一种监测数据自检的激光甲烷探测器的制作方法

本发明涉及激光气体检测，具体涉及一种监测数据自检的激光甲烷探测器。

背景技术：

1、通常使用激光甲烷探测器检测甲烷气体浓度，对于一些安全性要求较高的场合，对激光甲烷探测器的检测精度的要求较高。但由于传感器的局限，通常会导致采集到的甲烷浓度数据中存在噪声干扰，因此为了能够提高检测精度，避免漏报错报的情况，通常对于采集到的甲烷气体浓度数据进行sg滤波去噪。

2、但在实际监测过程中，由于除噪声数据外，激光甲烷探测器的气体池中的甲烷气体因存在流动性、扩散性以及激光传输路径的不稳定性等原因，也可能会导致获得的实际甲烷气体的浓度数据曲线中存在波动，但这些波动是可允许存在的。

3、由于常用的sg滤波通常采用固定大小的窗口，并对窗口内的数据进行拟合从而完成滤波平滑去噪。但是，由于上述正常可被允许的波动的存在，现有的sg滤波方法无法对甲烷气体检测数据进行准确的去噪，需要对存在噪声干扰且较严重的局部范围内的数据采用更高的滤波强度，而对未受噪声干扰部分的数据采用较小的滤波强度，从而保留原数据的更多细节信息。

技术实现思路

1、有鉴于此，为了解决现有的激光甲烷探测器中的数据滤波方式无法对甲烷气体检测数据进行准确去噪的技术问题，本发明提供一种监测数据自检的激光甲烷探测器。

2、所采用的技术方案具体如下：

3、一种监测数据自检的激光甲烷探测器，包括激光甲烷传感器和数据处理器，所述激光甲烷传感器与所述数据处理器信号连接，所述激光甲烷传感器用于根据预设采样周期检测激光甲烷浓度数据，并将检测到的激光甲烷浓度时序数据传输至所述数据处理器，所述数据处理器进行如下数据处理过程：

4、从所述激光甲烷浓度时序数据中截取出多个时序数据窗口，所述多个时序数据窗口包括当前时序数据窗口以及至少一个历史时序数据窗口，所述当前趋势数据窗口对应当前数据点；

5、根据当前时序数据窗口对应的当前周期数据窗口以及各时序数据窗口中极值点之间的时间间隔以及幅值差异，分别对应获取当前周期异常波动因子和各时序异常波动因子；根据当前时序数据窗口对应的时序异常波动因子，所述当前周期异常波动因子，以及当前时序数据窗口对应的当前趋势数据窗口的幅值范围以及极值点数量，获取当前时序数据窗口对应的当前含噪约束因子；

6、根据各时序数据窗口之间的数据差异，各时序异常波动因子，以及各时序数据窗口对应的残差累加值得到所述当前时序数据窗口的置信因子；

7、根据当前时序数据窗口对应的时序异常波动因子、当前含噪约束因子和置信因子，获取当前数据点的滤波调整系数；

8、根据所述当前数据点的滤波调整系数，采用sg滤波算法进行数据滤波。

9、进一步地，从所述激光甲烷浓度时序数据中截取出多个时序数据窗口，包括：

10、将所述当前数据点作为起点，以逆时序的方向，将所述激光甲烷浓度时序数据进行截取划分，依次获取多个预设窗口长度的时序数据窗口，所述当前数据点对应的时序数据窗口为所述当前时序数据窗口，其余的各个时序数据窗口为所述历史时序数据窗口；

11、将各个时序数据窗口中的时序终点所对应的数据点作为对应时序数据窗口的特征数据点，所述当前时序数据窗口的特征数据点为所述当前数据点。

12、进一步地，所述根据当前时序数据窗口对应的当前周期数据窗口和各时序数据窗口中极值点之间的时间间隔以及幅值差异，分别对应获取当前周期异常波动因子和各时序异常波动因子，包括：

13、对于任意一个时序数据窗口，获取该时序数据窗口中所有的极值点，并获取每一个极值点与其相邻的一个极值点之间的时间间隔以及幅值差异，计算该时序数据窗口中所有的时间间隔的标准差，得到时序时间间隔差异特征量，计算该时序数据窗口中所有的幅值差异的标准差，得到时序幅值差异特征量；

14、基于该时序数据窗口的特征数据点在该时序数据窗口中的位置，获取该时序数据窗口中其他各个数据点在所述激光甲烷浓度时序数据中所对应的数据窗口，得到各个关联时序数据窗口，所述各个关联时序数据窗口的长度等于所述预设窗口长度；获取各个关联时序数据窗口的时序时间间隔差异特征量和时序幅值差异特征量；

15、根据该时序数据窗口以及各个关联时序数据窗口的时序时间间隔差异特征量和时序幅值差异特征量，得到该时序数据窗口的时序异常波动因子；

16、获取当前周期数据窗口中所有的极值点，并获取每一个极值点与其相邻的一个极值点之间的时间间隔，以及幅值差异，计算当前周期数据窗口中所有的时间间隔的标准差，得到周期时间间隔差异特征量，计算当前周期数据窗口中所有的幅值差异的标准差，得到周期幅值差异特征量；

17、基于所述当前数据点在所述当前周期数据窗口中的位置，获取所述当前周期数据窗口中其他各个数据点所对应的数据窗口，得到各个关联周期数据窗口，所述各个关联周期数据窗口的长度等于所述预设窗口长度；获取各个关联周期数据窗口的周期时间间隔差异特征量和周期幅值差异特征量；

18、根据当前周期数据窗口以及各个关联周期数据窗口的周期时间间隔差异特征量和周期幅值差异特征量，得到当前周期数据窗口的当前周期异常波动因子。

19、进一步地，该时序数据窗口的时序异常波动因子的计算公式如下：

20、

21、其中，z为该时序数据窗口的时序异常波动因子，为归一化函数，l为该时序数据窗口中的数据点的数量，为该时序数据窗口的时序时间间隔差异特征量，为该时序数据窗口的时序幅值差异特征量，为该时序数据窗口中的第l个其他数据点的时序时间间隔差异特征量，为该时序数据窗口中的第l个其他数据点的时序幅值差异特征量，e为自然常数；

22、当前周期异常波动因子的计算公式如下：

23、

24、其中，为当前周期异常波动因子，为当前周期数据窗口的周期时间间隔差异特征量，为当前周期数据窗口的周期幅值差异特征量，为当前周期数据窗口中的第l个其他数据点的周期时间间隔差异特征量，为当前周期数据窗口中的第l个其他数据点的周期幅值差异特征量。

25、进一步地，根据当前时序数据窗口对应的时序异常波动因子，所述当前周期异常波动因子，以及当前时序数据窗口对应的当前趋势数据窗口的幅值范围以及极值点数量，获取当前时序数据窗口对应的当前含噪约束因子，包括：

26、当前时序数据窗口对应的当前含噪约束因子的计算公式如下：

27、

28、其中，c为当前时序数据窗口对应的当前含噪约束因子，z为当前时序数据窗口对应的时序异常波动因子，为当前周期异常波动因子，为当前趋势数据窗口的极值点数量，为当前趋势数据窗口的幅值范围，为归一化函数，a为大于0的预设参数。

29、进一步地，根据各时序数据窗口之间的数据差异，各时序异常波动因子，以及各时序数据窗口对应的残差累加值得到所述当前时序数据窗口的置信因子，包括：

30、所述当前时序数据窗口的置信因子的计算公式如下：

31、

32、其中，g为当前时序数据窗口的置信因子，z为当前时序数据窗口对应的时序异常波动因子，为当前时序数据窗口对应的残差累加值的归一化值，m为历史时序数据窗口的数量，表示当前时序数据窗口与第个历史时序数据窗口的dtw相似度，表示当前时序数据窗口与所有历史时序数据窗口的dtw相似度的均值，表示第个历史时序数据窗口的时序异常波动因子，为第个历史时序数据窗口对应的残差累加值的归一化值，q为大于0的预设参数。

33、进一步地，根据当前时序数据窗口对应的时序异常波动因子、当前含噪约束因子和置信因子，获取当前数据点的滤波调整系数，包括：

34、当前数据点的滤波调整系数的计算公式如下：

35、

36、其中，k为当前数据点的滤波调整系数，z为当前时序数据窗口对应的时序异常波动因子，c为当前含噪约束因子，g为置信因子，为归一化函数。

37、进一步地，根据所述当前数据点的滤波调整系数，采用sg滤波算法进行数据滤波，包括：

38、按照时序，获取预设数量的数据点的滤波调整系数；

39、根据sg滤波算法中构建的多项式，获取拟合数据点与原数据点的残差修正值的平方和，得到目标误差模型；所述拟合数据点与原数据点的残差修正值等于拟合数据点与原数据点的差值与对应数据点的滤波调整系数的乘积；

40、基于误差模型最小原则，对所述目标误差模型进行求解，得到多项式，并基于得到的多项式得到目标数据点的拟合值。

41、进一步地，所述激光甲烷探测器还包括报警器，以及用于设置在输气管道中的电磁阀，所述数据处理器与所述报警器和所述电磁阀信号连接，所述数据处理器将数据滤波后得到的激光甲烷浓度数据与预设甲烷浓度阈值进行比较，若高于所述预设甲烷浓度阈值，则向所述报警器输出报警指令，并向所述电磁阀输出关闭指令。

42、进一步地，所述激光甲烷探测器还包括无线通信模块，所述数据处理器与所述无线通信模块信号连接，所述数据处理器将数据滤波后得到的激光甲烷浓度数据通过所述无线通信模块发送至后台数据管理中心。

43、本发明至少具有如下有益效果：先从激光甲烷浓度时序数据中截取出多个时序数据窗口，然后根据其中当前时序数据窗口进行时序分解所得到的当前周期数据窗口中的极值点之间的时间间隔以及幅值差异获取当前周期异常波动因子，以及各时序数据窗口中极值点之间的时间间隔以及幅值差异获取各时序异常波动因子，然后根据当前时序数据窗口对应的时序异常波动因子，当前周期异常波动因子，以及当前时序数据窗口对应的当前趋势数据窗口的幅值范围以及极值点数量，对当前时序数据窗口对应的当前含噪约束因子进行分析；由于不同的时序数据窗口内可能存在气体实际波动也可能存在噪声，而噪声的存在会对时序分解的分解质量进行约束，正常而言周期数据中的周期波动主要由气体的波动所表征的，但由于噪声的叠加会对该情况造成干扰，因此还需对当前含噪约束因子的置信程度进行分析，进而根据各时序数据窗口之间的数据差异，各时序异常波动因子，以及各时序数据窗口对应的残差累加值得到当前时序数据窗口的置信因子，最后根据得到的各个数据因子获取当前数据点的滤波调整系数，进而根据滤波调整系数，采用sg滤波算法进行数据滤波，提高了对噪声的滤波效果的同时，尽可能的避免了对原数据曲线中信息的损伤，提升数据滤波的准确性，进而在对甲烷气体浓度进行判断时能够使得判断更加精准。