CN114187728A - 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 - Google Patents

Abstract

本发明提供了一种基于人工智能算法和动态数字孪生技术的建筑火灾监测方法，包括：训练数据库生成步骤，基于目标建筑物的信息构建线下数字孪生模型，并进行不同建筑火灾情景的数值模拟，以生成用于人工智能模型进行训练的训练数据库；模型训练步骤，利用所生成的训练数据库对所述人工智能模型进行训练以生成火灾预测模型；火灾数据获取步骤，获取实时火灾现场监测数据；以及火灾预测步骤，利用所述火灾预测模型，基于所获得的实时火灾现场监测数据进行分析和计算，以生成火灾预测结果并向用户通知所述火灾预测结果。

Description

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

技术领域

本发明涉及一种火灾实时监测方法和系统，尤其是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。

背景技术

建筑火灾严重威胁着被困人员及消防员的生命安全。为了尽可能地降低人员伤亡和财产损失，亟需一个能够及时而准确的监测火灾监测系统。目前城市内大多数基础设施和建筑都安装了闭路电视系统，并可据此形成火灾探测和报警系统。然而，由于火灾产生的烟气会迅速降低建筑物内的可见度，阻挡了摄像头的监控画面，难以为消防员提供后续参考。此外，其他基于各种传感器(如烟雾或温度探测器)的系统虽然能够较为准确地判断火灾的出现及其位置，却无法给出火灾的严重程度、火势的发展态势或关键(灾害性)事件的发生等信息，从而无法为消防救援和人员疏散工作提供足够的火场信息，也无法为消防人员提供关键事件的预警信息，从而增加了消防人员遇到危险的可能。而且，现有的消防系统无法直观地展示建筑内的火灾场景，这使得消防救援和疏散工作的不能有针对性地进行，从而降低了救援效率，增加了消防救援人员以及待救援人员遇到危险的可能。

发明内容

鉴于上述背景，本发明的目的是提供一种火灾实时监测方法和系统。

本领域技术人员将从下面的描述中得出本发明的其他目的。因此，上述对象陈述不是穷尽的，仅用于说明本发明的许多目的中的一些。

因此，本发明的一个方面提供一种基于人工智能算法和动态数字孪生技术的建筑火灾监测方法，包括：训练数据库生成步骤，基于目标建筑物的信息构建线下数字孪生模型，并进行不同建筑火灾情景的数值模拟，以生成用于人工智能模型进行训练的训练数据库；模型训练步骤，利用在所述训练数据库生成步骤中所生成的训练数据库对所述人工智能模型进行训练，以生成火灾预测模型；火灾数据获取步骤，获取来自于火灾现场中所设置的传感器的实时火灾现场监测数据；以及火灾预测步骤，利用所述火灾预测模型，基于所获取的实时火灾现场监测数据进行分析和计算，以生成火灾预测结果并向用户通知所述火灾预测结果。

在一个实施例中，该训练数据库生成步骤包括：基于所述目标建筑的信息，构建所述目标建筑物的线下数字孪生模型；利用所述线下数字孪生模型来进行数值模拟计算，并改变模型参数，以获得关于火灾场景和/或关键事件的海量数据；以及利用所获得海量数据来生成所述训练数据库。

在一个实施例中，所述火灾数据包括以下中的一个或多个：温度、烟气浓度、视频和图片。

在一个实施例中，所述火灾预测结果包括温度随时间的分布以及火灾烟气浓度随时间的分布。

在一个实施例中，所述火灾预测模型为与所述线下数字孪生模型相对应的、基于所述实时火灾现场监测数据的动态实时在线的数字孪生模型。

在一个实施例中，在所述火灾预测步骤中，还基于所述火灾预测结果与预设的预警阈值的比较结果来实时生成预警信息。

在一个实施例中，所述预警信息包括安全程度、火灾现场温度信息、火灾现场可见度信息以及火灾现场中的一氧化碳浓度的信息。

在一个实施例中，将所述训练数据库、所述火灾预测模型以及由所

述传感器实时检测到的火灾现场数据被传输并被保存在云服务器上。

根据本发明的另一个方面，提供一种基于人工智能算法和动态数字孪生技术的建筑火灾监测装置，包括：训练数据库生成单元，基于目标建筑物的信息构建线下数字孪生模型，并进行不同建筑火灾情景的数据模拟，以生成用于人工智能模型进行训练的训练数据库；模型训练单元，利用由所述训练数据库生成单元所生成的训练数据库对所述人工智能模型进行训练，以生成火灾预测模型；火灾数据获取单元，获取来自于火灾现场中所设置的传感器的实时火灾现场监测实时数据；火灾预测单元，利用所述火灾预测模型，基于所获得的实时火灾现场监测数据进行分析和计算，以生成火灾预测结果并向用户通知所述火灾预测结果。

