趙月愛(ài)，郭興原

(太原師范學(xué)院 a.計(jì)算機(jī)科學(xué)與技術(shù)系，b.數(shù)學(xué)系，山西 晉中 030619)

隨著社會(huì)經(jīng)濟(jì)的發(fā)展和科技生產(chǎn)力的提高，各行各業(yè)進(jìn)入到了一個(gè)高電氣化時(shí)代。但用電量的不斷增加導(dǎo)致電氣火災(zāi)事件的發(fā)生也逐年攀升。而傳統(tǒng)的電氣火災(zāi)報(bào)警系統(tǒng)對(duì)數(shù)據(jù)處理方式比較單一，智能化程度較低，經(jīng)常是在發(fā)生火災(zāi)險(xiǎn)情后才報(bào)警，甚至出現(xiàn)延遲報(bào)警、誤報(bào)甚至漏報(bào)，給人民造成很大的經(jīng)濟(jì)損失[1]。如何在單一傳感數(shù)據(jù)未達(dá)到閾值前就及早發(fā)現(xiàn)異常信息，實(shí)現(xiàn)精準(zhǔn)預(yù)測(cè)，減少甚至完全消滅火災(zāi)，把由火災(zāi)而引發(fā)的各種損失盡可能降低成為該領(lǐng)域的研究重點(diǎn)。

近年來(lái)，國(guó)內(nèi)外學(xué)者提出了許多有關(guān)火災(zāi)及電氣火災(zāi)檢測(cè)的預(yù)警算法。如WANG et al[2]提出的基于深度學(xué)習(xí)的監(jiān)控視頻火災(zāi)探測(cè)系統(tǒng)，適用于在相對(duì)開(kāi)放的環(huán)境中對(duì)監(jiān)控視頻中的火焰、煙霧等采用卷積神經(jīng)網(wǎng)絡(luò)算法進(jìn)行分析檢測(cè)；GAGLIARDI et al[3]在監(jiān)控視頻火災(zāi)探測(cè)中將傳統(tǒng)的卡爾曼濾波與卷積神經(jīng)網(wǎng)絡(luò)算法進(jìn)行了融合；CHOUDHURY et al[4]利用多傳感器智能程序識(shí)別探測(cè)器實(shí)現(xiàn)了一種基于模糊規(guī)則的智能預(yù)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(gè)特征指標(biāo)，在融合模糊神經(jīng)網(wǎng)絡(luò)與時(shí)序模型的火災(zāi)預(yù)警中實(shí)現(xiàn)了對(duì)實(shí)測(cè)環(huán)境火災(zāi)條件的實(shí)時(shí)檢測(cè)；GUO et al[6]提出了基于模糊神經(jīng)網(wǎng)絡(luò)的火災(zāi)檢測(cè)模型，隨后，趙棟[7]將這種算法應(yīng)用于電氣火災(zāi)預(yù)警系統(tǒng)，提高了系統(tǒng)的可靠性和準(zhǔn)確性；任嘉鋒[8]在傳統(tǒng)圖像識(shí)別的卷積網(wǎng)絡(luò)算法下，提出了混合卷積網(wǎng)絡(luò)的火災(zāi)識(shí)別方法，提高了火災(zāi)的識(shí)別精度；WANG et al[9]基于物聯(lián)網(wǎng)、人工智能和自動(dòng)控制等技術(shù)研制了一種集電氣設(shè)備檢測(cè)、火災(zāi)探測(cè)及自動(dòng)滅火為一體的裝置。但這些方法大部分都沒(méi)能考慮到電氣數(shù)據(jù)的時(shí)序性和數(shù)據(jù)之間的相關(guān)性等特點(diǎn)，使得在實(shí)際預(yù)測(cè)時(shí)，都不能夠達(dá)到很好的預(yù)測(cè)精度。

張琪等[10]提出的基于傳感數(shù)據(jù)時(shí)序連續(xù)性檢測(cè)算法(temporal continuity detection，TCD)對(duì)單一傳感器有較好的預(yù)測(cè)精度，考慮到實(shí)際應(yīng)用中，單一傳感器的持續(xù)升高與電氣火災(zāi)的發(fā)生有強(qiáng)相關(guān)性，若可以在未達(dá)到傳感器閾值前即產(chǎn)生預(yù)警，會(huì)為管理人員發(fā)現(xiàn)和解決問(wèn)題贏得更多寶貴時(shí)間，這在消防預(yù)警中至關(guān)重要。在此基礎(chǔ)上，本文對(duì)TCD算法進(jìn)行了改進(jìn)，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(duì)分析各視圖之間的相關(guān)關(guān)系有明顯的優(yōu)勢(shì)。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(yù)警算法(new TCD and MLRA，NTM)，實(shí)驗(yàn)結(jié)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(dòng)窗口技術(shù)實(shí)時(shí)檢測(cè)，先計(jì)算滑動(dòng)窗口中全部數(shù)據(jù)的離群距離，再計(jì)算每個(gè)數(shù)據(jù)的相對(duì)離群距離，最后，比較相對(duì)離群距離與所給定的相對(duì)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(jìn)一步判斷是否為異常，直到縮小窗口后的序列長(zhǎng)度小于窗口閾值且相對(duì)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(shí)序連續(xù)性特點(diǎn)，本文在TCD算法基礎(chǔ)上增加了對(duì)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(guān)定義

