一种基于巡检机器人的电缆烧焦气味连续检测方法

摘要

本发明公开一种基于巡检机器人的电缆烧焦气味连续检测方法，使用高温对不同种类电缆灼烧，然后气体传感器模组对电缆高温灼烧产生的气体进行检测，采集对应气味数据样本，组成离散时序信号，并标注为该气味环境中电缆的的灼烧气味，将气味数据作为样本通过循环神经网络进行训练，即通过将气味浓度数据进行连续收集，并将气味数据按时间顺序组成时间序列信号，作为循环神经网络的输入，然后结合数学算法让循环神经网络自拟合到能够突出检测气体特征随时间变化的信息状态，此时将在气体数据输入后能够快速提取浓度特征并作出分类决策，实现对气体的检测与分类。

权利要求

1.一种基于巡检机器人的电缆烧焦气味连续检测方法，其特征在于：包括以下步骤：步骤1：气体传感器模组搭载于巡检机器人，使用200℃高温对电缆A进行3 5s灼烧，然~

后气体传感器模组对电缆A高温灼烧产生的气体进行检测，进而采集对应气味数据样本，采样时间为T且采样周期为t，每个周期t内采集的样本数据均包括TVOC、氨气和硫化氢三项气体的浓度值，并记录这三项气体的数据即为 ；其中， 和 分别对应一个采样周期T内的TVOC、氨气和硫化氢的浓度值；

步骤2：将步骤1中采样时间T内采集的样本按时间顺序进行排列，组成一组离散时序信号，该组离散时序信号记作一个样本序列 ，并为 打上相应种类的标签作为相应电缆的灼烧气味；

对另一种电缆B执行上述步骤1和步骤2得到对应样本序列 ； ；

步骤3、分别对电缆A和电缆B在其他不同气味环境重复步骤1至2，生成对应离散时序信号，并标注为该气味环境中相应电缆的烧灼气味；单独设置无灼烧时的正常空气环境为一对照组，用于空白环境对照；

步骤4、将步骤1至步骤3所得两种电缆的三种气味数据作为六种样本通过循环神经网络进行训练，然后结合训练方法让循环神经网络自拟合到能够突出检测气体特征随时间变化的信息状态，此时将在气体数据输入后提取浓度特征并作出分类决策；

上述步骤完成后，即得到基于电缆A和电缆B烧焦后产生混合气体以及正常空气环境的参数模型；

所述循环神经网络包括输入层、隐藏层和输出层，输入层有三个神经元，即采集的三种气体对浓度值，输出层为0、1、2，0代表预测类型为电缆A，1代表预测类型为电缆B，2为正常空气环境；

训练循环神经网络时，每一个时间步长需要输入的元素个数即为灼烧产生的不同种类的气体数n，即浓度指标 中特征向量的个数，时间步长为采样时间T，循环神经网络层数为

1，隐藏单元个数为一个样本序列的采样次数，表示为 ，当采样时间T不能整除一次采样周期 时，隐藏单元个数为二者之商并向下取整；输出层与隐藏层之间通过全连接神经网络进行连接；

训练循环神经网络中特征提取的具体方法为：提取特征的具体过程交由训练完成的循环神经网络模型自身，可以将其看做一个黑盒，其功能特征便是特征提取；特征提取结束后由循环神经网络最后几层的全连接层执行实现分类决策，该全连接层网络作为非线性分类器，其输入即为循环神经网络前几层的输出特征；

步骤5、封装上述所得参数模型，当需要检测某未知环境的气体数据时，连续收集相应电缆烧焦气味的特征，将其按时间顺序组成的时序信号输入循环神经网络，通过训练好的参数模型输出该离散时序信号随时间变化的特征，作为该类电缆烧焦气味的特征描述，并根据输出与标签的对应关系判断该气味所对应的电缆类型。

