CN118059428A - 一种车载超细干粉灭火器压力智能监测方法 - Google Patents

Abstract

本发明涉及电数字数据处理领域，具体涉及一种车载超细干粉灭火器压力智能监测方法，包括：获取车载超细干粉灭火器的压力数据，并得到聚类簇；根据每个聚类簇中压力数据的分布，获得每个聚类簇的压力数据的类内集中度的修正值；根据每个聚类簇的压力数据的类内集中度的修正值，获得聚类簇内压力数据的特征值；根据聚类簇内压力数据的特征值，获得任意两个聚类簇之间的真实类间相似度；根据任意两个聚类簇之间的真实类间相似度，构建数组；根据数组自适应划分大小聚类簇；根据大小聚类簇，对车载超细干粉灭火器的压力数据进行异常监测。本发明通过真实类间相似度获得更准确的大小簇划分结果，提高异常检测结果的准确性。

Description

一种车载超细干粉灭火器压力智能监测方法

技术领域

本发明涉及数据处理技术领域，具体涉及一种车载超细干粉灭火器压力智能监测方法。

背景技术

近年来，车载超细干粉灭火器在汽车、客车等交通工具中广泛应用，成为重要的灭火设备，由于长期振动、温度变化等外部环境因素的影响，超细干粉灭火器内部压力可能会发生变化，导致其灭火效果受到影响。因此，对车载超细干粉灭火器的压力进行智能监测成为当前值得关注的技术挑战。目前一些先进的方法利用传感器和物联网技术，实现对灭火器内部压力的实时监测和数据传输。这些技术可以将压力数据上传至云端，通过数据分析和处理，实现对灭火器状态的远程监测和预警，为灭火器的安全运行提供了有效手段。

CBLOF是一种常用的异常检测算法，它首先使用传统聚类方法将数据聚为多个类簇，然后根据预设的阈值将类簇划分为大簇和小簇，然后根据数据点和大簇中心点之间的距离来计算异常分数；对于本实施例中的车载超细干粉灭火器的压力数据，由于其中的异常数据较少，如果按照传统CBLOF算法中的阈值来划分大簇和小簇，会导致大簇的数量过少，进而导致正常的数据被判定为异常数据，降低了异常检测结果的准确性。

发明内容

本发明提供一种车载超细干粉灭火器压力智能监测方法，以解决现有的问题。

本发明的一种车载超细干粉灭火器压力智能监测方法采用如下技术方案：

本发明一个实施例提供了一种车载超细干粉灭火器压力智能监测方法，该方法包括以下步骤：

获取车载超细干粉灭火器的压力数据，并得到聚类簇；

根据每个聚类簇中压力数据的分布，获得每个聚类簇的压力数据的类内集中度的修正值；根据每个聚类簇的压力数据的类内集中度的修正值，获得每个聚类簇内压力数据的真实类内集中度；

根据聚类簇内压力数据的真实类内集中度，获得聚类簇内压力数据的特征值；根据聚类簇内压力数据的特征值，获得任意两个聚类簇之间的类间相似度的修正权重；根据任意两个聚类簇之间的类间相似度的修正权重，获得任意两个聚类簇之间的真实类间相似度；

根据任意两个聚类簇之间的真实类间相似度，构建数组；根据数组自适应划分大小聚类簇；

根据大小聚类簇，对车载超细干粉灭火器的压力数据进行异常监测。

进一步地，所述根据每个聚类簇中压力数据的分布，获得每个聚类簇的压力数据的类内集中度的修正值，包括的具体步骤如下：

将所有压力数据构建成的波动曲线记为第一波动曲线，获取第一波动曲线上所有的极值点；相邻两极值点构成一个子曲线段，对于任意一个子曲线段，计算该子曲线段两个端点连线的斜率，并作为该子曲线段的斜率；

