CN114970745B - 物联网智能安防与环境大数据*** - Google Patents
物联网智能安防与环境大数据*** Download PDFInfo
- Publication number
- CN114970745B CN114970745B CN202210685375.0A CN202210685375A CN114970745B CN 114970745 B CN114970745 B CN 114970745B CN 202210685375 A CN202210685375 A CN 202210685375A CN 114970745 B CN114970745 B CN 114970745B
- Authority
- CN
- China
- Prior art keywords
- parameter
- vague
- neural network
- value
- time series
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000007613 environmental effect Effects 0.000 claims abstract description 37
- 230000006870 function Effects 0.000 claims abstract description 36
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000005259 measurement Methods 0.000 claims description 77
- 238000003062 neural network model Methods 0.000 claims description 70
- 238000001514 detection method Methods 0.000 claims description 52
- 238000013528 artificial neural network Methods 0.000 claims description 48
- 238000013527 convolutional neural network Methods 0.000 claims description 42
- 230000004927 fusion Effects 0.000 claims description 37
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims description 28
- 238000000034 method Methods 0.000 claims description 24
- 238000012544 monitoring process Methods 0.000 claims description 23
- 238000000354 decomposition reaction Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 10
- 230000005540 biological transmission Effects 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 8
- 230000002457 bidirectional effect Effects 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 239000000779 smoke Substances 0.000 claims description 3
- 230000006855 networking Effects 0.000 claims 1
- 238000004519 manufacturing process Methods 0.000 abstract description 13
- 230000008859 change Effects 0.000 abstract description 8
- 230000008901 benefit Effects 0.000 abstract description 5
- 238000013461 design Methods 0.000 description 15
- 210000002569 neuron Anatomy 0.000 description 9
- 230000015654 memory Effects 0.000 description 8
- 238000011176 pooling Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 7
- 210000004027 cell Anatomy 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000003044 adaptive effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000005311 autocorrelation function Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013523 data management Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000013485 heteroscedasticity test Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000001583 randomness test Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B17/00—Fire alarms; Alarms responsive to explosion
- G08B17/10—Actuation by presence of smoke or gases, e.g. automatic alarm devices for analysing flowing fluid materials by the use of optical means
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种物联网智能安防与环境大数据***,***由环境参数采集与控制平台和环境大数据智能预测与火灾预警子***组成,实现对环境参数采集、处理和预警功能;本发明有效解决了现有环境安防***没有根据环境参数变化的非线性、大滞后和动态变化复杂等特点,无法对环境参数进行精确检测和预测,没有对环境参数进行管理从而极大的影响生产效益和生产管理的问题。
Description
技术领域
本发明涉及环境大数据智能检测与安防***的自动化控制装备技术领域,具体涉及一种物联网智能安防与环境大数据***。
背景技术
工业4.0、工业互联网、物联网和大数据计算等新兴技术推动众多国内外的生产企业开展智能化改造实践,由于企业的生产活动受环境影响较大,设计生产环境监测与安防***,有助于保障生产活动的正常运作和员工的健康等。此外,企业生产作为一个人员流动较频繁的场所,对安防技术有着较高的要求,如何提高生产环境大数据检测精确度和提高生产区域安防***性能都是值得关注的问题。随着社会经济的不断发展和相关法律法规的完善,国内企业和安监部门开始重视企业生产环境监测以及现有安防***存在的问题,环境监测和安防***对于提高企业生产环境监测和安防水平来说具有重大意义。本专利根据环境监测与智能安防***的设计目标和应用场景,发明了一种环境大数据检测与安防控制***,采用大数据处理技术和网络通信技术实现环境信息处理、火灾远程报警以及安防控制等功能,该***功能完善与智能化水平较高,具备高效、实时和安全等特点。
发明内容
本发明提供一种物联网智能安防与环境大数据***,本发明有效解决了现有环境安防***没有根据环境参数变化的非线性、大滞后和动态变化复杂等特点,无法对环境参数进行精确检测和预测,没有对环境参数进行管理从而极大的影响生产效益和生产管理的问题。
本发明通过以下技术方案实现:
物联网智能安防与环境大数据***由环境参数采集与控制平台和环境大数据智能预测与火灾预警子***组成,环境参数采集与控制平台由检测节点、控制节点、网关节点、现场监控端、移动端App和云平台组成,检测节点和控制节点负责检测环境参数与控制安防设备,环境参数经网关节点上传至云平台,管理人员可从移动端App实时查看云平台的环境数据,实现了对环境参数的远程监测和智能化调控功能;环境参数采集与控制平台的结构图见图1所示。
本发明进一步技术改进方案是:
环境大数据智能预测与火灾预警子***由参数检测模块、Vague数值融合模型和Vague的模糊小波神经网络火灾等级分类器组成,参数检测模块包括参数检测模型,多个温度传感器输出、多个烟雾传感器输出和多个火焰传感器输出分别作为对应的参数检测模块的多个参数检测模型的输入,参数检测模块的多个参数检测模型的输出分别作为3个对应的Vague数值融合模型的输入,3个Vague数值融合模型输出作为Vague的模糊小波神经网络火灾等级分类器的对应输入,Vague的模糊小波神经网络火灾等级分类器输出类型分别为火灾严重、火灾比较严重、火灾一般、火灾轻微和没有火灾5种作为被检测环境将要发生火灾等级。环境大数据智能预测与火灾预警子***结构见图2所示。
本发明进一步技术改进方案是:
Vague数值融合模型
(1)、一段时间多个参数测量传感器的参数检测模型输出的Vague集数构成时间序列Vague集数值阵列,每个参数测量传感器的时间序列Vague集数值的正理想值距离测度除以该参数测量传感器的时间序列Vague集数值的负理想值距离测度与该参数测量传感器的时间序列Vague集数值的正理想值距离测度的和得到的商为每个参数测量传感器的时间序列Vague集数值的相对距离测度;每个参数测量传感器的时间序列Vague集数值的相对距离测度除以所有参数测量传感器的时间序列Vague集数值的相对距离测度的和得到的商为每个参数测量传感器的时间序列Vague集数值的距离测度融合权重;
(2)、每个参数测量传感器的时间序列Vague集数值与Vague集数值阵列的正理想值之间的相似度除以该参数测量传感器的时间序列Vague集数值与Vague集数值阵列的正理想值的相似度相加该参数测量传感器的时间序列Vague集数值与Vague集数值阵列的负理想值的相似度的和得到的商为该参数测量传感器的时间序列Vague集数值的相似度相对测度;每个参数测量传感器的时间序列Vague集数值的相似度相对测度除以所有参数测量传感器的时间序列Vague集数值的相似度相对测度的和得到的商为该参数测量传感器的时间序列Vague集数值的相似度融合权重;
(3)、每个参数测量传感器的时间序列Vague集数值的距离测度融合权重和该参数测量传感器的时间序列Vague集数值的相似度融合权重按照从小到大排序组成的区间数作为该参数测量传感器的时间序列Vague集数值的区间数融合权重;根据同一时刻每个参数测量传感器的时间序列Vague集数值与该参数测量传感器的时间序列Vague集数值的区间数融合权重的积相加得到的和为所有参数测量传感器的时间序列Vague集数的融合值为时间序列的区间Vague集数值。Vague数值融合模型结构见图2所示。
本发明进一步技术改进方案是:
参数检测模型由LSTM神经网络模型、ARIMA预测模型、变分模态分解模型、减法聚类分类器、CNN卷积-NARX神经网络模型和Vague集的ANFIS模糊神经网络模型组成;参数传感器感知被检测环境的时间序列参数值分别作为LSTM神经网络模型和ARIMA预测模型的输入,LSTM神经网络模型与ARIMA预测模型输出的差作为被检测环境的参数波动值,时间序列参数波动值作为变分模态分解模型的输入,变分模态分解模型输出多个模态函数IMF分量,多个IMF分量能量熵作为减法聚类分类器的输入,减法聚类分类器输出的多个类型的IMF分量能量熵分别作为多个对应的CNN卷积-NARX神经网络模型输入,ARIMA预测模型和多个CNN卷积-NARX神经网络模型的输出作为Vague集的ANFIS模糊神经网络模型的对应输入,Vague集的ANFIS模糊神经网络模型输出的三个参数分别为x、t和1-f,x为被检测参数的实数值,t为可信度,1-f-t为不确定度,f为不可信度,x、t和1-f构成被检测参数的Vague集的数值为[x,(t,1-f)],Vague集的ANFIS模糊神经网络模型输出作为参数检测模型输出。参数检测模型结构见图3所示。
本发明与现有技术相比,具有以下明显优点:
一、本发明针对参数测量过程中,传感器精度误差、干扰和测量异常等问题存在的不确定性和随机性,本发明专利通过参数检测模型将传感器测量的参数值转化为检测参数Vague集的数值形式表示,有效地处理了传感器测量参数的模糊性、动态性和不确定性,提高了传感器检测参数的客观性和可信度。
二、本发明LSTM神经网络模型是一种在重复网络中具有4个相互作用层的循环神经网络。它不仅能够像标准循环神经网络那样从被检测参数传感器输出的序列数据中提取信息,还能够保留来自于先前较远步骤的被检测参数传感器输出长期相关性的信息。此外,由于被检测参数传感器输出的采样间隔相对较小,被检测参数传感器输出存在长期空间和时间上的相关性,而LSTM神经网络模型有足够的长期记忆来处理被检测参数传感器输出之间的时空关系,提高处理检测参数传感器输出的准确性和鲁棒性。
三、本发明变分模态分解模型能将时间序列参数波动值分解为一系列本征模态函数IMF,并不断迭代更新每个分量的中心频率和频段带宽,分离时间序列参数波动值值的自适应频率成分,提取包含时间序列参数波动值特征的频率分量,变分模态分解模型可以有效地克服模态混叠问题实现对时间序列参数波动值的去噪,去噪后的时间序列参数波动值演变曲线密集的峰刺特征消失并逐渐变得平滑,变分模态分解模型提高处理时间序列参数波动值的精确性和鲁棒性。
