CN116778661A - 一种烟感智能预警方法 - Google Patents
一种烟感智能预警方法 Download PDFInfo
- Publication number
- CN116778661A CN116778661A CN202310817341.7A CN202310817341A CN116778661A CN 116778661 A CN116778661 A CN 116778661A CN 202310817341 A CN202310817341 A CN 202310817341A CN 116778661 A CN116778661 A CN 116778661A
- Authority
- CN
- China
- Prior art keywords
- data
- value
- window
- fitting
- smoke
- 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.)
- Granted
Links
- 239000000779 smoke Substances 0.000 title claims abstract description 156
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000005259 measurement Methods 0.000 claims abstract description 36
- 230000003044 adaptive effect Effects 0.000 claims abstract description 8
- 238000001514 detection method Methods 0.000 claims abstract description 7
- 238000010606 normalization Methods 0.000 claims description 7
- 230000035807 sensation Effects 0.000 claims 5
- 230000008859 change Effects 0.000 description 14
- 238000009792 diffusion process Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 238000001914 filtration Methods 0.000 description 3
- 230000006698 induction Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Landscapes
- Fire-Detection Mechanisms (AREA)
Abstract
本发明涉及烟感智能预警技术领域,具体涉及一种烟感智能预警方法。方法包括:获取当前时间段内的烟雾浓度值;根据各数据与其对应的数据窗口内的数据的时间间隔及相邻数据的差异确定自适应权重;基于各数据与其对应的数据窗口内的数据的差异构建对应的差分序列;基于自适应权重和差分序列获得第一单高斯模型;基于各数据对应的数据窗口内的数据与其对应的拟合数据之间的差异获得拟合误差模型;根据第一单高斯模型和拟合误差模型,得到新测量值;对各数据对应的数据窗口所对应的KL散度序列进行分解获得趋势数据;根据KL散度、趋势数据和新测量值得到目标测量值,进而判断是否进行预警。本发明保证了烟感智能预警的实时性。
Description
技术领域
本发明涉及烟感智能预警技术领域,具体涉及一种烟感智能预警方法。
背景技术
随着经济的快速发展,高层建筑已成为城市建设的主流,虽然高层建筑有许多好处,但随之也产生不少问题,其中之一就是火灾问题。当今高层建筑与以前的高层建筑相比,高度、造型、材料、结构、功能都发生了巨大的变化,防火灭火的复杂性和难度都有所增加。高层建筑因楼层高、规模大、生活设施齐全,可燃物多,发生火灾时,火势蔓延快,扑救、疏散困难,容易造成巨大损失,因此大多数高层建筑中都会安装烟感探测报警器来预警火灾。
在烟感智能预警时,在进行烟雾浓度数据测量时,一般采用现有的卡尔曼滤波根据测量值和硬件生产导致的测量误差分布进行烟雾浓度数据的测量,但是由于烟雾飘散的方向和速度不稳定,因此可能会出现预警不及时的情况,进而导致现有的烟感智能预警存在实时性较差、可信度较低的问题。
发明内容
为了解决现有的在进行烟感智能预警时存在实时性较差的问题,本发明的目的在于提供一种烟感智能预警方法,所采用的技术方案具体如下:
本发明提供了一种烟感智能预警方法,该方法包括以下步骤:
获取当前时间段内待检测区域的烟雾浓度值;基于所述当前时间段内待检测区域的烟雾浓度值构建烟雾浓度序列;
以所述烟雾浓度序列中的各数据为数据窗口内的最后一个数据构建各数据对应的数据窗口;根据各数据与其对应的数据窗口内的数据的时间间隔,以及各数据对应的数据窗口内相邻数据的差异,确定各数据的自适应权重;基于各数据与其对应的数据窗口内的数据的差异构建各数据对应的差分序列;基于所述自适应权重和所述差分序列获得第一单高斯模型;
对各数据对应的数据窗口内的数据进行线性拟合获得对应的拟合数据;基于各数据对应的数据窗口内的数据与其对应的拟合数据之间的差异获得拟合误差模型;根据所述第一单高斯模型和所述拟合误差模型,得到各数据对应的新测量值;
获取各数据对应的数据窗口所对应的KL散度序列,对所述KL散度序列进行分解获得趋势数据;根据各数据对应的KL散度、对应的趋势数据和所述新测量值,得到各数据对应的目标测量值;基于所述目标测量值判断是否进行预警。
优选的,所述根据各数据与其对应的数据窗口内的数据的时间间隔,以及各数据对应的数据窗口内相邻数据的差异,确定各数据的自适应权重,包括:
对于所述烟雾浓度序列中的任一数据:
根据该数据与其对应的数据窗口内的数据的时间间隔,得到该数据对应的数据窗口内各数据的线性权重,其中,该数据对应的数据窗口内所有数据的线性权重之和为1,该数据对应的数据窗口内每两个相邻数据的线性权重的差异均相等,且该数据对应的数据窗口内数据的线性权重依次递增;
分别计算该数据对应的数据窗口内每两个相邻数据之间的差值绝对值,将所述差值绝对值的归一化结果确定为对应数据的不稳定权重;
将该数据对应的数据窗口内各数据的线性权重与不稳定权重的乘积,确定为对应数据的自适应权重。
优选的,所述基于所述自适应权重和所述差分序列获得第一单高斯模型,包括:
对于所述烟雾浓度序列中的任一数据:
将该数据对应的差分序列中各数据与对应的自适应权重的乘积作为各数据对应的第一特征值;该数据对应的差分序列中所有数据对应的第一特征值构成该数据对应的第一特征值序列;
基于该数据对应的第一特征值序列中数据的均值和方差,构建第一单高斯模型。
优选的,所述基于各数据对应的数据窗口内的数据与其对应的拟合数据之间的差异获得拟合误差模型,包括:
对于所述烟雾浓度序列中的任一数据:
分别将该数据对应的数据窗口内各数据与其对应的拟合数据的差值的绝对值,确定为对应数据的拟合差异;基于该数据对应的数据窗口内所有数据的拟合差异的均值和方差构建单高斯模型,记为拟合误差模型。
优选的,所述根据所述第一单高斯模型和所述拟合误差模型,得到各数据对应的新测量值,包括:
对于所述烟雾浓度序列中的任一数据:
将该数据对应的第一单高斯模型和对应的拟合误差模型相乘获得综合误差模型;将所述综合误差模型对应的方差作为新数据对应时间戳下的拟合数据对应的误差;
将新数据对应时间戳下的拟合数据作为均值,将新数据对应时间戳下的拟合数据对应的误差作为方差,获得第二单高斯模型;将新数据作为均值,将测量误差作为方差,获得第三单高斯模型;
将所述第二单高斯模型与所述第三单高斯模型相乘获得第四单高斯模型;将所述第四单高斯模型对应的均值作为该数据对应的新测量值。
优选的,所述根据各数据对应的KL散度、对应的趋势数据和所述新测量值,得到各数据对应的目标测量值,包括:
对于所述烟雾浓度序列中的任一数据:
获取该数据对应的数据窗口内数据对应的新测量值的单高斯模型记为第五单高斯模型;
将该数据对应的KL散度和对应的趋势数据之间的差值绝对值记为第一差异;计算所述第一差异与该数据对应的趋势数据的比值;
将所述比值与预设超参数的乘积确定为该数据对应的方差权重值;将所述方差权重值与对应的所述第五单高斯模型的方差的乘积,确定为该数据对应的目标测量值。
优选的,所述获取各数据对应的数据窗口所对应的KL散度序列,包括:
对于所述烟雾浓度序列中的任一数据:
获取该数据对应的数据窗口数据的拟合数据的单高斯模型,基于所述拟合数据的单高斯模型获得相邻数据之间的KL散度;
基于所有相邻数据之间的KL散度构建该数据对应的数据窗口所对应的KL散度序列。
优选的,所述基于各数据与其对应的数据窗口内的数据的差异构建各数据对应的差分序列,包括:
对于所述烟雾浓度序列中的任一数据:基于该数据对应的窗口内各数据与该数据的差值,构建该数据对应的差分序列。
本发明至少具有如下有益效果:
本发明烟雾扩散是一个烟雾浓度由低到高的渐变过程,只有当火势较大、烟雾较浓时,烟雾传感器才能直接获取一个较高的烟雾浓度值,在火灾初期烟雾浓度较低,烟雾传感器有时无法获取准确的浓度值,根据每个数据与其对应的数据窗口内的数据的时间间隔,以及每个数据对应的数据窗口内相邻数据的差异,确定了每个数据的自适应权重,结合自适应权重获得新测量值,并对烟雾浓度值的趋势变化数据进行分析获得目标测量值,以得到用于当前烟雾浓度的准确判断的数据,使得在获取烟雾浓度数据后,即使烟雾存在不稳定变化,仍能进行准确的烟感预警,对不稳定烟雾浓度值有更加稳定准确的监测值,以用于及时发现烟雾风险,保证了烟感智能预警的实时性,提高了烟感智能预警的可信度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,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得其它附图。
图1为本发明实施例所提供的一种烟感智能预警方法的流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种烟感智能预警方法进行详细说明如下。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种烟感智能预警方法的具体方案。
