CN117807550B - 一种建筑消防设施智能化定量检测方法及*** - Google Patents
一种建筑消防设施智能化定量检测方法及*** Download PDFInfo
- Publication number
- CN117807550B CN117807550B CN202410225242.4A CN202410225242A CN117807550B CN 117807550 B CN117807550 B CN 117807550B CN 202410225242 A CN202410225242 A CN 202410225242A CN 117807550 B CN117807550 B CN 117807550B
- Authority
- CN
- China
- Prior art keywords
- data
- clustering
- splitting threshold
- building fire
- representing
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 claims abstract description 51
- 238000012937 correction Methods 0.000 claims abstract description 44
- 230000005856 abnormality Effects 0.000 claims abstract description 17
- 230000008569 process Effects 0.000 claims description 23
- 238000004422 calculation algorithm Methods 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 13
- 230000004044 response Effects 0.000 claims description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 abstract description 29
- 238000012545 processing Methods 0.000 abstract description 2
- 230000008859 change Effects 0.000 description 9
- 238000009434 installation Methods 0.000 description 5
- 206010000369 Accident Diseases 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
- G06F18/256—Fusion techniques of classification results, e.g. of results related to same input data of results relating to different input data, e.g. multimodal recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Probability & Statistics with Applications (AREA)
- Fire Alarms (AREA)
Abstract
本发明涉及数据处理技术领域。具体涉及一种建筑消防设施智能化定量检测方法及***。其中的方法包括：采集建筑消防设施的多维度数据，确定当前的***阈值以及当前的***阈值所对应的持续时段；根据所述多维度数据的波动幅度计算本次采集所对应的***阈值修正值；根据所述持续时段内的多个***阈值修正值，计算本次采集所对应的可持续范围，其中所述可持续范围是指使用当前的***阈值进行聚类的次数；依据可持续范围对采集的多维度数据进行聚类；依据聚类结果计算建筑消防设施的异常程度。采用本发明的建筑消防设施智能化定量检测方法可自动且精准地检测出建筑消防设施的异常状态及异常程度。
Description
技术领域
本发明一般地涉及数据处理技术领域。更具体地，本发明涉及一种建筑消防设施智能化定量检测方法及***。
背景技术
消防安全是国家公共安全的重要组成部分，企业消防更是重中之重。近年来随着企业的快速发展和新型材料的不断增加，火灾事故层出不穷并呈逐年上升态势。因此，对建筑消防设施的检测是十分重要的，以防止在火灾事故出现时，由于建筑消防设备故障从而造成巨大的损失。当前建筑消防设施的检测多依赖于人工操作，存在效率低下、准确性不足等问题。
