一种室内燃气监测故障分析模型

技术领域

本发明涉及一种物联网技术领域，特别是涉及一种室内燃气监测故障分析模型。

背景技术

室内燃气监测及燃气用气安全是工商业及家庭用户生活的基本保障，随着人工智能、大数据、物联网等新兴技术的发展，室内燃气监测设备的安全、可靠与稳定显得至关重要。目前，燃气监测设备故障主要依赖于人工进行上门巡检。但随着居民用气安全意识不断提高及燃气设备覆盖率的不断提升，传统方式压力倍增。

同时燃气监测设备的工作环境比较复杂，室内复杂的温度、湿度、烟尘条件以及各类因素使得燃气监测设备十分容易出现故障从而导致误报或是漏报的情况，若是不能提早发现，容易造成财产经济损失。

传统方法对于燃气传感器的故障监测一般采用阈值限定条件的方法。但该方法对于低于阈值的可能的故障无法有效的判别诊断。同时，缺少对于设备故障区域分布和性能数据特征的监测能力，因此难以及时的获取设备损耗的分布规律。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于公开一种室内燃气监测故障分析模型，用于解决现有技术中缺少对于燃气传感器对故障的监测能力，进而导致由于故障的漏报所带来经济财产损失的问题。

为实现上述目的及其他相关目的，本发明公开一种室内燃气监测故障分析模型，其包括：

获取燃气监测设备故障数据，并提取所述故障数据中的异常数据；

将所述异常数据进行特征提取，形成原始故障特征集，并对所提取的数据特征进行无量纲化处理；

对提取的数据特征分别进行聚类分析，将结果分类后建立故障数据集；

将待监测数据同样输入故障数据集进行相似度匹配，进行故障分析和归类，并获取设备故障损耗的分布规律。

于本发明的一实施例中，所述异常数据包括：温度异常数据、湿度异常数据以及燃气容浓度异常数据。

于本发明的一实施例中，在所述获取燃气监测设备故障数据，并提取所述故障数据中的异常数据的步骤中，包括：

对已收集的燃气监测设备数据中的故障类型进行标注，分别提取温度异常数据、湿度异常数据和燃气浓度异常数据；

建立温度与时间的相关曲线、湿度与温度的相关曲线以及燃气浓度与时间的相关曲线；

将时间参数进行处理，并使得时间区间为0到10。

于本发明的一实施例中，在所述将所述异常数据进行特征提取，形成原始故障特征集，并对所提取的数据特征进行无量纲化处理的步骤中，包括：

对于获得的每条曲线进行处理，其包括计算曲线的均值、方差、最大值、最小值、最值差值和波动率；

将每条曲线的均值、方差、最大值、最小值、最值差值以及波动率进行数据标准化处理，形成该曲线的特征向量；

依据三个曲线所形成的特征向量，建立三个由这些特征向量组成的原始故障数据集。

于本发明的一实施例中，所述波动率的计算方法包括：将处理后的曲线平均分为十等份，将每份数据中的九十分位数和十分位数作差获得该份数据的波动幅度，将十份波动数据的波动幅度取中位数作为该曲线的波动率。

于本发明的一实施例中，在所述对提取的数据特征分别进行聚类分析，将结果分类后建立故障数据集的步骤中，包括：

对三个原始故障特征集分别应用k-means++聚类算法进行聚类分析；

将各个原始故障特征集的聚类分析所得结果标记成不同的故障类型，分别建立温度、湿度以及燃气浓度的故障数据集。

于本发明的一实施例中，所述对三个原始故障特征集分别应用k-means++聚类算法进行聚类分析的步骤中，包括：

S311、每一条曲线由六个特征代表，将所有这些曲线都视为六维空间中的一个点，得到一个六维空间中的散点图；

S312、输入k值，所述k值为预先设定的想要得到的故障分类数；

S313、在六维空间中随机选取一个数据点作为初始聚类中心；

S314、对余下数据点分别计算其对于初始聚类中心的欧式距离D(x)；

S315、将每个点的D(x)值的相对大小作为选取为下个聚类中心的概率，并用轮盘选择法选出下一个聚类中心，直至获得k个聚类中心；

S316、分别计算除去聚类中心的每个数据点对于各个聚类中心的欧氏距离，选择距离最近的聚类中心归为一类；

S317、将聚类后的每一类中的数据点坐标取中值作为该类的新聚类中心；

S318、重复步骤S316和步骤S317直至新聚类中心坐标不再改变；

S319、获得最终聚类结果。

于本发明的一实施例中，在所述将待监测数据同样输入故障数据集进行相似度匹配，进行故障分析和归类的步骤中，包括：

将待监测数据进行特征提取，形成原始故障特征集，并对所提取的数据特征进行无量纲化处理；

当所述数据点与某一聚类中心的欧氏距离相近，则得出设备故障损耗的分布规律。

如上所述，本发明公开了一种室内燃气监测故障分析模型，其通过k-means++聚类算法对设备故障的区域分布、型号等数据特征分别进行聚类分析，得出设备故障损耗的分布规律。基于设备故障损耗的分布规律，可以对设备的使用状态进行预测。可以有效的防止相关事故的发生，保障人民生命及财产安全。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图

图1为本发明一种室内燃气监测故障分析模型于一实施例中的方法流程示意图；

图2为本发明一种室内燃气监测故障分析模型于一实施例中的步骤S20的流程示意图；

图3为本发明一种室内燃气监测故障分析模型于一实施例中的步骤S30的流程示意图；

图4为本发明一种室内燃气监测故障分析模型于一实施例中的步骤S310的详细的流程示意图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

请参阅图1所示，本发明公开一种室内燃气监测故障分析模型，可用于解决现有技术中缺少对于燃气传感器对故障的监测能力，进而导致由于故障的漏报所带来经济财产损失的问题。

具体来说，室内燃气监测设备故障分析模型主要是通过以下步骤，实现对于燃气传感器故障的监测的。

执行步骤S10，获取燃气监测设备故障数据，并提取所述故障数据中的异常数据。其中，所述异常数据可以包括的温度异常数据、湿度异常数据以及燃气浓度异常数据。需要注意的是，对于故障数据而言，可允许是基于人工的前期经验，或者阈值限定条件的方法进行获取。因此，可以预设相关的阈值，燃气监测设备的相关数据是不满足其对应的阈值条件时，则判定相关的数据为异常数据。

具体来说，在步骤S10中，包括步骤：

S101、对已收集的燃气监测设备数据中的故障类型进行标注，分别提取温度异常数据、湿度异常数据和燃气浓度异常数据。

S102、建立温度与时间的相关曲线、湿度与温度的相关曲线以及燃气浓度与时间的相关曲线。其中，不同时间分别对应有温度数据、湿度数据以及燃气浓度数据。

S103、将时间参数进行处理，并使得时间区间为0到10。由于在步骤S102中，所得到的三条曲线的持续的时间可能不同，因此通过时间参数设置为1到10的范围，以便于后续处理。

执行步骤S20、将所述异常数据进行特征提取，形成原始故障特征集，并对所提取的数据特征进行无量纲化处理。通过将异常数据进行特征提取，以及通过无量纲化处理，以便于对于异常数据进行进一步的分析。

具体来说，请参阅图2所示，在执行步骤S20的过程中，其包括步骤：

S201、对于获得的每条曲线进行处理，其包括计算曲线的均值、方差、最大值、最小值、最值差值和波动率。其中，波动率的计算方法包括：将处理后的曲线平均分为十等份，将每份数据中的九十分位数和十分位数作差获得该份数据的波动幅度，将十份波动数据的波动幅度取中位数作为该曲线的波动率。

S202、将每条曲线的均值、方差、最大值、最小值、最值差值以及波动率进行数据标准化处理，形成该曲线的特征向量。

S203、依据三个曲线所形成的特征向量，建立三个由这些特征向量组成的原始故障数据集。

因此，通过将异常数据进行无量纲化处理，以便于对异常数据进行更加细致的分类和分析。

执行步骤S30，对提取的数据特征分别进行聚类分析，将结果分类后建立故障数据集。在对提取的数据特征进行聚类分析时，可允许通过k-means++聚类算法进行聚类分析。具体来说，k-means++聚类算法是利用相似性度量方法来衡量数据集中所有数据之间的关系，将关系比较密切的数据划分到一个集合中。k-means++聚类算法具备容易实现原理简单，且聚类速度比较快的优点。

请参阅图3和图4所示，在对提取的数据特征分别进行聚类分析，将结果分类后建立故障数据集时，可以包括步骤：

S310，对三个原始故障特征集分别应用k-means++聚类算法进行聚类分析。具体来说，在通过k-means++聚类算法进行聚类分析时，可以包括以下步骤：

S311、每一条曲线由六个特征代表，将所有这些曲线都视为六维空间中的一个点，得到一个六维空间中的散点图；

S312、输入k值，所述k值为预先设定的想要得到的故障分类数；

S313、在六维空间中随机选取一个数据点作为初始聚类中心；

S314、对余下数据点分别计算其对于初始聚类中心的欧式距离D(x)；

S315、将每个点的D(x)值的相对大小作为选取为下个聚类中心的概率，并用轮盘选择法选出下一个聚类中心，直至获得k个聚类中心；

S316、分别计算除去聚类中心的每个数据点对于各个聚类中心的欧氏距离，选择距离最近的聚类中心归为一类；

S317、将聚类后的每一类中的数据点坐标取中值作为该类的新聚类中心；

S318、重复步骤S316、和步骤S317直至新聚类中心坐标不再改变；

S319、获得最终聚类结果。

S320，将各个原始故障特征集的聚类分析所得结果标记成不同的故障类型，建立温度、湿度以及燃气浓度的故障数据集。

最后，执行步骤S40，将待监测数据同样输入故障数据集进行相似度匹配，进行故障分析和归类，并获取设备故障损耗的分布规律。

具体来说，在获取监测数据以后，还需要对待监测数据进行特征提取，形成原始故障特征集，并对所提取的数据特征进行无量纲化处理。然后，将待监测数据同样输入故障数据集进行相似度匹配，进行故障分析和归类。

将待监测数据进行无量纲化处理后，判断该数据点是否与某一聚类中心的欧氏距离相近：若是，则得出设备故障损耗的分布规律。进而有效解决现有技术中缺少对于燃气传感器对故障的监测能力，进而导致由于故障的漏报所带来经济财产损失的问题。

因此，通过相关算法准确的判断设备故障损耗的分布一般规律性，有效的防止相关事故的发生，保障人民生命及财产安全。

综上所述，本发明公开了一种室内燃气监测故障分析模型，其通过k-means++聚类算法对设备故障的区域分布、型号等数据特征分别进行聚类分析，得出设备故障损耗的分布规律。基于设备故障损耗的分布规律，可以对设备的使用状态进行预测。可以有效的防止相关事故的发生，保障人民生命及财产安全。因此，可有效解决现有技术中缺少对于燃气传感器对故障的监测能力，进而导致由于故障的漏报所带来经济财产损失的问题。

所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。

上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。