箱剩余维持时间预报方法，其特征在于，包括如下步骤：步骤一、在待测LNG罐箱中布置压力传感器和温度传感器，对LNG罐箱进行静置试验，并通过压力传感器和温度传感器获取监测数据，监测数据包括LNG罐箱的实时气相温度、液相温度、气相压力和起跳压力间的差值、环境温度；步骤二、对步骤1中监测数据进行预处理并对监测数据进行储存；步骤三、判断待预测的LNG罐箱是否有特定罐箱模型；如果有特定罐箱模型，则将步骤二中得到的储存数据输入特定罐箱模型，对剩余维持时间进行预测，得到剩余维持时间；如果没有特定罐箱模型则转向步骤四；步骤四：判断步骤二得到的储存数据的压力跨度是否足够；如果压力跨度足够，转向步骤五；如果压力跨度不够，则转向步骤六；压力跨度即储存数据的压力区间范围，压力跨度足够表明储存数据的压力区间范围足够大，可用于训练的数据量是足够的；选择压力跨度作为判断指标主要是考虑到，每一组监测数据包括气液相温度、气相压力以及环境温度，其中环境温度随时间的变化不是线性的，罐箱安全阀起跳的温度值也不是固定的，二者的区间范围作为判断指标无法准确反映数据量，而安全阀始终会在设定的压力值起跳，压力跨度能很明显的反映数据量在整个起跳周期内的占比；步骤五：按梯度选取步骤二得到的储存数据，进行特定罐箱训练，得到特定罐箱模型；步骤六：将步骤二得到的储存数据，输入通用预测模型，得到剩余维持时间。2.根据权利要求1所述基于神经网络的LNG罐箱剩余维持时间预报方法，其特征在于，所述步骤一中静置试验的方法为：将LNG罐箱充装至95％后置于堆场，放散48小时后关闭阀门，使LNG在密闭的罐箱内静置，同时通过传感器监测LNG罐箱内部的气液温度、气相压力、罐箱所处环境的温度参数。3.根据权利要求1所述基于神经网络的LNG罐箱剩余维持时间预报方法，其特征在于，所述步骤二中数据进行预处理的方法为：去除大量相同的数据，保留的数据中，温度的精度为0.1℃，压力的精度为0.01Mpa，并对数据进行归一化，采用线性缩放的方式，将用于神经网络模型输入输出值控制在
‑
1和1之间，数据处理完成后留存，用于神经网络模型的训练和验证。4.根据权利要求1所述基于神经网络的LNG罐箱剩余维持时间预报方法，其特征在于，所述通用预测模型的建立方法为：步骤1、设置Bp神经模型网络的层数和节点：步骤2、设置初始权重矩阵；步骤3、设置神经元节点中的激活函数；步骤4、设置学习因子；学习因子为用于调节修正幅度的系数θ；步骤5、采用对误差函数求偏导的方式计算各权重的修正矩阵；步骤6、使用LNG罐箱静置试验的数据训练神经网络模型，训练得到模型的学习因子θ和权重矩阵W0、U0、V0；步骤7、将步骤6训练得到的学习因子θ和权重矩阵W0、U0、V0代入步骤1～步骤5建立的神经网络模型框架，获得LNG罐箱剩余维持时间预报的通用神经网络模型。5.根据权利要求4所述基于神经网络的LNG罐箱剩余维持时间预报方法，其特征在于，所述步骤1中设置模型的层数和节点具体为：设置1个输入层，2个隐藏层和1个输出层，其中
输出层有4个神经元节点、第一层隐藏层有3个神经元节点，第二层隐藏层有2个神经元节点，输出层有1个神经元节点；模型的输入输出层的节点数量和拟应用场景需要输入和输出参数数量相对应。6.根据权利要求4所述的基于神经网络的LNG罐箱剩余维持时间预报方法，其特征在于，所述步骤2中设置初始权重矩阵具体方法为:权重矩阵共三个，分别为W、U、...

【专利技术属性】
技术研发人员：金鼎，田宇忠，罗肖锋，周国强，曹蛟龙，陈庆任，王斯虎，王曦，
申请(专利权)人：中国船级社武汉规范研究所，
类型：发明
国别省市：