CN115376266A - 一种基于aiot的火灾安全风险预警方法与系统 - Google Patents
一种基于aiot的火灾安全风险预警方法与系统 Download PDFInfo
- Publication number
- CN115376266A CN115376266A CN202210996695.8A CN202210996695A CN115376266A CN 115376266 A CN115376266 A CN 115376266A CN 202210996695 A CN202210996695 A CN 202210996695A CN 115376266 A CN115376266 A CN 115376266A
- Authority
- CN
- China
- Prior art keywords
- fire
- data
- monitoring device
- monitoring
- signal
- 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 42
- 238000012806 monitoring device Methods 0.000 claims abstract description 157
- 238000012544 monitoring process Methods 0.000 claims abstract description 92
- 239000000779 smoke Substances 0.000 claims abstract description 89
- 238000012790 confirmation Methods 0.000 claims abstract description 22
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 20
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 7
- 238000005265 energy consumption Methods 0.000 abstract description 7
- 230000006870 function Effects 0.000 description 18
- 238000001514 detection method Methods 0.000 description 9
- 230000008901 benefit Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 230000008054 signal transmission Effects 0.000 description 4
- 239000002699 waste material Substances 0.000 description 4
- 239000000463 material Substances 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- G08B17/125—Actuation by presence of radiation or particles, e.g. of infrared radiation or of ions by using a video camera to detect fire or smoke
-
- 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
- G08B25/14—Central alarm receiver or annunciator arrangements
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y20/00—Information sensed or collected by the things
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y20/00—Information sensed or collected by the things
- G16Y20/10—Information sensed or collected by the things relating to the environment, e.g. temperature; relating to location
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/10—Detection; Monitoring
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/20—Analytics; Diagnosis
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/50—Safety; Security of things, users, data or systems
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
Landscapes
- Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Emergency Management (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Toxicology (AREA)
- Environmental & Geological Engineering (AREA)
