一种基于无线传感器网络的油罐车油气泄漏智能监测系统

摘要

本发明公开了一种基于无线传感器网络的油罐车油气泄漏智能监测系统，实现对油罐车在途参数进行检测和油罐车油气泄漏浓度智能预测，该系统由基于无线传感器网络的油罐车在途状态参数采集与智能预测平台和油罐车油气泄漏浓度智能预测模型两部分组成；本发明目的是提供一种基于无线传感器网络的油罐车油气泄漏智能监测系统，该系统实时监测油罐车在行驶途中的温湿度、压力和是否泄漏等安全信息，从而避免意外事故的发生问题。

权利要求

1.一种基于无线传感器网络的油罐车油气泄漏智能监测系统，实现对油罐车在途参数进行检测和油罐车油气泄漏浓度智能预测，其特征在于：所述智能监测系统包括基于无线传感器网络的油罐车在途状态参数采集与智能预测平台、油罐车油气泄漏浓度智能预测模型；

所述基于无线传感器网络的油罐车在途状态参数采集与智能预测平台由多个检测节点和现场监控端组成，并以自组织方式构建成油罐车在途状态参数采集与智能预测平台；

所述检测节点由传感器组模块、单片机和无线通信模块NRF2401组成，负责检测油罐车表面的温度、压力和油气浓度的实际值；所述现场监控端实现对油罐车在途参数进行管理和对油罐车在途泄漏油气浓度进行预测；

所述油罐车油气泄漏浓度智能预测模型包括多个NARX神经网络预测模型、模糊C-均值聚类算法分类器、多个经验模态分解模型、多组ANFIS网络预测模型和基于PSO的ELman网络油罐车油气泄漏浓度融合模型；每个NARX神经网络预测模型输出作为模糊C-均值聚类算法分类器的输入，模糊C-均值聚类算法分类器对多个NARX神经网络预测模型输出值进行分类，每种类型的NARX神经网络预测模型输出作为各个经验模态分解模型的输入，每个经验模态分解模型的多个输出作为每组ANFIS网络预测模型的输入，每组ANFIS网络预测模型的融合预测值作为基于PSO的ELman网络油罐车油气泄漏浓度融合模型的输入，基于PSO的ELman网络油罐车油气泄漏浓度融合模型的输出值为油罐车泄漏油气浓度值。

2.根据权利要求1所述的一种基于无线传感器网络的油罐车油气泄漏智能监测系统，其特征在于：所述多个NARX神经网络预测模型对油罐车表面每个检测点的油气泄漏浓度进行预测，多个NARX神经网络预测模型的输入为每个检测点油气浓度值，模糊C-均值聚类算法分类器根据多个NARX神经网络预测模型输出的特征值对多个NARX神经网络预测模型输出值进行分类。

3.根据权利要求1或2所述的一种基于无线传感器网络的油罐车油气泄漏智能监测系统，其特征在于：所述每种类型NARX神经网络预测模型的输出值作为每个经验模态分解模型的输入，各个经验模态分解模型把每种类型NARX神经网络预测模型的输出值分解为低频趋势部分和多个高频波动部分，低频趋势部分和多个高频波动部分分别作为每组ANFIS网络预测模型的输入，每组各个ANFIS网络预测模型的输出等权重相加和得到每组ANFIS网络预测模型的融合预测值。

说明书

一种基于无线传感器网络的油罐车油气泄漏智能监测系统

技术领域

[0001] 本发明涉及特种运输车辆设备检测技术领域，具体涉及一种基于无线传感器网络的油罐车油气泄漏智能监测系统。

背景技术

[0002] 我国油田多处于偏远地区，因此石油运输成为石油工业中一个重要环节。石油运输有长途和短途两种，长途运输主要依靠输油管道，对于短途以及某些没有铁路的沿线，石油的外运工作主要依靠油罐车。油罐车储运因其机动和灵活等特点，成为短途油品运输的主要载体。石油为易燃危险物品，司机在运输的过程中一般不允许私自停车，除非遇到道路阻塞、车辆故障等情况被迫停车，尤其在城市繁华地段更不能随意停靠，以免发生意外事故。为了实时监测油罐车在行驶途中的温湿度、压力和是否泄漏等安全信息，本申请设计了感知油罐车安全信息的无线传感器网络节点，构建了一种基于无线传感网络的油罐车在途状态监测系统。该系统由基于无线传感器网络的油罐车在途状态参数采集与智能预测平台和油罐车油气泄漏浓度智能预测模型组成，实现对油罐车油气泄漏浓度的精确监测与预测，对提高油罐车长途运输效果起到很好的推动作用。