由于聚类算法可以检测出数据集中的异常点，而建筑消防设施一旦出现异常，其运行数据就会异常，因此可采用聚类算法对采集的消防设施的运行数据进行聚类，检测出异常数据，从而实现自动检测消防设施是否异常。迭代自组织聚类算法是一种自适应的聚类算法，能够根据数据的特征进行自适应调整，通过迭代优化来改进聚类结果，因此通常采用迭代自组织聚类算法检测数据是否异常。但是在传统的迭代自组织聚类算法中，通过预设一个固定的聚类簇的***阈值去对每一个聚类簇中的数据进行判断是否进行***，而由于对于建筑消防设施的数据的聚类过程是一个增量式的聚类过程，会不断地有数据的输入，随着时间的增加，建筑消防设备的质量会存在一定程度的下降，因此利用传感器所采集到的数据会存在一定的变化，所以采用传统的固定的聚类簇的***阈值去对每一个聚类簇中的数据进行判断其是否进行***的结果是不准确的，从而导致异常数据的检测结果不准确。
发明内容
为解决上述一个或多个技术问题，本发明在如下的多个方面中提供方案。
在第一方面中，本发明提供了一种建筑消防设施智能化定量检测方法，包括：采集建筑消防设施的多维度数据，确定当前的***阈值以及当前的***阈值所对应的持续时段；所述多维度数据由建筑消防设施的多个类型的运行参数组成；所述***阈值用于迭代自组织聚类方法判断是否需要对聚类簇进行***操作；根据所述多维度数据的波动幅度计算本次采集所对应的***阈值修正值；根据所述持续时段内的多个***阈值修正值，计算本次采集所对应的可持续范围，其中所述可持续范围是指使用当前的***阈值进行聚类的次数；响应于本次采集位于所述可持续范围内，根据当前的***阈值对所述多维度数据进行聚类；响应于本次采集不位于所述可持续范围内，则用本次采集对应的***阈值修正值更新所述***阈值，并根据新的***阈值对所述多维度数据进行聚类；依据聚类结果计算建筑消防设施的异常程度。
在一个实施例中，所述的多维度数据包括消防水泵的压力数据、流量数据、警报***的响应时间数据以及消防水泵所在的环境内温度数据。
在一个实施例中，初始***阈值的获取方法包括：
在预设的样本数据采集时长内按照预设的采集频率连续对建筑消防设施的多维度数据进行采集，从而获取预采集数据样本；
预设迭代自组织聚类算法的聚类中心数量，并计算预采集数据样本中各个维度的数据的标准差，进而计算出初始***阈值，初始***阈值的计算表达式为：
式中，表示初始***阈值；/>表示预设的聚类中心数量；/>表示第/>个维度的数据；/>表示所采集到的多维度数据的维度总数；/>表示第/>个维度的所有数据的标准差。
在一个实施例中，所述波动幅度的获取方法包括：预设一个滑动窗口，该滑动窗口从第一次采集的多维度数据开始，令该滑动窗口以步长为1向后滑动，直至本次采集的数据，将每滑动一次后的窗口数据记为一个窗口；分别依据每个窗口内相邻维度的数据的方差计算波动幅度，所述波动幅度与所述方差的差值绝对值之和呈负相关。
在一个实施例中，所述波动幅度的计算表达式为：
式中，表示当前实时数据的波动幅度；/>表示第/>个窗口的数据；/>表示所有窗口的数量；/>表示第/>个维度的数据；/>表示所采集到的建筑消防设备的数据的维度总数；/>为预设的超参数，其具体含义为：历史数据的削减因子，即距离实时数据的时刻越远的数据的权值越小；/>表示第/>个窗口中的第/>个维度的数据的方差；/>表示第/>个窗口中的第个维度的数据的方差。
在一个实施例中，根据所述多维度数据的波动幅度计算本次采集所对应的***阈值修正值包括：
依据本次采集的多维度数据对应的波动幅度计算***阈值修正权值；其计算表达式如下：
式中，表示第/>次所采集到的实时数据的***阈值的修正权值；/>表示本次采集对应的波动幅度；/>表示预设的经验值阈值；
将***阈值修正权值与上一次采集的多维度数据对应的***阈值修正值相乘，从而得到该多维度数据对应的***阈值修正值，其中第一次采集的多维度数据对应的***阈值修正值等于第一次采集的多维度数据对应的***阈值修正权值与初始***阈值之积。
在一个实施例中，所述可持续范围的计算表达式为：
式中，L表示上次更新的***阈值的可持续范围，为预设的可持续范围参考值，num表示所述持续时段内采集多维度数据的总次数，/>表示当前的***阈值；/>表示向上取整函数，/>表示所述持续时段内的第b次采集对应的***阈值修正值。
在一个实施例中，所述可持续范围参考值取值为50。
在一个实施例中，所述建筑消防设施的异常程度计算表达式为：
式中，表示建筑消防设施的异常程度；/>表示聚类结果中的聚类簇总数；/>表示聚类结果中的第/>个聚类簇；/>表示聚类结果中的第/>个聚类簇中所有数据点与该聚类簇的聚类中心的欧式距离之和。
在第二方面中，本发明提供了一种建筑消防设施智能化定量检测***，包括处理器和存储器，所述存储器存储有计算机程序指令，当所述计算机程序指令被所述处理器执行时实现本发明的建筑消防设施智能化定量检测方法。
本发明的技术效果为：在对采集到的消防设施的多维度数据进行聚类时，聚类结果中聚类簇的数量越多，每一个聚类簇中的数据点与该聚类簇的聚类中心的欧式距离越大，则说明异常数据越多，本发明的建筑消防设施智能化定量检测方法通过连续采集建筑消防设施的多维度数据并进行聚类，依据聚类结果中聚类簇的数量以及聚类簇中的数据点与该聚类簇的聚类中心的欧式距离计算消防设施的异常程度，因此采用本发明的建筑消防设施智能化定量检测方法可自动且精准地检测出建筑消防设施的异常状态及异常程度；此外，在每次采集多维度数据之后均计算对应的***阈值修正值以及上次设置的***阈值的可持续范围，根据***阈值的可持续范围在相应的采集时刻调整***阈值，从而保障在出现异常的多维度数据时可及时检测出来。