- Computer Networks & Wireless Communication (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Computer Security & Cryptography (AREA)
- Biomedical Technology (AREA)
- Alarm Systems (AREA)
Abstract
本发明提供一种基于AIOT的火灾安全风险预警方法与系统,属于物联网技术领域,具体包括:火焰监测装置对实时火焰数据进行监测并将疑似火灾信号和火焰数据传递给服务器;服务器在接收到疑似火灾信号后,将所述开启信号传递给烟雾监测装置、CO监测装置、CO2监测装置并基于所述火焰数据、所述CO数据、所述CO2数据、所述烟雾数据构建输入集,将输入集输入到基于GBDT与IPSO‑LSSVM算法组成的预测模型中,预测得到此时的火灾状态,当确定存在火灾时,服务器将火灾状态信号传输至摄像装置,摄像装置接收到火灾状态信号后,开启对室内进行监控得到监控图像,并基于监控图像得到火灾确认状态,从而在保证精确度的基础上,进一步降低了整体的能耗。
Description
技术领域
本发明属于物联网技术领域,尤其涉及一种基于AIOT的火灾安全风险预警方法与系统。
背景技术
近年来,随着社会的发展和进步,城市中出现了越来越多的高层建筑、大型建筑和各种各样的类似场所,消防安全监督管理部门人员有限,消防安全监管缺乏有效的技术支持和社会手段协调,无法及时发现、消除和纠正重大火灾隐患,隐患风险和发生概率仍然很高。由于先进的消防检测系统投入率与普及率极低,陈旧老式的监管方法与控制系统无法跟上社区发展程度、人口密集程度与数据庞大程度的进程,消防安全形势十分严峻。
论文《基于PNN算法的多传感器火灾探测技术研究》作者张志华等以火焰、烟雾、CO和CO2四种火灾特征的组合为例,基于MATLAB,运用PNN对实验采集到的数据进行训练和仿真测试。测试结果表明,采用PNN将多传感器信息融合后对火灾探测的准确度远高于单一种类火灾探测器;当扩展系数取0.3时,PNN对测试数据进行模式识别的准确度可高达98.95%。训练后的PNN可以更好地用于火灾的探测,但是对于室内的火灾探测来说,长期处于正常状态,若不能根据室内的火焰传感器的感知情况进行其他传感器的实时开启,而实时将火焰、烟雾、CO和CO2所有的传感器开启,会导致巨大的不必要的巨大浪费,且没有通过摄像装置的确定,会导致一定的误报错报风险。
针对上述技术问题,本发明提供了一种基于AIOT的火灾安全风险预警方法与系统。
发明内容
根据本发明的一个方面,提供了一种基于AIOT的火灾安全风险预警方法。
一种基于AIOT的火灾安全风险预警方法,其特征在于,具体包括:
S11火焰监测装置对实时火焰数据进行监测,当所述火焰数据大于第一火焰阈值且持续时间大于第一时间阈值时,产生疑似火灾信号并将所述疑似火灾信号和所述火焰数据传递给服务器;
S12所述服务器在接收到所述疑似火灾信号后,产生开启信号并将所述开启信号传递给烟雾监测装置、CO监测装置、CO2监测装置;
S13所述烟雾监测装置、所述CO监测装置、所述CO2监测装置接收到开启信号后,所述烟雾监测装置开启监测室内的烟雾数据并将所述烟雾数据传递给服务器,所述CO监测装置开启监测室内的CO数据并将所述CO数据传递给服务器、所述CO2监测装置开启监测室内的CO2数据并将所述CO2数据传递给服务器;
S14基于所述火焰数据、所述CO数据、所述CO2数据、所述烟雾数据构建输入集,将所述输入集输入到基于GBDT与IPSO-LSSVM算法组成的预测模型中,预测得到此时的火灾状态,所述火灾状态包括存在火灾和不存在火灾;
S15基于所述的火灾状态,当确定存在火灾时,所述服务器将所述火灾状态信号传输至所述摄像装置,所述摄像装置接收到所述火灾状态信号后,开启对室内进行监控得到监控图像,并基于所述监控图像得到火灾确认状态,所述火灾确认状态包括存在火灾和不存在火灾。
通过火焰监测装置对实时火焰数据进行监测,当所述火焰数据大于第一火焰阈值且持续时间大于第一时间阈值时,说明此时疑似存在火灾,产生疑似火灾信号并将所述疑似火灾信号和所述火焰数据传递给服务器,服务器接收到信号后,从而将烟雾监测装置、CO监测装置、CO2监测装置开启,开启后得到烟雾数据、CO数据、CO2数据,从而解决了原有的对于室内的火灾探测来说,长期处于正常状态,若不能根据室内的火焰传感器的感知情况进行其他传感器的实时开启,而实时将火焰、烟雾、CO和CO2所有的传感器开启,会导致巨大的不必要的巨大浪费的技术问题,在保证监测精度的基础上,极大的降低了能源的消耗,基于上述火焰数据、烟雾数据、CO数据、CO2数据,采用基于GBDT与IPSO-LSSVM算法组成的预测模型得到火灾状态,当确认存在火灾后,所述服务器将所述火灾状态信号传输至所述摄像装置,所述摄像装置接收到所述火灾状态信号后,开启对室内进行监控得到监控图像,并基于所述监控图像得到火灾确认状态,从而解决了有通过摄像装置的确定,会导致一定的误报错报风险的技术问题,极大的提升了判断的精确性和可靠性。
通过基于火焰数据判断存在疑似火灾状态时,再开启烟雾监测装置、CO监测装置、CO2监测装置,从而解决了原有的所有装置同时开启导致的巨大的能源浪费的技术问题,从而在保证整体的安全性和监测精度的基础上,进一步降低了能源消耗,通过采用基于上述火焰数据、烟雾数据、CO数据、CO2数据,从而使得输入集的种类很多,进一步的保证了预测的精度,同时采用基于GBDT与IPSO-LSSVM算法组成的预测模型得到火灾状态,利用了GBDT算法在相当少的调参时间下具有较高的预测精度的优点和对异常数据的鲁棒性较强的优点以及LSSVM算法具有较低的模型复杂度和更快的求解速度的优点,并为了进一步的LSSVM算法和整体模型的效率,采用改进粒子群算法对LSSVM算法的初始值进行寻优,极大的提升了整体的预测效率和精度,当摄像装置接收到火灾状态信号后再开启对所述房间进行监控,从而进一步降低了能源的消耗,并根据监控图像得到火灾确认状态,从而解决了原有的没有监控装置判断,导致的精确度不高的问题,在保证较低的能源消耗的基础上,进一步提升了预测和判断的精度。
进一步的技术方案在于,所述第一火焰阈值根据所述室内空间的大小、室内易燃物的数量确定。
通过与室内空间的大小、室内易燃物的数量相结合,去判断第一火焰阈值的大小,从而与房间内的实际状况相结合,从而解决了不同的房间阈值固定设置的导致的误动或者拒动导致的问题,进一步提升了整体的可靠性和安全性。
进一步的技术方案在于,所述烟雾监测装置、CO监测装置、CO2监测装置的开启步骤还可以为:
S21当所述烟雾监测装置得到所述开启信号后,当所述烟雾数据大于第一烟雾阈值且持续时间大于第二时间阈值时,将所述烟雾信号传递给所述CO监测装置和所述CO2监测装置;
S22当所述CO监测装置和所述CO2监测装置得到烟雾信号且得到开启信号后,才会开启对所述CO数据和所述CO2数据的监测。
通过第二时间阈值的设定,从而进一步提升了整体的稳定性,防止由于信号的误传送导致的错误启动问题的出现,当所述CO监测装置和所述CO2监测装置得到烟雾信号且得到开启信号后,才会开启对所述CO数据和所述CO2数据的监测,从而进一步降低了能源的消耗,只有存在一定的烟雾数据的基础上,开启CO监测装置和所述CO2监测装置才具有实际价值。
进一步的技术方案在于,当所述CO监测装置和所述CO2监测装置接收到开启信号,且接收到的烟雾信号持续时间大于第三时间阈值后,才会开启对所述CO数据和所述CO2数据的监测。
通过第三时间阈值的设定,从而进一步提升了整体的稳定性,防止由于信号的误传送导致的错误启动问题的出现。
进一步的技术方案在于,当所述火焰监测装置产生所述疑似火灾信号,但所述火灾状态和所述火灾确认状态至少有一项为不存在火灾,则确认此时不存在火灾,并加快所述火焰监测装置的监测频率。
虽然此时不存在火灾,但是存在极大的安全风险,因此通过加快所述火焰监测装置的监测频率,可以进一步提升安全性和可靠性。
进一步的技术方案在于,还包括消防栓压力监测装置,所述压力监测装置对所述消防栓的水压进行实时监测,并将所述监测数据传输给所述服务器。
进一步的技术方案在于,当所述火焰监测装置产生所述疑似火灾信号,但所述火灾状态和所述火灾确认状态至少有一项为不存在火灾,则确认此时不存在火灾,并基于所述水压数据、所述火焰数据、所述疑似火灾信号一天内向所述服务器上传的次数,通过层次分析法,构建火灾风险等级函数,求得火灾风险等级,并将所述火灾风险等级传输给监控人员的监控终端。
通过基于所述水压数据、所述火焰数据、所述疑似火灾信号一天内向所述服务器上传的次数,通过层次分析法,构建火灾风险等级函数,求得火灾风险等级,并将所述火灾风险等级传输给监控人员的监控终端,从而不仅仅从火灾产生的基础上进行安全风险的把控,而且从消除火灾的水压的方面进行安全风险的考虑,从而进一步提升了火灾风险等级函数的指导意义和可靠性,也进一步提升了整体的可靠性。
进一步的技术方案在于,所述火灾风险函数的具体公式为:
D=K1(S-S1)+K2H2+K3eC
其中D为火灾风险数据,S、H、C分别为所述水压数据、所述火焰数据、所述疑似火灾信号一天内向所述服务器上传的次数,K1、K2、K3分别为所述水压数据、所述火焰数据、所述疑似火灾信号一天内向所述服务器上传的次数的权值,S1为保证供水安全的基础水压。
通过火灾风险等级函数的设定,使得火灾风险等级被量化,进一步提升了火灾等级的判断的可靠性和稳定性,由于H和C在火灾风险函数中的指导意义大于水压数据,因此通过函数的设置,进一步提升了整体的可靠性和指导意义。
进一步的技术方案在于,当所述火灾风险数据小于第一风险阈值时,此时为无风险;当所述火灾风险数据大于或者等于第一风险阈值时,此时为中风险,需要加强对所述房间的监测频率;当所述火灾风险数据大于第二风险阈值时,此时为高风险,此时对所述房间进行排查,降低火灾风险。
另一方面,本发明提供了一种基于AIOT的火灾安全风险预警系统,采用上述的一种基于AIOT的火灾安全风险预警方法,具体包括:
火焰监测装置、服务器、烟雾监测装置、CO监测装置、CO2监测装置、摄像装置;
其中所述火焰监测装置负责对实时火焰数据进行监测,当所述火焰数据大于第一火焰阈值且持续时间大于第一时间阈值时,产生疑似火灾信号并将所述疑似火灾信号和所述火焰数据传递给服务器;
所述服务器负责在接收到所述疑似火灾信号后,产生开启信号并将所述开启信号传递给烟雾监测装置、CO监测装置、CO2监测装置;接收所述烟雾监测装置传递的所述烟雾数据,接收所述CO监测装置传递的所述CO数据,接收所述CO2监测装置传递的所述CO2数据;基于所述火焰数据、所述CO数据、所述CO2数据、所述烟雾数据构建输入集,将所述输入集输入到基于GBDT与IPSO-LSSVM算法组成的预测模型中,预测得到此时的火灾状态,所述火灾状态包括存在火灾和不存在火灾;基于所述的火灾状态,当确定存在火灾时,所述服务器将所述火灾状态信号传输至所述摄像装置;
所述烟雾监测装置负责接收所述服务器的所述开启信号,并开启监测室内的烟雾数据并将所述烟雾数据传递给服务器;
所述CO监测装置负责接收所述服务器的所述开启信号,并开启监测室内的CO数据并将所述CO数据传递给服务器;
所述CO2监测装置负责接收所述服务器的所述开启信号,并开启监测室内的CO2数据并将所述CO2数据传递给服务器;
所述摄像装置负责接收所述服务器的火灾状态信号,并当所述服务器接收到所述火灾状态信号后,对室内进行监控得到监控图像,并基于所述监控图像得到火灾确认状态,所述火灾确认状态包括存在火灾和不存在火灾。
其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
通过参照附图详细描述其示例实施方式,本发明的上述和其它特征及优点将变得更加明显。
图1为本发明一种基于AIOT的火灾安全风险预警方法的流程图;
图2为本发明烟雾监测装置、CO监测装置、CO2监测装置的另外一种开启步骤的流程图;
