趙月愛，郭興原

(太原師范學院 a.計算機科學與技術系，b.數(shù)學系，山西 晉中 030619)

隨著社會經濟的發(fā)展和科技生產力的提高，各行各業(yè)進入到了一個高電氣化時代。但用電量的不斷增加導致電氣火災事件的發(fā)生也逐年攀升。而傳統(tǒng)的電氣火災報警系統(tǒng)對數(shù)據(jù)處理方式比較單一，智能化程度較低，經常是在發(fā)生火災險情后才報警，甚至出現(xiàn)延遲報警、誤報甚至漏報，給人民造成很大的經濟損失[1]。如何在單一傳感數(shù)據(jù)未達到閾值前就及早發(fā)現(xiàn)異常信息，實現(xiàn)精準預測，減少甚至完全消滅火災，把由火災而引發(fā)的各種損失盡可能降低成為該領域的研究重點。

近年來，國內外學者提出了許多有關火災及電氣火災檢測的預警算法。如WANG et al[2]提出的基于深度學習的監(jiān)控視頻火災探測系統(tǒng)，適用于在相對開放的環(huán)境中對監(jiān)控視頻中的火焰、煙霧等采用卷積神經網絡算法進行分析檢測；GAGLIARDI et al[3]在監(jiān)控視頻火災探測中將傳統(tǒng)的卡爾曼濾波與卷積神經網絡算法進行了融合；CHOUDHURY et al[4]利用多傳感器智能程序識別探測器實現(xiàn)了一種基于模糊規(guī)則的智能預警系統(tǒng)；黃翰鵬等[5]采用溫度、煙霧濃度和一氧化碳濃度三個特征指標，在融合模糊神經網絡與時序模型的火災預警中實現(xiàn)了對實測環(huán)境火災條件的實時檢測；GUO et al[6]提出了基于模糊神經網絡的火災檢測模型，隨后，趙棟[7]將這種算法應用于電氣火災預警系統(tǒng)，提高了系統(tǒng)的可靠性和準確性；任嘉鋒[8]在傳統(tǒng)圖像識別的卷積網絡算法下，提出了混合卷積網絡的火災識別方法，提高了火災的識別精度；WANG et al[9]基于物聯(lián)網、人工智能和自動控制等技術研制了一種集電氣設備檢測、火災探測及自動滅火為一體的裝置。但這些方法大部分都沒能考慮到電氣數(shù)據(jù)的時序性和數(shù)據(jù)之間的相關性等特點，使得在實際預測時，都不能夠達到很好的預測精度。

張琪等[10]提出的基于傳感數(shù)據(jù)時序連續(xù)性檢測算法(temporal continuity detection，TCD)對單一傳感器有較好的預測精度，考慮到實際應用中，單一傳感器的持續(xù)升高與電氣火災的發(fā)生有強相關性，若可以在未達到傳感器閾值前即產生預警，會為管理人員發(fā)現(xiàn)和解決問題贏得更多寶貴時間，這在消防預警中至關重要。在此基礎上，本文對TCD算法進行了改進，增加了單源傳感變化率的研究，提出了N-TCD算法(new temporal continuity detection，N-TCD)。另外，SHENG et al[11]提出基于多視圖低秩分析算法(multi-view low-rank analysis，MLRA)對分析各視圖之間的相關關系有明顯的優(yōu)勢。本文將N-TCD算法融合到MLRA算法中，提出了基于多源數(shù)據(jù)協(xié)同感知的消防預警算法(new TCD and MLRA，NTM)，實驗結果表明該算法明顯優(yōu)于其他算法。

1 N-TCD算法

TCD算法的主要思想是利用滑動窗口技術實時檢測，先計算滑動窗口中全部數(shù)據(jù)的離群距離，再計算每個數(shù)據(jù)的相對離群距離，最后，比較相對離群距離與所給定的相對距離閾值的大小，如果小于距離閾值則逐漸縮小窗口精確進一步判斷是否為異常，直到縮小窗口后的序列長度小于窗口閾值且相對離群距離仍小于距離閾值的即視為異常，否則判斷為正常。

考慮到電氣數(shù)據(jù)的時序連續(xù)性特點，本文在TCD算法基礎上增加了對單源傳感數(shù)據(jù)變化率的研究，提出了N-TCD算法。

1.1 N-TCD算法相關定義

為了更好描述N-TCD算法，下面給出相關的定義和符號表示。

定義1傳感器所采集并傳輸?shù)亩嘣磦鞲袛?shù)據(jù)，按照時間序列數(shù)據(jù)形式簡化表示為：

Sm={S1,S2,…,Si,…,Sm} .

(1)

Si={s1,s2,…,sj,…,sn} .

(2)

sj=(vj,tj) .

(3)

式中：1≤i≤m，1≤j≤n，式(1)中的Sm為多源傳感器所傳輸?shù)臄?shù)據(jù)，Si為第i個單源傳感器所傳輸?shù)臄?shù)據(jù)；式(2)中n為單源傳感數(shù)據(jù)Si的長度。vj表示sj的具體值，tj表示sj的時間，在時間序列中tj是嚴格遞增的。

按照式(2)中Si的表達形式，引入滑動窗口SW存放Si的部分數(shù)據(jù)[12]，其中，SW的長度為Lsw.忽略SW中sj的時間值tj，給出SW中時間序列數(shù)據(jù)的離群距離有關的定義如下。

定義2SW中的部分時間序列數(shù)據(jù)可以簡化表示為

Tn={v1,v2,v3,…,vi,…,vn}(1≤i≤n) .

(4)

(5)

(6)

定義3根據(jù)SW的數(shù)據(jù)表示，引入k存放單源傳感器變化率的異常值。用SW中的相鄰值作差，用于分析單源傳感器中的變化率：

ki=vi-vi-1(1

(7)

1.2 N-TCD異常值檢測算法

算法1. N-TCD異常值檢測算法輸入:數(shù)據(jù)集Si,滑動窗口SW的長度lsw,移動的距離閾值lmove,相對離群距離閾值γ,相鄰數(shù)據(jù)的變化率閾值ki;輸出:異常值的參數(shù)集合W.① vi=vi-minmax-min ∥對數(shù)據(jù)進行離差標準化/② j=1 While j≤n; ∥對每個窗口中的數(shù)據(jù)進行異常值檢測*/ start_point=j; end_point=start_point+lsw-1;③ ki=vi-vi-1 if k>β W=W∪(lth-m,lsw)④ d'outlier=1n∑ni=2(vi-vi+1)2 d'i=d'outliervi index1=find(d'γ<γ) l1move=lmove⑤ for a:=1:length(index 1) num=currentLocal(index1(a)); SWsub=(num-lmove-1,num+lmove); d″γ=d″outlierv'i if d'γ<γ & SWsub<=εsize W=W∪{d″}r end l1move=l1move2 end⑥ j=j+lmove end

2 NTM算法的異常值檢測

在實際應用領域，只通過單個傳感器檢測出的異常并不能最終確定為異常事件，往往還需要多個傳感數(shù)據(jù)組合起來綜合評判。常見的多源傳感器組合的方法有基于多元傳感器擬合法[13]、基于神經網絡的異常檢測法[14]、基于貝葉斯估計的異常值檢測[15]或集成學習算法[16]等，但這些算法一般不會將相似類別的幾個單源傳感數(shù)據(jù)組合起來分析研究，這將會損失具有相似類別數(shù)據(jù)特征的價值。而基于多視圖異常檢測法[17]可以將相似類別的數(shù)據(jù)作為一個視圖，進而分析同一視圖及不同視圖之間的相關關系，彌補了以上算法檢測的缺陷。但由于多視圖分析中各視圖之間的復雜分布和不同視圖間樣本特征的不一致性，因此，目前基于多視圖異常值檢測的方法仍然是一個巨大的挑戰(zhàn)。SHENG et al[11]提出了基于多視圖低秩分析的MLRA算法，該算法通過構建多視圖低秩分析框架分析各視圖之間的內部關系，從而揭示樣本的內在結構，并通過估計每個樣本的異常分數(shù)識別異常值。本文將N-TCD算法與MLRA算法進行融合，提出了NTM算法。

本文將異常事件分為顯性異常事件、隱形異常事件、明確異常事件和不定異常事件，如表1所示。所謂顯性異常事件是指采集的數(shù)據(jù)中通過單源傳感數(shù)據(jù)檢測有兩個或兩個以上m個以下為異常且通過多視圖檢測也為異常的事件；隱形異常事件是指僅有單個以上及m個以下的單源檢測為異常，但多視圖檢測不異常的事件；明確異常事件指那些通過單源傳感數(shù)據(jù)檢測連續(xù)有m個以上均為異常且不管多視圖是否異常的事件；不定異常事件指單源檢測一個或無異常但多視圖檢測異常的事件。

表1 融合算法事件描述Table 1 Event description of fusion algorithm

2.1 NTM算法的定義及表示方法

定義4將電氣數(shù)據(jù)分為兩個視圖，一個是兩組電壓電流的數(shù)據(jù)作為一個視圖，另一個是所有的剩余電流和溫度的數(shù)據(jù)作為一個視圖。記為，

X={X1,X2} .

(8)

X1={S1,S2,S3,S4,S5,S6} ,
X2={S7,S8,S9,S10,S11,S12} .

(9)

其中，Si與定義1中所表含義相同。

定義5將Xv記為矩陣的格式，則有：

Xv=XvZv+Ev(v=1,2) .

(10)

Zv是具有塊對角結構的低秩系數(shù)矩陣，Ev屬于噪聲矩陣。

定義6使用l2,1范數(shù)和跡范數(shù)將目標函數(shù)Xv=XvZv+Ev(v=1,2)轉換為下述更易實現(xiàn)的目標函數(shù)：

(11)

其中，‖·‖*表示跡范數(shù)。

定義7為了解決(11)式的問題，用增廣拉格朗日乘子算法優(yōu)化該目標函數(shù)，引入松弛變量Jv,Sv，

(12)

增廣拉格朗日函數(shù)為：

(13)

式中：Wv，Pv和Q為拉格朗日乘子，μ>0,μ為懲罰因子。

定義8由于目標函數(shù)不是對所有變量共同凸的，而是需固定其他變量，僅對其中一個變量進行更新，因此，該算法將變量更新如下：

固定其他變量，更新Jv

(14)

固定其他變量，更新Zv

(15)

(16)

固定其他變量，更新S

(17)

固定其他變量，更新Ev

(18)

(19)

通過多次迭代，求得Zv，Ev.

定義9使用上述得到的Zv,Ev，求出異常分數(shù)

(20)

2.2 NTM的異常檢測算法

3 實驗與結果分析

3.1 實驗環(huán)境

本文在實際應用場景中采集的數(shù)據(jù)集上進行分析，實驗系統(tǒng)為Windows10(64位) ，CPU為1.80 GHz，內存為8 GB，Matlab版本為2013.

實驗數(shù)據(jù)是通過在某單位的多個配電箱中分別部署電氣檢測裝置采集的，每個采集裝置主要包括3個電壓傳感器、3個電流傳感器、1個剩余電流傳感器和3個溫度傳感器，主控制器每隔一秒會把采集的數(shù)據(jù)通過GPRS技術發(fā)送到阿里云服務器，數(shù)據(jù)以十六進制傳輸，按照通信協(xié)議對數(shù)據(jù)進行了轉換并以十進制形式存儲和分析。本文分別在收集的93 220條數(shù)據(jù)和47 500條數(shù)據(jù)上經歸一化預處理后的數(shù)據(jù)集(laboratory electrical data，LED)LED1和LED2上進行了實驗。數(shù)據(jù)集中的相關傳感數(shù)據(jù)的參數(shù)描述如表2所示。

表2 傳感數(shù)據(jù)參數(shù)描述Table 2 Sensor data parameter description

3.2 N-TCD異常檢測算法分析

本實驗分別對數(shù)據(jù)集LED1和LED2中的部分數(shù)據(jù)進行了標注，分別共有489條和73條異常信息，其中各單源傳感器所產生的異常數(shù)目分別為表3和表4中的All Abnormal Parameters列所示。分別采用TCD和N-TCD算法對單源傳感數(shù)據(jù)進行檢測，實驗結果如表3和表4所示。

表3 LED1異常檢測結果集Table 3 LED1 anomaly detection results

從表3的實驗結果可知，U1、I1、I2、L、Q1、Q2、Q3在N-TCD算法中的異常檢出率比TCD算法的異常檢出率高；U2的異常檢出率在兩種算法中相同。表4的實驗結果可知U1、I1、I2、Q1、Q3在N-TCD算法中的異常檢出率比TCD算法的異常檢出率高；U2、L、Q2的異常檢出率在兩種算法中相同。綜上，N-TCD算法相比TCD算法異常檢出率更高。

表4 LED2異常檢測結果集Table 4 LED2 anomaly detection results

3.3 NTM異常檢測算法分析

利用提出的NTM算法在LED1和LED2數(shù)據(jù)集上進行異常數(shù)據(jù)檢測，其中，表5為LED1數(shù)據(jù)集中MLRA算法和NTM算法中確定為異常事件的顯性異常事件和明確異常事件分別為353條和438條，不確定為異常事件的隱形異常事件和不定異常事件分別為29條和12條。

表5 LED1異常事件檢測結果Table 5 LED1 abnormal event detection results

表6為LED2數(shù)據(jù)集中MLRA算法和NTM算法確定為異常事件的顯性異常事件和明確異常事件分別為54條和66條，不確定為異常事件的隱形異常事件和不定異常事件分別為4條和3條。

表6 LED2異常事件檢測結果Table 6 LED2 abnormal event detection results

異常數(shù)據(jù)總數(shù)可以表示為Dsum，成功檢測出的異常數(shù)據(jù)可以表示為Dcor，成功檢測出的異常數(shù)據(jù)為確定異常數(shù)據(jù)的可以表示為Dsur，則異常數(shù)據(jù)的檢測精度Dprecision及檢測準確率Daccuracy的計算為：

表7為不同數(shù)據(jù)集下NTM算法和MLRA算法檢測結果比較。

表7 不同數(shù)據(jù)集下NTM算法和MLRA算法檢測結果比較Table 7 NTM and MLRA algorithms under different data sets

從表7中可知，使用多視圖異常檢測的MLRA算法僅能發(fā)現(xiàn)LED1數(shù)據(jù)集489條中的382條異常數(shù)據(jù)，其檢測精度為Dprecision=0.78，而382條異常數(shù)據(jù)中有353條為確定異常數(shù)據(jù)，其檢測準確率為Daccuracy=0.92.而NTM算法能發(fā)現(xiàn)489條異常數(shù)據(jù)中的450條，其檢測精度為0.92，其中確定異常數(shù)據(jù)為438條，其檢測準確率可達到Daccuracy=0.97；在LED2數(shù)據(jù)集中使用多視圖異常檢測的MLRA算法僅能發(fā)現(xiàn)73條異常數(shù)據(jù)中的58條異常數(shù)據(jù)，其檢測精度為Dprecision=0.79，而58條異常數(shù)據(jù)中有54條為確定異常數(shù)據(jù)，其檢測準確率為Daccuracy=0.93.而NTM算法能發(fā)現(xiàn)73條異常數(shù)據(jù)中的69條，其檢測精度為Dprecision=0.95，其中確定異常數(shù)據(jù)為66條，其檢測準確率可達到Daccuracy=0.96；綜上所述，NTM的異常精度和檢測準確率均優(yōu)于MLRA.

4 結束語

本文提出了改進的傳感數(shù)據(jù)時序連續(xù)性檢測算法N-TCD算法，并考慮到不同傳感數(shù)據(jù)之間的關系，進一步采用多視圖低秩分析方法構建了NTM算法應用于電氣火災的消防預警中。實驗結果表明該算法有準確率高、誤報率低、安全可靠等優(yōu)點。今后將考慮更多影響電氣火災的因素如濕度、視頻信息等進行綜合分析，從而逐步提高該算法對電氣火災的消防預警能力。