技术新讯 > 信号装置的制造及其应用技术 > 基于多传感器数据的明火预警方法及系统与流程  >  正文

基于多传感器数据的明火预警方法及系统与流程

  • 国知局
  • 2024-07-31 21:14:12

本技术涉及火灾报警,尤其涉及基于多传感器数据的明火预警方法及系统。

背景技术:

1、使用多传感器数据进行明火预警可以综合考虑不同传感器的信息,从而提高预警系统的准确性和可靠性。不同类型的传感器可以捕捉到不同特征和信号,通过综合分析这些数据,可以更准确地判断是否存在火灾风险,降低误报率和漏报率。现常通过传感器采集监测环境中的温度、co气体浓度、no气体浓度等数据对预警实际情况进行综合分析判断,并通过数据预测算法结合历史数据对最近未发生时刻的预测值进行预测,通过比较预测数据时刻发生时实际值与预测值的差值与明火预警的预警阈值来实施具体的明火预警措施。

2、在现有算法中,常使用移动加权平均算法对环境中的co气体浓度进行数据预测。传统移动加权平均算法是根据历史数据的权重对预测值进行预测,各历史数据对环境数据的预测权重常为经验值设置,而由于co气体浓度中存在噪声等干扰数据,直接将权重使用经验值进行确定无法保证预测数据的准确性。

技术实现思路

1、为了解决以上技术问题,本技术提供了一种基于多传感器数据的明火预警方法及系统。

2、根据本技术的第一方面,提供的基于多传感器数据的明火预警方法,方法包括:

3、通过多传感器采集监测环境中的数据,获得环境数据,所述环境数据包括co浓度数据和no浓度数据;

4、分析所述co浓度数据与其邻域数据的差异特征,得到所述co浓度数据的co局部波动特征值;

5、分析所述no浓度数据与其邻域数据的差异特征,得到所述no浓度数据的no局部波动特征值;

6、根据所述co局部波动特征值和所述no局部波动特征值,结合所述co浓度数据和所述no浓度数据间的相关性,得到所述co浓度数据中各历史数据对预测值的贡献程度值;

7、根据所述贡献程度值,结合所述co浓度数据中数据间的距离特征,得到所述co浓度数据中各历史数据对预测值的预测权重;

8、根据所述预测权重,结合所述co浓度数据,获得最近未发生时刻co浓度的预测值;

9、根据所述预测值与实际值的差异特征,获得预警结果,根据所述预警结果,采取明火预警措施。

10、在本发明的一些实施例中,分析所述co浓度数据与其邻域数据的差异特征,得到所述co浓度数据的co局部波动特征值,包括:

11、分析所述co浓度数据与其多个邻域数据的数值差值的平均值,获得co数值差异特征;

12、分析所述co浓度数据与其多个邻域数据的斜率差值的平均值,获得co斜率差异特征;

13、根据所述co数值差异特征和所述co斜率差异特征,得到所述co浓度数据的co局部波动特征值。

14、在本发明的一些实施例中,所述co局部波动特征值的计算公式为:

15、;

16、式中,表示co浓度数据中第个数据的局部波动特征值;表示选取的邻域数据的数量;表示co浓度数据中第个数据的co浓度数值;表示co浓度数据中第个数据的第个邻域数据点的co浓度数值;表示co浓度数据中第个数据的斜率值;表示co浓度数据中第个数据的第个邻域数据点的斜率值;表示归一化函数。

17、在本发明的一些实施例中,根据所述co局部波动特征值和所述no局部波动特征值,结合所述co浓度数据和所述no浓度数据间的相关性,得到所述co浓度数据中各历史数据对预测值的贡献程度值,包括:

18、分析同一时间下所述co浓度数据和所述no浓度数据的比值关系,并且分析采集时间内所有时刻点对应的所述co浓度数据和所述no浓度数据比值的平均值,得到所述co浓度数据和所述no浓度数据间的相关性;

19、根据所述相关性,结合所述co局部波动特征值和所述no局部波动特征值,得到所述co浓度数据中各历史数据对预测值的贡献程度值。

20、在本发明的一些实施例中,所述贡献程度值的计算公式为:

21、;

22、式中,表示co浓度数据中第个数据对预测值的贡献程度值;表示co浓度数据中第个数据的局部波动特征值;表示no浓度数据中第个数据的局部波动特征值;表示co浓度数据中的第个数据的co浓度数值;表示no浓度数据中的第个数据的no浓度数值;表示采集时间内所有时刻点对应的co浓度数据和no浓度数据比值的平均值;表示以自然常数为底数的指数,用于数据反比例归一化。

23、在本发明的一些实施例中,根据所述贡献程度值,结合所述co浓度数据中数据间的距离特征,得到所述co浓度数据中各历史数据对预测值的预测权重,包括:

24、统计所述co浓度数据中数值相等的数据数量;

25、分析所述co浓度数据中的数据对应时刻与预测值对应时刻的时间间隔,得到所述co浓度数据中数据间的距离特征;

26、根据所述贡献程度值,结合所述co浓度数据中数值相等的数据数量,以及所述距离特征,得到所述co浓度数据中各历史数据对预测值的预测权重。

27、在本发明的一些实施例中,所述预测权重的计算公式为:

28、;

29、式中,表示co浓度数据中第个数据对预测值的预测权重;表示co浓度数据中与第个数据数值相等的数据数量;表示co浓度数据中第个数据对应时刻与预测值对应时刻的时间间隔;将作反比例指数函数处理;表示co浓度数据中第个数据对预测值的贡献程度值;表示归一化函数。

30、在本发明的一些实施例中,所述预测值的计算公式为:

31、;

32、式中,表示对最近未发生时刻的co浓度的预测值;表示co浓度数据中所有已发生的历史数据总数量;表示co浓度数据中的第个数据的co浓度数值;表示co浓度数据中第个数据对预测值的预测权重。

33、在本发明的一些实施例中,根据所述预测值与实际值的差异特征,获得预警结果,根据所述预警结果,采取明火预警措施,包括:

34、计算预测值与预测值对应时间的实际值的差值;

35、判断是否存在连续n个差值大于co浓度预警阈值;

36、如果是,判断其他环境数据是否同时存在异常;

37、如果是,则获得警告的预警结果,采取明火预警措施;

38、否则,则获得正常的预警结果,不采取明火预警措施。

39、根据本技术的第二方面,提供的基于多传感器数据的明火预警系统,所述系统包括:传感器模块、数据处理模块、报警模块;

40、所述传感器模块,包括co气体浓度传感器和no气体浓度传感器,用以采集监测环境中的co浓度数据和no浓度数据;

41、所述数据处理模块包括存储器和处理器,其中:

42、所述存储器,用于存储程序代码、co浓度数据和no浓度数据;

43、所述处理器,用于读取并执行所述存储器中存储的程序代码;

44、所述处理器,包括:

45、局部波动特征值分析单元,用以分析所述co浓度数据与其邻域数据的差异特征,和分析所述no浓度数据与其邻域数据的差异特征,得到所述co浓度数据的co局部波动特征值和所述no浓度数据的no局部波动特征值;

46、贡献程度分析单元,用以根据所述co局部波动特征值和所述no局部波动特征值,结合所述co浓度数据和所述no浓度数据间的相关性,得到所述co浓度数据中各历史数据对预测值的贡献程度值;

47、预测权重分析单元,用以根据所述贡献程度值,结合所述co浓度数据中数据间的距离特征,得到所述co浓度数据中各历史数据对预测值的预测权重;

48、预测值获得单元,用以根据所述预测权重,结合所述co浓度数据,获得最近未发生时刻co浓度的预测值;

49、预警单元,用以根据所述预测值与实际值的差异特征,获得预警结果;

50、所述报警模块,用以根据所述预警结果,完成明火预警的报警。

51、由以上实施例可见,本技术实施例提供的基于多传感器数据的明火预警方法及系统,具有的有益效果如下:

52、本发明通过分析co浓度数据中数据与邻域数据的差异特征得到co浓度数据的局部波动特征值,进而通过局部波动特征值初步反映co浓度中历史数据的噪声表现,进而能够得到更准确的预测权重;同理获得no局部波动特征值;然后根据co局部波动特征值和no局部波动特征值,结合co浓度数据和no浓度数据间的相关性,得到co浓度数据中各历史数据对预测值的贡献程度值;进而根据贡献程度值,结合co浓度数据中数据间的距离特征,得到co浓度数据中各历史数据对预测值的预测权重。相较传统移动加权平均算法直接设定经验值确定权重,能够根据数据特征自适应不同历史数据,获得更为准确的预测权重,进而提高预测值的准确性,提高明火预警的可靠性。

53、应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本发明。

本文地址:https://www.jishuxx.com/zhuanli/20240731/189003.html

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。