技术领域
[0001] 本
发明涉及监测天然气泄漏技术领域，具体涉及一种温度变化场景下实时监测天然气泄漏的方法及装置。
背景技术
[0002] 当前各类天然气泄漏监测系统大多是针对常温使用场景下或某个特定温度使用场景下(高温或低温使用场景)监测泄漏气体浓度，不能持续在高温、低温以及温度剧烈变化的场景下使用，也没有针对性地考虑温度变化对监测结果的影响。我国幅员辽阔，季节交替明显，而且在车辆
发动机附近随着车辆运行时间的增加，温度变化较为剧烈，例如在冬季零下10度的使用场景下，车辆运行半小时发动机温度就可以高达60多度，所以常见的天然气浓度探测器不能适应这种恶劣场景。
[0003] 当前各类天然气泄漏浓度检测方法只是取得天然气浓度探测器的原始数据进行简单均值、过滤极值等处理，由于各个敏感头都有一定离散性，所以会造成监测结果有偏差，而且只能等到泄漏浓度到达
阈值后才能检测报警，不能根据浓度变化情况对浓度变化趋势进行预判。
[0004] 当前特殊使用场景下使用的通常为特制的天然气浓度探测器，并且会增加探测器个数，这会导致成本较高。
发明内容
[0005] 本发明提出的温度变化场景下实时监测天然气泄漏的方法及装置，实现在温度剧烈变化使用场景下，高
精度、高灵敏度地检测天然气泄漏情况，并减少因为敏感
探头的个体差异造成的监测结果有差异的情况，能够预测未来的天然气浓度，提前报警，且成本较低。
[0006] 本发明所述的温度变化场景下实时监测天然气泄漏的方法，其特征在于所述方法包括如下步骤：
[0007] S1：获得数据集一，具体为：在不同温度T、不同天然气泄漏浓度N下，利用天然气浓度探测器获取相应的探测器原始数据N0，将温度T、真实的天然气泄漏浓度N、探测器原始数据N0关联存储为数据集一；
[0008] S2：利用所述数据集一训练BP神经网络：
[0009] N＝g(T)*N0 (公式一)
[0010] 其中，N表示真实的天然气泄漏浓度，T表示温度，N0表示利用天然气浓度探测器获取的探测器原始数据，g(T)表示通过所述数据集一训练得到的天然气泄露浓度与温度之间的关系函数；
[0011] S3：计算使用场景中真实的天然气泄漏浓度，具体为：利用天然气浓度探测器和步骤S2中获得的BP神经网络N＝g(T)*N0，获得使用场景中真实的天然气泄漏浓度N；
[0012] S4：计算使用场景中真实的天然气泄漏浓度增加量：
[0013] ΔNi＝Ni-Ni-1 (公式二)
[0014] 其中，ΔNi表示使用场景中真实的天然气泄漏浓度变化量，Ni表示第i次利用步骤S3获得的使用场景中真实的天然气泄漏浓度，Ni-1表示第i-1次利用步骤S3获得的使用场景中真实的天然气泄漏浓度，i为大于1的整数；
[0015] S5：计算使用场景中真实的天然气泄漏浓度变化率：
[0016] αi＝ΔNi/ti (公式三)
[0017] 其中，ti表示第i次和第i-1次利用步骤S3获得使用场景中真实的天然气泄漏浓度之间的时间间隔，αi表示时间间隔ti内使用场景中真实的天然气泄漏浓度变化率，ΔNi表示时间间隔ti内使用场景中真实的天然气泄漏浓度变化量；
[0018] S6：预测未来一段时间后使用场景中的天然气泄漏浓度，具体包括：
[0019] 计算一段时间内的浓度变化量总和：
[0020]
[0021] 其中，S表示一段时间内使用场景中真实的天然气泄漏浓度变化量之和，ΔNi表示时间间隔ti内使用场景中真实的天然气泄漏浓度变化量，n为大于1的整数；
[0022] 将公式三代入公式四可得
[0023]
[0024] 一段时间内使用场景中真实的天然气泄漏浓度变化量之和S为天然气泄漏浓度变化函数f(x)的积分，得到公式六：
[0025]
[0026] 使用公式六预测未来一段时间后使用场景中的天然气泄漏浓度：
