CN109377567B - 一种膨胀烟丝工段的逃生训练方法及系统 - Google Patents

一种膨胀烟丝工段的逃生训练方法及系统 Download PDF

Info

Publication number
CN109377567B
CN109377567B CN201811285946.1A CN201811285946A CN109377567B CN 109377567 B CN109377567 B CN 109377567B CN 201811285946 A CN201811285946 A CN 201811285946A CN 109377567 B CN109377567 B CN 109377567B
Authority
CN
China
Prior art keywords
escape
path
node
escaper
concentration
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.)
Active
Application number
CN201811285946.1A
Other languages
English (en)
Other versions
CN109377567A (zh
Inventor
林森
石钉科
赵易
丁男哲
严建波
王晖
陈行杰
吴俊雄
王哲彬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Tobacco Zhejiang Industrial Co Ltd
Original Assignee
China Tobacco Zhejiang Industrial Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Tobacco Zhejiang Industrial Co Ltd filed Critical China Tobacco Zhejiang Industrial Co Ltd
Priority to CN201811285946.1A priority Critical patent/CN109377567B/zh
Publication of CN109377567A publication Critical patent/CN109377567A/zh
Application granted granted Critical
Publication of CN109377567B publication Critical patent/CN109377567B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T19/00—Manipulating 3D models or images for computer graphics
    • G06T19/003—Navigation within 3D models or images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Abstract

本发明公开了一种膨胀烟丝工段的逃生训练方法，包括：根据膨胀烟丝工段实际场景建立三维场景图；以三维场景图中的门、楼梯口、走廊拐弯、岔口作为节点，生成多个逃生路径，组成逃生路径集合G(N,A)，并建立最优逃生路径的寻优模型；在寻找最优逃生路径时，引入蚂蚁算法，在同时考虑高温、毒气、二氧化碳、氧气以及浓烟等危险因素时，在信息素浓度和转移概率阈值的约束下，在逃生路径集合中寻找最短路径输出，该最短路径即为最优逃生路径，这样获得的逃生路径具有很强的指导意义，且根据该逃生路径对逃生效果具有一定的保障性，即能够保障逃生者按照该逃生路径安全地逃出事故现场。

Description

一种膨胀烟丝工段的逃生训练方法及系统
技术领域
本发明属于灾难逃生技术领域，具体涉及一种膨胀烟丝工段的逃生训练方法及系统。
背景技术
膨胀烟丝是指调制、复烤之后的烟叶制成烟丝，经过烟丝膨胀工艺膨胀处理后的烟丝。烟丝膨胀可分为全配方膨胀和部分膨胀，部分膨胀也可以称为离线膨胀，是在卷烟所用的部分烟丝中加入某种介质后进行高温处理，烟丝经过部分膨胀后可比全配方膨胀获得更高的填充值。
膨胀烟丝工段是对烟丝进行膨胀处理的工段，是制丝车间比较特殊的一环。由于膨胀烟丝工段存在燃烧炉、大量压力容器和压力管路，使得该工段一直成为烟厂所有车间危险源最多的地方。因此，在对膨胀烟丝工段做好例行安全检查的同时，对生产人员的事故安全处理、逃生教育和指导尤为重要。
当发生安全事故时，现场人员第一反应非常重要。以往安全预案演练时危险情况只能靠凭空想象，无法达到真实现场的紧张感和压迫感，也不能进行一些实际操作，演练效果不佳。
申请公布号为CN 105659299A的专利申请公开了一种智能城市的火警逃生路径生成方法及系统，具体包括：获取火灾的第一坐标，获取第一坐标设定范围内的移动终端的位置；以每个移动终端的位置作为起点，以最近安全地点或救援地点作为终端生成逃生路径；将该逃生路径发送给移动终端。该方法并没有公开具体的火警逃生路径生成方法，因此不清楚该逃生路径是否为最优的逃生路径，该逃生路径对逃生人员的指导效果无法预期。
申请公布号为CN 108469742A的专利申请公开了智能家居安全逃生指示方法及系统，包括通过智能设备获取家居测量数据，经智能门锁发送到服务器，然后服务器对家居测量数据进行分析，获得分析结果，根据分析结果生成控制指令，若出现危险的火情，该控制指令可以发出报警信息或打开门锁，开辟出一条逃生通道供室内人员离开危险环境。该方法虽然能够在存在危险时通知人们按照生成的路径进行逃离，但并未考虑逃生过程中众多影响因素会逃生人员造成的影响，因此该逃生路径对逃生人员的指导效果无法预期。
发明内容
本发明的目的是提供一种膨胀烟丝工段的逃生训练方法及系统，根据膨胀烟丝工段对应的三维模型规划出多条逃生路径后，同时考虑高温、毒气、浓烟等危险因素，对实时逃生路径进行择优，获得最优的逃生路径以显示，以供生产人员观看进行逃生训练学习。
为实现上述发明目的，本发明提供以下技术方案：
一种膨胀烟丝工段的逃生训练方法，包括：
根据膨胀烟丝工段实际场景建立三维场景图；
以三维场景图中的门、楼梯口、走廊拐弯、岔口作为节点，生成多个逃生路径，组成逃生路径集合G(N,A)，其中，N为节点集合，A为路径集合，并建立最优逃生路径的寻优模型为：
Figure GDA0003943006650000031
Figure GDA0003943006650000032
Figure GDA0003943006650000033
Figure GDA0003943006650000034
其中，从节点i到节点j的逃生路径xij消耗的逃生时间为tij，FS(i)为从节点i出发的所有逃生路径的集合，若(i,j)∈A，则xij＝1，否则xij＝0，FS(1)表示始发节点的第一条路径，xhi表示从节点h到节点i的逃生路径，n表示集合N中节点的总个数；
在逃生路径寻优时，引入蚂蚁算法，把蚂蚁看作逃生者，以路径的信息素浓度作为逃生者的体力值，蚂蚁行走路径即为逃生路径，逃生者逃生时，根据行走路径的信息素浓度选择下一个节点，节点i到邻接节点j的信息素浓度越高，选择该逃生路径的概率也越大，其转移概率为：
Figure GDA0003943006650000035
其中，ηij(t)＝1/Li-j为能见度，是节点i和节点j之间距离Li-j的倒数，τij(t)为t时刻节点i到节点j之间的信息素浓度，allowed为允许访问的节点集合，α和β分别为信息素和能见度的加权值，
计算转移概率时，根据高温、毒气、二氧化碳浓度以及氧气浓度对蚂蚁体力值的影响，更新每条路径的信息素浓度，当每条路径的信息素浓度为0时，表示逃生者死亡，根据浓烟对移动速度的影响，更新能见度ηij(t)；
以逃生路径对应的转移概率小于转移概率阈值和信息素浓度大于0为约束条件，利用公式(5)在公式(1)～(4)表示的最优逃生路径的寻优模型中计算获得最优逃生路径，并输出该最优逃生路径。
一种膨胀烟丝工段的逃生训练系统，包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序，所述计算机存储器中存有根据膨胀烟丝工段实际场景建立三维场景图，所述计算机处理器执行所述计算机程序时实现上述的逃生训练方法，输出最优逃生路径。
