CN117423201A - 一种餐厅智能化消防状态监测方法及系统 - Google Patents
一种餐厅智能化消防状态监测方法及系统 Download PDFInfo
- Publication number
- CN117423201A CN117423201A CN202311351342.3A CN202311351342A CN117423201A CN 117423201 A CN117423201 A CN 117423201A CN 202311351342 A CN202311351342 A CN 202311351342A CN 117423201 A CN117423201 A CN 117423201A
- Authority
- CN
- China
- Prior art keywords
- fire
- fighting
- restaurant
- data
- channel
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 89
- 238000000034 method Methods 0.000 title claims abstract description 70
- 230000007613 environmental effect Effects 0.000 claims abstract description 34
- 239000000779 smoke Substances 0.000 claims abstract description 30
- 238000012806 monitoring device Methods 0.000 claims abstract description 9
- 238000006243 chemical reaction Methods 0.000 claims abstract description 7
- 238000011156 evaluation Methods 0.000 claims description 39
- 230000000903 blocking effect Effects 0.000 claims description 35
- 239000011159 matrix material Substances 0.000 claims description 35
- 238000012545 processing Methods 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 19
- 230000015654 memory Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 9
- 238000013210 evaluation model Methods 0.000 claims description 8
- 238000012300 Sequence Analysis Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 description 11
- 230000004044 response Effects 0.000 description 10
- 238000007689 inspection Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000009471 action Effects 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 206010000369 Accident Diseases 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000001934 delay Effects 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 230000002633 protecting effect Effects 0.000 description 2
- 102220646157 Actin-like protein 7A_S12A_mutation Human genes 0.000 description 1
- 102220466509 Putative histone H2B type 2-C_S11E_mutation Human genes 0.000 description 1
- 102220538564 TNF receptor-associated factor 2_S11D_mutation Human genes 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000036626 alertness Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000013105 post hoc analysis Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 102220328583 rs111822347 Human genes 0.000 description 1
- 102200084388 rs121918345 Human genes 0.000 description 1
- 102200048773 rs2224391 Human genes 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B17/00—Fire alarms; Alarms responsive to explosion
- G08B17/06—Electric actuation of the alarm, e.g. using a thermally-operated switch
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B17/00—Fire alarms; Alarms responsive to explosion