四、本发明根据环境参数样本差异的特点,构建减法聚类分类器对被检测参数波动值的多个IMF分量能量熵样本参数进行分类,设计多个CNN卷积-NARX神经网络模型对被检测参数波动值预测,在对被检测参数波动值的预测过程当中,减法聚类分类器把成因相近的被检测参数波动值的多个IMF分量能量熵在时空间的特性数据中抽取出来,以建立针对性更强、能够根据被检测参数波动值的多个IMF分量能量熵的不同特点采用对应的CNN卷积-NARX神经网络模型来预测被检测环境参数波动值来提高预测精度和适应度。
五、本发明采用CNN卷积-NARX神经网络模型中,CNN卷积神经网络是一种深度前馈神经网络,其典型结构由输入层、卷积层、池化层与全连接层构成,CNN卷积神经网络是对输入数据上进行卷积和池化等操作,通过建立多个滤波器来提取数据的局部特征,得到具有平移旋转不变性的鲁棒特征。NARX神经网络模型输入包括一段时间的CNN卷积神经网络输出和NARX神经网络模型输出历史反馈,这部分反馈输入可以认为包含了CNN卷积神经网络输出一段时间的历史信息参的预测,NARX神经网络模型是一种能够有效对CNN卷积神经网络输出的非线性、非平稳时间序列进行预测的动态神经网络模型,能够在时间序列非平稳性降低的情况下提高对CNN卷积神经网络输出时间序列的预测精度;NARX神经网络模型由于通过引入延时模块及输出反馈建立模型的动态递归网络,它将CNN卷积神经网络输出和NARX神经网络模型输出向量延时反馈引入NARX神经网络模型网络训练中,形成新的输入向量,具有良好的非线性映射能力,NARX神经网络模型的输入不仅包括原始输入数据,还包含经过训练后的输出数据,网络的泛化能力得到提高,使其在非线性被检测参数波动值的时间序列预测中较传统的静态神经网络有更高的精确度和鲁棒性。
六、本发明提出的Vague集的ANFIS模糊神经网络模型是一种基于Takagi-Sugeno模型的模糊推理***,是将模糊逻辑和神经元网络有机结合的新型的模糊推理***结构,采用反向传播算法和最小二乘法的混合算法调整前提参数和结论参数,并自动产生If-Then规则。Vague集的ANFIS模糊神经网络模型作为一种很有特色的神经网络,Vague集的ANFIS模糊神经网络模型输出的三个参数分别为x、t和1-f,x为被检测参数的实数值,t为可信度,1-f-t为不确定度,f为不可信度,x、t和1-f构成被检测参数的Vague集的数值为[x,(t,1-f)],具有以任意精度逼近任意线性和非线性函数的功能,并且收敛速度快,样本需要量少,模型运算速度快,结果可靠,取得好效果。
七、本发明提高了被检测环境火灾等级分类的科学性与可靠性,根据被检测环境参数、专家经验和环境火灾相关国家标准,Vague的模糊小波神经网络火灾等级分类器输出类型分别为火灾严重、火灾比较严重、火灾一般、火灾轻微和没有火灾5种作为被检测环境火灾等级,Vague的模糊小波神经网络火灾等级分类器实现对环境火灾等级的更加科学和精确分类,提高被检测环境火灾分类的科学性与可靠性。
附图说明
图1为本发明的环境参数采集与控制平台;
图2为本发明的环境大数据智能预测与火灾预警子***;
图3为本发明的参数检测模型;
图4为本发明的检测节点;
图5为本发明的控制节点;
图6为本发明的网关节点;
图7为本发明的现场监控端软件。
具体实施方式
结合附图1-7,对本发明技术方案作进一步描述:
一、***总体功能的设计
本发明由环境参数采集与控制平台和环境大数据智能预测与火灾预警子***组成,环境参数采集与控制平台包括环境参数的检测节点、控制节点、网关节点、现场监控端、云平台和移动端App组成,检测节点、控制节点和网关节点之间通过构建CAN通信网络来实现检测节点、控制节点和网关节点之间的通信;检测节点将检测的环境参数通过网关节点的RS232接口发送给现场监控端,现场监控端对传感器数据进行理和对温度进行预测;控制节点控制安防设备,网关节点通过NB-IoT模块与云平台之间和云平台通过5G网络与移动端App之间实现环境参数的双向传输,网关节点与现场监控端之间通过RS232接口实现环境参数的双向传输。移动端App为管理人员提供实时环境数据、警告管理和历史数据的查询,满足环境数据信息的便捷可视化,所有来自检测节点的传感器采集的数据都已上传至云平台的数据库中,管理人员通过移动端APP可通过远程查看当前的环境参数。云平台实现用户管理、环境数据管理、实时监测和报警等功能组成。云平台主要负责处理、存储、分析和显示接收到环境信息。云平台与用户的交互主要是通过网页端和移动设备端,环境参数采集与控制平台的结构见图1所示。
二、检测节点设计
检测节点由传感器、调理电路和STM32单片机和CAN总线接口组成,主要用于采集环境中温湿度传感器、烟雾传感器、火焰传感器、指纹识别模块和人体红外感应模块参数,该环境数据信息将通过检测节点的CAN总线接口和网关节点的CAN总线接口实现检测节点与网关节点之间信息的实时交互。检测节点结构见图4所示。
三、控制节点设计
控制节点由CAN总线接口、STM32单片机、加湿器控制器、门锁控制器、排气控制器、报警控制器、灭火控制器等设备,控制节点的微处理器收到来自云平台或者现场监控端管理人员所发出的指令,将通过继电器控制加湿器、门锁、排气、报警器、灭火器等设备的工作,完成对环境安防调控。控制节点与网关节点之间通过CAN总线接口为双向数据通信,为达到环境所始终处在一个较为安全环境,设备运行状态、运行效率应该处于一个动态的调整。控制节点结构见图5所示
四、网关节点设计
网关节点由CAN总线接口、NB-IoT模块、STM32单片机和RS232接口组成,通过CAN总线接口和RS232接口实现检测节点和控制节点与现场控监控端之间的数据的双向传输,通过CAN总线接口、NB-IoT模块、RS232接口实现云平台、移动端APP、检测节点、控制节点和现场监控端之间的双向传输。网关节点结构见图6所示。
五、现场监控端软件设计
现场监控端是一台工业控制计算机,现场监控端主要实现对环境参数进行处理、火灾预警和安防设备控制,实现与网关节点之间信息交互,现场监控端主要功能为通信参数设置、数据分析与数据管理和环境大数据智能预测与火灾预警子***。环境大数据智能预测与火灾预警子***结构见图2。该管理软件选择了Microsoft Visual++6.0作为开发工具,调用***的Mscomm通信控件来设计通讯程序,现场监控端软件功能见图7。环境大数据智能预测与火灾预警子***包括参数检测模块、Vague数值融合模型和Vague的模糊小波神经网络火灾等级分类器组成,数检测模块、Vague数值融合模型和Vague的模糊小波神经网络火灾等级分类器的设计过程如下:
1、LSTM神经网络模型设计
