阅读说明：本技术 一种基于现场总线网络的油气浓度智能监测系统 (Oil gas concentration intelligent monitoring system based on field bus network ) 是由 马从国 郇小城 周红标 周恒瑞 马海波 丁晓红 王建国 陈亚娟 杨玉东 张利兵 于 2019-09-10 设计创作，主要内容包括：本发明公开了一种基于现场总线网络的油气浓度智能监测系统,所述系统由基于CAN现场总线网络的加油站油罐区环境参数采集平台和加油站油罐区环境多点油气浓度泄露分类子系统组成,该系统实现对加油站油罐区环境油气泄露浓度智能化检测和对油气泄露浓度等级进行分类；本发明不但有效解决了传统加油站油罐区环境油气浓度检测装置油气浓度检测装备设计不合理、设备落后、检测系统不完善等原因导致加油站油罐区环境油气浓度检测仍存在许多问题,而且有效解决了现有的加油站油罐区环境监测系统,对加油站油罐区环境的浓度进行检测与分类,从而极大的提高加油站油罐区环境油气浓度检测的精确度和鲁棒性。(The invention discloses an intelligent oil and gas concentration monitoring system based on a field bus network, which consists of a fuel tank area environment parameter acquisition platform of a fuel station based on a CAN field bus network and a multi-point oil and gas concentration leakage classification subsystem of the fuel tank area environment of the fuel station, and realizes intelligent detection of the oil and gas leakage concentration of the fuel tank area environment of the fuel station and classification of the oil and gas leakage concentration grade; the invention not only effectively solves the problems of the traditional oil gas concentration detection device in the oil tank area of the gas station caused by unreasonable design, backward equipment, imperfect detection system and the like, but also effectively solves the problems of the existing oil tank area environment monitoring system of the gas station in detecting and classifying the concentration of the environment of the oil tank area of the gas station, thereby greatly improving the accuracy and robustness of the oil gas concentration detection of the environment of the oil tank area of the gas station.)

一种基于现场总线网络的油气浓度智能监测系统

技术领域

本发明涉及加油站油气环境自动化监测技术领域，具体涉及一种基于现场总线网络的油气浓度智能监测系统。

背景技术

加油站油罐区环境主要存储着油品存储容器或者管道如果发生泄漏，就会产生易燃液体蒸汽，当蒸汽压较高时，就会产生燃烧***的危险，而可燃液体具有流淌性，在常温下遇到火源就会起火燃烧，如果存储容器发生泄漏就会在流淌的过程中不断蒸发可燃蒸汽，一旦接触火源，哪怕是最微小的火花，都会引起燃烧。因此，加强消防安全管理，即时检测引起火灾的油气泄露浓度，消除安全事故隐患，避免火灾事故发生是加油站油罐区环境火灾消防安全管理最重要的工作。当存储罐发生泄漏，遇到火星，引发火灾，如果扑救措施不及时，就会引起一系列的连锁反应，造成更大的损失，产生连续性***，产生冲击波力量巨大可以在瞬间摧毁设备和厂房，破坏力极强。加油站油罐区环境是加油站涉及油品最多的区域，油品均属于易燃液体，发生火灾、***事故的概率较大，而且一旦发生事故，后果相当严重。汽加油站油罐区环境发生火灾事故不仅对人及周围设备、设施产生危害，当蒸气浓度升高时，如达到汽油***浓度极限时，将可能引发***事故。如此则经济损失会更严重，社会影响会更强烈。因此在加油站油罐区环境的安全管理、应急管理方面还有大量工作要做。从加油站油罐区环境的事故类型分析来看，泄漏和火灾***事故是加油站油罐区环境安全防范的重点。本发明专利发明了一种基于现场总线网络的油气浓度智能监测系统，该系统由基于CAN现场总线网络的加油站油罐区环境参数采集平台和加油站油罐区环境多点油气浓度泄露分类子系统组成，实现对加油站油罐区环境油气浓度的检测、预测和泄露浓度的分类，对加油站油罐区油气泄露浓度进行检测、预测和分类有比较高的精确度和鲁棒性。

发明内容

本发明提供了一种基于现场总线网络的油气浓度智能监测系统，本发明不但有效解决了传统加油站油罐区环境油气浓度检测装置油气浓度检测装备设计不合理、设备落后、检测系统不完善等原因导致加油站油罐区环境油气浓度检测仍存在许多问题，根据油气浓度变化的非线性、大滞后和加油站油罐区环境面积大油气浓度变化复杂等特点，而且有效解决了现有的加油站油罐区环境监测系统，对加油站油罐区环境的浓度进行检测与分类，从而极大的提高加油站油罐区环境油气浓度检测的精确度和鲁棒性。

本发明通过以下技术方案实现：

一种基于现场总线网络的油气浓度智能监测系统由基于CAN现场总线网络的加油站油罐区环境参数采集平台和加油站油罐区环境多点油气浓度泄露分类子系统组成，该系统实现对加油站油罐区环境油气泄露浓度智能化检测、预测和对油气泄露浓度进行分类。

