油罐在实际使用过程中，由于人为操作不当、机械问题或其他外界因素等都会导致油罐故障，而油罐故障的发生无论从经济角度考虑还是从环境角度考虑，都会给国家造成巨大损失，因此及时诊断出油罐故障，避免恶性事故的发生就显得十分重要。 当油罐发生故障时，其流量和管路压力就会随之产生变化，也就是说，油罐故障可以通过其流量和管路压力变化体现出来。因此，我们可以根据油罐流量或管路压力变化检测、诊断出油罐故障，及时地采取处理措施，防止因油罐故障导致事故的扩大，避免给国家造成损失。本文就是根据油罐流量变化△Q和管路压力变化△P两个诊断参数进行油罐六种常见故障的诊断。 本文首先对过去已发生过的油罐故障现象进行分析，确定油罐故障的诊断规则。根据油罐故障诊断特点，利用模糊数学理论，建立其诊断模型——一个四层网络的模糊系统。根据诊断参数△Q、△P三种浮动情况“偏大”、“正常”、“偏小”与油罐故障的关系，确定此三种模糊集合的隶属函数形式。随后，根据油罐故障诊断模型的网络结构和诊断的智能化特点，构造出该诊断模型神经网络结构。根据此网络的特点，我们采用一种改进的BP神经网络算法进行求解。该BP网络的输入层被三种模糊集合的隶属函数模糊化，隐层采用双曲正切S型传递函数，输出层采用对数S型函数，学习规则采用Levenberg-Marquardt规则。求解时运用诊断规则确定的学习样本，对所建立的油罐故障诊断模型进行学习训练，得到模型各层的权重和传递函数。随后，对此基于神经网络的油罐故障诊断模型的有效性进行了分析，其一该诊断模型算法具有较快的收敛速度和较高的精度，其二通过对一些实际数据的仿真化运行，证明我们所建立的诊断模型能准确地对各种类型的油罐故障进行诊断。 其次，通过基于线性回归和BP神经网络两种方法的油罐故障诊断模型的对比，证明了基于BP神经网络方法的优越性，主要表现在四个方面:BP神经网络算法的收敛速度远远快于线性回归;精确度远远优于线性回归;仿真化运行时，基于BP神经网络的模型能对油罐故障的可信度值做出与目标值一致的诊断，而线性回归方法则存在一定偏差;对故障类型诊断时，基于BP神经网络的模型诊断结果准确，而线性回归有时会出现错诊、多诊情况。 最后，根据本文所建立的油罐故障诊断模型在黄岛油库实际运行中的故障事例诊断，得出其有效性、实用性。并针对遇到的问题，说明我们拟进一步开展的工作，及目前使用中的注意事项。 本文中采用模糊数学和BP神经网络相结合的方法解决油罐故障诊断问题在国内属于首次，通过对学习样本和非学习样本的仿真化运行、分析，证明了模糊数学和神经网络结合起来解决油罐故障诊断问题的优越性、准确性。