附图说明
通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，并且相同或对应的标号表示相同或对应的部分，其中：
图1是示意性示出本发明的实施例的建筑消防设施智能化定量检测方法流程图；
图2是示意性示出本发明的实施例的初始***阈值的获取方法流程图；
图3是示意性示出本发明的实施例的波动幅度的获取方法流程图；
图4是示意性示出本发明的实施例的***阈值修正值计算方法流程图；
图5是示意性示出本发明的实施例的建筑消防设施智能化定量检测***结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面结合附图来详细描述本发明的具体实施方式。
建筑消防设施智能化定量检测方法实施例：
如图1所示，本发明的建筑消防设施智能化定量检测方法包括：
S101、采集建筑消防设施的多维度数据，确定当前的***阈值以及当前的***阈值所对应的持续时段；所述多维度数据由建筑消防设施的多个类型的运行参数组成；所述***阈值用于迭代自组织聚类方法判断是否需要对聚类簇进行***操作；
假设某次采集的第一个类型的运行参数为A，第二个类型的运行参数为B，第三个类型的运行参数为C，一个类型为一个维度，第一个类型和第二个类型为相邻维度，第二个类型和第三个类型为相邻维度，多维度数据的表现形式为数组，则该次采集的多维度数据为[A，B，C]。
多维度数据包括消防水泵的压力数据、流量数据、警报***的响应时间数据以及消防水泵所在的环境内温度数据。对于消防水泵的压力数据和流量数据，可通过在消防水泵的管道出水口上分别安装流量传感器以及压力传感器进行采集。警报***的响应时间数据指的是消防***接收到火警信号到响起警报之间的时间间隔或者从接收到火警信号到启动其他应急措施之间的时间间隔；因此可通过记录***接收到火警信号的时刻以及响起警报（或者启动其他应急措施）的时刻，并将二者时刻相减，从而得到警报***的响应时间数据。对于消防水泵所在的环境内的温度数据，可通过在消防水泵上设置温度传感器来获取消防水泵所在的环境内的温度数据。利用上述传感器对建筑消防设施的多维度数据进行采集时，预设所有的传感器的采集周期均为2秒，即每2秒采集一次数据，并将同一时刻所采集到的所有数据构成的数组记为该时刻的多维数据。
***阈值用于迭代自组织聚类方法判断是否需要对聚类簇进行***操作。若聚类簇的样本距离标准差向量中的最大分量大于***阈值，则对该聚类簇进行***运算。当前的***阈值是通过初始设置获得或者通过更新获得。在首次利用迭代自组织聚类算法对采集到的多维度数据进行聚类之前需设置一个初始的***阈值，在设置迭代自组织聚类算法的初始***阈值之后即可开始利用迭代自组织聚类算法对采集到的多维度数据进行聚类操作。因此，初次聚类采用的是预设的初始***阈值，在超过初始***阈值的可持续范围后，每次聚类采用的是自动更新的***阈值。
S102、根据所述多维度数据的波动幅度计算本次采集所对应的***阈值修正值；
本次采集的多维度数据对应的波动幅度是指由本次采集的多维度数据和所有历史时刻采集的多维度数据所组成的整个数据库中各个维度的数据的波动幅度。
由于数据波动性越大，说明本次采集的数据为异常数据的可能性越大，此时就需要将***阈值调小，从而将异常数据单独聚为一类使其与正常数据分开。因此，对于每次采集的多维度数据，其对应的***阈值修正值与该多维度数据对应的波动幅度呈负相关。
由于随着实时的多维度数据的变化，已采集的所有多维度数据中各个维度的数据的波动幅度是在不断变化的，而传统的迭代自组织聚类算法采用固定的***阈值无法较好的适应波动幅度不断变化的实时多维度数据，因此需要根据实时多维度数据的波动幅度来计算每次采集的多维度数据的***阈值修正值，以便实现根据实时多维度数据的波动幅度的变化情况来实现对***阈值的动态修正。
S103、根据所述持续时段内的多个***阈值修正值，计算本次采集所对应的可持续范围，其中所述可持续范围是指使用当前的***阈值进行聚类的次数。所述可持续范围的计算表达式为：
（1）
式中，L表示上次更新的***阈值的可持续范围，为预设的可持续范围参考值，num表示所述持续时段内采集多维度数据的总次数，/>表示当前的***阈值；/>表示向上取整函数，/>表示所述持续时段内的第b次采集对应的***阈值修正值。所述可持续范围参考值取值为50。
若后续所计算出的***阈值修正值与当前的***阈值的差异越小，则说明当前的***阈值的置信程度越高，即上一个所计算出的***阈值的可持续范围越大；反之，若后续所计算出的***阈值与当前的***阈值的差异越大，则说明当前的***阈值的置信程度越低，即上次设置的***阈值的可持续范围越小。
