CN117093827B - 基于物联网的智慧消防给水数据处理系统 - Google Patents
基于物联网的智慧消防给水数据处理系统 Download PDFInfo
- Publication number
- CN117093827B CN117093827B CN202311329265.1A CN202311329265A CN117093827B CN 117093827 B CN117093827 B CN 117093827B CN 202311329265 A CN202311329265 A CN 202311329265A CN 117093827 B CN117093827 B CN 117093827B
- Authority
- CN
- China
- Prior art keywords
- signal
- component
- nth
- noise
- independent noise
- 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.)
- Active
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 57
- 238000012545 processing Methods 0.000 title claims abstract description 37
- 238000001914 filtration Methods 0.000 claims abstract description 17
- 239000011159 matrix material Substances 0.000 claims abstract description 15
- 238000001228 spectrum Methods 0.000 claims abstract description 12
- 238000000034 method Methods 0.000 claims description 43
- 230000008569 process Effects 0.000 claims description 12
- 230000006855 networking Effects 0.000 claims 1
- 238000012880 independent component analysis Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000000354 decomposition reaction Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005507 spraying Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000008400 supply water Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A62—LIFE-SAVING; FIRE-FIGHTING
- A62C—FIRE-FIGHTING
- A62C37/00—Control of fire-fighting equipment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y10/00—Economic sectors
- G16Y10/35—Utilities, e.g. electricity, gas or water
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y20/00—Information sensed or collected by the things
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/10—Detection; Monitoring
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/30—Control
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
- H03H17/00—Networks using digital techniques
- H03H17/02—Frequency selective networks
- H03H17/0248—Filters characterised by a particular frequency response or filtering method
- H03H17/0255—Filters based on statistics
- H03H17/0257—KALMAN filters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