根据子曲线段的斜率及聚类簇中压力数据在子曲线段上的分布，获得每个聚类簇的压力数据的类内集中度的修正值。

进一步地，所述根据子曲线段的斜率及聚类簇中压力数据在子曲线段上的分布，获得每个聚类簇的压力数据的类内集中度的修正值，包括的具体公式如下：

其中，表示第/>个聚类簇的压力数据的类内集中度的修正值，/>表示第/>个聚类簇的压力数据在第一波动曲线上所分布的子曲线段个数，/>表示第/>个子曲线段的斜率，表示第/>个子曲线段的斜率，/>表示第/>个子曲线段上的压力数据值在整个压力数据集中的偏离度，/>，/>表示第/>个子曲线段的压力数据均值，/>表示所有压力数据的均值；/>表示第/>个子曲线段上的压力数据值在整个压力数据集中的偏离度，/>表示第/>个子曲线段上的压力数据个数，/>表示第/>个子曲线段上的压力数据个数，/>表示第/>个子曲线段上第/>个聚类簇中的压力数据分布的个数，/>表示第/>个子曲线段上第/>个聚类簇中的压力数据分布的个数，/>表示绝对值函数，/>表示第一差异，/>表示第二差异，/>和/>表示第一比值。

进一步地，所述根据每个聚类簇的压力数据的类内集中度的修正值，获得每个聚类簇内压力数据的真实类内集中度，包括的具体步骤如下：

其中，表示第/>个聚类簇内压力数据的真实类内集中度，/>表示第/>个聚类簇的压力数据的类内集中度的修正值，/>表示第/>个聚类簇内所有压力数据和聚类簇内中心点的距离均值的反比例归一化值。

进一步地，所述根据聚类簇内压力数据的真实类内集中度，获得聚类簇内压力数据的特征值，包括的具体步骤如下：

其中，表示第/>个聚类簇内压力数据的特征值，/>表示第/>个聚类簇内压力数据的真实类内集中度，/>表示第/>个聚类簇内的压力数据在第一波动曲线上所在的所有子曲线段的斜率的累加和，/>表示第一波动曲线上所有子曲线段的斜率的累加和，/>表示第/>个聚类簇中所有压力数据的均值，/>表示所有压力数据的均值，/>表示绝对值函数，/>为避免分母为0的超参数。

进一步地，所述根据聚类簇内压力数据的特征值，获得任意两个聚类簇之间的类间相似度的修正权重，包括的具体步骤如下：

其中，表示第/>个聚类簇和第/>个聚类簇之间的类间相似度的修正权重，/>表示第/>个聚类簇内压力数据的特征值，/>表示第/>个聚类簇内压力数据的特征值，/>表示绝对值函数，/>为避免分母为0的超参数。

进一步地，所述根据任意两个聚类簇之间的类间相似度的修正权重，获得任意两个聚类簇之间的真实类间相似度，包括的具体步骤如下：

其中，表示第/>个聚类簇和第/>个聚类簇之间的真实类间相似度，/>表示第个聚类簇和第/>个聚类簇之间的类间相似度修正权重，/>表示第/>个聚类簇和第/>个聚类簇之间的类间相似度；所述类间相似度的计算方法为：将两个聚类簇的中心点的距离的反比例归一化值作为两个聚类簇的类间相似度。

进一步地，所述根据任意两个聚类簇之间的真实类间相似度，构建数组，包括的具体步骤如下：

将聚类簇内压力数据特征值最大的聚类簇记为大聚类簇基准簇，计算大簇基准簇和其它聚类簇的真实类间相似度，然后将所有的真实类间相似度按照从大到小的顺序进行排序，得到一个序列，根据序列获得每一个聚类簇的序列编号，将序列中数值大于分组的真实类间相似度记为目标类间相似度，将目标类间相似度所对应的聚类簇的编号按照顺序构建数组，记为数组。

进一步地，所述根据数组自适应划分大小聚类簇，包括的具体步骤如下：

从数组中第一个聚类簇开始进行遍历，计算数组/>中每个聚类簇与数组/>外其他聚类簇的真实类间相似度；

当数组中聚类簇与数组/>外其他聚类簇的真实类间相似度均小于其和大簇基准簇的目标类间相似度，将该聚类簇保留记为大聚类簇；

当数组中聚类簇与数组/>外其他聚类簇的真实类间相似度存在一个或多个大于等于其和大簇基准簇的目标类间相似度，将该聚类簇记为小聚类簇。

进一步地，所述根据大小聚类簇，对车载超细干粉灭火器的压力数据进行异常监测，包括的具体步骤如下：

根据大小聚类簇，通过CBLOF方法获取所有压力数据中异常的压力数据；将所有异常的压力数据的均值，作为异常压力阈值；

获取实时的车载超细干粉灭火器压力数据；当实时车载超细干粉灭火器的压力数据小于异常压力数据，车载超细干粉灭火器的压力正常；当实时车载超细干粉灭火器的压力数据大于或的等于异常压力数据，车载超细干粉灭火器的压力异常。

本发明的技术方案的有益效果是：CBLOF是一种常用的异常检测方法。首先通过现有的聚类方法将数据集分为多个类簇，然后按照其规定的准则将所有簇划分为大簇和小簇。对于本发明中的压力数据，随着车载超细干粉灭火器的使用以及车辆运行过程中温度的变化，车载超细干粉灭火器的压力数据会在某个压力范围短期波动，对应在簇内可能表现为数量较少。按照算法本身的准则会导致正常数据被划分在小簇当中，进而影响后续异常检测结果的准确性。因此本发明通过将初始聚类簇中的压力数据转换到对应的时序压力数据曲线中来计算每一簇的类内集中度和以及每一簇和其它簇的类间相似度。根据每一簇和其它簇的类间相似度来对初始聚类簇进行大小簇的自适应划分，获得更准确的大小簇划分结果，提高异常检测结果的准确性。

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为本发明一种车载超细干粉灭火器压力智能监测方法的步骤流程图。

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车载超细干粉灭火器压力智能监测方法，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一种车载超细干粉灭火器压力智能监测方法的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种车载超细干粉灭火器压力智能监测方法的步骤流程图，该方法包括以下步骤：

步骤S001：获取车载超细干粉灭火器的压力数据，并得到聚类簇。

需要说明的是，车载超细干粉灭火器在长期使用过程中，其内部压力会随着灭火剂的消耗而逐渐降低，为了确保灭火器在关键时刻能够正常使用，对其进行压力检测非常重要，因此首先需要获取压力数据。

具体的，在车载超细干粉灭火器上安装一个压力传感器，实时监测车载超细灭火器内的压力变化，并将压力数据传输至车载智能系统，将车载超细干粉灭火器从初始状态到使用寿命截止时间段记为一个完整的周期，本实施例每隔一个小时统计一次车载超细干粉灭火器的压力数据，得到车载超细干粉灭火器的共个压力数据，将/>个压力数据构成一个压力数据集，使用迭代自组织聚类算法对车载超细干粉灭火器压力数据集进行聚类，距离度量采用压力数据之间的差值绝对值，得到共/>个聚类簇，其中迭代自组织聚类为现有方法，聚类会得到若干聚类簇，本实施例将聚类簇的数量记为/>，每个聚类簇中包含若干压力数据。

至此，得到车载超细干粉灭火器的压力数据及若干聚类簇。

需要说明的是，传统的CBLOF算法在进行大小簇划分时的判定标准主要是基于“alpha”准则和“beta”准则。对于本实施例的压力数据，正常情况下压力应该保持稳定，压力偏低或者偏高都会表现为异常进而影响灭火器的性能，而正常压力标准值的范围比较宽泛。随着车载超细干粉灭火器的使用以及车辆运行过程中温度的变化，车载超细干粉灭火器的压力数据会在某个压力范围短期波动，对应在簇内可能表现为数量较小。因此根据传统的“alpha”准则和“beta”准则不能准确区分出大簇和小簇，需要根据每一簇内数据的类内集中度和不同簇之间的类间差异度来综合分析，尽可能的使大簇中包含比较宽泛的正常压力数据，进而提高异常检测的结果。

步骤S002：根据每个聚类簇中压力数据的分布，获得每个聚类簇的压力数据的类内集中度的修正值；根据每个聚类簇的压力数据的类内集中度的修正值，获得每个聚类簇内压力数据的真实类内集中度。

需要说明的是，在车辆运行过程中由于车辆内部温度的变化，车载超细干粉灭火器的压力数据会发生一定的波动，可能会导致聚类簇数量比较多，每个聚类簇中的数据较少，即每一个聚类簇中的数据的集中程度较小，因此根据聚类结果中每一个聚类簇内数据在压力数据波动曲线上的波动程度来计算每一个聚类簇中数据的真实类内集中度。

具体的，将个压力数据构建成的波动曲线记为第一波动曲线，利用牛顿法计算出第一波动曲线上所有的极值点，牛顿法计算曲线极值点为现有方法，本实施例不再赘述；相邻两极值点构成一个子曲线段，特别说明的是，第一个极值点与第一波动曲线的起始点构成一个子曲线段，最后一个极值点与第一波动曲线的终止点构成一个子曲线段；对于任意一个子曲线段，计算该子曲线段两个端点连线的斜率，并作为该子曲线段的斜率；将第/>个聚类簇的所有压力数据在第一波动曲线上标记出来，计算其在第一波动曲线上的波动性，根据波动性来量化第/>个聚类簇内数据的类内集中度，则第/>个聚类簇的压力数据的类内集中度的修正值的计算公式为：

其中，表示第/>个聚类簇的压力数据的类内集中度的修正值，/>表示第/>个聚类簇的压力数据在第一波动曲线上所分布的子曲线段个数，/>表示第/>个子曲线段的斜率，表示第/>个子曲线段的斜率，/>表示第/>个子曲线段上的压力数据值在整个压力数据集中的偏离度，/>，/>表示第/>个子曲线段的压力数据均值，/>表示所有压力数据的均值；/>表示第/>个子曲线段上的压力数据值在整个压力数据集中的偏离度，/>表示第/>个子曲线段上的压力数据个数，/>表示第/>个子曲线段上的压力数据个数，/>表示第/>个子曲线段上第/>个聚类簇中的压力数据分布的个数，/>表示第/>个子曲线段上第/>个聚类簇中的压力数据分布的个数，/>表示绝对值函数。

所需说明的是，的值越小，表示第/>个子曲线段上的压力数据值在整个压力数据集中的偏离度越小，/>表示第/>个聚类簇中的压力数据在第/>个子曲线段上的相对分布值，的值越小，表示第/>个子曲线段和第/>个子曲线段的波相似性越大，对应的第/>个子曲线段和第/>个子曲线段上的数据集中度越高。

的值越小，表示第/>个子曲线段和第/>个子曲线段上的压力数据值的相似性越高，时/>的值越小，表示第/>个聚类簇中的压力数据在第/>个子曲线段和第/>个子曲线段上的相对分布越相似，对应的第/>个曲线段和第/>个曲线段上的数据集中度越高。

进一步的，根据第个聚类簇内压力数据的类内集中度的修正值，修正第/>个聚类簇内压力数据的类内集中度，获得第/>个聚类簇内压力数据的真实类内集中度，修正公式如下：

其中，表示第/>个聚类簇内压力数据的真实类内集中度，/>表示第/>个聚类簇的压力数据的类内集中度的修正值，/>表示第/>个聚类簇内所有压力数据和聚类簇内中心点的距离均值的反比例归一化值，本实施例采用/>模型来呈现反比例关系及归一化处理，/>为模型的输入，实施者可根据实际情况来设置反比例函数及归一化函数。

根据上述方式，通过聚类簇内压力数据与中心店的距离来表现类内集中度，并通过修正值进行修正，获得每个聚类簇内压力数据的真实类内集中度。

至此，获得每个聚类簇内压力数据的真实类内集中度。

步骤S003：根据聚类簇内压力数据的真实类内集中度，获得聚类簇内压力数据的特征值；根据聚类簇内压力数据的特征值，获得任意两个聚类簇之间的类间相似度的修正权重；根据任意两个聚类簇之间的类间相似度的修正权重，获得任意两个聚类簇之间的真实类间相似度。

需要说明的是，传统的类间相似度是根据不同簇之间的簇内中心点之间的距离来确定的，而没有考虑两个类簇中的分布特征，对于本实施例的压力数据，需要将含有正常压力数据的不同簇之间的相似性设置的大一些，因此需要根据上述过程中计算出的每一簇的类内集中度特征来对传统的类间相似度进行修正，进而得到真实的类间相似度。

具体的，每个聚类簇内压力数据的特征值的计算公式如下：

其中，表示第/>个聚类簇内压力数据的特征值，/>表示第/>个聚类簇内压力数据的真实类内集中度，/>表示第/>个聚类簇内的压力数据在第一波动曲线上所在的所有子曲线段的斜率的累加和，/>表示第一波动曲线上所有子曲线段的斜率的累加和，/>表示第/>个聚类簇中所有压力数据的均值，/>表示所有压力数据的均值，/>表示绝对值函数，/>为避免分母为0的超参数，本实施例采用/>进行叙述。

所需说明的是，的值越小，表示第/>个聚类簇中的数据为正常数据的可能性越大，同时/>的值越小，表示第/>个聚类簇的簇内数据为正常数据的可能性越大，对应的第/>个聚类簇内压力数据的特征值越大。每个子曲线段均可以计算获得一个斜率值，第一波动曲线上包含了多个子曲线段，进而可以计算第一波动曲线上所有子曲线段对应的斜率的累加和/>。

根据上述方式，获得每个聚类簇内压力数据的特征值。

根据每个聚类簇内压力数据的特征值，计算任意两个聚类簇之间的类间相似度的修正权重，公式如下：

其中，表示第/>个聚类簇和第/>个聚类簇之间的类间相似度的修正权重，/>表示第/>个聚类簇内压力数据的特征值，/>表示第/>个聚类簇内压力数据的特征值，/>表示绝对值函数，/>为避免分母为0的超参数，本实施例采用/>进行叙述。

所需说明的是，的值越小，表示第/>个聚类簇和第/>个聚类簇之间的类间相似度修正权重越大。

根据上述方式，获得任意两个聚类簇之间的类间相似度的修正权重，根据任意两个聚类簇之间的类间相似度的修正权重，修正任意两个聚类簇之间的类间相似度，获得任意两个聚类簇之间的真实类间相似度，修正公式如下：

其中，表示第/>个聚类簇和第/>个聚类簇之间的真实类间相似度，/>表示第个聚类簇和第/>个聚类簇之间的类间相似度修正权重，/>表示第/>个聚类簇和第/>个聚类簇之间的类间相似度，类间相似度的计算方法为：将两个聚类簇的中心点的距离的反比例归一化值作为两个聚类簇的类间相似度，本实施例采用/>模型来呈现反比例关系及归一化处理，/>为模型的输入，实施者可根据实际情况来设置反比例函数及归一化函数。

根据上述方式，获得任意两个聚类簇之间的真实类间相似度。

步骤S004：根据任意两个聚类簇之间的真实类间相似度，构建数组；根据数组自适应划分大小聚类簇。

具体的，将聚类簇内压力数据特征值最大的聚类簇记为大聚类簇基准簇，计算大聚类簇基准簇和其它聚类簇的真实类间相似度，然后将所有的真实类间相似度按照从大到小的顺序进行排序，得到一个序列，根据序列获得每一个聚类簇的序列编号，将序列中数值大于分组阈值的真实类间相似度记为目标类间相似度，本实施例分组阈值采用0.5进行叙述；将目标类间相似度所对应的聚类簇的编号按照顺序构建数组，记为数组，从数组/>中第一个聚类簇开始进行遍历，计算数组/>中每个聚类簇与数组/>外其他聚类簇的真实类间相似度；