為了更好描述N-TCD算法，下面給出相關(guān)的定義和符號(hào)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(shí)間序列數(shù)據(jù)形式簡(jiǎn)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(gè)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(zhǎng)度。vj表示sj的具體值，tj表示sj的時(shí)間，在時(shí)間序列中tj是嚴(yán)格遞增的。

按照式(2)中Si的表達(dá)形式，引入滑動(dòng)窗口SW存放Si的部分?jǐn)?shù)據(jù)[12]，其中，SW的長(zhǎng)度為L(zhǎng)sw.忽略SW中sj的時(shí)間值tj，給出SW中時(shí)間序列數(shù)據(jù)的離群距離有關(guān)的定義如下。

定義2SW中的部分時(shí)間序列數(shù)據(jù)可以簡(jiǎn)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(cè)算法

算法1. N-TCD異常值檢測(cè)算法輸入:數(shù)據(jù)集Si,滑動(dòng)窗口SW的長(zhǎng)度lsw,移動(dòng)的距離閾值lmove,相對(duì)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(duì)數(shù)據(jù)進(jìn)行離差標(biāo)準(zhǔn)化/② j=1 While j≤n; ∥對(duì)每個(gè)窗口中的數(shù)據(jù)進(jìn)行異常值檢測(cè)*/ 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(cè)

在實(shí)際應(yīng)用領(lǐng)域，只通過(guò)單個(gè)傳感器檢測(cè)出的異常并不能最終確定為異常事件，往往還需要多個(gè)傳感數(shù)據(jù)組合起來(lái)綜合評(píng)判。常見(jiàn)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(jīng)網(wǎng)絡(luò)的異常檢測(cè)法[14]、基于貝葉斯估計(jì)的異常值檢測(cè)[15]或集成學(xué)習(xí)算法[16]等，但這些算法一般不會(huì)將相似類別的幾個(gè)單源傳感數(shù)據(jù)組合起來(lái)分析研究，這將會(huì)損失具有相似類別數(shù)據(jù)特征的價(jià)值。而基于多視圖異常檢測(cè)法[17]可以將相似類別的數(shù)據(jù)作為一個(gè)視圖，進(jìn)而分析同一視圖及不同視圖之間的相關(guān)關(guān)系，彌補(bǔ)了以上算法檢測(cè)的缺陷。但由于多視圖分析中各視圖之間的復(fù)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(cè)的方法仍然是一個(gè)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(guò)構(gòu)建多視圖低秩分析框架分析各視圖之間的內(nèi)部關(guān)系，從而揭示樣本的內(nèi)在結(jié)構(gòu)，并通過(guò)估計(jì)每個(gè)樣本的異常分?jǐn)?shù)識(shí)別異常值。本文將N-TCD算法與MLRA算法進(jìn)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(guò)單源傳感數(shù)據(jù)檢測(cè)有兩個(gè)或兩個(gè)以上m個(gè)以下為異常且通過(guò)多視圖檢測(cè)也為異常的事件；隱形異常事件是指僅有單個(gè)以上及m個(gè)以下的單源檢測(cè)為異常，但多視圖檢測(cè)不異常的事件；明確異常事件指那些通過(guò)單源傳感數(shù)據(jù)檢測(cè)連續(xù)有m個(gè)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(cè)一個(gè)或無(wú)異常但多視圖檢測(cè)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(gè)視圖，一個(gè)是兩組電壓電流的數(shù)據(jù)作為一個(gè)視圖，另一個(gè)是所有的剩余電流和溫度的數(shù)據(jù)作為一個(gè)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(duì)角結(jié)構(gòu)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(biāo)函數(shù)Xv=XvZv+Ev(v=1,2)轉(zhuǎn)換為下述更易實(shí)現(xiàn)的目標(biāo)函數(shù)：

(11)

其中，‖·‖*表示跡范數(shù)。

定義7為了解決(11)式的問(wèn)題，用增廣拉格朗日乘子算法優(yōu)化該目標(biāo)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(biāo)函數(shù)不是對(duì)所有變量共同凸的，而是需固定其他變量，僅對(duì)其中一個(gè)變量進(jìn)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(guò)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?jǐn)?shù)

(20)

2.2 NTM的異常檢測(cè)算法

3 實(shí)驗(yàn)與結(jié)果分析

3.1 實(shí)驗(yàn)環(huán)境

本文在實(shí)際應(yīng)用場(chǎng)景中采集的數(shù)據(jù)集上進(jìn)行分析，實(shí)驗(yàn)系統(tǒng)為Windows10(64位) ，CPU為1.80 GHz，內(nèi)存為8 GB，Matlab版本為2013.

實(shí)驗(yàn)數(shù)據(jù)是通過(guò)在某單位的多個(gè)配電箱中分別部署電氣檢測(cè)裝置采集的，每個(gè)采集裝置主要包括3個(gè)電壓傳感器、3個(gè)電流傳感器、1個(gè)剩余電流傳感器和3個(gè)溫度傳感器，主控制器每隔一秒會(huì)把采集的數(shù)據(jù)通過(guò)GPRS技術(shù)發(fā)送到阿里云服務(wù)器，數(shù)據(jù)以十六進(jìn)制傳輸，按照通信協(xié)議對(duì)數(shù)據(jù)進(jìn)行了轉(zhuǎn)換并以十進(jìn)制形式存儲(chǔ)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(jīng)歸一化預(yù)處理后的數(shù)據(jù)集(laboratory electrical data，LED)LED1和LED2上進(jìn)行了實(shí)驗(yàn)。數(shù)據(jù)集中的相關(guān)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(cè)算法分析

本實(shí)驗(yàn)分別對(duì)數(shù)據(jù)集LED1和LED2中的部分?jǐn)?shù)據(jù)進(jìn)行了標(biāo)注，分別共有489條和73條異常信息，其中各單源傳感器所產(chǎn)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(duì)單源傳感數(shù)據(jù)進(jìn)行檢測(cè)，實(shí)驗(yàn)結(jié)果如表3和表4所示。

表3 LED1異常檢測(cè)結(jié)果集Table 3 LED1 anomaly detection results

從表3的實(shí)驗(yàn)結(jié)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(shí)驗(yàn)結(jié)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(cè)結(jié)果集Table 4 LED2 anomaly detection results

3.3 NTM異常檢測(cè)算法分析

利用提出的NTM算法在LED1和LED2數(shù)據(jù)集上進(jìn)行異常數(shù)據(jù)檢測(cè)，其中，表5為L(zhǎng)ED1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(cè)結(jié)果Table 5 LED1 abnormal event detection results

表6為L(zhǎng)ED2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(cè)結(jié)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(cè)出的異常數(shù)據(jù)可以表示為Dcor，成功檢測(cè)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(cè)精度Dprecision及檢測(cè)準(zhǔn)確率Daccuracy的計(jì)算為：

表7為不同數(shù)據(jù)集下NTM算法和MLRA算法檢測(cè)結(jié)果比較。

表7 不同數(shù)據(jù)集下NTM算法和MLRA算法檢測(cè)結(jié)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(cè)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(cè)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(cè)準(zhǔn)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(cè)精度為0.92，其中確定異常數(shù)據(jù)為438條，其檢測(cè)準(zhǔn)確率可達(dá)到Daccuracy=0.97；在LED2數(shù)據(jù)集中使用多視圖異常檢測(cè)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(cè)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(cè)準(zhǔn)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(cè)精度為Dprecision=0.95，其中確定異常數(shù)據(jù)為66條，其檢測(cè)準(zhǔn)確率可達(dá)到Daccuracy=0.96；綜上所述，NTM的異常精度和檢測(cè)準(zhǔn)確率均優(yōu)于MLRA.

4 結(jié)束語(yǔ)

本文提出了改進(jìn)的傳感數(shù)據(jù)時(shí)序連續(xù)性檢測(cè)算法N-TCD算法，并考慮到不同傳感數(shù)據(jù)之間的關(guān)系，進(jìn)一步采用多視圖低秩分析方法構(gòu)建了NTM算法應(yīng)用于電氣火災(zāi)的消防預(yù)警中。實(shí)驗(yàn)結(jié)果表明該算法有準(zhǔn)確率高、誤報(bào)率低、安全可靠等優(yōu)點(diǎn)。今后將考慮更多影響電氣火災(zāi)的因素如濕度、視頻信息等進(jìn)行綜合分析，從而逐步提高該算法對(duì)電氣火災(zāi)的消防預(yù)警能力。