本发明进一步技术改进方案是：

基于CAN现场总线网络的加油站油罐区环境参数采集平台由检测节点和现场监控端组成，它们通过CAN现场总线构建成加油站油罐区参数采集平台。检测节点分别由传感器组模块、单片机和通信模块组成，传感器组模块负责检测加油站油罐区的温度、油气浓度、风速和烟雾等加油站油罐区环境参数，由单片机控制采样间隔并通过通信模块发送给现场监控端；现场监控端由一台工业控制计算机和RS232/CAN通信模块组成，实现对检测节点检测加油站油罐区参数进行管理和对加油站油罐区多点油气浓度融合、预测和分类。基于CAN现场总线的加油站油罐区环境参数采集平台见图1所示。

本发明进一步技术改进方案是：

加油站油罐区环境多点油气浓度泄露分类子系统由多个检测点油气浓度传感器、多个时间序列三角模糊数神经网络、加油站油罐区环境多点油气浓度融合模型、三角模糊数预测模块和小波神经网络油气泄露浓度分类器共5部分组成，多个检测点油气浓度传感器感知被检测点油气泄露的浓度，每个检测点油气浓度传感器的输出作为对应的每个时间序列三角模糊数神经网络的输入，多个时间序列三角模糊数神经网络的输出作为加油站油罐区环境多点油气浓度融合模型的输入，加油站油罐区环境多点油气浓度融合模型的输出作为三角模糊数预测模块的输入，三角模糊数预测模块的输出作为小波神经网络油气泄露浓度分类器的输入，小波神经网络油气泄露浓度分类器把被检测的加油站油气泄露浓度分为不同的等级，加油站油罐区环境多点油气浓度泄露分类子系统实现对加油站油气泄露浓度的检测、模糊量化、多点融合、预测和油气泄露浓度等级的分类过程，加油站油罐区环境多点油气浓度泄露分类子系统见图2所示。

本发明进一步技术改进方案是：

多个时间序列三角模糊数神经网络由每个检测点对应的每个时间序列三角模糊数神经网络组成，时间序列三角模糊数神经网络由被检测点的油气浓度传感器输出的一段常规时间序列值作为径向基神经网络的输入、径向基神经网络和被检测点的油气浓度的三角模糊数值作为径向基神经网络的输出组成，径向基神经网络输出的三角模糊数值分别表示被检测点的油气浓度的下限值、最大可能值和上限值；时间序列三角模糊数神经网络根据被检测点的油气浓度动态变化特征把被检测点的油气浓度的一段常规时间序列值转化为被检测的油气浓度的三角模糊值来表示，这种转化更加符合被检测点的油气浓度的动态变化规律。

本发明进一步技术改进方案是：

加油站油罐区环境多点油气浓度融合模型由油气浓度时间序列三角模糊数阵列、计算油气浓度三角模糊数预测值与正负理想值的相对帖近度、计算油气浓度三角模糊数融合值共3部分组成，一段时间多个参数检测单元油气浓度的三角模糊数预测值构成油气浓度时间序列三角模糊数阵列，确定油气浓度时间序列三角模糊数阵列的正负理想值，分别计算每个检测单元的油气浓度时间序列三角模糊数预测值与油气浓度时间序列三角模糊数阵列的正负理想值的距离，每个检测单元的时间序列三角模糊数预测值的负理想值的距离除以每个检测单元的时间序列三角模糊数预测值的负理想值的距离与每个检测单元的时间序列三角模糊数预测值的正理想值的距离的和得到的商为每个检测单元的时间序列三角模糊数预测值的相对贴近度，每个检测单元的时间序列三角模糊数预测值的相对贴近度除以所有检测单元的时间序列三角模糊数预测值的相对贴近度的和得到的商为每个检测单元的时间序列三角模糊数预测值的融合权重，每个检测单元的时间序列三角模糊数预测值与该检测单元的时间序列三角模糊数预测值的融合权重的积的和得到多个检测点的时间序列三角模糊预测值的融合值。

本发明进一步技术改进方案是：

三角模糊数预测模块由3个NARX神经网络预测模型和3个相空间重构技术的Elman神经网络预测模型组成，加油站油罐区环境多点油气浓度融合模型输出的被检测环境油气浓度的三角模糊数的下限值、最大可能值和上限值分别为NARX神经网络预测模型1、NARX神经网络预测模型2和NARX神经网络预测模型3的输入，加油站油罐区环境多点油气浓度融合模型输出的被检测环境油气浓度三角模糊数的下限值、最大可能值和上限值分别与NARX神经网络预测模型1、NARX神经网络预测模型2和NARX神经网络预测模型3的输出的差分别为相空间重构技术的Elman神经网络预测模型1、相空间重构技术的Elman神经网络预测模型2和相空间重构技术的Elman神经网络预测模型3的输入，NARX神经网络预测模型1、NARX神经网络预测模型2和NARX神经网络预测模型3的输出分别与相空间重构技术的Elman神经网络预测模型1、相空间重构技术的Elman神经网络预测模型2和相空间重构技术的Elman神经网络预测模型3的输出相加和作为被检测环境油气浓度的三角模糊数预测值，该三角模糊数预测值作为三角模糊数预测模块输出。