- G08B17/10—Actuation by presence of smoke or gases, e.g. automatic alarm devices for analysing flowing fluid materials by the use of optical means
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B17/00—Fire alarms; Alarms responsive to explosion
- G08B17/12—Actuation by presence of radiation or particles, e.g. of infrared radiation or of ions
- G08B17/125—Actuation by presence of radiation or particles, e.g. of infrared radiation or of ions by using a video camera to detect fire or smoke
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/12—Alarms for ensuring the safety of persons responsive to undesired emission of substances, e.g. pollution alarms
- G08B21/16—Combustible gas alarms
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
Landscapes
- Emergency Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Multimedia (AREA)
- Analytical Chemistry (AREA)
- Health & Medical Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- General Health & Medical Sciences (AREA)
- Toxicology (AREA)
- Computing Systems (AREA)
- Alarm Systems (AREA)
- Fire Alarms (AREA)
Abstract
本发明涉及消防监测的技术领域,特别是涉及一种餐厅智能化消防状态监测方法及系统,其提高了餐厅消防安全的水平,降低了火灾等安全事故的发生概率,保障了人员生命安全和财产安全;所述方法应用于餐厅智能化消防状态监测系统,所述餐厅智能化消防状态监测系统包括图像采集设备和传感器监测设备,所述方法包括:预先设定图像采集设备的图像数据采集周期和传感器监测设备的环境数据采集周期;按照预先设定的环境数据采集周期,控制传感器监测设备对餐厅内的消防环境因数进行实时采集,获得餐厅消防环境因素数据集;所述消防环境因素包括温度、烟雾浓度和燃气浓度;连续收集多个时间节点的餐厅消防环境因素数据集,并进行数据转换。
Description
技术领域
本发明涉及消防监测的技术领域,特别是涉及一种餐厅智能化消防状态监测方法及系统。
背景技术
餐厅是人员密集型的场所,一旦发生火灾,没有及时有效的做出警示和适当的应对措施,往往会造成大量的人员伤亡和巨大的经济损失;确保餐厅内的消防安全是维护人员生命安全、保护财产、维护声誉的至关重要的措施;需要细致计划、培训员工、定期检查和维护设备、遵守法规,并制定有效的紧急应对计划,以确保在火灾发生时可以尽快地进行警示和安全疏散。
现有的对餐厅消防状态进行监测的方法,大多采用烟雾传感器或火灾报警器进行实时监测,并通过人工巡检的方式对消防通道进行定期检查;由于人工巡检的管理方式存在一定的时间间隔,如果在该时间间隔内发生火灾等事故,同时消防通道又被堵塞,则会造成不可想象的安全事故;因此,亟需一种能够在发生火灾等安全事故之前对消防通道进行疏通提醒的餐厅智能化消防状态监测方法。
发明内容
为解决上述技术问题,本发明提供一种提高了餐厅消防安全的水平,降低了火灾等安全事故的发生概率,保障了人员生命安全和财产安全的餐厅智能化消防状态监测方法。
第一方面,本发明提供了一种餐厅智能化消防状态监测方法,所述方法包括:
预先设定图像采集设备的图像数据采集周期和传感器监测设备的环境数据采集周期;
按照预先设定的环境数据采集周期,控制传感器监测设备对餐厅内的消防环境因数进行实时采集,获得餐厅消防环境因素数据集;所述消防环境因素包括温度、烟雾浓度和燃气浓度;
连续收集多个时间节点的餐厅消防环境因素数据集,并进行数据转换,获得餐厅消防状态特征矩阵;所述餐厅消防状态特征矩阵能够表征餐厅的实时消防状态;
将餐厅消防状态特征矩阵输入至预先训练的餐厅环境状态评估模型中,获得消防状态评价指数;
根据消防状态评价指数对传感器监测设备的初始数据采集周期进行调整,获得更新后的图像数据采集周期;
根据更新后的图像数据采集周期,对餐厅内的若干个消防通道进行图像采集,获得消防通道图像数据集;
将消防通道图像数据集输入至预先训练的消防通道堵塞识别模型中,获得能够表征消防通道堵塞状态的堵塞指数;所述消防通道与堵塞指数一一对应;
筛选堵塞指数超过预设阈值的消防通道,提取该消防通道对应的位置信息,并进行疏通提示。
进一步地,所述餐厅消防环境因素数据集为:[Ti,Si,Gi];其中Ti表示第i个时间节点的温度,Si表示第i个时间节点的烟雾浓度;Gi表示第i个时间节点的燃气浓度;
所述餐厅消防状态特征矩阵如下所示:
其中Tn表示第n个时间节点的温度,Sn表示第n个时间节点的烟雾浓度;Gn表示第n个时间节点的燃气浓度。
进一步地,餐厅消防环境因素数据集获取方法,包括:
安装传感器设备,包括温度传感器、烟雾传感器和燃气传感器;
确定传感器安装位置,并进行安装;
设定每个传感器的环境数据采集周期;
传感器根据预设的采集周期实时监测消防环境因素,包括温度、烟雾浓度和燃气浓度,采集到的数据实时传输到中央数据处理系统;
通过与标准数据源比较对数据进行校准;
对数据实施异常值检测,系统识别异常数据并发出提示;
对采集到的数据进行实时存储,提取多组数据获得餐厅消防环境因素数据集。
进一步地,获取餐厅消防状态特征矩阵的方法,包括:
提取多组餐厅消防环境因素数据集;
整合提取的各组餐厅消防环境因素数据集,建立一个时间序列或多维数据集;
对数据进行转换,将原始数据转化为一种形式,包括从原始数据中提取有用的特征、对数据进行时间序列分析、对数据进行维度约简;
