[发明专利]基于物联网储罐安全监测方法及系统

权利要求书

1.基于物联网储罐安全监测方法，其特征在于，包括以下步骤：

步骤1、构建参数检测模型：参数检测模型包括粒子群优化自适应小波神经网络-NARX神经网络模型、TDL按拍延迟线A、小波分解模型、降噪自编码神经网络-NARX神经网络模型、LSTM神经网络-NARX神经网络模型、TDL按拍延迟线B、TDL按拍延迟线C、TDL按拍延迟线D和区间犹豫模糊数的BAM神经网络-AANN自联想神经网络模型；

步骤2、构建区间犹豫模糊数融合模型，一段时间多个参数测量传感器的参数检测模型输出的区间犹豫模糊数构成时间序列区间犹豫模糊数值阵列，定义参数测量传感器的时间序列区间犹豫模糊数的距离和相关度，构建距离矩阵和相关度矩阵；

步骤3、构建储罐安全监测子系统，储罐安全监测子系统由参数检测模块、参数检测模型、区间犹豫模糊数融合模型、TDL按拍延迟线、降噪自编码神经网络模型、粒子群优化自适应小波神经网络、RBF神经网络模型和区间数的BAM神经网络-LSTM神经网络储罐安全分类器组成；

步骤4、多个温度传感器、多个压力传感器和流量传感器输出作为储罐安全监测子系统的输入，储罐安全监测子系统输出被监测储罐安全类型。

2.根据权利要求1所述的基于物联网储罐安全监测方法，其特征在于，所述步骤1中，参数传感器输出作为粒子群优化自适应小波神经网络-NARX神经网络模型的输入，粒子群优化自适应小波神经网络-NARX神经网络模型输出作为TDL按拍延迟线A的输入，TDL按拍延迟线A的输出作为小波分解模型输入，小波分解模型输出的低频趋势部分和多个高频波动部分分别作为LSTM神经网络-NARX神经网络模型和降噪自编码神经网络-NARX神经网络模型的输入，LSTM神经网络-NARX神经网络模型和降噪自编码神经网络-NARX神经网络模型的输出分别作为TDL按拍延迟线B和TDL按拍延迟线C的输入，TDL按拍延迟线B、TDL按拍延迟线C和TDL按拍延迟线D的输出分别作为区间犹豫模糊数的BAM神经网络-AANN自联想神经网络模型的对应输入，区间犹豫模糊数的BAM神经网络-AANN自联想神经网络模型输出的4个参数分别为a、b、c、d作为TDL按拍延迟线D的输入，区间犹豫模糊数的BAM神经网络-AANN自联想神经网络模型输出作为参数检测模型的输出。

3.根据权利要求2所述的基于物联网储罐安全监测方法，其特征在于，a和b组成区间数(a，b)作为被检测参数的极小值，c和d组成区间数(c，d)作为被检测参数的极大值，区间数(a，b)和区间数(c，d)组成[(a，b)，(c，d)]作为被检测参数的区间犹豫模糊数。

4.根据权利要求1所述的基于物联网储罐安全监测方法，其特征在于，所述步骤2中，每个测量传感器的时间序列区间犹豫模糊数的距离平均值的倒数占所有参数测量传感器的时间序列犹豫模糊数的距离平均值倒数和的比为该参数测量传感器的时间序列区间犹豫模糊数的距离融合权重，每个测量传感器器的时间序列区间犹豫模糊数的相关度平均值占所有测量传感器器的时间序列区间犹豫模糊数的相关度平均值和的比为该参数测量传感器的时间序列区间犹豫模糊数的相关度融合权重，每个参数测量传感器的时间序列区间犹豫模糊数的距离测度融合权重和该参数测量传感器的时间序列区间犹豫模糊数的相关度融合权重按照从小到大排序组成的区间数作为该参数测量传感器的时间序列区间犹豫模糊数的区间数融合权重；根据同一时刻每个参数测量传感器的时间序列区间犹豫模糊数与该参数测量传感器的时间序列区间犹豫模糊数的区间数融合权重的积相加得到的和为所有参数测量传感器的时间序列区间犹豫模糊数的融合值。