由于传感器采集数据的频率较快，若每采集一次数据都需要对***阈值进行调整，则会对数据的***速度造成极大的影响，因此需要根据数据调整后的数据***阈值的变化情况计算每一个数据***阈值的可持续范围，以尽可能减少数据***阈值的更替，从而提升一定的聚类速度。使用迭代自组织聚类算法可实时将每次采集的多维度数据归到相应的类别中，而无需对所有历史采集的多维度数据重新进行聚类，大大提高了聚类速度。
S104、对采集的多维度数据进行聚类，具体为：响应于本次采集位于所述可持续范围内，根据当前的***阈值对所述多维度数据进行聚类；响应于本次采集不位于所述可持续范围内，则用本次采集对应的***阈值修正值更新所述***阈值，并根据新的***阈值对所述多维度数据进行聚类；
聚类时采用迭代自组织聚类算法。由于每采集一次数据，就聚类一次，某次采集位于所述可持续范围，是指当前的***阈值所对应的持续时段内采集多维度数据的总次数小于可持续范围对应的聚类次数。
需要说明的是，初次聚类时是基于预采集的数据样本进行聚类，在初次聚类结果会有多个类别，后续每次的聚类仅对该次采集的数据进行聚类，将其归到初次聚类结果中已经出现的类别，或经过对某个聚类簇的***之后归到新的类别。
S105、依据聚类结果计算建筑消防设施的异常程度。
在聚类之后，可依据聚类结果中的聚类簇个数和各个聚类簇中所有数据点与聚类簇的聚类中心的欧式距离之和计算建筑消防设施的异常程度，通常情况下，建筑消防设施的异常程度与聚类结果中聚类簇个数呈负相关，且与各个聚类簇中所有数据点与聚类簇的聚类中心的欧式距离之和呈负相关。
在对建筑消防数据进行聚类之后，可从聚类结果分析出当前建筑消防数据的异常程度，较少的聚类簇可以更容易表现出整体性较强的正常运行情况，而若聚类簇数量较多，则说明其中的异常数据点越多，从而导致在对数据进行聚类的时候的聚类簇数量越多。而对于每一个聚类簇中，每一个聚类簇中的数据点与该聚类簇中的聚类中心的欧式距离越小，则说明该聚类簇中的数据点具有较高的相似性，而若每一个聚类簇中的数据点与该聚类簇中的聚类中心的欧式聚类越大，则说明该聚类簇中的数据点的相似程度越低，而对于异常的数据点，异常的数据点通常与正常的数据点的差异较大，因此在对数据进行聚类的过程中，若数据中异常的数据点越多，则对其进行聚类之后的聚类簇数量越多，且每一个聚类簇中的数据点距离该聚类簇的聚类中心的欧式距离越大。
其中，若聚类簇的数量越多，每一个聚类簇中的数据点与该聚类簇的聚类中心的欧式距离越大，则说明此时的数据样本越异常，即异常程度越大；反之，若聚类簇的数量越少，每一个聚类簇中的数据点与该聚类簇的聚类中心的欧式距离越小，则说明此时的数据样本越正常，即异常程度越小。
由于在对建筑消防设施进行检测的过程中，建筑消防设施是否存在问题，可通过对消防设施的多个维度数据进行分析，判断其是否异常，若其较为异常，则认为该建筑消防设施存在异常，而对于多维度数据的异常性检测，利用迭代自组织聚类算法对其进行检测是一种较好的检测方法。而在传统的迭代自组织聚类算法对数据进行聚类时，通常为对固定的数据样本进行聚类，而由于在对建筑消防设施的数据进行采集并检测的过程中，是不断的有检测数据的输入，因此在对其不断输入的数据进行聚类的过程中是一个增量式聚类的过程。
传统的聚类算法中，通过预设一个聚类域中样本距离分布的标准差作为固定的聚类簇的***阈值去对每一个聚类簇中的数据进行判断是否进行***，而由于对于建筑消防设施的数据的聚类过程是一个增量式的聚类过程，会不断地有数据的输入，随着时间的增加，建筑消防设备的质量会存在一定程度的下降，因此利用传感器所采集到的数据会存在一定的变化，所以采用传统的固定的聚类簇的***阈值去对每一个聚类簇中的数据进行判断其是否进行***的结果是不准确的。
在对采集到的消防设施的多维度数据进行聚类时，聚类结果中聚类簇的数量越多，每一个聚类簇中的数据点与该聚类簇的聚类中心的欧式距离越大，则说明异常数据越多，本发明的建筑消防设施智能化定量检测方法通过连续采集建筑消防设施的多维度数据并进行聚类，依据聚类结果中聚类簇的数量以及聚类簇中的数据点与该聚类簇的聚类中心的欧式距离计算消防设施的异常程度，因此采用本发明的建筑消防设施智能化定量检测方法可自动检测出建筑消防设施的异常状态及异常程度；此外在每次采集多维度数据之后均计算对应的***阈值修正值以及上次设置的***阈值的可持续范围，根据***阈值的可持续范围在相应的采集时刻调整***阈值，从而保障在出现异常的多维度数据时可及时检测出来。
由以上实施例可知，在首次利用迭代自组织聚类算法对采集到的多维度数据进行聚类之前需设置一个初始的***阈值，在利用迭代自组织聚类算法对建筑消防设施的多维度数据进行聚类的过程中，初始***阈值的选择会影响到算法的准确性，不同的初始***阈值对应的多维度数据分类结果不同，一个合适的初始***值可以使得算法更快的找到合适的聚类结构，从而减少计算时间和资源的消耗。在一个实施例中，初始***阈值的获取方法包括：
S201、获取预采集数据样本，具体为：在预设的样本数据采集时长内按照预设的采集频率连续对建筑消防设施的多维度数据进行采集，从而获取预采集数据样本；
为了保障初始***阈值的合理性，样本数据采集时长需要大于一定的阈值，从而保障采集到足够多的数据样本。例如，假设多维度数据的采集周期为2秒，样本数据采集时长可以设置为1天，即24小时。
S202、计算初始***阈值，具体为：预设迭代自组织聚类算法的聚类中心数量，并计算预采集数据样本中各个维度的数据的标准差，进而计算出初始***阈值，初始***阈值的计算表达式为：
（2）
式中，表示初始***阈值；/>表示预设的聚类中心数量；/>表示第/>个维度的数据；/>表示所采集到的多维度数据的维度总数；/>表示第/>个维度的数据的标准差。
假设预采集数据样本为：[A1，B1，C1]、[A2，B2，C2]和[A3，B3，C3]，其中A1、A2和A3为第一个维度的所有数据，B1、B2、B3为第二个维度的所有数据，C1、C2和C3为第三个维度的所有数据，则可依据A1、A2和A3计算出第一个维度的所有数据的标准差，依据B1、B2和B3计算出第二个维度的所有数据的标准差，依据C1、C2和C3计算出第三个维度的所有数据的标准差。
在一个实施例中，所述波动幅度的获取方法包括：
S301、基于采集的所有多维度数据获取多个窗口，具体为：预设一个滑动窗口，该滑动窗口从第一次采集的多维度数据开始，令该滑动窗口以步长为1向后滑动，直至本次采集的数据，将每滑动一次后的窗口数据记为一个窗口；
由于在消防设施在不断地使用过程中，随着消防设施的不断使用，消防设施的寿命在不断减少，即例如随着使用次数的增加，消防水泵发生故障的概率越来越大，从而导致消防水泵的水压出现波动情况，从而影响消防水泵的流量数据，即随着时间的增加，建筑消防设施的多维度数据会出现波动变化，继续使用原来的固定的***阈值会使数据的***结果变得不准确，因此需要设置滑动窗口，来计算随着时间的变化，来计算获取实时数据的波动幅度。
滑动窗口的宽度需保障窗口内包含多个多维度数据。
S302、分别依据每个窗口内相邻维度的数据的方差计算波动幅度。
可首先计算出窗口内所有维度的数据的方差，然后依据相邻维度的数据的方差的差值计算多维度数据的波动幅度。
在一个实施例中，所述波动幅度的计算表达式为：
（3）
式中，表示当前实时数据的波动幅度；/>表示第/>个窗口的数据；/>表示所有窗口的数量；/>表示第/>个维度的数据；/>表示所采集到的建筑消防设备的数据的维度总数；/>为预设的超参数，其具体含义为：历史数据的削减因子，即距离实时数据的时刻越远的数据的权值越小；/>表示第/>个窗口中的第/>个维度的数据的方差；/>表示第/>个窗口中的第个维度的数据的方差；/>表示以自然常数/>为底数的指数函数。
其中，表示同一个维度中的相邻的两个窗口的数据波动差异，其取值越大，则说明数据的波动变化程度越大，反之，数据的波动变化程度越小；/>表示历史数据的削减参数，即距离实时数据的时刻越远的数据的权值越小，即其对实时数据的参考性越小，因此需要设置历史数据的削减参数；/>仅为了表示归一化函数。综上所述，相邻两个窗口中的数据波动差异越大，则说明随着时间的变化，数据的变化情况越大，则说明已采集的多维度数据的波动性越强；反之，相邻两个窗口中的数据波动差异越小，则说明随着时间的变化，数据的变化情况越小，则说明已采集的多维度数据的波动性越弱。
由以上实施例可知，对于每次采集的多维度数据，其对应的***阈值修正值与该多维度数据对应的波动幅度呈负相关，在一个实施例中，根据所述多维度数据的波动幅度计算本次采集所对应的***阈值修正值包括：
S401、依据本次采集的多维度数据对应的波动幅度计算***阈值修正权值；其计算表达式如下：
（4）
式中，表示第/>次所采集到的实时数据的***阈值的修正权值；/>表示本次采集对应的波动幅度；/>表示预设的经验值阈值。
若采集的多维度数据波动性越强，则说明***阈值越需要缩小，以便将较为异常的数据都***出来；反之，若采集的多维度数据波动幅度性越弱，则说明***阈值越需要扩大，以防止将正常的数据错误***。
S402、将***阈值修正权值与上一次采集的多维度数据对应的***阈值修正值相乘，从而得到该多维度数据对应的***阈值修正值。
若本次采集为第一次采集，则其对应的***阈值修正值等于本次采集的多维度数据对应的***阈值修正权值与初始***阈值之积。
由以上实施例可知，建筑消防设施的异常程度与聚类结果中聚类簇个数呈负相关，且与各个聚类簇中所有数据点与聚类簇的聚类中心的欧式距离之和呈负相关。在一个实施例中，所述建筑消防设施的异常程度计算表达式为：
（5）
式中，表示建筑消防设施的异常程度；/>表示聚类结果中的聚类簇总数；/>表示聚类结果中的第/>个聚类簇；/>表示聚类结果中的第/>个聚类簇中所有数据点与该聚类簇的聚类中心的欧式距离之和。
建筑消防设施智能化定量检测***实施例：
本发明还提供了一种建筑消防设施智能化定量检测***。如图5所示，所述建筑消防设施智能化定量检测***包括处理器和存储器，所述存储器存储有计算机程序指令，当所述计算机程序指令被所述处理器执行时实现根据本发明第一方面所述的建筑消防设施智能化定量检测方法。
所述建筑消防设施智能化定量检测***还包括通信总线和通信接口等本领域技术人员熟知的其他组件，其设置和功能为本领域中已知，因此在此不再赘述。
