CN117746602B - 基于多源数据融合的火灾风险智能预警方法及系统 - Google Patents
基于多源数据融合的火灾风险智能预警方法及系统 Download PDFInfo
- Publication number
- CN117746602B CN117746602B CN202410183521.9A CN202410183521A CN117746602B CN 117746602 B CN117746602 B CN 117746602B CN 202410183521 A CN202410183521 A CN 202410183521A CN 117746602 B CN117746602 B CN 117746602B
- Authority
- CN
- China
- Prior art keywords
- temperature
- moment
- sequence
- data
- index
- 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
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000004927 fusion Effects 0.000 title claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 9
- 230000008859 change Effects 0.000 claims description 39
- 239000002243 precursor Substances 0.000 claims description 34
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 24
- 239000000779 smoke Substances 0.000 claims description 16
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 12
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 12
- 239000001569 carbon dioxide Substances 0.000 claims description 12
- 229910002091 carbon monoxide Inorganic materials 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 8
- 230000003044 adaptive effect Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 abstract description 11
- 230000008569 process Effects 0.000 description 10
- 230000000694 effects Effects 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000002265 prevention Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 241000287196 Asthenes Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 239000003570 air Substances 0.000 description 1
- 239000012080 ambient air Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010411 cooking Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000005713 exacerbation Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000010304 firing Methods 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 231100000614 poison Toxicity 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 230000002588 toxic effect Effects 0.000 description 1
- 239000003440 toxic substance Substances 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Landscapes
- Fire-Detection Mechanisms (AREA)
- Fire Alarms (AREA)
Abstract
本发明涉及火灾预警技术领域，具体涉及基于多源数据融合的火灾风险智能预警方法及系统，该方法包括：采集船舶不同区域火灾的特征数据；对于各区域每个温度传感器采集的温度序列，根据各时刻及相邻时刻温度数据差异获取各时刻的温度起伏变化指数；根据各时刻温度数据的时序特征、周围温度分布波动情况获取各时刻的自适应权值；根据所有采集时刻的自适应权值以及温度数据获取下一时刻的温度估计值；基于船舶各区域特征数据的估计值采用KNN模型进行训练，输出火灾分类标签。本发明旨在灵活应对复杂多变的船舶环境，提高火灾风险监测的准确性。
Description
技术领域
本申请涉及火灾预警技术领域，具体涉及基于多源数据融合的火灾风险智能预警方法及系统。
背景技术
近年来，在全球全损船舶事故统计中，火灾作为主要原因之一，其引发的海难事件占比已显著上升至约11%，凸显出火灾防控对于海上安全的极端重要性。尤其是针对大型客船、豪华邮轮等拥有复杂且密集上层建筑的船只，一旦发生火灾，火势蔓延速度极快，并伴随大量有毒有害烟气迅速扩散，这不仅极大压缩了乘客和船员的有效疏散时间，而且浓烟中的高温和有毒物质会严重影响人员的视觉、呼吸和运动能力，降低逃生效率。面对突发火情，乘客由于恐慌、从众心理以及应急处置知识匮乏，往往出现无序疏散现象，缺乏冷静判断及合理行动方案，容易形成逃生通道拥堵，进一步加大了伤亡风险。这种情况加剧了火场混乱程度，使得原本就有限的安全疏散时间更为紧张，从而造成重大人员伤亡和不可估量的经济损失。
因此，加强火灾的风险预警机制建设显得尤为关键。通过引入先进的火灾监测系统，可以在很大程度上预防火灾的发生，及时控制火源，减小火灾规模，为人员安全撤离争取宝贵的时间。但由于船舶火灾的发生环境复杂多样，传统单一的检测特征无法适应于船舶火灾的预警，在对数据进行提取特征时采用加权平均法对数据进行预估时，固定的权数对预警特征的计算不理想，需要一种自适应的加权平均算法，对于获取火灾数据的特征估计。
发明内容
为了解决上述技术问题，本发明提供基于多源数据融合的火灾风险智能预警方法及系统，所采用的技术方案具体如下：
第一方面，本发明实施例提供了基于多源数据融合的火灾风险智能预警方法，该方法包括以下步骤：
采集船舶不同区域火灾的特征数据，所述特征数据包括但不限于温度传感器、二氧化碳传感器、一氧化碳传感器以及烟雾传感器采集的数据序列；
对于各区域每个温度传感器采集的温度序列，根据各时刻及相邻时刻温度数据差异获取各时刻的温度变化趋势指数；将各时刻及之前所有时刻的温度数据组成各时刻的温度前驱序列；结合各时刻的温度变化趋势指数以及温度前驱序列获取各时刻的温度起伏变化指数；
根据各时刻温度数据的时序特征获取各时刻的特征权值；根据各时刻的温度数据与周围温度分布波动情况获取各时刻的平衡权值；结合特征权值、平衡权值以及温度起伏变化指数构建各时刻的全局温度特征指数；根据相邻时刻的全局温度特征指数的趋势变化获取各时刻的自适应权值；
根据所有采集时刻的自适应权值以及温度数据获取下一时刻的温度估计值；基于船舶各区域特征数据的估计值采用KNN模型进行训练，输出火灾分类标签。
优选的，所述根据各时刻及相邻时刻温度数据差异获取各时刻的温度变化趋势指数，表达式为：
式中，表示第i个时刻的温度变化趋势指数；/>表示符号函数；/>、/>、/>分别表示第i、i-1、i-2个时刻的温度数据，/>、/>、/>表示第0、1、2个时刻的温度数据；/>表示预设温度调节常数。
优选的，所述结合各时刻的温度变化趋势指数以及温度前驱序列获取各时刻的温度起伏变化指数，包括：
获取各时刻的温度前驱序列中的最小值；计算各时刻的温度数据与所述最小值的差值；
将各时刻的温度数据、所述差值以及温度变化趋势指数的乘积作为各时刻的温度起伏变化指数。
优选的，所述根据各时刻温度数据的时序特征获取各时刻的特征权值，包括：
获取各时刻的温度前驱序列的均值；将各时刻的温度数据与所述均值的比值作为各时刻的特征权值。
优选的，所述根据各时刻的温度数据与周围温度分布波动情况获取各时刻的平衡权值，包括：
