复杂环境下煤层气储运信息监测系统及方法.pdf

摘要

随着我国能源需求的不断增加，煤层气（CoalbedMethane，CBM）作为储量丰

富的一种绿色、可再生的清洁能源资源，其开发和利用变得尤为重要。然而，由于

煤层气分布广泛，其储存和长距离运输过程环境复杂多变，极易出现泄漏、火灾、

爆炸等问题，存在较大安全风险。因此，在煤层气储运过程中监测关键环境信息、

安全状态信息、物流信息参数至关重要。针对传统监测系统存在的功耗较高、设备

体积大、关键信息获取准确度低等缺点，本文设计了一种煤层气储运全程多参数动

态监测系统，具体研究工作如下：

（1）以广泛应用的液态储运（LiquefiedNaturalGas，LNG）槽车运输为例，对

煤层气储运过程中储运设备及储运环境、安全、物流影响因素进行分析，结合煤层

气储运监测具体需求，提出煤层气储运全程多参数动态监测系统的总体方案设计。

2

该系统以STM32F407VGT6作为主控芯片，通过多个IC接口与温湿度、振动加速

度、甲烷浓度传感器连接采集煤层气储运过程中的环境安全信息，对采集的信息在

本地简要进行分析处理后，通过红外无线通信模块直接传至上位机进一步分析。同

时当采集的信息数据超出设定的安全阈值或出现异常时，系统进行声光报警；此外，

为了使煤层气储运监测系统能够有效降低功耗、减小设备体积、实时动态读取数据

信息，对系统进行低功耗、微型化、二维码显示、红外无线通信等设计，保障煤层

气储运的安全性、稳定性与可靠性。

（2）为了从监测系统采集的振动加速度非平稳信号中更精准、高效地提取关键

特征信息，实现储运过程安全诊断，提出了一种基于北方苍鹰优化算法（Northern

GoshawkOptimization，NGO）优化变分模式分解（VariationalModeDecomposition，

VMD）和卷积神经网络（ConvolutionalNeuralNetworks，CNN）、长短期记忆网络

（LongShort-termMemoryNetworks，LSTM）的非平稳信号冲击识别方法。首先，

利用NGO优化VMD分解多个本征模态函数（IntrinsicModeFunctions，IMF），依

据线性相关性方法重构信号；然后，计算移动均方根特征、移动峭度特征和上包络

特征，进而构建特征矩阵；最后，选择最优的超参数构建CNN-LSTM模型，对该模

型进行训练。通过对合成非平稳信号冲击特征识别进行测试，结果表明本文所提出

的NGO-VMD-CNN-LSTM方法可以更准确地对非平稳信号的冲击特征分类识别，识

I

别准确率达到98.22%。

（3）在实际仓库和道路环境下对监测系统进行测试，验证了其可靠性和准确性。

测试结果表明，温度平均测量误差为0.09℃，湿度平均测量误差为0.43%，监测系统

在设计要求范围内可以较为准确的获得温湿度可靠数据；所提

NGO-VMD-CNN-LSTM方法在实际采集非平稳信号冲击特征识别中具有优越性，识

别精度高达99.94%，具有良好的识别性能。

关键词：煤层气；储运全程多参数动态监测系统；非平稳信号；冲击识别

II

ABSTRACT

WiththeincreasingenergydemandinChina,thedevelopmentandutilizationof

coalbedmethane(CBM),whichisagreenandrenewablecleanenergyresourceabundant

inreserves,hasbecomeparticularlyimportant.However,duetothewidedistributionof

CBM,itsstorageandlong-distancetransportprocessenvironmentiscomplex