本发明涉及实验室安全技术领域，尤其涉及一种实验室通风异常检测方法与系统。
背景技术：
实验室是科研单位进行实践教学和从事科学研究的重要场所，在培养创新型人才和发展科学技术中具有重要的地位和作用。在化学实验进行中，可能会产生有毒有害的气体，如果没有及时把这些有害气体从实验室排出，不仅可能对设备造成一定的损坏，还有可能污染实验室内空气质量，对实验人员的身心造成伤害。为了避免实验室工作人员吸入一些有害的化学物质，实验室应有良好的通风条件。利用通风柜把一些蒸汽、气体和微粒(烟雾、煤烟、灰尘等)通过通风管道排出实验室。
但在排风过程中，通风柜的风机可能出现设备故障或者管道破裂而导致气体无法有效排出实验室，影响排风效果，对实验人员造成伤害。因此，如何有效检测实验室的通风是否异常显得异常重要。
前面的叙述在于提供一般的背景信息，并不一定构成现有技术。
技术实现要素：
本发明的目的在于提供一种可检测通风管道是否发生异常的实验室通风异常检测方法与系统。
本发明提供一种实验室通风异常检测方法，包括步骤s1、s2和s3，所述步骤s1为实时采集通风管道内的实时风速数据；所述步骤s2为收集所述实时风速数据，并将一段时间内多个所述风速数据构建成异常识别模型；所述步骤s3为根据所述异常识别模型利用数理统计方法检测所述实时风速数据并判断所述通风管道是否发生异常。
进一步地，所述步骤s1为在所述通风管道内同时采集多组实时风速数据。
进一步地，所述步骤s2包括s21和s22，所述步骤s21为对所述实时风速数据建立时间滑动窗口模型，所述步骤s22为对所述时间滑动窗口模型中的多个滑动窗口数据构建所述异常识别模型。
进一步地，所述步骤s21包括s211和s212，所述步骤s211为依照采集时间将所述实时风速数据形成序列数据，所述步骤s212为给所述序列数据维护一个大小恒定的窗口,保存最新的多个数据，当新数据到来时，最早的数据将过期，窗口将保存最新的数据并去除最早的数据，形成所述时间滑动窗口模型。
进一步地，所述步骤s22包括s221和s222，所述步骤s221为筛选出所述滑动窗口数据中的中位数med，所述步骤s222为采用拉依达准则以med±3σ为区间构建所述异常识别模型，其中σ为所述滑动窗口数据中的标准差。
进一步地，所述步骤s1为在所述通风管道内同时采集多组实时风速数据；所述步骤s3包括s31和s32，所述步骤s31为运用所述数理统计方法根据所述异常识别模型判断所述实时风速数据有无异常，当出现异常时执行所述步骤s32，所述步骤s32为当所述多组实时风速数据中有超过一半为异常时，则判断所述通风管道发生异常。
进一步地，所述步骤s31中判断所述实时风速数据有无异常的判断方法是所述滑动窗口数据中的任一数据不在med±3σ区间内，则判断所述实时风速数据有异常。
进一步地，所述步骤s31中判断所述实时风速数据有无异常的判断方法是在所述滑动窗口数据中相邻两个数据相等，则判断所述实时风速数据有异常。
本发明还提供一种实验室通风异常检测系统，包括多个风速传感器、传感网络以及后台服务器，用以实现如上述的实验室通风异常检测方法，所述风速传感器部署在通风管道内，所述风速传感器通过所述传感网络与所述后台服务器相连，用以将采集的所述实时风速数据经由所述传感网络发送到所述后台服务器，所述后台服务器用以构建所述异常识别模型对所述实时风速数据进行检测并判断所述通风管道有无异常。
进一步地，所述后台服务器用以在所述通风管道发生异常时发送报警信息。
本发明提供的实验室通风异常检测方法及系统利用数理统计方法构建异常识别模型对实验室通风的情况进行检测，方法简单容易实现。又通过滑动窗口模型处理时序数据，采用多组检测数据同时分析，避免数据量过小或单个数据采集点损坏产生的个体原因而导致的误差。如果检测到异常，及时推送异常消息，避免因通风故障而引发的危险，提高实验室的安全性。
附图说明
图1为本发明实施例实验室通风异常检测方法的原理示意图；
图2为本发明实施例实验室通风异常检测系统的结构示意图；
