【技术实现步骤摘要】
本专利技术涉及实验室安全监测与预警，具体涉及一种多节点传感器数据融合的实验室火灾探测方法。
技术介绍
1、火灾作为实验室常见事故，对公共安全造成严重影响，具有较大的危害范围和经济损失。因此，火灾的探测和实时预警备受关注。火灾智能监控系统是目前广泛应用的一种方式，然而在实际应用中，监控系统所需的耗材数量较多，维护难度大，监控线路容易老化和损坏，影响了火灾监控的实时性和可靠性。火灾探测和预警的关键在于感知火灾发生，及时预警并采取最佳处理方案，以最大程度减少火灾带来的损失。因此，提高火灾探测和预警能力对保障公共安全至关重要。创新技术手段和管理方法，提升火灾探测和预警系统的效率，对于降低火灾风险和保护人员财产安全具有重要意义。
2、极限学习机（elm）是一种新兴的机器学习技术，具有快速学习速度和良好的泛化能力。与传统的神经网络方法不同，elm在网络训练阶段仅需随机初始化输入层到隐藏层的连接权重，然后通过解析解的方式直接确定输出层到隐藏层的连接权重，从而大大减少了训练时间和复杂性。elm具有高效的计算速度和较少的参数调整，适用于大规模数据处理和实时应用场景。但是由于极限学习机的输出层是通过随机化初始化得到的，可能导致模型在训练过程中收敛速度较慢，需要更多的训练时间和数据才能达到理想的性能。
技术实现思路
1、本专利技术的目的是提供一种多节点传感器数据融合的实验室火灾探测方法。
2、为了解决上述技术问题，本专利技术是通过以下技术方案实现的：
3、一种多节点传
4、通过采用lora通信技术搭建实验室多节点火灾监测网络，并增加节点之间的时隙间隔，以改进时分复用和增量传输通信模式；
5、引入极限学习机对实验室内各节点采集的包括温度、烟雾浓度和co浓度在内的数据进行特征层数据融合，从而输出各火情发生的概率；
6、运用麻雀搜索算法对极限学习机进行优化；
7、借助模糊推理方法，结合各火情发生的概率和火灾持续时间，在决策层面进行特征融合，确定火情警报的级别。
8、作为一种具体的实施方式，采用lora通信技术搭建实验室多节点火灾监测网络的过程如下：以stm32系列微处理器为节点控制核心，lora-sx1278芯片为通信模块，lora-sx1278芯片负责构建整体实验室环境的各个监测节点，实现对各监测节点数据的汇聚。
9、作为一种具体的实施方式，所述的实验室多节点火灾监测网络的组网方式是将汇聚节点与监测节点组成星型网络。改进时分复用（tdm）和增量传输通信模式与传统的tdm不同，信号在每个周期内，增加了节点与节点之间的时隙间隔，以保护每个信息源之间的数据安全，解决因通信延迟而导致的数据碰撞风险。
10、作为一种具体的实施方式，所述的实验室内各节点采集的数据在特征融合前需进行预处理，预处理包括对传感器数据进行归一化处理，归一化公式如下：
11、，
12、其中 c表示传感器采集包括co浓度、烟雾浓度、温度在内的数据的参量个数， a c表示输入 c个参量后归一化后的值， x c表示由实验数据确定的 c个参量的输入值， x min和 x max分别为选取参量的最小输入值和最大输入值。
13、作为一种具体的实施方式，极限学习机的网络输出模型为：
14、t＝[ t 1 t 2… t m]，
15、，
16、式中：t为输出数据集，tm表示第m个训练样本的网络输出值， l j表示第1到m个输出神经元对应于隐含层神经元j的输出向量，tmj表示第m个输出神经元对应于隐含层神经元j的输出值，bim表示隐含层神经元j对输出神经元m的连接权值，g(•)为隐含层神经元激励函数，xj为隐含层神经元j的输入样本，wi为隐含层神经元j对应输入样本xj的权值，ai为隐含层神经元j的阈值。
17、作为一种具体的实施方式，麻雀搜索算法首先需对麻雀种群与适应度进行初始化，种群采用随机生成位置的方法初始化麻雀种群的个体位置，数学表达式如下：
18、，
19、式中， s为麻雀数量， d为要优化的变量维度， x sd表示第 s个麻雀对于第 d个参数的取值，
20、其中，麻雀搜索算法中发现者在觅食过程中会优先获取食物，获取食物后发出信号，为其他个体提供食物方向，发现者的位置更新公式如下：
21、，
22、式中： t为当前迭代的次数； x t,qr和 x( t+1) ,qr分别表示第 t次和第t+1次迭代中，符合适应度值的第 q只麻雀在维度r上的位置；tmax为本次计算中最大的迭代次数；r2为预警值，r2∈[0,1]；f为安全值，f∈[0.5,1]；q为随机数，服从正态分布； a表示随机数， a(0,1)；l为一个1× d的矩阵,其中所有元素值都为1，
23、当 r 2 <f表明此时并没有捕食者，发现者进一步扩大搜索；当 r 2 ≥f，表明发现捕食者，所有麻雀需要飞到其他安全区域，其中跟随者的位置随适应度的变化而变化，公式如下：
24、，
25、式中： x( t+1) ,p为第t+1次迭代后发现者的最优位置； x t,w为第t次迭代本文档来自技高网...
