CN115618719A - 一种工业建筑内的火灾烟雾监测预警方法、系统和存储介质 - Google Patents
一种工业建筑内的火灾烟雾监测预警方法、系统和存储介质 Download PDFInfo
- Publication number
- CN115618719A CN115618719A CN202211176375.4A CN202211176375A CN115618719A CN 115618719 A CN115618719 A CN 115618719A CN 202211176375 A CN202211176375 A CN 202211176375A CN 115618719 A CN115618719 A CN 115618719A
- Authority
- CN
- China
- Prior art keywords
- fire
- smoke
- building
- flow
- dimensional
- 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.)
- Pending
Links
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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/10—Constructive solid geometry [CSG] using solid primitives, e.g. cylinders, cubes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computer Graphics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Computer Hardware Design (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Fire Alarms (AREA)
Abstract
本发明公开了一种工业建筑内的火灾烟雾监测预警方法、系统和存储介质,通过从建筑信息模型中获取建筑火情边界条件和从传感器系统中获取火源参数,然后根据建筑火情边界条件和火源参数,通过RANS方程得到在工业建筑内充分扩散的烟雾状态,获取三维速度场并计算该建筑的内各排烟口的二维截面仿真流量;如果各排烟口的二维截面仿真流量均小于设计排烟量则不触发后续防护动作,否则计算各排烟口的融合流量,并在融合流量大于设计排烟量时触发预设火灾防护指令。该方法通过各工况下的二维截面仿真流量、以及融合流量各层次的判断逻辑,可以准确实现火灾烟雾的监测报警,可有效减少消防机器设备的紧急动作,避免虚警率过高影响正常的生产活动。
Description
技术领域
本发明涉及信息技术领域,尤其涉及一种工业建筑内的火灾烟雾监测预警方法、系统和存储介质。
背景技术
随着整个工业自动化程度的提高,越来越多的工业建筑开始更为细致的规划其上部空间的功能,提高土地的利用效率;但这也给工业建筑,包括公共建筑中存放专有能源动力设备的空间,造成了消防安全隐患。对于制造业而言,由于外部需量的变化,整个物料及产品的堆积、贮存状态时常发生较大的改变,传统依赖人力抽查工业建筑运行是否满足消防等设计规范的手段不太适合防范物流与生产过程中随机的火灾隐患。
随着工业建筑自动化、无人化程度不断提高,空间利用率增加(遮挡增加),设备逻辑更加复杂,且人力成本提高,在一段时期内由于工人数量的减少或者工人精力被更高效的管理用于生产活动,以上种种因素实际上对工业建筑的防火感知能力是一种潜在的弱化。另一方面,虽然工厂的信息化程度在不断提高,也布置有具有火灾感知能力的传感器,但由于工业建筑并没有建设实时的烟雾仿真系统且缺少与相关物联网系统的关联,因此工业建筑目前缺乏烟雾演化的推断能力,无法准确的进行火灾烟雾的监测预警。
发明内容
本发明针对现有技术中的不足,提供了一种工业建筑内的火灾烟雾监测预警方法,包括如下步骤:
S1,通过建筑信息模型中获取建筑火情边界条件,并从传感器系统中获取火源参数;
S2,根据建筑火情边界条件和火源参数,通过RANS方程得到在工业建筑内充分扩散的烟雾状态,获取三维速度场并计算该建筑的内各排烟口的二维截面仿真流量;
S3,如果各排烟口的二维截面仿真流量均小于设计排烟量则不触发后续防护动作,否则计算各排烟口的融合流量;
S4,判断融合流量是否小于设计排烟量,若小于设计排烟量则不触发防护动作,否则触发预设火灾防护指令。
优选的,所述步骤S1包括:所述建筑火情边界条件包括但不限于排烟口进口速度、排烟口出口速度和环境初始条件,所述火源参数包括但不限于火源强度、火源堆积规模。
优选的,所述步骤S2具体包括:
设定初始参数xi存在一个取值范围[xbi,xui],其中i=1,2,3……,在该范围内取值的概率满足高斯分布Φi,则这种相互独立的Φi会叠加得到多元的高斯分布,定义σ为Φi方差σi的集合,按照3σ准则,将边长分成3份,对于n维的多元高斯分布初始试验工况数为3n,得到的三维速度场vj并计算该建筑的内各排烟口的二维截面仿真流量qj,其中为从建筑信息模型中获取的不同工况下的各排烟口的出口几何尺寸,其中j=1,2,3…3n。
优选的,所述步骤S3具体包括:
如果全部排烟口二维截面仿真流量qj均小于设计排烟量则不触发后续防护动作;
其中系数aj=pjwj,pj为可靠性因子,wj为重要性权重,pj由混淆矩阵Cj计算得到,混淆矩阵Cj为一个3n辨识框架下的二分类问题,即Cj的数量有3n个,尺寸为2*2:其中表示第j个工况把不需要防火判断为不需要防火的概率,表示第j个工况把不需要防火判断为需要防火的概率,表示第j个工况把需要防火判断为不需要防火的概率,表示第j个工况把需要防火判断为需要防火的概率。
优选的,所述步骤S1具体包括:
制作工业建筑内需存放的可燃物、易燃易爆物的图像样本集,训练YOLO网络模型;
将摄像头采集到的图像缩放到YOLO所需的大小并划分为等分的网格,其中每个网格用于检测中心点落在该格子内的目标;
每个网格对各堆放物体类别预测一个条件概率值,并在网格基础上生成B个框住物体的正方形边界框,每个边界框预测五个回归值xY,yY,wY,hY,cY,其中xY,yY,wY,hY分别代表边界框中心坐标、边界框宽和高,cY表征这个边界框含有物体的概率和位置的准确程度;使用NMS方法过滤得到粗略预测框;
提取粗略预测框图像并转换成灰度图像,使用Canny算子对其进行边缘提取并得到二值图像,使用findContiures函数得到目标等高线轮廓,对等高线优化并绘制贴合轮廓后对轮廓周长或者填充面积进行测量,结合多个摄像头标定信息估计现场火源堆积规模。
本发明还公开了一种工业建筑内的火灾烟雾监测预警系统,包括:数据获取模块,用于通过建筑信息模型中获取建筑火情边界条件,并从传感器系统中获取火源参数;流量获取模块,用于根据建筑火情边界条件和火源参数,通过RANS方程得到在工业建筑内充分扩散的烟雾状态,获取三维速度场并计算该建筑的内各排烟口的二维截面仿真流量;融合流量计算模块,用于在各排烟口中存在至少一个的二维截面仿真流量大于设计排烟量时计算各排烟口的融合流量;流量判断模块,用于判断融合流量是否小于设计排烟量,若小于设计排烟量则不触发防护动作,否则触发预设火灾防护指令。
优选的,所述建筑火情边界条件包括但不限于排烟口进口速度、排烟口出口速度和环境初始条件,所述火源参数包括但不限于火源强度、火源堆积规模。
优选的,所述流量获取模块被配置为用于设定初始参数xi存在一个取值范围[xbi,xui],其中i=1,2,3……,在该范围内取值的概率满足高斯分布Φi,则这种相互独立的Φi会叠加得到多元的高斯分布,定义σ为Φi方差σi的集合,按照3σ准则,将边长分成3份,对于n维的多元高斯分布初始试验工况数为3n,得到的三维速度场vj并计算该建筑的内各排烟口的二维截面仿真流量qj,其中为从建筑信息模型中获取的不同工况下的各排烟口的出口几何尺寸,其中j=1,2,3…3n。
本发明还公开了一种工业建筑内的火灾烟雾监测预警装置,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如前述任一所述方法的步骤。
本发明还公开了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如前述任一所述方法的步骤。