说明书

一种基于巡检机器人的电缆烧焦气味连续检测方法

技术领域

[0001] 本发明属于气体检测技术，具体涉及一种基于巡检机器人的电缆烧焦气味连续检测方法。

背景技术

[0002] 电缆烧焦气味识别属于特定气味识别，当下针对气味数据采集大多采用敏感膜材料吸附气体分子产生振动，采样得到的是一种复杂的时间序列信号。这种信号会受到敏感
膜材料、气体种类和浓度以及外界环境(如温度、湿度)等多种因素影响。对于采样得到的数
据，通常采用手工设计的特征，结合小波分解、支持向量机等方法进行识别；部分改良算法
独立设计特征提取与分类，提取特征的过程包括手工设计特征、小波分解以及主成分分析
等，识别算法则分别采用支持向量机、K近邻等方法，然后尝试使用近年来流行的深度学习
方法提高识别准确率。

[0003] 上述现有的检测方法存在以下问题：

[0004] （1）特征提取较难：当气味种类过多时，运用传统方法得到的分类识别效果往往不太理想，也即这些常用算法所提取的特征不能真实的表示物质气味信息特征。

[0005] （2）传统方法与特征提取鲁棒性差：传统方法大多基于经验规则，在一些气体成分相近时则不能有很好的划分效果，且现场干扰环境还会进一步加剧特征提取的难度。对于
诸如分类效果图为五点特征分布图则基于静态气体特征，对于连续变化的特征不能有较好
的提取效果与特征描述，且变化气体若用静态特征描述其适用范围也相对狭窄，在机器人
巡检过程中不能完整发现问题。

[0006] （3）普通深度学习方法特征描述较为静态：而气体检测为空气中不断采样近似为连续性信号，现有方法无法从时间维度描述气体变化的特征，即无法连续动态检测。

发明内容

[0007] 发明目的：本发明的目的在于解决现有技术中存在的不足，提供一种基于巡检机器人的电缆烧焦气味连续检测方法。

[0008] 技术方案：本发明的一种基于巡检机器人的电缆烧焦气味连续检测方法，包括以下步骤：

[0009] 步骤1：气体传感器模组搭载于巡检机器人，使用200℃高温对电缆A进行3 5s灼~
烧，然后使用气体传感器模组对电缆A高温灼烧产生的气体进行检测，进而采集对应气味数
据样本，采样时间为T且采样周期为t，每个周期t内采集的样本数据均包括TVOC、氨气和硫
化氢三项气体的浓度值，并记录这三项气体的数据即为 ， 分别对应
一个采样周期T内的TVOC、氨气和硫化氢的浓度值；

[0010] 步骤2：将步骤1中采样时间T内采集的样本按时间顺序进行排列，组成一组离散时序信号，一组离散时序信号记作一个样本序列 ，并为该样本序列打上
相应种类的标签作为相应电缆的灼烧气味；

[0011] 对另一种电缆B执行上述步骤1和步骤2得到对应样本序列 ；

[0012] ；

[0013] 两种电缆可以分别是三芯防火电缆和十芯防火电缆；

[0014] 步骤3、分别对电缆A和电缆B在其他不同气味（例如煤油味、松香味或焦油味）环境重复步骤1至2，生成对应离散时序信号，并标注为该气味环境中电缆的的灼烧气味；

[0015] 步骤4、将步骤1至步骤3所得两种电缆的三种气味数据作为六种样本通过循环神经网络进行训练，即通过将气味浓度数据进行连续收集，并将气味数据按时间顺序组成时
间序列信号，作为循环神经网络的输入，然后结合相应训练方法让循环神经网络自拟合到
能够突出检测气体特征随时间变化的信息状态，此时将在气体数据输入后能够快速提取浓
度特征并作出分类决策，实现对气体的检测与分类；

[0016] 在该过程实现后，即得到基于电缆A和电缆B烧焦后产生气体以及空气环境的参数模型；循环神经网络能够记录特征随时间变化的规律，并具有一定长度的记忆效果，更好地
对相对连续的信号进行特征提取；