该膨胀烟丝工段的逃生训练方法及系统中，在构建的逃生路径集合中，引入蚂蚁算法，在同时考虑高温、毒气、二氧化碳、氧气以及浓烟等危险因素时，在信息素浓度和转移概率阈值的约束下，在逃生路径集合中寻找最短路径输出，该最短路径即为最优逃生路径，这样获得的逃生路径具有很强的指导意义，且根据该逃生路径对逃生效果具有一定的保障性，即能够保障逃生者按照该逃生路径安全地逃出事故现场。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例对本发明进行进一步的详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不限定本发明的保护范围。
本实施例提供了一种膨胀烟丝工段的逃生训练系统，包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序。
在应用该膨胀烟丝工段的逃生训练系统前，该计算机存储器中存有根据膨胀烟丝工段实际场景建立三维场景图，该三维场景图可以采用C4D等软件对膨胀烟丝工段的实际场景进行建模获得。
所述计算机处理器执行所述计算机程序时实现以下过程：
将三维场景图中的门、楼梯口、走廊拐弯、岔口以及走廊尽头作为节点，生成多个逃生路径，组成逃生路径集合G(N,A)，其中，N为节点集合，A为路径集合。
建立最优逃生路径的寻优模型为：
Figure GDA0003943006650000051
Figure GDA0003943006650000052
Figure GDA0003943006650000053
Figure GDA0003943006650000054
其中，从节点i到节点j的逃生路径xij消耗的逃生时间为tij，FS(i)为从节点i出发的所有逃生路径的集合，若(i,j)∈A，则xij＝1，否则xij＝0，FS(1)表示始发节点的第一条路径，xhi表示从节点h到节点i的逃生路径。
蚁群算法是一种用来寻找优化路径的概率型算法。本实施例中引入蚂蚁算法在寻优模型中寻找最优逃生路径。在蚂蚁算法中，把蚂蚁看作逃生者，以路径的信息素浓度作为逃生者的体力值，蚂蚁行走路径即为逃生路径，逃生者逃生时，会根据路径的信息素浓度来选择下一个节点，节点i到邻接节点j的信息素浓度越高，选择该路径的概率也越大，其转移概率为：
Figure GDA0003943006650000055
其中，ηij(t)＝1/Li-j为能见度，是节点i和节点j之间距离Li-j的倒数，τij(t)为t时刻节点i到节点j之间的信息素浓度，allowed为允许访问的节点集合，α和β分别为信息素和能见度的加权值。
同时，蚂蚁也会留下一定的信息素，随着时间的推移，每条路径的信息素浓度的更新公式为：
Figure GDA0003943006650000061
Figure GDA0003943006650000062
其中，τij(t+1)为t+1时刻节点i到节点j之间的信息素浓度，ρ为信息素浓度的衰减因子，Lk为逃生者k在当次循环过程中走过的路径总长度，Qi,j为逃生者k经过逃生路径xij剩余体力值，初始体力值为Q，为常数。
本实施例以火灾现场作为事故现场，火灾现场具有非常大的复杂性，当火灾发生时，往往会伴随着高温、毒气(如一氧化碳、氯气、氨气、二氧化硫、液化石油气等有毒气体)、二氧化碳浓度、氧气浓度以及浓烟等各种危险因素，高温、毒气、二氧化碳浓度以及氧气浓度会对人体造成伤害，降低人的逃生能力，浓烟使环境的能见度变低，降低人的移动速度。
传统的蚁群算法虽然能找到离出口最短的逃生路径，却不一定是最合理的路径，为了尽快寻找到能够保障逃生者生还的逃生路径，本实施例在蚂蚁算法中引入了高温、毒气、二氧化碳浓度以及氧气浓度对蚂蚁体力值的影响，同时考虑了浓烟对移动速度的影响。
本实施例中，将公式(7)中的Qi,j初始化为相同的体力值，在它们在搜寻路径时，所遇到的风险会对其体力造成伤害，从而使体力下降。当体力值下降为零时，则判断该蚂蚁(逃生者)已经死亡，不能再进行路径搜寻，死亡的蚂蚁(逃生者)将无法参与更新信息素浓度。若蚂蚁(逃生者)在路径搜索时陷入死路，则同样判断其死亡。在更新信息素浓度时，仅按存活蚂蚁的剩余体力留下相应的信息素。
具体地，高温对逃生者体力值的影响为：
逃生者在高温作用下，人体的忍受能力
Figure GDA0003943006650000071
为：
Figure GDA0003943006650000072