发明内容

[0003] 本发明目的是提供一种基于无线传感器网络的油罐车油气泄漏智能监测系统，该系统实时监测油罐车在行驶途中的温湿度、压力和是否泄漏等安全信息，从而避免意外事故的发生问题。

[0004] 本发明通过以下技术方案实现：

[0005] 一种基于无线传感器网络的油罐车油气泄漏智能监测系统，实现对油罐车在途参数进行检测和油罐车油气泄漏浓度智能预测，其特征在于：所述智能监测系统包括基于无线传感器网络的油罐车在途状态参数采集与智能预测平台、油罐车油气泄漏浓度智能预测模型；

[0006] 所述基于无线传感器网络的油罐车在途状态参数采集与智能预测平台由多个检测节点和现场监控端组成，并以自组织方式构建成油罐车在途状态参数采集与智能预测平台；所述检测节点由传感器组模块、单片机和无线通信模块NRF2401组成，负责检测油罐车表面的温度、压力和油气浓度的实际值；所述现场监控端实现对油罐车在途参数进行管理和对油罐车在途泄漏油气浓度进行预测；

[0007] 所述油罐车油气泄漏浓度智能预测模型包括多个NARX神经网络预测模型、模糊C-均值聚类算法分类器、多个经验模态分解模型、多组ANFIS网络预测模型和基于PSO的ELman网络油罐车油气泄漏浓度融合模型；每个NARX神经网络预测模型输出作为模糊C-均值聚类算法分类器的输入，模糊C-均值聚类算法分类器对多个NARX神经网络预测模型输出值进行分类，每种类型的NARX神经网络预测模型输出作为各个经验模态分解模型的输入，每个经验模态分解模型的多个输出作为每组ANFIS网络预测模型的输入，每组ANFIS网络预测模型的融合预测值作为基于PSO的ELman网络油罐车油气泄漏浓度融合模型的输入，基于PSO的ELman网络油罐车油气泄漏浓度融合模型的输出值为油罐车泄漏油气浓度值。

[0008] 本发明进一步技术改进方案是：

[0009] 所述多个NARX神经网络预测模型对油罐车表面每个检测点的油气泄漏浓度进行预测，多个NARX神经网络预测模型的输入为每个检测点油气浓度值，模糊C-均值聚类算法分类器根据多个NARX神经网络预测模型输出的特征值对多个NARX神经网络预测模型输出值进行分类。

[0010] 本发明进一步技术改进方案是：

[0011] 所述每种类型NARX神经网络预测模型的输出值作为每个经验模态分解模型的输入，各个经验模态分解模型把每种类型NARX神经网络预测模型的输出值分解为低频趋势部分和多个高频波动部分，低频趋势部分和多个高频波动部分分别作为每组ANFIS网络预测模型的输入，每组各个ANFIS网络预测模型的输出等权重相加和得到每组ANFIS网络预测模型的融合预测值。

[0012] 本发明进一步技术改进方案是：

[0013] 所述每组ANFIS网络预测模型的融合预测值作为基于PSO的ELman网络油罐车油气泄漏浓度融合模型的输入，基于PSO的ELman网络油罐车油气泄漏浓度融合模型实现对多组ANFIS网络预测模型的融合预测值的融合作为油罐车泄漏油气浓度值。

[0014] 本发明与现有技术相比，具有以下明显优点：

[0015] 一、本发明所采用NARX神经网络预测模型的输入包括了油罐车油气泄漏浓度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油罐车油气泄漏浓度状态历史信息参与油罐车油气泄漏浓度的预测,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预测油罐车油气泄漏浓度方法。