本发明进一步技术改进方案是：

小波神经网络油气泄露浓度分类器，根据被检测加油站油罐区环境油气泄露浓度的工程实践和国家关于《加油站渗泄漏污染控制标准》，建立评估被检测的加油站油罐区环境油气泄露浓度的5种浓度等级的语言变量与5种不同三角模糊数对应关系表，将被检测的加油站油罐区环境油气泄露浓度的分为油气泄露浓度很高、油气泄露浓度高、油气泄露浓度比较高、油气泄露浓度正常和油气泄露浓度很低共5种泄露等级；小波神经网络油气泄露浓度分类器对被检测的加油站油罐区环境油气浓度泄露浓度等级进行分类，小波神经网络油气泄露浓度分类器的输出为代表油气泄露浓度等级的三角模糊数值，通过分别计算小波神经网络油气泄露浓度分类器的输出与代表被检测的加油站油罐区环境5种油气泄露浓度等级的5种三角模糊数的相似度，其中相似度最大的三角模糊数对应的油气泄露等级即为该被检测的加油站油罐区环境油气泄露当前浓度等级。

本发明与现有技术相比，具有以下明显优点：

一、本发明针对加油站油罐区环境参数测量过程中，传感器精度误差、干扰和测量温度值异常等问题存在的不确定性和随机性，本发明专利将加油站油罐区环境参数的传感器测量的参数值通过时间序列三角模糊数神经网络模型转化为三角模糊数形式表示，有效地处理了加油站油罐区环境环境被检测参数传感器测量参数的模糊性、动态性和不确定性，提高了加油站油罐区环境参数检测传感器值检测参数的客观性和可信度。

二、本发明加油站油罐区环境多点油气浓度融合模型实现对多个检测点的油气浓度三角模糊预测值进行动态融合，通过确定多个检测点的时间序列三角模糊数预测值的油气浓度时间序列三角模糊数阵列，确定油气浓度时间序列三角模糊数阵列的正负理想值，分别计算每个检测单元的油气浓度时间序列三角模糊数预测值与油气浓度时间序列三角模糊数阵列的正负理想值的距离、每个检测单元的与正负理想值的相对贴近度和融合权重，提高被检测点油气浓度三角模糊数预测值的精确度。

三、本发明所采用NARX神经网络预测模型的输入包括被检测点的三角模糊数的下限值a、可能值b和上限值c的一段时间的输入和输出历史反馈,这部分反馈输入可以认为包含了一段时间的被检测的三角模糊数的状态历史信息参与被检测的三角模糊数的预测,对于一个合适的反馈时间长度,预测得到了很好的效果,本专利的NARX神经网络预测模式提供了一种有效的加油站油罐区环境参数的三角模糊数检测方法。

四、本发明所采用的NARX神经网络预测模型是一种能够有效对加油站被检测点参数的三角模糊数的下限值a、可能值b和上限值c的非线性、非平稳时间序列进行预测的动态神经网络模型，能够在时间序列非平稳性降低的情况下提高对加油站被检测点三角模糊数的时间序列的预测精度。与传统的预测模型方法相比，此方法具有处理非平稳时间序列效果好，计算速度快，准确率高的优点。通过对非平稳的油罐车油气泄漏浓度实验数据的实际对比，本专利验证了NARX神经网络预测模型对加油站被检测点的三角模糊数时间序列预测的可行性。同时，实验结果也证明了NARX神经网络预测模型在非平稳时间序列预测中比传统模型表现更加优异。

五、本发明利用NARX神经网络建立加油站被检测点的三角模糊参数预测模型，由于通过引入延时模块及输出反馈建立模型的动态递归网络，它将输入和输出向量延时反馈引入网络训练中，形成新的输入向量，具有良好的非线性映射能力，网络模型的输入不仅包括原始输入数据，还包含经过训练后的输出数据，网络的泛化能力得到提高，使其在非线性油罐车油气泄漏浓度时间序列预测中较传统的静态神经网络具有更好的预测精度和自适应能力。

