CN112418281A - 一种火灾探测传感器数据异常检测方法及系统 - Google Patents

一种火灾探测传感器数据异常检测方法及系统 Download PDF

Info

Publication number
CN112418281A
CN112418281A CN202011251652.4A CN202011251652A CN112418281A CN 112418281 A CN112418281 A CN 112418281A CN 202011251652 A CN202011251652 A CN 202011251652A CN 112418281 A CN112418281 A CN 112418281A
Authority
CN
China
Prior art keywords
data
fire
sensor
neural network
fire detection
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.)
Pending
Application number
CN202011251652.4A
Other languages
English (en)
Inventor
蔡建宾
万芯瑗
陈云翔
洪毅成
田征兴
林德源
夏晓健
罗盛相
张标华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qingdian Xiamen Energy Service Co ltd
Electric Power Research Institute of State Grid Fujian Electric Power Co Ltd
State Grid Fujian Electric Power Co Ltd
Nanping Power Supply Co of State Grid Fujian Electric Power Co Ltd
Original Assignee
Qingdian Xiamen Energy Service Co ltd
Electric Power Research Institute of State Grid Fujian Electric Power Co Ltd
State Grid Fujian Electric Power Co Ltd
Nanping Power Supply Co of State Grid Fujian Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Qingdian Xiamen Energy Service Co ltd, Electric Power Research Institute of State Grid Fujian Electric Power Co Ltd, State Grid Fujian Electric Power Co Ltd, Nanping Power Supply Co of State Grid Fujian Electric Power Co Ltd filed Critical Qingdian Xiamen Energy Service Co ltd
Priority to CN202011251652.4A priority Critical patent/CN112418281A/zh
Publication of CN112418281A publication Critical patent/CN112418281A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Medical Informatics (AREA)
  • Fire Alarms (AREA)

Abstract

本发明涉及一种火灾探测传感器数据异常检测方法，包括以下步骤：步骤S1:获取火灾探测传感器的传感器信息，并进行归一化处理；步骤S2:构建不同火情下的特征数据簇;步骤S3:采用机器分类学习算法，将归一化后的传感器信息数据，与不同火情概率下的特征数据簇进行分类比对；步骤S4:将归一化后的传感器信息数据输入BP神经网络，得到不同火情概率分布；步骤S5:根据分类比对结果和不同火情概率分布，融合判断传感器数据是否无效，若无效则触发传感器异常警报。本发明可快速的对传感器读取的数据信息进行判定，其判定过程有效，可靠，判定结果准确率高。

Description

一种火灾探测传感器数据异常检测方法及系统
技术领域
本发明涉及火灾探测技术领域，具体涉及一种火灾探测传感器数据异常检测方法及系统。
背景技术
智能消防系统应该具备在火灾发生的初期能够自动报警的功能，并且可以在火灾发生时具有自动灭火和火警广播等功能。对于智能消防系统来说，最关键的问题就是火灾判断的问题，即得到一种既快速又准确有效的火灾探测系统。为使得火灾探测系统高效并且准确的运行，对于输入至火灾探测系统的传感器数据进行异常检测是非常必要并且有利的。对于异常数据及时做出检测并将无效数据排除能够提高后续火灾探测的准确性和有效性。 使用机器分类学习及数据融合技术进行传感器数据的检测判断是具有非常广阔的发展前景的，是未来火灾探测领域发展的趋势。目前关于火灾探测输入数据的判断检测上的研究非常有限。
发明内容
有鉴于此，本发明的目的在于提供一种火灾探测传感器数据异常检测方法及系统，可快速的对传感器读取的数据信息进行判定，其判定过程有效，可靠，判定结果准确率高。
为实现上述目的，本发明采用如下技术方案：
一种火灾探测传感器数据异常检测方法，包括以下步骤：
步骤S1:获取火灾探测传感器的传感器信息，并进行归一化处理；
步骤S2:构建不同火情下的特征数据簇;
步骤S3:采用机器分类学习算法，将归一化后的传感器信息数据，与不同火情概率下的特征数据簇进行分类比对；
步骤S4:将归一化后的传感器信息数据输入BP神经网络，得到不同火情概率分布；
步骤S5:根据分类比对结果和不同火情概率分布，融合判断传感器数据是否无效，若无效则触发传感器异常警报。
进一步的，所述火灾探测传感器包括温度传感器、烟雾传感器和一氧化碳传感器。
进一步的，所述步骤S2具体为：
步骤S21:采集明火，阴燃，无火状态下的特征数据;
步骤S22:将收集到的特征数据进行分簇。
进一步的，所述步骤S2采用K-mean算法将特征数据进行分簇。
进一步的，所述BP神经网络模型分为输入层，隐藏层以及输出层；所述输入层包括三个输入节点，分别为温度，烟雾，一氧化碳传感器归一化数值，隐藏层包括N个节点，N的值可以通过训练获得，输出层包括明火概率，阴燃概率以及无火概率三个节点；并通过使用特征传感器数值以及获得的相对应的火情概率，训练出该BP神经网络不同层之间的连接权值。
进一步的，所述机器分类学习算法采用支持向量机二分类算法。
一种火灾探测传感器数据异常检测系统，包括数据采集单元、BP神经网络单元、机器分类学习单元和决策融合单元；所述数据采集单元与BP神经网络单元、机器分类学习单元分别连接；所述决策融合单元与BP神经网络单元、机器分类学习单元分别连接。
本发明与现有技术相比具有以下有益效果：
本发明将机器分类学习方法与BP神经网络技术相结合，以判断传感器数据的有效性，并且降低了异常判断的误判率，进一步使得后续的火灾探测更为高效和准确。
附图说明
图1是本发明系统原理示意图；
图2是本发明方法流程示意图；
图3是本发明一实施例中BP神经网络。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
请参照图1，本发明提供一种火灾探测传感器数据异常检测方法，包括以下步骤：
步骤S1:获取火灾探测传感器的传感器信息，并进行归一化处理；
步骤S2:构建不同火情下的特征数据簇;
步骤S3:采用机器分类学习算法，将归一化后的传感器信息数据，与不同火情概率下的特征数据簇进行分类比对；
步骤S4:将归一化后的传感器信息数据输入BP神经网络，得到不同火情概率分布；
步骤S5:根据分类比对结果和不同火情概率分布，融合判断传感器数据是否无效，若无效则触发传感器异常警报。
在本实施例中，所述火灾探测传感器包括温度传感器、烟雾传感器和一氧化碳传感器。
在本实施例中，采集不同火情概率（明火概率，阴燃概率，无火概率）下的传感器特征数值，并将收集到的特征数据进行分簇，或者通过聚类算法（比如K-mean算法）将特征数据进行分簇。
在本实施例中参考图3，所述BP神经网络模型分为输入层，隐藏层以及输出层；所述输入层包括三个输入节点，分别为温度，烟雾，一氧化碳传感器归一化数值，隐藏层包括N个节点，N的值可以通过训练获得，输出层包括明火概率，阴燃概率以及无火概率三个节点；并通过使用特征传感器数值以及获得的相对应的火情概率，训练出该BP神经网络不同层之间的连接权值。
在本实施中，将归一化后的温度传感器、烟雾传感器、CO传感器数据与不同火情概率下的特征数据簇进行分类比对；
优选的，利用支持向量机（SVM）二分类算法，以得出传感器输入数据是否属于以上三个特征数据簇；具体为：
步骤1：取一组特定火情下的特征数据，例如明火下的传感器归一化特征数据值用向量x表示)，将其标示为1。
步骤2：将该组特征数据作为输入，其标识1作为输出，训练支持向量机。训练支持向量机可选用多种算法，大体可分为线性分类和非线性分类法。以线性分类算法为例，其具体过程可描述为：通过优化找到参数β（3维向量）与b（常数），使得β的向量长度最短，同时每一组特征数据值满足：xTβ+b≥1（xT表示向量x的转置）。
步骤3：将将要进行判断的传感器归一化数值输入训练好的支持向量机，得出判断分值，若分值大于零则标示为1，即该传感器数据属于该组特征数据，反之若分值小于零，则标示为-1，即传感器输入数据不属于该组特征数据。
参考图1，本实施例中，还提供一种火灾探测传感器数据异常检测系统，包括数据采集单元、BP神经网络单元、机器分类学习单元和决策融合单元；所述数据采集单元与BP神经网络单元、机器分类学习单元分别连接；所述决策融合单元与BP神经网络单元、机器分类学习单元分别连接。
以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。

Claims (7)

1.一种火灾探测传感器数据异常检测方法，其特征在于，包括以下步骤：
步骤S1:获取火灾探测传感器的传感器信息，并进行归一化处理；
步骤S2:构建不同火情下的特征数据簇;
步骤S3:采用机器分类学习算法，将归一化后的传感器信息数据，与不同火情概率下的特征数据簇进行分类比对；
步骤S4:将归一化后的传感器信息数据输入BP神经网络，得到不同火情概率分布；
步骤S5:根据分类比对结果和不同火情概率分布，融合判断传感器数据是否无效，若无效则触发传感器异常警报。
2.根据权利要求1所述的一种火灾探测传感器数据异常检测方法，其特征在于，所述火灾探测传感器包括温度传感器、烟雾传感器和一氧化碳传感器。
3.根据权利要求1所述的一种火灾探测传感器数据异常检测方法，其特征在于，所述步骤S2具体为：
步骤S21:采集明火，阴燃，无火状态下的特征数据;
步骤S22:将收集到的特征数据进行分簇。
4.根据权利要求1所述的一种火灾探测传感器数据异常检测方法，其特征在于，所述步骤S2采用K-mean算法将特征数据进行分簇。
5.根据权利要求1所述的一种火灾探测传感器数据异常检测方法，其特征在于，所述BP神经网络模型分为输入层，隐藏层以及输出层；所述输入层包括三个输入节点，分别为温度，烟雾，一氧化碳传感器归一化数值，隐藏层包括N个节点，N的值可以通过训练获得，输出层包括明火概率，阴燃概率以及无火概率三个节点；并通过使用特征传感器数值以及获得的相对应的火情概率，训练出该BP神经网络不同层之间的连接权值。
6.根据权利要求1所述的一种火灾探测传感器数据异常检测方法，其特征在于，所述机器分类学习算法采用支持向量机二分类算法。
7.根据权利要求1所述的一种火灾探测传感器数据异常检测系统，其特征在于，包括数据采集单元、BP神经网络单元、机器分类学习单元和决策融合单元；所述数据采集单元与BP神经网络单元、机器分类学习单元分别连接；所述决策融合单元与BP神经网络单元、机器分类学习单元分别连接。
CN202011251652.4A 2020-11-11 2020-11-11 一种火灾探测传感器数据异常检测方法及系统 Pending CN112418281A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011251652.4A CN112418281A (zh) 2020-11-11 2020-11-11 一种火灾探测传感器数据异常检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011251652.4A CN112418281A (zh) 2020-11-11 2020-11-11 一种火灾探测传感器数据异常检测方法及系统

Publications (1)

Publication Number Publication Date
CN112418281A true CN112418281A (zh) 2021-02-26

Family

ID=74781348

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011251652.4A Pending CN112418281A (zh) 2020-11-11 2020-11-11 一种火灾探测传感器数据异常检测方法及系统

Country Status (1)

Country Link
CN (1) CN112418281A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113359456A (zh) * 2021-06-16 2021-09-07 杭州申弘智能科技有限公司 一种基于边缘计算的变电站消防远程集控系统及方法
CN113920680A (zh) * 2021-10-08 2022-01-11 合肥宽特姆量子科技有限公司 一种基于量子通信的智能建筑火灾探测系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105185022A (zh) * 2015-10-21 2015-12-23 国家电网公司 基于多传感器信息融合的变电站火灾探测系统及探测信息融合方法
CN106714220A (zh) * 2017-01-06 2017-05-24 江南大学 一种基于mea‑bp神经网络wsn异常检测方法
CN107633638A (zh) * 2017-07-24 2018-01-26 南京邮电大学 一种基于wsn的智能火灾探测方法
CN111627181A (zh) * 2020-06-28 2020-09-04 四川旷谷信息工程有限公司 融合多源参数及其梯度信息的综合管廊火灾预警方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105185022A (zh) * 2015-10-21 2015-12-23 国家电网公司 基于多传感器信息融合的变电站火灾探测系统及探测信息融合方法
CN106714220A (zh) * 2017-01-06 2017-05-24 江南大学 一种基于mea‑bp神经网络wsn异常检测方法
CN107633638A (zh) * 2017-07-24 2018-01-26 南京邮电大学 一种基于wsn的智能火灾探测方法
CN111627181A (zh) * 2020-06-28 2020-09-04 四川旷谷信息工程有限公司 融合多源参数及其梯度信息的综合管廊火灾预警方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113359456A (zh) * 2021-06-16 2021-09-07 杭州申弘智能科技有限公司 一种基于边缘计算的变电站消防远程集控系统及方法
CN113920680A (zh) * 2021-10-08 2022-01-11 合肥宽特姆量子科技有限公司 一种基于量子通信的智能建筑火灾探测系统

Similar Documents

Publication Publication Date Title
CN111475804B (zh) 一种告警预测方法及系统
CN108038049B (zh) 实时日志控制系统及控制方法、云计算系统及服务器
CN111507376B (zh) 一种基于多种无监督方法融合的单指标异常检测方法
CN111627181B (zh) 融合多源参数及其梯度信息的综合管廊火灾预警方法
CN106888205B (zh) 一种非侵入式基于功耗分析的plc异常检测方法
TWI746914B (zh) 無須先備領域知識建立活動或行為模型及自動偵測目標系統異常活動或行為之偵測方法及系統
CN106790256B (zh) 用于危险主机监测的主动机器学习系统
CN112987675B (zh) 一种异常检测的方法、装置、计算机设备和介质
CN110309886B (zh) 基于深度学习的无线传感器高维数据实时异常检测方法
CN110287552B (zh) 基于改进随机森林算法的电机轴承故障诊断方法及系统
Wu et al. A neural network ensemble model for on-line monitoring of process mean and variance shifts in correlated processes
WO2011043108A1 (ja) 設備状態監視方法、監視システム及び監視プログラム
CN112418281A (zh) 一种火灾探测传感器数据异常检测方法及系统
Pavlovski et al. Hierarchical convolutional neural networks for event classification on PMU measurements
CN108449366B (zh) 基于人工智能的关键信息基础设施安全威胁情报分析系统
Maglaras et al. Ocsvm model combined with k-means recursive clustering for intrusion detection in scada systems
Shang et al. Early classification of alarm floods via exponentially attenuated component analysis
CN111739243B (zh) 一种基于d-s证据理论的火灾状态检测方法
CN108922140B (zh) 一种基于N-gram模型的工业报警泛滥预测方法
CN116823227A (zh) 一种基于物联网的智能设备管理系统及方法
CN112419650A (zh) 基于神经网络与图像识别技术的火灾探测方法及系统
CN109826818A (zh) 一种矿用风机的故障诊断方法
CN115865649A (zh) 一种智能运维管理控制方法、系统和存储介质
CN112465119A (zh) 一种基于深度学习的消防险情预警方法及装置
CN114023399A (zh) 一种基于人工智能的空气颗粒物分析预警方法和装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination