CN110070690A - 一种基于深度学习的智能消防分级预警方法及系统 - Google Patents
一种基于深度学习的智能消防分级预警方法及系统 Download PDFInfo
- Publication number
- CN110070690A CN110070690A CN201910393852.4A CN201910393852A CN110070690A CN 110070690 A CN110070690 A CN 110070690A CN 201910393852 A CN201910393852 A CN 201910393852A CN 110070690 A CN110070690 A CN 110070690A
- Authority
- CN
- China
- Prior art keywords
- fire
- data
- grading forewarning
- temperature
- forewarning system
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000013135 deep learning Methods 0.000 title claims abstract description 24
- 235000019504 cigarettes Nutrition 0.000 claims abstract description 73
- 238000012544 monitoring process Methods 0.000 claims abstract description 46
- 230000005855 radiation Effects 0.000 claims abstract description 42
- 238000007405 data analysis Methods 0.000 claims abstract description 15
- 229920001228 polyisocyanate Polymers 0.000 claims abstract description 4
- 239000005056 polyisocyanate Substances 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 21
- 238000004458 analytical method Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 7
- 230000000644 propagated effect Effects 0.000 claims description 7
- 230000035807 sensation Effects 0.000 claims description 7
- 238000013475 authorization Methods 0.000 claims description 3
- 230000000052 comparative effect Effects 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims 1
- 230000008676 import Effects 0.000 claims 1
- 239000000463 material Substances 0.000 description 3
- 238000009423 ventilation Methods 0.000 description 3
- 206010000369 Accident Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 235000011389 fruit/vegetable juice Nutrition 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000001931 thermography Methods 0.000 description 1
Classifications
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Emergency Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- Analytical Chemistry (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Security & Cryptography (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Fire Alarms (AREA)