根据本发明的另一个方面，提供一种基于人工智能算法和动态数字孪生技术的火灾监测系统，包括：传感器网络，设置在目标建筑内，被配置为检测所述目标建筑内的实时火灾现场监测数据；数据采集器，被配置为将来自所述传感器网络中的传感器的实时火灾现场监测数据发送到数据处理装置；数据处理装置，被配置为利用经训练的火灾预测模型，基于所述实时火灾现场监测数据对所述火灾现场的火灾场景进行分析和计算，以生成火灾预测结果，并向用户通知所述火灾预测结果。其中，该火灾预测模型可以是以上提到的各示例中的火灾预测模型，例如本发明的第一方面中生成的火灾预测模型。

本发明提出了一种新型的基于人工智能和数字孪生技术的建筑火灾安全监测方法与系统，能够实时而准确地估计火灾场景(如火源位置、严重程度和烟气蔓延情况等)，从而为现场灭火救援决策提供参考。

附图说明

从以下仅作为示例并结合附图提供的优选实施例的描述中，本发明的前述和另外的特征将变得显而易见，附图中：

图1示出了根据本发明的部分实施例的建筑火灾安全监测方法的流程图。

图2示出了根据本发明的部分实施例的建筑火灾安全监测方法的原理性示意图。

图3示出了根据本发明的部分实施例的建筑火灾安全监测装置的功能模块。

图4示出了根据本发明部分实施例的火灾监测系统的示意图。

图5示出了根据本发明部分实施例的中文用户界面的示例。

图6示出了根据本发明部分实施例的英文用户界面的示例。

具体实施方式

在随后的权利要求和本发明的前述描述中，除了由于表达语言或必要暗示所带来的上下文另外需要外，词语“包括”或例如变型(例如，“包含”或“含有”)以包括性的方式使用，即，指明所述特征的存在，但不排除在本发明的各种实施例中存在或添加另外特征。

应该理解的是，如果在本文中被引用任何现有技术出版物，那么这样的参考文献并不构成承认该出版物形成了在任何国家中、本领域中公知常识的一部分。

以下将结合附图1来说明本发明的基于人工智能算法和数字孪生技术的建筑火灾安全监测方法

在步骤S110中，基于目标建筑物的信息构建数字孪生模型来进行不同建筑火灾情景的数据模拟，以生成用于对人工智能模型进行训练的训练数据库。

在该步骤中，首先针对目标建筑构建基于该目标建筑物的线下非实时的数字孪生模型。可选地，该数字孪生模型是允许后期渲染的，(例如，在没有火的时候只有上下两条线表示隧道，在有火的时候显示温度分布)。有了这个数字孪生模型之后，可以生成FDS文件，然后进行后续模拟。

然后，利用该线下数字孪生模型来进行数值模拟计算，并改变模型参数，以获得关于火灾场景和/或关键事件的海量数据，而后利用所获得海量数据来生成训练数据库。

其中，目标建筑物可以是待监测的建筑，例如中庭、高大空间、隧道和地下空间。下文中以目标建筑为隧道为例进行了描述。

在该步骤中，通过首先选择待监测建筑，然后对大量火灾场景的数值模拟(或火灾实验)建立了相应的数据库，以用于在后续步骤中训练用于火灾预测的人工智能模型。

在步骤S120中，利用在上一步骤中生成的训练数据库对该人工智能模型进行训练，以生成火灾预测模型。该人工智能模型例如可以是LSTM模型。

在该步骤中，通过选择适合的人工智能算法对人工智能模型进行训练，得到了用于火灾预测的人工智能模型，即火灾预测模型。该火灾预测模型为与所述线下数字孪生模型相对应的、基于实时火灾现场监测数据的动态实时在线的数字孪生模型。该训练所得到的火灾预测模型可以被存储于云服务器，另外在某些场景中也可以被存储于本地服务器。

在步骤S130中，获取来自于火灾现场中所设置的传感器的实时火灾现场监测数据。

其中，火灾现场中所设置的传感器可以被实现为在目标建筑内安装的传感器网络，以多角度全方位地获取传感器数据。传感器可以包括温度传感器、烟雾传感器等。传感器所感测到的数据可以被传送并存储在云服务器中，以供后续使用。另外在某些场景中，也可以将该数据存储于本地服务器。

在该步骤中，实现了对目标建筑内环境进行实时监测，以实现对火灾的准确预测。

在步骤S140中，利用该火灾预测模型基于所获得的实时火灾现场监测数据进行分析和计算，以生成火灾预测结果并向用户通知该预测结果。

在该步骤中，用于火灾预测的人工智能模型能够在火灾发生时，依据传感器网络采集的实时监测数据，给出重要的火场信息(如火源位置和火势大小等)。从而便于指定救援策略。

其中，该预测的结果可以包括温度随时间的分布和烟气浓度随时间的分布，并且可以被显示在用户界面上，如附图5中302所示的温度/

可见度/CO浓度随着隧道的长度的变化。该预测结果可以被传输并存储到云服务器上。

在步骤S150中，基于火灾预测结果与预设的预警阈值的比较结果来生成预警信息。

其中，预警信息可以预警信息的示例如附图5中所示的危险提示区域301中所示的安全程度信息、火灾现场温度信息、火灾现场可见度信息以及火灾现场中的一氧化碳的信息。预设的预警阈值可以由用户通过附图5中所示的界面中的“计算设置区”的相关参数来设置。例如，将“变量类别”选择为“温度”，然后在“最高温度(℃)”项中可以选择或者填上“200”。

在该步骤中，通过生成预警信息并将其传输至用户界面，使得能够辅助现场消防救援行动和决策。

以下将结合附图2中的示例来进一步详细说明本发明的建筑火灾安全监测方法的原理。

附图2中示出了以下组件/动作：建筑物模型101、各种火灾场景的数值模拟/实验102、火灾场景和关键事件数据库103、待训练的人工智能算法104、已训练的人工智能模型105、传感器采集的火灾现场实时数据106以及重要火场信息预测和关键事件预警107。其中，建筑物数字孪生模型101、各种火灾场景的数值模拟/实验102、火灾场景和关键事件数据库103用于构建训练数据库，以对算法104进行训练，该算法经训练而生成用于火灾预测和预定的人工智能模型105。目标建筑中布置的传感器将采集到的火灾现场的数据传输给用于火灾预测和预定的人工智能模型105，其对数据进行处理以生成火灾预测结果，并将基于所述预测结果的预警107显示在诸如电脑上显示器、可触摸屏、移动终端的触摸屏等的用户交互界面上。

图3中示出了本发明的基于人工智能算法和数字孪生技术的建筑火灾安全装置，包括：训练数据库生成单元110，基于目标建筑物的的信息构建线下数字孪生模型并进行不同建筑火灾情景的数据模拟，以生成用于人工智能模型进行训练的训练数据库；火灾预测模型训练单元120，利用由训练数据库生成单元所生成的训练数据库对该人工智能模型进行训练，以生成火灾预测模型；火灾数据获取单元130，获取来自于火灾现场中所设置的传感器的实时火灾现场监测数据；以及火灾预测单元140，利用火灾预测模型，基于所获得的实时火灾现场监测数据进行分析和计算，以生成火灾预测结果并将该预测结果通知给用户。

以上各单元与附图1中所示的方法步骤相对应，在此不再赘述。

以下将结合附图4和5来说明本发明的基于人工智能算法和动态数字孪生技术的火灾监测系统。

如图4所示，该系统包括传感器网络(或传感器集合)201、数据采集器202、云服务器203、数据库204、已训练的人工智能模型205和用户界面206。图中实线箭头表示有线数据传输，虚线箭头表示无线数据传输

传感器网络201设置在目标建筑内，用于为检测诸如隧道的目标建筑内的实时火灾现场监测数据。该传感器可以检测火灾现场的数据，例如温度、烟气浓度、视频、图像等。数据采集器202用于将传感器网络201中的传感器检测到的实时火灾现场数据发送到进行处理的部件，以进行后续的计算和处理。在本实施例中，数据采集器202与云服务器203网络连接，并能够将采集到的数据按照预先设定的格式存储在数据库204中。另外，采集到的数据也可以存储在本地存储器上。

人工智能模型205可以是附图1和2中所训练的用于进行火灾预测的火灾预测模型，其能够读取数据库204中存储的数据以对火灾场景进行实时识别、预测和预警。人工智能模型205还可以将预测结果和预警信息发送在诸如个人电脑和移动终端的上用户界面206，使得以直观的方式将预测结果和预警信息呈现给用户，从而为消防员灭火救援决策提供参考。

以下结合附图5和6来说明书用户界面206的详细示例。其中附图5中示出了中文界面，附图6示出了对应的英文界面。用户可通过用户界面206连接云服务器，并将人工智能预测和预警信息实时渲染在数字孪生模型上，以达到直观展示的效果。用户界面包括安全预警区、识别与预测信息显示区、用户设置区和操作提示区。界面支持用户参数自定义设定，使得数据展示更加灵活。

具体地，如图所示，用户界面206上可以显示以下的项301-309。

危险提示区(或安全预警区)301：基于火灾预测而确定的火灾现场中的关于安全的参数，包括但不限于：总体安全程度(例如：安全、危险等等)；温度(例如：5分钟、10分钟等等。表示在该火场空间内的温度在5分钟之内是低于预设阈值的)；可见度(例如：5分钟、10分钟等等。表示在该火场空间内的可见度在5分钟之内是低于预设阈值的)；以及一氧化碳(例如：5分钟、10分钟等等。表示在该火场空间内的一氧化碳浓度在5分钟之内是低于预设阈值的)等等。

结果展示区(或识别与预测信息显示区)302，其例如包括建筑数字孪生的火场预测数据305和火场监测数据306。火场预测数据305例如可以包括温度/可见度/一氧化碳浓度随着隧道长度的变化，还可以显示包括位置、火源功率、风速之类的相关参数。火场监测数据306可以显示火灾现场中的传感器所检测到的现场数据，例如当前温度，以及温度随时间或者位置(例如隧道长度)的变化曲线。

用户设置区303：用户能够针对其自身需求和条件在该区域中进行设置。用户设置区303包括：数据库连接区，用户能够在其中输入或选择服务器IP地址；服务器连接设置307，用户能够在其中输入或选择用户名和密码。

用户设置区303还可以包括计算设置区，用户能够在其中设置在进行关于火灾预测的计算时的相关数据，例如：画面刷新时间频率、安全阈值的设定(最高温度、最大可见度以及最高火源功率等等)。

预测预警显示设置308：用户能够在其中设置关于显示预测结果或检测数据等时的相关设定。

功能按键309：其包括对网络连接、预测/显示的进程进行控制、以及显示历史结果的相关项目，还可以包括使用手册等帮助项目。

用户使用时，首先将服务器连接信息输入服务器连接设置以连接服务器。通过设置计算设置区中的预警阈值可控制安全预警区301中的安全预警显示，通过设置预测预警显示设置308中的显示阈值可控制305中的预测图像显示。功能按键309中的按键信息和301中的预警信息可显示在命令提示区304。可通过按钮切换界面语言，如附图5和6所示，界面支持简体中文和英语。

本发明的火灾监测系统，将人工智能和数字孪生技术结合以用于建筑火灾安全的监测，通过应用人工智能和数字孪生技术的系统，实现建筑火灾安全的监测。而且，从火灾现场数据采集到最终用户界面显示，整个过程实现动态实时采集，提高了检测精度，改善了火灾预测效果。另外，在本发明中，通过结合数值模拟/实验数据的方法构建人工智能训练所需的建筑火灾数据库，从而改善了火灾预测效果。并且，本发明通过开发内嵌有数字孪生模型的用户界面，用于读取云服务器的数据并直观展示给消防人员，使得消防和救援人员能够及时高效地了解火灾现场的火灾信息，有助于消防和救援人员迅速、准确地指定救援策略。

以上结合附图详细示出和描述本发明，但是其应被视为是说明性而不是限制性，应该理解，仅示出和描述了示例性实施例，并且不以任何方式限制本发明。可以理解，本文描述的任何特征可以用于任何实施例。说明性实施例并不排除彼此或排除本文未列举的其他实施例。因此，本发明还提供了包括上述的示例性实施例中的一个或多个的组合。可以在不背离本发明的精神和范围的情况下，对本发明进行修改和变型，因此，只应该如所附权利要求所指示的那进行此种限制。

Claims (18)

1.一种基于人工智能算法和动态数字孪生技术的建筑火灾监测方法，包括：

训练数据库生成步骤，基于目标建筑物的信息构建线下数字孪生模型，并进行不同建筑火灾情景的数值模拟，以生成用于人工智能模型进行训练的训练数据库；

模型训练步骤，利用在所述训练数据库生成步骤中所生成的训练数据库对所述人工智能模型进行训练，以生成火灾预测模型；

火灾数据获取步骤，获取来自于火灾现场中所设置的传感器的实时火灾现场监测数据；以及

火灾预测步骤，利用所述火灾预测模型，基于所获取的实时火灾现场监测数据进行分析和计算，以生成火灾预测结果并向用户通知所述火灾预测结果。

2.根据权利要求1所述的方法，其中，所述训练数据库生成步骤包括：

基于所述目标建筑的信息，构建所述目标建筑物的线下数字孪生模型；

利用所述线下数字孪生模型来进行数值模拟计算，并改变模型参数，以获得关于火灾场景和/或关键事件的海量数据；以及

利用所获得海量数据来生成所述训练数据库。

3.根据权利要求1所述的方法，其中，所述火灾数据包括以下中的一个或多个：温度、烟气浓度、视频和图片。

4.根据权利要求1所述的方法，其中，所述火灾预测结果包括温度随时间的分布以及火灾烟气浓度随时间的分布。

5.根据权利要求1所述的方法，其中，所述火灾预测模型为与所述线下数字孪生模型相对应的、基于所述实时火灾现场监测数据的动态实时在线的数字孪生模型。

6.根据权利要求1所述的方法，其中，在所述火灾预测步骤中，还基于所述火灾预测结果与预设的预警阈值的比较结果来实时生成预警信息。

7.根据权利要求6所述的方法，其中，所述预警信息包括安全程度、火灾现场温度信息、火灾现场可见度信息以及火灾现场中的一氧化碳浓度的信息。

8.根据权利要求1所述的方法，其中，将所述训练数据库、所述火灾预测模型以及由所述传感器实时检测到的火灾现场数据被传输并被保存在云服务器上。

9.一种基于人工智能算法和动态数字孪生技术的建筑火灾监测装置，包括：

训练数据库生成单元，基于目标建筑物的信息构建线下数字孪生模型，并进行不同建筑火灾情景的数据模拟，以生成用于人工智能模型进行训练的训练数据库；

模型训练单元，利用由所述训练数据库生成单元所生成的训练数据库对所述人工智能模型进行训练，以生成火灾预测模型；

火灾数据获取单元，获取来自于火灾现场中所设置的传感器的实时火灾现场监测实时数据；

火灾预测单元，利用所述火灾预测模型，基于所获得的实时火灾现场监测数据进行分析和计算，以生成火灾预测结果并向用户通知所述火灾预测结果。

10.根据权利要求9所述的装置，其中，所述火灾预测单元进一步被配置为基于所述火灾预测结果与预设的预警阈值的比较结果来生成预警信息。

11.一种基于人工智能算法和动态数字孪生技术的火灾监测系统，包括：

传感器网络，设置在目标建筑内，被配置为检测所述目标建筑内的实时火灾现场监测数据；

数据采集器，被配置为将来自所述传感器网络中的传感器的实时火灾现场监测数据发送到数据处理装置；

数据处理装置，被配置为利用经训练的火灾预测模型，基于所述实时火灾现场监测数据对所述火灾现场的火灾场景进行分析和计算，以生成火灾预测结果，并向用户通知所述火灾预测结果。

12.根据权利要求11所述的系统，其中，所述数据处理装置包括存储单元以及火灾预测单元，所述存储器能够存储来自所述传感器网络中的传感器的火灾现场监测数据，所述火灾预测单元包括所述火灾预测模型。

13.根据权利要求11所述的系统，其中，所述火灾预测模型通过以下方式进行训练而获得：

基于目标建筑物的线下数字孪生模型来进行数据模拟，以生成用于对待训练的人工智能模型进行训练的训练数据库；以及

利用中所生成的训练数据库对所述待训练的人工智能模型进行训练，以生成所述火灾预测模型。

14.根据权利要求11所述的系统，其中，所述数据处理装置为云服务器。

15.根据权利要求11所述的系统，其中，所述数据处理装置基于所述火灾预测结果与预设的预警阈值的比较结果来生成预警信息。

16.根据权利要求11所述的系统，其中，所述系统还包括呈现单元，被配置为从所述数据处理装置接收所述火灾预测结果并将所述火灾预测结果在用户界面上呈现给用户。

17.根据权利要求11所述的系统，其中，所述系统还包括呈现单元，被配置为从所述数据处理装置接收所述火灾预测结果和所述预警信息，并将其呈现给用户。

18.根据权利要求11所述的系统，其中，所述系统还包括呈现单元，包括目标建筑物的数字孪生模型。

Images