System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及智慧消防,具体涉及一种非侵入式消防水带流量及压力预测系统和方法。
技术介绍
1、消防水带作为消防灭火中的最常用的一种消防器材装备,承担着将消防水源输送到灭火前线的重要功能,直接影响了消防水枪、消防水炮、消防泡沫枪、消防泡沫炮、消防灭火机器人等消防装备能否正常工作。目前消防水带中的流量及压力信息主要来源于消防车载水泵出口的侵入式流量压力计,但在部署了多路消防水带进入复杂火场的情况下,从消防车载水泵出口的侵入式流量压力计得到的信息不足以使指挥员有充足信息判断各路消防水带的水量和水压信息,不利于现场的人员调度和阵地设置,最佳方案为采用非侵入式流量压力测量技术,对每路消防水带在使用过程中进行测量。
2、现有非侵入式流量压力测量技术主要包括电磁流量计法、超声流量计法等,但这些方法的安装条件和对流体介质都有较高要求,并且忽略了管壁的粘性效应,这导致管道内的液体并不是均匀流动的,直接将解算出来的速度用于计算管道内的流量会导致系统性的偏差;在复杂情况下,基于振动监测的测量技术主要采用振动加速度方差、振动信号频率等作为特征计算流量和压力,对非刚性管道的测量结果精准度较低,针对火灾现场使用的消防水带,如何简单快速、实时高效地非侵入式精准监测消防水带流量,是一个亟需解决的问题。
技术实现思路
1、针对现有方法的不足以及实际应用的需求,为了提高火灾现场使用的各路消防水带流量及压力预测能力,解决使用过程中无法实时准确评估各路消防水带水流、水压的问题,简单快速、实时高效地预测各路消防
2、可选地,所述数据处理模块包括:特征参数提取子模块、统计模型预测子模块、机器学习模型预测子模块、深度神经网络预测子模块、权重系数分配子模块、融合处理输出子模块;所述统计模型预测子模块包括二次回归模型和线性回归模型;所述机器学习模型预测子模块包括极端梯度提升模型、支持向量机模型、随机森林模型和轻量级梯度提升模型。
3、可选地,所述深度神经网络预测子模块包括:输入模块,所述输入模块用于接收所述振动信号;卷积模块,所述卷积模块用于提取所述振动信号的特征,所述卷积模块的输入端与所述输入模块相连;过滤模块,所述过滤模块用于消除所述振动信号的不利特征,获得误差过滤特征图,所述过滤模块的输入端与所述卷积模块的输出端相连;输出模块,所述输出模块用于根据所述误差过滤特征图,获得所述主要预测值,所述输出模块的输入端与所述过滤模块的输出端相连;所述过滤模块,包括一个或者多个过滤子模块,所述过滤子模块逐层连接;任一个过滤子模块包括:过滤模块输入层,所述过滤模块输入层用于接收所述卷积模块输出的特征,第一层过滤子模块的所述过滤模块输入层的输入端与所述卷积模块的输出端相连;非第一层过滤子模块的所述过滤模块输入层的输入端与上一层所述过滤子模块计算输出层的输出端连接;第一堆叠层和第二堆叠层,所述第一堆叠层和所述第二堆叠层逐层连接,所述第一堆叠层和所述第二堆叠层逐层用于获得所述振动信号的深度特征,所述第一堆叠层的输入端与所述过滤模块输入层的输出端连接;池化层,所述池化层通过绝对值激活函数获得总体特征以及总体特征幅值,所述池化层的输入端与所述第二堆叠层的输出端连接;映射层,所述映射层用于将所述总体特征做非线性映射,获得所述总体特征的系数值,所述映射层的输入端与所述池化层的输出端相连;旁路层,所述旁路层用于获得所述振动信号的浅表特征,所述旁路层的输入端与所述过滤模块输入层的输出端连接;计算输出层,所述计算输出层通过所述深度特征结合过滤阈值,获得误差波动消除特征,并叠加所述浅表特征,获得所述误差过滤特征图;所述过滤阈值由所述系数值和所述总体特征幅值相乘获得;所述计算输出层的输入端分别与所述第二堆叠层的输出端、所述旁路层的输出端、所述映射层的输出端、所述池化层的输出端相连;最后一层所述过滤子模块计算输出层的输出端与所述池化层的输入端相连;非最后一层所述过滤子模块计算输出层的输出端与下一层过滤子模块的所述过滤模块输入层相连。本专利技术搭建的深度神经网络预测子模块,通过过滤模块去除了噪音和机械振动等产生的误差信号,提高了本专利技术的准确度。
4、第二方面,本专利技术还提供一种非侵入式消防水带流量及压力预测方法,所述非侵入式消防水带流量及压力预测方法适用于本专利技术提供的一种本文档来自技高网...
【技术保护点】
1.一种非侵入式消防水带流量及压力预测系统,其特征在于,所述非侵入式消防水带流量及压力预测系统包括:
2.根据权利要求1所述非侵入式消防水带流量及压力预测系统,其特征在于,所述数据处理模块包括:特征参数提取子模块、统计模型预测子模块、机器学习模型预测子模块、深度神经网络预测子模块、权重系数分配子模块、融合处理输出子模块;所述统计模型预测子模块包括二次回归模型和线性回归模型;所述机器学习模型预测子模块包括极端梯度提升模型、支持向量机模型、随机森林模型和轻量级梯度提升模型。
3.根据权利要求2所述非侵入式消防水带流量及压力预测系统,其特征在于,所述深度神经网络预测子模块包括:
4.一种非侵入式消防水带流量及压力预测方法,其特征在于,所述非侵入式消防水带流量及压力预测方法适用于权利要求1-3任一项所述非侵入式消防水带流量及压力预测系统,所述非侵入式消防水带流量及压力预测方法,包括以下步骤:
5.根据权利要求4所述非侵入式消防水带流量及压力预测方法,其特征在于,所述利用所述振动信号,通过所述深度神经网络预测子模块获得主要预测值,包括以下步骤
6.根据权利要求5所述非侵入式消防水带流量及压力预测方法,其特征在于,所述第一评价指标满足以下公式:
7.根据权利要求4所述非侵入式消防水带流量及压力预测方法,其特征在于,所述利用所述振动信号,通过特征参数提取子模块提取信号特征参数,包括以下步骤:利用统计处理方法,获得振动信号均值、振动信号偏度、振动信号峰度、振动加速度方差;
8.根据权利要求4所述非侵入式消防水带流量及压力预测方法,其特征在于,所述基于所述信号特征参数,利用所述统计模型预测子模块和所述机器学习模型预测子模块获得多个辅助预测值,包括以下步骤:
9.根据权利要求4所述非侵入式消防水带流量及压力预测方法,其特征在于,所述通过所述权重系数分配子模块,获得所述主要预测值和所述辅助预测值对应的权重系数,包括以下步骤:
10.根据权利要求4所述非侵入式消防水带流量及压力预测方法,其特征在于,所述通过所述权重系数分配子模块,获得所述主要预测值和所述辅助预测值对应的权重系数,还包括以下步骤:
...【技术特征摘要】
1.一种非侵入式消防水带流量及压力预测系统,其特征在于,所述非侵入式消防水带流量及压力预测系统包括:
2.根据权利要求1所述非侵入式消防水带流量及压力预测系统,其特征在于,所述数据处理模块包括:特征参数提取子模块、统计模型预测子模块、机器学习模型预测子模块、深度神经网络预测子模块、权重系数分配子模块、融合处理输出子模块;所述统计模型预测子模块包括二次回归模型和线性回归模型;所述机器学习模型预测子模块包括极端梯度提升模型、支持向量机模型、随机森林模型和轻量级梯度提升模型。
3.根据权利要求2所述非侵入式消防水带流量及压力预测系统,其特征在于,所述深度神经网络预测子模块包括:
4.一种非侵入式消防水带流量及压力预测方法,其特征在于,所述非侵入式消防水带流量及压力预测方法适用于权利要求1-3任一项所述非侵入式消防水带流量及压力预测系统,所述非侵入式消防水带流量及压力预测方法,包括以下步骤:
5.根据权利要求4所述非侵入式消防水带流量及压力预测方法,其特征在于,所述利用所述振动信号,通过所述深度神经网络...
【专利技术属性】
技术研发人员:路頔,苏琳,
申请(专利权)人:应急管理部上海消防研究所,
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。