将每个温度传感器所在同一区域的所有温度传感器在各时刻获得的温度数据组成各时刻的并列温度序列；采用格拉姆角场算法获取各时刻的并列温度序列的二维图像；将各时刻的二维图像中主对角线上的像素值组成各时刻的像素特征序列；
第i个时刻的全局温度特征指数的表达式为：
其中，表示第i个时刻的平衡权值；N表示二维图像的行数；/>表示二维图像中(k,k)位置的像素值；/>表示二维图像左下三角行列式的标准差；/>表示二维图像左下三角行列式的均值；/>表示像素特征序列/>的标准差；/>、/>表示最大、最小值函数。
优选的，所述结合特征权值、平衡权值以及温度起伏变化指数构建各时刻的全局温度特征指数，包括：
计算各时刻的特征权值与温度起伏变化指数的乘积；计算各时刻的平衡权值与温度数据的乘积；将两个乘积的和值作为各时刻的全局温度特征指数。
优选的，所述根据相邻时刻的全局温度特征指数的趋势变化获取各时刻的自适应权值，包括：
将温度传感器采集的每个时刻的全局温度特征指数，组成温度传感器的全局温度特征指数序列；采用一阶差分法获取温度传感器的全局温度特征指数序列的差分序列；采用与各时刻的温度前驱序列相同的方法获取所述差分序列中各元素所在时刻的差分前驱序列；
各时刻的自适应权值的表达式为：
式中，表示第i个时刻的自适应权值；/>表示第i个时刻的差分前驱序列中非负数的数量；/>表示第i个时刻的差分前驱序列中相邻元素由正变负的数量；/>表示第i个时刻的差分前驱序列中元素的数量；/>表示第i个时刻的全局温度特征指数；/>表示初始时刻的全局温度特征指数。
优选的，所述根据所有采集时刻的自适应权值以及温度数据获取下一时刻的温度估计值，包括：
获取所有采集时刻的自适应权值的均值；计算各时刻的温度数据与自适应权值的乘积，除以所述均值的结果；将所有采集时刻的所述结果的和值作为下一时刻的温度估计值。
优选的，所述基于船舶各区域特征数据的估计值采用KNN模型进行训练，输出火灾分类标签，包括：
采用与温度序列的温度估计值相同的计算方法，分别获取二氧化碳浓度序列、一氧化碳浓度序列、烟雾浓度序列的二氧化碳估计值、一氧化碳估计值、烟雾估计值；
将温度估计值、二氧化碳估计值、一氧化碳估计值、烟雾估计值组成火灾风险特征序列；对火灾风险特征序列进行人工标注，通过KNN模型训练，输出分类标签，所述分类标签包括：低风险区域、中风险区域、高风险区域。
第二方面，本发明实施例还提供了基于多源数据融合的火灾风险智能预警系统，包括存储器、处理器以及存储在所述存储器中并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上述任意一项所述方法的步骤。
本发明至少具有如下有益效果：
本发明通过对各时刻的温度数据以及左右相邻时刻的温度数据变化快慢进行分析，获取各时刻的温度变化趋势指数，从而挖掘温度数据随着时间推移情况下温度是否出现火灾发生的预先走势，提高火灾预警趋势预测的准确性；同时考虑各时刻之前的所有时刻的温度数据中的数据分布，通过已经发生的历史温度数据对未来的火灾发生可能进行分析，构建各时刻的温度起伏变化指数，充分考虑监测区域的温度变化，用于量化的火灾发生的可能性；
本发明通过基于各时刻的时序特征、周围温度分布波动情况分别构建全局温度特征指数，同时，通过将序列转换到图像层面，有助于提升对数据理解的深度和广度；通过将区域内温度传感器在同一时刻的温度数据稳定情况挖掘数据内部的特征，准确识别潜在火灾风险，该指数考虑了温度变化的趋势、速度以及与其他区域平均温度的对比，有利于更早地捕捉到火灾初期的异常升温现象，从而实现火灾的快速响应与有效预防；通过全局温度特征指数的分布情况，获取不同时刻的自适应权值，自适应权值能够根据实时监测数据调整其权重分配，即挖掘实际场景中的温度变化、烟雾浓度等，以反映当前环境状况的紧迫性和重要性，确保预警系统对即时危险信号的快速反应；通过自适应权值对加权平均算法进行改进，改进的算法可以灵活应对复杂多变的船舶环境，有效区分真实火警信号和其他非火警干扰信号等问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1为本发明提供的基于多源数据融合的火灾风险智能预警方法的流程图；
图2为二维图像示意图；
图3为火灾风险特征序列的指标构建流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的基于多源数据融合的火灾风险智能预警方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的基于多源数据融合的火灾风险智能预警方法及系统的具体方案。
本发明一个实施例提供的基于多源数据融合的火灾风险智能预警方法及系统。
具体的，提供了如下的基于多源数据融合的火灾风险智能预警方法，请参阅图1，该方法包括以下步骤：
步骤S001，获取船舶不同区域火灾的特征数据，并对数据进行预处理。
对船舶内的不同区域均安装温度传感器、二氧化碳传感器、一氧化碳传感器、烟雾传感器，本实施例对传感器的采集时间间隔设置为1s，采集的总时长设置为1min。由于各种因素可能导致采集到的数据可能存在数据的缺失，在此采用3阶多项式插值法，对缺失的数据进行补全，由于多项式插值法为公知技术，具体计算过程在此不再赘述。
步骤S002，根据实际场景中出现的火灾情况分析船舶不同区域火灾的特征数据，改进加权平均算法获取每个特征数据的估计值，基于所有特征数据的估计值构建火灾风险特征序列。
本实施例在上述传感器获取的特征数据中，选择温度传感器的数据做如下分析，其他传感器获取的数据的分析方法与温度传感器的数据分析方法相同。
当船舶舱室或关键区域的气温呈现持续且加速升高的趋势时，这可能预示着潜在火灾风险的加剧。因为火灾发生前，由于热源逐渐增强和热量积聚效应，周围环境的空气温度通常会随时间快速上升。但如果物体表面温度经历一段升高过程后又出现下降，这种情况并不一定指向即将发生的火灾，例如设备冷却循环启动、短暂热源消失或是自然对流及散热机制生效等。
将温度传感器的获取的温度序列记为x，对于第i个温度数据，将序列中前i个元素组成第i个时刻的温度前驱序列，记为。当前时刻与前一时刻的温度差值的符号表示温度变化的趋势，但由于火场温度的变化不稳定，因此需要引入平衡量，对温度趋势的方向与取值进行平衡。通过上述指标构建温度序列元素的温度起伏变化指数。
式中，表示第i个时刻的温度变化趋势指数；/>表示符号函数；/>、/>、/>分别表示第i、i-1、i-2个时刻的温度数据，/>、/>、/>表示第0、1、2个时刻的温度数据，其中当i=1时，/>，/>；/>表示预设温度调节常数，本实施例取值10；
表示第i个时刻的温度起伏变化指数；/>表示第i个时刻的温度前驱序列；表示最小值函数。
当传感器部署的位置越有可能发生火灾事时，所获取的数据值将随着火灾风险的增大而显著上升。若当前时刻的温度值与前一时刻的温度值之间的差值较大，两个相邻时刻的差值的乘积会增大/>，当此乘积与初始相邻差值的乘积比值越大，表明温度变化速率快速增加，意味着起火的可能性正在加剧，故计算当前时刻的温度变化趋势指数/>的值越大。说明火灾的发生可能性越高，当前时刻的温度，与温度前驱序列中最小值之间的差值/>的值越大，这个差值反映了温度从最低点到当前时刻的累计升温程度。当/>的值越大，说明当前舱室或设备经历了较大的温度升幅，进一步增加了火灾发生的可能性。因此计算的当前时刻的温度起伏变化指数/>的值越大。
通过上述计算，将各时刻的温度起伏变化指数按照时间顺序组成温度起伏变化指数序列Tfi。
在船舶环境中，进行火灾风险评估时，数据特征提取是一项综合且复杂的过程，不能仅依赖单一的温度指标。例如，在机舱、厨房等特定功能区域，由于设备运行或烹饪活动，温度相对较高是常态，但这些地方的温度变化通常保持在一个相对平稳的范围内，并未表现出火灾发生时急剧升高的特点。因此，为准确识别潜在火灾风险，除了关注温度这一核心指标外，还需要纳入其他相关特征以消除非火灾因素导致的温度升高对火灾预警系统的干扰。
本实施例获取同一区域的同一时刻各温度传感器的温度值，以第i个时刻为例，构建第i个时刻的并列温度序列。通过格拉姆角场将并列温度序列/>转化为对应二维图像，二维图像中的像素点的颜色基于主对角线对称，如图2所示。格拉姆角场有助于提升对数据理解的深度和广度，格拉姆角场的转换后的图像，像素点值体现出数据之间的相似度，像素点值分布越均匀，代表该传感器获取的数据与其他同一场景下传感器获取的数据无太大差别，说明同一场景下传感器监测区域的状况相同或者相近。其中，格拉姆角场为公知技术，本实施例不再赘述。
将二维图像左下三角行列式的均值记为iav，标准差记为ar；同时取得主对角线像素点的像素值，构建像素特征序列。对于任意一个区域的任意一个温度传感器，通过上述指标构建第i个时刻的全局温度特征指数。
式中，表示第i个时刻的特征权值；/>表示第i个时刻的温度数据；/>表示第i个时刻的温度前驱序列；/>表示平均值函数；
表示第i个时刻的平衡权值；N表示二维图像的行数；/>表示二维图像中(k,k)位置的像素值；/>表示二维图像左下三角行列式的标准差；/>表示二维图像左下三角行列式的均值；/>表示第i个时刻的像素特征序列；/>表示像素特征序列/>的标准差；/>、表示最大、最小值函数。
表示第i个时刻的全局温度特征指数；/>表示第i个时刻的温度起伏变化指数。
在船舶火灾预警系统中，温度传感器对潜在火源区域的监测至关重要。当实际发生火灾时，当前监测区域的温度值与该区域温度前驱序列均值/>的比值会显著增大。这一比例关系可以直观反映出当前温度相对于正常状态下的偏离程度，随着火灾的发展，该比值将会持续上升，从而使得基于时序特征计算出的权值/>也随之增大。在同一艘船上，不同位置但同类型功能区域（如多个机舱或厨房）。若某一监测位置发生火灾，其传感获取的数据与这些类似区域温度会明显出现明显的不同，通过数据构成的二维图像，像素值分布更加混乱，造成数据的差异。这种差异性将导致该位置传感器在整体评估中的平衡权值/>增大，体现了其相较于其他同类区域可能存在的异常高温现象。当两种权值都增大时，火灾的发生可能性会增大，使得获取的全局温度特征指数/>会增大。
将同一温度传感器采集的每个时刻的全局温度特征指数组成全局温度特征指数序列Gtc。对全局温度特征指数序列Gtc，通过一阶差分法计算全局温度特征指数序列的差分序列，然后在差分序列前面补一个值，使得差分序列元素与全局温度特征指数序列Gtc的元素一一对应。然后获取差分序列每一个元素的差分前驱序列，获取方式与温度前驱序列的获取方法相同。
统计每一个差分前驱序列中非负数的数量，记为，然后统计差分前驱序列中数据由正变负的数量记为/>。通过上述步骤计算温度序列中各时刻的自适应权值。
式中，表示第i个时刻的自适应权值；/>表示第i个时刻的差分前驱序列中非负数的数量；/>表示第i个时刻的差分前驱序列中相邻元素由正变负的数量；/>表示第i个时刻的差分前驱序列中元素的数量；/>表示第i个时刻的全局温度特征指数；/>表示初始时刻的全局温度特征指数。
需要说明的是，当监测位置的温度上升速度越快，表明该区域可能存在更高的火灾风险。这一情况下，通过计算全局温度特征指数序列Gtc得到的差分前驱序列中的元素通常表现为全部非负数，这意味着每个差分值即连续时刻的温度变化均为正增长，从而导致统计指标增大。与此同时，由于温度持续上升且未出现显著下降趋势，温度转折值/>的值相对较小。随着温度快速增加，当前时刻的全局温度特征指数/>与初始全局温度特征指数/>之间的差值也会显著增大，使得计算的温度传感器获取的自适应权值/>的值增大。
通过每一时刻的自适应权值对加权平均算法的权数进行改进，将获取的温度序列作为改进的加权平均算法的输入，数据结果为预测估计值。计算公式如下：
式中，表示下一时刻的温度估计值；/>表示采集的数据数量，在本发明中位60；表示第i时刻的温度值；/>表示第i时刻温度值的自适应权值。
采用上述相同的方法分别获取二氧化碳浓度序列、一氧化碳浓度序列、烟雾浓度序列的二氧化碳估计值、一氧化碳估计值、烟雾估计值。
将温度估计值、二氧化碳估计值、一氧化碳估计值、烟雾估计值构建火灾风险特征序列V。其中，火灾风险特征序列的指标构建流程图如图3所示。
步骤S003，基于上述步骤获取的火灾风险特征序列，通过不同场景下的火灾风险特征序列训练KNN模型，通过实时火灾风险特征序列判断当前位置发生火灾的可能性。
通过上述步骤采用实验获取大量不同场景下的火灾特征序列，然后对特征序列人工标注为正常区域，可能发生火灾，已经发生火灾的三种标签，然后将带标签的火灾特征序列作为KNN模型的训练数据，模型的K值取值为6，通过训练得到训练模型。然后将实时的获取的火灾风险特征序列V作为模型的输入，输出结果为分类标签，所述分类标签分别为：低风险区域、中风险区域、高风险区域。其中，KNN模型为公知技术，本实施例不再赘述。
通过分类标签以及传感器安装的位置，如果标签为可能高风险区域或中风险区域，需要对船舶中当前位置区域进行火灾预警。
至此，本实施例完成。
基于与上述方法相同的发明构思，本发明实施例还提供了基于多源数据融合的火灾风险智能预警系统，包括存储器、处理器以及存储在所述存储器中并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上述基于多源数据融合的火灾风险智能预警方法中任意一项所述方法的步骤。
综上所述，本发明实施例通过对各时刻的温度数据以及左右相邻时刻的温度数据变化快慢进行分析，获取各时刻的温度变化趋势指数，从而挖掘温度数据随着时间推移情况下温度是否出现火灾发生的预先走势，提高火灾预警趋势预测的准确性；同时考虑各时刻之前的所有时刻的温度数据中的数据分布，通过已经发生的历史温度数据对未来的火灾发生可能进行分析，构建各时刻的温度起伏变化指数，充分考虑监测区域的温度变化，用于量化的火灾发生的可能性；
本发明实施例通过基于各时刻的时序特征、周围温度分布波动情况分别构建全局温度特征指数，同时，通过将序列转换到图像层面，有助于提升对数据理解的深度和广度；通过将区域内温度传感器在同一时刻的温度数据稳定情况挖掘数据内部的特征，准确识别潜在火灾风险，该指数考虑了温度变化的趋势、速度以及与其他区域平均温度的对比，有利于更早地捕捉到火灾初期的异常升温现象，从而实现火灾的快速响应与有效预防；通过全局温度特征指数的分布情况，获取不同时时刻的自适应权值，自适应权值能够根据实时监测数据调整其权重分配，即挖掘实际场景中的温度变化、烟雾浓度等，以反映当前环境状况的紧迫性和重要性，确保预警系统对即时危险信号的快速反应；通过自适应权值对加权平均算法进行改进，改进的算法可以灵活应对复杂多变的船舶环境，有效区分真实火警信号和其他非火警干扰信号等问题。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同或相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；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，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围，均应包含在本申请的保护范围之内。
Claims (7)
1.基于多源数据融合的火灾风险智能预警方法，其特征在于，该方法包括以下步骤：
采集船舶不同区域火灾的特征数据，所述特征数据包括但不限于温度传感器、二氧化碳传感器、一氧化碳传感器以及烟雾传感器采集的数据序列；
对于各区域每个温度传感器采集的温度序列，根据各时刻及相邻时刻温度数据差异获取各时刻的温度变化趋势指数；将各时刻及之前所有时刻的温度数据组成各时刻的温度前驱序列；结合各时刻的温度变化趋势指数以及温度前驱序列获取各时刻的温度起伏变化指数；
根据各时刻温度数据的时序特征获取各时刻的特征权值；根据各时刻的温度数据与周围温度分布波动情况获取各时刻的平衡权值；结合特征权值、平衡权值以及温度起伏变化指数构建各时刻的全局温度特征指数；根据相邻时刻的全局温度特征指数的趋势变化获取各时刻的自适应权值；
根据所有采集时刻的自适应权值以及温度数据获取下一时刻的温度估计值；基于船舶各区域特征数据的估计值采用KNN模型进行训练，输出火灾分类标签；
所述根据各时刻的温度数据与周围温度分布波动情况获取各时刻的平衡权值，包括：
将每个温度传感器所在同一区域的所有温度传感器在各时刻获得的温度数据组成各时刻的并列温度序列；采用格拉姆角场算法获取各时刻的并列温度序列的二维图像；将各时刻的二维图像中主对角线上的像素值组成各时刻的像素特征序列zi；
第i个时刻的平衡权值的表达式为：
其中，表示第i个时刻的平衡权值；N表示二维图像的行数；imgk,k表示二维图像中(k,k)位置的像素值；ar表示二维图像左下三角行列式的标准差；iav表示二维图像左下三角行列式的均值；ziδ表示像素特征序列zi的标准差；max()、min()表示最大、最小值函数；
所述根据相邻时刻的全局温度特征指数的趋势变化获取各时刻的自适应权值，包括：
将温度传感器采集的每个时刻的全局温度特征指数，组成温度传感器的全局温度特征指数序列；采用一阶差分法获取温度传感器的全局温度特征指数序列的差分序列；采用与各时刻的温度前驱序列相同的方法获取所述差分序列中各元素所在时刻的差分前驱序列；
各时刻的自适应权值的表达式为：
式中，wi表示第i个时刻的自适应权值；Si表示第i个时刻的差分前驱序列中非负数的数量；fSi表示第i个时刻的差分前驱序列中相邻元素由正变负的数量；ki表示第i个时刻的差分前驱序列中元素的数量；Gtci表示第i个时刻的全局温度特征指数；Gtc1表示初始时刻的全局温度特征指数；
所述基于船舶各区域特征数据的估计值采用KNN模型进行训练，输出火灾分类标签，包括：
采用与温度序列的温度估计值相同的计算方法，分别获取二氧化碳浓度序列、一氧化碳浓度序列、烟雾浓度序列的二氧化碳估计值、一氧化碳估计值、烟雾估计值；
将温度估计值、二氧化碳估计值、一氧化碳估计值、烟雾估计值组成火灾风险特征序列；对火灾风险特征序列进行人工标注，通过KNN模型训练，输出分类标签，所述分类标签包括：低风险区域、中风险区域、高风险区域。
2.如权利要求1所述的基于多源数据融合的火灾风险智能预警方法，其特征在于，所述根据各时刻及相邻时刻温度数据差异获取各时刻的温度变化趋势指数，表达式为：
式中，Ttii表示第i个时刻的温度变化趋势指数；sgn()表示符号函数；xi、xi-1、xi-2分别表示第i、i-1、i-2个时刻的温度数据，x0、x1、x2表示第0、1、2个时刻的温度数据；α表示预设温度调节常数。
3.如权利要求2所述的基于多源数据融合的火灾风险智能预警方法，其特征在于，所述结合各时刻的温度变化趋势指数以及温度前驱序列获取各时刻的温度起伏变化指数，包括：
获取各时刻的温度前驱序列中的最小值；计算各时刻的温度数据与所述最小值的差值；
将各时刻的温度数据、所述差值以及温度变化趋势指数的乘积作为各时刻的温度起伏变化指数。
4.如权利要求1所述的基于多源数据融合的火灾风险智能预警方法，其特征在于，所述根据各时刻温度数据的时序特征获取各时刻的特征权值，包括：
获取各时刻的温度前驱序列的均值；将各时刻的温度数据与所述均值的比值作为各时刻的特征权值。
5.如权利要求1所述的基于多源数据融合的火灾风险智能预警方法，其特征在于，所述结合特征权值、平衡权值以及温度起伏变化指数构建各时刻的全局温度特征指数，包括：
计算各时刻的特征权值与温度起伏变化指数的乘积；计算各时刻的平衡权值与温度数据的乘积；将两个乘积的和值作为各时刻的全局温度特征指数。
6.如权利要求1所述的基于多源数据融合的火灾风险智能预警方法，其特征在于，所述根据所有采集时刻的自适应权值以及温度数据获取下一时刻的温度估计值，包括：
获取所有采集时刻的自适应权值的均值；计算各时刻的温度数据与自适应权值的乘积，除以所述均值的结果；将所有采集时刻的所述结果的和值作为下一时刻的温度估计值。
7.基于多源数据融合的火灾风险智能预警系统，包括存储器、处理器以及存储在所述存储器中并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1-6任意一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410183521.9A CN117746602B (zh) | 2024-02-19 | 2024-02-19 | 基于多源数据融合的火灾风险智能预警方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410183521.9A CN117746602B (zh) | 2024-02-19 | 2024-02-19 | 基于多源数据融合的火灾风险智能预警方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117746602A CN117746602A (zh) | 2024-03-22 |
| CN117746602B true CN117746602B (zh) | 2024-05-28 |
Family
ID=90277710
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410183521.9A Active CN117746602B (zh) | 2024-02-19 | 2024-02-19 | 基于多源数据融合的火灾风险智能预警方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117746602B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118015779B (zh) * | 2024-04-08 | 2024-06-14 | 南通惠江海洋科技有限公司 | 一种船舶火灾监控系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116012780A (zh) * | 2022-12-22 | 2023-04-25 | 广西电网有限责任公司河池供电局 | 一种基于图像识别的火灾监控方法及系统 |
| CN116524674A (zh) * | 2023-03-23 | 2023-08-01 | 贵州电网有限责任公司 | 基于多源数据融合的智能配电房火灾早期监测方法与系统 |
| CN116597602A (zh) * | 2023-05-25 | 2023-08-15 | 广东省科学院广州地理研究所 | 森林火灾预警方法、装置、设备以及存储介质 |
| CN116704257A (zh) * | 2023-06-20 | 2023-09-05 | 电子科技大学长三角研究院(衢州) | 基于神经网络的多传感器数据融合火灾探测方法 |
| CN117429262A (zh) * | 2023-11-27 | 2024-01-23 | 浙江安防职业技术学院 | 一种新能源汽车火情预警方法和控制器 |
-
2024
- 2024-02-19 CN CN202410183521.9A patent/CN117746602B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116012780A (zh) * | 2022-12-22 | 2023-04-25 | 广西电网有限责任公司河池供电局 | 一种基于图像识别的火灾监控方法及系统 |
| CN116524674A (zh) * | 2023-03-23 | 2023-08-01 | 贵州电网有限责任公司 | 基于多源数据融合的智能配电房火灾早期监测方法与系统 |
| CN116597602A (zh) * | 2023-05-25 | 2023-08-15 | 广东省科学院广州地理研究所 | 森林火灾预警方法、装置、设备以及存储介质 |
| CN116704257A (zh) * | 2023-06-20 | 2023-09-05 | 电子科技大学长三角研究院(衢州) | 基于神经网络的多传感器数据融合火灾探测方法 |
| CN117429262A (zh) * | 2023-11-27 | 2024-01-23 | 浙江安防职业技术学院 | 一种新能源汽车火情预警方法和控制器 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117746602A (zh) | 2024-03-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117746602B (zh) | 基于多源数据融合的火灾风险智能预警方法及系统 | |
| CN111627181B (zh) | 融合多源参数及其梯度信息的综合管廊火灾预警方法 | |
| JP6867153B2 (ja) | 異常監視システム | |
| Andrade et al. | Hidden markov models for optical flow analysis in crowds | |
| CN112287816A (zh) | 一种基于深度学习的危险工作区事故自动检测报警方法 | |
| CN112819068B (zh) | 一种基于深度学习的船舶作业违章行为实时侦测方法 | |
| CN109740477B (zh) | 驾驶员疲劳检测系统及其疲劳检测方法 | |
| CN113962282B (zh) | 一种基于改进YOLOv5L+DeepSort的船舶机舱火灾实时检测系统及方法 | |
| JP2007219865A (ja) | 異常行動検知装置 | |
| CN116756493B (zh) | 一种安消防集指平台数据管理方法 | |
| CN111223263A (zh) | 一种全自动综合型火灾预警响应系统 | |
| CN108898083A (zh) | 一种施工远程监控与管理系统及管理方法 | |
| CA3081967C (en) | Method and system for connected advanced flare analytics | |
| CN115205604A (zh) | 基于改进YOLOv5的化工生产过程中安全防护品佩戴检测方法 | |
| CN113392765A (zh) | 一种基于机器视觉的摔倒检测方法和系统 | |
| CN110209144A (zh) | 基于动静协同差异分析的两层实时监测与报警溯源方法 | |
| CN113723701A (zh) | 森林火灾监测预测方法及系统、电子设备及存储介质 | |
| CN116740649B (zh) | 一种基于深度学习的船员越界落水行为实时检测方法 | |
| CN117391451A (zh) | 一种钢铁数字化安全管控系统 | |
| CN112488213A (zh) | 一种基于多尺度特征学习网络的火灾图片分类方法 | |
| CN115171006B (zh) | 基于深度学习的自动识别人员进入电力危险区的检测方法 | |
| CN115829324A (zh) | 一种人员安全风险静默监视方法 | |
| CN118070019B (zh) | 一种基于人工智能的消防值班人员值岗智能识别方法 | |
| CN112307896A (zh) | 一种社区监控场景下电梯猥亵行为异常检测方法 | |
| EP3748444B1 (en) | Method and system for connected advanced flare analytics |
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 |