具体实施方式

下面通过具体实施方式进一步详细说明：

实施例1基本如附图1所示：

基于传感器网络的油气数据采集系统，包括数据检测模块、历史数据获取模块、分析频率生成模块、异常分析模块和分析频率调整模块。所述数据检测模块检测油气管道的油气数据，所述油气数据包括压力值、流通量和温度，本实施例中，在油气管道上设有多个检测节点，每一个检测节点中都设有数据检测模块。

历史数据获取模块分别获取不同油气管道发生泄漏时，各油气数据的变化幅度，具体的，获取油气管道发生泄漏时，相邻检测节点各油气数据的差值，设上游检测节点的油气数据(压力值、流通量和温度)为A(A1、A2、A3)，下游检测节点的油气数据(压力值、流通量和温度)为B(B1、B2、B3)，以(A-B)/A作为各油气数据的变化幅度。

分析频率生成模块根据不同油气管道发生泄漏时，各油气数据的变化幅度，生成对不同油气管道各油气数据的分析频率，所述分析频率与变化幅度成正比，即油气数据在油气管道发生泄漏时的变化幅度越大，其分析频率也会越高，本方案中共有三个油气数据，故在设置分析频率时，由高到低分别为2min/次、5min/次和8min/次。

异常分析模块根据数据检测模块检测的油气数据，分析油气数据的异常值，所述异常值为(A-B)。分析频率调整模块用于变化幅度最大的油气数据的异常值超过其异常阈值时，调高其他油气数据的分析频率，本实施例中将其他油气数据的分析频率调高为原分析频率的两倍，本实施例中各油气数据的异常阈值均为上游检测节点检测到的油气数据的十分之一。

实施例2基本如附图1所示：

实施例2基本原理与实施例1相同，其区别在于实施例2中还包括阀门控制模块，用于根据所述油气数据的异常值，控制上游检测节点中的阀门开度。阀门控制模块包括异常数量计算模块、智能预估模块和阀门开度调整模块。异常数量计算模块用于计算异常值超过其异常阈值的油气数据的数量，及异常值未超过其异常阈值的油气数据的数量。

异常值未超过其异常阈值的油气数据少于异常值超过其异常阈值的油气数据时，阀门开度调整模块关小油气管道的阀门开度。

异常值未超过其异常阈值的油气数据多于异常值超过其异常阈值的油气数据时，智能预估模块通过人工智能模型，根据当前的阀门开度和油气数据，分析开大油气管道的阀门开度后的危险系数及异常值最大的油气数据。

具体的，智能预估模块通过BP神经网络模型，使用BP神经网络技术来对危险系数及异常值最大的油气数据进行预测，具体的首先构建一个三层的BP神经网络模型，包括输入层、隐层和输出层，本实施例中，以当前的阀门开度、压力值、流通量和温度作为输入层的输入，因此输入层有4个节点，而输出是危险系数及异常值最大的油气数据，因此共有2个节点，本实施例中，危险系数由高至低分为1-10；针对于隐层，本实施例使用了以下公式来确定隐层节点的数量：其中l为隐层的节点数，n为输入层的节点数，m为输出层的节点数，a为1至10之间的一个数，本实施例中取为6，因此隐层共有9个节点。BP神经网络通常采用Sigmoid可微函数和线性函数作为网络的激励函数。本实施例选择S型正切函数tansig作为隐层神经元的激励函数。预测模型选取S型对数函数tansig作为输出层神经元的激励函数。在BP网络模型构建完毕后，利用历史数据作为样本对模型进行训练，训练完成后得到的预测模型可以取得较为准确的预测结果。

阀门开度调整模块用于异常值未超过其异常阈值的油气数据多于异常值超过其异常阈值的油气数据，但危险系数超过危险阈值时，关小油气管道的阀门开度；异常值未超过其异常阈值的油气数据多于异常值超过其异常阈值的油气数据，且危险系数未超过危险阈值时，开大油气管道的阀门开度并重新对油气数据进行检测与分析。本实施例中，危险阈值为4。

分析频率调整模块还用于调高对开大油气管道的阀门开度后，异常值最大的油气数据的分析频率，本实施例中调整为原分析频率的两倍。

实施例3基本如附图2所示：

基于传感器网络的油气数据采集方法，包括以下步骤：

S1：检测油气管道的油气数据，所述油气数据包括压力值、流通量和温度；本实施例中，在油气管道上设有多个检测节点，每一个检测节点中都会对油气管道的油气数据进行检测。

S2：分别获取不同油气管道发生泄漏时，各油气数据的变化幅度；具体的，获取油气管道发生泄漏时，相邻检测节点各油气数据的差值，设上游检测节点的油气数据(压力值、流通量和温度)为A(A1、A2、A3)，下游检测节点的油气数据(压力值、流通量和温度)为B(B1、B2、B3)，以(A-B)/A作为各油气数据的变化幅度。

S3：根据不同油气管道发生泄漏时，各油气数据的变化幅度，生成对不同油气管道各油气数据的分析频率，所述分析频率与变化幅度成正比；即油气数据在油气管道发生泄漏时的变化幅度越大，其分析频率也会越高，本方案中共有三个油气数据，故在设置分析频率时，由高到低分别为2min/次、5min/次和8min/次。

S4：根据检测的油气数据，分析油气数据的异常值；所述异常值为(A-B)。

S5：变化幅度最大的油气数据的异常值超过其异常阈值时，调高其他油气数据的分析频率；本实施例中将其他油气数据的分析频率调高为原分析频率的两倍，本实施例中各油气数据的异常阈值均为上游检测节点检测到的油气数据的十分之一。

实施例4基本如附图2所示：

实施例4基本原理与实施例3相同，其区别在于实施例4中还包括S6和S7。

所述S6包括：

S6010：计算异常值超过其异常阈值的油气数据的数量，及异常值未超过其异常阈值的油气数据的数量；

1、异常值未超过其异常阈值的油气数据少于异常值超过其异常阈值的油气数据时：

S6020：关小上游检测节点中的油气管道的阀门开度。

2、异常值未超过其异常阈值的油气数据多于异常值超过其异常阈值的油气数据时：

S6015：通过人工智能模型，根据当前的阀门开度和油气数据，分析开大油气管道的阀门开度后的危险系数及异常值最大的油气数据；具体的，构建一个三层的BP神经网络模型，以当前的阀门开度、压力值、流通量和温度作为输入层的输入，危险系数及异常值最大的油气数据作为输出层的输出。

S6020：本实施例中，危险系数由高至低分为1-10。危险系数超过危险阈值时，关小油气管道的阀门开度；危险系数未超过危险阈值时，开大油气管道的阀门开度并重新对油气数据进行检测与分析。本实施例中，危险阈值为4。

S7：调高对开大油气管道的阀门开度后，异常值最大的油气数据的分析频率，本实施例中调整为原分析频率的两倍。

以上的仅是本发明的实施例，方案中公知的具体结构及特性等常识在此未作过多描述，所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识，能够获知该领域中所有的现有技术，并且具有应用该日期之前常规实验手段的能力，所属领域普通技术人员可以在本申请给出的启示下，结合自身能力完善并实施本方案，一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出，对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。