六、本发明所采用的相空间重构技术的Elman神经网络预测模型实现对被检测点的参数三角模糊数的残差进行预测，该预测值作为被检测点的三角模糊数的补偿值，提高被检测点的三角模糊数检测的精确度，该Elman神经网络预测模型一般分为4层:输入层、中间层(隐含层)、承接层和输出层,其输入层、隐含层和输出层的连接类似于前馈网络,输入层的单元仅起信号传输作用,输出层单元起线性加权作用。隐含层单元的传递函数可采用线性或非线性函数,承接层又称为上下文层或状态层,它用来记忆隐含层单元前一时刻的输出值,可以认为是一个一次延时算子。Elman神经网络预测模型的特点是隐含层的输出通过承接层的延迟与存储,自联到隐含层的输入,这种自联方式使其对历史状态的数据具有敏感性,内部反馈网络的加入增加了网络本身处理动态信息的能力,从而达到了动态建模的目的。Elman神经网络预测模型回归神经元网络的特点是隐层的输出通过结构单元的延迟、存储自联到隐层的输入,这种自联方式使其对历史状态的数据具有敏感性,内部反馈网络的加入增加了网络本身处理动态信息的能力,有利于动态过程的建模；该模型利用关联层动态神经元的反馈连接,将未来预测网络和过去预测网络的信息进行融合,使网络对时间序列特征信息的记忆得到加强,从而提高被检测点的三角模糊数的预测精度。

七、本发明将相空间重构和Elman神经网络二者结合起来构建相空间重构的Elman神经网络预测模型影响火灾危险度的油气浓度、温度和烟雾的参数进行补偿预测，该预测模型将重构相空间能够估计出预测参数的一维时间序列的演化信息并把一维时间序列拓展为包含着多态信息的多维序列，从而使被预测参数的结果跟实际值更加吻合；另外，使用相空间重构的输出向量作为Elman神经网络的输入值避免了选取Elman神经网络输入参数时的随意性，采用相空间重构的Elman神经网络预测模型提高预测影响加油站火灾参数的准确性和可靠性，对准确预测加油站火灾危险有重要价值。

八、本发明小波神经网络油气泄露浓度分类器的科学性和可靠性，本专利的小波神经网络油气泄露浓度分类器根据被检测加油站油罐区环境油气泄露浓度的工程实践和国家关于《加油站渗泄漏污染控制标准》，建立评估被检测的加油站油罐区环境油气泄露浓度的5种浓度等级的语言变量与5种不同三角模糊数对应关系表，将被检测的加油站油罐区环境油气泄露浓度的分为油气泄露浓度很高、油气泄露浓度高、油气泄露浓度比较高、油气泄露浓度正常和油气泄露浓度很低共5种泄露等级；小波神经网络油气泄露浓度分类器对被检测的加油站油罐区环境油气浓度泄露浓度等级进行分类，小波神经网络油气泄露浓度分类器的输出为代表油气泄露浓度等级的三角模糊数值，通过分别计算小波神经网络油气泄露浓度分类器的输出与代表被检测的加油站油罐区环境5种油气泄露浓度等级的5种三角模糊数的相似度，其中相似度最大的三角模糊数对应的油气泄露等级即为该被检测的加油站油罐区环境油气泄露当前浓度等级，实现对加油站火灾危险等级分类的动态性能和科学分类。

附图说明

图1基于CAN现场总线网络的加油站油罐区环境参数采集平台；

图2加油站油罐区环境多点油气浓度泄露分类子系统；

图3检测节点功能图；

图4现场监控端软件功能图；

图5时间序列三角模糊数神经网络模型；

图6加油站油罐区环境参数采集台平面布置图。

具体实施方式

结合附图1-6，对本发明技术方案作进一步描述：

1、系统总体功能的设计

本发明实现对加油站油罐区环境因子参数进行检测和加油站油罐区环境多点油气泄露浓度的检测、预测和分类，该系统由基于CAN现场总线网络的加油站油罐区环境参数采集平台和加油站油罐区环境多点油气浓度泄露分类子系统两部分组成。由基于CAN现场总线网络的加油站油罐区环境参数采集平台的多个检测节点1和现场监控端2组成，通过CAN现场总线方式构建成测控网络来实现检测节点1和现场监控端2之间的现场通信；检测节点1将检测的加油站油罐区环境参数发送给现场监控端2并对传感器数据进行初步处理；现场监控端2把控制信息传输到检测节点1。整个系统结构见图1所示。

2、检测节点的设计

采用基于CAN现场总线的检测节点1作为加油站油罐区环境参数感知终端，检测节点1和和现场监控端2通过CAN现场总线方式实现与现场监控端2之间的信息相互交互。检测节点1包括采集加油站油罐区环境温度、油气浓度、风速和烟雾参数的传感器和对应的信号调理电路、STC89C52RC微处理器；检测节点的软件主要实现现场总线通信和加油站油罐区环境参数的采集与预处理。软件采用C语言程序设计，兼容程度高，大大提高了软件设计开发的工作效率，增强了程序代码的可靠性、可读性和可移植性。检测节点结构见图3。

3、现场监控端软件

现场监控端2是一台工业控制计算机，现场监控端2主要实现对加油站油罐区环境参数进行采集和多点油气浓度进行融合、预测和分类，实现与检测节点1与控制节点2的信息交互，现场监控端2主要功能为通信参数设置、数据分析与数据管理和加油站油罐区环境多点温度融合。该管理软件选择了Microsoft Visual++6.0作为开发工具，调用系统的Mscomm通信控件来设计通讯程序，现场监控端软件功能见图4。加油站油罐区环境多点油气浓度泄露分类子系统由多个检测点油气浓度传感器、多个时间序列三角模糊数神经网络、加油站油罐区环境多点油气浓度融合模型、三角模糊数预测模块和小波神经网络油气泄露浓度分类器共5部分组成，多个检测点油气浓度传感器感知被检测点油气泄露的浓度，每个检测点油气浓度传感器的输出作为对应的每个时间序列三角模糊数神经网络的输入，多个时间序列三角模糊数神经网络的输出作为加油站油罐区环境多点油气浓度融合模型的输入，加油站油罐区环境多点油气浓度融合模型的输出作为三角模糊数预测模块的输入，三角模糊数预测模块的输出作为小波神经网络油气泄露浓度分类器的输入，小波神经网络油气泄露浓度分类器把被检测的加油站油气泄露浓度分为不同的等级，加油站油罐区环境多点油气浓度泄露分类子系统实现对加油站油气泄露浓度的检测、模糊量化、多点融合、预测和油气泄露浓度等级的分类过程，加油站油罐区环境多点油气浓度泄露分类子系统见图2，加油站油罐区环境多点油气浓度泄露分类子系统算法如下：

1、时间序列三角模糊数神经网络模型

设有加油站被检测点油气浓度值的时间序列为x(t),x(t-1),…,x(t-d+1),x(t-d)，根据加油站被检测点油气浓度参数一段常规时间序列值作为径向基神经网络的输入，径向基神经网络的输出为t+1时刻加油站被检测点油气浓度参数的三角模糊数值为S，S三角模糊数表示为[a,b,c]等于[s₁,s₂,s₃]，a表示被检测点油气浓度下限值，b表示被检测点油气浓度最大可能值，c表示被检测点油气浓度上限值，被检测参数的t+1时刻三角模糊数值大小依赖于被检测参数的前d个时刻的常规时间序列数值状态值，d为时间窗口，根据S与前d个时刻的被检测点油气浓度值参数时间序列数值存在函数依赖关系这一特点，通过被检测点油气浓度值参数的时间序列三角模糊数神经网络来建立被检测点油气浓度值参数的一段时间序列常规序列值预测被检测点油气浓度值参数的t+1时刻的被检测点油气浓度值参数的三角模糊数值之间的关系，被检测点油气浓度值参数的时间序列三角模糊数神经网络模型1结构图如5所示。神经网络的径向基向量为H＝[h₁,h₂,…；h_p]^T，h_p为基函数。径向基神经网络中常用的径向基函数是高斯函数，其表达式为：

式中X为被检测参数的传感器的时间序列输出，C为隐含层神经元高斯基函数中心点坐标向量，δ_j为隐含层第j个神经元高斯基函数的宽度；网络的输出连接权值向量为w_ij，时间序列三角模糊数神经网络模型输出表达式为：

被检测点油气浓度参数的时间序列三角模糊数神经网络模型1的关键就是要根据过去过去一段时间被检测点油气浓度值参数的d个时刻的被检测点油气浓度值数据和t+1时刻的被检测点油气浓度值参数的三角模糊数据来拟合出映射关系f，进而通过径向基神经网络前向传播得到检测点油气浓度值拟合函数的三角模糊数值S。被检测点油气浓度值参数的时间序列三角模糊数神经网络的数学模型可表示为：

S＝f(x(t),x(t-1),…,x(t-d+1),x(t-d)) (3)

检测点温度传感器对应的时间序列三角模糊数神经网络模型2和检测点烟雾传感器对应的时间序列三角模糊数神经网络模型3的设计方法类似于时间序列三角模糊数神经网络模型1。

2、加油站油罐区环境多点油气浓度融合模型

加油站油罐区环境多点油气浓度融合模型由油气浓度时间序列三角模糊数阵列、计算油气浓度三角模糊数预测值与理想值的相对帖近度、计算油气浓度三角模糊数融合值共3部分组成，一段时间多个参数检测单元油气浓度的三角模糊数预测值构成油气浓度时间序列三角模糊数阵列，分别计算每个检测单元的时间序列三角模糊数预测值与油气浓度时间序列三角模糊数阵列的正理想值的距离和每个检测单元的时间序列三角模糊数预测值与油气浓度时间序列三角模糊数阵列的负理想值的距离，分别计算每个检测单元的时间序列三角模糊数预测值的负理想值的距离除以每个检测单元的时间序列三角模糊数预测值的负理想值的距离与每个检测单元的时间序列三角模糊数预测值的正理想值的距离的和得到的商为每个检测单元的时间序列三角模糊数值的相对贴近度，每个检测单元的时间序列三角模糊数值的对贴近度除以所有检测单元的时间序列三角模糊数值的对贴近度的和得到的商为每个检测单元的时间序列三角模糊数的融合权重，每个检测单元的时间序列三角模糊数值与该检测单元的时间序列三角模糊数的融合权重的积的和得到多个检测点的时间序列三角模糊融合值；加油站油罐区环境多点油气浓度融合模型的算法如下：

