【技术实现步骤摘要】
本专利技术属于机器人，涉及一种基于5g通信的有限空间监测机器人监测系统。
技术介绍
1、有限空间历来是威胁人员生命安全的因素，尤其是夏季，温度高、湿度大，有毒有害气体容易挥发聚集，人员如果贸然进入通风不良的有限空间，极易发生中毒窒息事故。在机器人技术和大数据技术快速发展的大背景下，开发一种有限空间的监测机器人对实际工作具有很重要的价值。一种基于5g通信的有限空间监测机器人监测系统不仅可以有效降低监测成本，并且能够一定程度上避免人类因进入危险环境而面临的风险。
2、目前，对有限空间有害气体的监测更多是设定固定的有害气体浓度阈值，当监测的有害气体浓度超过阈值时即开始报警。然而，由于不同有限空间的内部特征(如体积、温度、空气流量和生物量等)存在区别，导致对有害气体的影响程度难以判别。此外，通过有害气体浓度是否超过阈值而报警的方式难以判断有害气体产生危害的概率，其监测结果缺乏可信度。
技术实现思路
1、本专利技术要解决的技术问题是：提供一种基于5g通信的有限空间监测机器人监测系统，以解决现有技术中难以判断有害气体产生危害的概率，监测结果缺乏可信度的问题。
2、本专利技术技术方案：
3、一种基于5g通信的有限空间监测机器人监测系统，包括数据采集模块、风险评估模块、人机交互模块和5g基站传输模块，其中：
4、数据采集模块，用于采集有限空间的环境特征数据和有害气体浓度数据，所述环境特征数据包括温度、空气流量、生物量和空间体积；
5、风险
6、人机交互模块，用于展现有限空间的风险等级及其发生概率监测结果；
7、5g基站传输模块，用于将有限空间的风险等级及其发生概率监测结果传输至有限空间外的工作端。
8、风险评估模块中，所述分析数据采集模块采集的数据，评估有限空间的风险等级及概率，包括以下步骤：
9、s1、检测有限空间内是否存在有害气体；
10、s2、当有限空间内不存在有害气体时，判定有限空间未存在风险；
11、s3、当有限空间内存在有害气体时，将环境特征数据输入经过训练的贝叶斯网络模型中，输出有害气体浓度的风险等级及其发生概率。
12、步骤s3中，所述经过训练的贝叶斯网络模型，是基于历史时期有限空间的监测数据进行训练的，训练步骤如下：
13、s31、模型结构确定：确定构建模型的变量，以及初始的贝叶斯网络模型结构；
14、s32、模型参数估计：采用k-means方法对环境特征数据以及有害气体浓度进行聚类，根据聚类结果估计贝叶斯网络模型概率分布的参数，并根据参数估计结果构建条件概率表；
15、s33、模型结构学习：使用结构学习算法，进一步调整和优化网络结构，以获得更稳定的网络结构；
16、s34、模型验证：使用已知的预测数据集验证模型的准确性。
17、步骤s31中，所述的模型结构确定，所述初始的贝叶斯网络模型结构是以环境特征数据作为父节点，有害气体浓度作为子节点，并连接父节点与子节点。
18、本实施例中，父节点相当于自变量，子节点相当于因变量，即父节点是导致子节点发生变化的原因。贝叶斯网络是一种因果概率模型，它不仅能够量化父节点与子节点之间的因果关系，还可以分析子节点中各种参数情况的概率。
19、步骤s32中，所述采用k-means方法对环境特征数据以及有害气体浓度进行聚类，根据聚类结果估计贝叶斯网络模型概率分布的参数，包括以下步骤：
20、s321、数据归一化处理：将环境特征数据和有害气体浓度数据一起进行归一化处理；
21、s322、初始化聚类中心：随机选取数据空间中的若干个数据对象作为初始聚类中心；
22、s323、初始化数据对象聚类簇：计算所有数据对象与初始聚类中心之间欧式的距离，将各数据对象划分至与初始聚类中心欧氏距离最小的类别中，形成初始聚类簇；
23、s324、更新聚类中心：计算各初始聚类簇的数据对象的平均值，以该平均值作为新聚类中心，再次计算所有数据对象与新聚类中心之间欧式的距离；
24、s325、确定最终聚类簇：重复步骤s321-s324的操作，直至聚类中心不再发生改变，迭代完成；
25、s326、根据聚类簇中环境特征数据和有害气体浓度数据的范围，估计贝叶斯网络模型概率分布的参数。
26、步骤s321中，所述归一化处理，表达公式为：
27、
28、式中，ɡ(x)为归一化函数；xi表示环境特征数据，1≤i≤n，n为数据的样本数，xmin表示数据集中的最小值，xmax表示数据集中的最大值。
29、步骤s323中，所述欧式距离，计算公式为：
30、
31、式中，d(x,ci)表示欧式距离函数；x为归一化后的数据对象；ci表示第i个聚类中心，1≤i≤k，k为聚类中心的数目；n为数据集的样本数；xj表示数据集中第j个变量的数据对象；cij表示第j个变量的聚类中心。
32、步骤s32中，所述构建条件概率表：根据参数估计得到的参数值，构建各变量的条件概率表，对于每个变量，给其父节点的情况下，计算其在多个父节点的联合概率，公式为：
33、
34、
35、式中，p(u)表示为一组节点u＝b1，b2，……，bn的联合概率分布；pa(bi)为贝叶斯网络中节点bi的父节点集合；p(bi)表示目标节点bi的先验概率；n为节点个数。
36、步骤s33中，所述的模型结构学习，所述结构学习方法为贝叶斯信息准则bic，通过枚举所有网络结构，选择bic值最小的网络结构为最优模型结构。
37、本专利技术的有益效果：
38、本专利技术基于历史时期的有限空间监测数据构建贝叶斯网络模型，量化了有限空间内的环境特征与有害气体浓度之间的关系，解决了现有技术难以通过不同有限空间的环境特征判断有害气体的影响程度的问题，提高了一种基于5g通信的有限空间监测机器人监测系统监测的准确性；
39、本专利技术通过k-means方法对环境特征与有害气体浓度进行聚类，以估计贝叶斯网络模型的概率分布参数，并通过条件概率表量化子节点参数在父节点参数条件下发生的概率，解决了现有技术中难以判断有害气体产生危害的概率，监测结果缺乏可信度的问题，提高了对有限空间机器人监测结果的解释能力。
本文档来自技高网...【技术保护点】
1.一种基于5G通信的有限空间监测机器人监测系统，其特征在于：所述系统包括数据采集模块、风险评估模块、人机交互模块和5G基站传输模块，其中：
2.根据权利要求1所述的一种基于5G通信的有限空间监测机器人监测系统，其特征在于：步骤S3中，所述经过训练的贝叶斯网络模型，是基于历史时期有限空间的监测数据进行训练的，训练步骤如下：
3.根据权利要求2所述的一种基于5G通信的有限空间监测机器人监测系统，其特征在于：步骤S31中，所述的模型结构确定，所述初始的贝叶斯网络模型结构是以环境特征数据作为父节点，有害气体浓度作为子节点，并连接父节点与子节点。
4.根据权利要求2所述的一种基于5G通信的有限空间监测机器人监测系统，其特征在于：步骤S32中，所述采用K-means方法对环境特征数据以及有害气体浓度进行聚类，根据聚类结果估计贝叶斯网络模型概率分布的参数，包括以下步骤：
5.根据权利要求4所述的一种基于5G通信的有限空间监测机器人监测系统，其特征在于：步骤S321中，所述归一化处理，表达公式为：
6.根据权利要求4所述的一种基于5G
7.根据权利要求2所述的一种基于5G通信的有限空间监测机器人监测系统，其特征在于：步骤S32中，所述构建条件概率表：根据参数估计得到的参数值，构建各变量的条件概率表，对于每个变量，给其父节点的情况下，计算其在多个父节点的联合概率，公式为：
8.根据权利要求2所述的一种基于5G通信的有限空间监测机器人监测系统，其特征在于：步骤S33中，所述的模型结构学习，所述结构学习方法为贝叶斯信息准则BIC，通过枚举所有网络结构，选择BIC值最小的网络结构为最优模型结构。
...【技术特征摘要】
1.一种基于5g通信的有限空间监测机器人监测系统，其特征在于：所述系统包括数据采集模块、风险评估模块、人机交互模块和5g基站传输模块，其中：
2.根据权利要求1所述的一种基于5g通信的有限空间监测机器人监测系统，其特征在于：步骤s3中，所述经过训练的贝叶斯网络模型，是基于历史时期有限空间的监测数据进行训练的，训练步骤如下：
3.根据权利要求2所述的一种基于5g通信的有限空间监测机器人监测系统，其特征在于：步骤s31中，所述的模型结构确定，所述初始的贝叶斯网络模型结构是以环境特征数据作为父节点，有害气体浓度作为子节点，并连接父节点与子节点。
4.根据权利要求2所述的一种基于5g通信的有限空间监测机器人监测系统，其特征在于：步骤s32中，所述采用k-means方法对环境特征数据以及有害气体浓度进行聚类，根据聚类结果估计贝叶斯网络模型概率分布的...
【专利技术属性】
技术研发人员：黄隆，余江顺，赵健，蔡云，陈雨然，犹珀玉，徐乙铭，余容，刘威，吴姗，张辉，刘丹丹，
申请(专利权)人：中国电建集团贵州电力设计研究院有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。