CN117156386A - 消防智能定位、呼救、报警对讲设备 - Google Patents

Abstract

本发明公开了消防智能定位、呼救、报警对讲设备，属于消防通信领域，包括用户终端、传感器、存储数据库、智能定位模块、组网模块、呼救模块、报警对讲模块以及识别预测模块；本发明能够实现多组设备之间的灵活通信，提高消防工作的协调性和实时性，确保信息的稳定传递，从而有效消除通信障碍，使得网络具有自修复能力，提高网络的稳定性和可靠性，同时能对进入火场的消防员进行精准定位，消防员被困或者遇险可精准营救，避免消防员伤亡，能够使消防人员更好地了解火灾发生的规律和潜在危险源，为救援工作提供更加科学和有效的指导，大大提高消防工作的效率和安全性，能够收集火灾现场的相关信息，可研判火势发展方向，为指挥决策提供信息。

Description

消防智能定位、呼救、报警对讲设备

技术领域

本发明涉及消防通信领域，尤其涉及消防智能定位、呼救、报警对讲设备。

背景技术

智慧消防利用先进的技术手段，结合物联网、人工智能、大数据等技术，实现了消防安全的智能化、自动化和高效化。其中，智能定位、呼救、报警对讲设备作为智慧消防体系的重要组成部分，为消防救援工作提供了强大的支持和保障。这些设备能够收集火灾现场信息，研判火灾的蔓延，及时发出警报信号，同时实现与救援人员的实时通讯，大大提高了火灾救援的效率和安全性。

现有的消防智能定位、呼救、报警对讲设备无法实现多组设备之间的灵活通信，同时无法确保信息的稳定传递，网络的稳定性和可靠性较低，且经常有消防员被困灾害现场，因无法准确定位或及时掌握情况，导致伤亡；此外，现有的消防智能定位、呼救、报警对讲设备不利于消防人员更好地了解火灾发生的规律和潜在危险源，消防工作的效率和安全性较低，为此，我们提出消防智能定位、呼救、报警对讲设备。

发明内容

本发明的目的是为了解决现有技术中存在的缺陷，而提出的消防智能定位、呼救、报警对讲设备。

为了实现上述目的，本发明采用了如下技术方案：

消防智能定位、呼救、报警对讲设备，包括用户终端、传感器、存储数据库、智能定位模块、组网模块、呼救模块、报警对讲模块以及识别预测模块；

所述用户终端用于登记消防人员身份信息，并进行实时通信；

所述传感器用于部署在建筑物内部和周边环境对火灾迹象和环境参数进行实时监测；

所述存储数据库用于接受传感器收集到的实时数据和历史数据，并对存储的数据进行预处理；

所述智能定位模块用于对各用户终端所在位置进行实时定位反馈；

所述组网模块用于使多个用户终端互相连接成一个网络进行通信；

所述呼救模块用于发送紧急求助信号，并实现与消防部门的即时通信；

所述报警对讲模块用于消防指挥中心与火灾现场的人员进行语音交流；

所述识别预测模块用于对火灾进行分析预测，并优化救援方案。

作为本发明的进一步方案，所述传感器具体包括烟雾传感器、温度传感器、气体传感器以及红外传感器。

作为本发明的进一步方案，所述存储数据库数据预处理具体步骤如下：

步骤一：存储数据库接收各传感器采集到的数据后，检测各组数据中存在的缺失值，并标记各缺失值在对应数据中的所在位置，对各组数据中存在的缺失值进行统计和可视化分析以获取缺失值的分布情况和影响范围，并进行填补或删除；