将多个时间点的特征汇总成一个特征向量;
将得到的特征向量组合成一个特征矩阵。
进一步地,餐厅环境状态评估模型建立方法,包括:
收集与餐厅消防状态相关的数据,包括温度、烟雾浓度、燃气浓度以及与这些数据同时采集的消防事件记录;
对数据预处理,包括数据清洗、特征工程和数据标准化;
针对消防状态评估,选择不同类型的模型,包括回归模型、时序分析模型和神经网络;
使用预处理后的数据,对模型进行训练,包括将数据分成训练集和验证集,使用训练集来训练模型。
在训练完成后,使用验证集来评估模型的性能,评估指标包括均方误差、准确性、召回率、精确度;
模型建立完成后,将其部署到实际的餐厅消防监测系统中。
进一步地,图像数据采集周期调整方法,包括:
收集消防状态评价指数;
制定图像数据采集周期调整策略;
设定实时监测系统,监视消防状态评价指数的变化;
根据策略和实时监测结果,系统应自动调整图像数据采集周期。
进一步地,消防通道图像数据集获取方法,包括:
确定需要进行监测消防通道,消防通道包括紧急出口、通向安全区域的通道和楼梯通道;
将更新后的图像数据采集周期输入至图像采集设备;
使图像采集设备安装更新后的图像数据采集周期进行实时图像采集工作;
将采集到的图像数据上传至服务器或云存储,并对数据进行时间戳和地点标记,获得消防通道图像数据集;
对图像采集设备进行定期的维护,同时实时监测系统;
对图像数据进行加密。
另一方面,本申请还提供了一种餐厅智能化消防状态监测系统,所述系统包括:
环境数据采集模块,包括图像采集设备和传感器监测设备,预设图像采集设备的图像数据采集周期和传感器监测设备的环境数据采集周期,控制传感器监测设备对餐厅内的消防环境因数进行实时采集,获得餐厅消防环境因素数据集,并发送;
数据处理模块,用于接收餐厅消防环境因素数据集,连续收集多个时间点的餐厅消防环境因素数据集,进行数据转换,生成餐厅消防状态特征矩阵,并发送;
环境状态评估模块,用于接收餐厅消防状态特征矩阵,将餐厅消防状态特征矩阵输入至预先训练的餐厅环境状态评估模型中,餐厅环境状态评估模型输出消防状态评价指数,并发送;
周期调整模块,用于接收消防状态评价指数,根据消防状态评价指数,调整传感器监测设备的初始数据采集周期,获得更新后的图像数据采集周期,并发送;
图像采集模块,用于接收图像数据采集周期,基于调整后的图像数据采集周期,对餐厅内的多个消防通道进行图像采集,获得消防通道图像数据集,并发送;
消防通道堵塞识别模型,用于接收消防通道图像数据集,并将消防通道图像数据集输入至预设的消防通道堵塞识别模型中,消防通道堵塞识别模型输出能够表征消防通道堵塞状态的堵塞指数,并发送;
堵塞指数筛选模块,用于接收堵塞指数,使堵塞指数与预设阈值对比,筛选堵塞指数超过预设阈值的消防通道,提取该消防通道对应的位置信息,并发送;
疏通提示模块,用于接收消防通道对应的位置信息,根据相应消防通道的位置信息,以生成疏通提示,通知人员采取疏通措施。
第三方面,本申请提供了一种电子设备,包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述收发器、所述存储器和所述处理器通过所述总线相连,所述计算机程序被所述处理器执行时实现上述任意一项所述方法中的步骤。
第四方面,本申请还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任意一项所述方法中的步骤。
与现有技术相比本发明的有益效果为:该方法能够实时监测餐厅内的消防环境因素,包括烟雾、温度等,以及消防通道的状态,一旦发现异常,方法能够立即发出预警,确保在火灾等安全事故发生之前采取必要的措施;通过图像采集和消防通道堵塞识别模型,能够智能化地识别消防通道的堵塞状态;这种智能化的监测方法避免了人工巡检的时间间隔问题,提高了监测的及时性和准确性;
一旦发现消防通道堵塞,能够自动生成疏通提示,并及时通知相关人员采取疏通措施;自动化的响应能力帮助餐厅迅速应对问题,减少了人为延误的可能性;连续收集并处理多个时间点的消防环境因素数据,能够生成详细的消防状态特征矩阵;这些数据不仅能够用于实时预警,还能够用于长期趋势分析,为餐厅提供更好的消防安全决策依据;
自动化的监测和预警方法减轻了餐厅工作人员的负担;能够将更多精力投入到其他重要的工作领域,同时能够持续不断地监测,无需额外人力投入;该方法不仅仅关注火灾的监测,还包括了消防通道的状态;这种全面性的解决方案确保了餐厅内部各个环节的安全性,提高了整体的防范能力;
综上所述,该方法通过实时监测、智能堵塞识别、自动化疏通提示等功能,极大地提高了餐厅消防安全的水平,降低了火灾等安全事故的发生概率,保障了人员生命安全和财产安全。
附图说明
图1是本发明的流程图;
图2是餐厅消防环境因素数据集获取方法的流程图;
图3是获取餐厅消防状态特征矩阵的方法的流程图;
图4是餐厅环境状态评估模型建立方法的流程图;
图5是图像数据采集周期调整方法的流程图;
图6是消防通道图像数据集获取方法的流程图;
图7是餐厅智能化消防状态监测系统的结构图。
具体实施方式
在本申请的描述中,所属技术领域的技术人员应当知道,本申请可以实现为方法、装置、电子设备及计算机可读存储介质。因此,本申请可以具体实现为以下形式:完全的硬件、完全的软件(包括固件、驻留软件、微代码等)、硬件和软件结合的形式。此外,在一些实施例中,本申请还可以实现为在一个或多个计算机可读存储介质中的计算机程序产品的形式,该计算机可读存储介质中包含计算机程序代码。
上述计算机可读存储介质可以采用一个或多个计算机可读存储介质的任意组合。计算机可读存储介质包括:电、磁、光、电磁、红外或半导体的系统、装置或器件,或者以上任意的组合。计算机可读存储介质更具体的例子包括:便携式计算机磁盘、硬盘、随机存取存储器、只读存储器、可擦除可编程只读存储器、闪存、光纤、光盘只读存储器、光存储器件、磁存储器件或以上任意组合。在本申请中,计算机可读存储介质可以是任意包含或存储程序的有形介质,该程序可以被指令执行系统、装置、器件使用或与其结合使用。
本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律的相关规定。
本申请通过流程图和/或方框图描述所提供的方法、装置、电子设备。
应当理解,流程图和/或方框图的每个方框以及流程图和/或方框图中各方框的组合,都可以由计算机可读程序指令实现。这些计算机可读程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,从而生产出一种机器,这些计算机可读程序指令通过计算机或其他可编程数据处理装置执行,产生了实现流程图和/或方框图中的方框规定的功能/操作的装置。
也可以将这些计算机可读程序指令存储在能使得计算机或其他可编程数据处理装置以特定方式工作的计算机可读存储介质中。这样,存储在计算机可读存储介质中的指令就产生出一个包括实现流程图和/或方框图中的方框规定的功能/操作的指令装置产品。
也可以将计算机可读程序指令加载到计算机、其他可编程数据处理装置或其他设备上,使得在计算机、其他可编程数据处理装置或其他设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机或其他可编程数据处理装置上执行的指令能够提供实现流程图和/或方框图中的方框规定的功能/操作的过程。
下面结合本申请中的附图对本申请进行描述。
实施例一
如图1至图6所示,本发明的一种餐厅智能化消防状态监测方法,具体包括以下步骤:
S1、预先设定图像采集设备的图像数据采集周期和传感器监测设备的环境数据采集周期;
图像数据采集周期指的是图像设备每隔一定时间捕获一次餐厅内部的图像数据,较短的周期能够提供更实时的图像数据,但增加了数据处理和存储的负担,同时也会消耗更多的能源;所述图像数据采集周期的设定因素包括:
S11A、场地特点,包括餐厅大小、结构、通道布局、人员密度,大型餐厅需要频繁的图像采集,小型餐厅采集周期能够适当延长;
S11B、实时性需求,火灾是紧急情况,因此采集周期应具备足够的实时性,以尽早检测潜在危险;
S11C、资源成本,较短的采集周期会产生更多的图像数据,需要更多的存储和处理资源,因此,采集周期的选择要在实时性和资源成本之间进行权重分配;
S11D、传感器性能,采集周期应与图像采集设备的性能相匹配,若设备响应速度较慢,较短的周期会对设备产生较大的负荷;
S11E、数据存储,需要足够的存储容量来保存生成的图像数据,较短的周期会产生大量的图像数据,会对存储设备产生较大的负荷;
环境数据采集周期是指传感器监测设备每隔一定时间测量一次餐厅内的消防环境因素,包括温度、烟雾浓度和燃气浓度;所述环境数据采集周期设定因素包括:
S12A、环境类型和重要性,不同的环境因素对于消防安全的监测有不同的重要性,温度变化相对较慢,而烟雾浓度和燃气浓度在火灾发生时会迅速变化,因此,烟雾浓度和燃气浓度的采集周期可以设置短一些,确保及时监测到异常情况;
S12B、传感器性能,传感器的响应速度和准确性对于采集周期的选择至关重要,高性能传感器能够应对更为短促的采集周期;
S12C、实时性需求,环境数据采集周期应具备足够的实时性,以便及时检测环境因素的变化;
S12D、资源和成本,较短的采集周期会产生更多的数据和能耗,需要更多的存储和处理资源。
在本步骤中,较短的图像数据采集周期和环境数据采集周期能够提供更实时的监测和预警,便于及时发现潜在火灾风险,减少响应时间,最大程度地保护人员生命和财产安全;通过考虑场地特点、实时性需求和资源成本,能够在实现实时监测的同时避免不必要的资源浪费,优化的采集周期能够降低数据处理和存储的负担,减少能源消耗,提高系统的效率。
根据环境因素的不同重要性和传感器性能,采集周期的设定更具适应性;合理的周期选择能够平衡实时性需求和资源开销,使系统更加经济高效;通过权衡实时性和存储容量,能够降低对存储设备的压力,确保系统长时间稳定运行而不会因为存储不足而中断监测。
S2、按照预先设定的环境数据采集周期,控制传感器监测设备对餐厅内的消防环境因数进行实时采集,获得餐厅消防环境因素数据集;所述消防环境因素包括温度、烟雾浓度和燃气浓度;
在S2步骤中,控制传感器监测设备对餐厅内的消防环境因数进行实时采集,以获得餐厅的消防环境因素数据集;这一步骤是整个智能化消防状态监测系统的基础,因为本步骤提供了必要的数据来评估餐厅内的消防安全状态,也为制定紧急应对计划提供了关键信息;实时监测的重要性在于它可以及时发现潜在的危险,使得餐厅管理人员能够在火灾发生前采取必要的措施,最大程度地减少人员伤亡和财产损失;餐厅消防环境因素数据集获取方法,包括:
S21、选择合适的传感器设备,以实时监测餐厅内的消防环境因素,在餐厅中,常见的消防环境因素包括温度、烟雾浓度和燃气浓度,因此,需要部署温度传感器、烟雾传感器和燃气传感器;
S22、确定安装这些传感器的位置,以确保能够覆盖餐厅内的关键区域,传感器的位置应包括但不限于餐厅的厨房、用餐区、过道和其他潜在的风险区域;
S23、预先设定每个传感器的环境数据采集周期,根据步骤S1预设的周期对传感器进行设定;
S24、传感器根据预设的采集周期实时监测消防环境因素,包括温度、烟雾浓度和燃气浓度,采集到的数据实时传输到中央数据处理系统,以确保数据的实时性;传输通过有线或无线方式进行;
S25、采集到的数据会受到传感器影响而出现误差,因此需要进行数据校准,以确保数据的准确性,校准通过与标准数据源比较;
S26、数据在传感器中采集时可能会受到各种干扰,因此需要实施异常值检测,在某个传感器的读数远离预期范围时,系统能够识别这组数据并发出提示;
S27、采集到的数据需要进行实时存储,以备将来分析和审查;数据存储采用本地存储和云端存储两种储存方式,防止单存储方式因设备损坏导致的数据丢失情况,提取多组数据获得餐厅消防环境因素数据集。
在本步骤中,能够实时监测餐厅内的消防环境因素,包括温度、烟雾浓度和燃气浓度,能够早期检测潜在的火灾风险或燃气泄漏,使管理人员能够在事故升级之前采取必要的措施;数据采集后,通过有线或无线方式实时传输到中央数据处理系统,确保数据的实时性,减少了因信息传递延迟而导致的潜在风险;
采集到的数据经过校准,以确保准确性,能够消除传感器误差,提高了数据的可信度;实施异常值检测,可以及时警告管理人员关于任何不寻常的环境因素,便于采取紧急措施以减少潜在风险;采集的数据实时存储,以备将来的审查和分析,便于管理人员分析历史数据以改进消防安全策略。
S3、连续收集多个时间节点的餐厅消防环境因素数据集,并进行数据转换,获得餐厅消防状态特征矩阵;所述餐厅消防状态特征矩阵能够表征餐厅的实时消防状态;
S3步骤的目的是创建一个特征矩阵,该矩阵能够表征餐厅的实时消防状态,这个矩阵将包含多个特征列,有助于监测消防状态的变化和趋势,以及更好地了解餐厅内的消防风险;为了获取餐厅消防状态特征矩阵,具体包括以下方法:
S31、提取多组餐厅消防环境因素数据集,各组餐厅消防环境因素数据集会涵盖多个时间点,每个时间点对应一个数据采集周期;
S32、整合提取的各组餐厅消防环境因素数据集,建立一个时间序列或多维数据集,其中每个时间点都有相应的环境因素数据;
S33、对数据进行转换,将原始数据转化为一种形式,以便表征餐厅的实时消防状态,这包括以下步骤:
a、从原始数据中提取有用的特征,包括可以计算温度的均值、方差,烟雾浓度的最大值、最小值,燃气浓度的最大值、最小值;
b、对数据进行时间序列分析,以便捕捉数据的动态特征,包括趋势分析、周期性分析;
c、若数据维度较高,需要对数据进行维度约简,以减小计算负担并减少数据的冗余;
S34、将多个时间点的特征汇总成一个特征向量,这个时间窗口的大小可以根据需要进行调整;
S35、将得到的特征向量组合成一个特征矩阵;
更为具体的,所述餐厅消防环境因素数据集为:[Ti,Si,Gi];其中Ti表示第i个时间节点的温度,Si表示第i个时间节点的烟雾浓度;Gi表示第i个时间节点的燃气浓度;
所述餐厅消防状态特征矩阵如下所示:
其中Tn表示第n个时间节点的温度,Sn表示第n个时间节点的烟雾浓度;Gn表示第n个时间节点的燃气浓度。
在本步骤中,多组餐厅消防环境因素数据集被整合成一个时间序列或多维数据集,确保了数据的完整性,能够更全面地了解餐厅内的消防环境因素随时间的变化;允许从原始数据中提取有用的特征,如温度均值、方差,烟雾浓度的最大值和最小值,燃气浓度的最大值和最小值,这些特征提供了有关消防环境因素的多维信息,便于全面地评估餐厅的消防状态;
通过时间序列分析,能够捕捉数据的动态特征,包括趋势分析和周期性分析,便于检测潜在的消防风险;维度约简以减小计算负担并减少数据的冗余,能够提高数据处理的效率,同时保持关键信息;结合多个特征和动态数据,能够更好地了解和识别潜在的火灾风险成为可能,从而提高餐厅内的消防安全水平,减少潜在的人员伤亡和经济损失。
S4、将餐厅消防状态特征矩阵输入至预先训练的餐厅环境状态评估模型中,获得消防状态评价指数;
餐厅环境状态评估模型建立方法,包括:
S41、收集大量的与餐厅消防状态相关的数据,包括温度、烟雾浓度、燃气浓度等消防环境因素的时间序列数据,以及与这些数据同时采集的消防事件记录;
S42、数据预处理,包括数据清洗、特征工程和数据标准化,数据清洗用于处理缺失值和异常值,特征工程可以涉及选择最相关的特征、创建新特征以及对时间序列数据进行降维,数据标准化确保所有特征在相同的尺度上;
S43、模型选择,针对消防状态评估,选择不同类型的模型,包括回归模型、时序分析模型和神经网络,模型的选择基于数据的性质和问题的复杂性;
S44、模型训练,使用预处理后的数据,对模型进行训练,包括将数据分成训练集和验证集,然后使用训练集来训练模型,调整模型的超参数以提高性能;
S45、模型评估,在训练完成后,使用验证集来评估模型的性能,评估指标包括均方误差、准确性、召回率、精确度;
S46、模型部署,一旦模型被建立,它将被部署到实际的餐厅消防监测系统中,用于实时评估消防状态。
在本步骤中,餐厅能够实时评估消防状态,包括温度、烟雾浓度、燃气浓度等重要因素,便于及早发现潜在的火灾风险,提供迅速的响应;模型的建立允许系统提前识别餐厅内的火灾风险,从而触发警报和应急措施,能够降低火灾发生时的伤亡和损失,为员工和顾客能够迅速疏散或采取必要的措施;模型使用大量数据来评估餐厅的消防状态,从而不依赖于人工巡检或间歇性的检查,表面决策是基于数据和统计信息,使决策更客观和准确;
通过评估消防状态评价指数,餐厅能够不断改进其消防安全性能,模型的反馈能够帮助餐厅管理层采取针对性的措施来改进消防系统,减少风险;自动化的消防状态评估不容易受到人为因素的影响,减少了误报或忽略的风险,避免火灾和减少人员伤亡。
S5、根据消防状态评价指数对传感器监测设备的初始数据采集周期进行调整,获得更新后的图像数据采集周期;
具体的,图像数据采集周期调整方法,包括:
S51、收集消防状态评价指数;
S52、制定图像数据采集周期调整策略,策略的制定考虑指数值的变化和风险等级,当指数值升高,火灾风险增加时,需要更频繁的图像数据采集;
S53、设定实时监测系统,监视消防状态评价指数的变化,当指数值在一段时间内持续升高或超过特定阈值,系统应立即调整图像数据采集周期;
S54、根据策略和实时监测结果,系统应自动调整图像数据采集周期,如果评价指数值上升,图像数据采集周期应缩短,以增加数据收集的频率,以提前发现问题;反之,如果评价指数值下降,需要适度延长图像数据采集周期,以减轻系统的工作负担。
在本步骤中,通过监测消防状态评价指数的变化,能够根据火灾风险的实际情况调整图像数据采集周期,确保及时的图像数据采集;当评价指数值下降时,系统会适度延长图像数据采集周期,减轻系统的工作负担,便于节省资源,包括能源和存储空间;
减少了对人工干预的需求,系统自动根据评价指数值来调整采集周期,无需人工干预,这降低了人为错误的风险,并节省了人力成本;通过根据火灾风险级别实时调整数据采集周期,系统能够更有效地监测消防状态,便于减少火灾发生的概率和最小化火灾造成的损失;
综上所述,S5步骤的图像数据采集周期调整方法通过实时的、自动化的调整采集周期,使消防监测系统更具响应性,更高效地监测和评估餐厅的消防状态,从而提高了餐厅的火灾安全性,这有益于维护人员生命安全、保护财产、维护声誉,减少潜在的风险。
S6、根据更新后的图像数据采集周期,对餐厅内的若干个消防通道进行图像采集,获得消防通道图像数据集;
具体的,消防通道图像数据集获取方法,包括:
S61、确定需要进行监测消防通道,消防通道包括紧急出口、通向安全区域的通道、楼梯通道等,这些通道是在火灾或其他紧急情况下供人员疏散使用的;
S62、将更新后的图像数据采集周期输入至图像采集设备;
S63、使图像采集设备按照更新后的图像数据采集周期进行实时图像采集工作;
S64、将采集到的图像数据上传至服务器或云存储,并对数据进行时间戳和地点标记,获得消防通道图像数据集;
S65、对图像采集设备进行定期的维护,以确保其正常运行,同时,需要实时监测系统以确保图像采集过程没有中断或故障;
S66、对图像数据进行加密,防止图像数据泄露。
在本步骤中,通过采集实时图像数据,能够实时监测消防通道的状态,包括是否堵塞、人员密集度等,为火灾预防和疏散提供及时准确的数据基础;实时图像数据能够用于评估消防通道的畅通程度,便于指导人员疏散,选择最安全、最快捷的通道,提高疏散效率,减少伤亡风险;通过分析图像数据,能够准确识别消防通道的堵塞情况,及时发现通道堵塞,并对堵塞进行处理;
时间戳和地点标记为图像数据提供了准确的时空信息,便于人员准确定位问题消防通道;定期维护确保了图像采集设备的正常运行,而实时监测可以及时发现设备故障或中断,保障消防通道状态的持续监测;图像数据的加密保障了隐私和安全,防止图像数据泄露,尤其是在数据上传至服务器或云存储时,保护了餐厅信息和隐私。
