CN112885021B - 一种基于复合算法的多传感器火灾预测方法及系统 - Google Patents
一种基于复合算法的多传感器火灾预测方法及系统 Download PDFInfo
- Publication number
- CN112885021B CN112885021B CN202110114009.5A CN202110114009A CN112885021B CN 112885021 B CN112885021 B CN 112885021B CN 202110114009 A CN202110114009 A CN 202110114009A CN 112885021 B CN112885021 B CN 112885021B
- Authority
- CN
- China
- Prior art keywords
- fire
- algorithm
- probability
- sensor
- fighting
- 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
- G08B17/06—Electric actuation of the alarm, e.g. using a thermally-operated switch
-
- 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
- G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
-
- 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
- G06N3/08—Learning methods
-
- 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
- G08B25/00—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems
- G08B25/01—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems characterised by the transmission medium
- G08B25/10—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems characterised by the transmission medium using wireless transmission systems
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B5/00—Visible signalling systems, e.g. personal calling systems, remote indication of seats occupied
- G08B5/22—Visible signalling systems, e.g. personal calling systems, remote indication of seats occupied using electric transmission; using electromagnetic transmission
- G08B5/36—Visible signalling systems, e.g. personal calling systems, remote indication of seats occupied using electric transmission; using electromagnetic transmission using visible light sources
- G08B5/38—Visible signalling systems, e.g. personal calling systems, remote indication of seats occupied using electric transmission; using electromagnetic transmission using visible light sources using flashing light
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Fuzzy Systems (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Computational Mathematics (AREA)
- Automation & Control Theory (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Fire Alarms (AREA)
- Alarm Systems (AREA)
Abstract
本发明属于人工智能和消防安全领域,公开了一种基于复合算法的多传感器火灾预测方法及系统,用于实时监测火灾情况,由合理放置在建筑物内的消防机器人采集实时数据,通过无线通信模块发送到专用的消防云平台,在平台对数据通过速率检测算法进行预处理,输入到本方法中的基于复合算法的预测系统,复合算法系统为对分别由LSTM神经网络和SVR算法模型得到的预测结果进行线性加权,所占权重由误差函数确定,得到更加准确地火灾有无预测结果。并将结果通过无线通信模块发送给监控室,打开摄像头最终确定,下达指令给消防机器人,机器人根据指令进行喷水消防。本方法和系统有效提高了火灾预测系统的准确度,避免误报和漏报,避免火灾造成更严重的后果。
Description
技术领域
本发明涉及人工智能技术和消防领域,特别涉及一种基于复合算法的多传感器火灾预测方法及系统。
背景技术
针对传统的单一传感器在火灾中的应用,出现信息收集不全面,导致出现漏报误报的问题,本发明提出了基于多传感器的方法,有效解决以上问题。
采用单一算法进行时间序列预测通常难以达到较高的准确度。因此在较多领域的分析方法上出现了一种结合不同算法机制,从而将各算法的优势结合,提升数据分析准确度的思路。针对本文面临的时间序列问题,由于样本间存在时间维度的关联,无法将样本进行分割。所以提出了一种分步更新预测器权重的算法结合方法,即本文提出的复合算法。
发明内容
本发明为了弥补现有技术中传统火灾预警方法采用单一的特征数据作为检测对象,同时使用单一算法会使得火灾预测不够精确,从而导致误报或者漏报的不足,提供了一种以采用多传感器获得多种类型数据,结合复合算法对火灾进行预测的方法。
为达到上述发明创造目的,本发明采用如下技术方案:
一种基于复合算法的多传感器火灾预测方法及系统,用于实时监测火灾情况并进行消防处理,同时通过专用消防云平台对前端消防机器人发送的前端报警信息及火灾基础数据进行分析和处理并进行预测,包括以下步骤:
步骤1.将消防机器人合理放置在建筑物内,对建筑物内的消防安全进行实时监测,同时将检测到的环境的基础数据通过无线通信方式传送到专用的消防云平台;
步骤2.对采集到的基础数据进行预处理;
步骤3.将预处理后的数据输入到已训练好的本采用复合算法的预测模型中,得到火灾有无的预测结果,包括以下步骤:
步骤3.1.将预处理后的数据输入到LSTM神经网络;
步骤3.1.1.通过神经网络的反向误差传递逐渐使期望输出与实际输出差值变小,最后得到三个输出,分别为明火概率,阴燃概率和无火概率;
步骤3.1.2.将步骤3.1.1的输出结果,通过模糊逻辑控制算法得到火灾发生的概率,分别为有火灾和无火灾;
步骤3.1.3.判断有无火灾概率的大小,从而输出某一特定状态值;
步骤3.2.同时将预处理后的数据输入到SVR算法模型中,包括以下步骤:
步骤3.2.1通过非线性映射将输入数据映射到一个高维特征空间,在这个特征空间进行线性回归,最后得到三个输出,分别为明火概率,阴燃概率和无火概率;
步骤3.2.2.将步骤3.2.1的输出结果,通过模糊逻辑控制算法得到火灾发生的概率,分别为有火灾和无火灾;
步骤3.2.3.判断有无火灾概率的大小,从而输出某一特定状态值。
步骤3.3.将步骤3.2中的两个结果进行线性加权,按每一种方法的贡献分配权重,得到最终结果;
步骤4.将步骤3中得到的结果通过无线传输模式传送到监控室和消防机器人,远程控制打开摄像头,确定火灾有无,如有,则传输指令给消防机器人,消防机器人根据指令进行喷水灭火。
优选地,消防机器人包括温湿度传感器,烟雾传感器,可燃气体传感器,无线通信模块,报警闪灯,消防喷水枪。
优选地,环境的基础数据包括温度,湿度,烟雾浓度,可燃气体浓度。
优选地,训练预测模型所用的数据是分布在全国各处的大量传感器采集的历史大数据,是经过时间积累的。
优选地,传感器检测到的基础数据是实时信息,所以用速率检测算法对其进行预处理。
优选地,所分的权重按照每种方法的贡献。复合算法的预测值为:
优选地,由误差函数确定每个独立算法的所占权重,误差函数为:
优选地,采用如下方式对时间T的算法权重进行归一化处理,即可得到t+1时间点的算法权重:
优选地,此方式对每个时间点对每个独立算法的预测权重进行更新,可以保证在每个时间点上,准确度最高的算法贡献最大。
附图说明
图1是实施例的流程图;
图2是实施例中复合算法中基于LSTM神经网络预测的流程图;
图3是实施例中复合算法中基于SVR算法模型预测的流程图;
图4是实施例中的消防机器人的结构图。
具体实施方式
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晰、完整的描述。显然,所描述的实施例仅仅是本发明的一部分实施例,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。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的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。
图1–图4为本发明的一种具体实施例,该实施例为一种基于复合算法的多传感器火灾预测方法及系统,用于实时监测火灾情况并进行消防处理,同时通过专用消防云平台对前端消防机器人发送的前端报警信息及火灾基础数据进行分析和处理并进行预测,包括以下步骤:
步骤1:将消防机器人合理放置在建筑物内,消防机器人包括温湿度传感器,烟雾传感器,可燃气体传感器,无线通信模块,报警闪灯,消防喷水枪等,对建筑物内的消防安全进行实时监测,同时将检测到的环境的基础数据通过无线通信方式传送到专用的消防云平台,其中,环境的基础数据包括温度,湿度,烟雾浓度,可燃气体浓度;
步骤2:因为传感器检测到的基础数据是实时信息,所以用速率检测算法对其进行预处理;
步骤3:将预处理后的数据输入到已训练好的本采用复合算法的预测模型中,得到火灾有无的预测结果,训练预测模型所用的数据是分布在全国各处的大量传感器采集的历史大数据,是经过时间积累的,包括以下步骤:
步骤3.1:将预处理后的数据输入到LSTM神经网络;
步骤3.1.1:通过神经网络的反向误差传递逐渐使期望输出与实际输出差值变小,最后得到三个输出,分别为明火概率,阴燃概率和无火概率;
步骤3.1.2:将步骤3.1.1的输出结果,通过模糊逻辑控制算法得到火灾发生的概率,分别为有火灾和无火灾;
步骤3.1.3:判断有无火灾概率的大小,从而输出某一特定状态值。
步骤3.2:同时将预处理后的数据输入到SVR算法模型中,包括以下步骤:
步骤3.2.1:通过非线性映射将输入数据映射到一个高维特征空间,在这个特征空间进行线性回归,最后得到三个输出,分别为明火概率,阴燃概率和无火概率;
步骤3.2.2:将步骤3.2.1的输出结果,通过模糊逻辑控制算法得到火灾发生的概率,分别为有火灾和无火灾;
步骤3.2.3:判断有无火灾概率的大小,从而输出某一特定状态值。
步骤3.3:将步骤3.2中的两个结果进行线性加权,所分的权重按照每种方法的贡献。复合算法的预测值为:
由误差函数确定每个独立算法的所占权重,误差函数为:
采用如下方式对时间T的算法权重进行归一化处理,即可得到t+1时间点的算法权重:
此方式对每个时间点对每个独立算法的预测权重进行更新,可以保证在每个时间点上,准确度最高的算法贡献最大。
步骤4:将步骤3中得到的结果通过无线传输模式传送到监控室和消防机器人,远程控制打开摄像头,确定火灾有无,如有,则传输指令给消防机器人,消防机器人根据指令进行喷水灭火。
本实施例基于复合算法的多传感器火灾预测方法,用于实时监测火灾情况,由合理放置在建筑物内的消防机器人采集实时数据,通过无线通信模块发送到专用的消防云平台,在平台对数据通过速率检测算法进行预处理,输入到本方法中的基于复合算法的预测系统,复合算法系统为对分别由LSTM神经网络和SVR算法模型得到的预测结果进行线性加权,所占权重由误差函数确定,得到更加准确地火灾有无预测结果。并将结果通过无线通信模块发送给监控室,打开摄像头最终确定,下达指令给消防机器人,机器人根据指令进行喷水消防。本实施例方法有效提高了火灾预测系统的准确度,避免误报和漏报,避免火灾造成更严重的后果。
以上所述仅为本发明的较佳实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于复合算法的多传感器火灾预测方法,用于实时监测火灾情况并进行消防处理,同时通过专用消防云平台对前端消防机器人发送的前端报警信息及火灾基础数据进行分析和处理并进行预测,其特征在于,包括以下步骤:
步骤1.将消防机器人合理放置在建筑物内,对建筑物内的消防安全进行实时监测,同时将检测到的环境的基础数据通过无线通信方式传送到专用的消防云平台;
步骤2.对采集到的基础数据进行预处理;
步骤3.将预处理后的数据输入到已训练好的本采用复合算法的预测模型中,得到火灾有无的预测结果,包括以下步骤:
步骤3.1.将预处理后的数据输入到LSTM神经网络;
步骤3.1.1.通过神经网络的反向误差传递逐渐使期望输出与实际输出差值变小,最后得到三个输出,分别为明火概率,阴燃概率和无火概率;
步骤3.1.2.将步骤3.1.1的输出结果,通过模糊逻辑控制算法得到火灾发生的概率,分别为有火灾和无火灾;
步骤3.1.3.判断有无火灾概率的大小,从而输出某一特定状态值;
步骤3.2.同时将预处理后的数据输入到SVR算法模型中,包括以下步骤:
步骤3.2.1通过非线性映射将输入数据映射到一个高维特征空间,在这个特征空间进行线性回归,最后得到三个输出,分别为明火概率,阴燃概率和无火概率;
步骤3.2.2.将步骤3.2.1的输出结果,通过模糊逻辑控制算法得到火灾发生的概率,分别为有火灾和无火灾;
步骤3.2.3.判断有无火灾概率的大小,从而输出某一特定状态值;
步骤3.3.将步骤3.2中的两个结果进行线性加权,按每一种方法的贡献分配权重,得到最终结果;
步骤4.将步骤3中得到的结果通过无线传输模式传送到监控室和消防机器人,远程控制打开摄像头,确定火灾有无,如有,则传输指令给消防机器人,消防机器人根据指令进行喷水灭火;
所分的权重按照每种方法的贡献,复合算法的预测值为:
采用如下方式对时间T的算法权重进行归一化处理,即可得到t+1时间点的算法权重:
2.根据权利要求1所述的一种基于复合算法的多传感器火灾预测方法,其特征在于,消防机器人包括温湿度传感器、烟雾传感器、可燃气体传感器、无线通信模块、报警闪灯、消防喷水枪。
3.根据权利要求1所述的一种基于复合算法的多传感器火灾预测方法,其特征在于,环境的基础数据包括温度、湿度、烟雾浓度、可燃气体浓度。
4.根据权利要求1所述的一种基于复合算法的多传感器火灾预测方法,其特征在于,训练预测模型所用的数据是分布在全国各处的大量传感器采集的历史大数据,是经过时间积累的。
5.根据权利要求1所述的一种基于复合算法的多传感器火灾预测方法,其特征在于,传感器检测到的基础数据是实时信息,所以用速率检测算法对其进行预处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110114009.5A CN112885021B (zh) | 2021-01-27 | 2021-01-27 | 一种基于复合算法的多传感器火灾预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110114009.5A CN112885021B (zh) | 2021-01-27 | 2021-01-27 | 一种基于复合算法的多传感器火灾预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112885021A CN112885021A (zh) | 2021-06-01 |
CN112885021B true CN112885021B (zh) | 2022-12-23 |
Family
ID=76052865
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110114009.5A Active CN112885021B (zh) | 2021-01-27 | 2021-01-27 | 一种基于复合算法的多传感器火灾预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112885021B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114792465B (zh) * | 2022-04-14 | 2023-03-24 | 广东永耀消防机电工程有限公司 | 一种基于区域报警模型的消防安全监控系统 |
CN115792333B (zh) * | 2022-11-16 | 2023-09-22 | 国网湖北省电力有限公司营销服务中心(计量中心) | 一种充电设备充电电流检测方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108009529A (zh) * | 2017-12-27 | 2018-05-08 | 北京林业大学 | 一种基于特征根和流体力学的森林火灾烟视频目标检测方法 |
JP2019079446A (ja) * | 2017-10-27 | 2019-05-23 | ホーチキ株式会社 | 火災監視システム |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104766433A (zh) * | 2015-04-23 | 2015-07-08 | 河南理工大学 | 基于数据融合的电气火灾报警系统 |
CN106779247A (zh) * | 2017-01-11 | 2017-05-31 | 陕西师范大学 | 基于熵值法组合优化的旅游需求的预测方法 |
US11275989B2 (en) * | 2017-05-22 | 2022-03-15 | Sap Se | Predicting wildfires on the basis of biophysical indicators and spatiotemporal properties using a long short term memory network |
CN108538013A (zh) * | 2018-04-04 | 2018-09-14 | 浙江工贸职业技术学院 | 一种带火灾探测功能的动车应急服务机器人 |
CN110097727A (zh) * | 2019-04-30 | 2019-08-06 | 暨南大学 | 基于模糊贝叶斯网络的森林火灾预警方法及系统 |
CN111625994B (zh) * | 2020-05-25 | 2022-10-25 | 齐鲁工业大学 | 一种基于动态集成神经网络的多源信息融合火灾预测方法 |
-
2021
- 2021-01-27 CN CN202110114009.5A patent/CN112885021B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019079446A (ja) * | 2017-10-27 | 2019-05-23 | ホーチキ株式会社 | 火災監視システム |
CN108009529A (zh) * | 2017-12-27 | 2018-05-08 | 北京林业大学 | 一种基于特征根和流体力学的森林火灾烟视频目标检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112885021A (zh) | 2021-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112885021B (zh) | 一种基于复合算法的多传感器火灾预测方法及系统 | |
CN101251942B (zh) | 地下空间火灾智能检测预警预报方法及装置 | |
Wu et al. | An intelligent tunnel firefighting system and small-scale demonstration | |
CN101162545A (zh) | 高层建筑火灾光温复合智能监测预报装置 | |
CN112002095A (zh) | 一种矿山洞内的火灾预警方法 | |
CN113053053B (zh) | 基于粒子群优化的区间论证多传感器融合的灾难蜂窝报警联动系统 | |
CN113763667B (zh) | 一种基于5g边缘计算的火灾预警及状态监测装置及方法 | |
CN108648403A (zh) | 一种自学习消防安全预警方法及系统 | |
CN103913721A (zh) | 一种基于人工神经网络的室内人员智能感知方法 | |
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 | |
CN110930632B (zh) | 一种基于人工智能的预警系统 | |
CN116052360B (zh) | 一种消防报警系统 | |
CN113034833A (zh) | 一种基于多传感器融合的人工智能信息管理系统 | |
CN113409538A (zh) | 一种智能远程监控预警管理系统 | |
CN115903973A (zh) | 一种基于物联网的火灾探测及应急联动控制系统 | |
KR102519474B1 (ko) | 설비 동작 상태 분석을 통한 건물 내 설비의 이상상태 예측 시스템 및 방법 | |
CN115964503A (zh) | 基于社区设备设施的安全风险预测方法及系统 | |
CN113554364A (zh) | 灾害应急管理方法、装置、设备及计算机存储介质 | |
CN201117044Y (zh) | 基于光温复合智能监测的高层建筑火灾预报装置 | |
CN116893654A (zh) | 一种硫酸氨基葡萄糖胶囊制剂制备设备运行状态监控系统 | |
Xue | The road tunnel fire detection of multi-parameters based on BP neural network | |
CN115115117A (zh) | 基于区块链的智慧处理分析系统 | |
CN107230312B (zh) | 一种有效的森林火灾监测系统 | |
Nguyen-Anh et al. | Prediction of forest fire risk to trigger iots reconfiguration action | |
CN118091054B (zh) | 一种危险气体在线监测系统和方法 |
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 |