参数传感器感知被检测环境的时间序列参数值分别作为LSTM神经网络模型和ARIMA预测模型的输入,LSTM神经网络模型与ARIMA预测模型输出的差作为被检测环境的参数波动值;LSTM神经网络模型引入了记忆单元(Memory Cell)和隐藏层状态(Cell State)的机制来控制隐藏层之间的信息传递,一个LSTM神经网络模型的记忆单元内有3个门(Gates)计算结构分别是输入门(Input Gate)、遗忘门(Forget Gate)和输出门(OutputGate)。其中,输入门能控制参数传感器输出新信息的加入或滤出;遗忘门能忘记需要丢掉的称参数传感器输出检测信息以及保留过去有用的信息;输出门能使记忆单元只输出与当前时间步相关的称参数传感器输出检测信息。这3个门结构在记忆单元中进行矩阵乘法和非线性求和等运算,使得记忆在不断的迭代中仍然不会衰减。长短期记忆单元(LSTM)结构单元由单元(Cell),输入门(Input Gate),输出门(Output Gate)和忘记门(Forget Gate)组成。LSTM神经网络模型是可以持续较长时间短期记忆模型适合用预测时间序列参数传感器输出输入量的变化,LSTM神经网络网络模型有效防止了RNN训练时的梯度消失,长短期记忆(LSTM)网络是一种特殊的RNN。LSTM神经网络模型可以学习长期的参数传感器输出依赖信息,同时避免梯度消失问题。LSTM在神经元内部结构RNN的隐藏层的神经节点中增加了一种被称为记忆单元(Memory Cell)的结构用来记忆过去的参数传感器输出的动态变化信息,并增加了三种门(Input、Forget、Output)结构来控制参数传感器输出历史信息的使用。设输入为参数传感器输出输入量的时间序列值为(x1,x2,…,xT),隐含层状态为(h1,h2,…,hT),则t时刻有:
it=sigmoid(Whiht-1+WxiXt) (1)
ft=sigmoid(Whfht-1+WhfXt) (2)
ct=ft⊙ct-1+it⊙tanh(Whcht-1+WxcXt) (3)
ot=sigmoid(Whoht-1+WhxXt+Wcoct) (4)
ht=ot⊙tanh(ct) (5)
其中it、ft、ot代表input门、forget门和output门,ct代表cell单元,Wh代表递归连接的权重,Wx代表输入层到隐含层的权重,sigmoid与tanh为两种激活函数,LSTM神经网络模型输出为被检测环境参数传感器输出非线性值。
2、ARIMA预测模型设计
参数传感器感知被检测环境的时间序列参数值分别作为LSTM神经网络模型和ARIMA预测模型的输入,LSTM神经网络模型与ARIMA预测模型输出的差作为被检测环境的参数波动值,ARIMA预测模型和多个CNN卷积-NARX神经网络模型的输出作为Vague集的ANFIS模糊神经网络模型的对应输入;ARIMA预测模型是一种根据时间序列预测建模对象方法,它可延伸到对被预测对象的时间序列进行分析。本专利对ARIMA预测模型的时间序列特征的研究,采用3个参数用来分析被检测参数变化的时间序列,即自回归阶数(p)、差分次数(d)和移动平均阶数(q)。ARIMA预测模型被写作为:ARIMA(p,d,q)。以p、d、q为参数的ARIMA预测被检测参数方程可以表示如下:
Δdyt表示yt经d次差分转换之后的序列,εt是时刻的随机误差,是相互独立的白噪声序列,且服从均值为0,方差为常量σ2的正态分布,φi(i=1,2,…,p)和θj(j=1,2,…,q)为ARIMA预测模型的待估计参数,p和q为ARIMA预测被检测参数模型的阶。ARIMA动态预测被检测参数模型本质上属于线性模型,建模与预测包含4个步骤:(1)、序列平稳化处理。如果被检测参数数据序列是非平稳的,如存在一定的增长或下降趋势等,则需对数据进行差分处理。常用的工具是自相关函数图和偏自相关函数图。如果自相关函数迅速趋于零,则被检测参数时间序列为平稳时间序列。如果时间序列存在一定的趋势,则需要对被检测参数数据进行差分处理,如果存在季节规律还需进行季节差分,如果时间序列存在异方差性,则还需先对被检测参数数据进行对数转换。(2)、模型识别。主要通过自相关系数和偏自相关系数来确定ARIMA预测被检测参数模型的阶数p,d和q。(3)、估计模型的参数和和模型诊断。用极大似然估计得到ARIMA动态预测被检测参数模型中所有参数的估计值,并检验包括参数的显著性检验和残差的随机性检验,然后判断所建被检测参数模型是否可取,利用选取合适参数的ARIMA动态预测被检测参数模型进行被检测参数预测;并在模型中进行检验,以判定该模型是否恰当,如果不恰当就重新估计参数。(4)、利用具有合适参数被检测参数模型进行被检测参数预测。本专利使用软件调用SPSS统计分析软件包中时间序列分析功能的ARIMA模块实现整个建模过程。
3、变分模态分解模型设计
时间序列参数波动值作为变分模态分解模型的输入,变分模态分解模型输出多个模态函数IMF分量,多个IMF分量能量熵作为减法聚类分类器的输入;变分模态分解模型是一种自适应、非递归的信号时频分析方法,可将时间序列参数传感器输出波动值信号分解为若干个参数传感器输出波动值的子信号,即IMF分量uk,并使所有IMF分量的带宽和最小,uk是调幅调频函数可表示为:
uk(t)=Akcos[φk(t)] (7)
式中φk(t)为非递减函数,Ak(t)为包络线,构造约束变分问题求解uk,对该变分问题求解引入二次惩罚项和拉格朗日乘子,使其变为无约束问题。变分模态分解模型可将待分解的时间序列参数传感器输出波动值信号分解为若干个IMF分量。能量熵值可衡量时间序列参数传感器输出波动的规律程度,表示时间序列参数传感器输出波动信号在不同频带的能量特征,在时间序列参数传感器输出波动值发生突变,能量也会变化,定义第m个IMF分量的能量为:
式中xm(i)为时间序列参数传感器输出波动信号样本分解后的第m个分量,n为采样点数,第m个IMF分量的能量熵为:
4、减法聚类分类器设计
多个IMF分量能量熵作为减法聚类分类器的输入,减法聚类分类器输出的多个类型的IMF分量能量熵分别作为多个对应的CNN卷积-NARX神经网络模型输入;IMF分量能量熵减法聚类与其他聚类方法相比,不需要预先确定聚类数,仅根据IMF分量能量熵样本数据密度即可快速确定IMF分量能量熵聚类中心的位置和聚类数,而它把每一个IMF分量能量熵数据点作为一个潜在的聚类中心的特性,使得IMF分量能量熵聚类的结果与问题的维数无关。因此,IMF分量能量熵减法聚类算法是一种适合IMF分量能量熵数据建模的规则自动提取方法。设定m维空间中的N个IMF分量能量熵数据点(X1,X2,…XN),每个数据点Xi=(xi,1,xi,1,…,xi,m)都是聚类中心的候选者,i=1,2,…,N,数据点Xi的密度函数定义为:
式中,半径ra是一个正数,ra定义了该点的一个影响邻域,半径以外的数据点对该点的密度指标贡献非常小,一般忽略不计。计算每一点Xi的密度值,选择具有最高密度指标Dc1的数据点作为第一个聚类中心Xc1;然后修正密度值,消除前面已有聚类中心的影响。按下式修正密度值:
其中,Dc1是初始聚类中心对应的最高密度值,修正半径rb的设定是为了避免第二个聚类中心点离前一个中心点太近,一般设定为rb=ηra,1.25≤η≤1.5。修正每个数据点的密度指标后,当Dck与Dc1满足下式时,该密度指标对应的聚类中心即为第K个聚类中心。不断重复这个过程,直到新的聚类中心Xck的相应的密度指标Dck与Dc1满足下式时终止聚类:
Dck/Dc1<δ (12)
式中,δ是根据实际情况提前设定的阈值。本发明提出的在线聚类方法基本思想如下:如果一个IMF分量能量熵点到一个组的中心的距离小于聚类半径ra,那么该点属于此组,当获得新的数据时,组和组的中心做相应的变化。随着输入IMF分量能量熵空间数据的不断增加,本发明算法通过实时动态的调整IMF分量能量熵聚类中心与聚类个数获得更好的输入空间划分,步骤如下:
步骤1:IMF分量能量熵数据归一化处理,输入数据各维聚类半径ra及阈值δ等参数设定。
步骤2:由IMF分量能量熵数据集进行减法聚类得到c个聚类中心并存储vi(i=1,2,…,c)及其对应的密度值D(vi)。
