一种LNG加气站智能控制系统及其控制方法技术方案

本发明专利技术提出了一种LNG加气站智能控制系统及其控制方法，涉及LNG加气站控制技术领域，本发明专利技术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。站气体泄漏检测问题。站气体泄漏检测问题。

【技术实现步骤摘要】
一种LNG加气站智能控制系统及其控制方法


[0001]本专利技术涉及LNG加气站智能控制
，具体涉及一种LNG加气站智能控制系统及其控制方法。

技术介绍

[0002]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。
[0003]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。
[0004]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。

技术实现思路

[0005]为了解决上述技术问题，本专利技术提出了一种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。
[0006]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，为模态特征信号的相位函数；模态特征信号的特征向量为：；j代表虚数，e是指数函数。
[0007]进一步地，步骤S2中：归一化特征向量为：；其中为特征向量，为k个特征向量中的最小值，为k个特征向量中的最大值。
[0008]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，是模型参数，将归一化特征向量作为输入信号，L为滞后算子，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。
[0009]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。
[0010]本专利技术还提出了一种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。
[0011]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。
[0012]相比于现有技术，本专利技术具有如下有益技术效果：本专利技术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。
[0013]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
[0014]为了更清楚地说明本专利技术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专利技术的一些实施例，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为本专利技术的LNG加气站智能控制方法的流程图;图2为本专利技术的信号在频域中的波形特征示意图;图3为本专利技术的LNG加气站智能控制系统的结构示意图。
具体实施方式
[0015]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。
[0016]在本专利技术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。
[0017]如图1所示，为本专利技术的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。
[0018]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。
[0019]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。
[0020]S2、利用模态分解方法分析经过处理本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种LNG加气站智能控制方法，其特征在于，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。2.根据权利要求1所述的LNG加气站智能控制方法，其特征在于，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，为模态特征信号的相位函数；模态特征信号的特征向量为：；j代表虚数，e是指数函数。3.根据权利要求2所述的LNG加气站智能控制方法，其特征在于，步骤S2中：归一化特征向量为：；其中为特征向量，为k个特征向量中的最小值，为k个特征向量中的最大值。4.根据权利要求1所述的LNG加气站智能控制方法，其特征在于，步骤S3中：BP神经网络模型如下： ；其中Y为模型的输出数据，是模型参数，将归一化特征向量作为输入信号，L为滞后算子，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。5.根据权利要求1所述的LNG加气站智能控制方法，其特征在于，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...

【专利技术属性】
技术研发人员：石恩华，潘自登，高晓佳，白利强，
申请(专利权)人：天津佰焰科技股份有限公司，
类型：发明
国别省市：