CN102622858B - 有毒气体泄漏区域的检测方法 - Google Patents
有毒气体泄漏区域的检测方法 Download PDFInfo
- Publication number
- CN102622858B CN102622858B CN201210080587.2A CN201210080587A CN102622858B CN 102622858 B CN102622858 B CN 102622858B CN 201210080587 A CN201210080587 A CN 201210080587A CN 102622858 B CN102622858 B CN 102622858B
- Authority
- CN
- China
- Prior art keywords
- sensor
- state
- data
- event
- danger
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Landscapes
- Emergency Alarm Devices (AREA)
Abstract
本发明公开了一种有毒气体泄漏区域的检测方法,它的步骤为:第一步,传感器节点负责周期性地采集所部署环境中的观测数据;第二步,利用过滤器负责对传感器的采集数据使用设置的过滤器条件过滤出可能处于时间事件中的传感器;对于不满足条件的数据丢弃,满足的则转入下一步;第三步,对于过滤出的传感器采集的数据使用改进的灰色模型GM(1,1)建模,对后续时间点的采集数据进行预测;第五步,利用设定规则来确定每个传感器的状态;第六步,最后得到识别出的错误传感器和事件区域。本发明具有解决错误传感器的识别问题、精确检测事件区域、节省传感器传输数据的能耗、适用于各种环境的通用的事件区域检测等优点。
Description
技术领域
本发明属于无线传感器网络领域,尤其涉及一种有毒气体泄漏区域的检测方法。
背景技术
无线传感器网络应用在越来越多的环境中,如灾害监测,军事勘测等,而事件区域检测则成为无线传感器网络的一个重要应用。在无线传感器网络实际应用场景中,传感器节点由于环境影响及自身因素是易于出错的,偶然出错的传感器节点会影响事件区域检测的准确性,同时由于传感器节点大都能量有限,通信能耗又占据总能耗大部分,这就要求我们的检测算法具有容错性,同时是分布式的,并且不需要收集整个网络中的所有测量值,也就是说由节点来周期性采集数据同时用一种耗能少的算法来判定节点的正确性以及事件区域的分布。
事件区域检测自2000年以来受到研究者的广泛关注,B.Krishnamachari等人首次提出了事件是具有空间相关性的,即某个传感器检测到事件发生,其邻居节点理论上也应该检测到相同的事件发生,这是因为当观测区域发生事件后,事件会从发生点向外扩散,最终形成一定的事件区域,而事件区域内的传感器理论上均会观察到事件的发生。其后的研究者大都应用了其事件空间相关性的思想,同时认为传感器的错误是不具有空间相关性的,于是可以利用邻居节点间投票等方法进行容错。
现有事件区域检测的缺陷是:
1传感器节点由于环境影响及自身因素易于出错;
2偶然出错的传感器节点会影响事件区域检测的准确性;
3某种算法只能适应于特定的环境中,而且大都滞后于事件;
4由于传感器必须进行容错处理,节点间的通信可能会消耗大量的能量。
发明内容
本发明的目的就是为了解决上述问题,提供一种有毒气体泄漏区域的检测方法,它具有解决错误传感器的识别问题、精确检测事件区域、节省传感器传输数据的能耗、适用于各种环境的通用的事件区域检测等优点。
为了实现上述目的,本发明采用如下技术方案:
一种有毒气体泄漏区域的检测方法,它的步骤为:
第一步,传感器节点负责周期性地采集所部署环境中的观测数据;
第二步,利用过滤器负责对传感器的采集数据使用设置的过滤器条件过滤出可能处于时间事件中的传感器;对于不满足条件的数据丢弃,满足的则转入下一步;
第三步,对于过滤出的传感器采集的数据使用改进的灰色模型GM(1,1)建模,对后续时间点的采集数据进行预测;
第四步,利用设定规则来确定每个传感器的状态;
第五步,最后得到识别出的错误传感器和事件区域。
所述第二步中,发现可能处于事件中的传感器的步骤为:传感器的初始状态设置为“正常”;设置传感器采集数据的过滤器;对采集数据满足过滤器规则的传感器标识为“预险”状态;对处于“预险”状态的传感器运行预测算法。
所述第三步中原始灰色GM(1,1)建模的步骤包括:对过滤出的测量数据进行一次累加;在一次累加后的序列基础上建立白化形式的微分方程;根据该微分方程求解出一次累加后的序列对应的下一时刻的预测值,以及对所述预测值进行一次累减运算,得到对应下一时刻的事件探测信号数据预测值;
对原始灰色GM(1,1)模型进行改进,对采集的数据进行处理后产生新数列,使其近似指数变化趋势递增;使用GM(1,1)进行预测;将预测数据还原,得到需要的预测值,调整参数控制预测结果的精度。
所述第四步中,设定规则为:
(1)如果某个节点自身处于“真预险”状态,同时邻居中有半数以上均处于“真预险”状态,则认为该节点正常,同时认为该点事件发生;
(2)如果某个节点自身处于“真预险”状态,而邻居中不到半数处于“真预险”状态,则认为该节点错误,该点事件未发生;
(3)如果某个节点自身处于“假预险”状态,而邻居节点有半数处于“真预险”状态,则认为该节点正常,且处于事件中,但预测错误;
(4)如果某个节点自身处于“假预险”状态,但邻居节点不到半数处于“真预险”状态,则认为该节点错误,事件未发生。所述第五步为,当传感器节点通过状态判定规则判断出自己的状态后,将自己的状态重新广播给周围的邻居,最终得到各个传感器的收敛状态,同时获得发生气体泄漏的事件区域。
本发明通过设置过滤器和对采集数据使用预测算法,得到采集数据序列的变化趋势,处于特殊环境下的传感器可能出错,但采集数据的变化趋势具有较高的容错性,同时应用事件的空间相关性,排除了正常环境变化的干扰,使得该算法适用于贫信息、弱信息的场所,减少了误报率。而且,这是一种通用的事件区域检测算法,适用范围广泛,比其他检测算法更早、更准确的报警信号。
本发明的有益效果:
1该发明适用范围广泛,而且比其他算法更早、更准确的检测到传感器部署环境的事件区域。
2传感器发生错误时,传感器可以得到校正
3节省传感器传输数据的能耗
4适用于各种环境的通用的事件区域检测。
附图说明
图1为本发明实施例的气体泄漏区域检测方法流程图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
图1中步骤102,将传感器节点部署在感兴趣的观测场所,周期性采集气体浓度特征数据。步骤104,设置过滤器s,对现场周期采集的气体浓度特征信号进行处理,过滤出有可能会发生气体泄漏的传感器,tk表示传感器采集数据的不同时刻,r(tk)表示传感器在不同时刻的采样数据,δ表示气体泄漏临界值的浓度,设置过滤器s,
设置过滤器的临界值δ’,如果某个传感器的采样数据执行过滤器之后,值是超过临界值δ’的,将其状态设置为“预险”,然后执行我们如下的GM(1,1)预测算法。
原始采样数据r(0),是一组不同时刻的采样数据的集合
r(0)={r(0)(1),r(0)(2),……r(0)(n)},
步骤106,对原序列r(0)按以下公式生成新数列y(0),β为可调整参数,t表示不同采样时刻,
y(0)(t)=βr(0)(t)+(1-β)r(0)(t-1)(0<β<1)
步骤108,由y(0)的元素进行一阶累加生成新序列
r(1)={r(1)(1),r(1)(2),……r(1)(n)},
其中
构造r(1)的紧邻均值生成序列z(1),
z(1)={z(1)(2),z(1)(3),……z(1)(n)}
其中z(1)(k)=0.5r(1)(k)+0.5r(1)(k-1),k=2,3,…,n
于是我们得到了灰色模型的灰微分方程
y(0)(k)+az(1)(k)=u
相应的白化形式的微分方程为
其中a和u为待定系数,a成为发展系数,u称为灰色作用量。
当r(1)(1)=y(0)(1)解为
该式成为时间响应方程。
用最小二乘法解白化方程,得到解为:
其中
Y=[y(0)(2),y(0)(3),……,y(0)(n)]T
一般建模数据序列应当由最新的数据及其相邻数据构成,当再出现新数据时,可采用两种方法处理:一是将新信息加入原始序列中,重估参数;二是去掉原始序列中最老的一个数据,再加上最新的数据,所形成的序列和原序列维数相等,再重估参数。
按公式
l是我们需要的预测期。
同时,我们可以调整β和γ的值,以控制预测结果和精度。当β=γ=1时,即为原GM(1,1)法。
设置特定的预测期l,如果某个传感器节点在预测期的预测值不会超过阈值δ,将该节点标记为“假预险”状态,反之标记为“真预险”状态,随后将它的状态向周围的邻居广播。
步骤112,用以下规则来决定传感器的最终状态:
(1)如果某个节点自身处于“真预险”状态,同时邻居中有半数以上均处于“真预险”状态,则认为该节点正常,同时认为该点事件发生。
(2)如果某个节点自身处于“真预险”状态,而邻居中不到半数处于“真预险”状态,则认为该节点错误,该点事件未发生。
(3)如果某个节点自身处于“假预险”状态,而邻居节点有半数处于“真预险”状态,则认为该节点正常,且处于事件中,但预测错误。
(4)如果某个节点自身处于“假预险”状态,但邻居节点不到半数处于“真预险”状态,则认为该节点错误,事件未发生。
由于事件具有空间相关性,而错误认为是不具有空间相关性的,诊断为错误的传感器可以被周围邻居未发生错误的传感器校正为正常状态,从而不会对事件检测产生消极影响。
步骤114,当传感器节点通过状态判定规则判断出自己的状态后,将自己的状态重新广播给周围的邻居,最终得到各个传感器的收敛状态,同时获得发生气体泄漏的事件区域。
本发明通过采用设置过滤器来优先发现可能会发生事件的传感器节点,然后对过滤出的节点采样数据使用改进的GM(1,1)模型来进行预测,获得采样数据的变化趋势,因为节点数据的变化趋势具有较高的可信性,同时利用事件的相关性特点,将节点的状态与周围邻居的状态进行对比,得到最后的错误传感器分布以及事件区域,同时将错误传感器校正以减少对整个传感器网络的消极影响。该发明适用范围广泛,而且比其他算法更早、更准确的检测到传感器部署环境的事件区域。
实验结果证明,采用本实施例的方法,当有20%的传感器发生错误时,可以检测到98%的错误节点以及92%的事件区域。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (4)
1.一种有毒气体泄漏区域的检测方法,其特征是,它的步骤为:
第一步,传感器节点负责周期性地采集所部署环境中的观测数据;
第二步,利用过滤器负责对传感器的采集数据使用设置的过滤器条件过滤出可能处于时间事件中的传感器;对于不满足条件的数据丢弃,满足的则转入下一步;
第三步,对于过滤出的传感器采集的数据使用改进的灰色模型GM(1,1)建模,对后续时间点的采集数据进行预测;
第四步,利用设定规则来确定每个传感器的状态;
第五步,最后得到识别出的错误传感器和事件区域;
所述第四步中,设定规则为:
(1)如果某个节点自身处于“真预险”状态,同时邻居中有半数以上均处于“真预险”状态,则认为该节点正常,同时认为该点事件发生;
(2)如果某个节点自身处于“真预险”状态,而邻居中不到半数处于“真预险”状态,则认为该节点错误,该点事件未发生;
(3)如果某个节点自身处于“假预险”状态,而邻居节点有半数处于“真预险”状态,则认为该节点正常,且处于事件中,但预测错误;
(4)如果某个节点自身处于“假预险”状态,但邻居节点不到半数处于“真预险”状态,则认为该节点错误,事件未发生;
所述改进的灰色模型GM(1,1)为:对原始灰色GM(1,1)模型进行改进,对采集的数据进行处理后产生新数列,使其近似指数变化趋势递增;使用改进的GM(1,1)进行预测;将预测数据还原,得到需要的预测值,调整参数控制预测结果的精度。
2.如权利要求1所述的有毒气体泄漏区域的检测方法,其特征是,所述第二步中,发现可能处于事件中的传感器的步骤为:传感器的初始状态设置为“正常”;设置传感器采集数据的过滤器;对采集数据满足过滤器规则的传感器标识为“预险”状态;对处于“预险”状态的传感器运行预测算法。
3.如权利要求1所述的有毒气体泄漏区域的检测方法,其特征是,所述原始灰色GM(1,1)建模的步骤包括:对过滤出的测量数据进行一次累加;在一次累加后的序列基础上建立白化形式的微分方程;根据该微分方程求解出一次累加后的序列对应的下一时刻的预测值,以及对所述预测值进行一次累减运算,得到对应下一时刻的事件探测信号数据预测值。
4.如权利要求1所述的有毒气体泄漏区域的检测方法,其特征是,所述第五步为,当传感器节点通过状态判定规则判断出自己的状态后,将自己的状态重新广播给周围的邻居,最终得到各个传感器的收敛状态,同时获得发生气体泄漏的事件区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210080587.2A CN102622858B (zh) | 2012-03-23 | 2012-03-23 | 有毒气体泄漏区域的检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210080587.2A CN102622858B (zh) | 2012-03-23 | 2012-03-23 | 有毒气体泄漏区域的检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102622858A CN102622858A (zh) | 2012-08-01 |
CN102622858B true CN102622858B (zh) | 2014-05-28 |
Family
ID=46562751
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210080587.2A Expired - Fee Related CN102622858B (zh) | 2012-03-23 | 2012-03-23 | 有毒气体泄漏区域的检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102622858B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103728419B (zh) * | 2013-12-31 | 2015-05-20 | 北京雪迪龙科技股份有限公司 | 一种数据判断方法和装置 |
CN105701980B (zh) * | 2016-03-31 | 2019-04-19 | 中冶南方工程技术有限公司 | 一种有毒气体报警器及报警方法 |
CN108053052B (zh) * | 2017-11-20 | 2018-10-02 | 淮阴工学院 | 一种油罐车油气泄漏速度智能监测系统 |
CN113376331A (zh) * | 2021-08-16 | 2021-09-10 | 广东科凯达智能机器人有限公司 | 一种气体检测机器人系统和预警方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101539137A (zh) * | 2009-04-17 | 2009-09-23 | 北京航空航天大学 | 一种基于δ滤波器的航空液压泵剩余寿命灰色预测方法 |
CN101959218A (zh) * | 2009-10-25 | 2011-01-26 | 苏州大学 | 基于伸展树的事件区域检测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100918960B1 (ko) * | 2009-04-09 | 2009-09-25 | (주)테크윈시스템 | 지하시설 가스 발생지역 내의 유해가스 원격 감시제어 시스템 |
JP5531242B2 (ja) * | 2009-12-25 | 2014-06-25 | 株式会社大林組 | 安全監視システム |
-
2012
- 2012-03-23 CN CN201210080587.2A patent/CN102622858B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101539137A (zh) * | 2009-04-17 | 2009-09-23 | 北京航空航天大学 | 一种基于δ滤波器的航空液压泵剩余寿命灰色预测方法 |
CN101959218A (zh) * | 2009-10-25 | 2011-01-26 | 苏州大学 | 基于伸展树的事件区域检测方法 |
Non-Patent Citations (3)
Title |
---|
JP特开2011-134214A 2011.07.07 |
基于灰色模型的无线传感器网络动态功耗管理研究;魏海龙等;《传感技术学报》;20110131;第24卷(第1期);第140-144页 * |
魏海龙等.基于灰色模型的无线传感器网络动态功耗管理研究.《传感技术学报》.2011,第24卷(第1期),第140-144页. |
Also Published As
Publication number | Publication date |
---|---|
CN102622858A (zh) | 2012-08-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jiang et al. | Indoor occupancy estimation from carbon dioxide concentration | |
Tang et al. | A hybrid approach to integrate fuzzy C-means based imputation method with genetic algorithm for missing traffic volume data estimation | |
CN106878375B (zh) | 一种基于分布式组合传感器网络的座舱污染物监测方法 | |
CN102111312B (zh) | 基于多尺度主成分分析的网络异常检测方法 | |
Bettencourt et al. | Separating the wheat from the chaff: Practical anomaly detection schemes in ecological applications of distributed sensor networks | |
CN102622858B (zh) | 有毒气体泄漏区域的检测方法 | |
CN102752784B (zh) | 无线传感器网络中基于图论的分布式事件域的检测方法 | |
CN103916896A (zh) | 基于多维Epanechnikov核密度估计的异常检测方法 | |
CN110087207B (zh) | 无线传感器网络缺失数据重建方法 | |
CN102572908B (zh) | 一种分布式无线传感网络节点故障检测方法 | |
CN107272651B (zh) | 一种动车组制动系统间歇乘性传感器故障的鲁棒检测方法 | |
Mohapatra et al. | Forest fire monitoring and detection of faulty nodes using wireless sensor network | |
Chitradevi et al. | Outlier aware data aggregation in distributed wireless sensor network using robust principal component analysis | |
da Penha et al. | Fusing light and temperature data for fire detection | |
Moshtaghi et al. | Anomaly detection by clustering ellipsoids in wireless sensor networks | |
CN103533571A (zh) | 基于投票策略的容错事件检测方法 | |
CN113311811B (zh) | 一种事件触发多智能体系统及其分布式协同故障检测方法 | |
Jiang et al. | A multisensor cycle-supervised convolutional neural network for anomaly detection on magnetic flux leakage signals | |
Lu et al. | Short-term highway traffic state prediction using structural state space models | |
CN104715156A (zh) | 一种建筑节能潜力动态评估方法 | |
Zhang et al. | Cooperative sensor anomaly detection using global information | |
CN105654134A (zh) | 一种基于有监督自反馈的情景感知系统及其工作方法与应用 | |
CN103313386B (zh) | 基于信息一致性权值优化的无线传感网络目标跟踪方法 | |
CN111542010A (zh) | 基于分类自适应估计加权融合算法的wsn数据融合方法 | |
CN110011847A (zh) | 一种传感云环境下的数据源质量评估方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20140528 Termination date: 20160323 |
|
CF01 | Termination of patent right due to non-payment of annual fee |