[0016] 二、本发明所采用的NARX神经网络预测模型是一种能够有效对油罐车油气泄漏浓度的非线性、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油罐车油气泄漏浓度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油罐车油气泄漏浓度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。

[0017] 三、本发明利用NARX神经网络建立油罐车油气泄漏浓度预测模型，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。

[0018] 四、本发明通过经验模态分解模型(EMD)将原始变形NARX神经网络预测模型输出序列分解为不同频段的分量，每一个分量都显示出隐含在原序列中的不同特征信息。以降低序列的非平稳性。高频部分数据关联性不强，频率比较高，代表原始序列的波动成分，具有一定的周期性和随机性，这与油罐车油气泄漏浓度的周期性变化相符合；低频成分代表原序列的变化趋势。可见EMD能够逐级分解出油罐车油气泄漏浓度的波动成分、周期成分和趋势成分，分解出的每一个分量自身包含相同的变形信息，在一定程度上减少了不同特征信息之间的相互干涉，且分解出的各分量变化曲线比原始油罐车油气泄漏浓度变形序列曲线光滑。可见EMD能有效分析多因素共同作用下的油罐车油气泄漏浓度变形数据，分解得到的各分量有利于ANFIS网络预测模型的建立和更好地预测。使用对各分量分别建立ANFIS网络预测模型，为避免极限学习机输入维数选取的随意性和分量信息丢失等问题，先对各分量重构相空间，最后将各分量预测结果叠加得到最终融合预测结果。实例研究表明，所提的融合预测结果具有较高的预测精度。

[0019] 五、本发明根据油罐车油气泄漏浓度预测参数样本差异的特点,构建模糊C均值的聚类(FCM)分类器对油罐车油气泄漏浓度多点预测样本参数进行分类，设计多个EMD模型和多组ANFIS网络预测模型对油罐车油气泄漏浓度预测的样本参数进行分别再预测，在油罐车油气泄漏浓度预测连续预报过程当中,充分考虑油罐车油气泄漏浓度在时空间的特性,把成因相近的,相对均质的数据从海量级的数据中抽取出来,以建立针对性更强、更能反应任意时间阶段油罐车油气泄漏浓度预测模型，提高预测精度。

[0020] 六、本发明提出的多组ANFIS网络预测模型是一种基于Takagi-Sugeno模型的模糊推理系统，是将模糊逻辑和神经元网络有机结合的新型的模糊推理系统结构，采用反向传播算法和最小二乘法的混合算法调整前提参数和结论参数，并自动产生If-Then规则。多组ANFIS网络预测模型作为一种很有特色的神经网络，同样具有以任意精度逼近任意线性和非线性函数的功能，并且收敛速度快，样本需要量少。模型运算速度快，结果可靠，取得好效果。

[0021] 七、本发明所采用的ELman网络油罐车油气泄漏浓度融合模型，该模型的Elman神经网络一般分为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型神经网络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,从而提高油罐车油气泄漏浓度预测精度。

附图说明

[0022] 图1为本发明基于无线传感器网络的油罐车在途状态参数采集与智能预测平台，1-检测节点，2-现场监控端；

[0023] 图2为本发明油罐车油气泄漏浓度智能预测模型；

[0024] 图3为本发明检测节点功能图；

[0025] 图4为本发明现场监控端软件功能图；

[0026] 图5为本发明基于PSO的ELman网络油罐车油气泄漏浓度融合模型；

[0027] 图6为本发明一组ANFIS网络预测模型；

[0028] 图7为本发明油罐车在途状态参数采集与智能预测平台平面布置图。

具体实施方式

[0029] 结合附图1-7，对本发明技术方案作进一步描述：

[0030] 一、系统总体功能的设计

[0031] 本发明专利设计了一种基于无线传感器网络的油罐车油气泄漏智能监测系统，实现对油罐车在途表面温度、压力和泄漏油气参数进行检测和在途油罐车油气泄漏浓度智能预测，该系统由基于无线传感器网络的油罐车在途状态参数采集与智能预测平台和油罐车油气泄漏浓度智能预测模型两部分组成。基于无线传感器网络的油罐车在途状态参数采集与智能预测平台包括检测节点1和现场监控端2，它们以自组织方式构建成无线测控网络来实现检测节点1和现场监控端2之间的无线通信；检测节点1将检测的油罐车在途状态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显示油罐车在途状态预测状态参数。整个系统结构如附图1所示。

