CN119132003A - 燃气报警器的检测方法、系统、装置及燃气报警器 - Google Patents

Abstract

本发明涉及燃气报警器技术领域，公开了一种燃气报警器的检测方法、系统、装置及燃气报警器，所述方法包括在模拟环境下，获取燃气报警器的运行参数，所述运行参数包括温度、压力和燃气浓度；根据所述运行参数进行计算，得到燃气浓度的理论变化值；获取历史故障数据，对所述历史故障数据进行故障特征提取，得到故障特征库；将所述理论变化值输入到预先训练完成的机器学习评估模型中，得到评估值；当所述评估值不满足预设的合格范围时判定存在报警故障，将所述评估值与所述故障特征库进行比对，确定燃气报警器中的故障位置。本方法解决由于运行环境复杂，仅使用模拟泄漏测试功能无法准确检测其质量问题而导致评估不够合理，检测准确度不高的问题。

Description

燃气报警器的检测方法、系统、装置及燃气报警器

技术领域

本发明涉及燃气报警器技术领域，尤其涉及一种燃气报警器的检测方法、系统、装置及燃气报警器。

背景技术

燃气报警器是一种专门设计用于监测可燃气体泄漏的设备，广泛应用于家庭和工业环境中。这种装置能够有效探测多种类型的可燃气体，如天然气、人工煤气以及液化石油气等。当这些气体在燃气灶具、锅炉或其他工业设备的管道中发生泄漏时，燃气报警器会迅速发出警报，从而提醒在场的工作人员采取必要的安全措施，以防止因气体积聚而引发火灾或爆炸等事故。安全是工业和家庭环境中最为重要的考量之一，燃气报警器的存在极大地降低了因气体泄漏所带来的财产损失和人员伤亡风险。因此，为了确保燃气报警器的正常运行和准确性，定期的检测与维护显得尤为重要。这不仅可以保证设备能及时发现潜在的气体泄漏，还能延长其使用寿命。通过对燃气报警器的定期检查，能够及时发现和修复任何可能影响其性能的问题，确保在关键时刻能够作出反应。

在现有技术中，对于燃气报警器的检测，一般是通过专业人员定期检查管路、燃气报警器的探测器和喇叭，确保它们能够正常工作。例如，可以打开燃气报警器的模拟泄漏测试功能，观察是否能够正常工作。此外，专业人员还会检查设备的温度和湿度，通过以上参数进行维护和检修，确保设备的稳定性和可靠性。

目前燃气报警器检测方法中，由于实际运行环境复杂，仅使用模拟泄漏测试功能无法准确检测其质量问题，评估不够合理，导致检测准确度不高。

发明内容

本发明提供了一种燃气报警器的检测方法、系统、装置及燃气报警器，以解决由于运行环境复杂，仅使用模拟泄漏测试功能无法准确检测其质量问题而导致评估不够合理，检测准确度不高的问题。

第一方面，为了解决上述技术问题，本发明提供了一种燃气报警器的检测方法，包括：

在模拟环境下，获取燃气报警器的运行参数，所述运行参数包括温度、压力和燃气浓度；

根据所述运行参数进行计算，得到燃气浓度的理论变化值；

获取历史故障数据，对所述历史故障数据进行故障特征提取，得到故障特征库；

将所述理论变化值输入到预先训练完成的机器学习评估模型中，得到评估值；

当所述评估值不满足预设的合格范围时判定存在报警故障，将所述评估值与所述故障特征库进行比对，确定燃气报警器中的故障位置；其中，所述故障特征库包括评估值与故障位置的映射关系。

在一种可选的实施方式中，所述在模拟环境下，获取燃气报警器的运行参数，包括：

设置模拟环境；在所述模拟环境下，利用传感器模块采集燃气报警器在模拟环境中的温度、压力和燃气浓度。

在一种可选的实施方式中，根据所述运行参数进行计算，得到燃气浓度的理论变化值，包括：

通过以下公式计算燃气浓度的理论变化值：

其中，是第组燃气浓度的理论变化值，是第组燃气浓度的标准值，是燃气浓度随温度变化的系数，是当前温度，是标准温度，n满足1≤n≤N，N为实际检测组的数量。

在一种可选的实施方式中，所述方法还包括：

通过以下公式计算第组燃气浓度的标准值：

= k1k2( k3Tn) + e

其中，k1是对应温度参数的变化导致的浓度值变化系数，k2是对应压力变化导致的浓度值变化系数，k3是对应理论变化值随温度参数变化的系数，Tn是第n次检测中实际温度与标准温度的差值，e是误差参数。

在一种可选的实施方式中，所述机器学习评估模型的训练过程包括：

基于样本变化值和初始权重参数构建初始机器学习模型，对所述初始机器学习模型进行训练；当所述初始机器学习模型的训练次数大于预设的训练次数或所述初始机器学习模型的损失函数值小于预设的损失阈值时，判定训练完成，得到机器学习评估模型。

在一种可选的实施方式中，所述方法还包括：

当所述评估值满足预设的合格范围时，判定燃气报警器合格。

第二方面，本发明提供了一种燃气报警器的检测系统，包括：

传感器模块，用于在模拟环境下，获取燃气报警器的运行参数，所述运行参数包括温度、压力和燃气浓度；

数据处理模块，用于根据所述运行参数进行计算，得到燃气浓度的理论变化值；

数据查询模块，用于获取历史故障数据，对所述历史故障数据进行故障特征提取，得到故障特征库；

数据评估模块，用于将所述理论变化值输入到预先训练完成的机器学习评估模型中，得到评估值；

数据比对模块，用于数据当所述评估值不满足预设的合格范围时判定存在报警故障，将所述评估值与所述故障特征库进行比对，确定燃气报警器中的故障位置；其中，所述故障特征库包括评估值与故障位置的映射关系。

第三方面，本发明还提供了一种电子装置，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现上述中任意一项所述的燃气报警器的检测方法。

第四方面，本发明还提供了一种燃气报警器，所述燃气报警器用于与上述中所述的燃气报警器的检测系统通信连接，所述燃气报警器的检测系统用于确定燃气报警器中的故障位置。

第五方面，本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述中任意一项所述的燃气报警器的检测方法。

相比于现有技术，本发明具有如下有益效果：

本发明公开了一种燃气报警器的检测方法，通过在模拟条件下，获取燃气报警器的运行参数，结合公式和机器学习模型，进行数据处理，对燃气报警器进行质量评估，在模拟情况下，实时采集数据，准确评估燃气报警器的质量，针对模拟环境设置不同的参数，结合多组数据，评估燃气报警器的运行质量，针对燃气报警器进行多次检测，设置不同的运行参数，结合公式和参数值，建立数据模型，根据模型数据和公式，准确获取评估值，针对评估值能够构建故障特征库，依据故障特征库，准确检测燃气报警器的故障位置。相比于现有检测方法中，需要通过专业人员定期检查管路、燃气报警器的探测器和喇叭，检查设备的温度和湿度，通过以上参数进行维护和检修，以确保设备的稳定性和可靠性。本发明通过构建检测环境可控且接近实际的模拟环境，通过构建多组不同的模拟环境，采集数据，结合机器学习模型，建立数据模型和故障特征库，对燃气报警器进行评估，实现燃气报警器质量评估的智能化与精准化。因此本发明能够解决运行环境复杂，仅使用模拟泄漏测试功能无法准确检测其质量问题而导致评估不够合理，检测准确度不高的问题。

附图说明

图1是本发明第一实施例提供的燃气报警器的检测方法流程示意图；

图2是本发明提供采集燃气报警器运行参数的系统结构示意图；

图3是本发明提供的燃气报警器的检测系统的一个实施例结构示意图；

图4是本发明提供的燃气报警器的检测系统的传感器模块的一个实施例的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

燃气报警器是一种专门设计用于监测可燃气体泄漏的设备，广泛应用于家庭和工业环境中。这种装置能够有效探测多种类型的可燃气体，如天然气、人工煤气以及液化石油气等。当这些气体在燃气灶具、锅炉或其他工业设备的管道中发生泄漏时，燃气报警器会迅速发出警报，从而提醒在场的工作人员采取必要的安全措施，以防止因气体积聚而引发火灾或爆炸等事故。安全是工业和家庭环境中最为重要的考量之一，燃气报警器的存在极大地降低了因气体泄漏所带来的财产损失和人员伤亡风险。因此，为了确保燃气报警器的正常运行和准确性，定期的检测与维护显得尤为重要。这不仅可以保证设备能及时发现潜在的气体泄漏，还能延长其使用寿命。通过对燃气报警器的定期检查，能够及时发现和修复任何可能影响其性能的问题，确保在关键时刻能够作出反应。

