本发明涉及一种检测方法，更具体涉及一种可燃气体监测数据异常原因的判断方法及装置。
背景技术
在各类在线监测系统中，通过传感器采集信号然后对信号进行分析，给出分析结果作为监测结果，根据监测结果对系统进行监测和预警。
目前的地下空间可燃气体监测设备，都是隔一段时间采集一个数据，例如半小时，气体传感器每次监测周期都会启动传感器连续检测三次，并取均值作为该周期的浓度数据输出。这样对次采集的数据准确性就有要求，在可燃气体监测仪的检测过程中，也会出现相似的信号突变情况，如果突然出现一个跳跃值，很有可能是发生了燃气泄漏，但是，传感器的输出信号受多种因素的影响，出现一个跳跃值的原因也有可能是因为设备发生了电磁干扰或传感器损坏以及其他未知原因。
如果多次监测数据中均带有异常值的数据，不对该数据加以检验及排除，则检测结果将会不准确，进而对监测效果及预警准确度产生较大的影响。
因此，很有必要研究一种方法以消除这种非燃气泄漏导致的数据的突变。
技术实现要素：
本发明所要解决的技术问题在于监测数据中是否带有异常值的数据未加以检验的问题。
本发明是通过以下技术方案解决上述技术问题的：一种可燃气体监测数据异常原因的判断方法，包括：
步骤s1，检测周期开始；
步骤s2，启动传感器连续测得一组数据；
步骤s3，对可燃气体检测仪采集的每组数据进行检验；
步骤s4，判断每组数据是否含有异常数据，如果检验出该组数据中含有异常数据，则舍弃该组数据，并进入步骤s5,如果该组数据中均无异常数据，则确认为该周期检测值，进入步骤s8；
步骤s5，启动补充检测，并进入步骤s6；
步骤s6，判断补充检测次数是否在设定的次数n以内，如果是，返回步骤s2，启动传感器检测新一组数组；若在次数n之内都没有合格数据，则进入步骤s7；
步骤s7，反馈设备异常信号；
步骤s8，输出无异常数据的周期检测值。
作为优化的技术方案，其中n根据实际情况自由选择，能够选择大于等于2的任何自然数。
作为优化的技术方案，其中步骤s3中对每组数据进行检验采用格拉布斯(grubbs)算法。
作为优化的技术方案，采用格拉布斯(grubbs)算法具体检验法如下：
(1)排列数据，将上述测量数据按从小到大的顺序排列x1、x2……xn
计算样本平均值μ
μ＝(x1+x2+…+xn)/n
其中，x1、x2……xn为设备工作情况下每次采集的一组数据的各个数据值，n为采集的该组数据中数据的数量；
根据计算样本平均值μ计算样本标准差s
s＝(∑(xi-μ)2/(n-1))1/2；(i＝1,2…n)
根据样本平均值μ和样本标准差s计算格拉布斯检验统计量gi
gi＝(xi-μ)/s；
(2)确定检出水平α，概率p＝1－α，根据选定的p值和测量次数n，查格拉布斯表(见gb4883)，横竖相交得临界值gp(n)。
上述步骤s4的具体判断过程为：
(3)若gi>gp(n)，则判断xi为异常值，将其从测量数据中剔除，否则无异常值。
作为优化的技术方案，步骤s2中，启动传感器连续测得10个数据，该10个数据为一组数据。
作为优化的技术方案，步骤s7中，向控制系统反馈设备异常信号，告知用户设备已故障，故障类型是传感器故障，需维修。
本发明还提供一种可燃气体检测仪数据处理装置，包括：
周期开始模块，用于使检测周期开始；
采集启动模块，用于启动传感器连续测得一组数据；
检验模块，用于对可燃气体检测仪采集的每组数据进行检验；
判断模块，用于判断每组数据是否含有异常数据，如果检验出该组数据中含有异常数据，则舍弃该组数据，并开始启动补充检测模块工作,如果该组数据中均无异常数据，则确认为该周期检测值；
补充检测模块，用于启动补充检测，并连接到补检次数判断模块；
补检次数判断模块，用于判断补充检测次数是否在设定的次数n以内，如果是，重新启动检验模块，启动传感器检测新一组数组；若在次数n之内都没有合格数据，则启动反馈模块；
反馈模块，用于反馈设备异常信号；
输出模块，用于输出无异常数据的周期检测值。
作为优化的技术方案，其中n根据实际情况自由选择，能够选择大于等于2的任何自然数。
作为优化的技术方案，其中检验模块对每组数据进行检验采用格拉布斯(grubbs)算法，采用格拉布斯(grubbs)算法具体检验法如下：
(1)排列数据，将上述测量数据按从小到大的顺序排列x1、x2……xn计算样本平均值μ
μ＝(x1+x2+…+xn)/n
其中，x1、x2……xn为设备工作情况下每次采集的一组数据的各个数据值，n为采集的该组数据中数据的数量；
根据计算样本平均值μ计算样本标准差s
s＝(∑(xi-μ)2/(n-1))1/2；(i＝1,2…n)
根据样本平均值μ和样本标准差s计算格拉布斯检验统计量gi
gi＝(xi-μ)/s；
(2)确定检出水平α，概率p＝1－α，根据选定的p值和测量次数n，查格拉布斯表(见gb4883)，横竖相交得临界值gp(n)；
(3)若gi>gp(n),则判断xi为异常值，将其从测量数据中剔除，否则无异常值。
本发明相比现有技术具有以下优点：通过本发明的方法判断采集的数据是否准确，以最终获得正确的监测数据，从而消除了由于采集的数据不准确导致监测数据不准确的情况，使得监测效果及预警准确度得到提升。
附图说明
图1是本发明实施例中可燃气体监测数据异常原因的判断方法的流程图。
具体实施方式
下面对本发明的实施例作详细说明，本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
实施例一
本发明可燃气体监测数据异常原因的判断方法包括：
步骤s1，检测周期开始；
步骤s2，启动传感器连续测得一组数据；
步骤s3，对可燃气体检测仪采集的每组数据进行检验；
步骤s4，判断每组数据是否含有异常数据，如果检验出该组数据中含有异常数据，则舍弃该组数据，并进入步骤s5,如果该组数据中均无异常数据，则确认为该周期检测值，进入步骤s8；
步骤s5，启动补充检测，并进入步骤s6；
步骤s6，判断补充检测次数是否在设定的次数n以内，如果是，返回步骤s2，启动传感器检测新一组数组；若在次数n之内都没有合格数据，则进入步骤s7，其中n根据实际情况自由选择，可以选择大于等于2的任何自然数；
步骤s7，反馈设备异常信号；
步骤s8，输出无异常数据的周期检测值。
上述步骤是基于如果是可燃气体泄露，其每次检测到的值都接近，并且检测值较大，因此，每组中并不含明显不同于其他值的异常数据。例如：设备是隔一段时间开启传感器检测气体浓度，每次开启，传感器会根据其自身的频率获取浓度值，比如传感器开启后1秒采一个值，那么10秒就可以得到10个值，如果发送泄漏，这十个值应该接近，不会明显不同。
其中步骤s3中对每组数据进行检验可以采用现有的各种检验算法，优选的，可以采用格拉布斯(grubbs)算法，采用格拉布斯(grubbs)算法具体检验法如下：
(1)排列数据，将上述测量数据按从小到大的顺序排列
计算样本平均值μ
μ＝(x1+x2+…+xn)/n
其中，x1、x2……xn为设备工作情况下每次采集的一组数据的各个数据值，n为采集的该组数据中数据的数量，n为大于等于1的正整数；
根据计算样本平均值μ计算样本标准差s
s＝(∑(xi-μ)2/(n-1))1/2；(i＝1,2…n)
根据样本平均值μ和样本标准差s计算格拉布斯检验统计量gi＝(xi-μ)/s
(2)确定检出水平α，如果要求严格，检出水平α可以定得小一些，例如定α＝0.01，那么置信概率p＝1－α＝0.99；如果要求不严格，α可以定得大一些，例如定α＝0.10，即p＝0.90；通常定α＝0.05，p＝0.95，根据选定的p值和测量次数n，查格拉布斯表(见gb4883)，横竖相交得临界值临界值gp(n)。
则上述步骤s4的具体判断过程为：
(3)把计算值gi与格拉布斯表给出的临界值gp(n)比较，如果计算值gi大于表中的临界值gp(n)，则能判断该测量数据xi是异常值，可以剔除，即若gi>gp(n)，则判断xi为异常值，将其从测量数据中剔除，否则无异常值。
请参阅图1所示，为采用本发明可燃气体监测数据异常原因的判断方法的一个具体例子，则上述可燃气体监测数据异常原因的判断方法具体包括下述步骤：
步骤s1，检测周期开始；
步骤s2，启动传感器连续测得10个数据，该10个数据为一组数据，分别为：8.2、5.4、14.0、7.3、4.7、9.0、6.5、10.1、7.7、6.0；
步骤s3，利用格拉布斯(grubbs)检验法对连续检测的10个数据进行检验，具体检验过程为：
(1)排列数据，将上述测量数据按从小到大的顺序排列，得到4.7、5.4、6.0、6.5、7.3、7.7、8.2、9.0、10.1、14.0；
计算样本平均值μ
μ＝(x1+x2+…+xn)/n＝(4.7+5.4+…+14.0)/10＝7.89
根据计算样本平均值μ计算样本标准差s
s＝(∑(xi-μ)2/(n-1))1/2＝2.704
根据样本平均值μ和样本标准差s计算格拉布斯检验统计量gi
以第10个数据x10为例，g10＝(146.0-7.89)/2.704＝2.260
(2)确定检出水平α，这里定α＝0.05，则p＝0.95，根据选定的p值(此处为0.95)和测量次数n(此处为10)，查格拉布斯表(见gb4883)，横竖相交得临界值gp(n)＝2.176。
步骤s4，判断每组数据是否含有异常数据，如果检验出该组数据中含有异常数据，则舍弃该组数据，并进入步骤s5,如果该组数据中均无异常数据，则确认为该周期检测值，进入步骤s8，具体判断如下：
若gi>gp(n)，则判断xi为异常值，将其从测量数据中剔除，否则无异常值，以第10个数据x10为例，g10＝2.260，gp(n)＝2.176，g10>gp(n)，可以判断测量值14.0为异常值，将它从10个测量数据中剔除，剩余的9个数据再按以上步骤计算，本例余下的9个数据中没有异常值；
步骤s5，启动补充检测，并进入步骤s6；
步骤s6，判断补充检测次数是否在设定的次数3以内，如果是，返回步骤s2，启动传感器检测新一组数组；若在次数3之内都没有合格数据，则进入步骤s7；
步骤s7，向控制系统反馈设备异常信号，告知用户设备已故障，故障类型是传感器故障，需维修；
步骤s8，输出无异常数据的周期检测值。
实施例二
该实施例与上述实施例的区别在于，所述步骤s3中利用拉伊达准则对连续检测的n个数据进行检验，拉伊达准则是以三倍测量列的标准偏差为极限取舍标准，其给定的置信概率为99.73％，该准则适用于测量次数n>10或预先经大量重复测量已统计出其标准误差σ的情况。xi为服从正态分布的等精度测量值，可先求得它们的算术平均值x、残差vi和标准偏差σ。若|xi-x|>3σ，则可疑值xi含有粗大误差，应舍弃；若|xi-x|≤3σ，则可疑值xi为正常值，应保留。把可疑值舍弃后再重新算出除去这个值的其他测量值的平均值和标准偏差，然后继续使用判别依据判断，依此类推，判断出每组数据是否含有异常数据。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。