⑴、构建油气浓度时间序列三角模糊数阵列

一段时间多个参数检测单元油气浓度的三角模糊数预测值构成油气浓度时间序列三角模糊数阵列，设有n个检测点和m个时刻的nm个参数检测单元的三角模糊数预测值构成n行和m列的油气浓度时间序列三角模糊数阵列，设不同时刻不同参数检测单元油气浓度的模糊三角数预测值为X_ij(t),X_ij(t+1),…,X_ij(d)，则油气浓度时间序列三角模糊数阵列为：

⑵、计算油气浓度三角模糊数预测值与理想值的相对帖近度

同一时刻所有检测单元油气浓度的三角模糊数预测值的平均值构成油气浓度时间序列三角模糊数阵列的正理想值，时间序列三角模糊数正理想值为：

同一时刻检测单元油气浓度的三角模糊数预测值与正理想值的距离最大的三角模糊数预测值构成油气浓度时间序列三角模糊数阵列的负理想值，时间序列三角模糊数负理想值为：

每个检测单元的时间序列三角模糊数预测值与油气浓度时间序列三角模糊数阵列的正理想值的距离为：

每个检测单元的时间序列三角模糊数预测值与油气浓度时间序列三角模糊数阵列的负理想值的距离为：

每个检测单元的时间序列三角模糊数预测值的负理想值的距离除以每个检测单元的时间序列三角模糊数预测值的负理想值的距离与每个检测单元的时间序列三角模糊数预测值的正理想值的距离的和得到的商为每个检测单元的时间序列三角模糊数值的相对贴近度为：

⑶、计算油气浓度三角模糊数融合值

通过(9)公式计算可以知道，每个检测单元的时间序列三角模糊数值与油气浓度时间序列三角模糊数阵列的正负理想值的相对贴近度越大，则该检测单元的时间序列三角模糊数值离正理想值相对就越接近，否则该检测点的时间序列三角模糊数值离正理想值相对就越接远离，根据这个原理确定每个检测单元的时间序列三角模糊数值的对贴近度除以所有检测单元的时间序列三角模糊数值的对贴近度的和得到的商为每个检测单元的时间序列三角模糊数的融合权重为：

根据每个检测单元的时间序列三角模糊数值与该检测单元的时间序列三角模糊数的融合权重的积的和得到多个检测点的时间序列三角模糊融合值为：

3、三角模糊数预测模块

三角模糊数预测模块包括3个NARX神经网络预测模型和3个相空间重构技术的Elman神经网络预测模型，3个NARX神经网络预测模型1、NARX神经网络预测模型2和NARX神经网络预测模型3分别对时间序列三角模糊数神经网络模型1输出S三角模糊数的被检测点参数下限值a、被检测点参数最大可能值b和对被检测点参数上限值c进行预测；3个相空间重构技术的Elman神经网络预测模型1、相空间重构技术的Elman神经网络预测模型2和相空间重构技术的Elman神经网络预测模型3分别对被检测点的三角模糊数S的下限值a与NARX神经网络预测模型1输出的残差、被检测点被检测点的三角模糊数S最大可能值b与NARX神经网络预测模型2输出的残差和对被检测点的被检测点的三角模糊数S上限值c与NARX神经网络预测模型3的输出的残差进行预测；3个NARX神经网络预测模型1、NARX神经网络预测模型2和NARX神经网络预测模型3的输出分别和3个相空间重构技术的Elman神经网络预测模型1、相空间重构技术的Elman神经网络预测模型2和相空间重构技术的Elman神经网络预测模型3的输出分别相加得到的和分别为被检测点的三角模糊数S油气浓度下限值a预测值、被检测点的被检测点的三角模糊数S油气浓度最大可能值b预测值和被检测点的油气浓度上限值c预测值，并构成了三角模糊数预测值，即为s′为[a′,b′,c′]。3个相空间重构技术的Elman神经网络预测模型1、相空间重构技术的Elman神经网络预测模型2和相空间重构技术的Elman神经网络预测模型3对3个NARX神经网络预测模型1、NARX神经网络预测模型2和NARX神经网络预测模型3分别预测时间序列三角模糊数神经网络模型1输出S三角模糊数a、b和c进一步残差预测进行补偿，提高了预测a、b和c准确性。

