CN111523277A - 火灾预测方法、存储装置、处理器 - Google Patents
火灾预测方法、存储装置、处理器 Download PDFInfo
- Publication number
- CN111523277A CN111523277A CN202010426523.8A CN202010426523A CN111523277A CN 111523277 A CN111523277 A CN 111523277A CN 202010426523 A CN202010426523 A CN 202010426523A CN 111523277 A CN111523277 A CN 111523277A
- Authority
- CN
- China
- Prior art keywords
- fire
- fire fighting
- monitoring object
- fighting equipment
- equipment
- 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 26
- 238000003860 storage Methods 0.000 title claims abstract description 6
- 238000012544 monitoring process Methods 0.000 claims abstract description 112
- 239000013598 vector Substances 0.000 claims abstract description 47
- 238000001514 detection method Methods 0.000 claims abstract description 5
- 230000007613 environmental effect Effects 0.000 claims description 27
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 18
- 239000000779 smoke Substances 0.000 claims description 13
- 238000012806 monitoring device Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 description 5
- 206010000369 Accident Diseases 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005315 distribution function Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000011960 computer-aided design Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 241001146702 Candidatus Entotheonella factor Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- 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
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Geometry (AREA)
- Probability & Statistics with Applications (AREA)
- Medical Informatics (AREA)
- Educational Administration (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Computer Hardware Design (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Emergency Management (AREA)
- Alarm Systems (AREA)
- Fire Alarms (AREA)
Abstract