图3为图1所述实验室通风异常检测方法中滑动窗口数据的分布示意图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
请参考图1至图3,本发明实施例实验室通风异常检测方法包括如下步骤：
s1：实时采集通风管道10内的实时风速数据；
s2：收集实时风速数据，并将一段时间内多个风速数据构建成异常识别模型；
s3：根据异常识别模型利用数理统计方法检测实时风速数据并判断通风管道10是否发生异常。
请参考图1，在步骤s1中，通风管道10内的多个位置设置有风速数据采集点，以避免单个数据采集点因仪器损坏等原因造成数据出现偏差影响检测结果。在其他实施例中，具体风速数据采集点的位置可根据实际情况调整，但数量应尽可能的多，避免数据量过小产生偏差。
步骤s2包括s21：对多组实时风速数据分别建立时间滑动窗口模型和s22：对时间滑动窗口模型中的滑动窗口数据构建异常识别模型。步骤s21包括包括s211：依照采集时间将实时风速数据形成序列数据；s212：为序列数据维护一个大小恒定的窗口,保存最新的多个数据，当新数据到来时，最早的数据将过期，窗口将保存最新的数据并去除最早的数据，形成时间滑动窗口模型。例如窗口大小为k，保存最新的k个数据，假设当前窗口数据为
步骤s22包括s221：筛选出滑动窗口数据中的中位数med；s222：采用拉依达准则以med±3σ为区间构建所述异常识别模型。一般的控制图方法基于控制图的平均值x，但x容易受极值的影响而异常往往表现为极值，所以采用数据集的中位数med建立控制图。例如
在其他实施例中，根据实际情况，如果窗口数据k的数量足够大，可将滑动窗口数据看成近似正态分布，此时也可使用平均值
拉依达准具有68％、95％和99.7％的区间med±cσ，其中c＝{1,2,3}。在由med±3σ形成的区间，测量值不属于这个区间的概率为0.3％。如图3所示，该模型由三条线组成：中心线(ml，middleline),是传感器节点数据集的中位数，以及上控制线(ucl，uppercontrollimit)和下控制线(lcl，lowercontrollimit)。用σmed表示传感器节点数据集的标准差。在具体使用中，为了使数据更近似正态分布，避免出现误差，应尽量增大窗口数据k的值。
ml＝med(2)
ucl＝med 3σmed(3)
lcl＝med-3σmed(4)
步骤s3包括s31和s32，步骤s31为运用数理统计方法根据异常识别模型判断实时风速数据有无异常，当出现异常时执行s32。步骤s31中判断实时风速数据有无异常的判断方法是滑动窗口数据中的任一数据不在区间内，则判断实时风速数据有异常。即如果
其中ucl，lcl分别为控制图模型区间的上下限，
同时步骤s31里，在滑动窗口数据中相邻两个数据相等，也会判断所述实时风速数据有异常。因为当风速传感器发生故障时，可能在连续的采样时刻内产生相同的读数，即
步骤s32为当多组实时风速数据中有超过一半为异常时，则判断通风管道10发生异常。
本实施例提供的方法运用数理统计对实验室通风的情况进行检测，通过滑动窗口模型处理时序数据，并构建异常识别模型。采用多组检测数据同时分析，避免数据量过小或单个数据采集点损坏产生的个体原因而导致的误差。
请参考图2，本实施例还提供一种实验室通风异常检测系统20，包括多个风速传感器21、传感网络22以及后台服务器23，用以实现如上述的实验室通风异常检测方法。风速传感器21部署在通风管道10内，风速传感器21通过传感网络22与后台服务器23相连，用以将采集的实时风速数据经由传感网络22发送到后台服务器23。后台服务器23用以构建异常识别模型对实时风速数据进行检测并判断通风管道10有无异常，并在判断出通风管道10发生异常时发送报警信息。
本实施例提供的实验室通风异常检测方法及系统利用数理统计方法构建异常识别模型对实验室通风的情况进行检测，方法简单容易实现。又通过滑动窗口模型处理时序数据，采用多组检测数据同时分析，避免数据量过小或单个数据采集点损坏产生的个体原因而导致的误差。如果检测到异常，及时推送异常消息，避免因通风故障而引发的危险，提高实验室的安全性。