一种烟感智能预警方法实施例:
本实施例提出了一种烟感智能预警方法,如图1所示,本实施例的一种烟感智能预警方法包括以下步骤:
步骤S1,获取当前时间段内待检测区域的烟雾浓度值;基于所述当前时间段内待检测区域的烟雾浓度值构建烟雾浓度序列。
由于烟雾扩散是一个烟雾浓度由低到高的渐变过程,只有当火势较大、烟雾较浓时,烟雾传感器才能直接获取一个较高的烟雾浓度值,在火灾初期烟雾浓度较低,烟雾传感器有时无法获取准确的烟雾浓度值,进而错过了最佳报警时机,所以即使烟雾浓度测量值再准确,也较难以发现火灾初期低烟雾时的火情,进而本实施例首先利用烟雾传感器获取烟雾浓度值,根据历史烟雾浓度值进行新测量值估计,判断当前是否处于火灾初期低烟雾时期,如果处于火灾初期低烟雾时期的可能性越高,则对测量数据进行自适应增强,以得到新的烟雾浓度数据,进而根据新的烟雾浓度数据判断当前是否需要进行警报。
本实施例首先在待检测区域布置烟雾传感器,然后利用烟雾传感器采集当前时间段内每个采集时刻的烟雾浓度值,本实施例设置烟雾浓度值每一秒采集一次,在具体应用中,烟雾传感器和烟雾浓度值的采集频率均可由实施者根据具体情况进行设置。基于当前时间段内每个采集时刻的烟雾浓度值,按照时间先后顺序,构建烟雾浓度序列H=[h1,h2,…,ht],其中,H为烟雾浓度序列,t为当前时间段内采集时刻的总个数,h1为第1个采集时刻的烟雾浓度值,h2为第2个采集时刻的烟雾浓度值,ht为第t个采集时刻的烟雾浓度值。
至此,本实施例获取了烟雾浓度序列。
步骤S2,以所述烟雾浓度序列中的各数据为数据窗口内的最后一个数据构建各数据对应的数据窗口;根据各数据与其对应的数据窗口内的数据的时间间隔,以及各数据对应的数据窗口内相邻数据的差异,确定各数据的自适应权重;基于各数据与其对应的数据窗口内的数据的差异构建各数据对应的差分序列;基于所述自适应权重和所述差分序列获得第一单高斯模型。
如果烟雾浓度值一致保持稳定状态,那么说明当前风险值较低,由于在烟雾扩散中烟雾处于不稳定状态,因此会导致烟雾浓度值不稳定,但是在火灾初期低烟雾时期,其烟雾浓度相对于无灾情时的烟雾浓度也会具有一定的升高变化。本实施例根据烟雾传感器测量的烟雾浓度值的变化进行新测量值估计,以得到用于当前烟雾浓度的准确判断的数据,使得在获取烟雾浓度数据后,即使烟雾存在不稳定变化,仍能进行准确的烟感预警。
本实施例首先将对采集到的烟雾浓度值进行差分处理,考虑到在进行差分时,若仅仅只是相邻数据进行差分,则难以通过有效的差分数据表示当前数据的稳定性,虽然差分可以将不平稳数据转化为平稳数据,但是丢失信息过多,为了在得到相对平稳数据的同时保留部分原数据的特征,本实施例选择采用加权差分的方法对当前时间段内待检测区域的烟雾浓度值进行数据差分,也即对烟雾浓度序列中的数据进行加权差分。
在进行加权差分时,本实施例以烟雾浓度序列中的各数据为数据窗口内的最后一个数据构建各数据对应的数据窗口,本实施例中设置数据窗口的长度为n,也即每个数据窗口内数据的总数量为n个,本实施例设置n的值为30,在具体应用中,实施者可根据具体情况进行设置。对于烟雾浓度序列中的第i个烟雾浓度值,其对应的数据窗口内第i个烟雾浓度值为右端点,也即为数据窗口内的最后一个数据,i的值必须大于等于n值。
本实施例为了保留更多的原数据特征,对烟雾浓度值进行自适应加权,在自适应加权后,获得对应的差分序列。
具体的,对于所述烟雾浓度序列中的任一数据:根据该数据与其对应的数据窗口内的数据的时间间隔,得到该数据对应的数据窗口内各数据的线性权重,其中,该数据对应的数据窗口内所有数据的线性权重之和为1,该数据对应的数据窗口内每两个相邻数据的线性权重的差异均相等,且该数据对应的数据窗口内数据的线性权重依次递增;分别计算该数据对应的数据窗口内每两个相邻数据之间的差值绝对值,将所述差值绝对值的归一化结果确定为对应数据的自适应权重。对于烟雾浓度序列中的第i个数据,在自适应差分时,越靠近第i个数据的数据在获取第i个数据的差分结果时越重要,第i个数据对应的数据窗口内所有数据的线性权重之和为1,第i个数据对应的数据窗口内第1个数据的线性权重为0,第i个数据对应的数据窗口内相邻的两个数据的线性权重的差异相等,第i个数据对应的数据窗口内数据的线性权重构成等差数列,该等差序列中的首项为0,在计算第i个数据对应的数据窗口内所有数据的线性权重时,结合等差序列的求和公式计算获得第i个数据对应的数据窗口内每个数据的线性权重,例如:第i个数据对应的数据窗口内数据的个数为5,第i个数据对应的数据窗口内所有数据的线性权重之和为1,则采用等差数列的求和公式可得公差为0.1,因此第i个数据对应的数据窗口内第1个数据的线性权重为0,第i个数据对应的数据窗口内第2个数据的线性权重为0.1,第i个数据对应的数据窗口内第3个数据的线性权重为0.2,第i个数据对应的数据窗口内第4个数据的线性权重为0.3,第i个数据对应的数据窗口内第5个数据的线性权重为0.4。采用上述方法,能够获得每个数据对应的数据窗口内每个数据的线性权重,也即对数据窗口内每个数据进行了线性赋权。