图3为一种基于AIOT的火灾安全风险预警系统的构成图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的实施方式;相反,提供这些实施方式使得本发明将全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。图中相同的附图标记表示相同或类似的结构,因而将省略它们的详细描述。
用语“一个”、“一”、“该”、“所述”用以表示存在一个或多个要素/组成部分/等;用语“包括”和“具有”用以表示开放式的包括在内的意思并且是指除了列出的要素/组成部分/等之外还可存在另外的要素/组成部分/等。
近年来,随着社会的发展和进步,城市中出现了越来越多的高层建筑、大型建筑和各种各样的类似场所,消防安全监督管理部门人员有限,消防安全监管缺乏有效的技术支持和社会手段协调,无法及时发现、消除和纠正重大火灾隐患,隐患风险和发生概率仍然很高。由于先进的消防检测系统投入率与普及率极低,陈旧老式的监管方法与控制系统无法跟上社区发展程度、人口密集程度与数据庞大程度的进程,消防安全形势十分严峻。
论文《基于PNN算法的多传感器火灾探测技术研究》作者张志华等以火焰、烟雾、CO和CO2四种火灾特征的组合为例,基于MATLAB,运用PNN对实验采集到的数据进行训练和仿真测试。测试结果表明,采用PNN将多传感器信息融合后对火灾探测的准确度远高于单一种类火灾探测器;当扩展系数取0.3时,PNN对测试数据进行模式识别的准确度可高达98.95%。训练后的PNN可以更好地用于火灾的探测,但是对于室内的火灾探测来说,长期处于正常状态,若不能根据室内的火焰传感器的感知情况进行其他传感器的实时开启,而实时将火焰、烟雾、CO和CO2所有的传感器开启,会导致巨大的不必要的巨大浪费,且没有通过摄像装置的确定,会导致一定的误报错报风险。
实施例1
如图1所示,本实施例1提供了一种基于AIOT的火灾安全风险预警方法。
一种基于AIOT的火灾安全风险预警方法,其特征在于,具体包括:
S11火焰监测装置对实时火焰数据进行监测,当所述火焰数据大于第一火焰阈值且持续时间大于第一时间阈值时,产生疑似火灾信号并将所述疑似火灾信号和所述火焰数据传递给服务器;
S12所述服务器在接收到所述疑似火灾信号后,产生开启信号并将所述开启信号传递给烟雾监测装置、CO监测装置、CO2监测装置;
S13所述烟雾监测装置、所述CO监测装置、所述CO2监测装置接收到开启信号后,所述烟雾监测装置开启监测室内的烟雾数据并将所述烟雾数据传递给服务器,所述CO监测装置开启监测室内的CO数据并将所述CO数据传递给服务器、所述CO2监测装置开启监测室内的CO2数据并将所述CO2数据传递给服务器;
S14基于所述火焰数据、所述CO数据、所述CO2数据、所述烟雾数据构建输入集,将所述输入集输入到基于GBDT与IPSO-LSSVM算法组成的预测模型中,预测得到此时的火灾状态,所述火灾状态包括存在火灾和不存在火灾;
S15基于所述的火灾状态,当确定存在火灾时,所述服务器将所述火灾状态信号传输至所述摄像装置,所述摄像装置接收到所述火灾状态信号后,开启对室内进行监控得到监控图像,并基于所述监控图像得到火灾确认状态,所述火灾确认状态包括存在火灾和不存在火灾。
具体的举个例子,当火焰监测装置监测得到的火焰数据为20,第一火焰阈值为10,此时服务器得到火焰监测装置发出的疑似火灾信号和火焰数据,服务器会将开启信号发送给烟雾监测装置、CO监测装置、CO2监测装置,此时服务器根据烟雾监测装置监测的烟雾数据、CO监测装置监测的CO数据、CO2监测装置监测的CO2数据,采用预测模型得到火灾状态,当火灾状态为存在火灾时,此时摄像装置接收到服务器发出的火灾状态信号,根据拍摄到的图像进行分析,可以采用基于CNN或者其他图像分析算法,对火灾状态进行确认,得到火灾确认状态为存在火灾,实现对火灾状态的确认和验证。
通过火焰监测装置对实时火焰数据进行监测,当所述火焰数据大于第一火焰阈值且持续时间大于第一时间阈值时,说明此时疑似存在火灾,产生疑似火灾信号并将所述疑似火灾信号和所述火焰数据传递给服务器,服务器接收到信号后,从而将烟雾监测装置、CO监测装置、CO2监测装置开启,开启后得到烟雾数据、CO数据、CO2数据,从而解决了原有的对于室内的火灾探测来说,长期处于正常状态,若不能根据室内的火焰传感器的感知情况进行其他传感器的实时开启,而实时将火焰、烟雾、CO和CO2所有的传感器开启,会导致巨大的不必要的巨大浪费的技术问题,在保证监测精度的基础上,极大的降低了能源的消耗,基于上述火焰数据、烟雾数据、CO数据、CO2数据,采用基于GBDT与IPSO-LSSVM算法组成的预测模型得到火灾状态,当确认存在火灾后,所述服务器将所述火灾状态信号传输至所述摄像装置,所述摄像装置接收到所述火灾状态信号后,开启对室内进行监控得到监控图像,并基于所述监控图像得到火灾确认状态,从而解决了有通过摄像装置的确定,会导致一定的误报错报风险的技术问题,极大的提升了判断的精确性和可靠性。
通过基于火焰数据判断存在疑似火灾状态时,再开启烟雾监测装置、CO监测装置、CO2监测装置,从而解决了原有的所有装置同时开启导致的巨大的能源浪费的技术问题,从而在保证整体的安全性和监测精度的基础上,进一步降低了能源消耗,通过采用基于上述火焰数据、烟雾数据、CO数据、CO2数据,从而使得输入集的种类很多,进一步的保证了预测的精度,同时采用基于GBDT与IPSO-LSSVM算法组成的预测模型得到火灾状态,利用了GBDT算法在相当少的调参时间下具有较高的预测精度的优点和对异常数据的鲁棒性较强的优点以及LSSVM算法具有较低的模型复杂度和更快的求解速度的优点,并为了进一步的LSSVM算法和整体模型的效率,采用改进粒子群算法对LSSVM算法的初始值进行寻优,极大的提升了整体的预测效率和精度,当摄像装置接收到火灾状态信号后再开启对所述房间进行监控,从而进一步降低了能源的消耗,并根据监控图像得到火灾确认状态,从而解决了原有的没有监控装置判断,导致的精确度不高的问题,在保证较低的能源消耗的基础上,进一步提升了预测和判断的精度。