[0017] 步骤6、封装上述所得参数模型，当需要检测某未知环境的气体数据时，连续收集相应电缆烧焦气味的特征，将其按时间顺序组成的时序信号输入循环神经网络，通过训练
好的参数模型输出该离散时序信号随时间变化的特征，作为该类电缆烧焦气味的特征描
述，并根据输出与标签的对应关系判断该气味的类型。

[0018] 进一步地，所述步骤4中训练循环神经网络时，每一个时间步长需要输入的元素个数即为灼烧产生的不同种类的气体数n，即浓度指标 中特征向量的个数（该方法中默认为
3），时间步长为采样时间T，RNN循环神经网络层数为1，隐藏单元个数为一个样本序列的采
样次数，表示为  ，当采样时间T不能整除一次采样周期 时，隐藏单元个数为二者之
商并向下取整；输出层与隐藏层之间通过全连接神经网络进行连接，输出层数为采集气体
种类数N，此处N取值3。

[0019] 进一步地，所述循环神经网络包括输入层、隐藏层和输出层，输入层有三个神经元,即是采集的三种气体对浓度值，输出层为3，是判断不同的气体类别数以及无气体时的
正常环境。

[0020] 进一步地，所述步骤4训练循环神经网络中特征提取的具体方法为：

[0021] 提取特征的具体过程交由训练完成的循环神经网络模型自身，可以将其看做一个黑盒，其功能特征便是特征提取；

[0022] 特征提取结束后由循环神经网络最后几层的全连接层执行实现分类决策，该全连接层网络作为非线性分类器，其输入即为循环神经网络前几层的输出特征。有益效果：与现
有技术相比，本发明具有以下优点：

[0023] （1）本发明基于深度学习和循环神经网络提取目标气体特征，相比于传统的根据气体成分比例计算，能够根据更加细致的成分组成区别与不易于发现特征的成分进行细致
的提取，且数据分析直接通过神经网络进行，大大降低人工分析的工作量。

[0024] （2）本发明将数据样本结合时间维度，将数据随时间变化趋势的特征提取出来，从而解决了孤立时间点数据特异性的问题，且能更好地描述特征气味的不同变化趋势。

[0025] （3）本发明基于循环神经网络的特征提取模型，利用气体数据随时间变化的特点，建立基于随时间变化的离散气体数据的时序信号模型，利用循环神经网络动态系统的特
点，可以根据时序信号提取气体随时间变化的特征，由此根据时序信号变化特征对气体类
别作出更加准确的判断。

附图说明

[0026] 图1为本发明的检测流程图；

[0027] 图2为本发明中神经网络模型；

[0028] 图3为实施例中电缆灼烧气味成分分析示意图；

[0029] 图4为实施例中三芯电缆灼烧对比示意图；

[0030] 图5为实施例中十芯电缆灼烧对比示意图。

具体实施方式

[0031] 下面对本发明技术方案进行详细说明，但是本发明的保护范围不局限于所述实施例。

[0032] 本发明通过直接采集目标气体主要成分的数据样本，即主要成分的浓度值，作为目标气味的特征向量，并设置一定的采样时间，直接以浓度变化作为离散的时间序列信号，
维度同样足以描述气体特征，减少了对数据值进行预处理的步骤。并将数据样本结合时间
维度，将数据随时间变化趋势的特征提取出来，从而解决了孤立时间点数据特异性的问题，
且能更好地描述特征气味的不同变化趋势。

[0033] 本发明中的巡检机器人在检测时搭载有气体传感器模组，将其检测范围进行运动式的扩张，使其能够在短时间内采集到更大范围的气体信息，由此得出的数据包含更广阔
的的空间数据，使检测目标更加贴近真实目标，保证数据的真实性以及囊括空间范围内的
通用特征。