在现有技术中，对于燃气报警器的检测，一般是通过专业人员定期检查管路、燃气报警器的探测器和喇叭，确保它们能够正常工作。例如，可以打开燃气报警器的模拟泄漏测试功能，观察是否能够正常工作。此外，专业人员还会检查设备的温度和湿度，通过以上参数进行维护和检修，确保设备的稳定性和可靠性。目前燃气报警器检测方法中，由于实际运行环境复杂，仅使用模拟泄漏测试功能无法准确检测其质量问题，评估不够合理，导致检测准确度不高。

为解决上述问题，参照图1，本发明第一实施例提供了一种燃气报警器的检测方法，包括以下步骤：

S1，在模拟环境下，获取燃气报警器的运行参数，所述运行参数包括温度、压力和燃气浓度；

S2，根据所述运行参数进行计算，得到燃气浓度的理论变化值；

S3，获取历史故障数据，对所述历史故障数据进行故障特征提取，得到故障特征库；

S4，将所述理论变化值输入到预先训练完成的机器学习评估模型中，得到评估值

S5，当所述评估值不满足预设的合格范围时判定存在报警故障，将所述评估值与所述故障特征库进行比对，确定燃气报警器中的故障位置；其中，所述故障特征库包括评估值与故障位置的映射关系。

相比于现有检测方法中，需要通过专业人员定期检查管路、燃气报警器的探测器和喇叭，检查设备的温度和湿度，通过以上参数进行维护和检修，以确保设备的稳定性和可靠性。本发明通过构建检测环境可控且接近实际的模拟环境，通过构建多组不同的模拟环境，采集数据，结合机器学习模型，建立数据模型和故障特征库，对燃气报警器进行评估，实现燃气报警器质量评估的智能化与精准化。因此本发明能够解决运行环境复杂，仅使用模拟泄漏测试功能无法准确检测其质量问题而导致评估不够合理，检测准确度不高的问题。

在步骤S1中，在模拟环境下，获取燃气报警器的运行参数。

在一种实现方式中，所述在模拟环境下，获取燃气报警器的运行参数，包括：

设置模拟环境；

在所述模拟环境下，利用传感器模块采集燃气报警器在模拟环境中的温度、压力和燃气浓度。

其中，模拟环境的设置包括，模拟环境中的温度范围为15℃到25℃之间，模拟环境的压力要求为标准大气压±20kPa，燃气浓度的设置为1％×Nm3，其中N为自然数。通过上述模拟环境参数，模拟燃气报警器的使用环境，在模拟环境设置完成之后，利用传感器模块来采集燃气报警器在模拟环境中的运行参数，最终获得一组燃气报警器的运行参数，其中运行参数包括温度、压力和燃气浓度；在模拟环境下，通过温度传感模块检测模拟环境的温度参数，实时监测当前模拟环境的温度变化，确保所述检测温度在设定范围内稳定，其中，所述设定范围是-10°C到40°C之间；通过压力传感模块测定模拟环境的压力参数，测量模拟环境的压力变化，确保所述检测压力符合预期标准，其中，所述预期标准为在标准大气压下0.5kPa到3kPa区间；通过燃气浓度传感模块测量模拟环境的燃气浓度参数，检测燃气报警器的燃气浓度水平变化，通过燃气浓度水平变化测量燃气报警器在不同浓度条件下的检测能力和反应速度。

通过模拟环境的设置，使得所有测试在相同的条件下进行，消除了外部变量的干扰。这种标准化的测试能够确保测试结果的可比性，使不同组别的数据能够进行有效对比和分析，在模拟环境中设定温度、压力和燃气浓度等参数，可以有效地再现燃气报警器在实际使用中的工作条件，接近真实环境的模拟环境设置，能够有效获得更为准确和可靠的测试结果，发现潜在的问题并进行针对性的调整。

在步骤S2中，根据所述运行参数进行计算，得到燃气浓度的理论变化值。

在一种实现方式中，对所述运行参数进行计算，得到燃气浓度的理论变化值，可以通过以下公式计算燃气浓度的理论变化值：

其中，是第组燃气浓度的理论变化值，是第组燃气浓度的标准值，是燃气浓度随温度变化的系数，是当前环境温度，是标准环境温度，标准环境温度通常取20°C，n满足1≤n≤N，N为实际检测组的数量。

需要说明的是，对于第组燃气浓度标准值的计算，可以通过以下公式计算：

= k1k2( k3Tn) + e

其中，k1是对应温度参数的变化导致的浓度值变化系数，k2是对应压力变化导致的浓度值变化系数，k3是对应理论变化值随温度参数变化的系数，Tn是第n次检测中实际温度与标准温度的差值，e是误差参数，e满足-0.01≤e≤0.01。

所述步骤S2中的公式根据所述模拟环境参数进行设置一个接近实际环境的模拟环境，对于每一次的实际检测，燃气浓度的检测值是第n次检测中所记录的燃气承压值，根据所述公式，获得理论变化值，结合公式得到第n次检测时的实际燃气报警器中，推导出实际燃气报警器中燃气浓度的检测值。

通过所述步骤S2中的公式计算的理论变化值，在实际应用中，燃气浓度的变化受多种因素影响，包括温度和压力等。通过理论变化值的计算，更准确地评估燃气报警器在不同环境条件下的变化。这种精确的测量使得燃气报警器能够根据模拟环境的温度和压力变化，及时调整其反应阈值，提前预判在特定条件下可能存在的风险，确保燃气报警器在燃气浓度达到危险水平之前发出警报，其中，所述特定条件为在步骤S1中设置的多组不同运行参数下，无限接近于实际环境的模拟环境。

其中，理论变化值是指在特定模拟环境条件下，燃气浓度相对于其标准值的变化量，通过计算理论变化值，可以评估设备的性能并判断其是否处于正常工作状态，理论变化值用于监测和调整燃气报警器的反应阈值。燃气浓度的标准值是基于理想环境条件下设定的一个参考值，用于与实际检测值进行比较。温度变化系数k1是表示温度变化对燃气浓度的影响程度，能够量化温度上升或下降对燃气浓度造成的影响，使得计算过程中能更准确地模拟各种温度条件下的浓度变化。 压力变化系数k2是表示压力变化对燃气浓度的影响幅度，在不同的压力条件会对气体的密度和因此的浓度产生直接影响，压力变化系数k2能够帮助在不同压力环境下调整标准值。理论变化值随温度变化的系数k3用于描述理论变化值如何随着温度变化而变化的关系，在模型中充当调节器，确保在温度变化时能够适当地调整燃气浓度的预测。Tn是第n次检测中实际环境温度（Tn）与标准环境温度（通常取20°C）之间的差值，能够直接影响到燃气浓度的标准值计算，通过将实际环境与标准环境进行比较，可以更好地理解环境因素如何影响气体浓度。误差参数e是用于修正设备测量不精确或者外部干扰导致的浓度波动的一个小常数，允许在-0.01到0.01之间的小幅变化，能够提高标准值的可靠性，确保计算结果更加贴近实际情况。

在步骤S3中，获取历史故障数据，对所述历史故障数据进行故障特征提取，得到故障特征库。

在一种实现方式中，历史故障数据,由不同类型的燃气报警器在多种不同模拟环境参数下进行了反复检测所得，每种燃气报警器在不同的模拟环境下都可能会表现出不同的故障模式，其中，故障模式是燃气报警器在特定模拟环境或操作状态下，展现出的异常行为或性能下降的具体方式。它描述了故障发生时设备的工作状况，具体可以包括:燃气报警器不能发出警报;在没有燃气泄漏的情况下，燃气报警器错误地发出警报；在燃气浓度达到危险水平后，燃气报警器未能及时报警；即使在恢复安全状态后，燃气报警器仍然保持报警状态。通过多次在特定模拟环境下进行检测，获得大量的历史故障数据，其中，这些历史故障数据涵盖了各种故障发生的频率、发生条件及其影响因素，为深入了解燃气报警器的工作性能提供了重要信息，其中，故障发生频率是在一定时间或检测次数内，特定类型故障出现的次数，通常以每千次或每万次检测中故障出现的比例来表示，通过历史数据分析故障发生频率，准确识别潜在问题，进行故障预警与维护计划制定，使其能够帮助判断燃气报警器的可靠性和稳定性，故障发生频率越低，表明设备性能越好。发生条件是特定故障发生时的环境条件和操作状态，包括温度、湿度、压力、电源波动、燃气浓度等各种参数，不同的工作环境（如高温、高湿、低温等），燃气报警器的工作模式（正常工作、待机、报警等）以及是否经过定期维护和校准，都可能会影响燃气报警器的性能。影响因素是指可能对燃气报警器性能产生影响的各种外部和内部条件，这些影响因素不仅包括上述的发生条件，还涵盖了其他多种变量，其中包含内部因素：传感器的质量、老化程度以及是否被污染都会对其检测性能产生直接影响和电源的不稳定、掉电或电压波动可能导致报警器无法正常工作。以及外部因素:如果报警器安装的位置不当，例如距离泄漏源过远，可能导致检测延迟或漏报和来自周围设备的电磁干扰、气流变化等可能影响传感器的正常检测功能。

