一种极早期电气火灾热解粒子探测方法与流程

本发明属于火灾探测领域，尤其是涉及一种极早期电气火灾热解粒子探测方法。

背景技术：

1、电气设备运行过程中，电缆绝缘层、塑料外壳、树脂材料等有机高分子材料在异常过热状态下可能发生热解。在热解初期，材料尚未形成可见烟雾或明火，但能够释放纳米级热解粒子以及挥发性有机物和一氧化碳等热解产物。

2、热解产生的纳米级粒子可在封闭或半封闭空间内凝并形成亚微米级气溶胶，并使粒子浓度发生变化；同时，挥发性有机物（voc）浓度和一氧化碳（co）浓度也可能发生变化。因此，粒子、voc、co、温度及湿度等参数可用于识别电气火灾的早期热解前兆。

3、现有火灾探测方式通常采用单通道阈值判断或固定权重融合判断。该方式难以有效区分热解初期的短时异常释放、环境背景波动、传感器漂移及非火灾干扰。尤其是粒子脉冲、高湿凝露、有机溶剂挥发、电磁脉冲、传感器老化、传感器中毒和传感器输出冻结等情况，均可能导致单一通道或多个通道产生异常响应。

4、此外，仅依据多通道信号是否在时间上同步，难以反映不同通道信号的上升沿、变化趋势、事件持续时间及波形形态之间的匹配关系。因此，需要建立一种以多通道瞬态同步事件为基础，并结合波形相关性分析、机器学习辅助事件识别、干扰概率评估、传感器健康诊断和分级报警决策的热解粒子探测方案。

技术实现思路

1、有鉴于此，本发明旨在提出一种极早期电气火灾热解粒子探测方法，以期解决上述部分技术问题中的至少之一。

2、为达到上述目的，本发明的技术方案是这样实现的：

3、一种极早期电气火灾热解粒子探测方法，包括：

4、采集粒子、voc、co、温度和湿度原始数据；

5、根据温度、湿度及补偿查找表对voc、co原始数据进行补偿；

6、对粒子数据及补偿后的voc、co数据进行快慢基线跟踪、长短窗口统计和趋势计算，得到各通道瞬态事件标志及趋势结果；

7、响应于粒子和voc的瞬态事件标志在同步窗口内置位，提取事件数据序列计算波形相关性，并将事件特征输入机器学习模型，得到热解可信度和干扰概率；

8、根据瞬态事件标志、波形相关性、热解可信度、干扰概率、趋势结果及co传感器健康状态计算同步置信度，并据此输出分级报警信号。

9、进一步的，所述根据温度、湿度及补偿查找表对voc、co原始数据进行补偿，包括：

10、依据当前温度和湿度确定补偿查找表中的相邻网格数据，通过插值计算对应的零偏补偿值，并将所述voc、co原始数据分别减去对应的零偏补偿值，得到补偿后的voc数据和补偿后的co数据。

11、进一步的，所述快慢基线跟踪包括：

12、分别采用第一平滑系数和小于第一平滑系数的第二平滑系数，对粒子数据、补偿后的voc数据及补偿后的co数据进行指数加权移动平均，得到快基线和慢基线；

13、当任一通道的数据相对于慢基线的增量超过预设阈值且快基线大于慢基线时，冻结该通道的慢基线更新，直至该通道的数据恢复稳定后恢复慢基线更新。

14、进一步的，所述长短窗口统计包括：

15、针对各通道维护短于长期滑动窗口的短期滑动窗口，计算长期滑动窗口的长期均值和长期标准差以及短期滑动窗口的短期均值；

16、当短期均值与长期均值之差大于长期标准差与灵敏度系数的乘积、且短期均值大于长期均值时，置位对应通道的瞬态事件标志。

17、进一步的，所述波形相关性通过对在所述同步窗口内置位的通道对应事件数据序列进行时滞互相关计算、上升沿时间差计算及变化趋势一致性计算获得，并根据最大时滞互相关系数、上升沿时间差和变化趋势一致性生成相关性评分。

18、进一步的，所述事件特征包括由各通道的短期均值、长期均值、长期标准差、快基线、慢基线、瞬态事件标志、趋势结果和波形相关性构成的特征数据，以及温度、湿度和co传感器健康状态；

19、所述机器学习模型根据所述特征数据输出所述热解可信度和所述干扰概率。

20、进一步的，所述co传感器健康状态通过以下方式获得：

21、当粒子和voc的瞬态事件标志在同步窗口内置位、粒子与voc的波形相关性满足预设要求或热解可信度满足预设要求、且co未置位瞬态事件标志时，累计co失效计数；

22、当co失效计数达到预设次数时，确定co传感器处于失效状态。

23、进一步的，所述co传感器健康状态还通过监测补偿后的co数据及co慢基线获得，其中：

24、当补偿后的co数据在预设时长内保持异常值或近似恒定时，更新所述co传感器健康状态为异常状态；

25、当co慢基线的移动斜率超过预设老化阈值时，更新所述co传感器健康状态为异常状态。

26、进一步的，所述干扰概率用于修正参与同步置信度计算的通道权重，其中：

27、当干扰概率超过预设干扰阈值时，降低对应通道的通道权重，并基于降低后的通道权重计算同步置信度；

28、当干扰概率未超过预设干扰阈值时，基于热解可信度和波形相关性计算所述通道权重。

29、进一步的，所述分级报警信号包括热异常报警、气体析出报警、粒子析出报警和火警确认信号，其中：

30、在粒子和voc的瞬态事件标志在同步窗口内置位且同步置信度满足预设条件时输出粒子析出报警；

31、在co传感器健康状态正常且co瞬态事件标志在同步窗口内置位时，依据更新后的同步置信度输出火警确认信号；

32、在co传感器处于失效状态时，依据粒子和voc的趋势结果、波形相关性、热解可信度及干扰概率输出火警确认信号。

33、相对于现有技术，本发明具有以下有益效果：

34、1、通过联合处理粒子、voc、co、温度和湿度数据，在材料热解初期、尚未形成可见烟雾或明火时，识别粒子和气体浓度的变化。

35、2、通过温度—湿度二维动态补偿对voc和co原始数据进行修正，并结合快慢双基线跟踪，降低环境温湿度变化、长期背景变化及传感器漂移对事件判断的影响。

36、3、通过长短滑动窗口统计，将短期数据相对于长期背景的正向偏离作为瞬态事件判据，使后续处理能够基于候选瞬态事件开展同步和关联判断。

37、4、在时间同步判断的基础上，进一步计算通道间的时滞相关性、上升沿时间差、趋势一致性和波形形态相似度，使粒子、voc和co信号的变化过程能够作为联合判断依据。

38、5、机器学习模型基于单通道事件特征、多通道关联特征以及环境与传感器状态特征输出热解可信度和干扰概率，并将其用于通道权重修正和同步置信度计算，从而对粒子脉冲、高湿凝露、voc单独波动及电磁采样跳变等干扰进行处理。

39、6、机器学习模型仅用于候选事件的可信度评价、干扰评估和权重修正，火警确认仍结合多通道同步状态、相关性、趋势结果、同步置信度及传感器健康状态执行，便于按照预设报警状态进行处理。

40、7、通过co失效计数、慢基线变化和补偿后co数据状态确定co传感器健康状态；在co传感器失效时，仍可基于粒子与voc的同步事件、波形相关性、持续趋势、热解可信度及干扰概率进行火警确认。