对于烟雾浓度序列中的第i个数据:
若第i个数据对应的数据窗口内相邻数据值的差异越大,则说明当前数据越不稳定,其对应的权重应当越大,分别计算该数据对应的数据窗口内每两个相邻数据之间的差值绝对值,将所述差值绝对值的归一化结果确定为对应数据的不稳定权重;本实施例中的归一化方法采用最大值最小值归一化方法,该归一化方法为现有技术,此处不再过多赘述。将该数据对应的数据窗口内各数据的线性权重与不稳定权重的乘积,确定为对应数据的自适应权重。采用上述方法,能够获得数据窗口内每个数据的自适应权重。
接下来本实施例将构建加权后的差分序列,本实施例将加权后的差分序列记为第一特征值序列。具体的,分别计算第i个数据对应的窗口内每个数据与第i个数据的差值,基于第i个数据对应的窗口内每个数据与第i个数据的差值,构建第i个数据对应的差分序列。分别将第i个数据对应的差分序列中每个数据与对应的自适应权重的乘积作为每个数据对应的第一特征值;获得第i个数据对应的差分序列中每个数据对应的第一特征值后,基于第i个数据对应的差分序列中所有数据对应的第一特征值构建第i个数据对应的第一特征值序列。获取第i个数据对应的第一特征值序列中数据的均值和方差,第一特征值序列中数据的均值表示在第i个数据对应的数据窗口内数据的平均波动情况,其值越大,说明第i个数据对应的数据窗口内数据之间的差异越大;第一特征值序列中数据的方差值越大,第i个数据对应的数据窗口内的数据值越分散,其值越大,说明第i个数据对应的数据窗口内数据的变化越不稳定。基于第i个数据对应的第一特征值序列中数据的均值和方差,构建单高斯模型,将此时获得的单高斯模型记为第一单高斯模型,第一单高斯模型能够反映当前烟感浓度值的变化情况,但是由于要对测量数据进行调整,则需要得到烟感数据的高斯模型,以用于卡尔曼滤波对数据的增强。
步骤S3,对各数据对应的数据窗口内的数据进行线性拟合获得对应的拟合数据;基于各数据对应的数据窗口内的数据与其对应的拟合数据之间的差异获得拟合误差模型;根据所述第一单高斯模型和所述拟合误差模型,得到各数据对应的新测量值。
本实施例接下来仍以第i个数据为例进行说明,对于其他数据均可采用本实施例提供的方法进行处理。
对第i个数据对应的数据窗口内的所有烟雾浓度值进行线性拟合,得到第i个数据对应的数据窗口内每个数据的拟合数据,其中线性拟合过程为现有技术,此处不再过多赘述,本实施例中的拟合阶数为2,在具体应用中,拟合阶数可由实施者根据具体实施场景进行调整。
分别将第i个数据对应的数据窗口内每个数据与其对应的拟合数据的差值的绝对值,确定为对应数据的拟合差异,获得了第i个数据对应的数据窗口内每个数据的拟合差异;分别计算第i个数据对应的数据窗口内所有数据的拟合差异的均值和方差,然后基于第i个数据对应的数据窗口内所有数据的拟合差异的均值和方差构建单高斯模型,将此时获得的单高斯模型记为拟合误差模型。由于拟合的误差的数据可以作为预测数据的误差参考,因此本实施例通过将第一单高斯模型与拟合误差模型进行相乘得到新的误差模型,将此时获得的误差模型记为综合误差模型,将综合误差模型对应的方差作为新数据对应时间戳下的拟合数据对应的误差。将新数据对应时间戳下的拟合数据作为均值,将新数据对应时间戳下的拟合数据对应的误差作为方差,获得单高斯模型,将此时获得的单高斯模型记为第二单高斯模型;将新数据作为均值,将测量误差作为方差,获得单高斯模型,将此时获得的单高斯模型记为第三单高斯模型。将所述第二单高斯模型与所述第三单高斯模型相乘获得第四单高斯模型;将所述第四单高斯模型对应的均值作为该数据对应的新测量值,此时获得的新测量值可能会与新数据值具有较大的差异,但是新测量值为经过数据变化不定所调整获得的数值,结合新测量值得到的新值具有一定的抗不稳定特性。
采用上述方法,能够获得烟雾浓度序列中每个数据对应的新测量值。
步骤S4,获取各数据对应的数据窗口所对应的KL散度序列,对所述KL散度序列进行分解获得趋势数据;根据各数据对应的KL散度、对应的趋势数据和所述新测量值,得到各数据对应的目标测量值;基于所述目标测量值判断是否进行预警。
通过卡尔曼滤波算法能够得到当前数据对应的新测量值,虽然可以将当前时刻的数据对应的烟雾扩散模型作为当前数据对应的新测量值,但是烟雾不稳定会导致烟雾扩散模型偏差过大,为了得到稳定有效的测量值,本实施例自适应获取不同时刻对应的优化权重,以得到稳定有效的测量值。
烟雾变化的不稳定性会导致新测量值仍然可能出现一定的波动,为了降低波动程度,本实施例通过调整获取新测量值时,对拟合数据对应高斯模型进行自适应加权,其中在自适应获取拟合数据对应高斯模型对应的权重值时,依据高斯模型之间的变化趋势,获得对应的权重。
对于所述烟雾浓度序列中的任一数据:获取该数据对应的数据窗口内数据对应的新测量值对应的拟合数据的单高斯模型,基于所述拟合数据的第五单高斯模型获得相邻数据之间的KL散度;KL散度说利用KL散度计算公式得到的,KL散度的计算公式为公知内容不在赘述;基于所有相邻数据之间的KL散度构建该数据对应的数据窗口所对应的KL散度序列。
