CN118707047A - 一种电力隧道有毒气体检测方法及检测系统 - Google Patents

Abstract

本发明提供一种电力隧道有毒气体检测方法及检测系统，涉及气体检测技术领域，包括通过部署在电力隧道内的传感器集获取气体数据以及环境数据，分别对MOS传感器、电化学传感器和红外气体传感器所采集的气体数据进行特征提取，得到气体特征，利用预训练的深度学习模型对提取到的所有气体特征进行动态加权融合，得到动态融合特征，将所述动态融合特征和所述环境数据输入预训练的自适应阈值模型进行阈值生成，输出动态阈值，将电阻率变化值与动态阈值进行比较，在所述电阻率变化值超过动态阈值时，触发预警机制，本发明通过集成多种类型的气体传感器和环境传感器，结合特征提取、深度学习模型和数据融合技术，实现对电力隧道内有毒气体的检测与预警。

Description

一种电力隧道有毒气体检测方法及检测系统

技术领域

本发明涉及气体检测技术领域，尤其涉及一种电力隧道有毒气体检测方法及检测系统。

背景技术

在电力隧道的建设和运营过程中，由于隧道内部环境复杂且封闭，往往会产生或积聚多种有毒有害气体，如甲烷（CH4）、一氧化碳（CO）、硫化氢（H2S）等。这些气体的存在不仅威胁到隧道内作业人员的生命安全，还可能对电力设施造成损害，影响电力系统的稳定运行。因此，对电力隧道内的有毒有害气体进行实时监测和预警显得尤为重要。

传统的电力隧道有毒气体检测方法主要依赖于单一类型的传感器，如电化学传感器、MOS传感器或红外气体传感器等。然而，每种传感器都有其特定的检测范围和灵敏度，单独使用往往难以全面、准确地反映隧道内气体状况。例如，电化学传感器对特定气体的检测灵敏度高，但易受环境因素干扰；MOS传感器响应速度快，但长期稳定性较差；红外气体传感器虽然检测范围广，但成本较高且对气体浓度的微小变化可能不够敏感。

因此，有必要提供一种电力隧道有毒气体检测方法及检测系统解决上述技术问题。

发明内容

为解决上述技术问题，本发明提供一种电力隧道有毒气体检测方法及检测系统，通过集成多种类型的气体传感器和环境传感器，结合特征提取、深度学习模型和数据融合技术，实现了对电力隧道内有毒气体的全面、准确、实时检测与预警。

本发明提供的一种电力隧道有毒气体检测方法，所述检测方法包括以下步骤：

S1：通过部署在电力隧道内的传感器集获取气体数据以及环境数据，其中，所述传感器集包括气体传感器阵列和环境传感器阵列，所述气体传感器阵列由多个传感器节点组成，且每个传感器节点集成有MOS传感器、电化学传感器和红外气体传感器；

S2：分别对MOS传感器、电化学传感器和红外气体传感器所采集的气体数据进行特征提取，得到对应于各传感器的气体特征，其中，所述MOS传感器的气体特征为电阻率变化值，所述电化学传感器的气体特征为电流率变化值，所述红外气体传感器为光谱强度变化值；

S3：利用预训练的深度学习模型对提取到的所有气体特征进行动态加权融合，得到动态融合特征；

S4：将所述动态融合特征和所述环境数据输入预训练的自适应阈值模型进行阈值生成，输出动态阈值，其中，所述自适应阈值模型是基于历史数据训练得到的神经网络模型；

S5：将同一时刻下的电阻率变化值与动态阈值进行比较，并在所述电阻率变化值超过动态阈值时，触发预警机制。

优选的，在步骤S1中，所述环境传感器阵列包括温度传感器、湿度传感器和气压传感器，所述环境数据包括温度、湿度和气压。

优选的，步骤S1具体包括以下步骤：

S101：初始化所述MOS传感器、电化学传感器、红外气体传感器、温度传感器、湿度传感器和气压传感器，并获取各自的原始气体数据；

S102：对获取的原始气体数据进行数据预处理，得到气体数据以及环境数据。

优选的，步骤S2具体包括以下步骤：

S201：通过平滑处理所述MOS传感器的气体数据，并基于基准电阻值计算变化量，得到所述MOS传感器的电阻率变化值；

S202：根据所述电化学传感器的电流信号，并基于基线电流计算变化量，得到电化学传感器的电流率变化值；

S203：根据所述红外气体传感器的光谱数据，并基于参考光谱强度计算变化量，得到红外气体传感器的光谱强度变化值。

优选的，步骤S3具体包括以下步骤：

S301：对所述电阻率变化值、电流率变化值和光谱强度变化值进行归一化处理；

S302：基于预训练的深度学习模型中的权重分配机制，动态计算各传感器的气体特征的权重系数，得到动态权重矩阵；

S303：根据所述动态权重矩阵对归一化后的所述电阻率变化值、电流率变化值和光谱强度变化值进行加权求和，得到动态融合特征。

优选的，步骤S4具体包括以下步骤：

S401：对所述动态融合特征和环境数据进行合并，得到综合特征向量；

S402：将所述特征向量作为输入，并利用自适应阈值模型的输入层进行前向传播，得到所述自适应阈值模型的各隐藏层的激活输出；

S403：根据每一隐藏层的权重矩阵和偏置项，对上一隐藏层的输出进行线性变换，得到该隐藏层的线性组合；

S404：应用激活函数对隐藏层的线性组合进行非线性转换，并对转换后的结果进行计算，得到动态阈值。

优选的，在步骤S4中，自适应阈值模型的训练步骤包括：

收集多组相匹配历史气体数据和历史环境数据的训练数据，且每组历史气体数据和历史环境数据均分配有已知的历史动态阈值；

将所述训练数据输入到自适应阈值模型中，通过前向传播和反向传播机制，不断调整模型的权重和偏置，以最小化预测的动态阈值与已知的历史动态阈值的差异；

利用独立的验证数据验证并优化所述自适应阈值模型，得到训练好的自适应阈值模型。

优选的，在步骤S5中，预警机制包括声光报警、远程通知和自动通风系统启动。

本发明提高了一种电力隧道有毒气体检测系统，用于执行所述的一种电力隧道有毒气体检测方法，所述检测系统包括：

数据采集模块，用于通过部署在电力隧道内的传感器集获取气体数据以及环境数据，其中，所述传感器集包括气体传感器阵列和环境传感器阵列，所述气体传感器阵列由多个传感器节点组成，且每个传感器节点集成有MOS传感器、电化学传感器和红外气体传感器；

特征提取模块，用于分别对MOS传感器、电化学传感器和红外气体传感器所采集的气体数据进行特征提取，得到对应于各传感器的气体特征，其中，所述MOS传感器的气体特征为电阻率变化值，所述电化学传感器的气体特征为电流率变化值，所述红外气体传感器为光谱强度变化值；

特征融合模块，用于利用预训练的深度学习模型对提取到的所有气体特征进行动态加权融合，得到动态融合特征；

阈值生成模块，用于将所述动态融合特征和所述环境数据输入预训练的自适应阈值模型进行阈值生成，输出动态阈值，其中，所述自适应阈值模型是基于历史数据训练得到的神经网络模型；

预警决策模块，用于将同一时刻下的电阻率变化值与动态阈值进行比较，并在所述电阻率变化值超过动态阈值时，触发预警机制。

与相关技术相比较，本发明提供的一种电力隧道有毒气体检测方法及检测系统具有如下有益效果：

本发明通过部署在电力隧道内的传感器集获取气体数据以及环境数据，分别对MOS传感器、电化学传感器和红外气体传感器所采集的气体数据进行特征提取，得到气体特征，利用预训练的深度学习模型对提取到的所有气体特征进行动态加权融合，得到动态融合特征，将所述动态融合特征和所述环境数据输入预训练的自适应阈值模型进行阈值生成，输出动态阈值，将电阻率变化值与动态阈值进行比较，在所述电阻率变化值超过动态阈值时，触发预警机制，本发明通过集成多种类型的气体传感器和环境传感器，结合特征提取、深度学习模型和数据融合技术，实现对电力隧道内有毒气体的检测与预警。

附图说明

图1为本发明提供的一种电力隧道有毒气体检测方法的流程图；

图2为本发明提供的一种电力隧道有毒气体检测系统的模块结构图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。此外，在不冲突的情况下，本发明中的实施例及实施例中的特征可以互相组合。

另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作（或步骤）描述成顺序地处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。

在本申请中，传感器集包括气体传感器阵列和环境传感器阵列，这些传感器被布置在电力隧道内，以便持续监测隧道中的气体成分和环境条件。

其中，气体传感器阵列由多个传感器节点构成，每个节点都集成了多种类型的传感器，旨在全面捕捉不同种类气体的存在和浓度。这些传感器类型主要包括：

MOS传感器（Metal Oxide Semiconductor）：这类传感器能够检测各种气体，如一氧化碳、硫化氢等，其工作原理是通过测量传感器表面的电阻变化来反映气体的存在。当目标气体分子吸附在传感器表面时，会导致半导体材料的导电性发生变化，从而引起电阻率的变化。

电化学传感器：它们通过化学反应产生的电流变化来检测气体。例如，氧气传感器通过氧分子在电极上的还原反应产生电流，电流的大小与氧气浓度成正比。

红外气体传感器：基于不同气体对特定波长红外光的吸收特性，红外气体传感器能够精确地识别并量化特定气体的浓度。通过分析光谱强度的变化，可以确定气体的类型和浓度。

环境传感器阵列则负责收集隧道内的环境数据，包括温度、湿度和气压，这些数据对于解释气体传感器的读数至关重要，因为环境条件可能会影响气体传感器的响应。

每个传感器节点都集成有MOS传感器、电化学传感器和红外气体传感器，这样做的目的是确保即使在复杂多变的环境中，也能准确无误地检测出有毒气体的存在。这些传感器节点分布在隧道的关键位置，以便覆盖整个监测区域，确保任何潜在的气体泄漏或异常都能被及时发现。

实施例一

本发明提供的一种电力隧道有毒气体检测方法，参考图1所示，所述检测方法包括以下步骤：

S1：通过部署在电力隧道内的传感器集获取气体数据以及环境数据，其中，所述传感器集包括气体传感器阵列和环境传感器阵列，所述气体传感器阵列由多个传感器节点组成，且每个传感器节点集成有MOS传感器、电化学传感器和红外气体传感器。

在本实施例中，电力隧道内部部署了传感器集，该传感器集包括气体传感器阵列和环境传感器阵列。气体传感器阵列由多个传感器节点组成，每个传感器节点上集成有金属氧化物半导体（MOS）传感器、电化学传感器和红外气体传感器，用于全方位监测电力隧道内的气体成分。同时，环境传感器阵列则监测温度、湿度、气压等环境参数，这些数据对于正确解读气体传感器的读数至关重要。通过实时获取气体数据和环境数据，系统能够迅速响应隧道内的环境变化，提高了检测的时效性和准确性。

S2：分别对MOS传感器、电化学传感器和红外气体传感器所采集的气体数据进行特征提取，得到对应于各传感器的气体特征，其中，所述MOS传感器的气体特征为电阻率变化值，所述电化学传感器的气体特征为电流率变化值，所述红外气体传感器为光谱强度变化值。

在本实施例中，从MOS传感器、电化学传感器和红外气体传感器收集的气体数据中分别提取特征，其中，MOS传感器的气体特征体现为电阻率变化值，电化学传感器的气体特征体现为电流率变化值，而红外气体传感器的气体特征则是光谱强度变化值，这种多传感器数据的特征提取方式，能够更全面地反映电力隧道内气体的多样性和复杂性，增加了检测系统的鲁棒性和灵敏度。

S3：利用预训练的深度学习模型对提取到的所有气体特征进行动态加权融合，得到动态融合特征。

在本实施例中，利用预训练的深度学习模型，对所有提取的气体特征进行动态加权融合，得到一个综合的动态融合特征。深度学习模型通过学习历史数据中的模式，能够自动调整不同传感器特征的权重，以适应电力隧道内不断变化的环境条件。这种方法克服了单一传感器可能存在的局限性，提高了检测结果的可靠性和精度。

S4：将所述动态融合特征和所述环境数据输入预训练的自适应阈值模型进行阈值生成，输出动态阈值，其中，所述自适应阈值模型是基于历史数据训练得到的神经网络模型。

由于不同的传感器类型对同一种气体的响应机理不同，MOS传感器对气体的响应表现为电阻率的变化，电化学传感器通过电流的变化来检测气体，而红外气体传感器则是通过吸收光谱来识别特定气体的存在。这三种传感器在检测气体时各有优势和局限，例如，MOS传感器对某些气体响应快但选择性较低，电化学传感器具有较高的选择性和灵敏度，红外气体传感器则可以精确测量特定气体的浓度。因此，结合它们的数据可以相互补充，提高整体检测系统的可靠性和准确性。

示例性的，如果在某一时刻，电流变化率和光谱强度变化显示出某种特定的气体浓度增加模式，即使电阻值变化率尚未达到异常水平，也会在动态融合特征中反映出这种趋势。

自适应阈值模型在接收到动态融合特征时，会考虑到这些相关特征的变化，可能提前调整电阻值变化率的阈值，使其更加敏感，以便在早期阶段就能触发预警。

因此，在本实施例中，将动态融合特征和环境数据一同输入至预训练的自适应阈值模型，该模型基于历史数据训练，能够生成随环境变化而调整的动态阈值。通过使用自适应阈值模型，能够智能地判断何时气体浓度达到危险水平，减少了误报和漏报的可能性，提升了预警机制的有效性和智能性。

S5：将同一时刻下的电阻率变化值与动态阈值进行比较，并在所述电阻率变化值超过动态阈值时，触发预警机制。

在本实施例中，当任一时刻下的电阻率变化值超过动态阈值时，预警机制被激活。这种动态阈值的设定避免了固定阈值在复杂环境中的局限性，确保了在不同条件下都能够准确、及时地检测到有害气体的异常情况。预警机制的触发不仅保护了工作人员的生命安全，还有效防止了因气体泄漏导致的电力设施损坏，降低了事故风险，保障了电力隧道的安全运行。

具体的，在步骤S1中，所述环境传感器阵列包括温度传感器、湿度传感器和气压传感器，所述环境数据包括温度、湿度和气压。

具体的，步骤S1具体包括以下步骤：

S101：初始化所述MOS传感器、电化学传感器、红外气体传感器、温度传感器、湿度传感器和气压传感器，并获取各自的原始气体数据。

在本实施例中，MOS传感器、电化学传感器、红外气体传感器、温度传感器和湿度传感器被启动并准备开始收集数据。这个过程可能包括但不限于：

MOS传感器：金属氧化物半导体（MOS）传感器需要加热到工作温度才能达到最佳灵敏度，因此初始化阶段可能包含加热元件的激活。

电化学传感器：这类传感器依赖于电解液和电极之间的化学反应，初始化可能涉及稳定电解液和电极之间的电压。

红外气体传感器：这类传感器可能需要一个稳定的光源和检测器，初始化可能包括光源和检测器的校准。

温度传感器和湿度传感器：这些传感器用于监测环境条件，初始化可能只是简单的电源开启和数据采集准备。

一旦传感器准备好，它们会开始连续或按一定频率收集原始数据，这些数据可能包括：

MOS传感器输出的电阻变化；

电化学传感器输出的电流变化；

红外气体传感器输出的光谱强度变化；

温度传感器和湿度传感器输出的温度与湿度数值；

气压传感器输出的气压数值。

S102：对获取的原始气体数据进行数据预处理，得到气体数据以及环境数据。

在本实施例中，在获取了来自不同传感器的原始数据之后，下一步是对这些数据进行预处理，目的是消除噪声、标准化数据格式、并从原始信号中提取有用的信息。预处理步骤包括：

数据清洗：去除无效或错误的数据点，如异常值。

信号滤波：应用滤波技术，如低通滤波器，以去除高频噪声。

数据归一化：将数据转换到相同的量纲或尺度，便于比较和分析。

具体的，步骤S2具体包括以下步骤：

S201：通过平滑处理所述MOS传感器的气体数据，并基于基准电阻值计算变化量，得到所述MOS传感器的电阻率变化值。

在本实施例中，MOS传感器输出的原始数据首先会经历平滑处理，这是为了减少由噪声引起的波动，确保数据的稳定性。平滑处理包括但不限于移动平均法、指数平滑法或数字滤波器。平滑处理后的数据更接近真实的气体浓度变化趋势，降低了误报的风险。

接下来，基于MOS传感器在清洁空气中的基准电阻值，计算电阻率变化值。这个基准电阻值是在没有气体存在的情况下测量得到的，用作参考点。电阻率变化值通过比较当前电阻与基准电阻的差异来计算，通常表示为电阻变化的百分比。

S202：根据所述电化学传感器的电流信号，并基于基线电流计算变化量，得到电化学传感器的电流率变化值。

在本实施例中，电化学传感器的特征提取过程同样始于基线校正。基线电流是在没有待测气体存在时的电流读数，它提供了传感器响应的背景值。通过比较实时电流与基线电流的差异，系统可以计算出电流率变化值。这个变化值反映了气体与传感器电极表面发生的化学反应强度，进而指示了气体的浓度。

S203：根据所述红外气体传感器的光谱数据，并基于参考光谱强度计算变化量，得到红外气体传感器的光谱强度变化值。

在本实施例中，红外气体传感器通过检测特定气体分子对红外光的吸收特性来识别和量化气体。在本步骤中，使用参考光谱强度，即在没有气体吸收时的光谱强度，作为零点参考。通过分析实时光谱数据与参考光谱强度之间的差异，计算出光谱强度变化值。这种变化值与气体浓度直接相关，因为特定气体分子会吸收特定波长的红外光，导致该波长处的光谱强度减弱。

具体的，步骤S3具体包括以下步骤：

S301：对所述电阻率变化值、电流率变化值和光谱强度变化值进行归一化处理。

在本实施例中，对得到的电阻率变化值、电流率变化值和光谱强度变化值进行归一化处理，归一化的目的是确保所有传感器的数据在相同的尺度上进行比较，避免某一传感器因量程大而主导最终的融合结果。归一化是将所有数值转换到一个固定范围，例如0到1之间，这样处理后，每个特征值的重要性仅取决于其相对变化而非绝对数值。

S302：基于预训练的深度学习模型中的权重分配机制，动态计算各传感器的气体特征的权重系数，得到动态权重矩阵。

在本实施例中，深度学习模型的目的是让模型能够学习到如何根据当前环境和气体类型，自动调整不同传感器特征的权重。为此，模型的结构需要能够接收所有传感器的特征数据作为输入，并且能够输出一个权重矩阵，这个矩阵中的每个元素代表一个传感器特征的权重系数。

模型的训练过程涉及使用大量的历史数据，这些数据包括在不同环境条件下，不同种类和浓度的气体对应的传感器响应数据。训练的目标是最小化预测权重与理想权重（基于领域知识或专家判断）之间的差距，并通过定义损失函数来实现，并使用梯度下降来调整模型参数，以逐步减小损失。

模型训练完成后，它就能够基于输入的传感器特征，动态地计算出权重矩阵。这意味着在实际应用中，每当接收到新的传感器数据时，模型都可以实时地更新权重，以反映当前环境下各传感器特征的重要性。

示例性的，如果某个特定环境下MOS传感器的信号受到严重干扰，模型可能会自动降低MOS传感器特征的权重，而相应地增加电化学传感器或红外气体传感器特征的权重，以确保气体检测结果的准确性和可靠性。

S303：根据所述动态权重矩阵对归一化后的所述电阻率变化值、电流率变化值和光谱强度变化值进行加权求和，得到动态融合特征。

在本实施例中，在获得了动态权重矩阵之后，将对归一化处理后的特征值进行加权求和，生成动态融合特征，这个过程综合了所有传感器的信息，并且按照它们的相对重要性进行了加权，确保了最终决策的全面性和准确性。动态融合特征代表了对当前环境中气体检测情况的综合评估，可以被用来进一步判断是否有有毒气体存在，以及其可能的浓度水平。

具体的，步骤S4具体包括以下步骤：

S401：对所述动态融合特征和环境数据进行合并，得到综合特征向量。

在本实施例中，将之前计算出的动态融合特征与实时的环境数据进行合并，合并的方式是将两个向量连接起来形成一个新的更长的向量，即综合特征向量。示例性的，如果动态融合特征是一个包含10个元素的向量，而环境数据是一个包含5个元素的向量，则合并后得到的综合特征向量将包含15个元素。

S402：将所述特征向量作为输入，并利用自适应阈值模型的输入层进行前向传播，得到所述自适应阈值模型的各隐藏层的激活输出。

在本实施例中，将综合特征向量输入到自适应阈值模型中，这个模型是一个深度神经网络，数据从输入层开始，通过每一层的节点，直到到达输出层的过程，在这个过程中，每一层都会根据其权重和偏置进行计算，产生输出，这些输出又作为下一层的输入。

S403：根据每一隐藏层的权重矩阵和偏置项，对上一隐藏层的输出进行线性变换，得到该隐藏层的线性组合。

在本实施例中，在神经网络的每一隐藏层中，前一层的输出首先会与该层的权重矩阵进行点乘运算，再加上一个偏置项，实质上是在高维空间中对数据进行线性组合。

S404：应用激活函数对隐藏层的线性组合进行非线性转换，并对转换后的结果进行计算，得到动态阈值。

在本实施例中，在完成线性变换后，为了引入非线性，模型会应用ReLU激活函数到线性组合的结果上。激活函数的作用是允许模型学习复杂的模式和关系，这是线性模型无法做到的。应用激活函数后，得到该隐藏层的最终输出，这个输出将作为下一层的输入，或者在最后一层时，作为模型的预测输出。

具体地，在步骤S4中，自适应阈值模型的训练步骤包括：

收集多组相匹配历史气体数据和历史环境数据的训练数据，且每组历史气体数据和历史环境数据均分配有已知的历史动态阈值。

将所述训练数据输入到自适应阈值模型中，通过前向传播和反向传播机制，不断调整模型的权重和偏置，以最小化预测的动态阈值与已知的历史动态阈值的差异。

利用独立的验证数据验证并优化所述自适应阈值模型，得到训练好的自适应阈值模型。

在本实施例中，收集多组相匹配的历史气体数据和历史环境数据。这意味着对于每一条历史气体数据，都有相应的环境数据与之对应，同时每组数据还应该有一个已知的历史动态阈值，这通常是基于过去的经验或专家知识设定的。

模型训练过程包括：

前向传播：将训练数据（历史气体数据和环境数据）输入到自适应阈值模型中，模型根据当前的权重和偏置进行前向传播，产生预测的动态阈值。

计算损失：比较模型预测的动态阈值与已知的历史动态阈值，计算两者之间的差异，这个差异通常被量化为一个损失函数。

反向传播：通过反向传播算法，根据损失函数的梯度，调整模型的权重和偏置，使得预测值尽可能接近实际值。

迭代优化：重复前向传播和反向传播过程，直到模型的性能达到预定的停止条件，比如损失函数收敛或达到预设的训练轮数。

独立验证数据：使用未参与训练的独立验证数据集来评估模型的泛化能力。这有助于确保模型不仅在训练数据上表现良好，而且能够准确预测新数据的动态阈值。

优化与选择：根据验证数据的表现进一步调整模型的超参数。

经过上述步骤，得到的训练好的自适应阈值模型能够在接收到新的气体数据和环境数据时，准确地预测出动态阈值，从而实现对气体检测的实时和智能监控。

具体地，在步骤S5中，预警机制包括声光报警、远程通知和自动通风系统启动。

在本实施例中，一旦动态阈值被触发，即当实时检测到的气体浓度超过动态阈值时，预警机制随即启动，以确保电力隧道内的人员安全和设备保护。预警机制的实施可以包括以下几个关键组件：

警报器：安装在电力隧道内的警报器会发出强烈的声响和闪烁的灯光，以立即警告现场工作人员存在潜在的危险气体。这种即时的警报有助于迅速疏散人员并防止进一步的暴露。

通信系统：预警系统可以集成有通信模块，能够通过短信、电子邮件或专用应用程序发送紧急通知给远程监控中心或指定的安全管理人员。这确保了即使不在现场的人员也能及时了解情况，采取必要的响应措施。

自动化控制：预警机制可以与电力隧道内的通风系统联动，一旦触发预警，系统会自动启动通风设备，如风扇和排气装置，以加速稀释有害气体，降低浓度至安全水平。这种自动化响应可以迅速改善隧道内的空气质量，降低对人员的威胁。

此外，在本申请中，传感器集不仅包括气体传感器阵列和环境传感器阵列，还涉及了传感器网络的智能优化部署。为了提高整个电力隧道内有毒气体检测的效率与准确性，还采用了FW-PSO算法对无线传感网络的拓扑结构进行优化。

无标度特性：FW-PSO算法利用其无标度特性，创建了一个科学的WSN拓扑结构模型。这一模型能够自动调整传感器节点间的连接，以适应电力隧道内复杂多变的工作环境，确保即使在恶劣条件下，网络也能保持良好的连通性和数据传输效率。

网络结构优化：通过FW-PSO算法，网络拓扑结构得以优化，确保了传感器节点的布局更加合理，减少了信号传输的延迟和能量消耗，增强了系统的稳定性和鲁棒性。

提升运行效率：算法能够识别并淘汰网络中的冗余路径，这不仅减少了数据传输的不确定性，还大大提升了电力隧道内无线传感网络的运行效率。通过减少不必要的数据传输路径，系统可以在更短的时间内完成有毒气体的检测与数据的汇总，加快了报警响应速度。

多元混合有毒气体检测：FW-PSO算法优化的WSN拓扑结构与MOS传感器、电化学传感器、红外气体传感器等传感器技术的融合，为电力隧道施工现场提供了高效的有毒气体检测方案，这种融合技术能够实时监测多种气体，提高检测效率与报警速度，确保施工人员的安全。

本发明提供的一种电力隧道有毒气体检测方法的工作原理如下：本发明是基于多传感器融合和深度学习技术的，通过部署在电力隧道内的传感器集，集成MOS传感器、电化学传感器和红外气体传感器等多种类型的气体传感器，以及环境传感器阵列，实现对隧道内气体数据和环境数据的全面采集。

在数据采集的基础上，本发明进一步利用特征提取技术，从不同类型的传感器数据中提取出各自的气体特征，包括MOS传感器的电阻率变化值、电化学传感器的电流率变化值和红外气体传感器的光谱强度变化值。这些特征数据为后续的数据处理和分析提供了丰富的信息源。

为了充分利用这些特征数据，提高检测的准确性和鲁棒性，本发明引入了预训练的深度学习模型进行动态加权融合。该模型能够根据实时数据的特点，自动调整不同传感器数据的权重，实现特征的动态融合，从而得到更加全面、准确的动态融合特征。

最后，本发明将动态融合特征和环境数据输入预训练的自适应阈值模型进行阈值生成。该模型基于历史数据训练得到，能够根据不同的环境条件和气体特性，动态调整预警阈值，确保预警的准确性和及时性。当检测到的电阻率变化值超过动态阈值时，系统将自动触发预警机制，提醒相关人员及时采取措施，确保隧道内作业人员的安全和电力设施的稳定运行。

综上所述，本发明通过集成多种类型的气体传感器和环境传感器，结合特征提取、深度学习模型和数据融合技术，实现了对电力隧道内有毒气体的全面、准确、实时检测与预警。该方法不仅提高了检测的准确性和可靠性，还降低了误报和漏报的概率，为电力隧道的安全运营提供了有力的技术保障。

实施例二

本发明提高了一种电力隧道有毒气体检测系统，用于执行所述的一种电力隧道有毒气体检测方法，参考图2所示，所述检测系统包括：

数据采集模块100，用于通过部署在电力隧道内的传感器集获取气体数据以及环境数据，其中，所述传感器集包括气体传感器阵列和环境传感器阵列，所述气体传感器阵列由多个传感器节点组成，且每个传感器节点集成有MOS传感器、电化学传感器和红外气体传感器；

特征提取模块200，用于分别对MOS传感器、电化学传感器和红外气体传感器所采集的气体数据进行特征提取，得到对应于各传感器的气体特征，其中，所述MOS传感器的气体特征为电阻率变化值，所述电化学传感器的气体特征为电流率变化值，所述红外气体传感器为光谱强度变化值；

特征融合模块300，用于利用预训练的深度学习模型对提取到的所有气体特征进行动态加权融合，得到动态融合特征；

阈值生成模块400，用于将所述动态融合特征和所述环境数据输入预训练的自适应阈值模型进行阈值生成，输出动态阈值，其中，所述自适应阈值模型是基于历史数据训练得到的神经网络模型；

预警决策模块500，用于将同一时刻下的电阻率变化值与动态阈值进行比较，并在所述电阻率变化值超过动态阈值时，触发预警机制。

本申请是参照根据本申请实施例的方法、设备（系统）和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框，以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一种计算机可读存储介质中，存储介质包括只读存储器（Read-Only Memory，ROM）、随机存储器（Random Access Memory，RAM）、可编程只读存储器（Programmable Read-only Memory，PROM）、可擦除可编程只读存储器（Erasable Programmable Read Only Memory，EPROM）、一次可编程只读存储器（One-time Programmable Read-Only Memory，OTPROM）、电子抹除式可复写只读存储器（Electrically-Erasable Programmable Read-Only Memory，EEPROM）、只读光盘（CompactDisc Read-Only Memory，CD-ROM）或其他光盘存储器、磁盘存储器、磁带存储器，或者能够用于携带或存储数据的计算机可读的任何其他介质。

还需要说明的是，术语“包括”“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者还是包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

Claims (9)

1.一种电力隧道有毒气体检测方法，其特征在于，所述检测方法包括以下步骤：

S1：通过部署在电力隧道内的传感器集获取气体数据以及环境数据，其中，所述传感器集包括气体传感器阵列和环境传感器阵列，所述气体传感器阵列由多个传感器节点组成，且每个传感器节点集成有MOS传感器、电化学传感器和红外气体传感器；

S2：分别对MOS传感器、电化学传感器和红外气体传感器所采集的气体数据进行特征提取，得到对应于各传感器的气体特征，其中，所述MOS传感器的气体特征为电阻率变化值，所述电化学传感器的气体特征为电流率变化值，所述红外气体传感器为光谱强度变化值；

S3：利用预训练的深度学习模型对提取到的所有气体特征进行动态加权融合，得到动态融合特征；

S4：将所述动态融合特征和所述环境数据输入预训练的自适应阈值模型进行阈值生成，输出动态阈值，其中，所述自适应阈值模型是基于历史数据训练得到的神经网络模型；

S5：将同一时刻下的电阻率变化值与动态阈值进行比较，并在所述电阻率变化值超过动态阈值时，触发预警机制。

2.根据权利要求1所述的一种电力隧道有毒气体检测方法，其特征在于，在步骤S1中，所述环境传感器阵列包括温度传感器、湿度传感器和气压传感器，所述环境数据包括温度、湿度和气压。

3.根据权利要求2所述的一种电力隧道有毒气体检测方法，其特征在于，步骤S1具体包括以下步骤：

S101：初始化所述MOS传感器、电化学传感器、红外气体传感器、温度传感器、湿度传感器和气压传感器，并获取各自的原始气体数据；

S102：对获取的原始气体数据进行数据预处理，得到气体数据以及环境数据。

4.根据权利要求3所述的一种电力隧道有毒气体检测方法，其特征在于，步骤S2具体包括以下步骤：

S201：通过平滑处理所述MOS传感器的气体数据，并基于基准电阻值计算变化量，得到所述MOS传感器的电阻率变化值；

S202：根据所述电化学传感器的电流信号，并基于基线电流计算变化量，得到电化学传感器的电流率变化值；

S203：根据所述红外气体传感器的光谱数据，并基于参考光谱强度计算变化量，得到红外气体传感器的光谱强度变化值。

5.根据权利要求4所述的一种电力隧道有毒气体检测方法，其特征在于，步骤S3具体包括以下步骤：

S301：对所述电阻率变化值、电流率变化值和光谱强度变化值进行归一化处理；

S302：基于预训练的深度学习模型中的权重分配机制，动态计算各传感器的气体特征的权重系数，得到动态权重矩阵；

S303：根据所述动态权重矩阵对归一化后的所述电阻率变化值、电流率变化值和光谱强度变化值进行加权求和，得到动态融合特征。

6.根据权利要求5所述的一种电力隧道有毒气体检测方法，其特征在于，步骤S4具体包括以下步骤：

S401：对所述动态融合特征和环境数据进行合并，得到综合特征向量；

S402：将所述特征向量作为输入，并利用自适应阈值模型的输入层进行前向传播，得到所述自适应阈值模型的各隐藏层的激活输出；

S403：根据每一隐藏层的权重矩阵和偏置项，对上一隐藏层的输出进行线性变换，得到该隐藏层的线性组合；

S404：应用激活函数对隐藏层的线性组合进行非线性转换，并对转换后的结果进行计算，得到动态阈值。

7.根据权利要求6所述的一种电力隧道有毒气体检测方法，其特征在于，在步骤S4中，自适应阈值模型的训练步骤包括：

收集多组相匹配历史气体数据和历史环境数据的训练数据，且每组历史气体数据和历史环境数据均分配有已知的历史动态阈值；

将所述训练数据输入到自适应阈值模型中，通过前向传播和反向传播机制，不断调整模型的权重和偏置，以最小化预测的动态阈值与已知的历史动态阈值的差异；

利用独立的验证数据验证并优化所述自适应阈值模型，得到训练好的自适应阈值模型。

8.根据权利要求7所述的一种电力隧道有毒气体检测方法，其特征在于，在步骤S5中，预警机制包括声光报警、远程通知和自动通风系统启动。

9.一种电力隧道有毒气体检测系统，用于执行如权利要求1至8任意一项所述的一种电力隧道有毒气体检测方法，其特征在于，所述检测系统包括：

数据采集模块，用于通过部署在电力隧道内的传感器集获取气体数据以及环境数据，其中，所述传感器集包括气体传感器阵列和环境传感器阵列，所述气体传感器阵列由多个传感器节点组成，且每个传感器节点集成有MOS传感器、电化学传感器和红外气体传感器；

特征提取模块，用于分别对MOS传感器、电化学传感器和红外气体传感器所采集的气体数据进行特征提取，得到对应于各传感器的气体特征，其中，所述MOS传感器的气体特征为电阻率变化值，所述电化学传感器的气体特征为电流率变化值，所述红外气体传感器为光谱强度变化值；

特征融合模块，用于利用预训练的深度学习模型对提取到的所有气体特征进行动态加权融合，得到动态融合特征；

阈值生成模块，用于将所述动态融合特征和所述环境数据输入预训练的自适应阈值模型进行阈值生成，输出动态阈值，其中，所述自适应阈值模型是基于历史数据训练得到的神经网络模型；

预警决策模块，用于将同一时刻下的电阻率变化值与动态阈值进行比较，并在所述电阻率变化值超过动态阈值时，触发预警机制。