Figure GDA0003943006650000073
Figure GDA0003943006650000074
其中，
Figure GDA0003943006650000075
变化区间为[0，1]，当
Figure GDA0003943006650000076
为1时表示人体的忍受程度达到最大值，Li-j为节点i到节点j的路径长度，vi-j为路径Li-j内逃生者移动速度，tIrad为热辐射作用下逃生者忍受时间，q为持续热辐射热量，tIconv为热对流作用下逃生者忍受时间，T为持续累积的热量；
根据该人体的忍受能力
Figure GDA0003943006650000077
更新逃生者的剩余体力值为：
Figure GDA0003943006650000078
其中，Qh,i进入逃生路径xij之前的剩余体力值，h表示逃生者经过的上一个逃生节点。
毒气、二氧化碳浓度以氧气浓度对逃生者体力值的影响为：
逃生者在毒气、高浓度二氧化碳以低浓度氧气作用下，人体的忍受能力
Figure GDA0003943006650000079
为：
Figure GDA00039430066500000710
其中，
Figure GDA0003943006650000081
变化区间为[0，1]，当
Figure GDA0003943006650000082
为1时表示人体的忍受程度达到最大值，Li-j为节点i到节点j的路径长度，vi-j为路径Li-j内逃生者移动速度，
Figure GDA0003943006650000083
为逃生路径xij上第s种毒气的浓度，s∈m，m为毒气的总类别，
Figure GDA0003943006650000084
为逃生者能够承受第s种毒气的剂量最大值，CO2％为二氧化碳浓度，O2％为氧气浓度，η表示时间点，公式(12)中，[8.13-0.54×(20.9-O2％]η表示时间点η的氧气浓度；
根据该人体的忍受能力
Figure GDA0003943006650000085
更新逃生者的剩余体力值为：
Figure GDA0003943006650000086
当同时考虑高温、毒气、二氧化碳浓度以氧气浓度对逃生者体力值的影响时，根据该人体的忍受能力
Figure GDA0003943006650000087
和
Figure GDA0003943006650000088
更新逃生者的剩余体力值为：
Figure GDA0003943006650000089
一般情况下，逃生者按照逃生路径逃出事故现场时，不能保证逃生者的安全性，为了优先保证逃生者的安全，防止(蚂蚁)逃生者冒着极大风险去追求最短路径，算法中引入了转移概率阈值增和增加相应的转移概率约束条件。具体地：
定义
Figure GDA00039430066500000810
Pij认为是逃生者在逃生路径(i,j)上安全通过的概率，为了优先保证逃生人员的安全，增加以下约束条件：
Figure GDA00039430066500000811
其中，τ为转移概率阈值，表示逃生者能够安全逃生的最小概率。
此外，在考虑浓烟对逃生环境的能见度和移动速度的影响，本实施例采用公式(16)～(18)更新能见度ηij(t)和移动速度vi-j：
ηij(t)＝μ/Li-j (16)
vi-j＝μv (17)
Figure GDA0003943006650000091
其中，v为普通人在正常环境下的移动速度，μ为浓烟影响下，逃生者移动速度的下降程度，kc为烟气减光系数。
最后，根据模拟设置二氧化碳浓度数据、氧气浓度数据、毒气浓度数据、持续热辐射热量数据和持续累积热量数据、以及烟雾浓度数据，按照公式(1)～(18)经计算获得最短逃生路径，该最短逃生路径即为最优逃生路径。
在获得最优逃生路径后，上述三维场景模型被Unity3D软件渲染后，在渲染场景中添加火灾发生位置，设计逃生者，使逃生者按照最优逃生路径逃生，通过终端呈现给生产人员观看，以对生成人员进行逃生训练学习。
还逃生训练系统能够在综合考虑了高温、毒气、二氧化碳、氧气以及浓烟等危险因素后，优化获得的最优逃生路径对逃生效果具有一定的保障性，即能够保障逃生者按照该逃生路径安全地逃出事故现场，对生产人员具有很强的指导意义。
以上所述的具体实施方式对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所述仅为本发明的最优选实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换等，均应包含在本发明的保护范围之内。

Claims (2)

1.一种膨胀烟丝工段的逃生训练方法，包括：
根据膨胀烟丝工段实际场景建立三维场景图；
以三维场景图中的门、楼梯口、走廊拐弯、岔口作为节点，生成多个逃生路径，组成逃生路径集合G(N,A)，其中，N为节点集合，A为路径集合，并建立最优逃生路径的寻优模型为：
Figure FDA0003943006640000011
Figure FDA0003943006640000012
Figure FDA0003943006640000013
Figure FDA0003943006640000014
其中，从节点i到节点j的逃生路径xij消耗的逃生时间为tij，FS(i)为从节点i出发的所有逃生路径的集合，若(i,j)∈A，则xij＝1，否则xij＝0，FS(1)表示始发节点的第一条路径，xhi表示从节点h到节点i的逃生路径，n表示节点集合N中所有节点的个数；
在优化逃生路径时，引入蚂蚁算法，把蚂蚁看作逃生者，以路径的信息素浓度作为逃生者的体力值，蚂蚁行走路径即为逃生路径，逃生者逃生时，根据行走路径的信息素浓度选择下一个节点，节点i到邻接节点j的信息素浓度越高，选择该逃生路径的概率也越大，其转移概率为：
Figure FDA0003943006640000015
其中，ηij(t)＝1/Li-j为能见度，是节点i和节点j之间距离Li-j的倒数，τij(t)为t时刻节点i到节点j之间的信息素浓度，allowed为允许访问的节点集合，α和β分别为信息素和能见度的加权值；
计算转移概率时，根据高温、毒气、二氧化碳浓度以及氧气浓度对蚂蚁体力值的影响，更新每条路径的信息素浓度，当每条路径的信息素浓度为0时，表示逃生者死亡，根据浓烟对移动速度的影响，更新能见度ηij(t)；
以逃生路径对应的转移概率小于转移概率阈值和信息素浓度大于0为约束条件，利用公式(5)在公式(1)～(4)表示的最优逃生路径的寻优模型中计算获得最优逃生路径，并输出该最优逃生路径；
每条路径的信息素浓度的更新公式为：
Figure FDA0003943006640000021
Figure FDA0003943006640000022
其中，τij(t+1)为t+1时刻节点i到节点j之间的信息素浓度，ρ为信息素浓度的衰减因子，Lk为逃生者k在当次循环过程中走过的路径总长度，Qi,j为逃生者k经过逃生路径xij剩余体力值，初始体力值为Q，为常数；
高温对逃生者体力值的影响为：
逃生者在高温作用下，人体的忍受能力
Figure FDA0003943006640000023
为：
Figure FDA0003943006640000024
Figure FDA0003943006640000025
Figure FDA0003943006640000031
其中，
Figure FDA0003943006640000032
变化区间为[0，1]，当
Figure FDA0003943006640000033
为1时表示人体的忍受程度达到最大值，Li-j为节点i到节点j的路径长度，vi-j为路径Li-j内逃生者移动速度，tIrad为热辐射作用下逃生者忍受时间，q为持续热辐射热量，tIconv为热对流作用下逃生者忍受时间，T为持续累积的热量；
根据该人体的忍受能力
Figure FDA0003943006640000034
更新逃生者的剩余体力值为：
Figure FDA0003943006640000035
其中，Qh,i进入逃生路径xij之前的剩余体力值，h表示逃生者经过的上一个逃生节点；
毒气、二氧化碳浓度以氧气浓度对逃生者体力值的影响为：
逃生者在毒气、高浓度二氧化碳以低浓度氧气作用下，人体的忍受能力
Figure FDA0003943006640000036
为：
Figure FDA0003943006640000037
其中，
Figure FDA0003943006640000038
变化区间为[0，1]，当
Figure FDA0003943006640000039
为1时表示人体的忍受程度达到最大值，Li-j为节点i到节点j的路径长度，vi-j为路径Li-j内逃生者移动速度，
Figure FDA00039430066400000310
为逃生路径xij上第s种毒气的浓度，s∈m，m为毒气的总类别，
Figure FDA00039430066400000311
为逃生者能够承受第s种毒气的剂量最大值，CO2％为二氧化碳浓度，O2％为氧气浓度，η表示时间点；
根据该人体的忍受能力
Figure FDA00039430066400000312
更新逃生者的剩余体力值为：
Figure FDA00039430066400000313
其中，Qh,i进入逃生路径xij之前的剩余体力值，h表示逃生者经过的上一个逃生节点；
根据该人体的忍受能力
Figure FDA0003943006640000041
和
Figure FDA0003943006640000042
更新逃生者的剩余体力值为：
Figure FDA0003943006640000043
其中，Qh,i进入逃生路径xij之前的剩余体力值，h表示逃生者经过的上一个逃生节点；
定义
Figure FDA0003943006640000044
Pij认为是逃生者在逃生路径(i,j)上安全通过的概率，为了优先保证逃生人员的安全，增加以下约束条件：
Figure FDA0003943006640000045
其中，τ为转移概率阈值，表示逃生者能够安全逃生的最小概率；
采用公式(16)～(18)更新能见度ηij(t)和移动速度vi-j：
ηij(t)＝μ/Li-j (16)
vi-j＝μv (17)
Figure FDA0003943006640000046
其中，v为普通人在正常环境下的移动速度，μ为浓烟影响下，逃生者移动速度的下降程度，kc为烟气减光系数。
2.一种膨胀烟丝工段的逃生训练系统，包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序，其特征在于，
所述计算机存储器中存有根据膨胀烟丝工段实际场景建立三维场景图，所述计算机处理器执行所述计算机程序时实现权利要求1所述的逃生训练方法，输出最优逃生路径。
CN201811285946.1A 2018-10-31 2018-10-31 一种膨胀烟丝工段的逃生训练方法及系统 Active CN109377567B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811285946.1A CN109377567B (zh) 2018-10-31 2018-10-31 一种膨胀烟丝工段的逃生训练方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811285946.1A CN109377567B (zh) 2018-10-31 2018-10-31 一种膨胀烟丝工段的逃生训练方法及系统

Publications (2)

Publication Number Publication Date
CN109377567A CN109377567A (zh) 2019-02-22
CN109377567B true CN109377567B (zh) 2023-02-14

Family

ID=65390717

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811285946.1A Active CN109377567B (zh) 2018-10-31 2018-10-31 一种膨胀烟丝工段的逃生训练方法及系统

Country Status (1)

Country Link
CN (1) CN109377567B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110044360B (zh) * 2019-05-29 2021-04-23 中国科学技术大学 一种人员疏散路径的导航方法及装置
CN111609864B (zh) * 2020-05-06 2021-03-26 武汉科技大学 路网约束下多警员协作围捕任务分配及路径规划方法
CN112633574A (zh) * 2020-12-22 2021-04-09 中设数字技术股份有限公司 一种基于bim技术的逃生路径规划方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102011083023A1 (de) * 2011-09-20 2013-03-21 Robert Bosch Gmbh Evakuierungssystem zur Planung von Fluchtwegen in einem Gebäude, Verfahren sowie Computerprogramm
CN107563549A (zh) * 2017-08-22 2018-01-09 深圳市泰和安科技有限公司 一种基于bim模型的逃生路径生成方法、装置及设备
CN108413961A (zh) * 2017-10-16 2018-08-17 同济大学 基于并行iACO的轻量级Web3D火灾逃生路径规划方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102011083023A1 (de) * 2011-09-20 2013-03-21 Robert Bosch Gmbh Evakuierungssystem zur Planung von Fluchtwegen in einem Gebäude, Verfahren sowie Computerprogramm
CN107563549A (zh) * 2017-08-22 2018-01-09 深圳市泰和安科技有限公司 一种基于bim模型的逃生路径生成方法、装置及设备
CN108413961A (zh) * 2017-10-16 2018-08-17 同济大学 基于并行iACO的轻量级Web3D火灾逃生路径规划方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
改进蚁群算法的智能逃生路径规划研究;林森等;《住宅与房地产》;20160825(第24期);全文 *

Also Published As

Publication number Publication date
CN109377567A (zh) 2019-02-22

Similar Documents

Publication Publication Date Title
CN109377567B (zh) 一种膨胀烟丝工段的逃生训练方法及系统
Kasereka et al. Agent-Based Modelling and Simulation for evacuation of people from a building in case of fire
Fraser-Mitchell An object-oriented simulation (CRISP II) for fire risk assessment
CN108898528A (zh) 一种面向危险化学品事故应急辅助决策的案例推理方法
CN1963878A (zh) 高层建筑火灾智能监测预警预报装置
CN113639755A (zh) 一种基于深度强化学习的火灾现场逃生-救援联合系统
CN109871984A (zh) 一种基于多源信息的智能火灾发展态势识别方法
Khan et al. A review of critical fire event library for buildings and safety framework for smart firefighting
CN111881625A (zh) 一种基于深度强化学习的人群疏散仿真方法及系统
Rao et al. A drone remote sensing for virtual reality simulation system for forest fires: semantic neural network approach
CN112002095A (zh) 一种矿山洞内的火灾预警方法
CN109299831B (zh) 一种膨胀烟丝工段的逃生路径指导系统
Zhang et al. Multi-sensor information fusion detection system for fire robot through back propagation neural network
Xin et al. Reconstruction of the fault tree based on accident evolution
CN112330004B (zh) 一种基于事件链的城市燃气泄漏突发事件推演方法及系统
CN109064368A (zh) 一种基于owl的瓦斯爆炸事故本体构建及推理方法
CN111508182A (zh) 一种新型物联网用于小区消防的监测警报系统
CN115171322A (zh) 一种电缆沟火灾预警及危险性判断系统及方法
CN112488423A (zh) 一种火场中被困人员逃生路径的规划方法
CN108875144A (zh) 基于本体理论的消防力量调度辅助决策支持方法及系统
CN114723185A (zh) 一种核电站火灾应急疏散路径生成方法
Purser Developments in tenability and escape time assessment for evacuation modelling simulations
Abd El-Aal et al. Safest and Shortest Exit Algorithm for NPP Fire Evacuation
Pednekar et al. Fire detection using transfer learning and pre-trained model
Aziz et al. Dwelling Fire Safety Evacuation (DFSE): A Conceptual Approach

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
GR01 Patent grant
GR01 Patent grant