本发明公开了一种火灾预测方法、处理器、存储设备，其中火灾预测方法包括获取消防监测对象以及消防监测对象相关联的消防设备；获取消防设备相对于其对应的消防检测对象的相对位置，并将消防设备与相对位置进行绑定；建立具有消防设备在各个时刻的状态向量与相对位置关系的数字孪生系统；预测消防监测对象相关联的所有消防设备在某一时刻状态向量的取值；计算消防监测对象相关联的所有消防设备的状态向量的取值可能为火灾的概率，将消防监测对象相关联的所有消防设备对应的概率相乘，得到一个消防监测对象某一时刻发生火灾的概率。本发明可以预测未来某一时刻发生火灾的概率，可以提前进行火灾隐患消除，减少财产损失，提高建筑的安全性。
Description
技术领域
本发明涉及火灾防范技术，尤其涉及一种可以对火灾进行有效预测的方法。
背景技术
信息物理系统(CPS)的发展，促使治理或研究对象的物理模型和信息模型得到广泛的融合应用，监控系统已从传统的信息集中采集显示逐渐朝着智能在线分析的方向发展，未来更高级的应用将体现在智能预测协同方面。目前在智慧城市领域，为了提升城市的人文治理水平，越来越多的数据被采集，同时也应用诸多数据分析的方法得到系统的运行模式和状态，以便科学、便捷地掌握人们生活环境的变化，应对突发事件。
现有技术中为了预防火灾，通常都是对与环境中存在的火灾隐患多采取定期排查的方式进行，火灾发生时的天气情况进行检测，然后再结合建筑结构的信息、发生火灾的室内的材料属性、材料参数信息，对火灾的蔓延趋势进行分析。也有的现有技术在检测到火灾发生在一定程度时，可以通过拨打救援电话的方式来对火灾进行积极的灾后处理。这些处理火灾的方式使得应对火灾事件的响应机制较为滞后，火灾引起的后果较为严重。
发明内容
为了解决火灾应对机制比较滞后的技术问题，本发明提出了一种火灾预测方法、处理器、存储装置。
本发明提出的火灾预测方法，包括步骤：
获取消防监测对象以及消防监测对象相关联的消防设备；
获取所述消防设备相对于其对应的消防检测对象的相对位置，并将所述消防设备与所述相对位置进行绑定；
建立具有所述消防设备在各个时刻的状态向量与所述相对位置关系的数字孪生系统；
预测所述数字孪生系统内所述消防监测对象相关联的所有消防设备在某一时刻状态向量的取值；
计算所述消防监测对象相关联的所有消防设备的状态向量的取值可能为火灾的概率，将所述消防监测对象相关联的所有消防设备对应的概率相乘，得到一个消防监测对象某一时刻发生火灾的概率。
在一个实施例中，通过三维建模的方式对现实场景进行建模形成虚拟的三维模型，从而获得现实场景中的消防监测对象相关联的消防设备相对于该消防监测对象的相对位置。
进一步，通过历史数据和/或实验数据训练得到的该数字孪生系统内的所述消防设备在各个时刻的状态向量与相对位置关系的LSTM深度神经网络模型。
进一步，所述计算状态向量的取值可能为火灾的概率具体包括步骤：
通过公式
将所述消防设备的状态向量的取值与该消防设备对应的火灾基准状态向量进行马氏距离计算，得到马氏距离，其中Dmahal(M,N)为马氏距离，M为消防设备对应的火灾基准状态向量，N为预测的所述消防设备的状态向量的取值；
基于所述马氏距离计算该消防设备的状态向量的取值可能为火灾的概率。
进一步，通过公式
计算消防设备的状态向量的取值可能为火灾的概率，其中，d表示微分符号，g表示通过马氏距离公式求得的距离变量，即d距离，μ表示随机变量g的均值，σ表示随机变量g的方差。
进一步，所述消防监测对象包括：电器设备、电线、电器设备和/或电线所处的房间、楼道、楼层、建筑物当中的一种或多种；当所述消防监测设备包括多种时，每一种消防监测设备所在的数字孪生系统之间为并列关系或者是包含关系。
进一步，当所述消防监测对象为电器设备、电线时，相关联的消防设备包括：用于检测消防监测对象的环境参数的消防设备、用于消防监测对象的外部环境参数的消防设备；
当所述消防监测对象为楼道、建筑物时，相关联的消防设备包括：用于检测消防监测对象的环境参数的消防设备、用于消防监测对象的外部环境参数的消防设备、用于检测消防监测对象内的消防水系统状态的设备；
当所述消防监测对象为房间、楼层时，相关联的消防设备包括：用于检测消防监测对象的环境参数的消防设备、用于检测消防监测对象的外部环境参数的消防设备、用于检测消防监测对象内的消防水系统状态的消防设备、用于检测消防监测对象对应的出入口信息的消防设备。
进一步，所述用于检测消防监测对象的环境参数的消防设备或者用于检测消防监测对象的外部环境参数的消防设备包括：温度传感器、湿度传感器、烟雾浓度传感器、风速传感器当中的一种或多种。
进一步，所述烟雾浓度传感器的状态向量包括烟雾浓度、是否报警、报警阈值、采集时间。
进一步，所述用于检测消防监测对象内的消防水系统状态的消防设备包括：水位传感器和水压传感器当中的一种或多种。