步骤3:当新增的在线IMF分量能量熵数据集中的第k个数据到来时,计算xk(k=1,2,…,M)到i个聚类中心vi的距离dki=||xk-vi||,若dki>ra,转到步骤4;若dki≤ra,转到步骤5。
步骤4:由式(10)计算xk的密度值D(xk),并且D(xk)>ε,则说明被检测参数数据xk不属于任何一个已有的聚类,则新创建一个聚类,输入空间的聚类个数c=c+1,返回步骤3。
步骤5:根据最小距离准则确定数据点xk属于最近的聚类子集,进一步比较新数据xk的密度值与聚类中心的密度值,如果D(xk)>D(vi),则数据xk更靠近其最近的聚类中心,xk取代原聚类中心作为该子集的新聚类中心;如果D(xk)≤D(vi),则保持聚类结果不改变,判断新增数据组是否结束。如果结束,则转到步骤6;否则,返回步骤3.。
步骤6:计算聚类中心vi与vj之间的距离,如果min||vi-vj||≤(0.5-0.7)ra,且D(vi)>D(vj),则说明聚类子集vi与vj可以合并为一个聚类,该聚类中心为vi;否则保持聚类结果不变。
IMF分量能量熵减法聚类实现对IMF分量能量熵历史数据进行分类,每一类IMF分量能量熵输入各自对应的CNN卷积-NARX神经网络模型来预测被检测参数波动未来值。
5、CNN卷积-NARX神经网络模型设计
减法聚类分类器输出的多个类型的IMF分量能量熵分别作为多个对应的CNN卷积-NARX神经网络模型输入,ARIMA预测模型和多个CNN卷积-NARX神经网络模型的输出作为Vague集的ANFIS模糊神经网络模型的对应输入;CNN卷积-NARX神经网络模型为CNN卷积神经网络的输出作为NARX神经网络模型的输入,CNN卷积神经网络模型能够直接从大量的时间序列参数传感器输出波动值的IMF分量能量熵值中自动挖掘提取出表征时间序列参数传感器输出波动值的敏感空间特征,CNN卷积神经网络模型结构主要包括4个部分:①输入层(Input)。输入层即为CNN卷积神经网络模型的输入,一般将时间序列参数传感器输出波动值的IMF分量能量熵直接输入。②卷积层(Conv)。由于输入层数据维度较大,CNN卷积神经网络模型难以直接全面感知所有时间序列参数传感器输出波动值的IMF分量能量熵输入信息,需要将输入数据分为若干部分进行局部感知,再通过权值共享得到全局信息,同时降低CNN卷积神经网络模型结构的复杂度,这一过程即卷积层的主要功能,具体流程是利用特定尺寸的卷积核以固定步长对时间序列参数传感器输出波动值的IMF分量能量熵输入信号进行遍历和卷积运算,从而实现对时间序列参数传感器输出波动值的IMF分量能量熵输入信号敏感特征的挖掘与提取。③池化层(Pool,又称降采样层)。由于卷积操作之后所得的数据样本维度依旧很大,需要压缩数据量并提取关键信息来避免模型训练时间过长及出现过拟合,因此,在卷积层后接一个池化层来降低维度。考虑到缺陷特征的峰值特性,采用最大值池化法进行降采样。④、全连接层。经过所有的卷积运算和池化操作后,时间序列参数传感器输出波动值的IMF分量能量熵特征提取数据进入到全连接层,该层中的每个神经层与其前一层的所有神经元进行全连接,将卷积层和池化层提取到的时间序列参数传感器输出波动值的IMF分量能量熵值的局部特征信息进行整合。同时,为避免过拟合现象,在该层中加入丢失数据(dropout)技术,经过最后一层全连接层的输出值会传递到输出层,将最后一层的池化结果按照首尾相连的方式连接在一起形成输出层并作为NARX神经网络模型的输入,NARX神经网络模型是一种带输出反馈连接的动态递归神经网络,在拓扑连接关系上可等效为有输入时延的BP神经网络加上输出到输入的时延反馈连接,其结构由输入层、时延层、隐层和输出层构成,其中输入层节点用于信号输入,时延层节点用于输入信号和输出反馈信号的时间延迟,隐层节点利用激活函数对时延后的信号做非线性运算,输出层节点则用于将隐层输出做线性加权获得最终网络输出。NARX神经网络模型第i个隐层节点的输出hi为:
NARX神经网络第j个输出层节点输出oj为:
6、Vague集的ANFIS模糊神经网络模型
ARIMA预测模型和多个CNN卷积-NARX神经网络模型的输出作为Vague集的ANFIS模糊神经网络模型的对应输入,Vague集的ANFIS模糊神经网络模型输出作为参数检测模型输出。基于神经网络的自适应模糊推理***ANFIS,也称为自适应神经模糊推理***(Adaptive Neuro-Fuzzy Inference System),将神经网络和模糊推理有机地结合起来,既能发挥二者的优点,又可弥补各自的不足。自适应神经网络模糊***中的模糊隶属度函数及模糊规则是通过对大量已知数据的学习得到的,ANFIS最大的特点就是基于数据的建模方法,而不是基于经验或是直觉任意给定的。这对于那些特性还未被人们完全了解或者特性非常复杂的***是尤为重要的。Vague集的ANFIS模糊神经网络模型的主要运算步骤如下:
第1层:将输入的数据模糊化,n为每个输入隶属函数个数,隶属函数采用高斯隶属函数,每个节点对应输出可表示为:
第2层:实现规则运算,输出规则的适用度,Vague集的ANFIS模糊神经网络模型的规则运算采用乘法。
第3层:将各条规则的适用度归一化:
第4层:每个节点的传递函数为线性函数,表示局部的线性模型,每个自适应节点i输出为:
第5层:该层的单节点是一个固定节点,计算Vague集的ANFIS模糊神经网络模型的补偿估计值总输出为:
Vague集的ANFIS模糊神经网络模型中决定隶属函数形状的条件参数和推理规则的结论参数可以通过学习过程进行训练。参数采用线性最小二乘估计算法与梯度下降结合的算法调整参数。Vague集的ANFIS模糊神经网络模型每一次迭代中首先输入信号沿网络正向传递直到第4层,此时固定条件参数,采用最小二乘估计算法调节结论参数;信号继续沿网络正向传递直到输出层。Vague集的ANFIS模糊神经网络模型将获得的误差信号沿网络反向传播,用梯度法更新条件参数。以此方式对Vague集的ANFIS模糊神经网络模型中给定的条件参数进行调整,可以得到结论参数的全局最优点,这样不仅可以降低梯度法中搜索空间的维数,还可以提高Vague集的ANFIS模糊神经网络模型参数的收敛速度。Vague集的ANFIS模糊神经网络模型输出的三个参数分别为x、t和1-f,x为被检测参数的实数值,t为可信度,1-f-t为不确定度,f为不可信度,x、t和1-f构成被检测参数的Vague集的数值为[x,(t,1-f)]。
7、Vague数值融合模型设计
①、构建参数测量传感器的时间序列Vague集数值阵列
一段时间多个参数测量传感器的参数检测模型输出的Vague集数构成时间序列Vague集数值阵列,设有n个参数测量传感器和m个时刻的nm个参数测量传感器的Vague集数值构成n行和m列的参数测量传感器的时间序列Vague集数值阵列,设同一参数测量传感器的不同时刻Vague集数值为Aij(t),Aij(t+1),…,Aij(m),则所有参数测量传感器的时间序列Vague集数值阵列为:
②、计算参数测量传感器的时间序列Vague集数值的距离融合权重
同一时刻所有参数测量传感器的Vague集数值的平均值构成Vague集数值阵列的正理想值,Vague集数值阵列的正理想值为:
同一时刻所有参数测量传感器的Vague集数值与Vague集数值阵列的正理想值距离测度最大的Vague集数值构成Vague集数值阵列的负理想值,Vague集数值阵列的负理想值为:
每个参数测量传感器的时间序列Vague集数值的正理想值距离测度是每个参数测量传感器的时间序列Vague集数值与Vague集数值阵列的正理想值的距离测度为:
每个参数测量传感器的时间序列Vague集数值的负理想值距离测度是每个参数测量传感器的时间序列Vague集数值与Vague集数值阵列的负理想值的距离测度为:
每个参数测量传感器的时间序列Vague集数值的正理想值距离测度除以该参数测量传感器的时间序列Vague集数值的负理想值距离测度与该参数测量传感器的时间序列Vague集数值的正理想值距离测度的和得到的商为每个参数测量传感器的时间序列Vague集数值的相对距离测度,公式为:
通过(25)公式计算可以知道,每个参数测量传感器的时间序列Vague集数值的相对距离测度越大,则该参数测量传感器的时间序列Vague集数值与对应的正理想值就越接近,否则该参数测量传感器的时间序列Vague集数值与对应的正理想值就越远,根据这个原理确定每个参数测量传感器的时间序列Vague集数值的相对距离测度除以所有参数测量传感器的时间序列Vague集数值的相对距离测度的和得到的商为每个参数测量传感器的时间序列Vague集数值的距离测度融合权重为:
③、计算参数测量传感器的时间序列Vague集数值的相似度融合权重
每个参数测量传感器的时间序列Vague集数值与Vague集数值阵列正理想值的相似度为:
每个参数测量传感器的时间序列Vague集数值与Vague集数值阵列负理想值的相似度为:
每个参数测量传感器的时间序列Vague集数值与Vague集数值阵列的正理想值之间的相似度除以该参数测量传感器的时间序列Vague集数值与Vague集数值阵列的正理想值的相似度相加该参数测量传感器的时间序列Vague集数值与Vague集数值阵列的负理想值的相似度的和得到的商为该参数测量传感器的时间序列Vague集数值的相似度相对测度为:
通过(29)公式计算可以知道,每个参数测量传感器的时间序列Vague集数值的相似度相对测度越大,则该参数测量传感器的时间序列Vague集数值与Vague集数值阵列的正理想值的形状相似度越大,否则该参数测量传感器的时间序列Vague集数值与Vague集数值阵列的正理想值的形状相似度越小,根据这个原理确定每个参数测量传感器的时间序列Vague集数值的相似度相对测度除以所有参数测量传感器的时间序列Vague集数值的相似度相对测度的和得到的商为该参数测量传感器的时间序列Vague集数值的相似度融合权重为:
根据公式(26)和公式(30)得到该参数测量传感器的时间序列Vague集数值的区间数融合权重为wi:
wi=[min(αi,βi),max(αi,βi)] (31)
从公式(31)可以知每个参数测量传感器的时间序列Vague集数值的距离测度融合权重和该参数测量传感器的时间序列Vague集数值的相似度融合权重按照从小到大排序组成的区间数作为该参数测量传感器的时间序列Vague集数值的区间数融合权重;根据同一时刻每个参数测量传感器的时间序列Vague集数值与该参数测量传感器的时间序列Vague集数值的区间数融合权重的积相加得到的和为所有参数测量传感器的时间序列Vague集数的融合值为时间序列的区间Vague集数值,该时间序列的区间Vague集数值为:
8、Vague的模糊小波神经网络火灾等级分类器设计
3个Vague数值融合模型输出作为Vague的模糊小波神经网络火灾等级分类器的对应输入,Vague的模糊小波神经网络火灾等级分类器输出类型分别为火灾严重、火灾比较严重、火灾一般、火灾轻微和没有火灾5种作为被检测环境火灾等级。本专利应用模糊神经网络进行模糊推理,并结合小波的多分辨分析的特点,将小波函数作为神经网络神经元的激励函数,构建Vague集的模糊小波神经网络(Fuzzy Wavelet Network,FWNN)。基于FWNN具备很好的智能性、鲁棒性、稳定性和指标跟踪快速性,Vague集的模糊小波神经网络包含两部分模糊神经网络(FNN)和小波神经网络(WNN)。Vague集的模糊小波神经网络包含4个基本层:第一层是输入层,每个输入向量对应一个神经元;第二层的每个神经元代表一个语言变量值;第三层的每个神经元代表一条模糊规则;第四层是归一化层。模糊神经网络的输入作为小波神经网络的输入,每一条模糊规则对应一个小波网络。小波基函数是由小波函数经过平移得到的小波基组,因此,不同尺度函数产生的小波神经网络能够捕捉不同时域和频域的特征,不同的模糊推理选择相应的小波网络。小波具有多分辨分析的特点,若用小波函数作为神经网络神经元的激励函数,则由于每个神经元的伸缩和平移都可以调节,选用低尺度参数可以学习光滑函数,提高尺度能以较高精度学习局部奇异函数,比相同神经元数和参数的ANN精度高。本专利的模糊小波网络由输入、模糊化、推理、小波网络层和解模糊层5个基本层实现,各层神经网络节点数目分别是n,n×M,M,M和3。一旦决定了输入n和规则M的数目,就决定了FWNN模型的结构。其中Vague集的模糊小波神经网络的输入为X=[x1,x2,…xn],Ti是第i个规则对应的小波数量;wik是权值系数;是小波函数,/>是规则i对应的局部模型小波神经网络线性组合的输出值是:
第一层为输入层:该层的各个节点直接与输入向量的各分量xj连接,将输入值X=[x1,x2,…xn]传递到下一层;第二层计算每一个输入变量对应的隶属函数值;第三层计算每条规则的适用度;第四层是小波网络层输出,主要用于输出补偿;第五层为控制信号输出层,也称反模糊化层,在这一层进行解模糊计算,Vague的模糊小波神经网络火灾等级分类器输出三个参数分别为y、z和1-k,y为被检测环境火灾大小的实数值,z为可信度,1-k-z为不确定度,k为不可信度,y、z和1-k构成被检测环境火灾类型的Vague集的数值为[y,(z,1-k)],Vague的模糊小波神经网络火灾等级分类器输出代表被检测环境将要发生的火灾类型分别为火灾严重、火灾比较严重、火灾一般、火灾轻微和没有火灾5种等级;Vague的模糊小波神经网络火灾等级分类器的Vague集的数值分别对应预测火灾等级对应关系见表1所示。
表1预测环境火灾等级与Vague集的数值对应关系表
六、物联网智能安防与环境大数据***的设计举例
根据环境大数据智能检测与安防***的实际状况,***布置了环境参数采集与控制平台的检测节点、控制节点、网关节点和现场监控端的平面布置安装图,其中检测节点的传感器根据检测的需要均衡布置在被检测环境的各个方位,通过该***实现对环境参数进行处理和安全进行控制。
本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段,还包括由以上技术特征任意组合所组成的技术方案。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (4)
1.物联网智能安防与环境大数据***,其特征在于:***由环境参数采集与控制平台和环境大数据智能预测与火灾预警子***组成,实现对环境参数采集、处理和预警功能;