[0027]
[0028] 其中，Nj为未来一段时间后使用场景中的天然气泄漏浓度，N1表示通过步骤S3计算得到的当前使用场景中真实的天然气泄漏浓度；
[0029] 其中，利用公式三获取的使用场景中真实的天然气泄漏浓度Ni和利用公式四获取的与使用场景中真实的天然气泄漏浓度Ni相对应的使用场景中真实的天然气泄漏浓度变化率αi训练BP神经网络，获得天然气泄漏浓度变化函数f(x)；
[0030] S7：报警判断，具体为：使用公式七计算出未来一段时间后使用场景中的天然气泄漏浓度，将所述使用场景中的天然气泄漏浓度与预设的报警阈值进行比较，如果超过该预设的报警阈值，则进行报警。
[0031] 优选的，利用公式八代替公式七
[0032]
[0033] 本发明所述的温度变化场景下实时监测天然气泄漏的装置，其特征在于所述装置包括：
[0034] 数据集一获取模
块，用于在不同温度T、不同天然气泄漏浓度N下，利用天然气浓度探测器获取相应的探测器原始数据N0，将温度T、真实的天然气泄漏浓度N、探测器原始数据N0关联存储为数据集一；
[0035] BP神经网络训练模块，用于利用所述数据集一训练BP神经网络：
[0036] N＝g(T)*N0 (公式一)
[0037] 其中，N表示真实的天然气泄漏浓度，T表示温度，N0表示利用天然气浓度探测器获取的探测器原始数据，g(T)表示通过所述数据集一训练得到的天然气泄露浓度与温度之间的关系函数；
[0038] 使用场景中真实的天然气泄漏浓度N计算模块，用于利用天然气浓度探测器和BP神经网络训练装置中获得的BP神经网络N＝g(T)*N0，获得使用场景中真实的天然气泄漏浓度N；
[0039] 使用场景中真实的天然气泄漏浓度增加量计算模块，用于计算使用场景中真实的天然气泄漏浓度增加量：
[0040] ΔNi＝Ni-Ni-1 (公式二)
[0041] 其中，ΔNi表示使用场景中真实的天然气泄漏浓度变化量，Ni表示第i次利用步骤S3获得的使用场景中真实的天然气泄漏浓度，Ni-1表示第i-1次利用步骤S3获得的使用场景中真实的天然气泄漏浓度，i为大于1的整数；
[0042] 使用场景中真实的天然气泄漏浓度变化率计算模块，用于计算使用场景中真实的天然气泄漏浓度变化速率：
[0043] αi＝ΔNi/ti (公式三)
[0044] 其中，ti表示第i次和第i-1次利用步骤S3获得使用场景中真实的天然气泄漏浓度之间的时间间隔，αi表示时间间隔ti内使用场景中真实的天然气泄漏浓度变化率，ΔNi表示时间间隔ti内使用场景中真实的天然气泄漏浓度变化量；
[0045] 未来一段时间后使用场景中的天然气泄漏浓度预测模块，用于：
[0046] 计算一段时间内的浓度变化量总和：
[0047]
[0048] 其中，S表示一段时间内使用场景中真实的天然气泄漏浓度变化量之和，ΔNi表示时间间隔ti内使用场景中真实的天然气泄漏浓度变化量，n为大于1的整数；
[0049] 将公式三代入公式四可得
[0050]
[0051] 一段时间内使用场景中真实的天然气泄漏浓度变化量之和S为天然气泄漏浓度变化函数f(x)的积分，得到公式六：
[0052]
[0053] 使用公式六预测未来一段时间后使用场景中的天然气泄漏浓度：
[0054]
[0055] 其中，Nj为未来一段时间后使用场景中的天然气泄漏浓度，N1表示通过步骤S3计算得到的当前使用场景中真实的天然气泄漏浓度；
[0056] 其中，利用公式三获取的使用场景中真实的天然气泄漏浓度Ni和利用公式四获取的与使用场景中真实的天然气泄漏浓度Ni相对应的使用场景中真实的天然气泄漏浓度变化率αi训练BP神经网络，获得天然气泄漏浓度变化函数f(x)；