Abstract
本发明涉及数据处理技术领域,具体涉及基于物联网的智慧消防给水数据处理系统,包括:采集实时流量信号和历史流量信号时序序列;将历史流量信号时序序列的频谱信号分解为若干个IMF分量信号,根据所有IMF分量信号属于独立噪声成分的截止概率的分布确定历史流量信号时序序列的所有独立噪声成分;根据所有独立噪声成分保留的所有幅值的分布确定噪声序列,将噪声序列的协方差矩阵作为卡尔曼滤波的噪声协方差矩阵,通过卡尔曼滤波对实时流量信号进行去噪,实现对智慧消防给水数据的处理。本发明使通过卡尔曼滤波对消防给水管网的流量信号进行去噪时提供更准确的状态估计结果,提高智慧消防的给水控制精度。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及基于物联网的智慧消防给水数据处理系统。
背景技术
智慧消防给水集控系统是一种软硬兼备的人工智能系统,能全面切实提高给水系统的安全可靠性和灭火效能,随着物联网技术在智慧消防领域的迅速发展,可以利用物联网技术对消防设备进行实时监控、控制,并通过手机或电脑等移动终端对系统的运行状态进行远程实时监控,解决了传统依赖人工巡检普遍存在的费时费工、不准确等弊端,降低了时间成本和管理成本,提高了管理效能。
智慧消防给水集控系统的控制指令准确性完全依赖于物联网传感器数据的采集、处理质量,这也提高了物联网监测数据的精度需求,物联网数据处理模块一般都是通过预设低通滤波或平滑滤波的方式来快速过滤噪声,这种方法虽然处理速度较快,但是无差别处理会带来数据失真的问题,影响智慧消防给水系统的给水控制精度。
发明内容
为了解决上述问题,本发明提供基于物联网的智慧消防给水数据处理系统,所述系统包括:
流量信号采集模块,用于采集消防给水管网的实时流量信号和历史流量信号时序序列;
独立噪声成分获取模块,用于将历史流量信号时序序列的频谱信号分解为若干个IMF分量信号,根据所有IMF分量信号属于独立噪声成分的截止概率的分布,确定历史流量信号时序序列的所有独立噪声成分;
数据去噪处理模块,用于根据所有独立噪声成分保留的所有幅值的分布,确定噪声序列,将噪声序列的协方差矩阵作为卡尔曼滤波的噪声协方差矩阵,通过卡尔曼滤波对所述实时流量信号进行去噪。
进一步地,所述独立噪声成分保留的所有幅值的获取方法为:
将每个独立噪声成分的所有种幅值按照概率由大到小组成每个独立噪声成分的幅值序列,第z个独立噪声成分的幅值序列中的前种幅值作为第z个独立噪声成分保留的所有幅值,/>表示第z个独立噪声成分的幅值序列中需要保留的幅值的数量。
进一步地,所述独立噪声成分的幅值序列中需要保留的幅值的数量的获取方法为:
式中,表示第z个独立噪声成分的幅值序列中所有幅值的方差,/>表示第j个独立噪声成分的幅值序列中所有幅值的方差,k表示独立噪声成分的数量,/>表示第z个独立噪声成分的幅值序列的长度,/>表示向下取整。
进一步地,所述历史流量信号时序序列的所有独立噪声成分的获取方法为:
所有IMF分量信号属于独立噪声成分的截止概率组成折线图,将折线图的最大拐点的横坐标作为噪声成分数量,将噪声成分数量作为ICA算法的估计成分数量参数,利用ICA算法提取历史流量信号时序序列的所有独立噪声成分。
进一步地,所述截止概率的获取方法为:
式中,表示第n个IMF分量信号属于独立噪声成分的截止概率,N表示IMF分量信号的总数量,/>表示第n个IMF分量信号包含的信号成分的单一性,/>表示第n个IMF分量信号的所有单峰信号的幅值的标准差,/>表示第n个叠加分量信号的所有单峰信号的幅值的标准差,/>表示取绝对值。
进一步地,所述单一性的获取方法为:
式中,表示第n个IMF分量信号中频宽的类型数量,/>表示第n个IMF分量信号中第i类频宽对应的单峰信号的数量,/>表示第n个IMF分量信号中所有单峰信号的总数量,表示以2为底数的对数函数。
进一步地,所述根据所有独立噪声成分保留的所有幅值的分布,确定噪声序列,包括的具体方法为:
将所有独立噪声成分的保留的所有幅值的标准差作为历史流量信号时序序列中的噪声强度估计值,获得标准差等于噪声强度估计值T且均值为0的噪声序列,噪声序列的长度等于历史流量信号时序序列的长度。
进一步地,所述叠加分量信号的所有单峰信号的幅值的获取方法为:
将前n个IMF分量信号相加的结果记为第n个叠加分量信号,将第n个叠加分量信号的所有极小值作为分界点将第n个叠加分量信号划分为若干个单峰信号,第n个叠加分量信号的横坐标为频率,纵坐标为每种频率对应的幅值,将第n个叠加分量信号的每个单峰信号中的极大值点的纵坐标作为第n个叠加分量信号的每个单峰信号的幅值。
进一步地,所述单峰信号的幅值的获取方法为:
将每个IMF分量信号的所有极小值作为分界点将每个IMF分量信号划分为若干个单峰信号,每个IMF分量信号的横坐标为频率,纵坐标为每种频率对应的幅值,将每个IMF分量信号的每个单峰信号中的极大值点的纵坐标作为每个IMF分量信号的每个单峰信号的幅值。
进一步地,所述频宽的获取方法为:
将每个单峰信号的两个分界点的横坐标的差值的绝对值作为每个单峰信号的频宽。
本发明的技术方案的有益效果是:针对通过预设低通滤波或平滑滤波的方式来快速过滤智慧消防给水数据的噪声时,无差别处理会导致智慧消防给水数据失真的问题,影响智慧消防的给水控制精度的问题,本发明通过对历史流量信号时序序列的频谱信号进行EMD分解,将不同频宽的信号分解在多个分量信号中,利用不同分量信号包含的信号成分的单一性,对分量信号与叠加信号的差异进行提纯,获得不同分量信号属于独立噪声成分的截止概率,根据截止概率的分布特征估计历史流量信号时序序列的独立噪声成分的数量,根据独立噪声成分的幅值序列中需要保留的幅值的分布估计历史流量信号时序序列的噪声强度,根据噪声强度估计值生成先验的噪声协方差矩阵,提高通过卡尔曼滤波对消防给水管网的流量信号进行去噪时的收敛速度,进而使通过卡尔曼滤波对消防给水管网的流量信号进行去噪时提供更准确的状态估计结果,提高智慧消防的给水控制精度。
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,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地介绍,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他的附图。
图1为本发明的基于物联网的智慧消防给水数据处理系统的系统框图;
图2为IMF分量信号的若干个单峰信号的示意图。
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基于物联网的智慧消防给水数据处理系统,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
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基于物联网的智慧消防给水数据处理系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的基于物联网的智慧消防给水数据处理系统,该系统包括以下模块:
流量信号采集模块101,用于采集实时流量信号和历史流量信号时序序列。
智慧消防物联网给水集控系统是集合了消防水泵控制、系统压力检测、主管道流量测试、水池水箱信息采集、物联网数据处理、子设备检测及模块自检等功能,通过消防给水系统专用数据采集模块收集各节点设备的数据,包含压力、液位、流量、开关量等传感器数据,打破原有消防水系统中各个设备之间的数据壁垒。这些传感器数据均需要传输至物联网数据处理系统,经过预处理后才能为后续给水系统的监测、控制系统提高有效的数据支持。
具体的,通过安装在消防给水管网中的流量传感器采集消防给水管网的流量信号,将当前时刻采集的流量信号作为实时流量信号,将当前时刻的上个季度采集的所有流量信号组成历史流量信号时序序列。
独立噪声成分获取模块102,用于将历史流量信号时序序列的频谱信号分解为若干个IMF分量信号,根据所有IMF分量信号属于独立噪声成分的截止概率的分布,确定历史流量信号时序序列的所有独立噪声成分。
需要说明的是,当智慧消防给水系统接收到消防报警之后,需要立刻启动水泵、开启阀门、并触发喷淋系统,在火情发生时,指挥消防给水系统必须稳定向消防喷淋设备供水,这一过程中对给水系统各个设备、部件的供水状态进行实时监测,避免故障发生出现断水、水压不足的情况,造成严重后果。由于监测过程对实时性要求较高,因此物联网数据处理模块所执行的处理逻辑也必须具有实时性要求,给水流量信号为稳定供应的平稳信号,受到噪声干扰后变为非平稳信号,而传统利用最小二乘法拟合基线来估计非平稳噪声强度的方法并不适用,卡尔曼滤波符合这一要求,但是卡尔曼滤波器是一种递归滤波器,它根据先前的状态估计和当前的观测值来更新状态估计,通过不断更新状态估计以得到最优状态估计结果,但是通过安装在消防给水管网中的流量传感器采集消防给水管网的流量信号时,传感器安装位置、设备振动、电磁干扰、传感器误差等会使消防给水管网的流量信号中产生大量复杂的干扰噪声,当噪声比较复杂时,通过卡尔曼滤波对消防给水管网的流量信号进行去噪时的收敛速度较慢,对消防给水管网的流量信号进行实时去噪效果并不理想。本申请提供的基于物联网的智慧消防给水数据处理系统,通过提高噪声协方差矩阵的设置精度,以权衡观测值和先验信息的可靠性,从而提高通过卡尔曼滤波对消防给水管网的流量信号进行去噪时的收敛速度,进而使用通过卡尔曼滤波对消防给水管网的流量信号进行去噪时提供更准确的状态估计结果。
1、根据每个IMF分量信号中所有类频宽的概率,计算每个IMF分量信号包含的信号成分的单一性。
需要说明的是,本实施例通过将历史流量信号时序序列转换到频域,一方面便于获取历史流量信号成分的相关信息,如频率、频宽等,另一方面,有利于后续进行EMD信号成分的分解。
具体的,利用快速傅里叶变换(FFT)获取历史流量信号时序序列的频谱信号,频谱信号的横坐标为频率,纵坐标为每种频率对应的幅值,频谱信号记录了历史流量信号时序序列在不同频率上能量分布的信息;利用经验模态分解(EMD)对历史流量信号时序序列的频谱信号进行分解,获得历史流量信号时序序列的频谱信号的所有IMF分量信号(内涵模态分量),由于IMF分量信号是通过对频谱信号分解获得的,因此,每个IMF分量信号的横坐标为频率,纵坐标为每种频率对应的幅值,将所有IMF分量信号按照频率从大到小的顺序分别记为第一个IMF分量信号到第N个IMF分量信号,N表示IMF分量信号的总数量;将每个IMF分量信号的所有极小值作为分界点将每个IMF分量信号划分为若干个单峰信号,请参阅图2,其示出了IMF分量信号的若干个单峰信号的示意图,横坐标为频率,纵坐标为每种频率对应的幅值;将每个IMF分量信号的每个单峰信号中的极大值点的纵坐标作为每个IMF分量信号的每个单峰信号的幅值,将每个单峰信号的两个分界点的横坐标的差值的绝对值作为每个单峰信号的频宽。
需要说明的是,获得的IMF分量信号的频率从上至下依此减小,越靠上面的IMF分量信号的频率越高,因此,噪声集中在靠上的IMF分量信号中,每个IMF分量信号中的噪声信号的频宽几乎相同,因此可以利用IMF分量信号来估计噪声成分数量;同时,通过EMD分离信号成分后,靠上的分量信号中除了主成分还可能存在多种信号成分混杂,因此通过计算每个分量信号中的信号成分的单一性,以增强后续计算过程的可信度。
进一步,根据每个IMF分量信号中所有类频宽的概率,计算每个IMF分量信号包含的信号成分的单一性,具体计算公式为:
式中,表示第n个IMF分量信号包含的信号成分的单一性,/>表示第n个IMF分量信号中频宽的类型数量,/>表示第n个IMF分量信号中第i类频宽对应的单峰信号的数量,表示第n个IMF分量信号中所有单峰信号的总数量,/>表示以2为底数的对数函数。
表示第n个IMF分量信号中第i类频宽的概率,/>表示第n个IMF分量信号中的频宽类型的信息熵,/>表示当第n个IMF分量信号中的所有频宽类型的概率相等时的信息熵,表征第n个IMF分量信号中的所有频宽类型的熵极限,因此,越大,则第n个IMF分量信号中的频宽类型的信息熵越接近熵极限,则第n个IMF分量信号中的所有频宽类型的概率的越可能相等,则第n个IMF分量信号中越可能具有所有频宽类型的单峰信号,相应的第n个IMF分量信号越可能存在多种信号类型,第n个IMF分量信号的单一性越小,则利用常数1减去该值,即可得到第n个IMF分量信号包含的信号成分的单一性。
2、根据每个IMF分量信号包含的信号成分的单一性和每个叠加分量信号,计算每个IMF分量信号属于独立噪声成分的截止概率。
具体的,将前n个IMF分量信号相加的结果记为第n个叠加分量信号,将第n个叠加分量信号的所有极小值作为分界点将第n个叠加分量信号划分为若干个单峰信号,由于第n个叠加分量信号是通过多个IMF分量信号相加得到的,因此,第n个叠加分量信号的横坐标为频率,纵坐标为每种频率对应的幅值,将第n个叠加分量信号的每个单峰信号中的极大值点的纵坐标作为第n个叠加分量信号的每个单峰信号的幅值。
进一步,根据第n个IMF分量信号包含的信号成分的单一性和第n个叠加分量信号计算第n个IMF分量信号属于独立噪声成分的截止概率,具体计算公式为:
式中,表示第n个IMF分量信号属于独立噪声成分的截止概率,N表示IMF分量信号的总数量,/>表示第n个IMF分量信号包含的信号成分的单一性,/>表示第n个IMF分量信号的所有单峰信号的幅值的标准差,/>表示第n个叠加分量信号的所有单峰信号的幅值的标准差,/>表示取绝对值。
表征第n个IMF分量信号与第n个叠加分量信号的差异;由于第n个IMF分量信号与第n个叠加分量信号的差异有一部分是由其他混杂成分导致的,通过将第n个IMF分量信号与第n个叠加分量信号的差异/>与第n个IMF分量信号包含的信号成分的单一性/>相乘,对第n个IMF分量信号与第n个叠加分量信号的差异进行提纯;将前n个IMF分量信号的提纯结果进行累加,作为第n个IMF分量信号属于独立噪声成分的截止概率。
每个IMF分量信号映射值的逻辑为:当第n个IMF分量信号是独立噪声成分时,第n个IMF分量信号与前n-1个IMF分量信号为混合关系而非叠加关系,那么前n个IMF分量信号的幅值均具有清晰的表现,因此第n个IMF分量信号与第n个叠加分量信号的差异较大;当第n个IMF分量信号不是独立噪声成分而是低频基线分量时,第n个IMF分量信号与前n-1个IMF分量信号为叠加关系,此时前n-1个IMF分量信号的幅值被包含低频基线分量的第n个IMF分量信号所覆盖,因此第n个IMF分量信号与第n个叠加分量信号的差异较小。
3、获取历史流量信号时序序列的所有独立噪声成分。
需要说明的是,IMF分量信号是独立噪声成分时,IMF分量信号属于独立噪声成分的截止概率较大,因此,随着n的增大,与其映射值的折线关系图,折线关系图会由零点开始迅速增长然后突然趋于平缓增长,首次由迅速增长变化为平缓增长的节点处,IMF分量信号与叠加分量信号的差异较小,节点处的IMF分量信号不是独立噪声成分而是低频基线分量,因此,将节点之前的IMF分量信号属于独立噪声成分,节点之后的IMF分量信号不属于独立噪声成分。
具体的,将第一个IMF分量信号到第N个IMF分量信号属于独立噪声成分的截止概率组成折线图,通过手肘法获得折线图的最大拐点,将最大拐点的横坐标作为噪声成分数量k。将噪声成分数量k作为ICA算法(独立成分分析算法)的估计成分数量参数,利用ICA算法提取历史流量信号时序序列的独立成分,获得历史流量信号时序序列的k个独立噪声成分;ICA算法是一种的信号处理技术,可以通过预设估计成分数量参数来控制ICA算法的成分分解结果。
数据去噪处理模块103,用于根据所有独立噪声成分保留的所有幅值的分布,确定噪声序列,将噪声序列的协方差矩阵作为卡尔曼滤波的噪声协方差矩阵,通过卡尔曼滤波对实时流量信号进行去噪,实现对智慧消防给水数据的处理。
需要说明的是,历史流量信号时序序列是流量信号在时域中的表现,时域中信号的幅值与频谱中信号的幅值并不相同,通过快速傅里叶变换获取历史流量信号时序序列的频谱信号只是为了获得历史流量信号时序序列的噪声成分数量k,由于这些噪声成分为混合关系,因此可以认为每种噪声成分都可能存在于历史流量信号时序序列的任意信号段处,这些独立噪声成分来源于不同的干扰源,需要根据历史流量信号时序序列的k个独立噪声成分得到后续智慧消防给水系统流量监测信号的噪声协方差矩阵,以提高后续实时去噪的精度和收敛速度。
具体的,将每个独立噪声成分的所有种幅值按照概率由大到小排序,得到每个独立噪声成分的幅值序列,计算每个独立噪声成分的幅值序列中需要保留的幅值的数量,具体计算公式为:
式中,表示第z个独立噪声成分的幅值序列中需要保留的幅值的数量,/>表示第z个独立噪声成分的幅值序列中所有幅值的方差,/>表示第j个独立噪声成分的幅值序列中所有幅值的方差,k表示噪声成分数量,/>表示第z个独立噪声成分的幅值序列的长度,/>表示向下取整;/>表示第z个独立噪声成分的幅值序列的方差贡献度。
需要说明的是,因为ICA算法分解的每个独立噪声成分中的幅值并不等于实际噪声值,对k个独立噪声成分所混合的噪声强度进行估计时,分布概率较少的幅值大概率偏离实际噪声值,用于噪声强度估计只会影响估计精度,而分布概率大的幅值则更接近实际噪声值,通过筛除每种独立噪声成分的部分幅值,保留每种独立噪声成分的主成分幅值,保留了更接近实际噪声值的幅值,根据更接近实际噪声值的幅值合并得到噪声幅值参考值,进而估计历史流量信号时序序列中的噪声强度。
进一步,将第z个独立噪声成分的幅值序列中的前种幅值作为第z个独立噪声成分保留的所有幅值;将所有个独立噪声成分保留的所有幅值的标准差作为历史流量信号时序序列中的噪声强度估计值T,随机生成服从标准差等于噪声强度估计值T且均值为0的噪声序列,噪声序列的长度等于历史流量信号时序序列的长度;将噪声序列的协方差矩阵作为卡尔曼滤波的噪声协方差矩阵,通过卡尔曼滤波对消防给水管网的实时流量信号进行去噪,实现对智慧消防给水数据的处理。
需要说明的是,本实施例对历史流量数据中不同噪声源产生的复杂噪声成分进行估计,并得到一个先验的噪声协方差矩阵,该噪声协方差矩阵是在假设传感器数据采集环境、干扰源固定的前提下设置的,但传感器、设备的老化问题会导致采集流量信号的过程中干扰源发生变化,因此,每个季度根据历史流量信号时序序列更新噪声协方差矩阵。
本发明的系统包括流量信号采集模块、独立噪声成分获取模块和数据去噪处理模块。针对通过预设低通滤波或平滑滤波的方式来快速过滤智慧消防给水数据的噪声时,无差别处理会导致智慧消防给水数据失真的问题,影响智慧消防的给水控制精度的问题,本发明通过对历史流量信号时序序列的频谱信号进行EMD分解,将不同频宽的信号分解在多个分量信号中,利用不同分量信号包含的信号成分的单一性,对分量信号与叠加信号的差异进行提纯,获得不同分量信号属于独立噪声成分的截止概率,根据截止概率的分布特征估计历史流量信号时序序列的独立噪声成分的数量,根据独立噪声成分的幅值序列中需要保留的幅值的分布估计历史流量信号时序序列的噪声强度,根据噪声强度估计值生成先验的噪声协方差矩阵,提高通过卡尔曼滤波对消防给水管网的流量信号进行去噪时的收敛速度,进而使通过卡尔曼滤波对消防给水管网的流量信号进行去噪时提供更准确的状态估计结果,提高智慧消防的给水控制精度。
以上所述仅为本发明的较佳实施例而已,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 (7)
1.基于物联网的智慧消防给水数据处理系统,其特征在于,所述系统包括:
流量信号采集模块,用于采集消防给水管网的实时流量信号和历史流量信号时序序列;
独立噪声成分获取模块,用于将历史流量信号时序序列的频谱信号分解为若干个IMF分量信号,根据所有IMF分量信号属于独立噪声成分的截止概率的分布,确定历史流量信号时序序列的所有独立噪声成分;
数据去噪处理模块,用于根据所有独立噪声成分保留的所有幅值的分布,确定噪声序列,将噪声序列的协方差矩阵作为卡尔曼滤波的噪声协方差矩阵,通过卡尔曼滤波对所述实时流量信号进行去噪;
所述历史流量信号时序序列的所有独立噪声成分的获取方法为:
所有IMF分量信号属于独立噪声成分的截止概率组成折线图,将折线图的最大拐点的横坐标作为噪声成分数量,将噪声成分数量作为ICA算法的估计成分数量参数,利用ICA算法提取历史流量信号时序序列的所有独立噪声成分;
所述截止概率的获取方法为:
式中,表示第n个IMF分量信号属于独立噪声成分的截止概率,N表示IMF分量信号的总数量,/>表示第n个IMF分量信号包含的信号成分的单一性,/>表示第n个IMF分量信号的所有单峰信号的幅值的标准差,/>表示第n个叠加分量信号的所有单峰信号的幅值的标准差,表示取绝对值;
所述叠加分量信号的所有单峰信号的幅值的获取方法为:
将前n个IMF分量信号相加的结果记为第n个叠加分量信号,将第n个叠加分量信号的所有极小值作为分界点将第n个叠加分量信号划分为若干个单峰信号,第n个叠加分量信号的横坐标为频率,纵坐标为每种频率对应的幅值,将第n个叠加分量信号的每个单峰信号中的极大值点的纵坐标作为第n个叠加分量信号的每个单峰信号的幅值。
2.根据权利要求1所述的基于物联网的智慧消防给水数据处理系统,其特征在于,所述独立噪声成分保留的所有幅值的获取方法为:
将每个独立噪声成分的所有种幅值按照概率由大到小组成每个独立噪声成分的幅值序列,第z个独立噪声成分的幅值序列中的前种幅值作为第z个独立噪声成分保留的所有幅值,/>表示第z个独立噪声成分的幅值序列中需要保留的幅值的数量。
3.根据权利要求2所述的基于物联网的智慧消防给水数据处理系统,其特征在于,所述独立噪声成分的幅值序列中需要保留的幅值的数量的获取方法为:
式中,表示第z个独立噪声成分的幅值序列中所有幅值的方差,/>表示第j个独立噪声成分的幅值序列中所有幅值的方差,k表示独立噪声成分的数量,/>表示第z个独立噪声成分的幅值序列的长度,/>表示向下取整。
4.根据权利要求1所述的基于物联网的智慧消防给水数据处理系统,其特征在于,所述单一性的获取方法为:
式中,表示第n个IMF分量信号中频宽的类型数量,/>表示第n个IMF分量信号中第i类频宽对应的单峰信号的数量,/>表示第n个IMF分量信号中所有单峰信号的总数量,/>表示以2为底数的对数函数。
5.根据权利要求1所述的基于物联网的智慧消防给水数据处理系统,其特征在于,所述根据所有独立噪声成分保留的所有幅值的分布,确定噪声序列,包括的具体方法为:
将所有独立噪声成分的保留的所有幅值的标准差作为历史流量信号时序序列中的噪声强度估计值,获得标准差等于噪声强度估计值T且均值为0的噪声序列,噪声序列的长度等于历史流量信号时序序列的长度。
6.根据权利要求1所述的基于物联网的智慧消防给水数据处理系统,其特征在于,所述单峰信号的幅值的获取方法为:
将每个IMF分量信号的所有极小值作为分界点将每个IMF分量信号划分为若干个单峰信号,每个IMF分量信号的横坐标为频率,纵坐标为每种频率对应的幅值,将每个IMF分量信号的每个单峰信号中的极大值点的纵坐标作为每个IMF分量信号的每个单峰信号的幅值。
7.根据权利要求4所述的基于物联网的智慧消防给水数据处理系统,其特征在于,所述频宽的获取方法为:
将每个单峰信号的两个分界点的横坐标的差值的绝对值作为每个单峰信号的频宽。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311329265.1A CN117093827B (zh) | 2023-10-16 | 2023-10-16 | 基于物联网的智慧消防给水数据处理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311329265.1A CN117093827B (zh) | 2023-10-16 | 2023-10-16 | 基于物联网的智慧消防给水数据处理系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117093827A CN117093827A (zh) | 2023-11-21 |
CN117093827B true CN117093827B (zh) | 2024-01-30 |
Family
ID=88783586
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311329265.1A Active CN117093827B (zh) | 2023-10-16 | 2023-10-16 | 基于物联网的智慧消防给水数据处理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117093827B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105488341A (zh) * | 2015-11-27 | 2016-04-13 | 东南大学 | 一种基于混合经验模态分解的去噪方法 |
CN105528636A (zh) * | 2015-12-04 | 2016-04-27 | 中国人民解放军61599部队计算所 | 一种基于模糊推理的磨机负荷参数软测量方法 |
WO2021068939A1 (zh) * | 2019-10-12 | 2021-04-15 | 中科新松有限公司 | 一种基于多分量信号分解的机械臂关节振动识别方法 |
CN112906578A (zh) * | 2021-02-23 | 2021-06-04 | 北京建筑大学 | 一种桥梁时间序列位移信号去噪的方法 |
KR102292091B1 (ko) * | 2021-06-02 | 2021-08-20 | 국방과학연구소 | 수동 소나 시스템을 위한 희소 주파수 분석 방법 및 그 시스템 |
CN113503879A (zh) * | 2021-07-09 | 2021-10-15 | 北京航空航天大学 | 一种基于集合经验模态分解的动态自适应卡尔曼滤波器方法 |
WO2022061596A1 (zh) * | 2020-09-23 | 2022-03-31 | 深圳市速腾聚创科技有限公司 | 一种信号噪声滤除方法、装置、存储介质及激光雷达 |
CN114972565A (zh) * | 2022-05-25 | 2022-08-30 | 华东师范大学 | 图像的降噪方法、装置、电子设备及介质 |
CN115211869A (zh) * | 2022-08-23 | 2022-10-21 | 浙江大学 | 一种基于经验模态分解和卡尔曼滤波的脑电信号去噪方法、装置及系统 |
CN115326147A (zh) * | 2022-10-17 | 2022-11-11 | 江苏煵笙重工有限公司 | 一种船舶用脱硫塔实时监测方法及系统 |
CN115822943A (zh) * | 2022-11-18 | 2023-03-21 | 太原理工大学 | 液压泵泄漏故障诊断方法 |
CN116131976A (zh) * | 2021-11-12 | 2023-05-16 | 重庆邮电大学 | 带有信号噪声的宽带频谱压缩检测方法 |
WO2023110451A1 (fr) * | 2021-12-17 | 2023-06-22 | Vitesco Technologies GmbH | Procédé de réduction de bruit de signaux radar et calculateur |
CN116405823A (zh) * | 2023-06-01 | 2023-07-07 | 深圳市匠心原创科技有限公司 | 一种骨传导耳机音频智能去噪增强方法 |
CN116881636A (zh) * | 2023-09-08 | 2023-10-13 | 山东远盾网络技术股份有限公司 | 基于人工智能的频域信号分析检测方法 |
-
2023
- 2023-10-16 CN CN202311329265.1A patent/CN117093827B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105488341A (zh) * | 2015-11-27 | 2016-04-13 | 东南大学 | 一种基于混合经验模态分解的去噪方法 |
CN105528636A (zh) * | 2015-12-04 | 2016-04-27 | 中国人民解放军61599部队计算所 | 一种基于模糊推理的磨机负荷参数软测量方法 |
WO2021068939A1 (zh) * | 2019-10-12 | 2021-04-15 | 中科新松有限公司 | 一种基于多分量信号分解的机械臂关节振动识别方法 |
WO2022061596A1 (zh) * | 2020-09-23 | 2022-03-31 | 深圳市速腾聚创科技有限公司 | 一种信号噪声滤除方法、装置、存储介质及激光雷达 |
CN112906578A (zh) * | 2021-02-23 | 2021-06-04 | 北京建筑大学 | 一种桥梁时间序列位移信号去噪的方法 |
KR102292091B1 (ko) * | 2021-06-02 | 2021-08-20 | 국방과학연구소 | 수동 소나 시스템을 위한 희소 주파수 분석 방법 및 그 시스템 |
CN113503879A (zh) * | 2021-07-09 | 2021-10-15 | 北京航空航天大学 | 一种基于集合经验模态分解的动态自适应卡尔曼滤波器方法 |
CN116131976A (zh) * | 2021-11-12 | 2023-05-16 | 重庆邮电大学 | 带有信号噪声的宽带频谱压缩检测方法 |
WO2023110451A1 (fr) * | 2021-12-17 | 2023-06-22 | Vitesco Technologies GmbH | Procédé de réduction de bruit de signaux radar et calculateur |
CN114972565A (zh) * | 2022-05-25 | 2022-08-30 | 华东师范大学 | 图像的降噪方法、装置、电子设备及介质 |
CN115211869A (zh) * | 2022-08-23 | 2022-10-21 | 浙江大学 | 一种基于经验模态分解和卡尔曼滤波的脑电信号去噪方法、装置及系统 |
CN115326147A (zh) * | 2022-10-17 | 2022-11-11 | 江苏煵笙重工有限公司 | 一种船舶用脱硫塔实时监测方法及系统 |
CN115822943A (zh) * | 2022-11-18 | 2023-03-21 | 太原理工大学 | 液压泵泄漏故障诊断方法 |
CN116405823A (zh) * | 2023-06-01 | 2023-07-07 | 深圳市匠心原创科技有限公司 | 一种骨传导耳机音频智能去噪增强方法 |
CN116881636A (zh) * | 2023-09-08 | 2023-10-13 | 山东远盾网络技术股份有限公司 | 基于人工智能的频域信号分析检测方法 |
Non-Patent Citations (2)
Title |
---|
Adaptive Independent Component Analysis–Based Cross-Correlation Techniques along with Empirical Mode Decomposition for Water Pipeline Leakage Localization Utilizing Acousto-Optic Sensors;Mohanaprasad Kothandaraman 等;《ASCE Library》;第11卷(第3期);全文 * |
基于HOSVD局部重组的利噪抑噪经验模式分解及应用;袁静 等;《上海航天(中英文)》;第39卷(第6期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117093827A (zh) | 2023-11-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sivakumar et al. | EVIDENCE OF CHAOTIC BEHAVIOR IN SINGAPORE RAINFALL 1 | |
CN104569948B (zh) | 海杂波背景下子带自适应glrt‑ltd检测方法 | |
CN108802525A (zh) | 基于小样本的设备故障智能预测方法 | |
CN116703183B (zh) | 一种新型配电网系统用电负荷评估方法 | |
CN106501602B (zh) | 一种基于滑窗频谱分离的基波参数测量方法 | |
CN107395157B (zh) | 基于小波变换和加权移动平均的接地网电位差滤波方法 | |
CN117093827B (zh) | 基于物联网的智慧消防给水数据处理系统 | |
CN109342018A (zh) | 一种水轮机空化状态监测方法 | |
CN113592308B (zh) | 一种基于常态模型的监测数据告警阈值提取方法 | |
CN115165274A (zh) | 工程机械设备振动状态自适应智能监测装置及方法 | |
CN113503879B (zh) | 一种基于集合经验模态分解的动态自适应卡尔曼滤波器方法 | |
CN115864449B (zh) | 新能源接入系统振荡监测方法、装置、系统、设备及介质 | |
CN108594156B (zh) | 一种改进的电流互感器饱和特性识别方法 | |
CN109684937A (zh) | 一种基于fft及数学形态法的信号去噪方法及装置 | |
CN101923605B (zh) | 铁路防灾风预警方法 | |
CN114313140A (zh) | 一种船舶装置性能参数退化轨迹的拟合方法和系统 | |
CN103854658B (zh) | 基于短时分形维数增强法的钢板腐蚀声发射信号去噪方法 | |
Ma et al. | Short-term prediction of influent flow rate and ammonia concentration in municipal wastewater treatment plants | |
CN112015778A (zh) | 一种水指纹预测算法 | |
Yu et al. | A combined Kalman filter—Discrete wavelet transform method for leakage detection of crude oil pipelines | |
CN111505420B (zh) | 一种线路避雷器状态的在线监测与诊断方法及系统 | |
CN114626410B (zh) | 基于形态学滤波与vmd的电力系统振荡辨识方法 | |
CN116823067B (zh) | 管网水质清污状态的确定方法、装置及电子设备 | |
CN111400284B (zh) | 一种基于性能数据建立动态异常探测模型的方法 | |
CN113204831B (zh) | 一种船舶系统设备动态基线的设计方法 |
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 | ||
GR01 | Patent grant |