S7、将消防通道图像数据集输入至预先训练的消防通道堵塞识别模型中,获得能够表征消防通道堵塞状态的堵塞指数;所述消防通道与堵塞指数一一对应;
S7步骤的目的是利用采集的消防通道图像数据集,识别消防通道的堵塞状态,这是非常重要的,因为如果消防通道被堵塞,人员在火灾等紧急情况下无法迅速疏散,会增加生命安全风险;
建立消防通道堵塞识别模型将液体涉及以下步骤:
S71、获取大量消防通道图像数据,包括正常通道状态和各种堵塞情况;
S72、对图像数据进行预处理,包括尺寸调整、亮度调整、对比度调整和去噪,以确保模型训练的一致性和质量;
S73、选择卷积神经网络,适用于图像分类和检测任务;
S74、使用标记的图像数据集来训练模型,模型将学会区分消防通道的堵塞状态;
S75、使用独立的验证数据集来评估模型的性能;
S76、根据验证结果,进行模型的调整和优化,以提高性能,包括调整超参数、改进数据集质量和采用更复杂的模型架构;
S77、将消防通道堵塞识别模型集成到系统中,与步骤S6中的图像采集整合在一起,以连续监测消防通道的状态。
在本步骤中,通过部署消防通道堵塞识别模型,系统能够连续监测消防通道的状;传统上,消防通道的状态需要通过人工检查来确定。这是一项耗时的任务,而且容易出现遗漏,使用自动化的识别模型能够减轻人工监测工作负担,使人员能够专注于更重要的任务;及时发现和报告消防通道的堵塞情况能够降低火灾等紧急情况下的生命安全风险;
通过连续监测消防通道状态,能够记录历史数据,这些数据可用于分析通道的使用情况,识别问题区域,并改进应急计划;利用深度学习模型,能够适应各种不同的堵塞情况和环境条件,这增加了方法的灵活性,使其适用于不同类型的建筑和场所。
S8、筛选堵塞指数超过预设阈值的消防通道,提取该消防通道对应的位置信息,并进行疏通提示
具体的,S8步骤包括以下内容:
S81、设定一个堵塞指数的阈值;
S82、将消防通道的堵塞指数与预设的阈值进行比较,对于堵塞指数超过阈值的通道,将其标记为需要疏通的通道;
S83、从消防通道图像数据集中,获得与堵塞指数相关的位置信息,通过在图像上标注或记录通道位置的方式获取;
S84、对于标记为需要疏通的通道,发送警示通知给指定的管理人员或消防人员,便于尽快前往处理;在系统的控制面板或监控设备上显示相应通道的位置信息和堵塞指数,提醒现场人员进行疏通;
S85、记录对通道的疏通行动,包括疏通时间、疏通方式、疏通人员等信息,便于事后分析和改进系统;
在本步骤中,通过设定堵塞指数的阈值,系统能够实时监测消防通道的状态,一旦通道的堵塞指数超过设定的阈值,系统会立即发出警示通知,提醒相关人员采取行动,从而避免了在紧急情况下通道无法使用的危险;标记为需要疏通的通道信息会迅速传达给管理人员或消防人员,他们可以迅速前往指定位置进行疏通,确保通道的畅通。这种快速响应大大提高了疏通行动的效率;
在系统的控制面板或监控设备上显示相应通道的位置信息和堵塞指数,使现场人员能够直观了解通道的状态;这种信息可视化不仅提高了人员的警觉性,也方便了疏通人员的工作;记录通道的疏通行动,包括疏通时间、方式和人员等信息,为事后的分析提供了数据支持;通过分析这些数据,可以发现通道堵塞的规律和原因,从而改进系统,预防类似事件再次发生;
更为具体的,堵塞指数的阈值设定影响因素包括:
A、阈值的设定应符合相关的安全标准和法规,确保阈值符合当地法律法规是至关重要的;
B、不同的消防通道有不同的特性,包括宽度、长度等,这些特性影响阈值的设定,通道越窄或越长,需要更严格的阈值来确保通道仍然可用;
C、通道的用途也会影响阈值的设定,主要用于紧急疏散的通道可能需要更低的阈值,确保及时疏通;
D、分析过去的事件和经验,提供有关通道堵塞情况的信息,这些数据用来制定阈值,以确保在类似情况下能够更好地预测通道的状态;
E、某些通道比其他通道更为关键,如主要疏散通道,这些通道的阈值需要更为严格,以确保其始终畅通;
设定合适的阈值使能够在通道堵塞危险程度升高之前发出警示,提供了预防性维护的机会,减少了紧急情况的可能性;通过智能的阈值设定,系统能够自动警示和响应需要疏通的通道,减少了人工干预的需求,提高了系统的效率和响应速度;系统记录了疏通行动的详细信息,可用于事后分析和改进,以优化系统性能。
实施例二
如图7所示,本发明的一种餐厅智能化消防状态监测系统,具体包括以下模块;
环境数据采集模块,包括图像采集设备和传感器监测设备,预设图像采集设备的图像数据采集周期和传感器监测设备的环境数据采集周期,控制传感器监测设备对餐厅内的消防环境因数进行实时采集,获得餐厅消防环境因素数据集,并发送;
数据处理模块,用于接收餐厅消防环境因素数据集,连续收集多个时间点的餐厅消防环境因素数据集,进行数据转换,生成餐厅消防状态特征矩阵,并发送;
环境状态评估模块,用于接收餐厅消防状态特征矩阵,将餐厅消防状态特征矩阵输入至预先训练的餐厅环境状态评估模型中,餐厅环境状态评估模型输出消防状态评价指数,并发送;
周期调整模块,用于接收消防状态评价指数,根据消防状态评价指数,调整传感器监测设备的初始数据采集周期,获得更新后的图像数据采集周期,并发送;
图像采集模块,用于接收图像数据采集周期,基于调整后的图像数据采集周期,对餐厅内的多个消防通道进行图像采集,获得消防通道图像数据集,并发送;
消防通道堵塞识别模型,用于接收消防通道图像数据集,并将消防通道图像数据集输入至预设的消防通道堵塞识别模型中,消防通道堵塞识别模型输出能够表征消防通道堵塞状态的堵塞指数,并发送;
堵塞指数筛选模块,用于接收堵塞指数,使堵塞指数与预设阈值对比,筛选堵塞指数超过预设阈值的消防通道,提取该消防通道对应的位置信息,并发送;
疏通提示模块,用于接收消防通道对应的位置信息,根据相应消防通道的位置信息,以生成疏通提示,通知人员采取疏通措施。
该系统能够实时监测餐厅内的消防环境因素,包括烟雾、温度等,以及消防通道的状态,一旦发现异常,系统能够立即发出预警,确保在火灾等安全事故发生之前采取必要的措施;通过图像采集和消防通道堵塞识别模型,系统能够智能化地识别消防通道的堵塞状态;这种智能化的监测方法避免了人工巡检的时间间隔问题,提高了监测的及时性和准确性;
一旦发现消防通道堵塞,系统能够自动生成疏通提示,并及时通知相关人员采取疏通措施;自动化的响应能力帮助餐厅迅速应对问题,减少了人为延误的可能性;系统连续收集并处理多个时间点的消防环境因素数据,能够生成详细的消防状态特征矩阵;这些数据不仅能够用于实时预警,还能够用于长期趋势分析,为餐厅提供更好的消防安全决策依据;