当数组中聚类簇与数组/>外其他聚类簇的真实类间相似度均小于其和大簇基准簇的目标类间相似度，将该聚类簇保留记为大聚类簇；

当数组中聚类簇与数组/>外其他聚类簇的真实类间相似度存在一个或多个大于等于其和大簇基准簇的目标类间相似度，将该聚类簇记为小聚类簇；

至此，将所有聚类簇自适应划分为大小聚类簇。

步骤S005：根据大小聚类簇，对车载超细干粉灭火器的压力数据进行异常监测。

根据大小聚类簇，通过CBLOF方法获取所有压力数据中异常的压力数据，其中，CBLOF方法获取异常数据为现有技术，不再进行赘述；将所有异常的压力数据的均值，作为异常压力阈值。

进一步的，获取实时的车载超细干粉灭火器压力数据；当实时车载超细干粉灭火器的压力数据小于异常压力阈值，则车载超细干粉灭火器的压力正常；当实时车载超细干粉灭火器的压力数据大于或等于异常压力阈值，则车载超细干粉灭火器的压力异常，并做出预警。

至此，本实施例完成。

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 (8)

1.一种车载超细干粉灭火器压力智能监测方法，其特征在于，该方法包括以下步骤：

获取车载超细干粉灭火器的压力数据，并得到聚类簇；

根据每个聚类簇中压力数据的分布，获得每个聚类簇的压力数据的类内集中度的修正值；根据每个聚类簇的压力数据的类内集中度的修正值，获得每个聚类簇内压力数据的真实类内集中度；

根据聚类簇内压力数据的真实类内集中度，获得聚类簇内压力数据的特征值；根据聚类簇内压力数据的特征值，获得任意两个聚类簇之间的类间相似度的修正权重；根据任意两个聚类簇之间的类间相似度的修正权重，获得任意两个聚类簇之间的真实类间相似度；

根据任意两个聚类簇之间的真实类间相似度，构建数组；根据数组自适应划分大小聚类簇；

根据大小聚类簇，对车载超细干粉灭火器的压力数据进行异常监测；

所述根据每个聚类簇中压力数据的分布，获得每个聚类簇的压力数据的类内集中度的修正值，包括的具体步骤如下：

将所有压力数据构建成的波动曲线记为第一波动曲线，获取第一波动曲线上所有的极值点；相邻两极值点构成一个子曲线段，对于任意一个子曲线段，计算该子曲线段两个端点连线的斜率，并作为该子曲线段的斜率；

根据子曲线段的斜率及聚类簇中压力数据在子曲线段上的分布，获得每个聚类簇的压力数据的类内集中度的修正值；

所述根据子曲线段的斜率及聚类簇中压力数据在子曲线段上的分布，获得每个聚类簇的压力数据的类内集中度的修正值，包括的具体公式如下：

其中，表示第/>个聚类簇的压力数据的类内集中度的修正值，/>表示第/>个聚类簇的压力数据在第一波动曲线上所分布的子曲线段个数，/>表示第/>个子曲线段的斜率，/>表示第/>个子曲线段的斜率，/>表示第/>个子曲线段上的压力数据值在整个压力数据集中的偏离度，/>，/>表示第/>个子曲线段的压力数据均值，/>表示所有压力数据的均值；表示第/>个子曲线段上的压力数据值在整个压力数据集中的偏离度，/>表示第/>个子曲线段上的压力数据个数，/>表示第/>个子曲线段上的压力数据个数，/>表示第/>个子曲线段上第/>个聚类簇中的压力数据分布的个数，/>表示第/>个子曲线段上第/>个聚类簇中的压力数据分布的个数，/>表示绝对值函数，/>表示第一差异，/>表示第二差异，和/>表示第一比值。

2.根据权利要求1所述一种车载超细干粉灭火器压力智能监测方法，其特征在于，所述根据每个聚类簇的压力数据的类内集中度的修正值，获得每个聚类簇内压力数据的真实类内集中度，包括的具体步骤如下：

其中，表示第/>个聚类簇内压力数据的真实类内集中度，/>表示第/>个聚类簇的压力数据的类内集中度的修正值，/>表示第/>个聚类簇内所有压力数据和聚类簇内中心点的距离均值的反比例归一化值。

3.根据权利要求1所述一种车载超细干粉灭火器压力智能监测方法，其特征在于，所述根据聚类簇内压力数据的真实类内集中度，获得聚类簇内压力数据的特征值，包括的具体步骤如下：

其中，表示第/>个聚类簇内压力数据的特征值，/>表示第/>个聚类簇内压力数据的真实类内集中度，/>表示第/>个聚类簇内的压力数据在第一波动曲线上所在的所有子曲线段的斜率的累加和，/>表示第一波动曲线上所有子曲线段的斜率的累加和，/>表示第/>个聚类簇中所有压力数据的均值，/>表示所有压力数据的均值，/>表示绝对值函数，/>为避免分母为0的超参数。

4.根据权利要求1所述一种车载超细干粉灭火器压力智能监测方法，其特征在于，所述根据聚类簇内压力数据的特征值，获得任意两个聚类簇之间的类间相似度的修正权重，包括的具体步骤如下：

其中，表示第/>个聚类簇和第/>个聚类簇之间的类间相似度的修正权重，/>表示第个聚类簇内压力数据的特征值，/>表示第/>个聚类簇内压力数据的特征值，/>表示绝对值函数，/>为避免分母为0的超参数。

5.根据权利要求1所述一种车载超细干粉灭火器压力智能监测方法，其特征在于，所述根据任意两个聚类簇之间的类间相似度的修正权重，获得任意两个聚类簇之间的真实类间相似度，包括的具体步骤如下：

其中，表示第/>个聚类簇和第/>个聚类簇之间的真实类间相似度，/>表示第/>个聚类簇和第/>个聚类簇之间的类间相似度修正权重，/>表示第/>个聚类簇和第/>个聚类簇之间的类间相似度；所述类间相似度的计算方法为：将两个聚类簇的中心点的距离的反比例归一化值作为两个聚类簇的类间相似度。

6.根据权利要求1所述一种车载超细干粉灭火器压力智能监测方法，其特征在于，所述根据任意两个聚类簇之间的真实类间相似度，构建数组，包括的具体步骤如下：

将聚类簇内压力数据特征值最大的聚类簇记为大聚类簇基准簇，计算大簇基准簇和其它聚类簇的真实类间相似度，然后将所有的真实类间相似度按照从大到小的顺序进行排序，得到一个序列，根据序列获得每一个聚类簇的序列编号，将序列中数值大于分组的真实类间相似度记为目标类间相似度，将目标类间相似度所对应的聚类簇的编号按照顺序构建数组，记为数组。

7.根据权利要求6所述一种车载超细干粉灭火器压力智能监测方法，其特征在于，所述根据数组自适应划分大小聚类簇，包括的具体步骤如下：

从数组中第一个聚类簇开始进行遍历，计算数组/>中每个聚类簇与数组/>外其他聚类簇的真实类间相似度；

当数组中聚类簇与数组/>外其他聚类簇的真实类间相似度均小于其和大簇基准簇的目标类间相似度，将该聚类簇保留记为大聚类簇；

当数组中聚类簇与数组/>外其他聚类簇的真实类间相似度存在一个或多个大于等于其和大簇基准簇的目标类间相似度，将该聚类簇记为小聚类簇。

8.根据权利要求1所述一种车载超细干粉灭火器压力智能监测方法，其特征在于，所述根据大小聚类簇，对车载超细干粉灭火器的压力数据进行异常监测，包括的具体步骤如下：

根据大小聚类簇，通过CBLOF方法获取所有压力数据中异常的压力数据；将所有异常的压力数据的均值，作为异常压力阈值；

获取实时的车载超细干粉灭火器压力数据；当实时车载超细干粉灭火器的压力数据小于异常压力数据，车载超细干粉灭火器的压力正常；当实时车载超细干粉灭火器的压力数据大于或的等于异常压力数据，车载超细干粉灭火器的压力异常。