所述环境大数据智能预测与火灾预警子***由参数检测模块、Vague数值融合模型和Vague的模糊小波神经网络火灾等级分类器组成;
参数检测模块包括参数检测模型,多个温度传感器输出、多个烟雾传感器输出和多个火焰传感器输出分别作为对应的参数检测模块的多个参数检测模型的输入,参数检测模块的多个参数检测模型的输出分别作为3个对应的Vague数值融合模型的输入,3个Vague数值融合模型输出作为Vague的模糊小波神经网络火灾等级分类器的对应输入,Vague的模糊小波神经网络火灾等级分类器输出三个参数分别为y、z和1-k,y为被检测环境火灾大小的实数值,z为可信度,1-k为可信度与不确定度和,1-k-z为不确定度,k为不可信度,y、z和1-k构成被检测环境火灾类型的Vague集的数值为[y,(z,1-k)],Vague的模糊小波神经网络火灾等级分类器输出代表被检测环境将要发生的火灾类型;
所述参数检测模型由LSTM神经网络模型、ARIMA预测模型、变分模态分解模型、减法聚类分类器、CNN卷积-NARX神经网络模型和Vague集的ANFIS模糊神经网络模型组成;
所述参数传感器感知被检测环境的时间序列参数值分别作为LSTM神经网络模型和ARIMA预测模型的输入,LSTM神经网络模型与ARIMA预测模型输出的差作为被检测环境的参数波动值,时间序列参数波动值作为变分模态分解模型的输入,变分模态分解模型输出多个模态函数IMF分量,多个IMF分量能量熵作为减法聚类分类器的输入,减法聚类分类器输出的多个类型的IMF分量能量熵分别作为多个对应的CNN卷积-NARX神经网络模型输入,ARIMA预测模型和多个CNN卷积-NARX神经网络模型的输出作为Vague集的ANFIS模糊神经网络模型的对应输入,Vague集的ANFIS模糊神经网络模型输出的三个参数分别为x、t和1-f,x为被检测参数的实数值,t为可信度,1-f为可信度与不确定度和,1-f-t为不确定度,f为不可信度,x、t和1-f构成被检测参数的Vague集的数值为[x,(t,1-f)],Vague集的ANFIS模糊神经网络模型输出作为参数检测模型输出;
Vague数值融合模型的一段时间多个参数测量传感器的参数检测模型输出的Vague集数值构成时间序列Vague集数值阵列,每个参数测量传感器的时间序列Vague集数值的正理想值距离测度除以该参数测量传感器的时间序列Vague集数值的负理想值距离测度与该参数测量传感器的时间序列Vague集数值的正理想值距离测度的和得到的商为每个参数测量传感器的时间序列Vague集数值的相对距离测度;每个参数测量传感器的时间序列Vague集数值的相对距离测度除以所有参数测量传感器的时间序列Vague集数值的相对距离测度的和得到的商为每个参数测量传感器的时间序列Vague集数值的距离测度融合权重;
每个参数测量传感器的时间序列Vague集数值与Vague集数值阵列的正理想值之间的相似度除以该参数测量传感器的时间序列Vague集数值与Vague集数值阵列的正理想值的相似度相加该参数测量传感器的时间序列Vague集数值与Vague集数值阵列的负理想值的相似度的和得到的商为该参数测量传感器的时间序列Vague集数值的相似度相对测度;每个参数测量传感器的时间序列Vague集数值的相似度相对测度除以所有参数测量传感器的时间序列Vague集数值的相似度相对测度的和得到的商为该参数测量传感器的时间序列Vague集数值的相似度融合权重;
每个参数测量传感器的时间序列Vague集数值的距离测度融合权重和该参数测量传感器的时间序列Vague集数值的相似度融合权重按照从小到大排序组成的区间数作为该参数测量传感器的时间序列Vague集数值的区间数融合权重;根据同一时刻每个参数测量传感器的时间序列Vague集数值与该参数测量传感器的时间序列Vague集数值的区间数融合权重的积相加得到的和为所有参数测量传感器的时间序列Vague集数值的融合值为时间序列的区间Vague集数值。
2.根据权利要求1所述的物联网智能安防与环境大数据***,其特征在于:所述
环境参数采集与控制平台包括检测节点、控制节点、网关节点、现场监控端、云平台和移动端App组成,检测节点、控制节点和网关节点之间通过构建CAN通信网络来实现检测节点、控制节点和网关节点之间的数据通信。
3.根据权利要求2所述的物联网智能安防与环境大数据***,其特征在于:所述检测节点将检测的环境参数通过网关节点的RS232接口发送给现场监控端,现场监控端对传感器数据进行理和对火灾进行预警;控制节点控制安防设备,网关节点通过NB-IoT模块与云平台之间和云平台通过5G网络与移动端App之间实现环境参数的双向传输,网关节点与现场监控端之间通过RS232接口实现环境参数的双向传输。
4.根据权利要求2或3所述的物联网智能安防与环境大数据***,其特征在于:所述移动端 App 为管理人员提供实时环境数据和历史数据的查询,管理人员通过移动端App可通过远程查看当前的环境参数;云平台主要负责处理、存储、分析和显示接收到环境参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210685375.0A CN114970745B (zh) | 2022-06-17 | 2022-06-17 | 物联网智能安防与环境大数据*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210685375.0A CN114970745B (zh) | 2022-06-17 | 2022-06-17 | 物联网智能安防与环境大数据*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114970745A CN114970745A (zh) | 2022-08-30 |
CN114970745B true CN114970745B (zh) | 2023-07-04 |
Family
ID=82964217
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210685375.0A Active CN114970745B (zh) | 2022-06-17 | 2022-06-17 | 物联网智能安防与环境大数据*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114970745B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117421538B (zh) * | 2023-12-18 | 2024-03-15 | 中铁建工集团第二建设有限公司 | 一种细节防水数据调控优化方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107155932A (zh) * | 2017-05-12 | 2017-09-15 | 淮阴工学院 | 一种基于无线传感器网络的牛舍环境温度检测*** |
JP2019079446A (ja) * | 2017-10-27 | 2019-05-23 | ホーチキ株式会社 | 火災監視システム |
CN110084417A (zh) * | 2019-04-19 | 2019-08-02 | 淮阴工学院 | 一种基于grnn神经网络的草莓温室环境参数智能监测*** |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101968649B (zh) * | 2010-10-18 | 2012-05-30 | 淮阴工学院 | 网络型生猪养殖环境控制***与智能型环境因子控制方法 |
CN107494320B (zh) * | 2017-05-12 | 2020-05-26 | 淮阴工学院 | 基于无线传感器网络的牛舍环境温度智能监测*** |
CN110647979B (zh) * | 2019-09-10 | 2020-09-25 | 淮阴工学院 | 一种基于物联网的温室环境多参数智能化监测*** |
CN111429718B (zh) * | 2020-03-20 | 2021-12-21 | 淮阴工学院 | 一种公路交通安全智能检测*** |
CN111476463A (zh) * | 2020-03-20 | 2020-07-31 | 淮阴工学院 | 一种公路气象参数与路面湿滑智能化检测*** |
CN112000008B (zh) * | 2020-07-18 | 2022-04-01 | 淮阴工学院 | 一种基于神经网络的管道监测*** |
CN112183719B (zh) * | 2020-09-15 | 2024-02-02 | 北京工业大学 | 一种基于多目标优化-模糊神经网络的出水总氮智能检测方法 |
-
2022
- 2022-06-17 CN CN202210685375.0A patent/CN114970745B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107155932A (zh) * | 2017-05-12 | 2017-09-15 | 淮阴工学院 | 一种基于无线传感器网络的牛舍环境温度检测*** |
JP2019079446A (ja) * | 2017-10-27 | 2019-05-23 | ホーチキ株式会社 | 火災監視システム |
CN110084417A (zh) * | 2019-04-19 | 2019-08-02 | 淮阴工学院 | 一种基于grnn神经网络的草莓温室环境参数智能监测*** |
Non-Patent Citations (1)
Title |
---|
基于Vague集的隧道围岩稳定性评价;付江岭;;四川建筑(01);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114970745A (zh) | 2022-08-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Comparative analysis of BPNN, SVR, LSTM, Random Forest, and LSTM-SVR for conditional simulation of non-Gaussian measured fluctuating wind pressures | |
Azadeh et al. | A hybrid simulation-adaptive network based fuzzy inference system for improvement of electricity consumption estimation | |
CN111461413B (zh) | 一种公路路面使用性能检测*** | |
CN111476278B (zh) | 一种气体浓度智能化检测*** | |
Zio et al. | Failure and reliability predictions by infinite impulse response locally recurrent neural networks | |
CN110309609B (zh) | 一种基于粗糙集和wnn的建筑室内空气品质评价方法 | |
CN112903929A (zh) | 一种食品质量检测*** | |
CN114911185A (zh) | 基于云平台和移动端App的安防大数据物联网智能*** | |
CN111222992A (zh) | 一种基于注意力机制的长短期记忆神经网络的股票价格预测方法 | |
CN112904756A (zh) | 一种管网大数据检测*** | |
CN114970745B (zh) | 物联网智能安防与环境大数据*** | |
CN115687995A (zh) | 大数据环境污染监测方法及*** | |
CN115128978A (zh) | 物联网环境大数据检测与智能监控*** | |
Júnior et al. | An approach for evolving neuro-fuzzy forecasting of time series based on parallel recursive singular spectrum analysis | |
CN115062764B (zh) | 光照度智能调节与环境参数物联网大数据*** | |
CN117232817A (zh) | 电动阀智能化的大数据监测方法及物联网*** | |
CN115905938B (zh) | 基于物联网储罐安全监测方法及*** | |
CN114390376B (zh) | 火灾大数据远程探测与预警*** | |
CN114358244B (zh) | 基于物联网的压力大数据智能检测*** | |
CN114386672B (zh) | 环境大数据物联网智能检测*** | |
CN114399024B (zh) | 油气浓度大数据智能检测*** | |
Purintrapiban et al. | Neural networks for detecting cyclic behavior in autocorrelated process | |
CN116305985A (zh) | 一种基于多传感器数据融合的局部智能通风方法 | |
CN114995248A (zh) | 智能养护与环境参数大数据物联网*** | |
CN111435471A (zh) | 一种基于lstm的供热用气量预测模型 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20231219 Address after: 430070 Hubei Province, Wuhan city Hongshan District Luoyu Road No. 546 Patentee after: HUBEI CENTRAL CHINA TECHNOLOGY DEVELOPMENT OF ELECTRIC POWER Co.,Ltd. Address before: 223400 8th floor, Anton building, 10 Haian Road, Lianshui, Huaian, Jiangsu Patentee before: HUAIYIN INSTITUTE OF TECHNOLOGY |