本实施例公开的工业建筑内的火灾烟雾监测预警方法,通过从建筑信息模型中获取建筑火情边界条件和从传感器系统中获取火源参数,然后根据建筑火情边界条件和火源参数,通过RANS方程得到在工业建筑内充分扩散的烟雾状态,获取三维速度场并计算该建筑的内各排烟口的二维截面仿真流量qj;如果各排烟口的二维截面仿真流量均小于设计排烟量则不触发后续防护动作,否则计算各排烟口的融合流量q,如果融合流量q小于设计排烟量则不触发防护动作,否则触发预设火灾防护指令。该方法通过传感器告警、各工况下的二维截面仿真流量qj、以及融合流量q三个层次的判断逻辑,可以准确实现火灾烟雾的监测报警,可有效减少消防机器设备的紧急动作,避免虚警率过高影响正常的生产活动。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明一实施例公开的工业建筑内的火灾烟雾监测预警方法的流程示意图。
图2为本发明一实施例公开的现场火源堆积规模的获取流程示意图。
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的附图,对本发明实施例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的一部分实施例,而不是全部的实施例。基于所描述的本发明的实施例,本领域普通技术人员在无需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。
在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。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中的具体含义。
在本发明中,除非另有明确的规定和限定,第一特征在第二特征之“上”或之“下”可以包括第一和第二特征直接接触,也可以包括第一和第二特征不是直接接触而是通过它们之间的另外的特征接触。而且,第一特征在第二特征“之上”、“上方”和“上面”包括第一特征在第二特征正上方和斜上方,或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”包括第一特征在第二特征正下方和斜下方,或仅仅表示第一特征水平高度小于第二特征。
除非另作定义,此处使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明专利申请说明书以及权利要求书中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。同样,“一个”或者“一”等类似词语也不表示数量限制,而是表示存在至少一个。
目前设计行业通常认为排烟口会很占很大的空间,且默认大空间着火的时候,烟都很快的到了顶部,然后顶部是充分流动的,所以默认排烟都可以排的掉,所以只要满足设计规范或者按大空间程序简单计算过,排烟口的数量通常能少则少。但在实际运行过程中排烟口往往存在遮挡、堵塞、主动排烟设备不能正常运转等问题。如果这样的情况再遇到消防设施不能工作或者不能按照额定要求工作的状态,很明显火灾的隐患是客观存在的。因此本专利旨在充分结合物联网传感器、建筑结构信息模型BIM、工业建筑管理系统WMS与数值模拟RANS进行火灾的预判及干预,在本实施例中RANS出于技术现状及场景需求简化为烟雾的单相流,不考虑碳烟等情况。本实施例通过直接对火灾烟雾隐患进行识别,另外还能根据最终获得的烟雾监测预警结果去精细化的评价一些类型的工业建筑按照大空间标准去设定的排烟口数量与布局是否合理。具体的,如附图1所示,本实施例公开了一种工业建筑内的火灾烟雾监测预警方法,如附图1所示,该方法具体包括如下步骤。
步骤S1,通过建筑信息模型中获取建筑火情边界条件,并从传感器系统中获取火源参数。
对起火隐患的监控判断,首先是有关信息的准备阶段。从工业建筑的物联网IoT平台出发,包括摄像头,安装在能源动力及大功率用能设备上的温度、电气传感器,以及安装在建筑面及其管道上的环境传感器等。基于摄像头视频图像分析可以识别易燃物及其堆积状态等,对设备传感器时序分析可以实现运行高温、高电流等告警,环境传感器可以监测是否存在气体、液体、粉尘等泄露。另外WMS系统中包含有工业建筑内设备的尺寸结构信息,目前基本上都建有三维模型。
在本实施例中,建筑火情边界条件包括但不限于排烟口进口速度、排烟口出口速度和环境初始条件,所述火源参数包括但不限于火源强度、火源堆积规模。
其中速度进口有哪些、几何尺寸如何,是可以从BIM结构信息模型中预先规定、直接提取的。被动式送风的送风速度可以从布置的环境传感器中直接采集得到,主动式送风的送风速度可以从设备传感器工况数据中直接或简单计算得到,如果缺乏有关传感器在保证设备及门窗正常状态的情况下也可以设计信息替代。
速度出口有哪些、几何尺寸如何,是可以从BIM结构信息模型中预先规定、直接提取的,与RANS计算得到的速度场vj相乘得到估计排烟量估计的排风条件:排风速度获取方式与同理;补风速度理想情况可以采集,但也可以采用估计的方法,由于通用防排烟规范要求补风量不能低于排烟量的50%,因此可以按照与排烟关系的下限估计。
环境初始条件包括环境初始温度t0,可以通过温度传感器直接采集,一些发热部位的初始温度可以通过设备接触式温度传感采集;空气中CO2等气体初始浓度可以通过环境气体传感器获取,也可以直接默认为正常空气。
另外在本实施例中简化了燃烧过程,假设可燃物整个过程充分燃烧,火源强度P主要由燃烧速度、热值等参数决定,这些全部与可燃物种类有关,而可燃物种类已经由摄像头图像处理的分类功能进行了识别,种类与热值等参数的对应关系可以在平台数据库中建立对应表格。
火源堆积规模则可依赖多个摄像头通过下面的具体步骤来进行火源堆积规模估值。具体的,如附图2所示,易燃物即现场火源堆积规模可以具体通过如下内容来获取。
步骤S101,制作工业建筑内需存放的可燃物、易燃易爆物的图像样本集,训练YOLO网络模型。
步骤S102,将摄像头采集到的图像缩放到YOLO所需的大小并划分为等分的网格,其中每个网格用于检测中心点落在该格子内的目标。
步骤S103,每个网格对各堆放物体类别预测一个条件概率值,并在网格基础上生成B个框住物体的正方形边界框,每个边界框预测五个回归值xY,yY,wY,hY,cY,其中xY,yY,wY,hY分别代表边界框中心坐标、边界框宽和高,cY表征这个边界框含有物体的概率和位置的准确程度;使用NMS方法过滤得到粗略预测框;
步骤S104,提取粗略预测框图像并转换成灰度图像,使用Canny算子对其进行边缘提取并得到二值图像,使用findContiures函数得到目标等高线轮廓,对等高线优化并绘制贴合轮廓后对轮廓周长或者填充面积进行测量,结合多个摄像头标定信息估计现场火源堆积规模。
步骤S2,根据建筑火情边界条件和火源参数,通过RANS方程得到在工业建筑内充分扩散的烟雾状态,获取三维速度场并计算该建筑的内各排烟口的二维截面仿真流量。
通过前述步骤S1做好数据准备后,便可以通过IoT多模态的传感器告警火灾隐患的部位起火燃烧即不断产生一定量的烟雾,通过RANS的方法得到在工业建筑充分扩散的烟雾状态,得到三维的速度场。
在本实施例中,设定初始参数xi存在一个取值范围[xbi,xui],其中i=1,2,3……,在该范围内取值的概率满足高斯分布Φi,则这种相互独立的Φi会叠加得到多元的高斯分布,定义σ为Φi方差σi的集合,按照3σ准则,将边长分成3份。如果得到候选的扩散构型不够多也可扩展到5σ,将边长分成5份。对于n维的多元高斯分布初始试验工况数为3n,得到的三维速度场vj并计算该建筑的内各排烟口的二维截面仿真流量qj,其中为从建筑信息模型中获取的不同工况下的各排烟口的出口几何尺寸,其中j=1,2,3…3n。
其中vj由RANS面向整个空间的三维网格生成得到,每个网格即微元体的速度可以用一个xyz的三维坐标系描述,遵循守恒定律,因此可以建立如下方程组。
ρ为烟雾流体密度;t为时间;ux、uy、uz为速度矢量u在x、y、z三个方向上的速度分量。div是矢量的散度算子;μ为动力粘度;grad是矢量的梯度算子;P为压力;Sx、Sy、Sz是广义源项;计算出每个网格的u即可得到速度的标量分布vj。
步骤S3,如果各排烟口的二维截面仿真流量均小于设计排烟量则不触发后续防护动作,否则计算各排烟口的融合流量。
在本实施例中,如果全部的qj都小于设计排烟量则不会触发后续的防火动作,如果存在qj大于设计排烟量的情况则触发计算融合流量q。
输入RANS的初始参数必然是有一定误差的,这种误差必然也会导致仿真结果在一定范围内波动不稳定,因此流量q必然会客观上存在多个仿真结果;那么问题就转化为如何把这多个流量q融合成一个;自然的这就需要设计或引入信息融合方法。用信息融合的方法去稳定流体计算仿真的结果。
在本实施例中,步骤S3具体可包括如下内容。
步骤S31,如果全部排烟口二维截面仿真流量qj均小于设计排烟量则不触发后续防护动作。
其中系数aj=pjwj,pj为可靠性因子,wj为重要性权重,pj由混淆矩阵Cj计算得到,混淆矩阵Cj为一个3n辨识框架下的二分类问题,即Cj的数量有3n个,尺寸为2*2:其中表示第j个工况把不需要防火判断为不需要防火的概率,表示第j个工况把不需要防火判断为需要防火的概率,表示第j个工况把需要防火判断为不需要防火的概率,表示第j个工况把需要防火判断为需要防火的概率。
其中重要性权重wj,由一个宽度学习系统BLS输出得到并根据反馈自适应更新。具体的,假设这个值被记录在输出节点Y中,则Y可以由以下方程组计算得到:
W1是随机产生的一组权值,β1是设定阈值1。输入数据X在线性函数φ(·)的作用下,转换为一组新的映射特征节点Z;W2是连接映射节点和增强节点的一组随机产生的权值,β2是设定阈值2,在线性函数ξ(·)的连续的变换作用下,原始的输入数据完成了从X到H的非线性的转变。将特征映射节点Z和增强节点H组合为宽度学习模型的隐层节点A。W为连接权值。在本实施例中,由于RANS计算得到的分布构型是不定的,因此BLS的节点数目需要保持一个灵活可扩展的状态,将增加的节点数目记为m,映射特征节点数设置为n,增强节点数为m,中间层用Am表示,则Am=[Zn|Hm]。将一组增强节点添加到包括p个节点的原始宽度学习网络中,在添加一组增强节点之后,中间层可以表示为Am+1:
Am+1=[Am|ξ(ZnWp+βp)]=[Am|Hp];
D=(Am)+ξ(ZnWp+βp)
C和D、B性质相同,计算方法如下:C=ξ(ZnWp+βp)-AmD;在涉及需要节点扩展的问题中用Am+1与Wm+1更新A和W即可得到Y,也就输出wj。
工况的区分如前所述是由CFD输入特征x与σ共同决定的,具有通用性,结果由评价函数返回赋值,该赋值统计后会得到先验概率P0。在本实施例中,P0是“需要防火”还是“不需要防火”的一个历史经验。其中Pj=P0Cj,BetPj是由Pj经过Pignistic转换后可以得到Pignistic概率。
步骤S4,判断融合流量是否小于设计排烟量,若小于设计排烟量则不触发防护动作,否则触发预设火灾防护指令。
对于融合流量q大于设计排烟量的情况,以工业建筑的立体式仓库为例则可以控制机器人去执行防火动作,消除防火隐患。对不同的工业建筑机器人种类、执行的防火操作等各不相同,本实施例不讨论具体防火动作及相关机器人控制问题,可以认为他们按照一定策略最终按照一个指令集合A行动,A的结果经过IoT平台下对应传感器的观测,形成一个观测结果。该观测结果如果不成功,即传感器观测量仍然没有恢复到正常状态,则不经过评价函数直接调整权重wj,总的原则是给与数值较大的qj更高的考虑,直到传感器时序恢复到正常运行区间。对于机器人防火动作后,传感器显示火灾隐患加速恶化甚至监测到已经起火的情况,则进入消防的指令集动作B,直至实现灭火。
该环境观测结果如果成功,即传感器观测量恢复到正常状态则在评价函数中给与一个正激励评价函数与激励,并通过实际效果不断检验调整;本案例为说明情况以包括但不限于Q学习方法为例,其奖励函数在于构造一个Q矩阵,行表示状态、列表示行为,如果行动成功则相应的矩阵元素则从0变为100,不成功则0变为-1,加速了火灾则记为-100,。整个评价函数的反馈作用设计有三个层次:一是直接回馈智能体,强化其防火、灭火操作行为,优化指令集A、B或者其生成策略;二是优化混淆矩阵计算需要用到的先验概率P0,理论上使得pj的统计学习结果更为准确;三是防火及灭火判断及行为最终标记为失败的样本,可以用于追溯排烟及消防有关设计是否真正发挥作用,优化相关管理;形成的布局优化方面的结论有助于面向工业建筑更为精细化的排烟与消防规范的编写。
本实施例公开的工业建筑内的火灾烟雾监测预警方法,通过从建筑信息模型中获取建筑火情边界条件和从传感器系统中获取火源参数,然后根据建筑火情边界条件和火源参数,通过RANS方程得到在工业建筑内充分扩散的烟雾状态,获取三维速度场并计算该建筑的内各排烟口的二维截面仿真流量qj;如果各排烟口的二维截面仿真流量均小于设计排烟量则不触发后续防护动作,否则计算各排烟口的融合流量q,如果融合流量q小于设计排烟量则不触发防护动作,否则触发预设火灾防护指令。该方法通过传感器告警、各工况下的二维截面仿真流量qj、以及融合流量q三个层次的判断逻辑,可以准确实现火灾烟雾的监测报警,可有效减少消防机器设备的紧急动作,避免虚警率过高影响正常的生产活动。
本发明还公开了一种工业建筑内的火灾烟雾监测预警系统,包括:数据获取模块,用于通过建筑信息模型中获取建筑火情边界条件,并从传感器系统中获取火源参数;流量获取模块,用于根据建筑火情边界条件和火源参数,通过RANS方程得到在工业建筑内充分扩散的烟雾状态,获取三维速度场并计算该建筑的内各排烟口的二维截面仿真流量;融合流量计算模块,用于在各排烟口中存在至少一个的二维截面仿真流量大于设计排烟量时计算各排烟口的融合流量;流量判断模块,用于判断融合流量是否小于设计排烟量,若小于设计排烟量则不触发防护动作,否则触发预设火灾防护指令。
在本实施例中,所述建筑火情边界条件包括但不限于排烟口进口速度、排烟口出口速度和环境初始条件,所述火源参数包括但不限于火源强度、火源堆积规模。
在本实施例中,所述流量获取模块被配置为用于设定初始参数xi存在一个取值范围[xbi,xui],其中i=1,2,3……,在该范围内取值的概率满足高斯分布Φi,则这种相互独立的Φi会叠加得到多元的高斯分布,定义σ为Φi方差σi的集合,按照3σ准则,将边长分成3份,对于n维的多元高斯分布初始试验工况数为3n,得到的三维速度场vj并计算该建筑的内各排烟口的二维截面仿真流量qj,其中为从建筑信息模型中获取的不同工况下的各排烟口的出口几何尺寸,其中j=1,2,3…3n。
上述工业建筑内的火灾烟雾监测预警系统的具体功能与前面实施例所公开的工业建筑内的火灾烟雾监测预警方法一一对应,故在此不再详细展开描述,具体可参考前面公开的工业建筑内的火灾烟雾监测预警方法各实施例。需要说明的是,本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
在另一些实施例中,还提供了一种工业建筑内的火灾烟雾监测装置,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述各实施例中描述的工业建筑内的火灾烟雾监测方法的各个步骤。
其中工业建筑内的火灾烟雾监测装置可包括但不仅限于,处理器、存储器。所述服务器可包括,但不仅限于处理器、存储器。本领域技术人员可以理解,所述示意图仅仅是服务器的示例,并不构成对服务器设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述服务器设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述服务器设备的控制中心,利用各种接口和线路连接整个服务器设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述服务器设备的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(SmartMedia Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
所述工业建筑内的火灾烟雾监测方法如果以软件功能单元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,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
最后应说明的是: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范围。
总之,以上所述仅为本发明的较佳实施例,凡依本发明申请专利范围所作的均等变化与修饰,皆应属本发明专利的涵盖范围。
Claims (10)
1.一种工业建筑内的火灾烟雾监测预警方法,其特征在于,包括如下步骤:
S1,通过建筑信息模型中获取建筑火情边界条件,并从传感器系统中获取火源参数;
S2,根据建筑火情边界条件和火源参数,通过RANS方程得到在工业建筑内充分扩散的烟雾状态,获取三维速度场并计算该建筑的内各排烟口的二维截面仿真流量;
S3,如果各排烟口的二维截面仿真流量均小于设计排烟量则不触发后续防护动作,否则计算各排烟口的融合流量;
S4,判断融合流量是否小于设计排烟量,若小于设计排烟量则不触发防护动作,否则触发预设火灾防护指令。
2.根据权利要求1所述的工业建筑内的火灾烟雾监测预警方法,其特征在于,所述步骤S1包括:所述建筑火情边界条件包括但不限于排烟口进口速度、排烟口出口速度和环境初始条件,所述火源参数包括但不限于火源强度、火源堆积规模。
4.根据权利要求3所述的工业建筑内的火灾烟雾监测预警方法,其特征在于,所述步骤S3具体包括:
如果全部排烟口二维截面仿真流量qj均小于设计排烟量则不触发后续防护动作;
5.根据权利要求4所述的工业建筑内的火灾烟雾监测预警方法,其特征在于,所述步骤S1具体包括:
制作工业建筑内需存放的可燃物、易燃易爆物的图像样本集,训练YOLO网络模型;
将摄像头采集到的图像缩放到YOLO所需的大小并划分为等分的网格,其中每个网格用于检测中心点落在该格子内的目标;
每个网格对各堆放物体类别预测一个条件概率值,并在网格基础上生成B个框住物体的正方形边界框,每个边界框预测五个回归值xY,yY,wY,hY,cY,其中xY,yY,wY,hY分别代表边界框中心坐标、边界框宽和高,cY表征这个边界框含有物体的概率和位置的准确程度,使用NMS方法过滤得到粗略预测框;
提取粗略预测框图像并转换成灰度图像,使用Canny算子对其进行边缘提取并得到二值图像,使用findContiures函数得到目标等高线轮廓,对等高线优化并绘制贴合轮廓后对轮廓周长或者填充面积进行测量,结合多个摄像头标定信息估计现场火源堆积规模。
6.一种工业建筑内的火灾烟雾监测预警系统,其特征在于,包括:
数据获取模块,用于通过建筑信息模型中获取建筑火情边界条件,并从传感器系统中获取火源参数;
流量获取模块,用于根据建筑火情边界条件和火源参数,通过RANS方程得到在工业建筑内充分扩散的烟雾状态,获取三维速度场并计算该建筑的内各排烟口的二维截面仿真流量;
融合流量计算模块,用于在各排烟口中存在至少一个的二维截面仿真流量大于设计排烟量时计算各排烟口的融合流量;
流量判断模块,用于判断融合流量是否小于设计排烟量,若小于设计排烟量则不触发防护动作,否则触发预设火灾防护指令。
7.根据权利要求6所述的工业建筑内的火灾烟雾监测预警系统,其特征在于:所述建筑火情边界条件包括但不限于排烟口进口速度、排烟口出口速度和环境初始条件,所述火源参数包括但不限于火源强度、火源堆积规模。
9.一种工业建筑内的火灾烟雾监测预警装置,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于:所述处理器执行所述计算机程序时实现如权利要求1-5任一所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于:所述计算机程序被处理器执行时实现如权利要求1-5任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211176375.4A CN115618719A (zh) | 2022-09-26 | 2022-09-26 | 一种工业建筑内的火灾烟雾监测预警方法、系统和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211176375.4A CN115618719A (zh) | 2022-09-26 | 2022-09-26 | 一种工业建筑内的火灾烟雾监测预警方法、系统和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115618719A true CN115618719A (zh) | 2023-01-17 |
Family
ID=84861187
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211176375.4A Pending CN115618719A (zh) | 2022-09-26 | 2022-09-26 | 一种工业建筑内的火灾烟雾监测预警方法、系统和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115618719A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117669110A (zh) * | 2024-02-01 | 2024-03-08 | 领航技术股份有限公司 | 烟雾报警器的管理方法及系统 |
CN118053257A (zh) * | 2024-04-16 | 2024-05-17 | 爱瑞克(大连)安全技术集团有限公司 | 基于物联网的工业建筑火灾预警和灾情分析方法及系统 |
-
2022
- 2022-09-26 CN CN202211176375.4A patent/CN115618719A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117669110A (zh) * | 2024-02-01 | 2024-03-08 | 领航技术股份有限公司 | 烟雾报警器的管理方法及系统 |
CN117669110B (zh) * | 2024-02-01 | 2024-04-19 | 领航技术股份有限公司 | 烟雾报警器的管理方法及系统 |
CN118053257A (zh) * | 2024-04-16 | 2024-05-17 | 爱瑞克(大连)安全技术集团有限公司 | 基于物联网的工业建筑火灾预警和灾情分析方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115618719A (zh) | 一种工业建筑内的火灾烟雾监测预警方法、系统和存储介质 | |
Wang | Towards zero-defect manufacturing (ZDM)—a data mining approach | |
JP7007243B2 (ja) | 異常検知システム | |
CN106779200A (zh) | 基于在历史数据中进行相似搜索的风电机组状态预测方法 | |
JP2013536394A (ja) | ビル動作センサデータのためのシステムおよび方法 | |
EP3696693A1 (en) | Method and apparatus for monitoring state of device in process industry and medium | |
CN113567635A (zh) | 一种工业气体智能监测一体化系统及监测方法 | |
CN113901162B (zh) | 基于城市管理的无人机环境监测方法、系统及云平台 | |
CN116524691B (zh) | 输电线路隐患告警方法、装置、存储介质及计算机设备 | |
CN117196159A (zh) | 基于互联网大数据分析的智慧水务分区计量系统 | |
CN110703743A (zh) | 设备故障预测与检测系统和方法 | |
CN116164843A (zh) | 一种基于物联网的电缆监测预警方法及系统 | |
CN113036913A (zh) | 一种综合能源设备状态监测方法及装置 | |
CN115965625B (zh) | 一种基于视觉识别的仪表检测装置及其检测方法 | |
CN112070400A (zh) | 一种电网数据库安全态势评估方法及装置 | |
CN115311574B (zh) | 一种建筑物监测方法、设备及介质 | |
CN113529845B (zh) | 挖掘机故障诊断方法、挖掘机、电子设备及可读存储介质 | |
CN113297021B (zh) | 一种服务器设备拉出机架的自主检测方法及系统 | |
CN115176255A (zh) | 参数调整装置、推论装置、参数调整方法以及参数调整程序 | |
CN117413273A (zh) | 用于监控封闭空间环境的方法、装置和计算机存储介质 | |
CN113778044A (zh) | 一种火电厂送风机系统监控方法及装置 | |
Aytenfsu et al. | Controlling the interior of greenhouses using Elman recurrent neural network | |
CN111107158A (zh) | 用于物联网设备集群中的告警方法、装置、设备及介质 | |
JP7430008B2 (ja) | 解析装置、解析方法及び解析プログラム | |
CN117313438B (zh) | 一种三维工厂工具编辑优化方法及装置 |
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 |