一种非侵入式消防水带流量及压力预测系统和方法与流程

本发明涉及智慧消防，具体涉及一种非侵入式消防水带流量及压力预测系统和方法。

背景技术：

1、消防水带作为消防灭火中的最常用的一种消防器材装备，承担着将消防水源输送到灭火前线的重要功能，直接影响了消防水枪、消防水炮、消防泡沫枪、消防泡沫炮、消防灭火机器人等消防装备能否正常工作。目前消防水带中的流量及压力信息主要来源于消防车载水泵出口的侵入式流量压力计，但在部署了多路消防水带进入复杂火场的情况下，从消防车载水泵出口的侵入式流量压力计得到的信息不足以使指挥员有充足信息判断各路消防水带的水量和水压信息，不利于现场的人员调度和阵地设置，最佳方案为采用非侵入式流量压力测量技术，对每路消防水带在使用过程中进行测量。

2、现有非侵入式流量压力测量技术主要包括电磁流量计法、超声流量计法等，但这些方法的安装条件和对流体介质都有较高要求，并且忽略了管壁的粘性效应，这导致管道内的液体并不是均匀流动的，直接将解算出来的速度用于计算管道内的流量会导致系统性的偏差；在复杂情况下，基于振动监测的测量技术主要采用振动加速度方差、振动信号频率等作为特征计算流量和压力，对非刚性管道的测量结果精准度较低，针对火灾现场使用的消防水带，如何简单快速、实时高效地非侵入式精准监测消防水带流量，是一个亟需解决的问题。

技术实现思路

1、针对现有方法的不足以及实际应用的需求，为了提高火灾现场使用的各路消防水带流量及压力预测能力，解决使用过程中无法实时准确评估各路消防水带水流、水压的问题，简单快速、实时高效地预测各路消防水带流量及压力。一方面，本发明提供一种非侵入式消防水带流量及压力预测系统，所述非侵入式消防水带流量及压力预测系统包括：非侵入式消防水带流量及压力训练子系统，用于构建并训练非侵入式消防水带流量及压力预测模型；所述非侵入式消防水带流量及压力训练子系统包括第一系统供电模块、流量压力调节模块、数据监测模块、第一数据储存模块、数据通信模块和数据处理模块；所述第一系统供电模块，用于为所述流量压力调节模块、所述数据监测模块、所述第一数据存储模块、所述数据通信模块和所述数据处理模块提供电源；所述第一系统供电模块为锂电池和/或外部电缆电源的一种或组合；所述流量压力调节模块，用于调节输入消防水带的流体压力和流量；所述数据监测模块，由振动信号传感器、流量传感器和压力传感器组成，用于获得消防水带的实测流体压力和流量和实测振动信号；所述第一数据存储模块，用于存储所述实测振动信号，所述第一数据存储模块为sd存储卡和/或板载闪存芯片；所述数据通信模块，用于将所述第一数据存储模块每间隔预设时间段内存储的数据传输至所述数据处理模块，所述数据通信模块采用数据连接线和/或无线蓝牙通信连接；所述数据处理模块，用于根据所述数据，构建并训练非侵入式消防水带流量及压力预测模型；非侵入式消防水带流量及压力预测子系统，用于利用所述非侵入式消防水带流量及压力预测模型对消防水带流量和压力进行实时预测；所述非侵入式消防水带流量及压力预测子系统包括：第二系统供电模块、振动数据采集模块、第二数据储存模块、中央处理模块、无线通信模块和移动终端模块；所述第二系统供电模块，用于为所述振动数据采集模块、所述第二数据存储模块、所述中央处理模块和所述无线通信模块供电，所述第二系统供电模块为电池和/或温差产电模组的一种或组合，所述温差产电模组的一侧贴紧消防水带，另一侧背向消防水带面向火场；所述振动数据采集模块，用于获取待监测消防水带的振动信号；所述振动数据采集模块为单轴或多轴振动加速度传感器；所述第二数据存储模块，用于储存所述振动信号以及预测过程中产生的过程信息和日志，所述第二数据存储模块为sd存储卡和/或板载闪存芯片；所述中央处理模块，用于结合所述非侵入式消防水带流量及压力预测模型和所述振动信号，对消防水带流量和压力进行实时预测，以及获得累计流量信息；所述无线通信模块，用于接收所述中央处理模块的信息结果，并发送到所述移动终端模块；所述移动终端模块，用于显示所述中央处理模块的信息结果。本发明提供的系统通过监测水流经过消防水带时产生的时序振动信号，利用算法实现了非侵入式地预测消防水带流量及压力，解决了火灾现场各路消防水带使用过程中无法实时准确评估水流、水压的问题。本发明准确清晰地实时预测消防水带中的流量及压力，对火势研判、指挥调度和高效灭火起到了重要的技术支持作用。

2、可选地，所述数据处理模块包括：特征参数提取子模块、统计模型预测子模块、机器学习模型预测子模块、深度神经网络预测子模块、权重系数分配子模块、融合处理输出子模块；所述统计模型预测子模块包括二次回归模型和线性回归模型；所述机器学习模型预测子模块包括极端梯度提升模型、支持向量机模型、随机森林模型和轻量级梯度提升模型。

3、可选地，所述深度神经网络预测子模块包括：输入模块，所述输入模块用于接收所述振动信号；卷积模块，所述卷积模块用于提取所述振动信号的特征，所述卷积模块的输入端与所述输入模块相连；过滤模块，所述过滤模块用于消除所述振动信号的不利特征，获得误差过滤特征图，所述过滤模块的输入端与所述卷积模块的输出端相连；输出模块，所述输出模块用于根据所述误差过滤特征图，获得所述主要预测值，所述输出模块的输入端与所述过滤模块的输出端相连；所述过滤模块，包括一个或者多个过滤子模块，所述过滤子模块逐层连接；任一个过滤子模块包括：过滤模块输入层，所述过滤模块输入层用于接收所述卷积模块输出的特征，第一层过滤子模块的所述过滤模块输入层的输入端与所述卷积模块的输出端相连；非第一层过滤子模块的所述过滤模块输入层的输入端与上一层所述过滤子模块计算输出层的输出端连接；第一堆叠层和第二堆叠层，所述第一堆叠层和所述第二堆叠层逐层连接，所述第一堆叠层和所述第二堆叠层逐层用于获得所述振动信号的深度特征，所述第一堆叠层的输入端与所述过滤模块输入层的输出端连接；池化层，所述池化层通过绝对值激活函数获得总体特征以及总体特征幅值，所述池化层的输入端与所述第二堆叠层的输出端连接；映射层，所述映射层用于将所述总体特征做非线性映射，获得所述总体特征的系数值，所述映射层的输入端与所述池化层的输出端相连；旁路层，所述旁路层用于获得所述振动信号的浅表特征，所述旁路层的输入端与所述过滤模块输入层的输出端连接；计算输出层，所述计算输出层通过所述深度特征结合过滤阈值，获得误差波动消除特征，并叠加所述浅表特征，获得所述误差过滤特征图；所述过滤阈值由所述系数值和所述总体特征幅值相乘获得；所述计算输出层的输入端分别与所述第二堆叠层的输出端、所述旁路层的输出端、所述映射层的输出端、所述池化层的输出端相连；最后一层所述过滤子模块计算输出层的输出端与所述池化层的输入端相连；非最后一层所述过滤子模块计算输出层的输出端与下一层过滤子模块的所述过滤模块输入层相连。本发明搭建的深度神经网络预测子模块，通过过滤模块去除了噪音和机械振动等产生的误差信号，提高了本发明的准确度。

4、第二方面，本发明还提供一种非侵入式消防水带流量及压力预测方法，所述非侵入式消防水带流量及压力预测方法适用于本发明提供的一种非侵入式消防水带流量及压力预测系统，所述非侵入式消防水带流量及压力预测方法，包括以下步骤：获取振动信号，所述振动信号为水流经过消防水带时产生的时序振动信号；利用所述振动信号，通过所述深度神经网络预测子模块获得主要预测值，所述主要预测值包括主要流量预测值和主要压力预测值；利用所述振动信号，通过所述特征参数提取子模块提取信号特征参数；基于所述信号特征参数，利用所述统计模型预测子模块和所述机器学习模型预测子模块获得多个辅助预测值，所述辅助预测值包括辅助流量预测值和辅助压力预测值；通过所述权重系数分配子模块，获得所述主要预测值和所述辅助预测值对应的权重系数；基于所述主要预测值和所述多个辅助预测值，结合所述权重系数，通过所述融合处理输出子模块获得所述振动信号的最终预测值，所述最终预测值包括最终流量预测值和最终压力预测值。