[0034] 如图1所示，本发明的一种基于巡检机器人的电缆烧焦气味连续检测方法，包括以下步骤：

[0035] 步骤1：使用200℃高温对电缆A进行3 5s灼烧，然后气体传感器模组（搭载于巡检~
机器人）对电缆A高温灼烧产生的气体进行检测，进而采集对应气味数据样本，采样时间为T
（例如3min）且采样周期为t（例如3s），每个周期内采集的样本数据均包括TVOC、氨气和硫化
氢三项气体的浓度值，并记录这三项气体的数据即为 ， 分别对应
TVOC、氨气和硫化氢的浓度值。

[0036] 步骤2：将步骤1中T（例如3min）内采集的样本按时间顺序进行排列，组成一组离散时序信号，一组离散时序信号记作一个样本序列 ，并为该样本序列打
上相应种类的标签作为相应电缆的灼烧气味。

[0037] 对另一种电缆B执行上述步骤得到对应样本序列 ， ；两种电缆可以分别是三芯防火电缆和十芯防火电缆。

[0038] 步骤4、分别对电缆A和电缆B在其他不同气味（例如煤油味、松香味或焦油味）环境重复步骤1至2，生成对应离散时序信号，并标注为该气味环境中电缆的的灼烧气味，用于数
据增广。

[0039] 步骤5、将步骤1至步骤4所得两种电缆的三种气味数据作为六种样本通过循环神经网络进行训练，即通过将气味浓度数据进行连续收集，并将气味数据按时间顺序组成时
间序列信号，作为循环神经网络的输入，然后结合数学算法让循环神经网络自拟合到能够
突出检测气体特征随时间变化的信息状态，此时将在气体数据输入后能够快速提取浓度特
征并作出分类决策，实现对气体的检测与分类；

[0040] 如图2所示，训练循环神经网络时，每一个时间步长需要输入的元素个数即为灼烧产生的不同种类的气体数n，即浓度指标 中特征向量的个数（该方法中默认为3），时间步
长为采样时间t，RNN循环神经网络层数为1，隐藏单元个数为一个样本序列的采样次数，表
示为  ，当采样时间 不能整除一次采样周期 时，隐藏单元个数为二者之商并向下
取整；输出层与隐藏层之间通过全连接神经网络进行连接，输出层数为采集气体种类数N。

[0041] 在该过程实现后，得到基于该两类气体以及正常空气环境的参数模型；循环神经网络能够记录特征随时间变化的规律，并具有一定长度的记忆效果，更好地对相对连续的
信号进行特征提取。

[0042] 步骤6、封装上述所得参数模型，当需要检测某未知环境的气体数据时，连续收集相应电缆烧焦气味的特征，将其按时间顺序组成的时序信号输入循环神经网络，通过训练
好的参数模型输出该离散时序信号随时间变化的特征，作为该类电缆烧焦气味的特征描
述，并根据输出与标签的对应关系判断该气味的类型。

[0043] 本实施例上述步骤4训练循环神经网络中特征提取的具体方法为：

[0044] 提取特征的具体过程交由训练完成的循环神经网络模型自身，可以将其看做一个黑盒，其功能特征便是特征提取；特征提取结束后由循环神经网络最后几层的全连接层执
行实现分类决策，该全连接层网络作为非线性分类器，其输入即为循环神经网络前几层的
输出特征。

[0045] 实施例1：

[0046] 选择两种不同电缆，本实施例中选择三芯防火软皮电缆（下称为三芯）和十芯防火硬质电缆（下称为十芯）两种样本作为实验材料，两种电缆外观、触感有明显差异但材料一
致。

[0047] 使用200℃高温对三芯电缆进行3 5s灼烧，然后气体传感器模组对灼烧产生的气~
体进行检测，采样时间持续三分钟，且采样周期为3s，每个周期内采集的样本数据均包括
TVOC、氨气和硫化氢三项气体的浓度值，并记录这三项气体的数据，每个周期的数据设为
， 分别对应TVOC、氨气和硫化氢的浓度值。以上述相同方法、采样
时间、检测数据对十芯电缆进行灼烧并采集生成的气体，每个周期数据为 。
灼烧与数据采集部分实验结束。