进一步，所述用于检测消防监测对象对应的出入口信息的消防设备的状态向量为一个随机扰动值，所述数字孪生模型根据用于检测消防监测对象对应的出入口信息的消防设备所采集的出入口的通过量、出入口设备状态、出入口是否堵塞的历史数据作为输入，搭建可输出对应的随机扰动值的多变量的联合马尔科夫模型。
进一步，所述数字孪生系统包括消防监测对象孪生子系统、外部环境孪生子系统、外部事件孪生子系统、综合数字孪生子系统当中的一种或多种。
本发明提出的用于存储计算机程序的存储装置和用于运行计算机程序的处理器，所述计算机程序均是用来执行上述技术方案所述的火灾预测方法。
本发明针对消防监测对象(如电器设备、电线、运行设备以及这些设备所处的建筑等)建立动态的虚拟模型，作为实际物理对象的映射模型，并在监测对象运行过程中不断优化虚拟映射模型，整合实际物理对象的信息资源，同时，结合建模技术，建立监测对象及外部环境以及输入事件的总体运行模型，对火灾事件进行预测。此外，在所建立的虚拟模型上通过注入特定事件以及合理模拟参数变化的方法，分析监测对象的变化规律，预测火灾事件的发生条件。
附图说明
下面结合实施例和附图对本发明进行详细说明，其中：
图1是本发明的数字孪生系统原理框图。
图2是本发明数字孪生系统的一个实施例的结构框图。
图3是消防设备的一个具体实施例的种类框图。
图4是本发明的数字孪生系统的一个具体实施例的形成流程图。
图5本发明的火灾概率计算流程图。
具体实施方式
下面结合附图详细说明本发明的原理及实施例。
如图1所示，本发明以消防监测对象为基准来建立消防监测对象所在的现实场景的虚拟的三维模型，同时，本发明也是以消防监测对象为基准来对消防设备进行划分，每一个消防监测对象都有其相关联的消防设备。
在本发明中所指的消防监测对象包括电器设备、电线、电器设备和/或电线所处的房间、楼道、楼层、建筑物当中的一种或多种。当消防监测对象为电器设备或电线时，相关联的消防设备就可以包括用于检测消防监测对象的环境参数的消防设备和用于消防监测对象的外部环境参数的消防设备。当消防监测对象为楼道、建筑物时，这类消防监测对象相关联的消防设备就可以包括用于检测消防监测对象的环境参数的消防设备、用于消防监测对象的外部环境参数的消防设备以及用于检测消防监测对象内的消防水系统状态的设备。当消防监测对象为房间或楼层时，这类消防监测对象相关联的消防设备就可以包括用于检测消防监测对象的环境参数的消防设备、用于检测消防监测对象的外部环境参数的消防设备、用于检测消防监测对象内的消防水系统状态的消防设备以及用于检测消防监测对象对应的出入口信息的消防设备。
在一个实施例中，技术人员可以获取一个或者多个消防监测对象以及消防监测对象相关联的消防设备，再通过三维建模的方式或者实地测量的方式获取消防设备相对于其对应的消防检测对象的相对位置，并将消防设备与它的相对位置进行绑定，从而建立具有消防设备在各个时刻的状态向量与相对位置关系的数字孪生系统。
如图2所示，一个数字孪生系统可能仅仅只有一个孪生系统，也可以有多个孪生系统，例如，数字孪生系统可以包括消防监测对象孪生子系统、外部环境孪生子系统、外部事件孪生子系统、综合数字孪生子系统当中的一种或多种。当消防监测设备包括多种时，每一种消防监测设备所在的数字孪生系统之间为并列关系或者是包含关系。
以一个具体应用实例来进行说明，针对于房间内的一个具体电器设备，该电器设备可能具有测量其温湿度的消防设备，房间内具有测量该房间的温湿度的消防设备。即电器设备本身就是一个消防监测对象，其相关联的消防设备就有两种，一种是测量其本身环境(如温湿度)的消防设备(温湿度传感器)，另一种是测量其外部环境(如温湿度)的消防设备(温湿度传感器)，那么本领域内技术人员可以基于该房间或者该电器设备所在的房间的一个具体区域进行三维建模，从而获得基于该电器设备的一个坐标系，找到该电器设备相关联的消防设备在这个坐标系中的相对位置。而以这个房间为一个消防监测对象时，房间内的温湿度传感器同样也是该房间相关联的消防设备，那么房间内的温湿度传感器相对于该房间也有一个相对位置，即同一个消防设备相对于不同的消防监测对象可能具有不同的相对位置，因为消防设备的相对位置是依据于其关联的消防监测对象而言的相对位置，当消防监测对象不同时，对应的相对位置也不同，一个消防设备在一个复杂的数字孪生系统中可能具有多个不同的相对位置。
当消防监测对象为一个建筑时，将实际建筑的现实场景通过CAD等软件进行虚拟建模形成与现实场景的空间结构、物体(如消防设备、家具、家电等)摆放位置一一对应的等比例进行缩放的虚拟的三维模型。获取建筑中的消防设备在三维模型中的相对位置，将每个消防设备与其对应的相对位置进行绑定，建立建筑内消防设备在各个时刻的状态向量与其对应的相对位置的数字孪生系统(参见图4)。该建筑内又进一步包含对应的消防监测对象，消防监测对象又进一步包括对应的消防监测对象，因此，建筑的数字孪生系统可以进一步细分来包含多个并列关系和/或包含关系的孪生子系统。
建立好数字孪生系统之后，预测数字孪生系统内消防监测对象相关联的所有消防设备在某一时刻状态向量的取值；计算所述消防监测对象相关联的所有消防设备的状态向量的取值可能为火灾的概率，将消防监测对象相关联的所有消防设备对应的概率相乘，得到一个消防监测对象某一时刻发生火灾的概率。
如图3所示，本发明的消防设备是基于火灾发生的常见原因来进行考虑，火灾发生的常见原因如人为引起、电气异常或故障、违规堆放等，有些因素可以独立引起火灾事故，如电气线路故障，有些因素可能需要共同起作用，如人为携带火种这一典型因素，需要遇到可燃物因素方能大概率地引起火灾事故，因此，引起火灾事故的因素可分为：实际物理空间中的静态物理对象，如电气设备和线路等；外部环境参数，即与天气、气候有关的因素，如温度、湿度、天晴下雨、风速等常见的因素。因此，本发明的消防设备主要分为用于检测消防监测对象的环境参数的消防设备、用于检测消防监测对象的外部环境参数的消防设备、用于检测消防监测对象内的消防水系统状态的消防设备以及用于检测消防监测对象对应的出入口信息的消防设备这四大类，根据消防监测对象的不同，所关联的消防设备的种类也可能存在不同。其中，用于检测消防监测对象的环境参数的消防设备或者用于检测消防监测对象的外部环境参数的消防设备可以包括：温度传感器、湿度传感器、烟雾浓度传感器、风速传感器当中的一种或多种。用于检测消防监测对象内的消防水系统状态的消防设备具体可以是消防水系统的水位传感器、水压传感器等。用于检测消防监测对象对应的出入口信息的消防设备主要指的是出入口设备，如摄像头设备、消防设备故障检测设备等。摄像头设备用于监测出入口是否堵塞以及出入口特殊人员如携带危险品或消防人员等人员的通行信息。消防设备故障监测属于外部设备，用于监测所属区域中消防设备的运行状态，并将状态数据进行相应的存储。
本发明的消防设备均采用无线设备，通过每个消防设备内的无线传输模块将采集到的信息传递至服务器，为数字孪生系统提供输入数据。在一个具体实施例中，消防设备通过相应传感器采集状态信息并将状态信息通过自身的无线传输模块发送到MQTT-Broker服务器，数据库服务器消费MQTT-Broker服务器将消息数据存储到数据库服务器。本发明的数字孪生模型将三维模型与采集到的数据进行绑定分析，消防管理人员可通过本发明的数字孪生系统进行火灾事件仿真、设备运行状态仿真以及外部事件侵入仿真，观察和分析异常事件的演变规律。
如图5所示，下面以本发明的一个具体消防设备为例，来对本发明进行说明。
以设置在一个房间内的烟感设备(即烟雾浓度传感器)为例，烟感设备的状态向量[d a l t]包括烟雾浓度、是否报警、报警阈值以及采集时间，其中，d为烟雾浓度，a为是否报警，l为报警阈值，t为采集时间。其他的设备如温感设备、消防水系统相关的设备、电器等相关的监测设备等也可以建立如烟感设备类似的状态向量。
建筑的三维模型当中的每一个位置都可以通过相对位置[x y z]来进行描述，通过WSN技术获取三维模型内消防设备的相对位置，通过粒子滤波技术将设备在建筑三维模型中的位置进行绑定，即可确定类似于[d a l t]与[x y z]的关系，并可根据实时采集的数据进行更新和优化，也就是说，本发明的数字孪生模型内包含有消防设备的状态向量与其对应的相对位置的关系的数学计算模型，如采用具有时间序列预测特性的LSTM深度神经网络。本领域内技术人员可以通过历史数据和/或实验数据训练得到对应的数学计算模型，相关人员通过数字孪生系统对一个物理空间内的消防设备的运行状态进行预测，通过具有时间序列预测特性的LSTM深度神经网络就可以预测到未来一个时刻的某个相对位置的消防设备的状态向量的取值。
上述WSN是指无线传感器网络，在消防设备的位置安装Zigbee短距离通信模块，并选择某一个消防设备所在位置的Zigbee作为锚节点，其余节点(其余消防设备所在位置)与之进行通信，获取其余节点的无线信号强度信息，以此为依据获得各消防设备的相对位置。并将此相对位置上传到远端数字孪生模型生成的服务器，作为粒子滤波技术在三维建筑模型中的位置绑定基础信息。
具体的，假设时间t时刻[d a l t]与[x y z]的关系表述为如下：
预测时间t'时刻[d a l t]与[x y z]的关系表述为如下：
得到预测的某一时刻的消防设备的状态向量的取值之后，将预测的状态向量的取值与火灾基准状态向量[db ab lb tb]进行马氏距离计算，具体通过公式
来进行计算，其中，M为消防设备对应的火灾基准状态向量，N为预测的所述消防设备的状态向量的取值。火灾基准状态向量指的是会发生火灾的一个阈值，每个消防设备对应的火灾基准状态向量均不同。
然后通过抑制的标准正态分布的累积分布函数来将计算得到的马氏距离转化为概率，可以用公式p(X)＝∏γ(d距离)表示，其中P(X)表示消防设备可能发生火灾的概率，X代表消防设备的状态向量，d距离表示马氏距离，γ表示累积概率分布函数。
在本实施例中，累积概率分布函数采用公式
计算，其中，其中，g表示通过马氏距离公式求得的距离变量，即d距离，μ表示随机变量g的均值，σ表示随机变量g的方差。
将一个消防监测对象相关的所有消防设备可能发生火灾的概率相乘，就可以得到比较准确的预测的火灾发生的概率。
以用于检测消防监测对象对应的出入口信息的消防设备的状态向量为例，其状态向量为一个随机扰动值，数字孪生模型根据用于检测消防监测对象对应的出入口信息的消防设备(即摄像头设备、消防设备故障检测设备)所采集的出入口的通过量、出入口设备状态、出入口是否堵塞的历史数据作为输入，搭建可输出对应的随机扰动值的多变量的联合马尔科夫模型。当一个消防监测对象所关联的消防设备包括用于检测消防监测对象对应的出入口信息的消防设备时，与其他状态向量一样，先求得预测的随机扰动值，再求预测的随机扰动值与火灾基准扰动值的马氏距离，然后求得相应的可能发生火灾的概率。
通过本发明的数字孪生系统后，便可采集孪生系统数据进行消防数据分析，解决实际场景中火灾相关数据难以获取和实施实验的难点。主要优势在于可以在数字孪生系统上进行消防实验，而不影响实际的环境。同时，孪生系统通过各个消防设备实时采集的数据进行更新和优化。
Claims (14)
1.一种火灾预测方法，其特征在于，包括步骤：
获取消防监测对象以及消防监测对象相关联的消防设备；
获取所述消防设备相对于其对应的消防检测对象的相对位置，并将所述消防设备与所述相对位置进行绑定；
建立具有所述消防设备在各个时刻的状态向量与所述相对位置关系的数字孪生系统；
预测所述数字孪生系统内所述消防监测对象相关联的所有消防设备在某一时刻状态向量的取值；
计算所述消防监测对象相关联的所有消防设备的状态向量的取值可能为火灾的概率，将所述消防监测对象相关联的所有消防设备对应的概率相乘，得到一个消防监测对象某一时刻发生火灾的概率。
2.如权利要求1所述的火灾预测方法，其特征在于，通过三维建模的方式对现实场景进行建模形成虚拟的三维模型，从而获得现实场景中的消防监测对象相关联的消防设备相对于该消防监测对象的相对位置。
3.如权利要求1所述的火灾预测方法，其特征在于，通过历史数据和/或实验数据训练得到的该数字孪生系统内的所述消防设备在各个时刻的状态向量与相对位置关系的LSTM深度神经网络模型。
4.如权利要求1所述的火灾预测方法，其特征在于，所述计算状态向量的取值可能为火灾的概率具体包括步骤：
通过公式
将所述消防设备的状态向量的取值与该消防设备对应的火灾基准状态向量进行马氏距离计算，得到马氏距离，其中Dmahal（M,N）为马氏距离，M为消防设备对应的火灾基准状态向量，N为预测的所述消防设备的状态向量的取值；
基于所述马氏距离计算该消防设备的状态向量的取值可能为火灾的概率。
5.如权利要求4所述的火灾预测方法，其特征在于，通过公式
计算消防设备的状态向量的取值可能为火灾的概率，其中，d表示微分符号，
表示通过马氏距离公式求得的距离变量
，
表示随机变量
的均值，
表示随机变量
的方差。
6.如权利要求1所述的火灾预测方法，其特征在于，所述消防监测对象包括：电器设备、电线、电器设备和/或电线所处的房间、楼道、楼层、建筑物当中的一种或多种；
当所述消防监测设备包括多种时，每一种消防监测设备所在的数字孪生系统之间为并列关系或者是包含关系。
7.如权利要求6所述的火灾预测方法，其特征在于，当所述消防监测对象为电器设备、电线时，相关联的消防设备包括：用于检测消防监测对象的环境参数的消防设备、用于消防监测对象的外部环境参数的消防设备；
当所述消防监测对象为楼道、建筑物时，相关联的消防设备包括：用于检测消防监测对象的环境参数的消防设备、用于消防监测对象的外部环境参数的消防设备、用于检测消防监测对象内的消防水系统状态的设备；
当所述消防监测对象为房间、楼层时，相关联的消防设备包括：用于检测消防监测对象的环境参数的消防设备、用于检测消防监测对象的外部环境参数的消防设备、用于检测消防监测对象内的消防水系统状态的消防设备、用于检测消防监测对象对应的出入口信息的消防设备。
8.如权利要求7所述的火灾预测方法，其特征在于，所述用于检测消防监测对象的环境参数的消防设备或者用于检测消防监测对象的外部环境参数的消防设备包括：温度传感器、湿度传感器、烟雾浓度传感器、风速传感器当中的一种或多种。
9.如权利要求8所述的火灾预测方法，其特征在于，所述烟雾浓度传感器的状态向量包括烟雾浓度、是否报警、报警阈值、采集时间。
10.如权利要求7所述的火灾预测方法，其特征在于，所述用于检测消防监测对象内的消防水系统状态的消防设备包括：水位传感器和水压传感器当中的一种或多种。
11.如权利要求7所述的火灾预测方法，其特征在于，所述用于检测消防监测对象对应的出入口信息的消防设备的状态向量为一个随机扰动值，所述数字孪生模型根据用于检测消防监测对象对应的出入口信息的消防设备所采集的出入口的通过量、出入口设备状态、出入口是否堵塞的历史数据作为输入，搭建可输出对应的随机扰动值的多变量的联合马尔科夫模型。
12.如权利要求7所述的火灾预测方法，其特征在于，所述数字孪生系统包括消防监测对象孪生子系统、外部环境孪生子系统、外部事件孪生子系统、综合数字孪生子系统当中的一种或多种。
13.一种存储装置，用于存储计算机程序，所述计算机程序用来执行如权利要求1至12任意一项所述的火灾预测方法。
14.一种处理器，用来运行计算机程序，所述计算机程序运行时执行如权利要求1至12任意一项所述的火灾预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010426523.8A CN111523277B (zh) | 2020-05-19 | 2020-05-19 | 火灾预测方法、存储装置、处理器 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010426523.8A CN111523277B (zh) | 2020-05-19 | 2020-05-19 | 火灾预测方法、存储装置、处理器 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111523277A true CN111523277A (zh) | 2020-08-11 |
| CN111523277B CN111523277B (zh) | 2022-08-16 |
Family
ID=71908974
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010426523.8A Active CN111523277B (zh) | 2020-05-19 | 2020-05-19 | 火灾预测方法、存储装置、处理器 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111523277B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112562254A (zh) * | 2020-11-25 | 2021-03-26 | 珠海格力电器股份有限公司 | 火灾监测方法、消防管控服务器、存储介质及监测系统 |
| CN112907885A (zh) * | 2021-01-12 | 2021-06-04 | 中国计量大学 | 基于scnn的分散集中式家居图像火灾报警系统及方法 |
| CN113810953A (zh) * | 2021-09-08 | 2021-12-17 | 重庆邮电大学 | 一种基于数字孪生的无线传感网络资源调度方法及系统 |
| CN114187728A (zh) * | 2021-12-09 | 2022-03-15 | 香港理工大学 | 一种基于人工智能和数字孪生技术的火灾监测方法与系统 |
| CN114792163A (zh) * | 2022-04-24 | 2022-07-26 | 山东强力消防工程有限公司 | 多维数据整合下的火灾预测系统 |
| CN115373449A (zh) * | 2022-08-23 | 2022-11-22 | 广东电网有限责任公司 | 一种数据处理方法、装置、设备及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106375718A (zh) * | 2016-09-05 | 2017-02-01 | 北京凯文盛业建筑技术有限公司 | 一种显示方法及装置 |
| US20170169683A1 (en) * | 2015-12-09 | 2017-06-15 | Fire & Risk Alliance, LLC | System and methods for detecting, confirming, classifying, and monitoring a fire |
| CN108717582A (zh) * | 2018-04-17 | 2018-10-30 | 平安科技（深圳）有限公司 | 森林火灾预测方法、装置、计算机设备和存储介质 |
| CN110705071A (zh) * | 2019-09-24 | 2020-01-17 | 浙江树人学院（浙江树人大学） | 一种融合火势预测模型的消防三维数字化预案的方法 |
-
2020
- 2020-05-19 CN CN202010426523.8A patent/CN111523277B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170169683A1 (en) * | 2015-12-09 | 2017-06-15 | Fire & Risk Alliance, LLC | System and methods for detecting, confirming, classifying, and monitoring a fire |
| CN106375718A (zh) * | 2016-09-05 | 2017-02-01 | 北京凯文盛业建筑技术有限公司 | 一种显示方法及装置 |
| CN108717582A (zh) * | 2018-04-17 | 2018-10-30 | 平安科技（深圳）有限公司 | 森林火灾预测方法、装置、计算机设备和存储介质 |
| CN110705071A (zh) * | 2019-09-24 | 2020-01-17 | 浙江树人学院（浙江树人大学） | 一种融合火势预测模型的消防三维数字化预案的方法 |
Non-Patent Citations (3)
| Title |
|---|
| LI YANG等: "Train and Equip Firefighters with Cognitive Virtual and Augmented Reality", 《2018 IEEE 4TH INTERNATIONAL CONFERENCE ON COLLABORATION AND INTERNET COMPUTING》 * |
| YAN XU等: "A Digital-Twin-Assisted Fault Diagnosis Using Deep Transfer Learning", 《IEEE ACCESS》 * |
| 赵爱月等: "基于TensorFlow的LSTM神经网络智能电气火灾预测研究", 《太原师范学院学报（自然科学版）》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112562254A (zh) * | 2020-11-25 | 2021-03-26 | 珠海格力电器股份有限公司 | 火灾监测方法、消防管控服务器、存储介质及监测系统 |
| CN112907885A (zh) * | 2021-01-12 | 2021-06-04 | 中国计量大学 | 基于scnn的分散集中式家居图像火灾报警系统及方法 |
| CN113810953A (zh) * | 2021-09-08 | 2021-12-17 | 重庆邮电大学 | 一种基于数字孪生的无线传感网络资源调度方法及系统 |
| CN113810953B (zh) * | 2021-09-08 | 2023-06-27 | 重庆邮电大学 | 一种基于数字孪生的无线传感网络资源调度方法及系统 |
| CN114187728A (zh) * | 2021-12-09 | 2022-03-15 | 香港理工大学 | 一种基于人工智能和数字孪生技术的火灾监测方法与系统 |
| CN114792163A (zh) * | 2022-04-24 | 2022-07-26 | 山东强力消防工程有限公司 | 多维数据整合下的火灾预测系统 |
| CN114792163B (zh) * | 2022-04-24 | 2024-01-02 | 火眼消防技术有限公司 | 多维数据整合下的火灾预测系统 |
| CN115373449A (zh) * | 2022-08-23 | 2022-11-22 | 广东电网有限责任公司 | 一种数据处理方法、装置、设备及存储介质 |
| CN115373449B (zh) * | 2022-08-23 | 2024-02-20 | 广东电网有限责任公司 | 一种数据处理方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111523277B (zh) | 2022-08-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111523277B (zh) | 火灾预测方法、存储装置、处理器 | |
| Chen et al. | A BIM-based visualization and warning system for fire rescue | |
| EP3635335B1 (en) | System and method for aiding responses to an event detected by a monitoring system | |
| CN102737466B (zh) | 一种火灾火源位置及强度估计方法及系统 | |
| CN112766909A (zh) | 适用于舰船消防安全的智能管控系统及方法、计算机介质 | |
| KR102124067B1 (ko) | 사물인터넷 센서를 이용한 연기확산과 피난로 예측 시스템 및 그 방법 | |
| CN208421565U (zh) | 基于bim的建筑监控系统 | |
| CN109191613A (zh) | 一种基于3d技术的自动化机房巡检方法 | |
| KR20180125658A (ko) | 디지털sop 및 예측기반 빌딩통합운영시스템 및 방법 | |
| Vijayalakshmi et al. | Internet of Things technology for fire monitoring system | |
| CN111260872B (zh) | 一种基于邻接烟感传感器的火灾报警方法 | |
| CN115392708A (zh) | 一种用于建筑消防的火灾风险评估和预警方法及系统 | |
| Pătraşcu et al. | Integrating agents and services for control and monitoring: managing emergencies in smart buildings | |
| GB2609531A (en) | A method and system for predicting fire-breakout from an occupant space fire | |
| Khajavi et al. | Digital twin for safety and security: Perspectives on building lifecycle | |
| CN112288320A (zh) | 一种地铁运行风险监控和管理系统 | |
| CN114254055A (zh) | 机房设备的故障分析方法、装置、计算机设备、存储介质 | |
| Wybo | FMIS: A decision support system for forest fire prevention and fighting | |
| Sergi et al. | Integrating BIM and IoT technologies in innovative fire management systems | |
| CN113743015B (zh) | 火灾场景数据获取方法、介质及电子设备 | |
| Wang et al. | Effectiveness evaluation of Internet of Things-aided firefighting by simulation | |
| CN116958900A (zh) | 一种消防数据可视化监控系统及其监控方法 | |
| CN112614224B (zh) | 基于bim模型的在线消防监控方法及其相关产品 | |
| Didar et al. | Integrated evacuation and rescue management system in response to fire incidents | |
| CN118365820B (zh) | 一种基于3d模型的物联网设备管理方法及系统 |
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 |