一种车载超细干粉灭火器压力智能监测方法与流程

本发明涉及数据处理，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：

1、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。

2、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。

技术实现思路

1、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。

2、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：

3、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：

4、获取车载超细干粉灭火器的压力数据，并得到聚类簇；

5、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；

6、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；

7、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；

8、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。

9、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：

10、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；

11、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。

12、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：

13、

14、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。

15、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：

16、

17、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。

18、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：

19、

20、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。

21、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：

22、

23、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。

24、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：

25、

26、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。

27、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：

28、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。

29、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：

30、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；

31、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；

32、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。

33、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：

34、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；

35、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。

36、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。