[0057] 报警判断模块，用于使用公式七计算出未来一段时间后使用场景中的天然气泄漏浓度，将所述使用场景中的天然气泄漏浓度与预设的报警阈值进行比较，如果超过该预设的报警阈值，则进行报警。
[0058] 本发明所述的温度变化场景下实时监测天然气泄漏的系统，其特征在于所述系统包括：
存储器、处理器及存储在存储器上并可在处理器上运行的
计算机程序，所述处理器执行所述程序时，实现以上所述的方法。
[0059] 本发明所述的计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现以上所述的方法。
[0060] 与
现有技术相比，本发明的优势主要体现在如下几个方面：
[0061] (1)使用
大数据对BP神经网络进行训练，再利用多种使用场景下的数据进行测试，利用训练好的BP神经网络获得使用场景中真实的天然气泄漏浓度，排除了温度对天然气浓度探测器的影响，可以将天然气浓度探测器应用到高温、低温、温度剧烈变化等场景中，拓宽了天然气浓度探测器的使用场景。
[0062] (2)计算天然气泄漏浓度变化趋势，使用天然气泄漏浓度变化率作为判断条件，可以减少因为天然气浓度探测器个体性能差异造成不同天然气浓度探测器对于同一泄漏场景报警不准确、不一致等问题。此外，使用浓度变化率来预测未来一段时间后的天然气泄漏浓度，从而进行泄漏浓度检测报警，而不是等到天然气泄漏浓度真正到达某一值后再进行报警，将报警时间前移，从而将可能的安全
风险将至更低。
[0063] (3)只在现有天然气浓度探测器上进行
软件上的升级，不会造成
硬件设备的增加，不会更改使用场景和使用方式。
附图说明
[0064] 为了更清楚地说明本发明
实施例的技术方案，下面将对实施例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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获取其他的附图。
[0065] 图1是本发明所述的温度变化场景下实时监测天然气泄漏的方法的
流程图。
具体实施方式
[0066] 实施例一
[0067] 图1是本发明所述的温度变化场景下实时监测天然气泄漏的方法的流程图。如图1所示，所述方法包括如下步骤：
[0068] S1：获得数据集一，具体为：在不同温度T、不同天然气泄漏浓度N下，利用天然气浓度探测器获取相应的探测器原始数据N0，将温度T、真实的天然气泄漏浓度N、探测器原始数据N0关联存储为数据集一。例如，获取1500组温度T、真实的天然气泄漏浓度N、探测器原始数据N0构成所述数据集一。
[0069] S2：利用所述数据集一训练BP神经网络：
[0070] N＝g(T)*N0 (公式一)
[0071] 其中，N表示真实的天然气泄漏浓度，T表示温度，N0表示利用天然气浓度探测器获取的探测器原始数据，g(T)表示通过所述数据集训练得到的天然气泄露浓度与温度之间的关系函数。例如，将所述数据集一中的1400组数据代入BP神经网络中，训练得到天然气泄露浓度与温度之间的关系函数g(T)，利用所述数据集一中的其余100组数据进行测试验证。
[0072] S3：计算使用场景中真实的天然气泄漏浓度，具体为：利用天然气浓度探测器和步骤S2中获得的BP神经网络N＝g(T)*N0，获得使用场景中真实的天然气泄漏浓度N。例如，在实际使用中，利用天然气浓度探测器获取场景中的天然气浓度，即探测器原始数据N0，同时获取场景中的使用场景温度，将上述数据代入上述公式一中，获得所述使用场景中真实的天然气泄漏浓度N。
[0073] 由此可见，由于使用大数据对BP神经网络进行训练，并且利用多种使用场景下的数据进行测试，利用训练好的BP神经网络获得使用场景中真实的天然气泄漏浓度，排除了温度对天然气浓度探测器的影响，可以将天然气浓度探测器应用到高温、低温、温度剧烈变化等场景中，拓宽了天然气浓度探测器的使用场景。