[0048] 将上述3分钟内采集的两种气体样本 分别按时间顺序进行排列，组成两组离散时序信号，一组离散时序信号记作一个样本序列，并为该样本序列打上相应种类的标
签作为相应电缆的灼烧气味，即上述采集的 为三芯电缆灼烧气味样本
序列， 为十芯电缆灼烧气味样本序列。

[0049] 因实验场景不满足条件故无法进行数据增广步骤，但该步骤仅为优化步骤并非必要步骤，缺失不影响实验正常进行。

[0050] 获得如上离散信号序列的数据并为每一种气体打上相应的种类标签,，此时规定三芯电缆为0，十芯电缆为1，将该时序信号送入经典循环神经网络（RNN）模型进行训练，此
时网络为一个分类网络模型，用于根据不同的样本输出不同的标签。此时输入为三种不同
种类气体的浓度值，输出为0、1、2，0代表预测类型为三芯电缆，1代表预测类型为十芯电缆，
2为正常空气环境，实验时单独设置无灼烧时的正常空气环境为一对照组，标签为2，用于空
白环境对照。在该过程中网络根据交叉熵损失函数的值进行迭代使其减小，由此逐渐增大
识别准确率，一定训练步数后达到最优解，此时得到循环神经网络的参数模型，此即为该循
环神经网络用于针对上述两种电缆烧焦时产生气味以及正常空气环境的检测模型。

[0051] 实验时采集的数据由于数量较多，在此采用特征训练完成后的气味变化图与网状图表示三芯、十芯、空白对照三种状态的气体变化趋势以及组成成分分布。

[0052] 如图3所示为静态的灼烧气体特征与组成成分分析，其中三芯电缆与十芯电缆灼烧气体成分占比最大的是TVOC，即可挥发性有机气体，空气中默认三项为0但实测时存在有
机气体数值波动，平均为0.05。除此之外，硫化氢（H2S）为第二主要成分气体，质软的三芯电
缆在气体成分中TVOC越多于质硬的十芯电缆，但十芯电缆的H2S成分略高于三芯，且十芯电
缆灼烧后有氨气（NH3）成分产生，如图4和图5所示。

[0053] 以上为实验时的静态成分分析，特征较为明显且易提取，神经网络在学习时很容易通过拟合权重得到相关分类特征规则。而通过循环神经网络，针对动态数据也能够较好
提取特征，以下即为两种电缆灼烧后气体的动态特征变化曲线图。

[0054] 本次采样截取数据起始结束标准为传感器报警阈值开启，当报警关闭时的数据并未进行记录。

[0055] RNN网络在运行时提取到如上时序变化的特征，即二者的硫化氢成分开始时较少后续越来越多，氨气仅在十芯电缆灼烧开始时产生随后消失。通过RNN变化趋势特征的提取
可以知道氨气在灼烧时几乎不成为参考值，TVOC在二者灼烧时均呈现无规则变化，初步分
析可能与采样时间有关。硫化氢的变化则是在二者灼烧4个时间单位后产生，但十芯电缆的
成分明显高于三芯。由此网络根据变化与量化的趋势，便能够直接拟合权重且排除阶跃变
化的影响得出正确分类所需要的网络参数。

[0056] 通过上述实施例可以看出，本专利将采集到的描述气体浓度的特征向量按时间进行排列组成离散时序信号，并设计采用循环神经网络进行特征提取，循环神经网络能对离
散数据的变化特征有一定的记忆效果，能够从时间维度描述气体变化的特征，不受制于电
缆在灼烧过程中特征气体浓度值可能产生变化以及灼烧的不同阶段特征，从而实现连续检
测的功能，识别气体动态变化特征，解决静态识别的问题。