自动化的监测和预警系统减轻了餐厅工作人员的负担;能够将更多精力投入到其他重要的工作领域,同时系统能够持续不断地监测,无需额外人力投入;该系统不仅仅关注火灾的监测,还包括了消防通道的状态;这种全面性的解决方案确保了餐厅内部各个环节的安全性,提高了整体的防范能力;
综上所述,该智能化消防状态监测系统通过实时监测、智能堵塞识别、自动化疏通提示等功能,极大地提高了餐厅消防安全的水平,降低了火灾等安全事故的发生概率,保障了人员生命安全和财产安全。
前述实施例一中的餐厅智能化消防状态监测方法的各种变化方式和具体实施例同样适用于本实施例的餐厅智能化消防状态监测系统,通过前述对餐厅智能化消防状态监测方法的详细描述,本领域技术人员可以清楚的知道本实施例中餐厅智能化消防状态监测系统的实施方法,所以为了说明书的简洁,在此不再详述。
此外,本申请还提供了一种电子设备,包括总线、收发器、存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,该收发器、该存储器和处理器分别通过总线相连,计算机程序被处理器执行时实现上述控制输出数据的方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变型,这些改进和变型也应视为本发明的保护范围。
Claims (10)
1.一种餐厅智能化消防状态监测方法,其特征在于,所述方法应用于餐厅智能化消防状态监测系统,所述餐厅智能化消防状态监测系统包括图像采集设备和传感器监测设备,所述方法包括:
预先设定图像采集设备的图像数据采集周期和传感器监测设备的环境数据采集周期;
按照预先设定的环境数据采集周期,控制传感器监测设备对餐厅内的消防环境因数进行实时采集,获得餐厅消防环境因素数据集;所述消防环境因素包括温度、烟雾浓度和燃气浓度;
连续收集多个时间节点的餐厅消防环境因素数据集,并进行数据转换,获得餐厅消防状态特征矩阵;所述餐厅消防状态特征矩阵能够表征餐厅的实时消防状态;
将餐厅消防状态特征矩阵输入至预先训练的餐厅环境状态评估模型中,获得消防状态评价指数;
根据消防状态评价指数对传感器监测设备的初始数据采集周期进行调整,获得更新后的图像数据采集周期;
根据更新后的图像数据采集周期,对餐厅内的若干个消防通道进行图像采集,获得消防通道图像数据集;
将消防通道图像数据集输入至预先训练的消防通道堵塞识别模型中,获得能够表征消防通道堵塞状态的堵塞指数;所述消防通道与堵塞指数一一对应;
筛选堵塞指数超过预设阈值的消防通道,提取该消防通道对应的位置信息,并进行疏通提示。
2.如权利要求1所述的一种餐厅智能化消防状态监测方法,其特征在于,所述餐厅消防环境因素数据集为:[Ti,Si,Gi];其中Ti表示第i个时间节点的温度,Si表示第i个时间节点的烟雾浓度;Gi表示第i个时间节点的燃气浓度;
所述餐厅消防状态特征矩阵如下所示:
其中Tn表示第n个时间节点的温度,Sn表示第n个时间节点的烟雾浓度;Gn表示第n个时间节点的燃气浓度。
3.如权利要求1所述的一种餐厅智能化消防状态监测方法,其特征在于,餐厅消防环境因素数据集获取方法,包括:
安装传感器设备,包括温度传感器、烟雾传感器和燃气传感器;
确定传感器安装位置,并进行安装;
设定每个传感器的环境数据采集周期;
传感器根据预设的采集周期实时监测消防环境因素,包括温度、烟雾浓度和燃气浓度,采集到的数据实时传输到中央数据处理系统;
通过与标准数据源比较对数据进行校准;
对数据实施异常值检测,系统识别异常数据并发出提示;
对采集到的数据进行实时存储,提取多组数据获得餐厅消防环境因素数据集。
4.如权利要求1所述的一种餐厅智能化消防状态监测方法,其特征在于,获取餐厅消防状态特征矩阵的方法,包括:
提取多组餐厅消防环境因素数据集;
整合提取的各组餐厅消防环境因素数据集,建立一个时间序列或多维数据集;
对数据进行转换,将原始数据转化为一种形式,包括从原始数据中提取有用的特征、对数据进行时间序列分析、对数据进行维度约简;
将多个时间点的特征汇总成一个特征向量;
将得到的特征向量组合成一个特征矩阵。
5.如权利要求1所述的一种餐厅智能化消防状态监测方法,其特征在于,餐厅环境状态评估模型建立方法,包括:
收集与餐厅消防状态相关的数据,包括温度、烟雾浓度、燃气浓度以及与这些数据同时采集的消防事件记录;
对数据预处理,包括数据清洗、特征工程和数据标准化;
针对消防状态评估,选择不同类型的模型,包括回归模型、时序分析模型和神经网络;
使用预处理后的数据,对模型进行训练,包括将数据分成训练集和验证集,使用训练集来训练模型。
在训练完成后,使用验证集来评估模型的性能,评估指标包括均方误差、准确性、召回率、精确度;
模型建立完成后,将其部署到实际的餐厅消防监测系统中。
6.如权利要求1所述的一种餐厅智能化消防状态监测方法,其特征在于,图像数据采集周期调整方法,包括:
收集消防状态评价指数;
制定图像数据采集周期调整策略;
设定实时监测系统,监视消防状态评价指数的变化;
根据策略和实时监测结果,系统应自动调整图像数据采集周期。
7.如权利要求1所述的一种餐厅智能化消防状态监测方法,其特征在于,消防通道图像数据集获取方法,包括:
确定需要进行监测消防通道,消防通道包括紧急出口、通向安全区域的通道和楼梯通道;
将更新后的图像数据采集周期输入至图像采集设备;
使图像采集设备安装更新后的图像数据采集周期进行实时图像采集工作;
将采集到的图像数据上传至服务器或云存储,并对数据进行时间戳和地点标记,获得消防通道图像数据集;
对图像采集设备进行定期的维护,同时实时监测系统;
对图像数据进行加密。
8.一种餐厅智能化消防状态监测系统,其特征在于,所述系统包括:
环境数据采集模块,包括图像采集设备和传感器监测设备,预设图像采集设备的图像数据采集周期和传感器监测设备的环境数据采集周期,控制传感器监测设备对餐厅内的消防环境因数进行实时采集,获得餐厅消防环境因素数据集,并发送;
数据处理模块,用于接收餐厅消防环境因素数据集,连续收集多个时间点的餐厅消防环境因素数据集,进行数据转换,生成餐厅消防状态特征矩阵,并发送;
环境状态评估模块,用于接收餐厅消防状态特征矩阵,将餐厅消防状态特征矩阵输入至预先训练的餐厅环境状态评估模型中,餐厅环境状态评估模型输出消防状态评价指数,并发送;
周期调整模块,用于接收消防状态评价指数,根据消防状态评价指数,调整传感器监测设备的初始数据采集周期,获得更新后的图像数据采集周期,并发送;