步骤二：将处理后的各组数据按照不同传感器进行分类，并分别整合归纳成样本数据集，计算各组数据的标准偏差，之后依据计算出的标准偏差分别对异常数据进行检测并筛除；

步骤三：通过指数平滑来去除噪音和波动以获取趋势和周期性信息，同时对各历史数据进行标准化处理以统一格式，再检测是否存在重复的数据记录，若存在重复数据，则将其删除。

作为本发明的进一步方案，步骤二所述标准偏差具体计算公式如下：

其中，v_n为样本数据集的数据偏差，s为标准偏差，若任一数据x_i的偏差v_n满足|v_n|＞3σ，则判断该数据为异常数据，并剔除。

作为本发明的进一步方案，所述组网模块网络构建具体步骤如下：

步骤(1)：组网模块初始化各组用户终端，并为各组用户终端建立自己的网络标识、唯一ID以及识别信息，同时通过各组用户终端广播信息并寻找其他用户终端；

步骤(2)：组网模块通过无线信号强度以及频率来确定最佳的连接设备，同时根据自组网协议使各用户终端建立连接关系，以形成Mesh组网，之后根据网络规模和通信需求为各用户终端设定一组心跳周期，各用户终端在心跳周期内发送心跳信号到其连接的用户终端来维护连接状态；

步骤(3)：用户终端在心跳周期内监听其连接的用户终端发送的心跳信号，若在心跳周期内没有接收到心跳信号，说明连接出现问题或用户终端失效，若收到预期的心跳信号，则维持当前状态；

步骤(4)：当用户终端在连续几个心跳周期内未收到心跳信号，则认为连接中断，当用户终端之间的连接中断或失效，相关用户终端会自动尝试重新连接，并广播连接请求或向其他可用设备发送连接请求，以寻找新的用户终端建立连接；

步骤(5)：当连接发生变化或用户终端加入、离开网络时，相关用户终端会更新自身的路由信息，同时,各用户终端根据网络的变化动态调整网络拓扑，当有新的用户终端加入网络或故障用户终端修复后，网络会自动重组，恢复到最佳状态。

作为本发明的进一步方案，所述识别预测模块分析预测具体步骤如下：

步骤Ⅰ：识别预测模块从过往火灾记录、消防部门的数据库或相关机构获取历史火灾数据，再对收集到的各组数据进行预处理后，通过归一化方法统一数据格式，之后将数据集划分为训练集和测试集；

步骤Ⅱ：初始化卷积神经网络的权重和参数，之后将训练集导入该卷积神经网络中，根据输入数据和当前的权重和参数计算对应输出，之后分别通过交叉熵损失函数以及交叉熵损失函数衡量模型的预测结果与真实标签之间的损失值；

步骤Ⅲ：若损失值未满足预设条件，则重新训练该卷积神经网络，并通过反向传播算法来更新模型的权重，同时更新该卷积神经网络参数，当损失值满足预设条件时，使用测试集对训练好的卷积神经网络进行评估，计算卷积神经网络在测试集上的性能指标，并输出灾情预测模型；

步骤Ⅳ：将传感器采集到的最新灾情数据进行预处理后作为输入数据输入灾情预测模型中，之后使灾情预测模型输入层的节点数和数据维度与训练阶段定义的模型输入层保持一致，之后输入数据从灾情预测模型输入层开始经过模型的各隐藏层；

步骤Ⅴ：各隐藏层分别对输入数据进行一次线性变换和非线性激活，并将处理后的数据通过各层之间的权重和激活函数进行逐层传递，之后输出层输出最终预测结果，同时依据预测结果制定更加智能化和针对性的救援方案，并确定最佳的救援路径和资源调配方案。

相比于现有技术，本发明的有益效果在于：

1、本发明通过初始化各组用户终端，并通过各组用户终端广播信息并寻找其他用户终端，组网模块通过无线信号强度以及频率来确定最佳的连接设备，同时根据自组网协议使各用户终端建立连接关系，以形成Mesh组网，之后各用户终端在心跳周期内发送心跳信号到其连接的用户终端来维护连接状态，用户终端在心跳周期内监听其连接的用户终端发送的心跳信号，若在心跳周期内没有接收到心跳信号，说明连接出现问题或用户终端失效，若收到预期的心跳信号，则维持当前状态，当用户终端在连续几个心跳周期内未收到心跳信号，则认为连接中断，当用户终端之间的连接中断或失效，相关用户终端会自动尝试重新连接，并广播连接请求或向其他可用设备发送连接请求，以寻找新的用户终端建立连接，当连接发生变化或用户终端加入、离开网络时，相关用户终端会更新自身的路由信息，同时,各用户终端根据网络的变化动态调整网络拓扑，当有新的用户终端加入网络或故障用户终端修复后，网络会自动重组，恢复到最佳状态，能够实现多组设备之间的灵活通信，提高消防工作的协调性和实时性，确保信息的稳定传递，从而有效消除通信障碍，使得网络具有自修复能力，提高网络的稳定性和可靠性，同时能对进入火场的消防员进行精准定位，消防员被困或者遇险可精准营救，避免消防员伤亡。

2、本发明通过识别预测模块从过往火灾记录、消防部门的数据库或相关机构获取历史火灾数据，再对收集到的各组数据进行预处理并划分为训练集和测试集，之后将训练集导入该卷积神经网络中计算对应输出，若损失值未满足预设条件，则重新训练该卷积神经网络，当损失值满足预设条件时，使用测试集对训练好的卷积神经网络进行评估并输出灾情预测模型，将传感器采集到的最新灾情数据进行预处理后作为输入数据输入灾情预测模型中，输入数据从灾情预测模型输入层开始经过模型的各隐藏层，各隐藏层分别对输入数据进行一次线性变换和非线性激活，并将处理后的数据通过各层之间的权重和激活函数进行逐层传递，之后输出层输出最终预测结果，同时依据预测结果制定更加智能化和针对性的救援方案，并确定最佳的救援路径和资源调配方案，能够使消防人员更好地了解火灾发生的规律和潜在危险源，为救援工作提供更加科学和有效的指导，大大提高消防工作的效率和安全性，能够收集火灾现场的相关信息，可研判火势发展方向，为指挥决策提供信息。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。

图1为本发明提出的消防智能定位、呼救、报警对讲设备的系统框图。

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楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。

实施例1

参照图1，消防智能定位、呼救、报警对讲设备，包括用户终端、传感器、存储数据库、智能定位模块、组网模块、呼救模块、报警对讲模块以及识别预测模块。

用户终端用于登记消防人员身份信息，并进行实时通信。

传感器用于部署在建筑物内部和周边环境对火灾迹象和环境参数进行实时监测；存储数据库用于接受传感器收集到的实时数据和历史数据，并对存储的数据进行预处理。

具体的，存储数据库接收各传感器采集到的数据后，检测各组数据中存在的缺失值，并标记各缺失值在对应数据中的所在位置，对各组数据中存在的缺失值进行统计和可视化分析以获取缺失值的分布情况和影响范围，并进行填补或删除，将处理后的各组数据按照不同传感器进行分类，并分别整合归纳成样本数据集，计算各组数据的标准偏差，之后依据计算出的标准偏差分别对异常数据进行检测并筛除，通过指数平滑来去除噪音和波动以获取趋势和周期性信息，同时对各历史数据进行标准化处理以统一格式，再检测是否存在重复的数据记录，若存在重复数据，则将其删除。

需要进一步说明的是，标准偏差具体计算公式如下：

其中，v_n为样本数据集的数据偏差，s为标准偏差，若任一数据x_i的偏差v_n满足|v_n|＞3σ，则判断该数据为异常数据，并剔除。

智能定位模块用于对各用户终端所在位置进行实时定位反馈；组网模块用于使多个用户终端互相连接成一个网络进行通信。

具体的，组网模块初始化各组用户终端，并为各组用户终端建立自己的网络标识、唯一ID以及识别信息，同时通过各组用户终端广播信息并寻找其他用户终端，组网模块通过无线信号强度以及频率来确定最佳的连接设备，同时根据自组网协议使各用户终端建立连接关系，以形成Mesh组网，之后根据网络规模和通信需求为各用户终端设定一组心跳周期，各用户终端在心跳周期内发送心跳信号到其连接的用户终端来维护连接状态，用户终端在心跳周期内监听其连接的用户终端发送的心跳信号，若在心跳周期内没有接收到心跳信号，说明连接出现问题或用户终端失效，若收到预期的心跳信号，则维持当前状态，当用户终端在连续几个心跳周期内未收到心跳信号，则认为连接中断，当用户终端之间的连接中断或失效，相关用户终端会自动尝试重新连接，并广播连接请求或向其他可用设备发送连接请求，以寻找新的用户终端建立连接，当连接发生变化或用户终端加入、离开网络时，相关用户终端会更新自身的路由信息，同时,各用户终端根据网络的变化动态调整网络拓扑，当有新的用户终端加入网络或故障用户终端修复后，网络会自动重组，恢复到最佳状态。

实施例2

参照图1，消防智能定位、呼救、报警对讲设备，包括用户终端、传感器、存储数据库、智能定位模块、组网模块、呼救模块、报警对讲模块以及识别预测模块。

呼救模块用于发送紧急求助信号，并实现与消防部门的即时通信；报警对讲模块用于消防指挥中心与火灾现场的人员进行语音交流；识别预测模块用于对火灾进行分析预测，并优化救援方案。

具体的，识别预测模块从过往火灾记录、消防部门的数据库或相关机构获取历史火灾数据，再对收集到的各组数据进行预处理后，通过归一化方法统一数据格式，之后将数据集划分为训练集和测试集，初始化卷积神经网络的权重和参数，之后将训练集导入该卷积神经网络中，根据输入数据和当前的权重和参数计算对应输出，之后分别通过交叉熵损失函数以及交叉熵损失函数衡量模型的预测结果与真实标签之间的损失值，若损失值未满足预设条件，则重新训练该卷积神经网络，并通过反向传播算法来更新模型的权重，同时更新该卷积神经网络参数，当损失值满足预设条件时，使用测试集对训练好的卷积神经网络进行评估，计算卷积神经网络在测试集上的性能指标，并输出灾情预测模型，将传感器采集到的最新灾情数据进行预处理后作为输入数据输入灾情预测模型中，之后使灾情预测模型输入层的节点数和数据维度与训练阶段定义的模型输入层保持一致，之后输入数据从灾情预测模型输入层开始经过模型的各隐藏层，各隐藏层分别对输入数据进行一次线性变换和非线性激活，并将处理后的数据通过各层之间的权重和激活函数进行逐层传递，之后输出层输出最终预测结果，同时依据预测结果制定更加智能化和针对性的救援方案，并确定最佳的救援路径和资源调配方案。

Claims (6)

1.消防智能定位、呼救、报警对讲设备，其特征在于，包括用户终端、传感器、存储数据库、智能定位模块、组网模块、呼救模块、报警对讲模块以及识别预测模块；

所述用户终端用于登记消防人员身份信息，并进行实时通信；

所述传感器用于部署在建筑物内部和周边环境对火灾迹象和环境参数进行实时监测；

所述存储数据库用于接受传感器收集到的实时数据和历史数据，并对存储的数据进行预处理；

所述智能定位模块用于对各用户终端所在位置进行实时定位反馈；

所述组网模块用于使多个用户终端互相连接成一个网络进行通信；

所述呼救模块用于发送紧急求助信号，并实现与消防部门的即时通信；

所述报警对讲模块用于消防指挥中心与火灾现场的人员进行语音交流；

所述识别预测模块用于对火灾进行分析预测，并优化救援方案。

2.根据权利要求1所述的消防智能定位、呼救、报警对讲设备，其特征在于，所述传感器具体包括烟雾传感器、温度传感器、气体传感器以及红外传感器。

3.根据权利要求2所述的消防智能定位、呼救、报警对讲设备，其特征在于，所述存储数据库数据预处理具体步骤如下：

步骤一：存储数据库接收各传感器采集到的数据后，检测各组数据中存在的缺失值，并标记各缺失值在对应数据中的所在位置，对各组数据中存在的缺失值进行统计和可视化分析以获取缺失值的分布情况和影响范围，并进行填补或删除；

步骤二：将处理后的各组数据按照不同传感器进行分类，并分别整合归纳成样本数据集，计算各组数据的标准偏差，之后依据计算出的标准偏差分别对异常数据进行检测并筛除；

步骤三：通过指数平滑来去除噪音和波动以获取趋势和周期性信息，同时对各历史数据进行标准化处理以统一格式，再检测是否存在重复的数据记录，若存在重复数据，则将其删除。

4.根据权利要求3所述的消防智能定位、呼救、报警对讲设备，其特征在于，步骤二所述标准偏差具体计算公式如下：

其中，v_n为样本数据集的数据偏差，s为标准偏差，若任一数据x_i的偏差v_n满足|v_n|＞3σ，则判断该数据为异常数据，并剔除。

5.根据权利要求3所述的消防智能定位、呼救、报警对讲设备，其特征在于，所述组网模块网络构建具体步骤如下：

步骤(1)：组网模块初始化各组用户终端，并为各组用户终端建立自己的网络标识、唯一ID以及识别信息，同时通过各组用户终端广播信息并寻找其他用户终端；

步骤(2)：组网模块通过无线信号强度以及频率来确定最佳的连接设备，同时根据自组网协议使各用户终端建立连接关系，以形成Mesh组网，之后根据网络规模和通信需求为各用户终端设定一组心跳周期，各用户终端在心跳周期内发送心跳信号到其连接的用户终端来维护连接状态；

步骤(3)：用户终端在心跳周期内监听其连接的用户终端发送的心跳信号，若在心跳周期内没有接收到心跳信号，说明连接出现问题或用户终端失效，若收到预期的心跳信号，则维持当前状态；

步骤(4)：当用户终端在连续几个心跳周期内未收到心跳信号，则认为连接中断，当用户终端之间的连接中断或失效，相关用户终端会自动尝试重新连接，并广播连接请求或向其他可用设备发送连接请求，以寻找新的用户终端建立连接；

步骤(5)：当连接发生变化或用户终端加入、离开网络时，相关用户终端会更新自身的路由信息，同时,各用户终端根据网络的变化动态调整网络拓扑，当有新的用户终端加入网络或故障用户终端修复后，网络会自动重组，恢复到最佳状态。

6.根据权利要求5所述的消防智能定位、呼救、报警对讲设备，其特征在于，所述识别预测模块分析预测具体步骤如下：

步骤Ⅰ：识别预测模块从过往火灾记录、消防部门的数据库或相关机构获取历史火灾数据，再对收集到的各组数据进行预处理后，通过归一化方法统一数据格式，之后将数据集划分为训练集和测试集；

步骤Ⅱ：初始化卷积神经网络的权重和参数，之后将训练集导入该卷积神经网络中，根据输入数据和当前的权重和参数计算对应输出，之后分别通过交叉熵损失函数以及交叉熵损失函数衡量模型的预测结果与真实标签之间的损失值；

步骤Ⅲ：若损失值未满足预设条件，则重新训练该卷积神经网络，并通过反向传播算法来更新模型的权重，同时更新该卷积神经网络参数，当损失值满足预设条件时，使用测试集对训练好的卷积神经网络进行评估，计算卷积神经网络在测试集上的性能指标，并输出灾情预测模型；

步骤Ⅳ：将传感器采集到的最新灾情数据进行预处理后作为输入数据输入灾情预测模型中，之后使灾情预测模型输入层的节点数和数据维度与训练阶段定义的模型输入层保持一致，之后输入数据从灾情预测模型输入层开始经过模型的各隐藏层；

步骤Ⅴ：各隐藏层分别对输入数据进行一次线性变换和非线性激活，并将处理后的数据通过各层之间的权重和激活函数进行逐层传递，之后输出层输出最终预测结果，同时依据预测结果制定更加智能化和针对性的救援方案，并确定最佳的救援路径和资源调配方案。