[发明专利]一种火灾探测传感器数据异常检测方法及系统

说明书

本发明涉及一种火灾探测传感器数据异常检测方法，包括以下步骤：步骤S1:获取火灾探测传感器的传感器信息，并进行归一化处理；步骤S2:构建不同火情下的特征数据簇;步骤S3:采用机器分类学习算法，将归一化后的传感器信息数据，与不同火情概率下的特征数据簇进行分类比对；步骤S4:将归一化后的传感器信息数据输入BP神经网络，得到不同火情概率分布；步骤S5:根据分类比对结果和不同火情概率分布，融合判断传感器数据是否无效，若无效则触发传感器异常警报。本发明可快速的对传感器读取的数据信息进行判定，其判定过程有效，可靠，判定结果准确率高。

技术领域

本发明涉及火灾探测技术领域，具体涉及一种火灾探测传感器数据异常检测方法及系统。

背景技术

智能消防系统应该具备在火灾发生的初期能够自动报警的功能，并且可以在火灾发生时具有自动灭火和火警广播等功能。对于智能消防系统来说，最关键的问题就是火灾判断的问题，即得到一种既快速又准确有效的火灾探测系统。为使得火灾探测系统高效并且准确的运行，对于输入至火灾探测系统的传感器数据进行异常检测是非常必要并且有利的。对于异常数据及时做出检测并将无效数据排除能够提高后续火灾探测的准确性和有效性。 使用机器分类学习及数据融合技术进行传感器数据的检测判断是具有非常广阔的发展前景的，是未来火灾探测领域发展的趋势。目前关于火灾探测输入数据的判断检测上的研究非常有限。

发明内容

有鉴于此，本发明的目的在于提供一种火灾探测传感器数据异常检测方法及系统，可快速的对传感器读取的数据信息进行判定，其判定过程有效，可靠，判定结果准确率高。

为实现上述目的，本发明采用如下技术方案：

一种火灾探测传感器数据异常检测方法，包括以下步骤：

步骤S1:获取火灾探测传感器的传感器信息，并进行归一化处理；

步骤S2:构建不同火情下的特征数据簇;

步骤S3:采用机器分类学习算法，将归一化后的传感器信息数据，与不同火情概率下的特征数据簇进行分类比对；

步骤S4:将归一化后的传感器信息数据输入BP神经网络，得到不同火情概率分布；

步骤S5:根据分类比对结果和不同火情概率分布，融合判断传感器数据是否无效，若无效则触发传感器异常警报。

进一步的，所述火灾探测传感器包括温度传感器、烟雾传感器和一氧化碳传感器。

进一步的，所述步骤S2具体为：

步骤S21:采集明火，阴燃，无火状态下的特征数据;

步骤S22:将收集到的特征数据进行分簇。

进一步的，所述步骤S2采用K-mean算法将特征数据进行分簇。

进一步的，所述BP神经网络模型分为输入层，隐藏层以及输出层；所述输入层包括三个输入节点，分别为温度，烟雾，一氧化碳传感器归一化数值，隐藏层包括N个节点，N的值可以通过训练获得，输出层包括明火概率，阴燃概率以及无火概率三个节点；并通过使用特征传感器数值以及获得的相对应的火情概率，训练出该BP神经网络不同层之间的连接权值。

进一步的，所述机器分类学习算法采用支持向量机二分类算法。

一种火灾探测传感器数据异常检测系统，包括数据采集单元、BP神经网络单元、机器分类学习单元和决策融合单元；所述数据采集单元与BP神经网络单元、机器分类学习单元分别连接；所述决策融合单元与BP神经网络单元、机器分类学习单元分别连接。

本发明与现有技术相比具有以下有益效果：