⑴、NARX神经网络预测模型设计

本发明专利的3个NARX神经网络预测模型分别对3个时间序列三角模糊数神经网络模型1输出S三角模糊数的被检测点参数下限值a、被检测点参数最大可能值b和对被检测点参数上限值c进行预测，NARX神经网络(Nonlinear Auto-Regression with Externalinput neural network)是一种动态的前馈神经网络，NARX神经网络是一个有着被预测输入参数的非线性自回归网络，它具有一个多步时延的动态特性，并通过反馈连接输入被输入参数的封闭网络的若干层，NARX回归神经网络是非线性动态系统中应用最广泛的一种动态神经网络，其性能普遍优于全回归神经网络。本专利的NARX神经网络预测模型由输入层、隐层、输出层及输入和输出延时延构成，在应用前一般要事先确定输入和输出的延时阶数、隐层神经元个数，NARX神经网络预测模型的当时输出不仅取决于过去的输出y(t-n)，还取决于当时的输入向量X(t)以及输入向量的延迟阶数等。NARX神经网络预测模型结构包括输入层、输出层、隐层和时延层，其中被被预测输入参数通过时延层传递给隐层，隐层对输入的信号进行处理后传递到输出层，输出层将隐层输出信号做线性加权获得最终的神经网络预测输出信号，时延层将网络反馈的信号和输入层输出的信号进行延时，然后输送到隐层。NARX神经网络预测模型具有非线性映射能力、良好的鲁棒性和自适应性等特点，适宜对输入参数进行预测。x(t)表示神经网络的外部输入，即时间序列三角模糊数神经网络模型1输出S三角模糊数的被检测点参数下限值a；m表示外部输入a的延迟阶数；y(t)是神经网络的输出，即a的预测值；n是输出延迟阶数；s为隐含层神经元的个数；由此可以得到第j个隐含单元的输出为：

上式中，w_ji为第i个输入与第j个隐含神经元之间的连接权值，b_j是第j个隐含神经元的偏置值，NARX神经网络预测模型的输出y(t+1)代表a的预测值为：

y(t+1)＝f[y(t),y(t-1),…,y(t-n),x(t),x(t-1),…,x(t-m+1)；W] (13)

NARX神经网络预测模型2和NARX神经网络预测模型3分别对时间序列三角模糊数神经网络模型1输出S三角模糊数的被检测点参数最大可能值b和对被检测点参数上限值c进行预测，它们的设计方法与NARX神经网络预测模型1类似。

⑵、相空间重构技术的Elman神经网络预测模型设计

由相空间重构技术和Elman神经网络构成的3个相空间重构技术的Elman神经网络预测模型1、相空间重构技术的Elman神经网络预测模型2和相空间重构技术的Elman神经网络预测模型3分别对被检测点的三角模糊数S的下限值a与NARX神经网络预测模型1输出的残差、被检测点的三角模糊数S的最大可能值b与NARX神经网络预测模型2输出的残差和对被检测点的三角模糊数S的上限值c与NARX神经网络预测模型3输出的残差进行预测；3个相空间重构技术的Elman神经网络预测模型1、相空间重构技术的Elman神经网络预测模型2和相空间重构技术的Elman神经网络预测模型3分别用于对被检测点的三角模糊数S的下限值a、最大可能值b和的上限值c的残差进行预测，3个相空间重构技术的Elman神经网络预测模型经足够多的训练样本训练模拟出预测被检测点的三角模糊数S的下限值a、最大可能值b和的上限值c残差的变化量，从而实现对被检测点的三角模糊数S预测的补偿。

3个相空间重构的Elman神经网络预测模型的预测方法的具体步骤如下：

第1步：收集被检测点传感器对应的时间序列三角模糊数神经网络模型1的输出三角模糊数S的的下限值a、最大可能值b和的上限值c分别和3个NARX神经网络预测模型1输出值、NARX神经网络预测模型2输出值和NARX神经网络预测模型3输出值的3个系列差，分别构成对应a、b和c的3个残差时间序列数据。

第2步：按照常规确定最优延时常数τ及嵌入维数m。

第3步：构建Elman神经网络预测模型，Elman神经网络预测模型是一个具有局部记忆单元和局部反馈连接的前向神经网络，关联层从隐层接收反馈信号,每一个隐层节点都有一个与之对应的关联层节点连接。关联层将上一时刻的隐层状态连同当前时刻的网络输入一起作为隐层的输入作为状态反馈。隐层的传递函数一般为Sigmoid函数,关联层和输出层为线性函数。设Elman神经网络预测模型的输入层、输出层和隐层的个数分别为m,n和r；w₁，w₂，w₃和w₄分别表示结构层单元到隐层、输入层到隐层、隐层到输出层、结构层到输出层的连接权矩阵,则网络的隐含层、关联层和输出层的输出值表达式分别为:

c_p(k)＝x_p(k-1) (15)

3个相空间重构技术的Elman神经网络预测模型1、相空间重构技术的Elman神经网络预测模型2和相空间重构技术的Elman神经网络预测模型3的输入数据为三角模糊数神经网络模型1的输出三角模糊数S的下限值a、最大可能值b和的上限值c分别和3个NARX神经网络预测模型1输出值、NARX神经网络预测模型2输出值和NARX神经网络预测模型3输出值的3个系列差构成的3个对应a、b和c的残差时间序列数据，3个相空间重构技术的Elman神经网络预测模型1、相空间重构技术的Elman神经网络预测模型2和相空间重构技术的Elman神经网络预测模型3的输出分别为a、b和c的预测补偿值。Elman神经网络预测模型输入维数等于嵌入维数m，每个输入数据之间时间相差τ个时间点，即将a、b和c的残差时间序列数据作为Elman神经网络预测模型的输入；隐含层取单层，个数按2m+1方法确定；输出层含有一个神经元，其输出即为要预测时间点的残差预测值。若其中一个残差时间序列数据是X(t₀),X(t₁),…,X(t_i),…,X(t_n)，首先使用MatlabR2012a编程对时间序列进行相空间重构，相空间重构的输出结果如下：