在另外一种可能的实施例中,所述第一火焰阈值根据所述室内空间的大小、室内易燃物的数量确定。
具体的举个例子,可以采用层次分析法或者专家打分法进行第一火焰阈值的确定。
通过与室内空间的大小、室内易燃物的数量相结合,去判断第一火焰阈值的大小,从而与房间内的实际状况相结合,从而解决了不同的房间阈值固定设置的导致的误动或者拒动导致的问题,进一步提升了整体的可靠性和安全性。
在另外一种可能的实施例中,如图2所示,所述烟雾监测装置、CO监测装置、CO2监测装置的开启步骤还可以为:
S21当所述烟雾监测装置得到所述开启信号后,当所述烟雾数据大于第一烟雾阈值且持续时间大于第二时间阈值时,将所述烟雾信号传递给所述CO监测装置和所述CO2监测装置;
S22当所述CO监测装置和所述CO2监测装置得到烟雾信号且得到开启信号后,才会开启对所述CO数据和所述CO2数据的监测。
通过第二时间阈值的设定,从而进一步提升了整体的稳定性,防止由于信号的误传送导致的错误启动问题的出现,当所述CO监测装置和所述CO2监测装置得到烟雾信号且得到开启信号后,才会开启对所述CO数据和所述CO2数据的监测,从而进一步降低了能源的消耗,只有存在一定的烟雾数据的基础上,开启CO监测装置和所述CO2监测装置才具有实际价值。
在另外一种可能的实施例中,当所述CO监测装置和所述CO2监测装置接收到开启信号,且接收到的烟雾信号持续时间大于第三时间阈值后,才会开启对所述CO数据和所述CO2数据的监测。
通过第三时间阈值的设定,从而进一步提升了整体的稳定性,防止由于信号的误传送导致的错误启动问题的出现。
在另外一种可能的实施例中,当所述火焰监测装置产生所述疑似火灾信号,但所述火灾状态和所述火灾确认状态至少有一项为不存在火灾,则确认此时不存在火灾,并加快所述火焰监测装置的监测频率。
虽然此时不存在火灾,但是存在极大的安全风险,因此通过加快所述火焰监测装置的监测频率,可以进一步提升安全性和可靠性。
在另外一种可能的实施例中,还包括消防栓压力监测装置,所述压力监测装置对所述消防栓的水压进行实时监测,并将所述监测数据传输给所述服务器。
在另外一种可能的实施例中,当所述火焰监测装置产生所述疑似火灾信号,但所述火灾状态和所述火灾确认状态至少有一项为不存在火灾,则确认此时不存在火灾,并基于所述水压数据、所述火焰数据、所述疑似火灾信号一天内向所述服务器上传的次数,通过层次分析法,构建火灾风险等级函数,求得火灾风险等级,并将所述火灾风险等级传输给监控人员的监控终端。
通过基于所述水压数据、所述火焰数据、所述疑似火灾信号一天内向所述服务器上传的次数,通过层次分析法,构建火灾风险等级函数,求得火灾风险等级,并将所述火灾风险等级传输给监控人员的监控终端,从而不仅仅从火灾产生的基础上进行安全风险的把控,而且从消除火灾的水压的方面进行安全风险的考虑,从而进一步提升了火灾风险等级函数的指导意义和可靠性,也进一步提升了整体的可靠性。
在另外一种可能的实施例中,所述火灾风险函数的具体公式为:
D=K1(S-S1)+K2H2+K3eC
其中D为火灾风险数据,S、H、C分别为所述水压数据、所述火焰数据、所述疑似火灾信号一天内向所述服务器上传的次数,K1、K2、K3分别为所述水压数据、所述火焰数据、所述疑似火灾信号一天内向所述服务器上传的次数的权值,S1为保证供水安全的基础水压。
通过火灾风险等级函数的设定,使得火灾风险等级被量化,进一步提升了火灾等级的判断的可靠性和稳定性,由于H和C在火灾风险函数中的指导意义大于水压数据,因此通过函数的设置,进一步提升了整体的可靠性和指导意义。
在另外一种可能的实施例中,当所述火灾风险数据小于第一风险阈值时,此时为无风险;当所述火灾风险数据大于或者等于第一风险阈值时,此时为中风险,需要加强对所述房间的监测频率;当所述火灾风险数据大于第二风险阈值时,此时为高风险,此时对所述房间进行排查,降低火灾风险。
另一方面,如图3所示,本发明提供了一种基于AIOT的火灾安全风险预警系统,采用上述的一种基于AIOT的火灾安全风险预警方法,具体包括:
火焰监测装置、服务器、烟雾监测装置、CO监测装置、CO2监测装置、摄像装置;
其中所述火焰监测装置负责对实时火焰数据进行监测,当所述火焰数据大于第一火焰阈值且持续时间大于第一时间阈值时,产生疑似火灾信号并将所述疑似火灾信号和所述火焰数据传递给服务器;
所述服务器负责在接收到所述疑似火灾信号后,产生开启信号并将所述开启信号传递给烟雾监测装置、CO监测装置、CO2监测装置;接收所述烟雾监测装置传递的所述烟雾数据,接收所述CO监测装置传递的所述CO数据,接收所述CO2监测装置传递的所述CO2数据;基于所述火焰数据、所述CO数据、所述CO2数据、所述烟雾数据构建输入集,将所述输入集输入到基于GBDT与IPSO-LSSVM算法组成的预测模型中,预测得到此时的火灾状态,所述火灾状态包括存在火灾和不存在火灾;基于所述的火灾状态,当确定存在火灾时,所述服务器将所述火灾状态信号传输至所述摄像装置;
所述烟雾监测装置负责接收所述服务器的所述开启信号,并开启监测室内的烟雾数据并将所述烟雾数据传递给服务器;
所述CO监测装置负责接收所述服务器的所述开启信号,并开启监测室内的CO数据并将所述CO数据传递给服务器;
所述CO2监测装置负责接收所述服务器的所述开启信号,并开启监测室内的CO2数据并将所述CO2数据传递给服务器;
所述摄像装置负责接收所述服务器的火灾状态信号,并当所述服务器接收到所述火灾状态信号后,对室内进行监控得到监控图像,并基于所述监控图像得到火灾确认状态,所述火灾确认状态包括存在火灾和不存在火灾。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统和方法,也可以通过其它的方式实现。以上所描述的系统实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上述依据本发明的理想实施例为启示,通过上述的说明内容,相关工作人员完全可以在不偏离本项发明技术思想的范围内,进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容,必须要根据权利要求范围来确定其技术性范围。