5、可选地，所述利用所述振动信号，通过所述深度神经网络预测子模块获得主要预测值，包括以下步骤：获取不同状态下消防水带的试验振动信号和对应的实测数据，所述试验振动信号为不同状态下水流经过消防水带时产生的试验时序振动信号，所述实测数据包括流量实测值和压力实测值；根据所述试验振动信号的不同时序长度、采样频率以及超参数，设定多个超参数组合，所述超参数包括批量数、学习率、训练轮数；根据所述不同时序长度、采样频率，建立对应的训练信号数据集和验证信号数据集；搭建深度神经网络预测子模块，通过所述训练信号数据集和所述验证信号数据集，训练并验证所述深度神经网络预测子模块，获得最优神经网络权重和最优超参数组合，所述最优神经网络权重满足第一评价指标最小，所述最优超参数组合满足第二评价指标最小；汇总所有不同时序长度、采样频率对应的最优超参数组合和最优神经网络权重，获得训练好的深度神经网络预测子模块；基于所述不同时序长度，划分所述振动信号，并通过所述训练好的深度神经网络预测子模块，获得所述主要预测值。本发明基于深度神经网络预测子模块获得主要预测值，包括主要流量预测值和主要压力预测值，利用大量的历史数据训练并验证深度神经网络预测子模块，有利于深度神经网络预测子模块能够迅速准确地得到预测结果，便于最终准确评估各路消防水带的流量和压力。

6、可选地，所述第一评价指标满足以下公式：所述第二评价指标满足以下公式：其中，z1表示第一评价指标结果，n表示数据集中划分信号的数量，yi表示第i个实测数据，表示第i个预测数据，z2表示第二评价指标结果。本可选项通过数学公式的方式，数字化评价指标结果，方便简单、清晰明确，有利于提高神经网络的稳定性和准确性，进一步提高了对消防水带流量及压力预测的效率。

7、可选地，所述利用所述振动信号，通过特征参数提取子模块提取信号特征参数，包括以下步骤：利用统计处理方法，获得振动信号均值、振动信号偏度、振动信号峰度、振动加速度方差；利用dft离散傅里叶变换算法，获得信号第1-k主频率、信号第1-k主频率对应的幅值，其中k表示信号频谱按照幅值排列的第k个信号分量。本发明通过特征参数算法人为的设计信号特征参数，结果清晰明了，操作简单，为后续获得辅助预测值打下坚实的基础。

8、可选地，所述基于所述信号特征参数，利用所述统计模型预测子模块和所述机器学习模型预测子模块获得多个辅助预测值，包括以下步骤：利用所述二次回归模型，结合振动加速度方差，获得二次回归辅助预测值；利用所述线性回归模型，结合信号第1主频率，获得线性回归辅助预测值；利用所述极端梯度提升模型，结合所述信号特征参数，获得极端梯度提升辅助预测值；利用所述支持向量机模型，结合所述信号特征参数，获得支持向量机辅助预测值；利用所述随机森林模型，结合所述信号特征参数，获得随机森林辅助预测值；利用所述轻量级梯度提升模型，结合所述信号特征参数，获得轻量级梯度提升辅助预测值。本发明利用多个辅助预测值修正预测结果，保证了最终预测结果的准确性。

9、可选地，所述通过所述权重系数分配子模块，获得所述主要预测值和所述辅助预测值对应的权重系数，包括以下步骤：基于不同状态下消防水带的试验振动信号和对应的实测数据，利用所述试验振动信号，通过所述深度神经网络预测子模块获得试验主要预测值；利用所述试验振动信号，通过所述特征参数提取子模块提取试验信号特征参数；基于所述试验信号特征参数，利用所述统计模型预测子模块和所述机器学习模型预测子模块获得多个试验辅助预测值；利用所述权重系数分配子模块，结合所述实测数据、所述试验主要预测值和所述试验辅助预测值，获得所述主要预测值和所述辅助预测值对应的权重系数。

10、可选地，所述通过所述权重系数分配子模块，获得所述主要预测值和所述辅助预测值对应的权重系数，还包括以下步骤：判断所述振动信号的时序长度是否小于预设阈值，并根据判断结果，执行如下步骤：当所述振动信号的时序长度小于或等于预设阈值，所述权重系数分配子模块对所述主要预测值的加权系数置零，仅分配加权系数给所述多个辅助预测值；当所述振动信号的时序长度大于预设阈值，所述权重系数分配子模块分配加权系数给所述主要预测值和所述多个辅助预测值。

11、通过大量试验数据获得主要预测值和辅助预测值的权重系数，以及由于获得信号较少导致深度神经网络预测子模块不能提取特征得到主要预测值时，重新分配多个辅助预测值的权重系数，有效提高了本发明的准确度和可靠性。