一种基于人工智能的可视化气体检测系统及方法与流程

本发明涉及气体检测，具体为一种基于人工智能的可视化气体检测系统及方法。

背景技术：

1、气体检测在工业安全、环境监测、医疗健康等领域扮演着重要角色。它们用于检测和量化气体的存在，以预防潜在的危险、污染或健康问题；固定式气体检测是工业安全的重要组成部分，它通过在关键区域安装传感器来对气体进行实时监测和控制；现有固定式气体检测仪目前大多采用扩散式的方式采集气体，它适用于安装固定在特定地点，需要实时监控气体浓度的场景；而扩散式采样的检测仪对气体的流动特性有依赖性，存在检测延迟和远距离采样效果不佳的问题，导致不能及时发现气体的异常情况，存在安全隐患；为此，如何改善固定式气体检测的效果成为了一个需要解决的问题。

技术实现思路

1、本发明的目的在于提供一种基于人工智能的可视化气体检测系统及方法，以解决上述背景技术中提出的问题。

2、在本发明的一个方面，提供一种基于人工智能的可视化气体检测方法，包括：

3、s11，获取环境数据、待检测气体浓度的目标位置和气体浓度的测量位置；

4、s12，基于目标位置处的风速和风向数据，确定待检测气体从目标位置向测量位置扩散速度的有效分量；

5、s13，获取测量位置处的气体浓度检测结果，基于环境数据对测量位置处的气体浓度检测结果进行浓度补偿，基于浓度补偿后测量位置处的气体浓度、测量位置与目标位置之间的距离和有效分量，确定目标位置处待检测气体的浓度；

6、s14，基于目标位置的待检测气体浓度，判断目标位置发生气体泄漏的概率，并根据判断结果发出信号。

7、在步骤s12中，所述基于测量位置处的风速和风向数据，确定待检测气体从目标位置向测量位置扩散速度的有效分量还包括以下步骤：

8、s21，建立包括目标位置和所有测量位置的空间直角坐标系，获取目标位置的坐标和所有测量位置的坐标，得到目标位置到第i个测量位置的方向向量(xi,yi,zi)为目标位置到第i个测量位置的向量表示，基于测量位置处的风速和风向数据，获取目标位置处的风速向量式中v为风速，(x,y,z)为风向在空间直角坐标系下的向量表示；

9、s22，计算风速向量在方向向量上的投影将作为待检测气体从目标位置向第i个测量位置扩散速度的有效分量。

10、风速和风向会影响目标位置待测气体向测量位置的扩散速度，进而影响测量位置处气体浓度检测结果的变化速度。

11、在步骤s13中，所述基于环境数据对测量位置处的气体浓度检测结果进行浓度补偿还包括以下步骤：

12、所述环境数据包括温度、气压和湿度数据；

13、从历史数据中获得气体浓度测量值、气体浓度实际值、温度、气压和湿度数据形成数据集；将数据集划分成训练数据集和测试数据集；利用训练数据集训练浓度补偿神经网络模型，输入为气体浓度测量值、温度、气压和湿度数据，输出为气体浓度实际值，并利用测试数据集对训练得到的神经网络模型进行验证。温度会影响气体分子的扩散速率和传感器的电子特性，因此需要对温度进行补偿，将不同温度下的测量结果统一到同一个温度下；湿度会影响气体分子与传感器之间的相互作用，影响测量结果；气压则会影响气体分子的分布，进而影响测量结果。通过进行环境补偿，能够减少温度、湿度和气压对测量结果的影响，提高数据的准确性和可靠性。

14、在步骤s13中，所述确定目标位置处待检测气体的浓度还包括以下步骤：

15、s41，从历史数据中，获取第i个测量位置的输入向量(ci2,di2,sprdi2,ti2)和输出c1，ci2为浓度补偿后第i个测量位置待检测气体的浓度测量值，di2为第i个测量位置与目标位置之间的距离，sprdi2为第i个测量位置的有效分量，ti2为第i个测量位置检测到待测气体浓度连续大于第一阈值的次数，当第i个测量位置检测到待测气体浓度大于第一阈值时，ti2从0开始增加，当第i个测量位置检测到待测气体浓度不大于第一阈值时，ti2重置为0；c1为目标位置处待检测气体的浓度；当气体未发生泄漏时，测量得到的待测气体浓度较低，若发生泄漏事件，则测量得到的待测气体浓度相比气体未泄露时会增加，因此第一阈值用于确定是否需要对气体泄漏进行判断；当待测气体浓度不大于第一阈值时，则无须进行泄露判断，当待测气体浓度大于第一阈值时，开始进行泄露判断，能够节约计算资源；对于第一阈值，可根据异常值判别方法进行设置。出现检测到待测气体浓度大于第一阈值的情况时，可能是测量误差，也可能确实发生泄漏事件，因此需要第i个测量位置待测气体浓度的序列作为输入，以提高对目标位置气体浓度计算的准确性。当气体发生泄漏时，扩散到测量位置需要花费一定的时间，检测位置气体浓度的总体趋势为增加再到稳定，测量装置按照一定的采样周期获取数据，因此设置采样次数即可同时设置气体浓度进入稳定阶段的时间。

16、s42，将第i个测量位置的输入向量和输出作为原始数据集，将原始数据划分为训练数据集和测试数据集，利用训练数据集训练目标位置气体浓度神经网络模型；首先训练目标位置气体浓度的单输入神经网络模型，输出为目标位置处待检测气体的浓度c1，输入为第i个测量位置的输入向量(ci2,di2,sprdi2,ti2)；接着训练目标位置气体浓度的k输入神经网络模型，输出为目标位置处待检测气体的浓度c1，输入则为第i个测量位置的连续k个输入向量；k＝2、3、…l，l为第i个测量位置的待检测气体的浓度测量值稳定时需要进行采样的次数，根据第i个测量位置的检测气体的浓度测量值变化情况进行设置；

17、s43，将历史数据中第i个测量位置的输入向量(ci2,di2,sprdi2,ti2)和输出c1存储到数据存储模块中；

18、s44，获取当前第i个测量位置的输入向量，当浓度补偿后第i个测量位置待检测气体的浓度测量值大于第一阈值时，首先从数据存储模块中查找浓度补偿后第i个测量位置待检测气体的浓度测量值和有效分量相同的数据，根据查找出的数据得到目标位置处待检测气体的浓度cnow1；

19、对于第i个测量位置来说，距离不会产生变化，只有ci2和sprdi2可能会与历史数据存在区别，而同一位置sprdi2通常具有一定的模式，只要历史数据中存在相同的ci2和sprdi2，则无须进行计算，可直接从历史数据中确定目标位置的待测气体浓度，提高效率。

20、若数据库中不存在浓度补偿后第i个测量位置待检测气体的浓度测量值、有效分量与当前第i个测量位置的输入向量相同的数据，若ti2为0，将当前第i个测量位置的输入向量输入到目标位置气体浓度单输入神经网络模型中，得到目标位置处待检测气体的浓度；接着，若ti2不为0，则此时k＝ti2+1，将当前时刻第i个测量位置的输入向量和前k-1个第i个测量位置的输入向量作为输入，输入到目标位置气体浓度的k输入神经网络模型中，得到目标位置处待检测气体的浓度。

21、当浓度补偿后第i个测量位置待检测气体的浓度测量值大于第一阈值时，开始进行分析，首次时ti2为0，而k为1，只存在一个输入数据，采用单输入模型获取目标位置处待测气体的浓度数据；若后续的浓度补偿后第i个测量位置待检测气体的浓度测量值依旧大于第一阈值，则得到两个输入数据，此时ti2为1，而k为2，采用两输入模型获取目标位置处待测气体的浓度数据，相比于仅使用最新的数据，精确度会更高。

22、在步骤s14中，所述基于目标位置的待检测气体浓度，判断目标位置发生气体泄漏的概率还包括以下步骤：

23、获取目标位置的待检测气体浓度的历史数据序列，找出待检测气体浓度大于等于cnow1的历史数据，在第j个被找出的历史数据hj中，判断历史数据序列中hj后续l-1个历史数据是否存在大于等于第二阈值的情况，若是，将历史数据hj记为危险数据，否则，hj为正常数据；所述第二阈值由安全生产的要求决定；计算目标位置发生气体泄漏的概率pleak，n2为待检测气体浓度大于等于cnow1的历史数据的数量，n1为被记为危险数据的数量。

24、测量次数达到l之后，测量位置处待测气体的浓度进入温度阶段，足够判断目标位置是否发生泄漏事件；而待测气体扩散需要花费时间，从历史数据中，根据待测气体浓度当前值，能够得到待测气体浓度序列后续可能会出现的情况，进而能够判断待测气体浓度高于第二阈值的概率。

25、在步骤s14中，所述并根据判断结果发出信号还包括以下步骤：

26、若目标位置发生气体泄漏的概率小于第三阈值，则判断目标位置处于安全状态；若目标位置发生气体泄漏的概率大于第四阈值，则判断目标位置处于危险状态，此时发出危险信号；若目标位置发生气体泄漏的概率处于第三阈值和第四阈值之间，则发出预警信号。

27、在本发明的另一个方面，提供一种基于人工智能的可视化气体检测系统，包括：数据采集模块、数据存储模块、人工智能模块和报警模型；所述数据采集模块的输出端与所述数据存储模块和人工智能模块的输入端相连接，用于获取环境数据和气体浓度数据；所述数据存储模块与所述人工智能模块相互连接，用于存储数据采集模块获取的历史数据；所述人工智能模块的输出端与所述报警模块的输入端相连接，基于环境数据对测量位置处的气体浓度检测结果进行浓度补偿，基于浓度补偿后测量位置处的气体浓度、测量位置与目标位置之间的距离和有效分量，确定目标位置处待检测气体的浓度；所述报警模型，基于目标位置发生气体泄漏的概率，发出预警和危险信号。

28、所述数据采集模块还包括环境数据采集单元和气体浓度测量单元；所述环境数据采集单元用于获取温度、湿度、压力、风速和风向数据，所述气体浓度测量单元用于获取待检测气体的浓度数据。所述数据存储模块还用于存储第i个测量位置的输出c1和输入向量(ci2,di2,sprdi2,ti2)，所述ci2为浓度补偿后第i个测量位置待检测气体的浓度测量值，di2为第i个测量位置与目标位置之间的距离，sprdi2为第i个测量位置的有效分量，ti2为第i个测量位置检测到待测气体浓度大于第一阈值的时间，当第i个测量位置检测到待测气体浓度大于第一阈值时，ti2从0开始增加，当第i个测量位置检测到待测气体浓度不大于第一阈值时，ti2重置为0；c1为目标位置处待检测气体的浓度；第i个测量位置的输入向量和输出通过实际测量获取和通过目标位置气体浓度神经网络模型获取。所述人工智能模块还包括空间直角坐标系建立单元、投影单元、目标位置气体浓度神经网络单元、浓度补偿神经网络单元和可视化单元，所述空间直角坐标系建立单元用于建立包括目标位置和所有测量位置的空间直角坐标系；所述投影单元用于将风速投影到目标位置和测量位置上，得到待检测气体从目标位置向测量位置扩散速度的有效分量；所述目标位置气体浓度神经网络单元用于训练目标位置气体浓度神经网络模型，基于测量位置处的气体浓度获取目标位置处的气体浓度；所述浓度补偿神经网络单元用于训练浓度补偿神经网络模型，基于环境数据对测量位置处的气体浓度测量值进行环境补偿；所述可视化单元用于显示目标位置的待测气体实时浓度，并通过不同方式表示正常、预警和危险的待测气体浓度信息。

29、与现有技术相比，本发明所达到的有益效果是：对测量结果进行环境补偿，提高测量结果的精确性；考虑风速和风向对待测气体扩散的影响，对待测气体浓度的计算更加合理；在待测气体浓度高于警戒线之前，提前给出待测气体发生泄漏的概率，能够及时发现气体的异常情况，减少安全隐患。