第4步：Elman神经网络预测模型网络训练，从a、b和c的残差时间序列原始数据中选取部分数据，进行网络训练，直到训练达到要求为止。

第5步：从a、b和c的残差时间序列原始数据中选取测试样本，若达到要求，即可进入第6步进行预测，如测试误差较大，返回第4步重新训练，或返回第3步重新设计网络结构。

第6步：选取预测时间点，应用前面建立的Elman神经网络预测模型进行预测，

可由下公式得到预测值：

Y＝f(X(t₀+mτ),X(t₁+mτ)…X(t_i+mτ)…X(t_n+τ)) (18)

4、小波神经网络油气泄露浓度分类器设计

三角模糊数预测模块输出作为被检测的加油站油罐区环境油气浓度的三角模糊数预测值，该预测值作为小波神经网络油气泄露浓度分类器的输入，小波神经网络油气泄露浓度分类器根据被检测的加油站油罐区环境油气浓度预测值的动态变化状况，将被检测的加油站油罐区环境油气泄露浓度的分为油气泄露浓度很高、油气泄露浓度高、油气泄露浓度比较高、油气泄露浓度正常和油气泄露浓度很低共5种泄露等级，小波神经网络油气泄露浓度分类器的输出为代表油气泄露浓度等级的三角模糊数值；根据根据被检测加油站油罐区环境油气泄露浓度的工程实践和国家关于《加油站渗泄漏污染控制标准》，小波神经网络油气泄露浓度分类器对被检测的加油站油罐区环境油气浓度泄露浓度等级进行分类，通过分别计算小波神经网络油气泄露浓度分类器的输出与代表被检测的加油站油罐区环境5种油气泄露浓度等级的三角模糊数相似度，其中相似度最大的三角模糊数对应的油气泄露等级为被检测的加油站油罐区环境油气泄露浓度等级即为该被检测的加油站油罐区环境油气泄露当前浓度等级。小波神经网络油气泄露浓度分类器基于小波神经网络WNN(Wavelet Neural Networks)理论基础构建的加油站油气泄露浓度分类器,小波神经网络以小波函数为神经元的激励函数并结合人工神经网络提出的一种前馈型网络。小波神经网络油气泄露浓度分类器中小波的伸缩、平移因子以及连接权重在对误差能量函数的优化过程中被自适应调整。设一段连续时间加油站油气泄露浓度的三角模糊数预测值的清晰化值作为输入小波神经网络油气泄露浓度分类器的一维向量x_i(i＝1,2,…,n)，输出表示为加油站油气泄露浓度等级的三角模糊数值y_k(k＝1,2,…,m)，其中m等于3，代表加油站油气泄露浓度等级的小波神经网络油气泄露浓度分类器输出层输出的计算公式为：

公式中ω_ij输入层i节点和隐含层j节点间的连接权值，

为小波基函数，b_j为小波基函数的平移因子，a_j小波基函数的伸缩因子，ω_jk为隐含层j节点和输出层k节点间的连接权值。本专利中的小波神经网络油气泄露浓度分类器的权值和阈值的修正算法采用梯度修正法来更新网络权值和小波基函数参数，从而使小波神经网络油气泄露浓度分类器输出不断逼近期望输出。分别求取小波神经网络油气泄露浓度分类器输出与代表5种加油站油罐区环境油气泄露浓度等级语言变量对应的三角模糊数的相似度，相似度最大的三角模糊数对应的油气泄露浓度等级为被检测加油站油罐区环境油气泄露等级。

根据被检测加油站油罐区环境油气泄露浓度的工程实践和国家关于《加油站渗泄漏污染控制标准》，建立评估被检测的加油站油罐区环境油气泄露浓度的5种浓度等级的语言变量与三角模糊数对应关系表，见表1所示。

序号	油气泄露等级	三角模糊数
			1	油气泄露浓度很低	(0.00，0.00，0.25)
2	油气泄露浓度正常	(0.00，0.25，0.50)
			3	油气泄露浓度比较高	(0.25，0.50，0.75)
4	油气泄露浓度高	(0.50，0.75，1.00)
			5	油气泄露浓度很高	(0.75，1.00，1.0)

5、加油站油罐区环境参数检测系统的设计举例

根据加油站油罐区环境的状况，系统布置了检测节点1和现场监控端2的平面布置安装图，其中检测节点1均衡布置在被检测加油站油罐区环境中，整个系统平面布置见图6，通过该系统实现对加油站油罐区环境参数的采集与加油站油罐区环境油气浓度的智能化分类。

本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段，还包括由以上技术特征任意组合所组成的技术方案。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。