在附图中，为了清晰起见，会夸大层和区域的尺寸和相对尺寸。应当理解的是，当元件例如层、区域或基板被称作“形成在”、“设置在”或“位于”另一元件上时，该元件可以直接设置在所述另一元件上，或者也可以存在中间元件。相反，当元件被称作“直接形成在”或“直接设置在”另一元件上时，不存在中间元件。
在本文中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语的具体含义。
在本文中，除非另有说明，“多个”、“若干”的含义是两个或两个以上。
在本文中，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，除了包含所列的那些要素，而且还可包含没有明确列出的其他要素。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
1.一种实验室通风异常检测方法，其特征在于，包括步骤s1、s2和s3，所述步骤s1为实时采集通风管道内的实时风速数据；所述步骤s2为收集所述实时风速数据，并将一段时间内多个所述风速数据构建成异常识别模型；所述步骤s3为根据所述异常识别模型利用数理统计方法检测所述实时风速数据并判断所述通风管道是否发生异常。
2.如权利要求1所述的实验室通风异常检测方法，其特征在于，所述步骤s1为在所述通风管道内同时采集多组实时风速数据。
3.如权利要求1所述的实验室通风异常检测方法，其特征在于，所述步骤s2包括s21和s22，所述步骤s21为对所述实时风速数据建立时间滑动窗口模型，所述步骤s22为对所述时间滑动窗口模型中的多个滑动窗口数据构建所述异常识别模型。
4.如权利要求3所述的实验室通风异常检测方法，其特征在于，所述步骤s21包括s211和s212，所述步骤s211为依照采集时间将所述实时风速数据形成序列数据，所述步骤s212为给所述序列数据维护一个大小恒定的窗口,保存最新的多个数据，当新数据到来时，最早的数据将过期，窗口将保存最新的数据并去除最早的数据，形成所述时间滑动窗口模型。
5.如权利要求3所述的实验室通风异常检测方法，其特征在于，所述步骤s22包括s221和s222，所述步骤s221为筛选出所述滑动窗口数据中的中位数med，所述步骤s222为采用拉依达准则以med±3σ为区间构建所述异常识别模型，其中σ为所述滑动窗口数据中的标准差。
6.如权利要求5所述的实验室通风异常检测方法，其特征在于，所述步骤s1为在所述通风管道内同时采集多组实时风速数据；所述步骤s3包括s31和s32，所述步骤s31为运用所述数理统计方法根据所述异常识别模型判断所述实时风速数据有无异常，当出现异常时执行所述步骤s32，所述步骤s32为当所述多组实时风速数据中有超过一半为异常时，则判断所述通风管道发生异常。
7.如权利要求6所述的实验室通风异常检测方法，其特征在于，所述步骤s31中判断所述实时风速数据有无异常的判断方法是所述滑动窗口数据中的任一数据不在med±3σ区间内，则判断所述实时风速数据有异常。
8.如权利要求6所述的实验室通风异常检测方法，其特征在于，所述步骤s31中判断所述实时风速数据有无异常的判断方法是在所述滑动窗口数据中相邻两个数据相等，则判断所述实时风速数据有异常。
9.一种实验室通风异常检测系统，其特征在于，包括多个风速传感器、传感网络以及后台服务器，用以实现如权利要求1-8任一所述的实验室通风异常检测方法，所述风速传感器部署在通风管道内，所述风速传感器通过所述传感网络与所述后台服务器相连，用以将采集的所述实时风速数据经由所述传感网络发送到所述后台服务器，所述后台服务器用以构建所述异常识别模型对所述实时风速数据进行检测并判断所述通风管道有无异常。
10.如权利要求9所述的实验室通风异常检测系统，其特征在于，所述后台服务器用以在所述通风管道发生异常时发送报警信息。
技术总结