【技术保护点】
1.一种多节点传感器数据融合的实验室火灾探测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的多节点传感器数据融合的实验室火灾探测方法，其特征在于，采用LoRa通信技术搭建实验室多节点火灾监测网络的过程如下：以STM32系列微处理器为节点控制核心，LoRa-SX1278芯片为通信模块，LoRa-SX1278芯片负责构建整体实验室环境的各个监测节点，实现对各监测节点数据的汇聚。
3.根据权利要求1或2所述的多节点传感器数据融合的实验室火灾探测方法，其特征在于，所述的实验室多节点火灾监测网络的组网方式是将汇聚节点与监测节点组成星型网络。
4.据权利要求1述的多节点传感器数据融合的实验室火灾探测方法，其特征在于，所述的实验室内各节点采集的数据在特征融合前需进行预处理，预处理包括对传感器数据进行归一化处理，归一化公式如下：
5.据权利要求1所述的多节点传感器数据融合的实验室火灾探测方法，其特征在于，极限学习机的网络输出模型为：
6.根据权利要求1述的多节点传感器数据融合的实验室火灾探测方法，其特征在于，麻雀搜索算法首先需
7.根据权利要求6述的多节点传感器数据融合的实验室火灾探测方法，其特征在于，所述的麻雀搜索算法优化极限学习机的具体步骤如下：
8.根据权利要求1述的多节点传感器数据融合的实验室火灾探测方法，其特征在于，所述的决策层包括四种决策因子，分别为明火概率、阴燃火概率、火灾延续时间及设备危险等级，通过结合各决策因子及模糊化处理，决策出最终结果，火灾延续时间T由下式判定：
9.根据权利要求1所述的多节点传感器数据融合的实验室火灾探测方法，其特征在于，所述的决策层特征融合过程中，首先将输入量进行模糊化处理，输入量包括明火概率、阴燃火概率、火灾延续时间及设备危险等级，模糊集划分为正小、正中、正大，隶属函数采用三角函数，输出量模糊集划分为无、小、中、大，隶属函数采用三角函数。
10.根据权利要求1所述的多节点传感器数据融合的实验室火灾探测方法，其特征在于，所述的决策层特征融合在模糊化后需要进行去模糊化，相应公式如下：
...【技术特征摘要】
1.一种多节点传感器数据融合的实验室火灾探测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的多节点传感器数据融合的实验室火灾探测方法，其特征在于，采用lora通信技术搭建实验室多节点火灾监测网络的过程如下：以stm32系列微处理器为节点控制核心，lora-sx1278芯片为通信模块，lora-sx1278芯片负责构建整体实验室环境的各个监测节点，实现对各监测节点数据的汇聚。
3.根据权利要求1或2所述的多节点传感器数据融合的实验室火灾探测方法，其特征在于，所述的实验室多节点火灾监测网络的组网方式是将汇聚节点与监测节点组成星型网络。
4.据权利要求1述的多节点传感器数据融合的实验室火灾探测方法，其特征在于，所述的实验室内各节点采集的数据在特征融合前需进行预处理，预处理包括对传感器数据进行归一化处理，归一化公式如下：
5.据权利要求1所述的多节点传感器数据融合的实验室火灾探测方法，其特征在于，极限学习机的网络输出模型为：
6.根据权利要求1述的多节点传感器数据融合的实验室火灾探测方法，其特征在于，...
【专利技术属性】
技术研发人员：秦海亭，金传双，卞俊，陈扬，张弘昊，姚旭，顾金旺，周文静，
申请(专利权)人：张家港江苏科技大学产业技术研究院，
类型：发明
国别省市：
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。