为了获取KL散度序列的长期变化趋势,本实施例利用STL分解算法对其进行分解,获取其对应的趋势数据,STL分解算法为现有算法,此处不再过多赘述。由于KL散度值能够反映拟合数据的单高斯模型之间的差异,其中拟合数据的单高斯模型能够反映当前烟感浓度值的稳定性,KL散度序列中的值越大,说明当前烟感数据越不稳定,不能过多依靠烟感设备测量数据,应当更偏向拟合数据,以使得数据更偏向于线性稳定的状态。
在获取KL散度序列的趋势数据后,以趋势数据为准,趋势数据能够表示其对应的数据的变化趋势。对于烟雾浓度序列中的任一数据:将该数据对应的KL散度和对应的趋势数据之间的差值绝对值记为第一差异;计算所述第一差异与该数据对应的趋势数据的比值。该比值越大,则说明当前烟雾浓度数据越不稳定,不能过多依靠烟感设备测量数据,应当更偏向拟合数据,以使得数据更偏向于线性稳定的状态;因此本实施例将所述比值与预设超参数的乘积确定为该数据对应的方差权重值,获取该数据对应的数据窗口内数据对应的新测量值的单高斯模型,将此时获得的单高斯模型记为第五单高斯模型,获取第五单高斯模型的方差,将该方差权重值与第五单高斯模型的方差的乘积作为该数据对应的目标测量值。其中d为超参数,本实施例中的预设超参数为4.3,在具体应用中,实施者可根据具体情况进行设置。采用该方法,能够获得每个数据的目标测量值。
在得到目标测量值后,若目标测量值大于烟感预警值,则说明此时烟雾浓度过高,烟感设备发出预警;若目标测量值小于或等于烟感预警值,则说明此时烟雾浓度较低或无烟雾,此时不触发预警。烟感预警值实施者根据具体情况进行设置。
本实施例烟雾扩散是一个烟雾浓度由低到高的渐变过程,只有当火势较大、烟雾较浓时,烟雾传感器才能直接获取一个较高的烟雾浓度值,在火灾初期烟雾浓度较低,烟雾传感器有时无法获取准确的浓度值,根据每个数据与其对应的数据窗口内的数据的时间间隔,以及每个数据对应的数据窗口内相邻数据的差异,确定了每个数据的自适应权重,结合自适应权重获得新测量值,并对烟雾浓度值的趋势变化数据进行分析获得目标测量值,以得到用于当前烟雾浓度的准确判断的数据,使得在获取烟雾浓度数据后,即使烟雾存在不稳定变化,仍能进行准确的烟感预警,对不稳定烟雾浓度值有更加稳定准确的监测值,以用于及时发现烟雾风险,保证了烟感智能预警的实时性,提高了烟感智能预警的可信度。
需要说明的是:以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种烟感智能预警方法,其特征在于,该方法包括以下步骤:
获取当前时间段内待检测区域的烟雾浓度值;基于所述当前时间段内待检测区域的烟雾浓度值构建烟雾浓度序列;
以所述烟雾浓度序列中的各数据为数据窗口内的最后一个数据构建各数据对应的数据窗口;根据各数据与其对应的数据窗口内的数据的时间间隔,以及各数据对应的数据窗口内相邻数据的差异,确定各数据的自适应权重;基于各数据与其对应的数据窗口内的数据的差异构建各数据对应的差分序列;基于所述自适应权重和所述差分序列获得第一单高斯模型;
对各数据对应的数据窗口内的数据进行线性拟合获得对应的拟合数据;基于各数据对应的数据窗口内的数据与其对应的拟合数据之间的差异获得拟合误差模型;根据所述第一单高斯模型和所述拟合误差模型,得到各数据对应的新测量值;
获取各数据对应的数据窗口所对应的KL散度序列,对所述KL散度序列进行分解获得趋势数据;根据各数据对应的KL散度、对应的趋势数据和所述新测量值,得到各数据对应的目标测量值;基于所述目标测量值判断是否进行预警。
2.根据权利要求1所述的一种烟感智能预警方法,其特征在于,所述根据各数据与其对应的数据窗口内的数据的时间间隔,以及各数据对应的数据窗口内相邻数据的差异,确定各数据的自适应权重,包括:
对于所述烟雾浓度序列中的任一数据:
根据该数据与其对应的数据窗口内的数据的时间间隔,得到该数据对应的数据窗口内各数据的线性权重,其中,该数据对应的数据窗口内所有数据的线性权重之和为1,该数据对应的数据窗口内每两个相邻数据的线性权重的差异均相等,且该数据对应的数据窗口内数据的线性权重依次递增;
分别计算该数据对应的数据窗口内每两个相邻数据之间的差值绝对值,将所述差值绝对值的归一化结果确定为对应数据的不稳定权重;
将该数据对应的数据窗口内各数据的线性权重与不稳定权重的乘积,确定为对应数据的自适应权重。
3.根据权利要求1所述的一种烟感智能预警方法,其特征在于,所述基于所述自适应权重和所述差分序列获得第一单高斯模型,包括:
对于所述烟雾浓度序列中的任一数据:
将该数据对应的差分序列中各数据与对应的自适应权重的乘积作为各数据对应的第一特征值;该数据对应的差分序列中所有数据对应的第一特征值构成该数据对应的第一特征值序列;
基于该数据对应的第一特征值序列中数据的均值和方差,构建第一单高斯模型。
4.根据权利要求1所述的一种烟感智能预警方法,其特征在于,所述基于各数据对应的数据窗口内的数据与其对应的拟合数据之间的差异获得拟合误差模型,包括:
对于所述烟雾浓度序列中的任一数据:
分别将该数据对应的数据窗口内各数据与其对应的拟合数据的差值的绝对值,确定为对应数据的拟合差异;基于该数据对应的数据窗口内所有数据的拟合差异的均值和方差构建单高斯模型,记为拟合误差模型。
5.根据权利要求1所述的一种烟感智能预警方法,其特征在于,所述根据所述第一单高斯模型和所述拟合误差模型,得到各数据对应的新测量值,包括:
对于所述烟雾浓度序列中的任一数据:
将该数据对应的第一单高斯模型和对应的拟合误差模型相乘获得综合误差模型;将所述综合误差模型对应的方差作为新数据对应时间戳下的拟合数据对应的误差;
将新数据对应时间戳下的拟合数据作为均值,将新数据对应时间戳下的拟合数据对应的误差作为方差,获得第二单高斯模型;将新数据作为均值,将测量误差作为方差,获得第三单高斯模型;
将所述第二单高斯模型与所述第三单高斯模型相乘获得第四单高斯模型;将所述第四单高斯模型对应的均值作为该数据对应的新测量值。
6.根据权利要求1所述的一种烟感智能预警方法,其特征在于,所述根据各数据对应的KL散度、对应的趋势数据和所述新测量值,得到各数据对应的目标测量值,包括:
对于所述烟雾浓度序列中的任一数据:
获取该数据对应的数据窗口内数据对应的新测量值的单高斯模型记为第五单高斯模型;
将该数据对应的KL散度和对应的趋势数据之间的差值绝对值记为第一差异;计算所述第一差异与该数据对应的趋势数据的比值;
将所述比值与预设超参数的乘积确定为该数据对应的方差权重值;将所述方差权重值与对应的所述第五单高斯模型的方差的乘积,确定为该数据对应的目标测量值。
7.根据权利要求1所述的一种烟感智能预警方法,其特征在于,所述获取各数据对应的数据窗口所对应的KL散度序列,包括:
对于所述烟雾浓度序列中的任一数据:
获取该数据对应的数据窗口数据的拟合数据的单高斯模型,基于所述拟合数据的单高斯模型获得相邻数据之间的KL散度;
基于所有相邻数据之间的KL散度构建该数据对应的数据窗口所对应的KL散度序列。
8.根据权利要求1所述的一种烟感智能预警方法,其特征在于,所述基于各数据与其对应的数据窗口内的数据的差异构建各数据对应的差分序列,包括:
对于所述烟雾浓度序列中的任一数据:基于该数据对应的窗口内各数据与该数据的差值,构建该数据对应的差分序列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310817341.7A CN116778661B (zh) | 2023-07-05 | 2023-07-05 | 一种烟感智能预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310817341.7A CN116778661B (zh) | 2023-07-05 | 2023-07-05 | 一种烟感智能预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116778661A true CN116778661A (zh) | 2023-09-19 |
CN116778661B CN116778661B (zh) | 2024-06-07 |
Family
ID=87989377
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310817341.7A Active CN116778661B (zh) | 2023-07-05 | 2023-07-05 | 一种烟感智能预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116778661B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101084719B1 (ko) * | 2010-06-25 | 2011-11-22 | (주)퓨처아이스 | 영상 처리와 지능 연산을 이용한 지능형 연기 검출 시스템 |
US20140099020A1 (en) * | 2012-10-05 | 2014-04-10 | Industry Academic Cooperation Foundation Keimyung University | Method of detecting smoke of forest fire using spatiotemporal bof of smoke and random forest |
JP2016110261A (ja) * | 2014-12-03 | 2016-06-20 | 能美防災株式会社 | 煙検出装置および煙検出方法 |
JP2016110262A (ja) * | 2014-12-03 | 2016-06-20 | 能美防災株式会社 | 煙検出装置および煙検出方法 |
CN107092582A (zh) * | 2017-03-31 | 2017-08-25 | 江苏方天电力技术有限公司 | 一种基于残差后验的异常值在线检测及置信度评估方法 |
KR20190091730A (ko) * | 2018-01-29 | 2019-08-07 | 성균관대학교산학협력단 | 미세먼지의 농도 예측 방법 및 장치 |
CN112270122A (zh) * | 2020-10-10 | 2021-01-26 | 清华大学 | 一种建筑火灾火源参数反演评估方法 |
EP3916692A1 (de) * | 2020-05-25 | 2021-12-01 | Robert Bosch GmbH | Verfahren zur branderkennung mit einem brandmelder, brandmelder, computerprogramm und maschinenlesbares speichermedium |
EP3916691A1 (de) * | 2020-05-25 | 2021-12-01 | Robert Bosch GmbH | Verfahren zur verschmutzungserkennung eines brandmelders, brandmelder, computerprogramm und maschinenlesbares speichermedium |
CN113963301A (zh) * | 2021-11-04 | 2022-01-21 | 西安邮电大学 | 一种时空特征融合的视频火灾烟雾探测方法及系统 |
WO2022052068A1 (zh) * | 2020-09-11 | 2022-03-17 | 西门子(中国)有限公司 | 一种基于目标可用模型的环境预测方法、装置、程序及其电子设备 |
CN114627607A (zh) * | 2022-01-30 | 2022-06-14 | 江苏蓝图消防装备有限公司 | 基于工业传感网的消防综合信息检索系统 |
US20230067841A1 (en) * | 2021-08-02 | 2023-03-02 | Google Llc | Image Enhancement via Iterative Refinement based on Machine Learning Models |
CN116070163A (zh) * | 2023-03-07 | 2023-05-05 | 深圳市特安电子有限公司 | 一种室内有害气体浓度异常监测数据处理方法 |
CN116298087A (zh) * | 2022-12-27 | 2023-06-23 | 中国华电科工集团有限公司 | 烟气污染物生成量预测方法及装置 |
-
2023
- 2023-07-05 CN CN202310817341.7A patent/CN116778661B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101084719B1 (ko) * | 2010-06-25 | 2011-11-22 | (주)퓨처아이스 | 영상 처리와 지능 연산을 이용한 지능형 연기 검출 시스템 |
US20140099020A1 (en) * | 2012-10-05 | 2014-04-10 | Industry Academic Cooperation Foundation Keimyung University | Method of detecting smoke of forest fire using spatiotemporal bof of smoke and random forest |
JP2016110261A (ja) * | 2014-12-03 | 2016-06-20 | 能美防災株式会社 | 煙検出装置および煙検出方法 |
JP2016110262A (ja) * | 2014-12-03 | 2016-06-20 | 能美防災株式会社 | 煙検出装置および煙検出方法 |
CN107092582A (zh) * | 2017-03-31 | 2017-08-25 | 江苏方天电力技术有限公司 | 一种基于残差后验的异常值在线检测及置信度评估方法 |
KR20190091730A (ko) * | 2018-01-29 | 2019-08-07 | 성균관대학교산학협력단 | 미세먼지의 농도 예측 방법 및 장치 |
EP3916692A1 (de) * | 2020-05-25 | 2021-12-01 | Robert Bosch GmbH | Verfahren zur branderkennung mit einem brandmelder, brandmelder, computerprogramm und maschinenlesbares speichermedium |
EP3916691A1 (de) * | 2020-05-25 | 2021-12-01 | Robert Bosch GmbH | Verfahren zur verschmutzungserkennung eines brandmelders, brandmelder, computerprogramm und maschinenlesbares speichermedium |
WO2022052068A1 (zh) * | 2020-09-11 | 2022-03-17 | 西门子(中国)有限公司 | 一种基于目标可用模型的环境预测方法、装置、程序及其电子设备 |
CN112270122A (zh) * | 2020-10-10 | 2021-01-26 | 清华大学 | 一种建筑火灾火源参数反演评估方法 |
US20230067841A1 (en) * | 2021-08-02 | 2023-03-02 | Google Llc | Image Enhancement via Iterative Refinement based on Machine Learning Models |
CN113963301A (zh) * | 2021-11-04 | 2022-01-21 | 西安邮电大学 | 一种时空特征融合的视频火灾烟雾探测方法及系统 |
CN114627607A (zh) * | 2022-01-30 | 2022-06-14 | 江苏蓝图消防装备有限公司 | 基于工业传感网的消防综合信息检索系统 |
CN116298087A (zh) * | 2022-12-27 | 2023-06-23 | 中国华电科工集团有限公司 | 烟气污染物生成量预测方法及装置 |
CN116070163A (zh) * | 2023-03-07 | 2023-05-05 | 深圳市特安电子有限公司 | 一种室内有害气体浓度异常监测数据处理方法 |
Non-Patent Citations (2)
Title |
---|
于佰华: "OP-FTIR/CT技术在大气污染物监测中的应用", 《 中国优秀硕士论文电子期刊网》, no. 1, 15 January 2007 (2007-01-15) * |
刘童: "轻气体扩散时空数据模型可视化方法研究", 《 中国优秀硕士论文电子期刊网》, no. 2, 15 February 2021 (2021-02-15) * |
Also Published As
Publication number | Publication date |
---|---|
CN116778661B (zh) | 2024-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112348237B (zh) | 一种动态钻井数据异常趋势检测方法 | |
CN116246407B (zh) | 一种基于人工智能的农林区域火灾预警监管系统 | |
CN1077992C (zh) | 多探测器设备和方法 | |
CN117411811B (zh) | 一种电力通信设备的故障智能监测方法 | |
CN116756529B (zh) | 一种吊白块生产设备运行状态检测系统 | |
CN104200113A (zh) | 基于高斯过程的物联网数据不确定性度量、预测与野值剔除方法 | |
CN117538491B (zh) | 一种站房空气质量智能监测方法及系统 | |
JP2001521210A (ja) | 状態に関する少なくとも2つの異なる測度によって測定可能な変動する環境における適応的プロファイリング、障害検出及び警告発生のためのシステム及び方法 | |
CN108696368B (zh) | 一种网元健康状态的检测方法及设备 | |
CN110087207B (zh) | 无线传感器网络缺失数据重建方法 | |
CN104921736A (zh) | 一种包含参数估计功能滤波模块的连续血糖监测设备 | |
CN111368428B (zh) | 一种基于监控二阶统计量的传感器精度下降故障检测方法 | |
CN116146282B (zh) | 一种防冲隐蔽工程施工的智能监管系统 | |
CN116778661B (zh) | 一种烟感智能预警方法 | |
CN109060393A (zh) | 一种桥梁结构恒载响应时域融合分析方法 | |
CN117892246B (zh) | 一种智能化开关柜用数据处理方法 | |
CN114323412B (zh) | 一种供水管网压力扰动事件检测方法 | |
McKenna et al. | Event detection from water quality time series | |
CN107346301B (zh) | 基于双时间窗口验证的水质监测噪音数据实时检测方法 | |
CN113298426B (zh) | 知识图谱驱动的大坝安全评判权重动态拟定方法及系统 | |
DE102014002124A1 (de) | Technik zum Erfassen eines Personensturzes | |
CN114925731A (zh) | 检测柔性测斜仪监测数据异常值的方法 | |
CN114090949A (zh) | 一种鲁棒的振动信号特征值计算方法 | |
US8660854B1 (en) | Rapid syndrome analysis apparatus and method | |
CN118197635B (zh) | 一种肉牛健康检测数据处理方法 |
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 | ||
GR01 | Patent grant |