【技术实现步骤摘要】
本专利技术涉及数据监测，尤其涉及一种基于多传感器的地下管廊数据异常检测方法及系统。
技术介绍
1、地下管廊建设是智慧城市基础建设的重点项目之一。在城市地下管廊中多铺设有城市供水、排水、燃气、热力、电力、通信、广播电视、工业等各种管道。在地下管廊实际应用中，数据在采集与传输过程中，由于感知异常或廊内环境改变不可避免会出现某些异常情况，且异常的出现频次、大小等都无法预判，具有很强的随机性。依据地下管廊对传感数据应用的特点和要求，需要对检测异常来预测廊内是否存在危情，并根据危险等级控制相应执行设备以达到修正廊内环境的目的，避免危险发生。
2、目前的管廊数据异常检测方法中，是分别独立分析各种传感器的数据，《密闭空间作业职业危害防护规范》gbz/t205的规定了传感器的适应值范围、常态值、报警值及阈值，当各种传感器采集的数据达到报警值时就给出报警提示并控制相关执行设备，没有达到预警值则不执行任何动作。
3、目前的管廊数据异常检测具有一定的可行性，然而也存在一定的弊端，因为当检测到某项传感数据已经达到报警值时可能危险已经发生了，例如当烟雾传感器采集的传感数据已经达到报警值时，实际火灾已经发生了，不能做出事后补救措施而不能提前预防，如果火灾爆发态势凶猛则很难保障管廊内壁设备及工作人员的安全。如果将报警值设置得过小，又会导致误报警的情况。
技术实现思路
1、本专利技术的目的在于提供一种基于多传感器的地下管廊数据异常检测方法及系统，可以提前发现异常情况，提前预防危险事件发生。
2、为了实现上述目的，本专利技术提供了以下技术方案：
3、第一方面，本专利技术提供了一种基于多传感器的地下管廊数据异常检测方法，包括以下步骤：
4、s10，获得各种传感器实时采集的数据，并判断各种传感器采集的数据是否达到对应的报警值，如果是则发出报警信号；否则进入步骤s20；
5、s20，基于传感器之间的相关性综合分析所有传感器采集的数据，判断是否存在异常，如果是则发出报警信号；否则返回步骤s10。
6、上述方案中，不仅要对每种传感器采集的数据进行单独检测，而且在单种传感器未检测出异常时进行多传感器联合检测，因此当单传感器数据没有达到报警值时通过联合分析可以发现异常数据的细微变化，因此可以提前发现异常情况，为危险事件的补救甚至预防提供更多准备时间。
7、理论上只需要进行联合检测即可，因为联合检测发现异常情况的时间早于单数据检测发现异常的时间，但是同时结合单数据检测可以更好地保障异常情况发现的可靠性，在联合检测报警的情况下如果单数据检测也报警，可以进一步督促突发事件反应的紧迫性。
8、根据管廊环境的需求，所述传感器包括氧气传感器、可燃气体传感器、烟雾传感器、温度传感器、湿度传感器。可以这几种传感器的相互配合，可以更准确地提供地下管廊环境参数的全面性及可靠性。
9、更优化的方案，所述s10中，判断各种传感器采集的数据是否达到对应的报警值的处理，包括：
10、s101，检测氧气传感器采集的数据是否低于或等于氧气报警值，如果是则发出报警信号，且结束检测流程；否则进入步骤s102；
11、s102，检测可燃气体传感器采集的数据是否等于或大于可燃气体报警值，如果是则发出报警信号，且结束检测流程；否则进入步骤s103；
12、s103，检测烟雾传感器采集的数据是否等于或大于烟雾报警值，如果是则发出报警信号，且结束检测流程；否则进入步骤s104；
13、s104，检测温度传感器采集的数据是否等于或大于温度报警值，如果是则发出报警信号，且结束检测流程；否则进入步骤s105；
14、s105，检测湿度传感器采集的数据是否等于或大于湿度报警值，如果是则发出报警信号。
15、上述方案中，通过对各种传感器的数据检测区分先后顺序，既可以达到安全预警的目的，又可以尽可能地节省时间，且降低数据分析量，节省计算资源。
16、进一步优化的，所述s20中，基于传感器之间的相关性综合分析所有传感器采集的数据，判断是否存在异常的处理，包括：
17、s201，获得各种传感器在当前时刻t之前的w个时刻的数据，w+1个时刻的数据表示为数据序列：表示廊内第i种传感器在t时刻及之前的w+1个时刻的数据序列，表示第种个传感器在t时刻的数据，w为正整数；
18、s202，基于数据序列获得两种具有相关性的传感器的相关性特征矩阵，为：表示第i种传感器与第j种传感器在当前时间t的相关性特征矩阵，表示第i种传感器在t-δ时刻的数据，表示第j种传感器在t-δ时刻的数据；
19、s203，以所述相关性特征矩阵为输入，利用全卷积神经网络模型得到重构的特征矩阵；
20、s204，对比所述相关性特征矩阵与重构的特征矩阵，判断是否存在异常。所述s203中，利用全卷积神经网络模型得到重构的特征矩阵的处理，包括：
21、s2031，利用四层卷积核将所述相关性特征矩阵编码成不同大小的特征图，并在所述特征图上分别进行convlstm操作以提取隐含特征；
22、s2032，采用attent i on机制对特征图的隐含特征分配权重；
23、s2033，利用卷积解码器再反向重构，重构时加入convlstm提取的隐含特征，得到重构的特征矩阵。
24、上述方案中，整个模型使用了convlstm，其组合了卷积神经网络和lstm，以卷积操作替换了lstm中的部分操作，这样做不仅能够得到时序关系，还能够像卷积层一样提取空间特征。此外再利用attent i on机制解决信息弱化的问题，最后使用卷积解码器来重构特征矩阵，可以使得重构的特征矩阵更加准确。
25、第二方面，本专利技术提供了一种基于多传感器的地下管廊数据异常检测系统，包括检测装置，所述检测装置包括：
26、单数据检测模块，用于获得各种传感器实时采集的数据，并判断各种传感器采集的数据是否达到对应的报警值，输出判断结果；
27、联合数据检测模块，用于在单数据检测模块输出的判断结果为未达到对应的报警值时，基于传感器之间的相关性综合分析所有传感器采集的数据，判断是否存在异常，输出判断结果；
28、报警模块，用于单数据检测模块或联合数据检测模块输出的判断结果为达到对应的报警值时，发出报警信号。
29、进一步优化的方案中，上述系统包括现场设备层、边缘处理层和应用处理层，所述传感器布置于所述现场设备层，所述检测装置布置于所述边缘处理层。
30、上述方案中，采用边缘计算提高了系统的安全性和实时性，利用边缘计算可有效减轻网络拥塞，提高网络通信的效率；降低传输时延，提高突发事件反应能力；降低应用处理层负载，减少所需能耗。在相同的发射功率下，将大大减少终端的传输能耗，进一步降低所需能耗。当外网意外断网时，边缘计算能保障仓段内关键执行设备的智慧控制。
31、第三本文档来自技高网...
【技术保护点】
1.一种基于多传感器的地下管廊数据异常检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于多传感器的地下管廊数据异常检测方法，其特征在于，所述传感器包括氧气传感器、可燃气体传感器、烟雾传感器、温度传感器、湿度传感器。
3.根据权利要求2所述的基于多传感器的地下管廊数据异常检测方法，其特征在于，所述S10中，判断各种传感器采集的数据是否达到对应的报警值的处理，包括：
4.根据权利要求2所述的基于多传感器的地下管廊数据异常检测方法，其特征在于，所述S20中，基于传感器之间的相关性综合分析所有传感器采集的数据，判断是否存在异常的处理，包括：
5.根据权利要求4所述的基于多传感器的地下管廊数据异常检测方法，其特征在于，所述S203中，利用全卷积神经网络模型得到重构的特征矩阵的处理，包括：
6.一种基于多传感器的地下管廊数据异常检测系统，其特征在于，包括检测装置，所述检测装置包括：
7.根据权利要求6所述的基于多传感器的地下管廊数据异常检测系统，其特征在于，包括现场设备层、边缘处理层和应用处理层，所述传感
8.一种计算机程序产品，包括计算机可读指令，其特征在于，所述计算机可读指令在被处理器执行时实现权利要求1-5任一项所述的基于多传感器的地下管廊数据异常检测方法中的步骤。
9.一种包括计算机可读指令的计算机可读存储介质，其特征在于，所述计算机可读指令在被处理器执行时实现权利要求1-5任一项所述的基于多传感器的地下管廊数据异常检测方法中的步骤。
10.一种电子设备，其特征在于，包括：存储器，存储程序指令；处理器，与所述存储器相连接，执行存储器中的程序指令，实现权利要求1-5任一项所述的基于多传感器的地下管廊数据异常检测方法中的步骤。
...【技术特征摘要】
1.一种基于多传感器的地下管廊数据异常检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于多传感器的地下管廊数据异常检测方法，其特征在于，所述传感器包括氧气传感器、可燃气体传感器、烟雾传感器、温度传感器、湿度传感器。
3.根据权利要求2所述的基于多传感器的地下管廊数据异常检测方法，其特征在于，所述s10中，判断各种传感器采集的数据是否达到对应的报警值的处理，包括：
4.根据权利要求2所述的基于多传感器的地下管廊数据异常检测方法，其特征在于，所述s20中，基于传感器之间的相关性综合分析所有传感器采集的数据，判断是否存在异常的处理，包括：
5.根据权利要求4所述的基于多传感器的地下管廊数据异常检测方法，其特征在于，所述s203中，利用全卷积神经网络模型得到重构的特征矩阵的处理，包括：
6.一种基于多传感器的地下管廊数据异常检测系统，...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。