[0032] 二、检测节点的设计

[0033] 采用大量基于无线传感器网络的检测节点1作为油罐车在途状态参数感知终端，多个检测节点1和现场监控端2通过自组织组成无线传感器网络的信息相互交互系统。检测节点1包括采集油罐车表面温度、压力、油气的传感器和对应的信号调理电路、MSP430微处理器和NRF2401无线传输模块；检测节点的软件主要实现无线通信和油罐车在途状态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。检测节点结构如附图3所示。

[0034] 三、现场监控端软件

[0035] 现场监控端2是一台工业控制计算机，现场监控端2主要实现对油罐车在途状态参数进行采集和油罐车油气泄漏浓度智能预测模型，实现与检测节点1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油罐车油气泄漏浓度智能预测模型。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如附图4所示。油罐车油气泄漏浓度智能预测模型设计如下步骤：

[0036] 1、NARX神经网络预测模型设计

[0037] NARX神经网络预测模型如图2，NARX神经网络(Nonlinear Auto-Regression with External input neural network)是一种动态的前馈神经网络，NARX神经网络是一个有着油罐车油气泄漏浓度输入的非线性自回归网络，它有一个多步时延的动态特性，并通过反馈连接封闭网络的若干层，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。一个典型的NARX回归神经网络主要由输入层、隐层、输出层及输入和输出延时构成，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。其中油罐车油气泄漏浓度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，适宜对油罐车油气泄漏浓度进行预测。x(t)表示神经网络的外部输入，即多个检测点的油罐车油气泄漏浓度值；m表示外部输入的延迟阶数；y(t)是神经网络的输出，即下一时段的油罐车油气泄漏浓度预测值；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：

[0038]

[0039] 上式中，wji为第i个输入与第j个隐含神经元之间的连接权值，bj是第j个隐含神经元的偏置值，网络的输出y(t+1)的值为：

[0040] y(t+1)＝f[y(t),y(t-1),…,y(t-n),x(t),x(t-1),…,x(t-m+1)；W]   (2)[0041] 2、模糊C均值的聚类(FCM)分类器设计

[0042] 设有限集X＝{x1,x2,…xn}是n个样本组成的集合,它们分别是每个NARX神经网络预测模型的极大值、平均值和极小值，C为预定的类别数,mi(i＝1,2,…c)是每一个聚类的中心,μj(xi)是第i个样本关于第j类的隶属度,聚类准则函数由隶属函数定义为:

[0043]

[0044] 式中:||xi-mj||是xi到mj之间的欧氏距离；b是模糊加权幂指数,是可以控制聚类结果模糊程度的参数；M是X的模糊C划分矩阵,V是X的聚类中心集合,FCM聚类算法的结果就是要获得使准则函数达到最小的M和V。在模糊C均值聚类方法中,要求样本对各个聚类的隶属度之和为1,即:

[0045]

[0046] 在式(4)的条件下求式(3)的极小值,令J(M,V)对mj和μj(xi)偏导数为0,可得极小值的必要条件为:

[0047]

[0048]

[0049] FCM算法可以按照以下迭代步骤完成:

[0050] A、设定聚类数目c和参数b,算法终止阈值ε,迭代次数t＝1,允许最大迭代数为tmax；

[0051] B、初始化各个聚类中心mi；

[0052] C、用当前聚类中心根据式(4)计算隶属函数；

[0053] D、用当前隶属函数按式(3)更新各类聚类中心；

[0054] E、选取合适的矩阵范数,如果||V(t+1)-V(t)||≤ε或者t≥tmax,停止运算；否则,t＝t+1,返回步骤C。

[0055] 当算法收敛时,得到各类的聚类中心和各个NARX神经网络预测模型输出值样本对于各类的隶属度,完成模糊聚类划分。最后将模糊聚类结果进行去模糊化,将模糊聚类转变为确定性分类,实现最终的NARX神经网络预测模型输出值分类，如图2所示。