通过对这些历史故障数据的系统性整理和分析，结合燃气报警器的结构特征、各个型号的参数以及所处的环境特征，一个详尽的故障特征库，故障特征库是一个系统化的信息集合，汇集了各种可能的故障特征，包括故障发生的类型、相关环境条件，以及燃气报警器的结构和参数特征。通过将这些信息整合到一起，可以快速参照这些已知的故障特征，判断当前燃气报警器的故障特征以及故障位置，提高故障排查和解决问题的效率。对于所获取的特征故障库，在实际运用过程中，故障特征库是一个需要不断更新、维护和优化的动态数据库，会对故障特征库不断更新与删除数据，定期审查已有的数据，在这个过程中，那些不再适用的旧数据、过时的故障特征或者重复的记录都会被清理删除，使故障特征库保持整洁，确保特征库中的信息都是可靠的、具有实用价值的，使得能够根据不同燃气报警器的故障特征以及现场使用条件的变化，故障特征库也随之故障特征以及现场使用条件的变化进行调整和更新，具体而言，当新的检测结果或故障案例被记录时，与之相关的数据会被及时纳入故障特征库中，实时构建适应新燃气报警器的故障特征库，实时更新机制能够确保故障特征库始终反映出最新的故障特征和故障位置，提高对燃气报警器性能的监控能力和响应速度。

在步骤S4中，将所述理论变化值输入到预先训练完成的机器学习评估模型中，得到评估值。

在具体实施当中，机器学习评估模型通过以下方式训练得到：基于样本变化值和初始权重参数构建初始机器学习模型，对所述初始机器学习模型进行训练；当所述初始机器学习模型的训练次数大于预设的训练次数或所述初始机器学习模型的损失函数值小于预设的损失阈值时，判定训练完成，得到机器学习评估模型。其中，样本变化值为某个特定参数在一段时间内的变化量。来源于实时监测设备的数据采集。使用这些设备获取的传感器数据可以构成一个丰富的数据集，这些数据集用于训练初始机器学习模型，以便其学会如何在不同的输入条件下进行有效预测。

在具体实施过程中，会基于历史数据进行选择初始权重参数，以确保初始机器学习模型能够涵盖潜在的变化范围，构建起一个初步的机器学习模型，通过输入大量的数据输入和模型调整，使用一系列训练样本不断调整模型的参数，对初始机器学习模型进行不断地迭代优化，使得能够降低预测误差，提高模型的准确性，其中，根据设定的标准对初始机器学习模型进行不断地校验与优化。这些标准包括损失函数的值和初始机器学习模型的训练次数等。当初始机器学习模型的损失函数值未达到预设的阈值时，或者训练次数未达到预设的上限，训练过程将继续进行。反之，如果满足任意条件，便可认为初始机器学习模型的训练工作已经完成，最终得到一个机器学习评估模型。其中，潜在变化范围是在一定时间、环境或操作条件下，参数（如温度、压力、浓度等）可能出现的最小值和最大值之间的区间。在收集样本时，需要确保涵盖尽可能多的变化范围，以便获取全面的数据集。同时，对收集的数据进行预处理，去除噪声和异常值，可以帮助更好地确定潜在变化范围。在建立机器学习模型时，可以根据潜在变化范围选择合适的特征，若某个参数的变化范围很大，表明它可能是一个重要的特征，应该保留在模型中。

在本实施例中，通过对模拟环境设置不同的运行参数，使得模型能够更好地适应实际应用需求，结合步骤S1中的参数，利用步骤S2中的公式，以及经过训练的机器学习评估模型检测数据，最终获得对应的评估值。

具体地，需要对几个关键参数的调整，确保能覆盖现实生活中可能遇到的各种情况，首先，对于对温度参数的调整，提高温度参数的范围，使其设定在-10℃至40℃之间，确保在不同环境条件下可能存在的温度变化，机器学习评估模型在面对各种温度波动时，能够提供稳定的评估结果。对于压力参数的调整，提高压力参数，设定压力参数变化范围在0.5kPa至3kPa之间，使得能够涵盖多种可能的压力变化情况，增强机器学习评估模型评估的可靠性与适用性。改变燃气浓度参数：在步骤S1中，提高燃气浓度参数，使燃气浓度参数的浓度范围设定在1%至10%之间选取，使得在模拟不同浓度情况下，结合燃气报警器的故障特征，基于机器学习评估模型能够实时分析环境数据，评估在多种浓度条件下的灵敏度和准确性。