在本发明中，前述的存储器可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。例如，计算机可读存储介质可以是任何适当的磁存储介质或者磁光存储介质，比如，阻变式存储器RRAM（Resistive RandomAccess Memory）、动态随机存取存储器DRAM（Dynamic Random Access Memory）、静态随机存取存储器SRAM（Static Random-Access Memory）、增强动态随机存取存储器EDRAM（Enhanced Dynamic Random Access Memory）、高带宽内存HBM（High-Bandwidth Memory）、混合存储立方HMC（Hybrid Memory Cube）等等，或者可以用于存储所需信息并且可以由应用程序、模块或两者访问的任何其他介质。任何这样的计算机存储介质可以是设备的一部分或可访问或可连接到设备。本发明描述的任何应用或模块可以使用可以由这样的计算机可读介质存储或以其他方式保持的计算机可读/可执行指令来实现。
在本说明书的描述中，“多个”、“若干个”的含义是至少两个，例如两个，三个或更多个等，除非另有明确具体的限定。
虽然本说明书已经示出和描述了本发明的多个实施例，但对于本领域技术人员显而易见的是，这样的实施例只是以示例的方式提供的。本领域技术人员会在不偏离本发明思想和精神的情况下想到许多更改、改变和替代的方式。应当理解的是在实践本发明的过程中，可以采用对本文所描述的本发明实施例的各种替代方案。
Claims (7)
1.一种建筑消防设施智能化定量检测方法，其特征在于，包括：
采集建筑消防设施的多维度数据，确定当前的***阈值以及当前的***阈值所对应的持续时段；所述多维度数据由建筑消防设施的多个类型的运行参数组成；所述***阈值用于迭代自组织聚类方法判断是否需要对聚类簇进行***操作；
根据所述多维度数据的波动幅度计算本次采集所对应的***阈值修正值；
根据所述持续时段内的多个***阈值修正值，计算本次采集所对应的可持续范围，其中所述可持续范围是指使用当前的***阈值进行聚类的次数；
响应于本次采集位于所述可持续范围内，根据当前的***阈值对所述多维度数据进行聚类；
响应于本次采集不位于所述可持续范围内，则用本次采集对应的***阈值修正值更新所述***阈值，并根据新的***阈值对所述多维度数据进行聚类；
依据聚类结果计算建筑消防设施的异常程度；
所述波动幅度的获取方法包括：
预设一个滑动窗口，该滑动窗口从第一次采集的多维度数据开始，令该滑动窗口以步长为1向后滑动，直至本次采集的数据，将每滑动一次后的窗口数据记为一个窗口；
分别依据每个窗口内相邻维度的数据的方差计算波动幅度，所述波动幅度与所述方差的差值绝对值之和呈负相关；
所述波动幅度的计算表达式为：
式中，表示当前实时数据的波动幅度；/>表示第/>个窗口的数据；/>表示所有窗口的数量；/>表示第/>个维度的数据；/>表示所采集到的建筑消防设备的数据的维度总数；/>为预设的超参数，其具体含义为：历史数据的削减因子，即距离实时数据的时刻越远的数据的权值越小；/>表示第/>个窗口中的第/>个维度的数据的方差；/>表示第/>个窗口中的第/>个维度的数据的方差；
根据所述多维度数据的波动幅度计算本次采集所对应的***阈值修正值包括：
依据本次采集的多维度数据对应的波动幅度计算***阈值修正权值；其计算表达式如下：
式中，表示第/>次所采集到的实时数据的***阈值的修正权值；/>表示本次采集对应的波动幅度；/>表示预设的经验值阈值；
将***阈值修正权值与上一次采集的多维度数据对应的***阈值修正值相乘，从而得到该多维度数据对应的***阈值修正值，其中第一次采集的多维度数据对应的***阈值修正值等于第一次采集的多维度数据对应的***阈值修正权值与初始***阈值之积。
2.如权利要求1所述的建筑消防设施智能化定量检测方法，其特征在于，所述的多维度数据包括消防水泵的压力数据、流量数据、警报***的响应时间数据以及消防水泵所在的环境内温度数据。
3.如权利要求1所述的建筑消防设施智能化定量检测方法，其特征在于，初始***阈值的获取方法包括：
在预设的样本数据采集时长内按照预设的采集频率连续对建筑消防设施的多维度数据进行采集，从而获取预采集数据样本；
预设迭代自组织聚类算法的聚类中心数量，并计算预采集数据样本中各个维度的数据的标准差，进而计算出初始***阈值，初始***阈值的计算表达式为：
式中，表示初始***阈值；/>表示预设的聚类中心数量；/>表示第/>个维度的数据；/>表示所采集到的多维度数据的维度总数；/>表示第/>个维度的所有数据的标准差。
4.如权利要求1所述的建筑消防设施智能化定量检测方法，其特征在于，所述可持续范围的计算表达式为：
式中，L表示上次更新的***阈值的可持续范围，为预设的可持续范围参考值，num表示所述持续时段内采集多维度数据的总次数，/>表示当前的***阈值；/>表示向上取整函数，/>表示所述持续时段内的第b次采集对应的***阈值修正值。
5.如权利要求4所述的建筑消防设施智能化定量检测方法，其特征在于，所述可持续范围参考值取值为50。
6.如权利要求1~5任意一项所述的建筑消防设施智能化定量检测方法，其特征在于，所述建筑消防设施的异常程度计算表达式为：
式中，表示建筑消防设施的异常程度；/>表示聚类结果中的聚类簇总数；/>表示聚类结果中的第/>个聚类簇；/>表示聚类结果中的第/>个聚类簇中所有数据点与该聚类簇的聚类中心的欧式距离之和。
7.一种建筑消防设施智能化定量检测***，包括处理器和存储器，所述存储器存储有计算机程序指令，其特征在于，当所述计算机程序指令被所述处理器执行时实现权利要求1~6任意一项所述的建筑消防设施智能化定量检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410225242.4A CN117807550B (zh) | 2024-02-29 | 2024-02-29 | 一种建筑消防设施智能化定量检测方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410225242.4A CN117807550B (zh) | 2024-02-29 | 2024-02-29 | 一种建筑消防设施智能化定量检测方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117807550A CN117807550A (zh) | 2024-04-02 |
| CN117807550B true CN117807550B (zh) | 2024-05-17 |
Family
ID=90431969
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410225242.4A Active CN117807550B (zh) | 2024-02-29 | 2024-02-29 | 一种建筑消防设施智能化定量检测方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117807550B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118133059A (zh) * | 2024-05-08 | 2024-06-04 | 武汉鼎业安环科技集团有限公司 | 一种基于数字孪生的安全风险智能检测方法及*** |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112966982A (zh) * | 2021-03-31 | 2021-06-15 | 国家电网有限公司华东分部 | 台区线损异常的识别方法、***及电子设备 |
| WO2022141746A1 (zh) * | 2020-12-30 | 2022-07-07 | 佛山科学技术学院 | 一种水质异常检测方法及电子设备 |
| CN115454779A (zh) * | 2022-09-28 | 2022-12-09 | 建信金融科技有限责任公司 | 基于聚类分析的云监控流数据检测方法、装置及存储介质 |
| CN115964662A (zh) * | 2021-10-08 | 2023-04-14 | 哈尔滨工业大学（威海） | 基于改进密度峰值聚类的复杂装备参数异常检测方法 |
| CN116170208A (zh) * | 2023-02-21 | 2023-05-26 | 北京安信天行科技有限公司 | 一种基于半监督isodata算法的网络入侵实时检测方法 |
| CN116756595A (zh) * | 2023-08-23 | 2023-09-15 | 深圳市森瑞普电子有限公司 | 一种导电滑环故障数据采集监测方法 |
| CN116958837A (zh) * | 2023-07-20 | 2023-10-27 | 南京衡臻交通科技有限公司 | 基于无人机的市政设施故障检测*** |
| CN117421618A (zh) * | 2023-11-24 | 2024-01-19 | 上海东方低碳科技产业股份有限公司 | 一种建筑能耗监测方法及*** |
| CN117493920A (zh) * | 2023-11-20 | 2024-02-02 | 深圳前海微众银行股份有限公司 | 一种数据分类方法及装置 |
-
2024
- 2024-02-29 CN CN202410225242.4A patent/CN117807550B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022141746A1 (zh) * | 2020-12-30 | 2022-07-07 | 佛山科学技术学院 | 一种水质异常检测方法及电子设备 |
| CN112966982A (zh) * | 2021-03-31 | 2021-06-15 | 国家电网有限公司华东分部 | 台区线损异常的识别方法、***及电子设备 |