[0074] S4：计算使用场景中真实的天然气泄漏浓度变化量：
[0075] ΔNi＝Ni-Ni-1 (公式二)
[0076] 其中，ΔNi表示使用场景中真实的天然气泄漏浓度变化量，Ni表示第i次利用步骤S3获得的使用场景中真实的天然气泄漏浓度，Ni-1表示第i-1次利用步骤S3获得的使用场景中真实的天然气泄漏浓度，i为大于1的整数。
[0077] S5：计算使用场景中真实的天然气泄漏浓度变化率：
[0078] αi＝ΔNi/ti (公式三)
[0079] 其中，ti表示第i次和第i-1次利用步骤S3获得使用场景中真实的天然气泄漏浓度之间的时间间隔，αi表示时间间隔ti内使用场景中真实的天然气泄漏浓度变化率，ΔNi表示时间间隔ti内使用场景中真实的天然气泄漏浓度变化量。
[0080] S6：预测未来一段时间后使用场景中的天然气泄漏浓度，具体包括：
[0081] 计算一段时间内的浓度变化量总和：
[0082]
[0083] 其中，S表示一段时间内使用场景中真实的天然气泄漏浓度变化量之和，ΔNi表示时间间隔ti内使用场景中真实的天然气泄漏浓度变化量，n为大于1的整数；
[0084] 将公式三代入公式四可得
[0085]
[0086] 由此可见，一段时间内使用场景中真实的天然气泄漏浓度变化量之和S可以看成天然气泄漏浓度变化函数f(x)的积分，从而可得公式六：
[0087]
[0088] 使用公式六预测未来一段时间后使用场景中的天然气泄漏浓度：
[0089]
[0090] 其中，Nj为未来一段时间后使用场景中的天然气泄漏浓度，N1表示通过步骤S3计算得到的当前使用场景中真实的天然气泄漏浓度；
[0091] 正常场景下是不会发生天然气泄漏的，所以发生泄漏后泄漏浓度理应从0开始变化，因此公式七可以写为如下形式：
[0092]
[0093] 其中，利用公式三获取的使用场景中真实的天然气泄漏浓度Ni和利用公式四获取的与使用场景中真实的天然气泄漏浓度Ni相对应的使用场景中真实的天然气泄漏浓度变化率αi训练BP神经网络，获得天然气泄漏浓度变化函数f(x)。例如：利用公式三获取1500个使用场景中真实的天然气泄漏浓度Ni，同时利用公式四获取1500个与使用场景中真实的天然气泄漏浓度Ni相对应的使用场景中真实的天然气泄漏浓度变化率αi，构成包含1500组数据的数据集二，将所述数据集二中的1400组数据代入BP神经网络中，训练得到天然气泄漏浓度变化函数f(x)，利用所述数据集二中的其余100组数据进行测试验证。
[0094] S7：报警判断，具体为：使用公式七或公式八计算出未来一段时间后使用场景中的天然气泄漏浓度，将所述使用场景中的天然气泄漏浓度与预设的报警阈值进行比较，如果超过该预设的报警阈值，则进行报警。
[0095] 由此可见，本发明通过计算天然气泄漏浓度变化趋势，使用天然气泄漏浓度变化率作为判断条件，可以减少因为天然气浓度探测器个体性能差异造成不同天然气浓度探测器对于同一泄漏场景报警不准确、不一致等问题。此外，使用浓度变化率来预测未来一段时间后的天然气泄漏浓度，从而进行泄漏浓度检测报警，而不是等到天然气泄漏浓度真正到达某一值后再进行报警，将报警时间前移，从而将可能的安全风险将至更低。
[0096] 实施例二
[0097] 本发明还提出一种温度变化场景下实时监测天然气泄漏的装置，包括：
[0098] 数据集一获取模块，用于在不同温度T、不同天然气泄漏浓度N下，利用天然气浓度探测器获取相应的探测器原始数据N0，将温度T、真实的天然气泄漏浓度N、探测器原始数据N0关联存储为数据集一；