通过上述步骤的综合实施，能够逐渐形成一种全面的动态评估机制，具体而言，机器学习模型可以根据实时采集到的数据不断调整自身的评估标准，形成一个自适应的监测机制，当环境条件发生变化时，机器学习评估模型能够迅速评估并更新警报参数，以适应新的状态，实现更为智能化的监测与控制。建立一个良好的数据收集和反馈机制，确保机器学习评估模型的持久有效性。在实际应用中，不同情况下的数据都会被记录并存储，包括但不限于温度、压力和燃气浓度等多个参数。这些参数将成为机器学习评估模型进一步优化的重要参考。这种机制不仅确保机器学习模型能够适应当前的数据和条件，还具备对未来潜在变化的快速响应能力。这种方法的核心在于通过系统化的训练和参数调整，提升机器学习评估模型的泛化能力，使机器学习评估模型能够在实际应用中发挥更大的作用。

在步骤S5中，当所述评估值不满足预设的合格范围时判定存在报警故障，将所述评估值与所述故障特征库进行比对，确定燃气报警器中的故障位置；其中，所述故障特征库包括评估值与故障位置的映射关系。

在本实施例中，根据步骤S4所得评估值，判断燃气报警器的质量是否合格，若所述评估值Z满足1≤|Z|≤1.5，则判断燃气报警器的质量合格，否则判断结果为存在报警功能故障，并根据所述评估值得出相关的故障特征。在实际检测过程中，会根据针对燃气报警器的测量情况，对机器学习评估模型生成的评估结果进行详细评估。通过将这些评估结果与故障特征库进行匹配，可以准确地判断燃气报警器的报警功能故障具体发生的故障位置，使得能够提高故障检测的效率，增强判断的准确性。进一步说明，在整个检测流程中，首先通过收集和分析多种运行参数来形成评估值。这些参数可能包括环境温度、气体浓度、传感器的工作状态等信息。在步骤S4中，通过这些参数的综合分析，最终计算出一个评估值Z。如果这个评估值落在预定的合格范围内，即1≤|Z|≤1.5，则可以确认设备正常工作且没有故障。当所述步骤S4中的评估值超出范围时，则需要进行更深入的故障排查，在故障特征库中与步骤S1中采集的运行参数所对应类型的燃气报警器所得的评估值得出对应的故障特征，根据实际对燃气报警器的检测，对机器学习评估模型生成的评估结果进行评估，匹配故障特征库，准确判别燃气报警器出现报警功能故障的位置。

其中，故障特征库中的每一条记录都明确标识了特定评估值与故障模式之间的映射关系，为后续的故障检测提供依据，快速定位和识别设备出现问题的具体区域。映射关系通常以键值对的形式存在于故障特征库中，通过对燃气报警器的多种运行参数进行分析计算得出的评估值与在故障特征库中特定评估值相关联的故障类型或故障位置一一映射，同时，在评估过程中所使用的不同运行参数，如环境温度、气体浓度等，对应着不同的参数类型，使得评估值与特定类型的设备进行匹配。映射关系会随着故障特征库的不断更新，通过不断收集新的评估值和故障数据，优化映射关系，使映射关系更加准确，更好地服务于未来的故障检测工作。