[0056] 3、经验模态分解模型设计

[0057] 经验模态分解(EMD)是一种自适应信号筛选方法，具有计算简单、直观、基于经验和自适应的特点。它能将存在于信号中不同特征的趋势逐级筛选出来，得到多个高频波动部分(IMF)和低频趋势部分。EMD分解出来的IMF分量包含了信号从高到低不同频率段的成分，每个频率段包含的频率分辨率都随信号本身变化，具有自适应多分辨分析特性。使用EMD分解的目的就是为了更准确地提取故障信息。IMF分量必须同时满足两个条件：①在待分解信号中，极值点的数目与过零点的数目相等，或最多相差一个；②在任一时间上，由局部极大值和局部极小值定义的包络均值为零。经验模态分解方法针对NARX神经网络预测模型输出值信号的“筛分”过程步骤如下：

[0058] (1)确定NARX神经网络预测模型输出值信号所有的局部极值点，然后用三次样条线将左右的局部极大值点连接起来形成上包络线。

[0059] (2)在用三次样条线将NARX神经网络预测模型输出值的局部极小值点连接起来形成下包络线，上、下包络线应该包络所有的数据点。

[0060] (3)上、下包络线的平均值记为m1(t)，求出：

[0061] x(t)-m1(t)＝h1(t)   (7)

[0062] x(t)为NARX神经网络预测模型输出值原始信号，如果h1(t)是一个IMF，那么h1(t)就是x(t)的第一个IMF分量。记c1(t)＝h1k(t)，则c1(t)为信号x(t)的第一个满足IMF条件的分量。

[0063] (4)将c1(t)从x(t)中分离出来，得到：

[0064] r1(t)＝x(t)-c1(t)   (8)

[0065] 将r1(t)作为原始数据重复步骤(1)-步骤(3)，得到x(t)的第2个满足IMF条件的分量c2。重复循环n次，得到信号x(t)的n个满足IMF条件的分量。这样通过经验模态分解模型把NARX神经网络预测模型的输出分解为低频趋势部分和多个高频波动部分，经验分解模型如图2所示。

[0066] 4、多组ANFIS网络预测模型设计

[0067] 由于模糊推理本身不具备自学习功能，其应用受到了很大限制，而人工神经网络又不能表达模糊语言，实际上类似一个黑箱，缺少透明度，所以不能很好地表达人脑的推理功能。基于神经网络的自适应模糊推理系统ANFIS，也称为自适应神经模糊推理系统(Adaptive Neuro-Fuzzy Inference System)，将二者有机地结合起来，既能发挥二者的优点，又可弥补各自的不足。自适应神经网络模糊系统中的模糊隶属度函数及模糊规则是通过对大量已知数据的学习得到的，ANFIS最大的特点就是基于数据的建模方法，而不是基于经验或是直觉任意给定的。这对于那些特性还未被人们完全了解或者特性非常复杂的系统是尤为重要的。ANFIS网络预测模型的输入分别为每个多个高频波动部分(IMF)和低频趋势部分的极大值、平均值和极小值，ANFIS网络预测模型的主要运算步骤如下:

[0068] 第1层:将输入的数据模糊化，每个节点对应输出可表示为:

[0069]

[0070] 本发明专利为3个节点，分别是每个多个高频波动部分(IMF)和低频趋势部分的极大值、平均值和极小值。式n为每个输入隶属函数个数，隶属函数采用高斯隶属函数。

[0071] 第2层:实现规则运算，输出规则的适用度，ANFIS网络预测模型的规则运算采用乘法。

[0072]

[0073] 第3层:将各条规则的适用度归一化:

[0074]

[0075] 第4层:每个节点的传递函数为线性函数，表示局部的线性模型，每个自适应节点i输出为:

[0076]

[0077] 第5层:该层的单节点是一个固定节点，计算ANFIS网络预测模型的输出为:

[0078]

[0079] ANFIS网络预测模型中决定隶属函数形状的条件参数和推理规则的结论参数可以通过学习过程进行训练。参数采用线性最小二乘估计算法与梯度下降结合的算法调整参数。ANFIS网络预测模型每一次迭代中首先输入信号沿网络正向传递直到第4层，此时固定条件参数，采用最小二乘估计算法调节结论参数；信号继续沿网络正向传递直到输出层(即第5层)。ANFIS网络预测模型将获得的误差信号沿网络反向传播，用梯度法更新条件参数。以此方式对ANFIS网络预测模型中给定的条件参数进行调整，可以得到结论参数的全局最优点，这样不仅可以降低梯度法中搜索空间的维数，还可以提高ANFIS网络预测模型参数的收敛速度。一组ANFIS网络预测模型实现对一类NARX神经网络预测模型输出值进行预测，一组ANFIS网络预测模型的输入为经验模态分解模型的输出低频部分和多个高频波动部分，一组ANFIS网络预测模型中各个ANFIS网络预测模型输出等权重相加和得到一组ANFIS网络预测模型的融合预测值如图6所示。

[0080] 5、基于PSO的ELman网络油罐车油气泄漏浓度融合模型设计

[0081] 基于PSO的ELman网络油罐车油气泄漏浓度融合模型如图5所示，Elman网络可以看作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。除了隐层外,还有一个特别的关联层。该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,相当于状态反馈。隐层的传递函数一般为Sigmoid函数,输出层为线性函数,关联层也为线性函数。为了有效地解决故障诊断中的逼近精度问题,增强关联层的作用,提出一种ELman网络油罐车油气泄漏浓度融合模型如图5所示。Z-1表示一步延时算子。设网络的输入层、输出层、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,则网络的表达式为:

[0082]

[0083] cp(k)＝xp(k-1)   (15)

[0084]

[0085] 设网络的理想输出为yt，实际输出为y，误差函数为：

[0086]

[0087] 基于PSO的ELman网络油罐车油气泄漏浓度融合模型如图5所示。该模型包含Elman神经网络结构确定、PSO算法优化和Elman神经网络预测三部分。基本步骤如下：

[0088] Step1、给定神经网络的M组输入、输出样本作为训练集，并将原始数据标准化；

[0089] Step2、根据输入、输出参数个数确定Elman神经网络结构，从而确定PSO算法粒子的长度；

[0090] Step3、将Elman网络结构中所有神经元间的间接权值、阈值编码成实数码表示的个体。若网络中包含N个优化权值、阈值，则每个个体将由N个权值、阈值参数构成的N维向量来表示初始化粒子群；

[0091] Step4、以预测误差绝对值和作为个体适应度值，并根据适应度值得到个体极值和全局极值；

[0092] Step5、判断全局极值是否满足PSO结束条件，若满足，退出PSO寻优，转至Step6；若不满足，更新每个粒子速度和位置，转至Step4；

[0093] Step6、译码全局极值所对应的粒子，并以此作为Elman网络的初始权值、阈值；

[0094] Step7、将Step6中得到的最优初始权值和阈值赋给Elman网络，训练并确定网络模型，用训练好的神经网络模型对负荷进行预测。

[0095] 四、油罐车在途状态参数采集与智能预测平台平面布置图

[0096] 根据油罐车的结构在油罐车油罐的上表面、下表面和前后侧面放置检测节点，监测油罐车在行驶途中罐体温度、压力和气体是否泄漏情况发生。系统布置了多个检测节点1和现场监控端2的平面布置安装图，其中检测节点1均衡布置在被检测油罐车油罐的上下表面和前后侧面，整个系统平面布置见图7，其中上下表面布点和前后侧面布点类似，图中以上面布点为例作说明，通过该系统实现对油罐车在途参数的采集与对在途油气泄漏浓度进行预测。

[0097] 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。