[0099] BP神经网络训练模块，用于利用所述数据集一训练BP神经网络：
[0100] N＝g(T)*N0 (公式一)
[0101] 其中，N表示真实的天然气泄漏浓度，T表示温度，N0表示利用天然气浓度探测器获取的探测器原始数据，g(T)表示通过所述数据集一训练得到的天然气泄露浓度与温度之间的关系函数；
[0102] 使用场景中真实的天然气泄漏浓度N计算模块，用于利用天然气浓度探测器和BP神经网络训练装置中获得的BP神经网络N＝g(T)*N0，获得使用场景中真实的天然气泄漏浓度N；
[0103] 使用场景中真实的天然气泄漏浓度增加量计算模块，用于计算使用场景中真实的天然气泄漏浓度增加量：
[0104] ΔNi＝Ni-Ni-1 (公式二)
[0105] 其中，ΔNi表示使用场景中真实的天然气泄漏浓度变化量，Ni表示第i次利用步骤S3获得的使用场景中真实的天然气泄漏浓度，Ni-1表示第i-1次利用步骤S3获得的使用场景中真实的天然气泄漏浓度，i为大于1的整数；
[0106] 使用场景中真实的天然气泄漏浓度变化率计算模块，用于计算使用场景中真实的天然气泄漏浓度变化速率：
[0107] αi＝ΔNi/ti (公式三)
[0108] 其中，ti表示第i次和第i-1次利用步骤S3获得使用场景中真实的天然气泄漏浓度之间的时间间隔，αi表示时间间隔ti内使用场景中真实的天然气泄漏浓度变化率，ΔNi表示时间间隔ti内使用场景中真实的天然气泄漏浓度变化量；
[0109] 未来一段时间后使用场景中的天然气泄漏浓度预测模块，用于：
[0110] 计算一段时间内的浓度变化量总和：
[0111]
[0112] 其中，S表示一段时间内使用场景中真实的天然气泄漏浓度变化量之和，ΔNi表示时间间隔ti内使用场景中真实的天然气泄漏浓度变化量，n为大于1的整数；
[0113] 将公式三代入公式四可得
[0114]
[0115] 一段时间内使用场景中真实的天然气泄漏浓度变化量之和S为天然气泄漏浓度变化函数f(x)的积分，得到公式六：
[0116]
[0117] 使用公式六预测未来一段时间后使用场景中的天然气泄漏浓度：
[0118]
[0119] 其中，Nj为未来一段时间后使用场景中的天然气泄漏浓度，N1表示通过步骤S3计算得到的当前使用场景中真实的天然气泄漏浓度；
[0120] 其中，利用公式三获取的使用场景中真实的天然气泄漏浓度Ni和利用公式四获取的与使用场景中真实的天然气泄漏浓度Ni相对应的使用场景中真实的天然气泄漏浓度变化率αi训练BP神经网络，获得天然气泄漏浓度变化函数f(x)；
[0121] 报警判断模块，用于使用公式七计算出未来一段时间后使用场景中的天然气泄漏浓度，将所述使用场景中的天然气泄漏浓度与预设的报警阈值进行比较，如果超过该预设的报警阈值，则进行报警。
[0122] 本发明只在现有天然气浓度探测器上进行软件上的升级，不会造成硬件设备的增加，不会更改使用场景和使用方式。
[0123] 实施例三
[0124] 本发明还提出了一种温度变化场景下实时监测天然气泄漏的系统，其特征在于所述系统包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如上述所述的方法。
[0125] 实施例四
[0126] 本发明还提出了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如上述所述的方法。
[0127] 应当理解的是，以上所述仅为本发明的较佳实施例而已，并不足以限制本发明的技术方案，对本领域普通技术人员来说，在本发明的精神和原则之内，可以根据上述说明加以增减、替换、变换或改进，而所有这些增减、替换、变换或改进后的技术方案，都应属于本发明所附
权利要求的保护范围。