为了便于对本发明的理解，下面将对本发明的一些优选实施例做更进一步的描述。

以下以一个较为常见的场景为例描述本发明的工作过程。请同时参阅图2，其是图1的方法的工作场景示意图。

为有效评估燃气报警器的运行性能，需要将燃气报警器放置于一个可控的模拟环境中，该环境应具备如下条件，温度调节：使用温度传感器确保室内温度可调，例如设定为25°C。压力调节：通过压力传感器模拟常规气压条件，通常为1 atm。燃气浓度调节：燃气浓度传感器设置为500 ppm，以模拟正常工作状态下的燃气浓度，以便更好地监测和记录燃气报警器的运行参数，模拟出日常生活中可能出现的正常状态，同时，利用温度传感器、压力传感器和燃气浓度传感器进行实时监控，并不断调节这些参数，在模拟环境中，通过实时监控温度、压力和燃气浓度等参数，将数据持续收集并记录，这些数据用于帮助了解设备在标准运行条件下的表现，也为后续的故障分析提供了基线，观察燃气报警器在不同条件下的表现。根据收集的运行参数，利用预设的公式计算出燃气浓度的理论变化值。查阅过往的数据记录，提取近几年的历史故障数据，这些数据涵盖各种故障情况下的评估值；故障发生的环境条件与时间；对应的故障模式与维修历史。建立一个故障特征库，其中包含不同评估值与故障位置之间的映射关系，故障特征库中的每一条记录都明确标识了特定评估值与故障模式之间的映射关系，从而为后续的故障检测提供依据。将计算得到的理论变化值输入到经过训练的机器学习评估模型中，机器学习评估模型输出一个评估值，例如0.5。检查机器学习评估模型输出的评估值0.5是否在预设的合格范围内。根据定义的合格范围为是1≤|Z|≤1.5，因此对于输出的评估值0.5，发现评估值不满足这一条件。接下来，由于评估值0.5并未达到合格标准，将这个评估值与故障特征库进行比对，从特征库中找到与0.5对应的故障模式，发现该评估值对应于某一特定故障模式，从而确认故障位置，得出维修方案。在完成维修后，记录新传感器的性能数据，并将这些数据与之前的故障记录进行对比。通过分析这些数据，可以识别潜在的趋势或异常情况，以帮助在将来更好地预测故障。为了预防未来类似故障的发生，可以制定定期维护和检查计划，包括定期校准传感器、检查电源模块以及更新软件系统等，有助于提高设备的整体可靠性和安全性。

综上所述，本发明公开了一种燃气报警器的检测方法，通过在模拟条件下，获取燃气报警器的运行参数，结合公式和机器学习模型，进行数据处理，对燃气报警器进行质量评估，在模拟情况下，实时采集数据，准确评估燃气报警器的质量，针对模拟环境设置不同的参数，结合多组数据，评估燃气报警器的运行质量，针对燃气报警器进行多次检测，设置不同的运行参数，结合公式和参数值，建立数据模型，根据模型数据和公式，准确获取评估值，针对评估值能够构建故障特征库，依据故障特征库，准确检测燃气报警器的故障位置。相比于现有检测方法中，需要通过专业人员定期检查管路、燃气报警器的探测器和喇叭，检查设备的温度和湿度，通过以上参数进行维护和检修，以确保设备的稳定性和可靠性。本发明通过构建检测环境可控且接近实际的模拟环境，通过构建多组不同的模拟环境，采集数据，结合机器学习模型，建立数据模型和故障特征库，对燃气报警器进行评估，实现燃气报警器质量评估的智能化与精准化。因此本发明能够解决运行环境复杂，仅使用模拟泄漏测试功能无法准确检测其质量问题而导致评估不够合理，检测准确度不高的问题。

参照图3，本发明第二实施例提供了一种燃气报警器的检测系统，包括：

传感器模块，用于在模拟环境下，获取燃气报警器的运行参数，所述运行参数包括温度、压力和燃气浓度；

数据处理模块，用于根据所述运行参数进行计算，得到燃气浓度的理论变化值；

数据查询模块，用于获取历史故障数据，对所述历史故障数据进行故障特征提取，得到故障特征库；

数据评估模块，用于将所述理论变化值输入到预先训练完成的机器学习评估模型中，得到评估值；

数据比对模块，用于数据当所述评估值不满足预设的合格范围时判定存在报警故障，将所述评估值与所述故障特征库进行比对，确定燃气报警器中的故障位置；其中，所述故障特征库包括评估值与故障位置的映射关系。

参照图4，本发明实施例提供一种燃气报警器的检测系统的传感器模块，包括，

温度传感器单元，用于检测模拟环境温度信息；

压力传感器单元，用于检测模拟环境压力信息；

燃气浓度传感器单元，用于检测模拟环境燃气浓度信息

需要说明的是，本发明实施例提供的一种燃气报警器的检测系统用于执行上述实施例的一种燃气报警器的检测方法的所有流程步骤，两者的工作原理和有益效果一一对应，因而不再赘述。

本发明实施例还提供了一种燃气报警器，所述燃气报警器用于与上述中所述的燃气报警器的检测系统通信连接，所述燃气报警器的检测系统用于确定燃气报警器中的故障位置。

本发明实施例还提供了一种电子装置。该电子装置包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，例如机器学习模型程序。所述处理器执行所述计算机程序时实现上述各个燃气报警器的检测方法实施例中的步骤，例如图1所示的步骤S1。或者，所述处理器执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能，例如传感器模块。

示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述电子装置中的执行过程。

所述电子装置可以是桌上型计算机、笔记本、掌上电脑及智能平板等计算设备。所述电子装置可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，上述部件仅仅是电子装置的示例，并不构成对电子装置的限定，可以包括比上述更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述电子装置还可以包括输入输出设备、网络接入设备、总线等。

所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列 (Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述电子装置的控制中心，利用各种接口和线路连接整个电子装置的各个部分。

所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述电子装置的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序（比如声音播放功能、图像播放功能等）等；存储数据区可存储根据手机的使用所创建的数据（比如音频数据、电话本等）等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（Secure Digital, SD）卡，闪存卡（Flash Card）、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

其中，所述电子装置集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步的详细说明，应当理解，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围。特别指出，对于本领域技术人员来说，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种燃气报警器的检测方法，其特征在于，由计算机执行，包括：

在模拟环境下，获取燃气报警器的运行参数，所述运行参数包括温度、压力和燃气浓度；

根据所述运行参数进行计算，得到燃气浓度的理论变化值；

获取历史故障数据，对所述历史故障数据进行故障特征提取，得到故障特征库；

将所述理论变化值输入到预先训练完成的机器学习评估模型中，得到评估值；

当所述评估值不满足预设的合格范围时判定存在报警故障，将所述评估值与所述故障特征库进行比对，确定燃气报警器中的故障位置；其中，所述故障特征库包括评估值与故障位置的映射关系。

2.根据权利要求1所述的燃气报警器的检测方法，其特征在于，所述在模拟环境下，获取燃气报警器的运行参数，包括：

设置模拟环境；

在所述模拟环境下，利用传感器模块采集燃气报警器在模拟环境中的温度、压力和燃气浓度。

3.根据权利要求1所述的燃气报警器的检测方法，其特征在于，根据所述运行参数进行计算，得到燃气浓度的理论变化值，包括：

通过以下公式计算燃气浓度的理论变化值：

其中，是第组燃气浓度的理论变化值，是第组燃气浓度的标准值，是燃气浓度随温度变化的系数，是当前温度，是标准温度，n满足1≤n≤N，N为实际检测组的数量。

4.根据权利要求3所述的燃气报警器的检测方法，其特征在于，所述方法还包括：

通过以下公式计算第组燃气浓度的标准值：

= k1k2( k3Tn) + e

其中，k1是对应温度参数的变化导致的浓度值变化系数，k2是对应压力变化导致的浓度值变化系数，k3是对应理论变化值随温度参数变化的系数，Tn是第n次检测中实际温度与标准温度的差值，e是误差参数。

5.根据权利要求1所述的燃气报警器的检测方法，其特征在于，所述机器学习评估模型的训练过程包括：

基于样本变化值和初始权重参数构建初始机器学习模型，对所述初始机器学习模型进行训练；

当所述初始机器学习模型的训练次数大于预设的训练次数或所述初始机器学习模型的损失函数值小于预设的损失阈值时，判定训练完成，得到机器学习评估模型。

6.根据权利要求1所述的燃气报警器的检测方法，其特征在于，所述方法还包括：

当所述评估值满足预设的合格范围时，判定燃气报警器合格。

7.一种燃气报警器的检测系统，其特征在于，包括：

传感器模块，用于在模拟环境下，获取燃气报警器的运行参数，所述运行参数包括温度、压力和燃气浓度；

数据处理模块，用于根据所述运行参数进行计算，得到燃气浓度的理论变化值；

数据查询模块，用于获取历史故障数据，对所述历史故障数据进行故障特征提取，得到故障特征库；

数据评估模块，用于将所述理论变化值输入到预先训练完成的机器学习评估模型中，得到评估值；

数据比对模块，用于数据当所述评估值不满足预设的合格范围时判定存在报警故障，将所述评估值与所述故障特征库进行比对，确定燃气报警器中的故障位置；其中，所述故障特征库包括评估值与故障位置的映射关系。

8.一种电子装置，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至6中任意一项所述的燃气报警器的检测方法。

9.一种燃气报警器，其特征在于，所述燃气报警器用于与如权利要求8所述的燃气报警器的检测系统通信连接，所述燃气报警器的检测系统用于确定燃气报警器中的故障位置。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至6中任意一项所述的燃气报警器的检测方法。