- Fire-Detection Mechanisms (AREA)
Abstract
本发明公开了一种基于深度学习的智能消防分级预警方法及系统,消防分级预警方法包括以下步骤:多异地监测点预警数据采集步骤;多维数据分析步骤;分级预警步骤;分级授权步骤。通过对各异地监测点的环境温度以及容易发生火灾处环境温度、烟感浓度、火焰温度以及火焰辐射能量波长的变化趋势进行分析,预警下一时间段内的极限边界值是否会达到预先分级预警阈值条件,通过提前对可能发生火灾的环境温度、烟感浓度、火焰温度以及火焰辐射能量波长进行预警能够及时对火灾进行分级预警,让抢救人员有时间达到火灾现场,减小了火灾发生造成的损失。
Description
技术领域
本发明涉及智能消防安全技术领域,尤其涉及一种基于深度学习的智能消防分级预警方法及系统。
背景技术
目前现有的消防安全报警都是在火灾已经发生时或者已经发生后才进行或者报警,而如果在火灾已经发生后再进行报警虽然也能及时通知抢救人员到场对火灾进行控制,抢救人员到达火灾现场也需要一定的时间,而在这段时间内火灾也会造成一定的损失;因此对消防安全的提前分级预警远远比火灾发生后在进行报警更为重要。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于深度学习的智能消防分级预警方法及系统,通过对消防安全事故的提前分级预警能够防止现目前在火灾发生后再报警而造成的损失。
本发明的目的是通过以下技术方案来实现的:一种基于深度学习的智能消防分级预警方法,所述的消防分级预警方法包括以下步骤:
多异地监测点预警数据采集步骤:通过数据采集节点实时采集各监测点的环境温度、烟感、火焰颜色和火焰辐射能量波长数据,并发送到AI超算处理平台;
多维数据分析步骤:AI超算处理平台将采集的各监测点数据导入到消防分级预警模型中,对模型进一步进行学习训练,并对环境温度、烟感、火焰温度和火焰辐射能量波长数据的变化趋势进行多维数据的计算和预测;
分级预警步骤:根据预警模型的数据分析结果进行分级预警提示;
分级授权步骤:将预警数据实时上传到上级部门,上级部门对下级部门进行监管授权。
在通过基于深度学习的智能消防分级预警方法进行消防分级预警之前还需要通过所述预警数据采集步骤采集各监测点的历史数据进行机器学习并建立消防分级预警模型。
所述建立消防分级预警模型的步骤如下:
构建环境温度、烟感、火焰温度和火焰辐射能量波长四个维度数据分别与分级预警阈值的初始关系模型;
导入环境温度、烟感、火焰温度和火焰辐射能量波长四个维度的历史数据到初始关系模型进行训练,并对比训练结果与预设结果之间的差异修正初始关系模型;
迭代上述步骤二,直到训练结果达到预设结果,则得到消防分级预警模型。
根据环境温度大小和火焰温度变化趋势进行分析包括以下内容:
在时间T1到T2时间段内随机选择多个时间点t1、t2、---、tg,得到对应时间点温度传感器采集的环境温度f11、f22、---、fng,和对应时间点红外热像仪采集的火灾处的火焰温度F11、F22、---、Fig;
对各时间点对应的环境温度数据和火灾处的火焰温度数据进行拟合,得到T1到T2时间段内环境温度的变化趋势函数和火灾处的火焰温度的变化趋势函数;
根据各自温度的变化趋势函数预测下一时间段内环境温度和火灾处的火焰温度的变化情况。
根据烟感浓度变化趋势进行分析包括以下内容:
在时间T1到T2时间段内随机选择多个时间点t1、t2、---、tg,得到对应时间点烟感传感器采集的环境烟感浓度C11、C22、---、Cng;
对各时间点对应的环境烟感浓度数据进行拟合,得到T1到T2时间段内环境烟感浓度的变化趋势函数;
根据烟感浓度的变化趋势函数预测下一时间段内环境烟感浓度的变化情况。
根据火焰辐射能量波长变化趋势进行分析包括以下内容:
在时间T1到T2时间段内随机选择多个时间点t1、t2、---、tg,得到对应时间点波长检测器采集的火焰辐射能量波长λ11、λ22、---、λng;
对各时间点采集的火焰辐射能量波长数据进行拟合,得到T1到T2时间段内火焰辐射能量波长的变化趋势函数;
根据火焰辐射能量波长的变化趋势函数预测下一时间段内火焰辐射能量波长的变化情况。
所述多维数据分析步骤还包括根据预测下一时间段内环境温度、烟感浓度、火焰温度和火焰辐射能量波长的变化情况分析出极限边界值;所述极限边界值包括环境温度的最大值、烟感浓度的最大值、火焰温度的最大值和火焰辐射能量波长的最小值。
所述分级预警步骤包括以下内容:
根据预测的下一时间段内环境温度的变化情况,判断下一时间段内环境温度的最大值与第一级预警环境温度阈值和第二级预警环境温度阈值之间的关系;
和/或根据预测的下一时间段内火灾处火焰温度的变化情况,判断下一时间段内火灾处火焰温度的最大值与第一级预警火焰温度阈值和第二级预警火焰温度阈值之间的关系;
和/或根据预测的下一时间段内烟感浓度的变化情况,判断下一时间段内烟感浓度的最大值与第一级预警烟感浓度阈值和第二级预警烟感浓度阈值之间的关系;
和/或根据预测的下一时间段火焰辐射能量波长的变化情况,判断下一时间段内火焰辐射能量波长的最小值与第一级预警波长阈值和第二级预警波长阈值之间的关系;
如果上述步骤中任意一种情况达到分级预警的预设条件,则进行相应等级的预警提示。
一种基于深度学习的智能消防分级预警方法的智能消防分级预警系统,其特征在于:包括用于实时采集各监测点数据的数据采集节点,用于接收所述数据采集节点采集的数据并进行分析以及结果判断的数据分析处理模块。
一种基于深度学习的智能消防分级预警方法的智能消防分级预警系统,其特征在于:所述数据采集节点包括用于采集各监测点环境温度数据的温度传感器,用于采集各监测点火灾处的火焰温度数据的红外热像仪、用于采集各监测点环境烟感浓度数据的烟感传感器和用于采集各监测点火焰辐射能量波长的波长检测器。
本发明的有益效果是:一种基于深度学习的智能消防分级预警方法及系统,通过对各异地监测点的环境温度以及容易发生火灾处环境温度、烟感浓度、火焰温度以及火焰辐射能量波长的变化趋势进行分析,预警下一时间段内的极限边界值是否会达到预先分级预警阈值条件,通过提前对可能发生火灾的环境温度、烟感浓度、火焰温度以及火焰辐射能量波长进行预警能够及时对火灾进行分级预警,让抢救人员有时间达到火灾现场,减小了火灾发生造成的损失。
附图说明
图1为本发明的方法流程图;
图2为数据分析步骤的流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。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。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
在本发明的描述中,需要说明的是,术语“上”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,或者是该发明产品使用时惯常摆放的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
在本发明的描述中,还需要说明的是,除非另有明确的规定和限定,术语“设置”、“安装”、“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在本发明中的具体含义。
下面结合附图进一步详细描述本发明的技术方案,但本发明的保护范围不局限于以下所述。
如图1所示,一种基于深度学习的智能消防分级预警方法,消防分级预警方法包括以下步骤:
S1、多异地监测点预警数据采集步骤:通过数据采集节点实时采集各监测点的环境温度、烟感、火焰颜色和火焰辐射能量波长数据,并发送到AI超算处理平台;
S2、多维数据分析步骤:AI超算处理平台将采集的各监测点数据导入到消防分级预警模型中,对模型进一步进行学习训练,并对环境温度、烟感、火焰温度和火焰辐射能量波长数据的变化趋势进行多维数据的计算和预测;
S3、分级预警步骤:根据预警模型的数据分析结果进行分级预警提示;
S4、分级授权步骤:将预警数据实时上传到上级部门,上级部门对下级部门进行监管授权。
进一步地,在通过基于深度学习的智能消防分级预警方法进行消防分级预警之前还需要通过所述预警数据采集步骤采集各监测点的历史数据进行机器学习并建立消防分级预警模型。
进一步地,所述建立消防分级预警模型的步骤如下:
S01、构建环境温度、烟感、火焰温度和火焰辐射能量波长四个维度数据分别与分级预警阈值的初始关系模型;
S02、导入环境温度、烟感、火焰温度和火焰辐射能量波长四个维度的历史数据到初始关系模型进行训练,并对比训练结果与预设结果之间的差异修正初始关系模型;
S03、迭代上述步骤二,直到训练结果达到预设结果,则得到消防分级预警模型。
进一步地,数据采集节点采集的数据包括通过温度传感器实时采集各监测点的环境温度,通过红外热像仪实时采集各监测点中容易发生火灾处的中心温度,通过烟感传感器实时采集各监测点的环境烟感浓度,以及通过波长检测器采集的火焰辐射能量波长大小。
进一步地,其中各监测点中容易发生火灾处包括但不限于配电室、电机房、有插座或者电路线路密集处(如电瓶车集中充电处)、电器电具设备与电路接线连接处以及任何可能产生明火或者发生电路短路的地方;并将这些容易发生火灾地方的各种材料的燃点数据提前导入到消防预警模型中,通过红外热像仪对这些容易发生火灾地方进行热成像,实时分析热成像图像中各种材料的温度变化情况以及火焰辐射能量波长变化情况。
进一步地,如图2所示,根据环境温度大小和火焰温度变化趋势进行分析包括以下内容:
A1、在时间T1到T2时间段内随机选择多个时间点t1、t2、---、tg,得到对应时间点温度传感器采集的环境温度f11、f22、---、fng,和对应时间点红外热像仪采集的火灾处的火焰温度F11、F22、---、Fig;
A2、对各时间点对应的环境温度数据和火灾处的火焰温度数据进行拟合,得到T1到T2时间段内环境温度的变化趋势函数和火灾处的火焰温度的变化趋势函数;
A3、根据各自温度的变化趋势函数预测下一时间段内环境温度和火灾处的火焰温度的变化情况。
进一步地,根据烟感浓度变化趋势进行分析包括以下内容:
B1、在时间T1到T2时间段内随机选择多个时间点t1、t2、---、tg,得到对应时间点烟感传感器采集的环境烟感浓度C11、C22、---、Cng;
B2、对各时间点对应的环境烟感浓度数据进行拟合,得到T1到T2时间段内环境烟感浓度的变化趋势函数;
B3、根据烟感浓度的变化趋势函数预测下一时间段内环境烟感浓度的变化情况。
进一步地,根据火焰辐射能量波长变化趋势进行分析包括以下内容:
C1、在时间T1到T2时间段内随机选择多个时间点t1、t2、---、tg,得到对应时间点波长检测器采集的火焰辐射能量波长λ11、λ22、---、λng;
C2、对各时间点采集的火焰辐射能量波长数据进行拟合,得到T1到T2时间段内火焰辐射能量波长的变化趋势函数;
C3、根据火焰辐射能量波长的变化趋势函数预测下一时间段内火焰辐射能量波长的变化情况。
其中g表示T1到T2时间段内选择的时间点的数量,其取值为大于2的正整数;n表示监测点中环境温度或者环境烟感浓度监测的数量,其取值为大于2的正整数;i表示监测点中火灾处的火焰温度监测的数量,其取值为大于2的正整数。
进一步地,所述多维数据分析步骤还包括根据预测下一时间段内环境温度、烟感浓度、火焰温度和火焰辐射能量波长的变化情况分析出极限边界值;所述极限边界值包括环境温度的最大值、烟感浓度的最大值、火焰温度的最大值和火焰辐射能量波长的最小值。
进一步地,所述分级预警步骤包括以下内容:
S31、根据预测的下一时间段内环境温度的变化情况,判断下一时间段内环境温度的最大值与第一级预警环境温度阈值和第二级预警环境温度阈值之间的关系;
S32、和/或根据预测的下一时间段内火灾处火焰温度的变化情况,判断下一时间段内火灾处火焰温度的最大值与第一级预警火焰温度阈值和第二级预警火焰温度阈值之间的关系;
S33、和/或根据预测的下一时间段内烟感浓度的变化情况,判断下一时间段内烟感浓度的最大值与第一级预警烟感浓度阈值和第二级预警烟感浓度阈值之间的关系;
S34、和/或根据预测的下一时间段火焰辐射能量波长的变化情况,判断下一时间段内火焰辐射能量波长的最小值与第一级预警波长阈值和第二级预警波长阈值之间的关系;
S35、如果上述步骤中任意一种情况达到分级预警的预设条件,则进行相应等级的预警提示。
进一步地,各监测点中根据监测点环境的不同,其预设的火灾分级预警温度和火灾分级预警烟感浓度也会不同;相对封闭的环境如配电室和电机房等其预设的火灾预警环境温度比相对通风的环境如过道或者较大空间的预设火灾预警环境温度高。
各个监测点中各容易发生火灾处的预设的火灾预警温度根据各种材料的不同而设置不同;如封闭环境的火灾第一级预警预设环境温度可以设置为48℃~55℃,优选为50℃;第二级预警预设环境温度可以设置为65℃~75℃,优选为70℃。
通风环境的火灾第一级预警预设环境温度可以设置为42℃~50℃,优选地为45℃;第二级预警预设环境温度可以设置为60℃~70℃,优选为65℃。
各监测点火灾处火焰温度的第一级预警阈值设置为600℃~800℃,优选为700℃;第二级预警阈值设置为700℃~900℃,优选为800℃。
各监测点火灾处火焰辐射能量波长的第一级预警阈值设置为220nm~280nm,优选为240nm;第二级预警阈值设置为150nm~220nm,优选为170nm。因为火灾发生时火焰温度越高,其辐射能量的波长就越短通过预测其辐射能量的波长变化情况就能准确预测出火灾的发生情况。
各监测点中环境烟感浓度的火灾第一级预警预设浓度可以根据环境的通风情况设置在1%obs/m~3%obs/m之间,第二级预警预设浓度可以根据环境的通风情况设置在4%obs/m~6%obs/m之间,较一般的烟感浓度预警设置范围直接在5%obs/m~15%obs/m之间更能起到提前预警的作用;而且烟感浓度为1%obs/m就能被监测到,能够为后续事故处理争取更多的时间,而烟感浓度为5%obs/m表明消防安全事故可能已经发生了。
例如,在14:30-15:00时间段内每间隔5分钟选择一个时间点,选择14:35、14:40、14:45、14:50和14:55一共5个时间点,得到某一监测点环境温度该时间段内每个时间点对于的环境温度分别为30℃、31℃、33℃、35℃和37℃;通过对该监测点环境温度变化趋势的分析,预警该点的环境温度在10-15分钟左右后将达到预设的火灾预警环境温度最低阈值42℃,即可提前发出预警让相关人员到场查看以确定警情情况火灾直接向消防报警。
或者得到某一监测点中容易发生火灾处(如配电房)的中心温度分别为35℃、37℃、39℃、42℃和45℃;通过对该配电房的中心温度变化趋势进行分析,预警该配电房的中心温度将在5分钟左右达到预设的人火灾处的火焰温度的第一预警阈值,即可提前发出预警让相关人员到场查看以确定警情情况火灾直接向消防报警。
或者得到某一监测点环境烟感浓度该时间段内每个时间点对应的环境浓度分别为0.3%obs/m、0.5%obs/m、0.7%obs/m、0.9%obs/m和1.1%obs/m,通过对该监测点环境烟感浓度变化趋势的分析,预警该点的环境烟感浓度将在5-10分钟左右后达到火灾预警预设环境烟感浓度的第一预警阈值范围,即可提前发出预警让相关人员到场查看以确定警情情况火灾直接向消防报警。
一种基于深度学习的智能消防分级预警方法的智能消防分级预警系统,包括用于实时采集各监测点数据的数据采集节点,用于接收所述数据采集节点采集的数据并进行分析以及结果判断的数据分析处理模块。
数据采集节点包括用于采集各监测点环境温度数据的温度传感器,用于采集各监测点火灾处的火焰温度数据的红外热像仪,用于采集各监测点环境烟感浓度数据的烟感传感器用于采集各监测点火焰辐射能量波长的波长检测器。
进一步地,数据分析处理模块中嵌入有消防预警模型以实现对消防安全事故的预警分析。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种基于深度学习的智能消防分级预警方法,其特征在于:所述的消防分级预警方法包括以下步骤:
多异地监测点预警数据采集步骤:通过数据采集节点实时采集各监测点的环境温度、烟感、火焰颜色和火焰辐射能量波长数据,并发送到AI超算处理平台;
多维数据分析步骤:AI超算处理平台将采集的各监测点数据导入到消防分级预警模型中,对模型进一步进行学习训练,并对环境温度、烟感、火焰温度和火焰辐射能量波长数据的变化趋势进行多维数据的计算和预测;
分级预警步骤:根据预警模型的数据分析结果进行分级预警提示;
分级授权步骤:将预警数据实时上传到上级部门,上级部门对下级部门进行监管授权。
2.根据权利要求1所述的一种基于深度学习的智能消防分级预警方法,其特征在于:在通过基于深度学习的智能消防分级预警方法进行消防分级预警之前还需要通过所述预警数据采集步骤采集各监测点的历史数据进行机器学习并建立消防分级预警模型。
3.根据权利要求2所述的一种基于深度学习的智能消防分级预警方法,其特征在于:所述建立消防分级预警模型的步骤如下:
构建环境温度、烟感、火焰温度和火焰辐射能量波长四个维度数据分别与分级预警阈值的初始关系模型;
导入环境温度、烟感、火焰温度和火焰辐射能量波长四个维度的历史数据到初始关系模型进行训练,并对比训练结果与预设结果之间的差异修正初始关系模型;
迭代上述步骤二,直到训练结果达到预设结果,则得到消防分级预警模型。
4.根据权利要求1所述的一种基于深度学习的智能消防分级预警方法,其特征在于:根据环境温度大小和火焰温度变化趋势进行分析包括以下内容:
在时间T1到T2时间段内随机选择多个时间点t1、t2、---、tg,得到对应时间点温度传感器采集的环境温度f11、f22、---、fng,和对应时间点红外热像仪采集的火灾处的火焰温度F11、F22、---、Fig;
对各时间点对应的环境温度数据和火灾处的火焰温度数据进行拟合,得到T1到T2时间段内环境温度的变化趋势函数和火灾处的火焰温度的变化趋势函数;
根据各自温度的变化趋势函数预测下一时间段内环境温度和火灾处的火焰温度的变化情况。
5.根据权利要求4所述的一种基于深度学习的智能消防分级预警方法,其特征在于:根据烟感浓度变化趋势进行分析包括以下内容:
在时间T1到T2时间段内随机选择多个时间点t1、t2、---、tg,得到对应时间点烟感传感器采集的环境烟感浓度C11、C22、---、Cng;
对各时间点对应的环境烟感浓度数据进行拟合,得到T1到T2时间段内环境烟感浓度的变化趋势函数;
根据烟感浓度的变化趋势函数预测下一时间段内环境烟感浓度的变化情况。
6.根据权利要求5所述的一种基于深度学习的智能消防分级预警方法,其特征在于:根据火焰辐射能量波长变化趋势进行分析包括以下内容:
在时间T1到T2时间段内随机选择多个时间点t1、t2、---、tg,得到对应时间点波长检测器采集的火焰辐射能量波长λ11、λ22、---、λng;
对各时间点采集的火焰辐射能量波长数据进行拟合,得到T1到T2时间段内火焰辐射能量波长的变化趋势函数;
根据火焰辐射能量波长的变化趋势函数预测下一时间段内火焰辐射能量波长的变化情况。
7.根据权利要求6所述的一种基于深度学习的智能消防分级预警方法,其特征在于:所述多维数据分析步骤还包括根据预测下一时间段内环境温度、烟感浓度、火焰温度和火焰辐射能量波长的变化情况分析出极限边界值;所述极限边界值包括环境温度的最大值、烟感浓度的最大值、火焰温度的最大值和火焰辐射能量波长的最小值。
8.根据权利要求7所述的一种基于深度学习的智能消防分级预警方法,其特征在于:所述分级预警步骤包括以下内容:
根据预测的下一时间段内环境温度的变化情况,判断下一时间段内环境温度的最大值与第一级预警环境温度阈值和第二级预警环境温度阈值之间的关系;
和/或根据预测的下一时间段内火灾处火焰温度的变化情况,判断下一时间段内火灾处火焰温度的最大值与第一级预警火焰温度阈值和第二级预警火焰温度阈值之间的关系;
和/或根据预测的下一时间段内烟感浓度的变化情况,判断下一时间段内烟感浓度的最大值与第一级预警烟感浓度阈值和第二级预警烟感浓度阈值之间的关系;
和/或根据预测的下一时间段火焰辐射能量波长的变化情况,判断下一时间段内火焰辐射能量波长的最小值与第一级预警波长阈值和第二级预警波长阈值之间的关系;
如果上述步骤中任意一种情况达到分级预警的预设条件,则进行相应等级的预警提示。
9.根据权利要求1-8任意一项所述的一种基于深度学习的智能消防分级预警方法的智能消防分级预警系统,其特征在于:包括用于实时采集各监测点数据的数据采集节点,用于接收所述数据采集节点采集的数据并进行分析以及结果判断的数据分析处理模块。
10.根据权利要求9所述的一种基于深度学习的智能消防分级预警方法的智能消防分级预警系统,其特征在于:所述数据采集节点包括用于采集各监测点环境温度数据的温度传感器,用于采集各监测点火灾处的火焰温度数据的红外热像仪、用于采集各监测点环境烟感浓度数据的烟感传感器和用于采集各监测点火焰辐射能量波长的波长检测器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910393852.4A CN110070690B (zh) | 2019-05-13 | 2019-05-13 | 一种基于深度学习的智能消防分级预警方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910393852.4A CN110070690B (zh) | 2019-05-13 | 2019-05-13 | 一种基于深度学习的智能消防分级预警方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110070690A true CN110070690A (zh) | 2019-07-30 |
CN110070690B CN110070690B (zh) | 2021-11-23 |
Family
ID=67370615
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910393852.4A Active CN110070690B (zh) | 2019-05-13 | 2019-05-13 | 一种基于深度学习的智能消防分级预警方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110070690B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110595535A (zh) * | 2019-08-19 | 2019-12-20 | 湖南强智科技发展有限公司 | 监测方法、装置和存储介质 |
CN111681385A (zh) * | 2020-05-12 | 2020-09-18 | 上海荷福人工智能科技(集团)有限公司 | 一种基于人工智能的消防分级预警算法及火灾探测系统 |
CN112418517A (zh) * | 2020-11-20 | 2021-02-26 | 杭州电子科技大学 | 一种用于冻害短临预警的预测方法 |
CN112634567A (zh) * | 2020-12-17 | 2021-04-09 | 深圳市金安宏安全技术咨询有限公司 | 一种火灾报警的方法及装置 |
CN115131938A (zh) * | 2022-08-26 | 2022-09-30 | 山东理工职业学院 | 基于红外监控的人防火情警报方法、装置以及电子设备 |
CN115809799A (zh) * | 2022-07-05 | 2023-03-17 | 中南民族大学 | 基于事件驱动的文物建筑消防安全分级预警方法和系统 |
CN116757509A (zh) * | 2023-08-18 | 2023-09-15 | 长春市辰奇农业科技有限公司 | 一种生态农业信息化用信息服务管理方法及管理系统 |
CN116884167A (zh) * | 2023-09-08 | 2023-10-13 | 山东舒尔智能工程有限公司 | 智能消防视频监测与报警联动控制系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101251942A (zh) * | 2008-03-14 | 2008-08-27 | 华南理工大学 | 地下空间火灾智能检测预警预报方法及装置 |
CN103824130A (zh) * | 2014-02-27 | 2014-05-28 | 武汉理工大学 | 一种基于svm的粮情预测预警方法及系统 |
CN107230329A (zh) * | 2017-06-15 | 2017-10-03 | 深圳市泰和安科技有限公司 | 一种火灾探测器的标定方法、装置及设备 |
JP2018101416A (ja) * | 2016-12-21 | 2018-06-28 | ホーチキ株式会社 | 火災監視システム |
CN108295407A (zh) * | 2017-12-21 | 2018-07-20 | 山东康威通信技术股份有限公司 | 机器人电缆管廊现场火灾预警及灭火方法、装置、系统 |
CN108648124A (zh) * | 2018-04-03 | 2018-10-12 | 成都恒华光讯科技有限公司 | 一种智慧城市消防物联网大数据管理系统 |
-
2019
- 2019-05-13 CN CN201910393852.4A patent/CN110070690B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101251942A (zh) * | 2008-03-14 | 2008-08-27 | 华南理工大学 | 地下空间火灾智能检测预警预报方法及装置 |
CN103824130A (zh) * | 2014-02-27 | 2014-05-28 | 武汉理工大学 | 一种基于svm的粮情预测预警方法及系统 |
JP2018101416A (ja) * | 2016-12-21 | 2018-06-28 | ホーチキ株式会社 | 火災監視システム |
CN107230329A (zh) * | 2017-06-15 | 2017-10-03 | 深圳市泰和安科技有限公司 | 一种火灾探测器的标定方法、装置及设备 |
CN108295407A (zh) * | 2017-12-21 | 2018-07-20 | 山东康威通信技术股份有限公司 | 机器人电缆管廊现场火灾预警及灭火方法、装置、系统 |
CN108648124A (zh) * | 2018-04-03 | 2018-10-12 | 成都恒华光讯科技有限公司 | 一种智慧城市消防物联网大数据管理系统 |
Non-Patent Citations (2)
Title |
---|
夏文智: "基于模糊神经网络的智能火灾报警系统", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
孙毅辉: "无线传感网络中火灾监测系统的研究与实现", 《中国优秀硕士学位论文全文数据库 工程科技辑》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110595535A (zh) * | 2019-08-19 | 2019-12-20 | 湖南强智科技发展有限公司 | 监测方法、装置和存储介质 |
CN111681385A (zh) * | 2020-05-12 | 2020-09-18 | 上海荷福人工智能科技(集团)有限公司 | 一种基于人工智能的消防分级预警算法及火灾探测系统 |
CN112418517A (zh) * | 2020-11-20 | 2021-02-26 | 杭州电子科技大学 | 一种用于冻害短临预警的预测方法 |
CN112418517B (zh) * | 2020-11-20 | 2023-09-26 | 杭州电子科技大学 | 一种用于冻害短临预警的预测方法 |
CN112634567A (zh) * | 2020-12-17 | 2021-04-09 | 深圳市金安宏安全技术咨询有限公司 | 一种火灾报警的方法及装置 |
CN112634567B (zh) * | 2020-12-17 | 2024-01-30 | 深圳市金安宏安全技术咨询有限公司 | 一种火灾报警的方法及装置 |
CN115809799A (zh) * | 2022-07-05 | 2023-03-17 | 中南民族大学 | 基于事件驱动的文物建筑消防安全分级预警方法和系统 |
CN115131938A (zh) * | 2022-08-26 | 2022-09-30 | 山东理工职业学院 | 基于红外监控的人防火情警报方法、装置以及电子设备 |
CN116757509A (zh) * | 2023-08-18 | 2023-09-15 | 长春市辰奇农业科技有限公司 | 一种生态农业信息化用信息服务管理方法及管理系统 |
CN116757509B (zh) * | 2023-08-18 | 2023-10-27 | 长春市辰奇农业科技有限公司 | 一种生态农业信息化用信息服务管理方法及管理系统 |
CN116884167A (zh) * | 2023-09-08 | 2023-10-13 | 山东舒尔智能工程有限公司 | 智能消防视频监测与报警联动控制系统 |
CN116884167B (zh) * | 2023-09-08 | 2023-12-05 | 山东舒尔智能工程有限公司 | 智能消防视频监测与报警联动控制系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110070690B (zh) | 2021-11-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110070690A (zh) | 一种基于深度学习的智能消防分级预警方法及系统 | |
CN109785572A (zh) | 一种基于神经网络的消防预警方法及系统 | |
CN206712551U (zh) | 基于物联网和智能巡检机器人的配电网综合监控系统 | |
CN112491982A (zh) | 基于云边协同输电线路精细化感知方法 | |
US20170171692A1 (en) | Sensor node, controller node, sensor network system, and operation method thereof | |
CN108028004A (zh) | 火焰检测器和测试方法 | |
CN107991999A (zh) | 电力电缆隧道综合监控系统和方法 | |
CN110027960B (zh) | 一种基于热成像技术的智能梯控报警系统及报警方法 | |
CN106017542A (zh) | 一种电力线路监测系统 | |
CN116246407A (zh) | 一种基于人工智能的农林区域火灾预警监管系统 | |
CN112464813A (zh) | 山火的监测方法及装置 | |
CN104850047A (zh) | 电力设备安全监控系统 | |
KR102036856B1 (ko) | 시설물 통합 관리 장치 및 방법 | |
CN107947362A (zh) | 电气化铁路牵引供电智能辅助系统 | |
CN109544859A (zh) | 一种主动安全家用摄像头智能实现方法 | |
CN109799857A (zh) | 智能仓库管理系统 | |
CN117319451B (zh) | 基于多模态大数据的城市级消防物联网监管系统及其方法 | |
CN110012442A (zh) | 一种具有实时监控功能的信息化建设现场管理系统 | |
CN113990018B (zh) | 一种安全风险预测系统 | |
CN111354169A (zh) | 一种基于物联网的建筑物安全的监控方法 | |
CN111753780A (zh) | 变电站违章检测系统及违章检测方法 | |
CN106052745B (zh) | 一种电力线路监测方法 | |
CN117414558B (zh) | 一种基于物联网的消防器材质量监测系统 | |
CN108310700A (zh) | 一种基于图像火灾探测器的变电站电缆层灭火系统 | |
CN111653064A (zh) | 高空安装物的安全预警系统和方法 |
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 |