在本发明实施例中,术语“多个”则指两个或两个以上,除非另有明确的限定。术语“安装”、“连接”、“固定”等术语均应做广义理解,例如,“连接”可以是固定连接,也可以是可折卸连接,或一体地连接。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明实施例中的具体含义。
本发明实施例的描述中,需要理解的是,术语“上”、“下”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,仅是为了便于描述本发明实施例和简化描述,而不是指示或暗示所指的装置或单元必须具有特定的方向、以特定的方位构造和操作,因此,不能理解为对本发明实施例的限制。
在本说明书的描述中,术语“一个实施例”、“一个优选实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或特点包含于本发明实施例的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或实例。而且,描述的具体特征、结构、材料或特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上仅为本发明实施例的优选实施例而已,并不用于限制本发明实施例,对于本领域的技术人员来说,本发明实施例可以有各种更改和变化。凡在本发明实施例的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明实施例的保护范围之内。
在本发明实施例中,术语“多个”则指两个或两个以上,除非另有明确的限定。术语“安装”、“连接”、“固定”等术语均应做广义理解,例如,“连接”可以是固定连接,也可以是可折卸连接,或一体地连接。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明实施例中的具体含义。
本发明实施例的描述中,需要理解的是,术语“上”、“下”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,仅是为了便于描述本发明实施例和简化描述,而不是指示或暗示所指的装置或单元必须具有特定的方向、以特定的方位构造和操作,因此,不能理解为对本发明实施例的限制。
在本说明书的描述中,术语“一个实施例”、“一个优选实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或特点包含于本发明实施例的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或实例。而且,描述的具体特征、结构、材料或特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上仅为本发明实施例的优选实施例而已,并不用于限制本发明实施例,对于本领域的技术人员来说,本发明实施例可以有各种更改和变化。凡在本发明实施例的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明实施例的保护范围之内。
Claims (10)
1.一种基于AIOT的火灾安全风险预警方法,其特征在于,具体包括:
S11火焰监测装置对实时火焰数据进行监测,当所述火焰数据大于第一火焰阈值且持续时间大于第一时间阈值时,产生疑似火灾信号并将所述疑似火灾信号和所述火焰数据传递给服务器;
S12所述服务器在接收到所述疑似火灾信号后,产生开启信号并将所述开启信号传递给烟雾监测装置、CO监测装置、CO2监测装置;
S13所述烟雾监测装置、所述CO监测装置、所述CO2监测装置接收到开启信号后,所述烟雾监测装置开启监测室内的烟雾数据并将所述烟雾数据传递给服务器,所述CO监测装置开启监测室内的CO数据并将所述CO数据传递给服务器、所述CO2监测装置开启监测室内的CO2数据并将所述CO2数据传递给服务器;
S14基于所述火焰数据、所述CO数据、所述CO2数据、所述烟雾数据构建输入集,将所述输入集输入到基于GBDT与IPSO-LSSVM算法组成的预测模型中,预测得到此时的火灾状态,所述火灾状态包括存在火灾和不存在火灾;
S15基于所述的火灾状态,当确定存在火灾时,所述服务器将所述火灾状态信号传输至所述摄像装置,所述摄像装置接收到所述火灾状态信号后,开启对室内进行监控得到监控图像,并基于所述监控图像得到火灾确认状态,所述火灾确认状态包括存在火灾和不存在火灾。
2.根据权利要求1所述的基于AIOT的火灾安全风险预警方法,其特征在于,所述第一火焰阈值根据所述室内空间的大小、室内易燃物的数量确定。
3.根据权利要求1所述的基于AIOT的火灾安全风险预警方法,其特征在于,所述烟雾监测装置、CO监测装置、CO2监测装置的开启步骤还可以为:
S21当所述烟雾监测装置得到所述开启信号后,当所述烟雾数据大于第一烟雾阈值且持续时间大于第二时间阈值时,将所述烟雾信号传递给所述CO监测装置和所述CO2监测装置;
S22当所述CO监测装置和所述CO2监测装置得到烟雾信号且得到开启信号后,才会开启对所述CO数据和所述CO2数据的监测。
4.根据权利要求3所述的基于AIOT的火灾安全风险预警方法,其特征在于,当所述CO监测装置和所述CO2监测装置接收到开启信号,且接收到的烟雾信号持续时间大于第三时间阈值后,才会开启对所述CO数据和所述CO2数据的监测。
5.根据权利要求1所述的基于AIOT的火灾安全风险预警方法,其特征在于,当所述火焰监测装置产生所述疑似火灾信号,但所述火灾状态和所述火灾确认状态至少有一项为不存在火灾,则确认此时不存在火灾,并加快所述火焰监测装置的监测频率。
6.根据权利要求1所述的基于AIOT的火灾安全风险预警方法,其特征在于,还包括消防栓压力监测装置,所述压力监测装置对所述消防栓的水压进行实时监测,并将所述监测数据传输给所述服务器。
7.根据权利要求6所述的基于AIOT的火灾安全风险预警方法,其特征在于,当所述火焰监测装置产生所述疑似火灾信号,但所述火灾状态和所述火灾确认状态至少有一项为不存在火灾,则确认此时不存在火灾,并基于所述水压数据、所述火焰数据、所述疑似火灾信号一天内向所述服务器上传的次数,通过层次分析法,构建火灾风险等级函数,求得火灾风险等级,并将所述火灾风险等级传输给监控人员的监控终端。
8.根据权利要求7所述的基于AIOT的火灾安全风险预警方法,其特征在于,所述火灾风险函数的具体公式为:
D=K1(S-S1)+K2H2+K3eC
其中D为火灾风险数据,S、H、C分别为所述水压数据、所述火焰数据、所述疑似火灾信号一天内向所述服务器上传的次数,K1、K2、K3分别为所述水压数据、所述火焰数据、所述疑似火灾信号一天内向所述服务器上传的次数的权值,S1为保证供水安全的基础水压。
9.根据权利要求8所述的基于AIOT的火灾安全风险预警方法,其特征在于,当所述火灾风险数据小于第一风险阈值时,此时为无风险;当所述火灾风险数据大于或者等于第一风险阈值时,此时为中风险,需要加强对所述房间的监测频率;当所述火灾风险数据大于第二风险阈值时,此时为高风险,此时对所述房间进行排查,降低火灾风险。
10.一种基于AIOT的火灾安全风险预警系统,采用权利要求1-9所述的任意一种基于AIOT的火灾安全风险预警方法,具体包括:
火焰监测装置、服务器、烟雾监测装置、CO监测装置、CO2监测装置、摄像装置;
其中所述火焰监测装置负责对实时火焰数据进行监测,当所述火焰数据大于第一火焰阈值且持续时间大于第一时间阈值时,产生疑似火灾信号并将所述疑似火灾信号和所述火焰数据传递给服务器;
所述服务器负责在接收到所述疑似火灾信号后,产生开启信号并将所述开启信号传递给烟雾监测装置、CO监测装置、CO2监测装置;接收所述烟雾监测装置传递的所述烟雾数据,接收所述CO监测装置传递的所述CO数据,接收所述CO2监测装置传递的所述CO2数据;基于所述火焰数据、所述CO数据、所述CO2数据、所述烟雾数据构建输入集,将所述输入集输入到基于GBDT与IPSO-LSSVM算法组成的预测模型中,预测得到此时的火灾状态,所述火灾状态包括存在火灾和不存在火灾;基于所述的火灾状态,当确定存在火灾时,所述服务器将所述火灾状态信号传输至所述摄像装置;
所述烟雾监测装置负责接收所述服务器的所述开启信号,并开启监测室内的烟雾数据并将所述烟雾数据传递给服务器;
所述CO监测装置负责接收所述服务器的所述开启信号,并开启监测室内的CO数据并将所述CO数据传递给服务器;
所述CO2监测装置负责接收所述服务器的所述开启信号,并开启监测室内的CO2数据并将所述CO2数据传递给服务器;
所述摄像装置负责接收所述服务器的火灾状态信号,并当所述服务器接收到所述火灾状态信号后,对室内进行监控得到监控图像,并基于所述监控图像得到火灾确认状态,所述火灾确认状态包括存在火灾和不存在火灾。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210996695.8A CN115376266B (zh) | 2022-08-19 | 2022-08-19 | 一种基于aiot的火灾安全风险预警方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210996695.8A CN115376266B (zh) | 2022-08-19 | 2022-08-19 | 一种基于aiot的火灾安全风险预警方法与系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115376266A true CN115376266A (zh) | 2022-11-22 |
CN115376266B CN115376266B (zh) | 2023-06-02 |
Family
ID=84066075
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210996695.8A Active CN115376266B (zh) | 2022-08-19 | 2022-08-19 | 一种基于aiot的火灾安全风险预警方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115376266B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN203299982U (zh) * | 2013-06-05 | 2013-11-20 | 四川省那科通信有限责任公司 | 楼宇消防报警联动与自动控制系统 |
CN109255921A (zh) * | 2018-11-13 | 2019-01-22 | 福州大学 | 一种基于分层模糊融合的多传感器火灾检测方法 |
JP2020052656A (ja) * | 2018-09-26 | 2020-04-02 | 能美防災株式会社 | 防災システム |
DE102018218655A1 (de) * | 2018-10-31 | 2020-05-14 | Diehl Metering Gmbh | Brandmelder |
CN112509270A (zh) * | 2020-11-19 | 2021-03-16 | 北京城市轨道交通咨询有限公司 | 一种列车车厢的火灾监控联动方法、装置及系统 |
CN113313903A (zh) * | 2021-04-06 | 2021-08-27 | 中国船舶重工集团公司第七0三研究所 | 一种多参数数据融合火灾判定方法 |
CN113435105A (zh) * | 2021-05-25 | 2021-09-24 | 杭州申弘智能科技有限公司 | 一种基于烟感检测的火灾预警系统及方法 |
CN113689656A (zh) * | 2021-10-26 | 2021-11-23 | 山东星辉消防工程有限公司 | 一种火灾报警装置的控制方法 |
CN113936413A (zh) * | 2021-12-03 | 2022-01-14 | 西南石油大学 | 一种早期火灾监测预警方法和装置 |
-
2022
- 2022-08-19 CN CN202210996695.8A patent/CN115376266B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN203299982U (zh) * | 2013-06-05 | 2013-11-20 | 四川省那科通信有限责任公司 | 楼宇消防报警联动与自动控制系统 |
JP2020052656A (ja) * | 2018-09-26 | 2020-04-02 | 能美防災株式会社 | 防災システム |
DE102018218655A1 (de) * | 2018-10-31 | 2020-05-14 | Diehl Metering Gmbh | Brandmelder |
CN109255921A (zh) * | 2018-11-13 | 2019-01-22 | 福州大学 | 一种基于分层模糊融合的多传感器火灾检测方法 |
CN112509270A (zh) * | 2020-11-19 | 2021-03-16 | 北京城市轨道交通咨询有限公司 | 一种列车车厢的火灾监控联动方法、装置及系统 |
CN113313903A (zh) * | 2021-04-06 | 2021-08-27 | 中国船舶重工集团公司第七0三研究所 | 一种多参数数据融合火灾判定方法 |
CN113435105A (zh) * | 2021-05-25 | 2021-09-24 | 杭州申弘智能科技有限公司 | 一种基于烟感检测的火灾预警系统及方法 |
CN113689656A (zh) * | 2021-10-26 | 2021-11-23 | 山东星辉消防工程有限公司 | 一种火灾报警装置的控制方法 |
CN113936413A (zh) * | 2021-12-03 | 2022-01-14 | 西南石油大学 | 一种早期火灾监测预警方法和装置 |
Non-Patent Citations (1)
Title |
---|
张志华: "基于PNN算法的多传感器火灾探测技术研究" * |
Also Published As
Publication number | Publication date |
---|---|
CN115376266B (zh) | 2023-06-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3139359A1 (en) | System and method providing early prediction and forecasting of false alarms by applying statistical inference models | |
KR102322427B1 (ko) | 빅데이터 기반의 건축물 화재 예방 대응 시스템 | |
CN102881129A (zh) | 一种接警主机、系统及方法 | |
CN102859565A (zh) | 用于安全系统恶意干扰检测的方法与系统 | |
CN106327791A (zh) | 一种异常事件实时报警方法及系统 | |
CN110519560A (zh) | 一种智能预警方法、装置及系统 | |
CN115547360A (zh) | 预警方法、装置、电子设备及存储介质 | |
CN111724561A (zh) | 一种硫化矿石自燃监控方法及系统 | |
JP4875313B2 (ja) | 監視装置 | |
CN115376266A (zh) | 一种基于aiot的火灾安全风险预警方法与系统 | |
JP4713950B2 (ja) | 監視装置 | |
CN113936293A (zh) | 基于视频信息的人员离岗检测方法、控制装置、存储介质 | |
CN108898717A (zh) | 一种智能安防监控系统 | |
CN106887109A (zh) | 一种家用智能安防报警系统 | |
CN117079398A (zh) | 智慧消防检测和预警系统 | |
CN109830079A (zh) | 一种基于智能家居的入侵预警防御系统和方法 | |
CN116344012A (zh) | 一种基于诊疗日志的医疗管理系统 | |
KR20170050469A (ko) | 주거 환경 모니터를 위한 시스템, 이를 위한 방법 및 이 방법이 기록된 컴퓨터 판독 가능한 기록매체 | |
CN108986263A (zh) | 一种家庭安全管理方法及系统 | |
RU2633986C2 (ru) | Способ динамического контроля состояния охраняемого объекта | |
CN102262395A (zh) | 多重危害检测及控制系统及其方法 | |
CN110796397A (zh) | 一种报警系统及方法 | |
CN201409142Y (zh) | 一种便携式网络入侵检测装置 | |
CN115359641B (zh) | 一种面向光电传感设备的规律型误报判断方法 | |
CN116052360B (zh) | 一种消防报警系统 |
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 |