基于矿用光纤测温系统的火情监测方法与流程

本发明涉及数据处理，具体涉及基于矿用光纤测温系统的火情监测方法。

背景技术：

1、由于在矿井中布置光纤传感器，通常是将光纤缠绕在矿井巷道的墙壁上或埋设在地面下。光纤传感器可以通过光纤的热敏特性来感知温度变化，通过连续监测到的温度数据，可以对火情的发展趋势进行预测和分析，提前采取相应的措施。然而由于矿井内的复杂环境因素，局部区域的管道、设备会对光纤传感器测定的温度数据造成影响，从而不利于火情造成的温度数据变化特征的准确提取，可能会降低火情监测的准确性。

技术实现思路

1、本发明提供基于矿用光纤测温系统的火情监测方法，以解决现有的问题。

2、本发明的基于矿用光纤测温系统的火情监测方法采用如下技术方案：

3、本发明一个实施例提供了基于矿用光纤测温系统的火情监测方法，该方法包括以下步骤：

4、获取矿井巷道内多个位置上的温度监测数据序列以及任意两个位置之间的距离；所述温度监测数据序列中每个温度监测数据对应一个采样时刻；

5、根据每个位置上温度监测数据序列中温度监测数据之间的差异及温度监测数据的分布，获得每个位置上每个采样时刻的温度监测数据序列的变化显著程度；

6、根据相同位置上不同采样时刻的温度监测数据序列的变化显著程度之间的差异，以及不同位置不同采样时刻的温度监测数据的分布，获得每个采样时刻的置信度；获取每个采样时刻的连通阈值，结合每个采样时刻的置信度，得到最佳连通阈值；

7、根据最佳连通阈值，通过基于连通图动态分裂的聚类分析，得到每个温度监测数据的参考性，进而得到每个位置下一时刻预测的温度值，并与预警值对比实现矿井巷道的火情精准监测。

8、进一步地，所述根据每个位置上温度监测数据序列中温度监测数据之间的差异及温度监测数据的分布，获得每个位置上每个采样时刻的温度监测数据序列的变化显著程度，包括的具体步骤如下：

9、使用一阶导数法对每一个位置上的温度监测数据序列进行求导，得到若干个极值点，以所有极值点为分割点，将每一个位置上的温度监测数据序列划分为若干个温度变化时间段；

10、根据每个位置上的温度监测数据序列以及每个位置上的若干个温度变化时间段，获得每个位置上每个采样时刻的温度监测数据的时序变化显著程度；

11、根据每个位置上每个采样时刻的温度监测数据的时序变化显著程度，获得每个位置上每个采样时刻的温度监测数据序列的变化显著程度。

12、进一步地，所述根据每个位置上的温度监测数据序列以及每个位置上的若干个温度变化时间段，获得每个位置上每个采样时刻的温度监测数据的时序变化显著程度，对应的具体公式为：

13、

14、其中，txi，j表示第i个位置上第j个采样时刻的温度监测数据的时序变化显著程度，li，j表示第i个位置上第j个采样时刻的温度监测数据所在的温度变化时间段中的数据数量，max(li)表示第i个位置上的所有温度变化时间段中的数据数量中的最大值，ci，j表示第i个位置上第j个采样时刻的温度监测数据，ci，j-1表示第i个位置上第j一1个采样时刻的温度监测数据，||表示绝对值函数。

15、进一步地，所述根据每个位置上每个采样时刻的温度监测数据的时序变化显著程度，获得每个位置上每个采样时刻的温度监测数据序列的变化显著程度，对应的具体公式为：

16、

17、其中，wxi，j表示第i个位置上第j个采样时刻的温度监测数据序列的变化显著程度，txi，j表示第i个位置上第j个采样时刻的温度监测数据的时序变化显著程度，表示所有位置上第j个采样时刻的温度监测数据的时序变化显著程度的均值，ci，j表示第i个位置上第j个采样时刻的温度监测数据，max(cj)表示所有位置上第j个采样时刻的温度监测数据中的最大值，di，j，max为第i个位置与第j个采样时刻所有温度监测数据的最大值所在位置的距离，||表示绝对值函数，norm表示归一化函数。

18、进一步地，所述根据相同位置上不同采样时刻的温度监测数据序列的变化显著程度之间的差异，以及不同位置不同采样时刻的温度监测数据的分布，获得每个采样时刻的置信度，包括的具体步骤如下：

19、利用pca主成分分析算法，对所有位置上每个采样时刻的温度监测数据进行处理，得到所有位置上每个采样时刻的温度监测数据对应的主成分方向角度；

20、将除第j个采样时刻之外的采样时刻，记为第j个采样时刻的参考时刻；

21、将所有位置上任意一个采样时刻上的温度监测数据的变化显著程度构成的序列，记为该采样时刻的变化显著程度序列；

22、使用dtw算法，对任意两个采样时刻的变化显著程度序列进行匹配，得到不同采样时刻的变化显著程度序列的dtw距离；

23、根据所有位置上每个采样时刻的温度监测数据对应的主成分方向角度，以及不同采样时刻的变化显著程度序列的dtw距离，获得每个采样时刻的置信度。

24、进一步地，所述根据所有位置上每个采样时刻的温度监测数据对应的主成分方向角度，以及不同采样时刻的变化显著程度序列的dtw距离，获得每个采样时刻的置信度，对应的具体公式为：

25、

26、其中，lbj表示第j个采样时刻的置信度；dtwj，y表示对第j个采样时刻与其第y个参考时刻的变化显著程度序列的dtw距离；y表示参考时刻的数量；θj表示第j个采样时刻的温度监测数据对应的主成分方向角度；θj，y表示第j个采样时刻上第y个参考时刻的温度监测数据对应的主成分方向角度；||为绝对值函数；exp()为以自然常数为底的指数函数。

27、进一步地，所述获取每个采样时刻的连通阈值，结合每个采样时刻的置信度，得到最佳连通阈值，包括的具体步骤如下：

28、通过cabddcg算法，对所有位置上每个采样时刻的温度监测数据进行处理，得到每个采样时刻的连通阈值；

29、将置信度大于预设的置信阈值的采样时刻，记为目标采样时刻；

30、根据目标采样时刻的数量、连通阈值以及目标采样时刻的置信度，获得最佳连通域值。

31、进一步地，所述根据目标采样时刻的数量、连通阈值以及目标采样时刻的置信度，获得最佳连通域值，对应的具体公式为：

32、

33、其中，表示最佳连通阈值，r表示目标采样时刻的数量，lbr表示第r个目标采样时刻的置信度，θr表示第r个目标采样时刻的连通阈值，softmax()为s0ftmax归一化函数。

34、进一步地，所述根据最佳连通阈值，通过基于连通图动态分裂的聚类分析，得到每个温度监测数据的参考性，进而得到每个位置下一时刻预测的温度值，包括的具体步骤如下：

35、根据最佳连通阈值，使用cabddcg算法，将每个采样时刻上所有位置的温度监测数据划分为若干个聚类簇；

36、计算任意一个采样时刻所有聚类簇的温度监测数据数量的均值，将该采样时刻每个聚类簇的温度监测数据与所述均值的商，作为该时刻所有聚类簇中的每个温度监测数据的参考性；

37、根据每个位置上的温度监测数据序列中每个温度监测数据的参考性和温度值，得到每个位置上的更新温度值序列；

38、将更新温度值序列输入到arima模型中获得每个位置对应的未来下一时刻上的预测的温度值。

39、进一步地，所述根据每个位置上的温度监测数据序列中每个温度监测数据的参考性和温度值，得到每个位置上的更新温度值序列，包括的具体步骤如下：

40、根据温度监测数据序列中每个温度监测数据的参考性和温度值，得到每个位置上的温度监测数据序列中每个温度监测数据的更新温度值，对应的具体公式为：

41、

42、其中，表示第i个位置上的温度监测数据序列中第k个温度监测数据的更新温度值，ci，k+1表示第i个位置上的温度监测数据序列中第k+1个温度监测数据；ci，k-1表示第i个位置上的温度监测数据序列中第k-1个温度监测数据，μi，k表示第i个位置的温度监测数据序列中的第k个温度监测数据的参考性，ci，k表示第i个位置上的监测数据序列中的第k个温度监测数据的温度值；

43、将任意一个位置上的温度监测数据序列中所有温度监测数据的更新温度值构成的序列，记为该位置上的更新温度值序列。

44、本发明的技术方案的有益效果是：

45、通过对多位置光纤测温传感器获取的温度监测数据进行cabddcg算法分析处理，结合连通图的结构性分布，实现连通阈值的调整，最终得到温度监测数据精准处理结果，构建出基于温度变化趋势的温度预测模型，使得构建出的基于温度变化趋势的温度预测模型预测结果更加准确，实现了基于矿用光纤测温系统的火情精准监测，有效避免环境因素导致的温度数据波动对于温度数据特征提取的影响。具体的，首先通过单一光纤测温传感器上的温度监测数据变化曲线的导数值划分若干温度变化时间段，提高对数据变化的敏感度，能够更细致地捕捉温度变化的微小波动；接着基于温度变化时间段内的数据点的时序变化的显著表现，获取数据点的时序变化显著程度，有助于识别每个数据点在不同时间段内的变化趋势，提升对异常温度数据的识别能力；根据同一采样时刻上的多个数据点的时序变化显著程度的一致性变化差异程度，结合区域位置上的分布信息，获取数据点的变化显著程度，综合考虑时序和空间分布，提高了变化显著程度的准确性，减少了单一数据点波动的影响；然后，根据同一采样时刻上的多个数据点的变化显著程度分布结构性特征，及多个时刻上的结构相似性，获取连通阈值的连通阈值置信度，利用结构性特征和时刻相似性，增强了连通阈值的稳定性和可靠性，避免环境因素的干扰；最后基于获取的连通阈值的连通阈值置信度，结合置信度阈值，对cabddcg算法中的连通阈值进行调整，动态调整连通阈值，使算法更灵活，确保了在不同环境下都能精准区分异常与正常温度数据。