CN111275916B - 一种区域火灾报警模型的构建方法及系统 - Google Patents
一种区域火灾报警模型的构建方法及系统 Download PDFInfo
- Publication number
- CN111275916B CN111275916B CN202010093290.4A CN202010093290A CN111275916B CN 111275916 B CN111275916 B CN 111275916B CN 202010093290 A CN202010093290 A CN 202010093290A CN 111275916 B CN111275916 B CN 111275916B
- Authority
- CN
- China
- Prior art keywords
- fire
- building structure
- alarm
- fire alarm
- sensor
- 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
Links
Images
Classifications
-
- 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
Abstract
本发明提供本一种区域火灾报警模型的构建方法及系统，其特征在于：包括以下步骤：S01.搭建全尺寸试验平台得到建筑结构微元；在建筑结构微元内布设各个试验设备；S02.在其中一个建筑结构微元中点燃火源后，获取首个报警传感器信号及其附近传感器的信号，并将信号归入火灾报警模拟信号数据库；并赋予相应的真、假火警标签；S03.对数据进行处理，得到样本数据；S04.对所述样本数据进行归一化处理，得到学习样本；S05.模型训练。本发明提供的方法，利用搭建的试验平台，可以进行多传感器区域型火灾探测数据的收集，为多传感器区域型火灾报警模型提供了训练基础，由于获取的数据可覆盖各种建筑结构微元，从而使得到的目标模型在实际应用中，误报率低。
Description
技术领域
本发明涉及火灾探测技术领域，具体来说是一种区域火灾报警模型的构建方法及系统。
背景技术
消防体制的改革促使智慧消防建设进入新阶段，更快速的由“监管”驱动全面转向“监管+服务”双核驱动。在此背景下，第三方服务型大型消防云平台作为智慧消防的载体与重要组成部分，其建设成为可能与发展趋势。
新形势下，大型消防安全云平台的出现在对消防行业服务模式、产业链结构产生较大影响的同时，其天然具备的大数据、大算力优势也必然对现有的消防技术产生冲击。如何更好的进行消防安全云技术体系架构设计，使其更好的服务于社会消防安全的发展，成为我们思考的主题。
目前消防安全云存在的问题是误报率高，对于城市消防远程监控系统来说，在接入巨量火灾报警信号时，其误报信号将带来巨大的挑战，包括误报信号对远程报警功能的冲击。
究其原因，误报情况的发生主要是因为探测器之间相互独立，在干扰因素的影响下，如灰尘、水雾、香烟烟雾、厨房油烟都有可能引发探测器报警，导致误报。
多传感器的信号关联处理可以降低误报情况，以及针对不同建筑结构微元采用不同的判断标准，可以进一步的降低误报情况。然而，目前用于训练火灾报警模型的数据库有限，如何在短时间内收集在不同建筑结构下、不同传感器、不同干扰因素等情况的火情数据用于训练模型，是降低误报的重要环节。
发明内容
本发明所要解决的技术问题在于如何获得一种满足降低火警误报率的火灾报警模型训练的数据库。
本发明通过以下技术手段实现解决上述技术问题的：
一种区域火灾报警模型的构建方法，包括以下步骤：
S01.试验平台搭建
搭建全尺寸试验平台，试验平台被分隔成不同结构的建筑结构微元；在建筑结构微元内布设燃烧产生装置、干扰源产生装置、火灾自动报警系统；
S02.数据库建立
依次在每个建筑结构微元中点燃火源进行火灾试验，获取建筑结构微元的首个报警传感器信号及其附近传感器的信号，并将信号归入火灾报警模拟信号数据库；
依次在每个建筑结构微元中制造干扰源进行火灾试验，获取建筑结构微元的首个报警传感器信号及其附近传感器的信号，并将信号归入火灾报警模拟信号数据库；
根据实际情况对归入数据库的报警信号赋予相应的真、假火警标签；
S03.样本数据的处理
针对各个建筑结构微元，对数据库内相对应的信号进行相关性分析，获得数据相关性特征，再通过特征选择算法进行特征选择，得到样本数据；
S04.归一化处理
对所述样本数据进行归一化处理，得到学习样本；
S05.模型训练
将学习样本送入概率神经网络，对基于概率神经网络的多传感器区域型火灾探测模型进行训练，得到目标模型。
优选的，所述步骤S01中的火警自动报警系统包括模拟量探测器和/或开关量探测器。
优选的，所述步骤S01中，在每个建筑结构微元内还布设有通风装置；在步骤S02中的火灾模拟试验时，收集在不同通风状态下的信号。
优选的，所述步骤S01中，在每个建筑结构微元内还布设有喷淋装置；在步骤S02中的火灾模拟试验时，收集在不同喷淋状态下的信号。
优选的，所述步骤S01中，在每个建筑结构微元内还布设有实验测量系统；所述试验测量系统所采集的数据存入数据库；所述实验测量系统包括但不限于热电偶、热流计、烟气分析仪、监控相机或视频监控设备。
优选的，所述步骤S01中的试验平台包括主体框架结构、横向承重板、纵向分隔板、楼梯结构可拆卸组装而成；其中，所述主体框架结构为立方体框架结构，横向承重板将主体框架结构分隔成多层，纵向分隔板将每层分隔成多个腔室，楼梯结构连通上下层。
优选的，在每个腔室按照设定要求布设所述火警自动报警系统。
本发明还提供一种区域火灾报警模型的构建系统，以实现模拟各种环境收集数据，包括
试验平台，搭建全尺寸试验平台，试验平台被分隔成不同结构的建筑结构微元；在建筑结构微元内布设燃烧产生装置、干扰源产生装置、火灾自动报警系统；
数据库建立模块，在其中一个建筑结构微元中点燃火源后，获取首个报警传感器信号及其附近传感器的信号，并将信号归入火灾报警模拟信号数据库；
按照上述方法，依次对所有建筑结构微元进行火灾试验，并将相应信号归入火灾报警模拟信号数据库；
在其中一个建筑结构微元中制造干扰源后，获取首个报警传感器信号及其附近传感器的信号，并将信号归入火灾报警模拟信号数据库；
按照上述方法，依次对所有建筑结构微元进行火灾试验，并将相应信号归入火灾报警模拟信号数据库；
根据实际情况对归入数据库的报警信号赋予相应的真、假火警标签；
样本数据的处理模块，针对各个建筑结构微元，对数据库内相对应的信号进行相关性分析，获得数据相关性特征，再通过特征选择算法进行特征选择，得到样本数据；
归一化处理模块，对所述样本数据进行归一化处理，得到学习样本；
模型训练模块，将学习样本送入概率神经网络，对基于概率神经网络的多传感器区域型火灾探测模型进行训练，得到目标模型。
优选的，所述火警自动报警系统包括模拟量探测器和/或开关量探测器。
优选的，在每个建筑结构微元内还布设有通风装置；在火灾模拟试验时，收集在不同通风状态下的信号；以及在每个建筑结构微元内还布设有喷淋装置；在火灾模拟试验时，收集在不同喷淋状态下的信号。
本发明的优点在于：
本发明提供的方法，利用搭建的试验平台，可以进行多传感器区域型火灾探测数据的收集，为多传感器区域型火灾报警模型提供了训练基础，由于获取的数据可覆盖各种建筑结构微元，从而使得到的目标模型在实际应用中，误报率低，间接的节约了人力物力。
采用可拆卸的方式搭建试验平台，可重复利用，组合不同结构的腔室，以满足不同环境下的火情数据收集。
附图说明
图1为本发明实施例2中试验平台的整体结构及局部细节结构示意图；
图2为本发明实施例2中试验平台的承重梁、围梁、系梁之间的结构关系示意图；
图3为本发明实施例2中试验平台的楼梯井及楼梯的结构示意图。
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，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。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。
实施例1
本实施例提供一种区域火灾报警模型的构建方法，包括以下步骤：
S01.试验平台搭建
搭建全尺寸试验平台，试验平台被分隔成不同结构的建筑结构微元，模拟建筑内的房间、走廊、楼梯间、电梯井等腔体，满足多腔体模拟需求；在建筑结构微元内布设燃烧产生装置、干扰源产生装置、火灾自动报警系统、试验测量系统、通风装置、喷淋装置。
燃烧产生装置一般布设在腔体中央位置。
干扰源产生装置一般为灰尘干扰，如空气中的粉尘，水雾干扰，如烧水时产生的蒸汽，香烟烟雾干扰，如吸烟时产生的烟雾，厨房油烟干扰，如烹饪产生的油烟等等。
火灾自动报警系统包括开关量探测器和模拟量探测器以及控制器、报警器等。探测器可以为感烟火灾探测器、感温火灾探测器、感光火灾探测器、气体火灾探测器等等。
实验测量系统包括但不限于热电偶、热流计、烟气分析仪、监控相机或视频监控设备。热电偶用于测量测量点的温度变化，热流计用于测量测量点的热流量变化，尤其是受到的辐射热流量，烟气分析仪用于测量测量点的一氧化碳、二氧化碳等气体含量变化，监控相机或视频监控设备用于实验过程中的火源/干扰源发展情况以及烟雾蔓延情况。所有数据用于辅助火情判断。
建筑结构微元的腔壁上可以采用耐高温透明材料留出观察窗，便于贯穿火情发展与报警情况的对应性。
通风装置可以为窗户、风机等。喷淋装置为在结构顶板上布设的喷头。
火灾自动报警系统、喷淋装置均按照或优于国家标准或规范布设在建筑结构微元内。比如：一般感烟火灾探测器保护距离最大为7m，那么按照国标要求布置间距最大不能超过7m，假设我们布设成间隔为3m，也是符合国标要求的，而且是优于国标。
S02.数据库建立
在其中一个建筑结构微元中点燃火源后，获取首个报警传感器信号及其附近传感器的信号，并将信号归入火灾报警模拟信号数据库；
按照上述方法，依次对所有建筑结构微元进行火灾试验，并将相应信号归入火灾报警模拟信号数据库；
在其中一个建筑结构微元中制造干扰源后，获取首个报警传感器信号及其附近传感器的信号，并将信号归入火灾报警模拟信号数据库；
按照上述方法，依次对所有建筑结构微元进行火灾试验，并将相应信号归入火灾报警模拟信号数据库；
通过不断改变实验平台结构及其他通风、喷淋等实验边界条件，可以获取更多的真实火源和干扰源火灾报警模拟信号，同时丰富火灾报警模拟信号数据库
根据实际情况对归入数据库的报警信号赋予相应的真、假火警标签；
上述的附近传感器包括相邻腔室内的传感器。
S03.样本数据的处理
样本选择标准
针对各个建筑结构微元，对数据库内相对应的信号进行相关性分析，获得数据相关性特征，即特征1，特征2，…，特征k；
通过特征选择算法，对以上特征进行筛选，并不断重复特征选择算法，比如可以统计某个特征被认为是重要特征的频率(被选为重要特征的次数除以它所在的子集被测试的次数)。理想情况下，重要特征的得分会接近100％。稍微弱一点的特征得分会是非0的数，而最无用的特征得分将会接近于0。最终，汇总特征选择结果，得到模型的m个输入样本数据；
S04.归一化处理
对所述样本数据进行归一化处理，得到学习样本，为后续利用概率神经网络算法进行火灾概率判断做准备。
S05.模型训练
将学习样本送入概率神经网络，对基于概率神经网络的多传感器区域型火灾探测模型进行训练，得到目标模型。
将归一化后的学习样本送入概率神经网络的隐含层，对基于概率神经网络的多传感器区域型火灾探测模型进行训练。并最终得到训练优化后的多传感器区域型火灾探测模型。
通过不断改变实验平台结构及其他通风、喷淋等实验边界条件，可以获取更多的真实火源和干扰源火灾报警模拟信号，同时丰富火灾报警模拟信号数据库；随着数据库的增大，可以不断对多传感器区域型火灾探测模型进行调整，保持模型能够具备“成长”特性，不断提升模型对于火灾真假警判断的准确度。得到学习样本；
本实施例通过搭建全尺寸试验平台，综合考虑不同建筑结构微元对火灾烟气的蔓延特性的影响，以及多传感器特性关联对于报警精度的影响，收集在不同通风状态、不同干扰因素、不同喷淋状态等情况下的报警数据，用于火灾报警模型的训练，以提高实际应用时的报警准确率。
实施例2
信号相关性
如图1、图2所示，一种多腔室区域火灾试验平台，包括主体框架结构、横向承重板、纵向分隔板、楼梯可拆卸组装而成；其中，所述主体框架结构为立方体框架结构，横向承重板将主体框架结构分隔成多层，纵向分隔板将每层分隔成多个腔室，楼梯连通上下层；以形成竖向连通结构、横向连通结构、腔室-竖向连通结构、腔室-横向连通结构、多腔室结构、大空间结构等，满足不同试验需求。
腔室内部设施布设原则是：根据工况情况，在当前待试验腔室的底板中央位置布设燃烧试验台，在当前待试验腔室的顶板布设火警自动报警系统、喷淋装置、通风装置。如果烟气存在进入相邻腔室的可能，则在相邻腔室的顶板布设火警自动报警系统、喷淋装置、通风装置，以便于获取相邻腔室内的传感信号。
本实施例中的燃烧试验台为可移动火源，即将火源放置在小车上，推入待实验腔室内。火源包括国家标准规定的各类标准火、电池热失控着火等类型。实验时，将火源放入待试验腔室内，点燃即可。
本实施例中还可以采用干扰源进行试验，如灰尘、水壶的蒸汽、香烟烟雾、厨房油烟等，以便于收集不同假警数据。
本实施例中，主体框架结构包括立方体钢框架1、承重梁2、承重柱3；立方体钢框架1周向可拆卸的布设有多道围梁4，将立方体钢框架1分隔成多层；承重梁2、承重柱3、围梁4均采用型钢制作，满足强度要求。承重梁2两端分别与围梁4可拆卸固定；承重柱3可拆卸的连接上下承重梁2。一般的，围梁4、承重梁2、承重柱3之间通过卡码连接。当然，也可以通过卡槽、焊接等方式固定。
本实施例中，横向承重板为石膏板或钢结构板，纵向分隔板为石膏板或彩钢板；横向承重板搭设在围梁4和承重梁2上；在围梁4和承重柱3上设置有卡槽，纵向分隔板卡接在卡槽内。根据实际情况，对于无承重需求的位置，横向承重板可采用石膏板等经济型材料，对于有承重需求的位置，采用钢结构板。纵向分隔板一般无承重需求，可采用石膏板和彩钢板等耐高温板材，即经济，又轻便，且便于安装拆卸。
本实施例中，喷淋装置包括水管，水管上安装有喷头。水管沿腔室顶板走穿过纵向分隔板与水源连接。通风装置包括通风口、风道和烟气净化器；烟气净化器设置在试验平台外，对烟气净化后再外排。风道沿腔室顶板固定，穿过纵向分隔板与烟气净化器的进烟孔固定。水管和风道均通过挂钩5固定在顶板上。挂钩5可以为承重梁2上焊接的挂钩5，也可以是在承重梁2下方焊接有螺母，挂钩5与螺母螺合固定。如果两承重梁2间距太大，无法满足管道固定，可通过在两承重梁2之间连接一系梁212，在系梁21上布设多个挂钩5，供管道固定，以满足强度需求。
为了便于观察腔室内的试验情况，每个腔室的至少一侧纵向分隔板上开设有观察窗口，观察窗口内固定有耐高温玻璃，该固定方式为常规技术，不再详细描述。
如图3所示，腔室包括楼梯井6；楼梯7是可拆卸的固定在楼梯井6内的，便于在无楼梯7(竖井)和有楼梯7两种状态下进行试验。楼梯7为采用彩钢板或薄钢板做出的楼梯7形状。楼梯7与楼梯井6的具体安装结构为：楼梯井6内，同一层的一侧井壁底端固定有下支板61，相对侧的井壁顶端固定有上支板62，楼梯7的上下端分别搭在上支板62和下支板61上。为了便于安装，本实施例中的上支板62、下支板61均采用铰接的方式固定，向上翻起与井壁贴合收纳，向下打开呈水平状，与楼梯7上下端台阶搭接。
本实施例提供的试验平台，采用可拆卸式组件搭建全尺寸试验平台，可模拟不同形状的建、构筑物，组件重复利用，降低研究成本。承重梁2、承重柱3、围梁4和主体框架之间采用卡码固定，拆装方便，施工时间短。
实施例3
本实施例提供一种区域火灾报警模型的构建系统，包括
试验平台，搭建全尺寸试验平台，试验平台被分隔成不同结构的建筑结构微元，模拟建筑内的房间、走廊、楼梯间、电梯井等腔体，满足多腔体模拟需求；在建筑结构微元内布设燃烧产生装置、干扰源产生装置、火灾自动报警系统、试验测量系统、通风装置、喷淋装置。
燃烧产生装置一般布设在腔体中央位置。
干扰源产生装置一般为灰尘干扰，如空气中的粉尘，水雾干扰，如烧水时产生的蒸汽，香烟烟雾干扰，如吸烟时产生的烟雾，厨房油烟干扰，如烹饪产生的油烟等等。
火灾自动报警系统包括开关量探测器和模拟量探测器以及控制器、报警器等。探测器可以为感烟火灾探测器、感温火灾探测器、感光火灾探测器、气体火灾探测器等等。
实验测量系统包括但不限于热电偶、热流计、烟气分析仪、监控相机或视频监控设备。热电偶用于测量测量点的温度变化，热流计用于测量测量点的热流量变化，尤其是受到的辐射热流量，烟气分析仪用于测量测量点的一氧化碳、二氧化碳等气体含量变化，监控相机或视频监控设备用于实验过程中的火源/干扰源发展情况以及烟雾蔓延情况。所有数据用于辅助火情判断。
建筑结构微元的腔壁上可以采用耐高温透明材料留出观察窗，便于贯穿火情发展与报警情况的对应性。
通风装置可以为窗户、风机等。喷淋装置为在结构顶板上布设的喷头。
火灾自动报警系统、喷淋装置均按照国家标准或规范布设在建筑结构微元内。
数据库建立模块，在其中一个建筑结构微元中点燃火源后，获取首个报警传感器信号及其附近传感器的信号，并将信号归入火灾报警模拟信号数据库；
按照上述方法，依次对所有建筑结构微元进行火灾试验，并将相应信号归入火灾报警模拟信号数据库；
在其中一个建筑结构微元中制造干扰源后，获取首个报警传感器信号及其附近传感器的信号，并将信号归入火灾报警模拟信号数据库；
按照上述方法，依次对所有建筑结构微元进行火灾试验，并将相应信号归入火灾报警模拟信号数据库；
通过不断改变实验平台结构及其他通风、喷淋等实验边界条件，可以获取更多的真实火源和干扰源火灾报警模拟信号，同时丰富火灾报警模拟信号数据库
根据实际情况对归入数据库的报警信号赋予相应的真、假火警标签；
上述的附近传感器包括相邻腔室内的传感器。
样本数据的处理模块，针对各个建筑结构微元，对数据库内相对应的信号进行相关性分析，获得数据相关性特征，即特征1，特征2，…，特征k；
通过特征选择算法，对以上特征进行筛选，并不断重复特征选择算法，最终汇总特征选择结果，比如可以统计某个特征被认为是重要特征的频率(被选为重要特征的次数除以它所在的子集被测试的次数)。理想情况下，重要特征的得分会接近100％。稍微弱一点的特征得分会是非0的数，而最无用的特征得分将会接近于0。用特征选择算法进行特征选择，最终得到模型的m个输入样本数据；获得数据相关性特征，再通过特征选择算法进行特征选择，得到样本数据；
归一化处理模块，对所述样本数据进行归一化处理，得到学习样本，为后续利用概率神经网络算法进行火灾概率判断做准备。
将归一化后的学习样本送入概率神经网络的隐含层，对基于概率神经网络的多传感器区域型火灾探测模型进行训练。并最终得到训练优化后的多传感器区域型火灾探测模型。
通过不断改变实验平台结构及其他通风、喷淋等实验边界条件，可以获取更多的真实火源和干扰源火灾报警模拟信号，同时丰富火灾报警模拟信号数据库；随着数据库的怎增大，可以不断对多传感器区域型火灾探测模型进行调整，保持模型能够具备“成长”特性，不断提升模型对于火灾真假警判断的准确度。得到学习样本；
模型训练模块，将学习样本送入概率神经网络，对基于概率神经网络的多传感器区域型火灾探测模型进行训练，得到目标模型。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种区域火灾报警模型的构建方法，其特征在于：包括以下步骤：
S01.试验平台搭建
搭建全尺寸试验平台，试验平台被分隔成不同结构的建筑结构微元；在建筑结构微元内布设燃烧产生装置、干扰源产生装置、火灾自动报警系统；
S02.数据库建立
依次在每个建筑结构微元中点燃火源进行火灾试验，获取建筑结构微元的首个报警传感器信号及其附近传感器的信号，并将信号归入火灾报警模拟信号数据库；
依次在每个建筑结构微元中制造干扰源进行火灾试验，获取建筑结构微元的首个报警传感器信号及其附近传感器的信号，并将信号归入火灾报警模拟信号数据库；
根据实际情况对归入数据库的报警信号赋予相应的真、假火警标签；
S03.样本数据的处理
针对各个建筑结构微元，对数据库内相对应的信号进行相关性分析，获得数据相关性特征，再通过特征选择算法进行特征选择，得到样本数据；
通过特征选择算法，对以上特征进行筛选，并不断重复特征选择算法，理想情况下，重要特征的得分会接近100％；弱一点的特征得分会是非0的数，而最无用的特征得分将会接近于0；最终，汇总特征选择结果，得到模型的输入样本数据；
S04.归一化处理
对所述样本数据进行归一化处理，得到学习样本；
S05.模型训练
将学习样本送入概率神经网络，对基于概率神经网络的多传感器区域型火灾探测模型进行训练，得到目标模型。
2.根据权利要求1所述的一种区域火灾报警模型的构建方法，其特征在于：所述步骤S01中的火警自动报警系统包括模拟量探测器和/或开关量探测器。
3.根据权利要求1或2所述的一种区域火灾报警模型的构建方法，其特征在于：所述步骤S01中，在每个建筑结构微元内还布设有通风装置；在步骤S02中的火灾模拟试验时，收集在不同通风状态下的信号。
4.根据权利要求1或2所述的一种区域火灾报警模型的构建方法，其特征在于：所述步骤S01中，在每个建筑结构微元内还布设有喷淋装置；在步骤S02中的火灾模拟试验时，收集在不同喷淋状态下的信号。
5.根据权利要求1或2所述的一种区域火灾报警模型的构建方法，其特征在于：所述步骤S01中，在每个建筑结构微元内还布设有实验测量系统；所述实验测量系统所采集的数据存入数据库；所述实验测量系统包括热电偶、热流计、烟气分析仪、监控相机或视频监控设备。
6.根据权利要求1所述的一种区域火灾报警模型的构建方法，其特征在于：所述步骤S01中的试验平台包括主体框架结构、横向承重板、纵向分隔板、楼梯结构可拆卸组装而成；其中，所述主体框架结构为立方体框架结构，横向承重板将主体框架结构分隔成多层，纵向分隔板将每层分隔成多个腔室，楼梯结构连通上下层。
7.根据权利要求6所述的一种区域火灾报警模型的构建方法，其特征在于：在每个腔室按照设定要求布设所述火警自动报警系统。
8.一种区域火灾报警模型的构建系统，其特征在于：应用于实现 权利要求1所述的方法，包括
试验平台，搭建全尺寸试验平台，试验平台被分隔成不同结构的建筑结构微元；在建筑结构微元内布设燃烧产生装置、干扰源产生装置、火灾自动报警系统；
数据库建立模块，在其中一个建筑结构微元中点燃火源后，获取首个报警传感器信号及其附近传感器的信号，并将信号归入火灾报警模拟信号数据库；
样本数据的处理模块，针对各个建筑结构微元，对数据库内相对应的信号进行相关性分析，获得数据相关性特征，再通过特征选择算法进行特征选择，得到样本数据；
归一化处理模块，对所述样本数据进行归一化处理，得到学习样本；
模型训练模块，将学习样本送入概率神经网络，对基于概率神经网络的多传感器区域型火灾探测模型进行训练，得到目标模型。
9.根据权利要求8所述的一种区域火灾报警模型的构建系统，其特征在于：所述火灾自动报警系统包括模拟量探测器和/或开关量探测器。
10.根据权利要求8或9所述的一种区域火灾报警模型的构建系统，其特征在于：在每个建筑结构微元内还布设有通风装置；在火灾模拟试验时，收集在不同通风状态下的信号；以及在每个建筑结构微元内还布设有喷淋装置；在火灾模拟试验时，收集在不同喷淋状态下的信号。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010093290.4A CN111275916B (zh) | 2020-02-14 | 2020-02-14 | 一种区域火灾报警模型的构建方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010093290.4A CN111275916B (zh) | 2020-02-14 | 2020-02-14 | 一种区域火灾报警模型的构建方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111275916A CN111275916A (zh) | 2020-06-12 |
| CN111275916B true CN111275916B (zh) | 2022-05-03 |
Family
ID=71003610
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010093290.4A Active CN111275916B (zh) | 2020-02-14 | 2020-02-14 | 一种区域火灾报警模型的构建方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111275916B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115100838A (zh) * | 2022-05-31 | 2022-09-23 | 杭州鸿泉物联网技术股份有限公司 | 车辆起火预警方法、装置、设备、介质及计算机程序产品 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN100463015C (zh) * | 2006-10-18 | 2009-02-18 | 中国安全生产科学研究院 | 地铁灾害事故模拟实验平台 |
| US7956761B2 (en) * | 2007-05-29 | 2011-06-07 | The Aerospace Corporation | Infrared gas detection and spectral analysis method |
| CN102162375B (zh) * | 2010-12-27 | 2013-05-08 | 中国安全生产科学研究院 | 地铁车站及区间隧道现场热烟测试设备及方法 |
| CN102693672A (zh) * | 2011-03-25 | 2012-09-26 | 上海日浦信息技术有限公司 | 一种地铁车站火灾模拟实验平台 |
| CN106373320B (zh) * | 2016-08-22 | 2018-10-02 | 中国人民解放军海军工程大学 | 基于火焰颜色离散度和连续帧图像相似度的火灾识别方法 |
| CN107564231B (zh) * | 2017-09-15 | 2020-09-04 | 山东建筑大学 | 基于物联网的建筑物火灾预警及火灾态势评估系统及方法 |
| CN109165670B (zh) * | 2018-07-12 | 2021-05-14 | 江南大学 | 一种应用于红外火焰识别的ts-rbf模糊神经网络鲁棒融合算法 |
| CN110490043A (zh) * | 2019-06-10 | 2019-11-22 | 东南大学 | 一种基于区域划分和特征提取的森林烟火检测方法 |
-
2020
- 2020-02-14 CN CN202010093290.4A patent/CN111275916B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN111275916A (zh) | 2020-06-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP0396767B1 (en) | Fire alarm apparatus | |
| CN102052936B (zh) | 建筑物外墙保温系统火灾实验装置 | |
| CN105336258B (zh) | 一种地铁换乘车站火灾排烟模拟实验装置 | |
| CN111275916B (zh) | 一种区域火灾报警模型的构建方法及系统 | |
| CN112697955B (zh) | 一种多功能大尺度内外交互立体火蔓延实验装置 | |
| CN101162545A (zh) | 高层建筑火灾光温复合智能监测预报装置 | |
| CN103292835A (zh) | 一种火灾探测性能综合检测模拟实验装置 | |
| CN107976220A (zh) | 基于定点不同高度下大气成分同步检测系统及方法 | |
| CN108492697A (zh) | 一种可升降的变坡度隧道火灾模拟装置及其方法 | |
| CN104061964B (zh) | 一种住宅厨房集中排烟排气系统的测试系统及其测试方法 | |
| CN113593171B (zh) | 一种用于电缆隧道空间的感烟预警方法及系统 | |
| CN106530930A (zh) | 工业生产线火灾模拟实验系统 | |
| CN107036984A (zh) | 一种机动车尾气排放遥测系统 | |
| CN113470296A (zh) | 机器视觉火情预测系统 | |
| KR20120070087A (ko) | 10㎿급 라지스케일 칼로리미터 | |
| CN208460297U (zh) | 一种可升降的变坡度隧道火灾模拟装置 | |
| CN211403686U (zh) | 一种多腔室区域火灾试验平台 | |
| CN219553064U (zh) | 基于人员定位的高层建筑火灾逃生系统 | |
| CN109830165B (zh) | 组合式城市灾害模拟实验装置 | |
| CN116659568A (zh) | 一种船舶涂装车间现场环境监测系统 | |
| CN206960088U (zh) | 一种高速电梯活塞效应验证试验系统 | |
| CN116434457A (zh) | 森林火灾模拟监测方法及系统 | |
| CN210052407U (zh) | 集装箱式模拟烟雾逃生体验馆 | |
| Zaher et al. | A fire prevention/monitoring smart system | |
| CN104778895A (zh) | 大断面沉管隧道火灾综合试验系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |