一种基于人工智能的危化品风险识别预警方法及系统与流程

[0001]
本发明涉及预警领域，尤其涉及一种基于人工智能的危化品风险识别预警方法及系统。


背景技术：

[0002]
危化品，指的是具有毒害、腐蚀、爆炸、燃烧、助燃等性质，对人体、设施、环境具有危害的剧毒化学品和其他化学品。危化品由于及其危险，因此，对危化品需要小心地进行存储管理。现有技术中，对于存储在仓库中的危化品进行监控，一般是通过人工定期巡视的方式来完成，这种方式不利于及时发现危化品存在的危险。


技术实现要素：

[0003]
鉴于上述问题，本发明的目的在于提供一种基于人工智能的危化品风险识别预警方法及系统。
[0004]
一方面本发明提供了一种基于人工智能的危化品风险识别预警方法，其包括：
[0005]
s1，获取危化品的监测数据，并传输至云服务器；
[0006]
s2，从云服务中获取所述监测数据，并将所述监测数据输入到已经训练好的神经网络模型中，通过所述神经网络模型判断危化品的状态是否异常；
[0007]
s3，若危化品的状态异常，则向相关工作人员发出预警提示。
[0008]
优选地，获取危化品的监测数据，包括：
[0009]
通过设置在仓库中的无线传感器网络和监控摄像头获取危化品的监测数据。
[0010]
优选地，所述监测数据包括气体浓度数据、消防数据和监控数据；所述气体浓度数据包括危化品存储环境的可燃气体浓度和有毒气体浓度；所述消防数据包括危化品存储环境的温度、湿度和烟雾浓度；所述监控数据包括危化品存储环境的监控视频。
[0011]
优选地，所述可燃气体浓度包括氢气浓度、乙炔浓度、乙烯浓度和硫化氢浓度；所述有毒气体浓度包括甲醛浓度、氯化氢浓度和二氧化硫浓度。
[0012]
优选地，通过设置在仓库中的无线传感器网络和监控摄像头获取危化品的监测数据，包括：
[0013]
通过所述无线传感器网络获取气体浓度数据和消防数据；通过所述监控摄像头获取监控数据。
[0014]
优选地，所述无线传感器网络包括无线传感器节点和基站；
[0015]
所述无线传感器节点用于获取气体浓度数据和消防数据，并传输至基站；
[0016]
所述基站用于接收所述气体浓度数据和消防数据，并将所述气体浓度数据和消防数据发送至云服务器。
[0017]
优选地，所述基站还用于采用固定的时间周期将所述无线传感器节点划分为成员节点和簇头节点；
[0018]
所述成员节点用于获取所述气体浓度数据和消防数据，并将所述气体浓度数据和
消防数据发送至簇头节点，所述簇头节点用于将所述气体浓度数据和消防数据发送至所述基站。
[0019]
另一方面，本发明提供了一种基于人工智能的危化品风险识别预警系统，其用于实现上述的基于人工智能的危化品风险识别预警方法。
[0020]
与现有技术相比，本发明的优点在于：
[0021]
通过无线传感器网络和监控摄像头获取危化品的监测数据，并将所述监测数据传输至云服务器，并从云服务器中获取所述监测数据对危化品是否异常进行判断，实现了对危化品的实时监测。相较于传统的人工定期巡查而言，本发明能够及时地发现危化品的异常状态，并及时通知相关的工作人员进行处理。
附图说明
[0022]
利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。
[0023]
图1，为本发明一种基于人工智能的危化品风险识别预警方法的一种示例性实施例图。
具体实施方式
[0024]
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
[0025]
本发明提供了一种基于人工智能的危化品风险识别预警方法及系统。
[0026]
一方面本发明提供了一种基于人工智能的危化品风险识别预警方法，其包括：
[0027]
s1，获取危化品的监测数据，并传输至云服务器；
[0028]
s2，从云服务中获取所述监测数据，并将所述监测数据输入到已经训练好的神经网络模型中，通过所述神经网络模型判断危化品的状态是否异常；
[0029]
s3，若危化品的状态异常，则向相关工作人员发出预警提示。
[0030]
在一种实施例中，获取危化品的监测数据，包括：
[0031]
通过设置在仓库中的无线传感器网络和监控摄像头获取危化品的监测数据。
[0032]
在一种实施例中，所述监测数据包括气体浓度数据、消防数据和监控数据；所述气体浓度数据包括危化品存储环境的可燃气体浓度和有毒气体浓度；所述消防数据包括危化品存储环境的温度、湿度和烟雾浓度；所述监控数据包括危化品存储环境的监控视频。
[0033]
在一种实施例中，所述可燃气体浓度包括氢气浓度、乙炔浓度、乙烯浓度和硫化氢浓度；所述有毒气体浓度包括甲醛浓度、氯化氢浓度和二氧化硫浓度。
[0034]
在一种实施例中，通过设置在仓库中的无线传感器网络和监控摄像头获取危化品的监测数据，包括：
[0035]
通过所述无线传感器网络获取气体浓度数据和消防数据；通过所述监控摄像头获取监控数据。
[0036]
在一种实施例中，所述无线传感器网络包括无线传感器节点和基站；
[0037]
所述无线传感器节点用于获取气体浓度数据和消防数据，并传输至基站；
[0038]
所述基站用于接收所述气体浓度数据和消防数据，并将所述气体浓度数据和消防数据发送至云服务器。
[0039]
在一种实施例中，所述基站还用于采用固定的时间周期将所述无线传感器节点划分为成员节点和簇头节点；
[0040]
所述成员节点用于获取所述气体浓度数据和消防数据，并将所述气体浓度数据和消防数据发送至簇头节点，所述簇头节点用于将所述气体浓度数据和消防数据发送至所述基站。
[0041]
无线传感器节点的分簇并不是一成不变的，而是间隔预设的时间周期便重新进行一次分簇，有利于避免某些传感器节点因为转发任务过重而提前消耗完能量。
[0042]
在一种实施例中，向相关工作人员发出预警提示，包括：
[0043]
通过文字提示和声音提示的方式对相关工作人员进行预警提示。
[0044]
在一种实施例中，基站通过下述方式将无线传感器节点划分为成员节点和簇头节点：
[0045]
基站向无线传感器节点广播分簇消息；
[0046]
基站接收无线传感器节点的反馈消息；
[0047]
基站根据所述反馈消息计算每个传感器节点的竞争力；
[0048]
基站选取竞争力排名靠前的ctnum个无线传感器节点作为候选节点；
[0049]
对候选节点进行优化，得到簇头节点，并将除了簇头节点之外的无线传感器节点作为成员节点，将成员节点按照距离最小原则划分到各个簇头节点所在的簇中；
[0050]
基站将分簇结果向所有无线传感器节点进行广播。
[0051]
在一种实施例中，所述反馈消息包括无线传感器节点的剩余能量、初始能量、邻居节点集合、与基站通信的平均跳数和无线传感器节点的坐标。
[0052]
在一种实施例中，基站通过如下方式计算每个无线传感器节点的竞争力：
[0053][0054]
将无线传感器节点记为a，式中，comp
a
表示a的竞争力，α1和α2表示预设的权重控制参数，α1∈(0,1)，csnl
a
和leftnl
a
分别表示a的初始能量和剩余能量，time
a
表示a的连续工作时长，jultbs
a
表示a和基站之间进行通信的平均跳数，neiu表示处于无线传感器节点a的最大通信半径范围内的其它无线传感器节点的集合，jultbs
b
表示neiu中的无线传感器节点b 和基站之间进行通信的平均跳数；nein
a
表示neiu中的元素的总数，txr
a
表示a的最大通信半径，judge(a)为判断函数，若a在上一轮分簇中已经作为簇头节点，则judge(a)＝-cs，cs为预设的常数型参数，若a在上一轮分簇中没有作为簇头节点，则judge(a)＝cs。
[0055]
本发明上述实施例，根据无线传感器节点的初始能量、剩余能量连续工作时长、和基站之间进行通信的平均跳数、最大通信半径内的其它无线传感器节点的分布情况等参数来对无线传感器节点的竞争力进行计算，有利于选出功耗较低的、距离基站较近的、邻居节点分布密集，上一轮分簇中没有担任过簇头节点，且邻居节点整体距离基站较远的无线传感器节点作为簇头节点，有利于使用较少的簇头节点覆盖较多的成员节点，从整体上均衡
利用所有无线传感器节点的能量，避免单一无线传感器节点由于传输任务过重而快速消耗完能量，有利于延长无线传感器节点网络的工作寿命和保证无线传感器节点网络的覆盖范围。
[0056]
在一种实施例中，参数ctnum通过如下方式进行确定：
[0057]
将危化品存储区域的面积记为ccs，通过下述公式计算ctnum的理论最大值ctnum
ma
：
[0058][0059]
式中，mar表示无线传感器节点的最大通信半径；
[0060]
设参数ctnum的候选值为rand，rand∈[2,ctnum
ma
×
β],rand为整数，β表示调节参数，β大于1；
[0061]
将nu中的无线传感器节点划分为rand个簇，每个簇的簇头节点随机确定，以距离最小原则将无线传感器节点划分到各个簇中，
[0062]
求取使得划分指数取得最大值时，rand的值，并将此时rand的值作为参数ctnum的值；划分指数通过如下方式进行计算：
[0063][0064]
式中，aveks表示划分指数，numofn表示无线传感器节点的总数，nu表示所有无线传感器节点的集合，custu
k
表示nu中的无线传感器节点k所属的簇中除了无线传感器节点k 之外的所有无线传感器节点的集合，ncustu
k
表示custu
k
中的无线传感器节点的总数， dist(k,i)表示无线传感器节点k与custu
k
中的无线传感器节点i之间的欧式距离，ecpu
r
表示除了k所在的簇之外的第r个簇的所有无线传感器节点的集合，r∈[1,rand-1],necpu
r
表示ecpu
r
中的无线传感器节点的总数，dist(k,j) 无线传感器节点k与ecpu
r
中的无线传感器节点j之间的欧式距离。
[0065]
现有技术中，例如低功耗自适应集簇分层型协议，这种选出的簇头节点的数量是随机的，并不能很好的根据实际需要选取合适的簇头数量，容易导致簇头数量过多，从而影响监测的覆盖范围，同时也容易造成无线传感器网络的能量的浪费。本发明上述实施例，通过危化品存储区域的面积和无线传感器节点的最大通信半径计算出一个理论的簇头节点的数量，然而由于传感器节点的通信范围一般是圆形的，因此，还需要将理论的簇头节点数量乘上一个调节参数进行调节，从而确定理论上簇头节点的数量的最大值，然后通过遍历的方式，将区间 [2,ctnum
ma
×
β]内的整数取值逐个赋值给rand，进行划分指数的计算，选取使得划分指数最大值时的rand的值作为参数ctnum的取值，这样确定的参数ctnum的值更具有代表性，有利于将无线传感器网络划分为合适数量的多个簇。在划分指数的计算上，考虑了k与其所属簇的其它成员之间距离的均值，这个所属均值越小说明分簇越准确，同时也考
虑了k与其它簇之间的距离的均值，这个值越大，说明分簇越准确，因此，整体而言，划分指数越大，分簇数量越合理，从而确定参数ctnum的合理值。相较于传统的分簇算法，本发明的上述实施例无疑更具有自适应性，能够自适应地根据无线传感器节点的分布确定合理的簇头数量。从而实现降低能耗的同时保证对危化品的存储环境的覆盖监测。
[0066]
在一种实施例中，对候选节点进行优化，得到簇头节点，包括：
[0067]
将候选节点使用集合hxu进行存储，按照距离最小原则将无线传感器节点作为成员节点划分到候选节点所在的簇中；
[0068]
根据候选节点与基站之间的欧式距离对候选节点进行排序，从距离基站最远的候选节点开始，进行优化处理：
[0069]
将进行优化处理的候选节点记为hs，判断所述候选节点hs的最大通信半径内的其它候选节点的总数是否小于预设的判断阈值pdhtre，若是，则不进行优化处理，若否，则进一步进行判断；
[0070]
所述进一步进行判断包括：判断所述候选节点hs的最大通信半径内的其它候选节点是否满足下述判断条件，若是，则不进行优化处理，若否，则进行优化处理：
[0071]
δ1percyda
×
numcy＜ynumhs
×
perhsda＜δ2percyda
×
numcy
[0072]
式中，numhs表示集合hs中候选节点的总数，hs表示hs的最大通信半径内的其它候选节点加上候选节点hs组成的集合，perhsda表示每个候选节点单位时间内所能接收的数据量， numcy表示hs中的候选节点所属的簇中的所有成员节点的总数，percyda表示每个成员节点单位时间内产生的数据量，δ2＞2δ1，δ1和δ2为预设的比例参数，
[0073]
所述优化处理为：
[0074]
若δ1percyda
×
numcy≥ynumhs
×
perhsda，则从候选节点hs与hs中除了候选节点hs之外的候选节点的重叠区域中，选取竞争力最大的成员节点作为加入到候选节点集合hxu中；
[0075]
若ynumhs
×
perhsda≥δ2percyda
×
numcy，则从hs中选出竞争力最小的个候选节点，将所述候选节点从候选节点集合hxu中删除，φ为预设的比例参数，φ∈[0.1,0.5]；
[0076]
将候选节点集合hxu中最终剩下的候选节点作为簇头节点。
[0077]
本发明上述实施例，是对簇头节点分布的优化，如果候选节点的最大通信半径内，其它候选节点的数量较少，说明该候选节点时附近的最优选择，其适合作为簇头节点。若一定区域内簇头节点的数量不能满足数据量的要求，则增加簇头节点，从而使得能够有足够的簇头节点对成员节点产生的数据进行及时的接收以及转发；若一定区域内候选节点的数量过多，显然，这种分布方式是不合理的，因此，需要合理地减少该区域内候选节点的数量。这样子，使得簇头的分布更为合理，避免在狭窄的区域内分布过多的簇头节点，造成能量的浪费，同时也能够避免簇头节点数量不足，不能及时地对成员节点产生的数据进行接收和转发。
[0078]
另一方面，本发明提供了一种基于人工智能的危化品风险识别预警系统，其用于实现上述的基于人工智能的危化品风险识别预警方法。
[0079]
尽管已经示出和描述了本发明的实施例，本领域技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变形，本发明的
范围由权利要求及其等同物限定。