| CN115964662A (zh) * | 2021-10-08 | 2023-04-14 | 哈尔滨工业大学（威海） | 基于改进密度峰值聚类的复杂装备参数异常检测方法 |
| CN115454779A (zh) * | 2022-09-28 | 2022-12-09 | 建信金融科技有限责任公司 | 基于聚类分析的云监控流数据检测方法、装置及存储介质 |
| CN116170208A (zh) * | 2023-02-21 | 2023-05-26 | 北京安信天行科技有限公司 | 一种基于半监督isodata算法的网络入侵实时检测方法 |
| CN116958837A (zh) * | 2023-07-20 | 2023-10-27 | 南京衡臻交通科技有限公司 | 基于无人机的市政设施故障检测*** |
| CN116756595A (zh) * | 2023-08-23 | 2023-09-15 | 深圳市森瑞普电子有限公司 | 一种导电滑环故障数据采集监测方法 |
| CN117493920A (zh) * | 2023-11-20 | 2024-02-02 | 深圳前海微众银行股份有限公司 | 一种数据分类方法及装置 |
| CN117421618A (zh) * | 2023-11-24 | 2024-01-19 | 上海东方低碳科技产业股份有限公司 | 一种建筑能耗监测方法及*** |
Non-Patent Citations (1)
| Title |
|---|
| AOI晶圆缺陷检测***的运动台路径规划研究;肖钰坤;中国优秀硕士学位论文全文数据库 (基础科学辑);20230215;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117807550A (zh) | 2024-04-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117807550B (zh) | 一种建筑消防设施智能化定量检测方法及*** | |
| CN106897178B (zh) | 一种基于极限学习机的慢盘检测方法及*** | |
| CN113518011B (zh) | 异常检测方法和装置、电子设备及计算机可读存储介质 | |
| CN112580961B (zh) | 基于电网信息***运行风险预警方法及装置 | |
| CN111105104A (zh) | 一种基于相似日和rbf神经网络的短期电力负荷预测方法 | |
| WO2009012354A1 (en) | System and method to assess signal similarity with applications to diagnostics and prognostics | |
| CN103746829A (zh) | 一种基于集群的故障感知***及其方法 | |
| CN115865649B (zh) | 一种智能运维管理控制方法、***和存储介质 | |
| KR101893563B1 (ko) | 사물인터넷 기반 화재 블랙박스 시스템 및 그 운용 방법 | |
| CN116066343A (zh) | 一种输油泵机组故障模型的智能预警方法及*** | |
| CN112904148A (zh) | 智能电缆运行监测***、方法及装置 | |
| CN115081969A (zh) | 异常数据确定方法及相关装置 | |
| CN114978877A (zh) | 一种异常处理方法、装置、电子设备及计算机可读介质 | |
| CN106652393B (zh) | 假警报确定方法及装置 | |
| CN117421616A (zh) | 一种矿山竖井井筒检测***及方法 | |
| CN112749035B (zh) | 异常检测方法、装置及计算机可读介质 | |
| CN112580260A (zh) | 管网水流量的预测方法、装置以及计算机可读存储介质 | |
| CN104143128A (zh) | 信息***安全评估指标的拓充方法及装置 | |
| CN117873838B (zh) | 一种电信设备环境温度监控方法及*** | |
| CN117407824B (zh) | 一种电力时间同步装置的健康检测方法、设备和介质 | |
| CN112905479B (zh) | 一种基于云平台报警事故根因最佳路径确定方法及*** | |
| CN117585554B (zh) | 一种设备巡检方法及巡检*** | |
| CN118091325B (zh) | 一种电缆智能检测方法及*** | |
| CN112905419B (zh) | 指标数据监测阈值范围确定方法、装置和可读存储介质 | |
| CN113806495B (zh) | 一种离群机器检测方法和装置 |
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 |