图像采集模块,用于接收图像数据采集周期,基于调整后的图像数据采集周期,对餐厅内的多个消防通道进行图像采集,获得消防通道图像数据集,并发送;
消防通道堵塞识别模型,用于接收消防通道图像数据集,并将消防通道图像数据集输入至预设的消防通道堵塞识别模型中,消防通道堵塞识别模型输出能够表征消防通道堵塞状态的堵塞指数,并发送;
堵塞指数筛选模块,用于接收堵塞指数,使堵塞指数与预设阈值对比,筛选堵塞指数超过预设阈值的消防通道,提取该消防通道对应的位置信息,并发送;
疏通提示模块,用于接收消防通道对应的位置信息,根据相应消防通道的位置信息,以生成疏通提示,通知人员采取疏通措施。
9.一种餐厅智能化消防状态监测电子设备,包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述收发器、所述存储器和所述处理器通过所述总线相连,其特征在于,所述计算机程序被所述处理器执行时实现如权利要求1-7中任一项所述方法中的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311351342.3A CN117423201A (zh) | 2023-10-17 | 2023-10-17 | 一种餐厅智能化消防状态监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311351342.3A CN117423201A (zh) | 2023-10-17 | 2023-10-17 | 一种餐厅智能化消防状态监测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117423201A true CN117423201A (zh) | 2024-01-19 |
Family
ID=89524040
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311351342.3A Pending CN117423201A (zh) | 2023-10-17 | 2023-10-17 | 一种餐厅智能化消防状态监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117423201A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117993694A (zh) * | 2024-04-07 | 2024-05-07 | 青岛大数华创科技有限公司 | 一种快捷的多实验室动态巡检系统及装置 |
-
2023
- 2023-10-17 CN CN202311351342.3A patent/CN117423201A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117993694A (zh) * | 2024-04-07 | 2024-05-07 | 青岛大数华创科技有限公司 | 一种快捷的多实验室动态巡检系统及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220262221A1 (en) | Fire detection system | |
US11893645B2 (en) | Closed-loop system incorporating risk analytic algorithm | |
JP5893376B2 (ja) | 健康管理及びプラント保全のために有毒ガスへの暴露のコンプライアンス及び警告を提供し有毒ガスへの暴露を警告するシステム及び方法 | |
JP5958456B2 (ja) | プラント制御システム、制御装置、管理装置、及びプラント情報処理方法 | |
CN105551549A (zh) | 一种核电设备运行状况在线监测方法及系统 | |
CN116880412B (zh) | 一种基于云的可视化生产管理平台 | |
CN106888205A (zh) | 一种非侵入式基于功耗分析的plc异常检测方法 | |
JP6796373B2 (ja) | プラント運転システム及びプラント運転方法 | |
JP5991329B2 (ja) | 制御装置、管理装置、プラント制御システム、及びデータ処理方法 | |
EP3270250A1 (en) | Method and system for remote monitoring of power generation units | |
CN117423201A (zh) | 一种餐厅智能化消防状态监测方法及系统 | |
US11423494B2 (en) | Plant assistance assessment system and plant assistance assessment method | |
KR102245887B1 (ko) | 실내 화재예방 알림 시스템 및 그 방법 | |
CN111178828A (zh) | 一种建筑消防安全预警的方法和系统 | |
CN102890754A (zh) | 矿用危险源监测系统 | |
WO2021064144A1 (en) | Method and system for continuous estimation and representation of risk | |
KR20230083919A (ko) | 건설 현장의 동적 안전 관제 방법 및 시스템 | |
CN117279348A (zh) | 具备监测功能的强电磁脉冲防护系统 | |
EP3790032A1 (en) | Gas monitoring system | |
CN116402190A (zh) | 一种铁路沿线滑坡地质灾害识别方法及系统 | |
EP3354843B1 (en) | Systems and methods for drilling productivity analysis | |
CN117910811B (zh) | 基于多模态ai大模型的智慧消防管理方法及系统 | |
CN117788223A (zh) | 一种基于多数据融合的建筑施工管理方法 | |
CN117973865A (zh) | 一种建筑工程监控方法、系统、设备及存储介质 | |
CN117499426A (zh) | 一种行政安全监控与预警系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |