CN111311869B - 一种基于区域报警模型的消防安全监控方法、***、云平台 - Google Patents
一种基于区域报警模型的消防安全监控方法、***、云平台 Download PDFInfo
- Publication number
- CN111311869B CN111311869B CN202010093159.8A CN202010093159A CN111311869B CN 111311869 B CN111311869 B CN 111311869B CN 202010093159 A CN202010093159 A CN 202010093159A CN 111311869 B CN111311869 B CN 111311869B
- Authority
- CN
- China
- Prior art keywords
- detector
- fire
- alarm
- fire alarm
- building structure
- 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
Images
Classifications
-
- 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
- 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
-
- 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
- H04L67/10—Protocols in which an application is distributed across nodes in the network
Landscapes
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Fire Alarms (AREA)
- Alarm Systems (AREA)
Abstract
本发明提供一种区域火灾报警方法,包括:S01.建筑内某单探测器A触发场计算;S02.定位该单探测器A所在的建筑结构微元,并识别出相邻探测器;S03.选择该单探测器A所在建筑结构微元信号参数单元,获取该探测器及其相邻探测器的探测信号,经处理获得信号特征;S04.将所述信号特征输入到火灾报警模型中,判定是否存在火情;S05.根据判断,输出真警或是误报信号。对于不同的建筑结构微元,火灾烟气蔓延的规律是不同的,因此相邻烟感信号的相关性也是不同的;将火灾烟气蔓延规律所造成的相邻烟感信号相关性作为火灾报警判断标准,再利用该标准进行火灾报警,能够极大程度的降低误报率,提高报警效率。
Description
技术领域
本发明涉及火灾预警技术领域,具体来说是一种消防安全监控方法、***、云平台。
背景技术
城市消防远程监控***是结合当代最先进的火灾报警技术、信息通讯及网络技术、计算机控制技术和多媒体显示技术、通过公用(单位)电话网络、局域/广域网络、无线GPRS/CDMA网络等多种传输方式,实时采集监控现场的各类报警信号、故障信号、图像信息,并及时可靠地将上述信息传送到远程的报警检测中心的设备。在中心可完成对联网单位的报警信息显示、电子地图操作、数据查询检索、远程音视频传送、应急预案管理、短信息订制和发送等工作。通过大屏幕、滚动屏、模拟盘等多媒体设备了解所有联网单位的状况。
目前存在的问题是,火灾探测器的误报信号在少量建筑中,可以通过安全管理人员到现场核实的方式解决,但对于城市消防远程监控***来说,在接入巨量火灾报警信号时,其误报信号将带来巨大的挑战,包括误报信号对远程报警功能的冲击。
通过分析可知,建筑结构对火灾烟气蔓延特征起着主导作用,同一建筑结构微元中,烟气的蔓延规律具有相似性,报警信号的变化规律也有相似性。若将火灾烟气在建筑结构微元中的蔓延特征与多传感器早期火灾报警模型相结合,可大幅提高早期火灾探测的及时性和准确性。目前,建筑结构微元中的烟气发展规律在早期报警信息中利用不足,造成资源浪费。
发明内容
本发明所要解决的技术问题在于现有技术中火灾报警误报率高,大规模城市级消防远程监控缺乏技术支持,提供一种区域火灾报警方法,利用多个单一类型火灾探测器信号的相关性进行火灾报警,从而降低误报率,为大规模城市级消防远程监控***提供技术支持。
本发明通过以下技术手段实现解决上述技术问题的:
一种区域火灾报警方法,包括以下步骤:
S01.建筑内某单探测器A触发场计算;
S02.定位该单探测器A所在的建筑结构微元,并识别出相邻探测器;
S03.选择该单探测器A所在建筑结构微元信号参数单元,从而确定该建筑结构微元所对应的火警阈值参数;同时,所述建筑结构微元信号参数单元获取该探测器及其相邻探测器的探测信号,经处理获得信号特征;
S04.将所述信号特征输入到火灾报警模型中,输出概率值,并根据火警阈值判定是否存在火情;
S05.当概率值超过火警阈值时,视为高度疑似火警,否则,对探测器及其相邻探测器信号进行持续监测判定;若探测器及其相邻多探测器信号长时间仍未满足报警判据时,输出误报的判断结论。
优选的,还包括步骤
S06.对于误报的情况,进行核警,若依然未发生火情,则认定***判定成功,若发生火情,则认定***判定失误。
优选的,还包括步骤
S07.报警方法优化,将步骤S05和S06中的判定结果及数据导入案例库,根据新的案例库对信号处理方法行进优化,以及对火灾报警模型进行重新训练,得到优化后的建筑结构微元信号参数单元和报警判定模型。
优选的,所述步骤S03中建筑结构微元信号参数单元采用信号特征模型对探测器信号进行处理;所述信号特征模型为所述单探测器A与其相邻同类探测器之间的同类信号关系值。
本发明还提供一种区域火灾报警***,包括
***触发模块,建筑内某单探测器A触发场计算;
定位模块,定位该单探测器A所在的建筑结构微元,并识别出相邻探测器;
建筑结构微元确定模块,选择该单探测器A所在建筑结构微元信号参数单元,从而确定该建筑结构微元所对应的火警阈值参数;同时,所述建筑结构微元信号参数单元获取该探测器及其相邻探测器的探测信号,经处理获得信号特征;
处理模块,将所述信号特征输入到火灾报警模型中,输出概率值,并根据火警阈值判定是否存在火情;
火情判断模块,当概率值超过火警阈值时,视为高度疑似火警,否则,对探测器及其相邻探测器信号进行持续监测判定;若探测器及其相邻多探测器信号长时间仍未满足报警判据时,输出误报的判断结论。
优选的,还包括步骤
核警模块,对于误报的情况,进行核警,若依然未发生火情,则认定***判定成功,若发生火情,则认定***判定失误。
优选的,还包括步骤
***优化模块,将真警和***判定失误的判定结果及数据导入案例库,根据新的案例库对信号处理方法行进优化,以及对火灾报警模型进行重新训练,得到优化后的建筑结构微元信号参数单元和报警判定模型。
优选的,所述建筑结构微元信号参数单元采用信号特征模型对探测器信号进行处理;所述信号特征模型为所述单探测器A与其相邻同类探测器之间的同类信号关系值。
本发明还提供一种安全云平台,包括
前端感知层,社会单位作为一个整体,建立前端火灾报警***,对单个火灾探测器的开关量/模拟量信号进行分析处理,当信号达到触发阈值/报警阈值时,触发场计算;
区域中心,以地域为单位,将前端火灾报警***的火灾报警信号接入区域中心;区域中心存储有接入单位的建筑BIM模型;区域中心通过火灾报警模型对火灾报警信号进行真假警判定;
总中心,区域中心将火灾报警案例实时上传到总中心,形成区域火灾报警案例库,并按照对应的建筑结构微元进行分类,然后根据分类后的案例对火灾报警模型进行进一步优化,所述总中心将优化后的火灾报警模型下发给区域中心,区域中心对原有的火灾报警模型进行升级。
优选的,所述总中心同时对火灾探测器的触发阈值/报警阈值进行优化;对于可自动调整阈值的智能火灾探测器,所述总中心将优化后的触发阈值/报警阈值下发给探测器,实现探测器阈值的优化。
本发明的优点在于:
对于不同的建筑结构微元,火灾烟气蔓延的规律是不同的,因此相邻烟感信号的相关性也是不同的;将火灾烟气蔓延规律所造成的相邻烟感信号相关性作为火灾报警判断标准,再利用该标准进行火灾报警,能够极大程度的降低误报率,提高报警效率;利用多个单一类型火灾探测器信号的相关性进行火灾报警,不仅降低误报率,还能为大规模城市级消防远程监控***提供技术支持。
在区域火灾报警模型的基础上,搭建消防安全云平台,充分发挥大数据、大算力优势,对现有火灾报警***形成有效赋能,提升火灾防控能力;
烟气在建筑结构微元蔓延规律的特征化、规律化,将改变传统火灾探测报警思维方式和模式,通过云平台大量BIM数据的集聚、抽取、优化和训练,开启火灾探测报警智能化的新模式。
附图说明
图1为本发明实施例1中建筑结构微元的分类图;
图2为本发明实施例1中区域火灾报警方法的流程框图;
图3为本发明实施例1中火灾报警模型的结构示意图;
图4为本发明实施例1中报警方法优化流程框图;
图5为本发明实施例1中报警方法优化执行框图;
图6为本发明实施例2中云平台的结构框图。
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,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动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。
实施例1
关键词解释:
场计算:对探测信号进行火警预测、判断流程的总称。
触发阈值:探测器探测信号触发场计算的最小信号值。(针对模拟量探测器)
报警阈值:探测器探测信号触发报警响应的最小信号值。(针对开关量探测器)
火警阈值:火警判断中判断为真火警的最小概率值。
建筑结构微元:如图1所示,将建筑物看作一个由不同功能空间组成的结构体,那么不同功能空间由于其特定功能,具有某些特定的布局,例如走廊和楼梯井属于狭长的联通结构、房间和设备间属于封闭或半封闭腔室结构。火灾烟气在这些建筑空间内的蔓延具有不同的特征,根据这些特征可以将建筑分为单一式和复合式,这些建筑空间定义为“建筑结构微元”。
建筑结构微元信号参数单元:在不同的建筑结构微元下,火灾烟气蔓延规律、火场探测器信号变化规律均具有不同的特点。根据烟气蔓延和信号变化特点,建筑结构微元信号参数单元包括:各种建筑结构微元所对应的探测器信号的处理方法和火警阈值。
如图2所示,本实施例提供一种区域火灾报警方法,包括以下步骤:
S01.建筑内某单探测器A触发场计算;
S02.定位该单探测器A所在的建筑结构微元,并识别出相邻探测器;
S03.选择该单探测器A所在建筑结构微元信号参数单元,从而确定该建筑结构微元所对应的火警阈值参数;同时,所述建筑结构微元信号参数单元获取该探测器及其相邻探测器的探测信号,经处理获得信号特征;
其中,信号特征模型为所述单探测器A与其相邻同类探测器之间的同类信号关系值,从试验与数值模拟研究可以发现,不同建筑结构微元中火灾探测器输出信号具有一些典型特征(即A值)可以用于极早期火灾识别。
其中典型特征(即A值)如下:
(1)对于模拟量探测器,火灾探测器输出信号与距离之间的关系
其中,对于模拟量探测器,距离指其他探测器与触发场模型预警阈值探测器之间的距离;对于开关量探测器,距离指其他探测器与第一个报警探测器之间的距离。此特征也可以归类为火灾探测器输出值的空间分布;
(2)对于模拟量探测器,火灾探测器输出信号上升速率与距离之间的关系;
(3)对于模拟量探测器,火灾探测器从触发场模型预警阈值到达到报警阈值时间的空间分布;
(4)对于开关量探测器,火灾探测器报警顺序和时间间隔与距离的关系。
具体信号特征处理方法如下(此处例举部分处理方法):
1)对于模拟量探测器,相邻探测器信号差值/比值,
δy=(yn-yn+1)
其中,y指模拟量探测器输出信号值,n为探测器编号。
2)对于模拟量探测器,相邻探测器信号随时间变化率差值/比值,
其中,t指时间。
3)对于模拟量探测器,相邻探测器信号从环境值升高至某设定值x的时间差值/比值,
δt=tn|yn=x-tn+1|yn+1=x
4)对于开关量探测器,相邻探测器报警的时间差,
5)对于开关量探测器,相邻探测器的距离与报警时间差之比。
S04.将所述信号特征输入到火灾报警模型中,输出概率值,并根据火警阈值判定是否存在火情;
S05.当概率值超过火警阈值时,视为高度疑似火警,否则,对探测器及其相邻探测器信号进行持续监测判定;若探测器及其相邻多探测器信号长时间仍未满足报警判据时,输出误报的判断结论;
本实施例中,采用概率神经网络(PNN)算法进行火警预测,如图3所示,火灾报警模型包括输入层、模式层、求和层、输出层。预测过程中,x为输入层,输入的特征为预测流程中的探测器信号特征,y为输出层,即火警概率值。
概率神经网络的预测流程:
S051.将相应探测信号信号特征作为输入层输入到神经网络中。
S052.对输入样本矩阵进行归一化(有m个学习样本,每个样本有n个特征属性)
设原始输入矩阵为:
表示共有m个学习样本,每个样本有n个特征属性。为了求取归一化因子,先计算B矩阵:
S053.将归一化好的学习样本送入网络的隐含层。
由于是有监督学习,必然知道每个样本所属的类别。设m个样本共分为c类,各类有相同的样本数,假定为k。于是有
m=k·c
概率神经网络的模式层共有m个神经元,如果这些神经元的编号为从1到m,那么编号从1到k的径向基函数神经元属于第1类,编号从k+l到2k的径向基函数神经元属于第2类,…,编号从m-k+1到m的径向基函数神经元属于第c类。注意求和层单元只与属于自己类的模式层单元相连接,而与模式层中的其它单元没有连接。
其中归一化后的学习矩阵为C。在公式中,‘.*’表示矩阵对应元素相乘。
S054.计算输入待识别样本矩阵中每个样本与学习矩阵中各个模式之间的距离。关于距离的度量,有多种计算方法,本发明采用最常用的欧氏距离。设输入待识别样本矩阵由P个n维向量组成,经过归一化处理后输入待识别样本矩阵为:
计算各个待识别样本与模式层中各个节点中心向量之间的欧氏距离。
S055.激活模式层径向基函数神经元对于归一化后的待识别样本和学习样本,一般取标准差σ=0.1的高斯型作用函数。激活后得到初始概率矩阵:
S056.在求和层求取待识别样本矩阵中每个样本归入各类的初始概率和。
根据前面的假设,m个学习样本共分为c类,各类有相同的样本数k,可以在求和层求取待识别样本矩阵中每个样本归入各类的初始概率和(假定与某一类相连的各模式权值或比例值相等且为1)。
在上式中,sij表示第i个待识别样本归入第j类的初始概率和。
S057.最终通过计算第i个待识别样本归入第j类的概率Probij,能得到每个样本最终属于某真假警模式的概率。
S06.对于误报的情况,进行核警,若依然未发生火情,则认定***判定成功,若发生火情,则认定***判定失误。核警的方式根据现场情况判断,比如有安装视频监控的情况,如果视频能看到报警传感器所监测的现场情况,可以通过视频监控确定。对于不能通过视频远程核警的,采用人工到现场核警的方式。
S07.报警方法优化,如图4、图5所示,将步骤S05和S06中的判定结果及数据导入案例库,根据新的案例库对信号处理方法行进优化,以及对火灾报警模型进行重新训练,得到优化后的建筑结构微元信号参数单元和报警判定模型。具体方法为:
S071:进行火警预测流程。在***给出“高度疑似火警”的结论后,无论火警真假,均导入到训练模型的案例库中,丰富案例库;案例包括所有与判断真假警相关的数据,包括但不限于探测器信号,位置,报警时间,探测器所在的建筑结构微元信息,火警复核情况,整个建筑物的信息等等。
S072:进行火警预测流程。在***给出“误报”的结论后,根据是否真实发生火灾,若是真实发生了火灾,***判断失误,则将该案例导入到训练模型的案例库中,丰富案例库。
S073:进行模型训练流程,将优化后的信号处理方法、触发阈值(针对模拟量)和火警阈值代入到建筑结构微元信号参数单元中,代替优化前的模型;
S074:将升级优化后的区域火灾报警算法代入到火灾预测流程中的区域火灾报警算法,代替优化前的模型。
实施例2
与实施例1对应的,本实施例提供一种区域火灾报警***,包括以下步骤:
***触发模块,建筑内某单探测器A触发场计算;
定位模块,定位该单探测器A所在的建筑结构微元,并识别出相邻探测器;
建筑结构微元确定模块,选择该单探测器A所在建筑结构微元信号参数单元,从而确定该建筑结构微元所对应的火警阈值参数;同时,所述建筑结构微元信号参数单元获取该探测器及其相邻探测器的探测信号,经处理获得信号特征;
其中,信号特征模型为所述单探测器A与其相邻同类探测器之间的同类信号关系值,从试验与数值模拟研究可以发现,不同建筑结构微元中火灾探测器输出信号具有一些典型特征(即A值)可以用于极早期火灾识别。
其中典型特征(即A值)如下:
(1)对于模拟量探测器,火灾探测器输出信号与距离之间的关系
其中,对于模拟量探测器,距离指其他探测器与触发场模型预警阈值探测器之间的距离;对于开关量探测器,距离指其他探测器与第一个报警探测器之间的距离。此特征也可以归类为火灾探测器输出值的空间分布;
(2)对于模拟量探测器,火灾探测器输出信号上升速率与距离之间的关系;
(3)对于模拟量探测器,火灾探测器从触发场模型预警阈值到达到报警阈值时间的空间分布;
(4)对于开关量探测器,火灾探测器报警顺序和时间间隔与距离的关系。
具体信号特征处理方法如下(此处例举部分处理方法):
1)对于模拟量探测器,相邻探测器信号差值/比值,
δy=(yn-yn+1)δ
其中,y指模拟量探测器输出信号值,n为探测器编号。
2)对于模拟量探测器,相邻探测器信号随时间变化率差值/比值,
其中,t指时间。
3)对于模拟量探测器,相邻探测器信号从环境值升高至某设定值x的时间差值/比值,
δt=tn|yn=x-tn+1|yn+1=x
4)对于开关量探测器,相邻探测器报警的时间差,
5)对于开关量探测器,相邻探测器的距离与报警时间差之比。
处理模块,将所述信号特征输入到火灾报警模型中,输出概率值,并根据火警阈值判定是否存在火情;
火情判断模块,当概率值超过火警阈值时,视为高度疑似火警,否则,对探测器及其相邻探测器信号进行持续监测判定;若探测器及其相邻多探测器信号长时间仍未满足报警判据时,输出误报的判断结论;
本实施例中,采用概率神经网络(PNN)算法进行火警预测,如图3所示,火灾报警模型包括输入层、模式层、求和层、输出层。预测过程中,x为输入层,输入的特征为预测流程中的探测器信号特征,y为输出层,即火警概率值。
概率神经网络的预测流程:
S051.将相应探测信号信号特征作为输入层输入到神经网络中。
S052.对输入样本矩阵进行归一化(有m个学习样本,每个样本有n个特征属性)
设原始输入矩阵为:
表示共有m个学习样本,每个样本有n个特征属性。为了求取归一化因子,先计算B矩阵:
S053.将归一化好的学习样本送入网络的隐含层。
由于是有监督学习,必然知道每个样本所属的类别。设m个样本共分为c类,各类有相同的样本数,假定为k。于是有
m=k·c
概率神经网络的模式层共有m个神经元,如果这些神经元的编号为从1到m,那么编号从1到k的径向基函数神经元属于第1类,编号从k+l到2k的径向基函数神经元属于第2类,…,编号从m-k+1到m的径向基函数神经元属于第c类。注意求和层单元只与属于自己类的模式层单元相连接,而与模式层中的其它单元没有连接。
其中归一化后的学习矩阵为C。在公式中,‘.*’表示矩阵对应元素相乘。
S054.计算输入待识别样本矩阵中每个样本与学习矩阵中各个模式之间的距离。关于距离的度量,有多种计算方法,本发明采用最常用的欧氏距离。设输入待识别样本矩阵由P个n维向量组成,经过归一化处理后输入待识别样本矩阵为:
计算各个待识别样本与模式层中各个节点中心向量之间的欧氏距离。
S055.激活模式层径向基函数神经元对于归一化后的待识别样本和学习样本,一般取标准差σ=0.1的高斯型作用函数。激活后得到初始概率矩阵:
S056.在求和层求取待识别样本矩阵中每个样本归入各类的初始概率和。
根据前面的假设,m个学习样本共分为c类,各类有相同的样本数k,可以在求和层求取待识别样本矩阵中每个样本归入各类的初始概率和(假定与某一类相连的各模式权值或比例值相等且为1)。
在上式中,sij表示第i个待识别样本归入第j类的初始概率和。
S057.最终通过计算第i个待识别样本归入第j类的概率Probij,能得到每个样本最终属于某真假警模式的概率。
S06.对于误报的情况,进行核警,若依然未发生火情,则认定***判定成功,若发生火情,则认定***判定失误。核警的方式根据现场情况判断,比如有安装视频监控的情况,如果视频能看到报警传感器所监测的现场情况,可以通过视频监控确定。对于不能通过视频远程核警的,采用人工到现场核警的方式。
S07.报警方法优化,将步骤S05和S06中的判定结果及数据导入案例库,根据新的案例库对信号处理方法行进优化,以及对火灾报警模型进行重新训练,得到优化后的建筑结构微元信号参数单元和报警判定模型。具体方法为:
S071:进行火警预测流程。在***给出“高度疑似火警”的结论后,无论火警真假,均导入到训练模型的案例库中,丰富案例库;案例包括所有与判断真假警相关的数据,包括但不限于探测器信号,位置,报警时间,探测器所在的建筑结构微元信息,火警复核情况,整个建筑物的信息等等。
S072:进行火警预测流程。在***给出“误报”的结论后,根据是否真实发生火灾,若是真实发生了火灾,***判断失误,则将该案例导入到训练模型的案例库中,丰富案例库。
S073:进行模型训练流程,将优化后的信号处理方法、触发阈值(针对模拟量)和火警阈值代入到建筑结构微元信号参数单元中,代替优化前的模型;
S074:将升级优化后的区域火灾报警算法代入到火灾预测流程中的区域火灾报警算法,代替优化前的模型。
实施例3
如图6所示,与实施例1、实施例2对应的,本实施例提供一种安全云平台,消防安全云平台分为三层结构,第一层针对社会单位,第二层是区域中心,第三层是总中心。
第一层
第一层可以称为前端感知层,以社会单位作为一个整体,建立火灾报警***,对单个火灾探测器的开关量/模拟量信号进行分析处理,当信号达到触发阈值/报警阈值时,触发场计算,实现边缘计算与区域火灾报警模型的联合应用。
第二层
第二层区域中心主要针对城市,以地域为单位,将火灾报警***的信号接入区域中心。区域中心存储有接入单位的建筑BIM模型。区域中心可以通过区域火灾报警模型对火灾报警信号进行真假警判定。实现提前报警或降低误报率。
针对模拟量探测器的具体实施步骤:
(1)当前端感知层的某个火灾探测器达到触发阈值(此阈值小于常规报警阈值)后,区域中心首先根据该探测器的位置,结合建筑BIM模型,确定该探测器所处的建筑结构微元类别,选定适用的模拟量区域火灾报警模型;
(2)模拟量区域火灾报警模型根据上述的判断方法,对该探测器及其周边探测器的信号进行分析,判断其是否符合报警判据;
(3)若符合报警判据,则给出高度疑似警情的判断结果,并将该探测器的位置和判断结果发送到该探测器所在的单位,通知相关人员进行复核;将此报警案例上传至第三层总中心;
(4)若不符合报警判据,则给出待观察判断结果,并继续对该探测器及其周边探测器的信号继续进行判定,一定时间后,若仍未满足报警判据,则给出误报的判断结果。
针对开关量探测器的具体实施步骤:
(1)当前端感知层的某个火灾探测器发出报警信号后,区域中心首先根据该探测器的位置,结合建筑BIM模型,确定该探测器所处的建筑结构微元类别,选定适用的开关量区域火灾报警模型;
(2)开关量区域火灾报警模型锁定该探测器周边的探测器,如果某个或某些周边探测器在规定时间内发出报警信号,则给出高度疑似警情的判断结果,并将该探测器及其它发出报警信号的周边探测器位置和判断结果发送到该探测器所在的单位,通知相关人员进行复核;将此报警案例上传至第三层总中心;
(3)若任一周边探测器均未发出报警信号,则给出待观察判断结果,并继续对其周边探测器的信号继续进行跟踪,一定时间后,若仍未满足报警判据,则给出误报的判断结果。
多代兼容特性:
无论是对于模拟量探测器,还是开关量探测器,均可利用对应的区域火灾报警模型,进行高度疑似警情的判定,实现可靠的火灾早期预警。
第三层
(1)第一层社会单位的前端设备将火灾探测器群的火灾报警数据上传到区域中心,区域中心通过上述第3小节的流程进行真假警判断,之后形成众多的火灾报警案例;区域中心将火灾报警案例实时上传到总中心,形成区域火灾报警案例库;
(2)总中心将火灾报警案例库中的案例,按照对应的建筑结构微元进行分类;
(3)总中心将分类后的案例代入到对应的火灾报警模型,对其进行进一步训练,实现区域火灾报警模型的迭代、优化;同时对火灾探测器的触发阈值(针对模拟量)和报警阈值(针对开关量)进行优化;
(4)总中心将升级后的区域火灾报警模型下发给区域中心,区域中心对原有的模型进行升级;
(5)对于可自动调整阈值的智能火灾探测器,总中心将优化后的触发阈值和报警阈值直接下发给探测器,实现探测器阈值的优化;
对于不可自动调整阈值的火灾探测器,一方面将阈值调整结果提供给探测器生产厂家作为以后产品升级的依据,另一方面在对应的区域火灾报警模型中设置调节参量,适当补偿不能调整阈值带来的误差。
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精神和范围。
Claims (4)
1.一种区域火灾报警方法,其特征在于:包括以下步骤:
S01.建筑内某单探测器A触发场计算;
S02.定位该单探测器A所在的建筑结构微元,并识别出相邻探测器;
S03.选择该单探测器A所在建筑结构微元信号参数单元,从而确定该建筑结构微元所对应的火警阈值参数;同时,所述建筑结构微元信号参数单元获取该探测器及其相邻探测器的探测信号,经处理获得信号特征;
所述信号特征中的典型特征如下:
(1)对于模拟量探测器,火灾探测器输出信号与距离之间的关系;
(2)对于模拟量探测器,火灾探测器输出信号上升速率与距离之间的关系;
(3)对于模拟量探测器,火灾探测器从触发场模型预警阈值到达到报警阈值时间的空间分布;
(4)对于开关量探测器,火灾探测器报警顺序和时间间隔与距离的关系;
S04.将所述信号特征输入到火灾报警模型中,采用概率神经网络算法进行火灾预测,输出概率值,并根据火警阈值判定是否存在火情;
S05.当概率值超过火警阈值时,视为高度疑似火警,否则,对探测器及其相邻探测器信号进行持续监测判定;若探测器及其相邻多探测器信号长时间仍未满足报警判据时,输出误报的判断结论;
S06.对于误报的情况,进行核警,若依然未发生火情,则认定***判定成功,若发生火情,则认定***判定失误;
S07.报警方法优化,将步骤S05和S06中的判定结果及数据导入案例库,根据新的案例库对信号处理方法行进优化,以及对火灾报警模型进行重新训练,得到优化后的建筑结构微元信号参数单元和报警判定模型;
所述建筑结构微元信号参数单元包括:各种建筑结构微元所对应的探测器信号的处理方法和火警阈值。
2.一种区域火灾报警***,其特征在于:包括
***触发模块,建筑内某单探测器A触发场计算;
定位模块,定位该单探测器A所在的建筑结构微元,并识别出相邻探测器;
建筑结构微元确定模块,选择该单探测器A所在建筑结构微元信号参数单元,从而确定该建筑结构微元所对应的火警阈值参数;同时,所述建筑结构微元信号参数单元获取该探测器及其相邻探测器的探测信号,经处理获得信号特征;
所述信号特征中的典型特征如下:
(1)对于模拟量探测器,火灾探测器输出信号与距离之间的关系
(2)对于模拟量探测器,火灾探测器输出信号上升速率与距离之间的关系;
(3)对于模拟量探测器,火灾探测器从触发场模型预警阈值到达到报警阈值时间的空间分布;
(4)对于开关量探测器,火灾探测器报警顺序和时间间隔与距离的关系;
处理模块,将所述信号特征输入到火灾报警模型中,采用概率神经网络算法进行火灾预测,输出概率值,并根据火警阈值判定是否存在火情;
火情判断模块,当概率值超过火警阈值时,视为高度疑似火警,否则,对探测器及其相邻探测器信号进行持续监测判定;若探测器及其相邻多探测器信号长时间仍未满足报警判据时,输出误报的判断结论;
核警模块,对于误报的情况,进行核警,若依然未发生火情,则认定***判定成功,若发生火情,则认定***判定失误;
***优化模块,将真警和***判定失误的判定结果及数据导入案例库,根据新的案例库对信号处理方法行进优化,以及对火灾报警模型进行重新训练,得到优化后的建筑结构微元信号参数单元和报警判定模型;
所述建筑结构微元信号参数单元包括:各种建筑结构微元所对应的探测器信号的处理方法和火警阈值。
3.一种安全云平台,其特征在于:包括
前端感知层,社会单位作为一个整体,建立前端火灾报警***,对单个火灾探测器的开关量/模拟量信号进行分析处理,当信号达到触发阈值/报警阈值时,触发场计算;
区域中心,以地域为单位,将前端火灾报警***的火灾报警信号接入区域中心;区域中心存储有接入单位的建筑BIM模型;区域中心通过火灾报警模型对火灾报警信号进行真假警判定;
前端感知层和区域中心的具体执行过程为:
S01.建筑内某单探测器A触发场计算;
S02.定位该单探测器A所在的建筑结构微元,并识别出相邻探测器;
S03.选择该单探测器A所在建筑结构微元信号参数单元,从而确定该建筑结构微元所对应的火警阈值参数;同时,所述建筑结构微元信号参数单元获取该探测器及其相邻探测器的探测信号,经处理获得信号特征;
所述信号特征中的典型特征如下:
(1)对于模拟量探测器,火灾探测器输出信号与距离之间的关系
(2)对于模拟量探测器,火灾探测器输出信号上升速率与距离之间的关系;
(3)对于模拟量探测器,火灾探测器从触发场模型预警阈值到达到报警阈值时间的空间分布;
(4)对于开关量探测器,火灾探测器报警顺序和时间间隔与距离的关系;
S04.将所述信号特征输入到火灾报警模型中,采用概率神经网络算法进行火灾预测,输出概率值,并根据火警阈值判定是否存在火情;
S05.当概率值超过火警阈值时,视为高度疑似火警,否则,对探测器及其相邻探测器信号进行持续监测判定;若探测器及其相邻多探测器信号长时间仍未满足报警判据时,输出误报的判断结论;
总中心,区域中心将火灾报警案例实时上传到总中心,形成区域火灾报警案例库,并按照对应的建筑结构微元进行分类,然后根据分类后的案例对火灾报警模型进行进一步优化,所述总中心将优化后的火灾报警模型下发给区域中心,区域中心对原有的火灾报警模型进行升级;
所述建筑结构微元信号参数单元包括:各种建筑结构微元所对应的探测器信号的处理方法和火警阈值。
4.根据权利要求3所述的一种安全云平台,其特征在于:所述总中心同时对火灾探测器的触发阈值/报警阈值进行优化;对于可自动调整阈值的智能火灾探测器,所述总中心将优化后的触发阈值/报警阈值下发给探测器,实现探测器阈值的优化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010093159.8A CN111311869B (zh) | 2020-02-14 | 2020-02-14 | 一种基于区域报警模型的消防安全监控方法、***、云平台 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010093159.8A CN111311869B (zh) | 2020-02-14 | 2020-02-14 | 一种基于区域报警模型的消防安全监控方法、***、云平台 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111311869A CN111311869A (zh) | 2020-06-19 |
CN111311869B true CN111311869B (zh) | 2021-04-27 |
Family
ID=71161770
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010093159.8A Active CN111311869B (zh) | 2020-02-14 | 2020-02-14 | 一种基于区域报警模型的消防安全监控方法、***、云平台 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111311869B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112150756A (zh) * | 2020-09-07 | 2020-12-29 | 中车青岛四方机车车辆股份有限公司 | 一种火灾探测方法、装置、***及列车 |
CN112530140B (zh) * | 2020-12-02 | 2022-05-13 | 中国兵器装备集团自动化研究所 | 基于探测器相邻位置关系的联合报警和污染区域划分方法 |
CN113096342B (zh) * | 2021-03-29 | 2022-11-08 | 中国人民解放军陆军工程大学 | 一种建筑bim运维平台消防误报警的判定方法 |
CN113204820B (zh) * | 2021-04-29 | 2024-03-15 | 上海原构设计咨询有限公司 | 一种建筑电气消防火警探测点位智能布置校核方法 |
CN113741258B (zh) * | 2021-08-25 | 2023-01-13 | 浙江省交通投资集团有限公司智慧交通研究分公司 | 基于物联网的轨道交通车站火灾监控***及其优化方法 |
CN114202907B (zh) * | 2021-11-24 | 2022-12-02 | 华中科技大学 | 一种火灾报警实时分类方法及*** |
CN114373275A (zh) * | 2022-01-12 | 2022-04-19 | 深圳市法本信息技术股份有限公司 | 火灾预警方法及*** |
CN114937338A (zh) * | 2022-06-02 | 2022-08-23 | 上海意静信息科技有限公司 | 火灾报警识别方法及相关组件 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2001043097A2 (en) * | 1999-11-16 | 2001-06-14 | Brk Brands, Inc. | Smoke detector with sensor having improved mounting configuration |
CN101187999A (zh) * | 2007-11-15 | 2008-05-28 | 重庆大学 | 建筑物火灾烟流特性预测***和预测方法 |
CN102013148A (zh) * | 2010-10-28 | 2011-04-13 | 中国科学技术大学 | 多信息融合火灾探测方法 |
CN103116961A (zh) * | 2013-01-21 | 2013-05-22 | 中国科学技术大学 | 一种基于电子鼻技术的密闭空间火灾探测报警***及方法 |
CN103456123A (zh) * | 2013-09-03 | 2013-12-18 | 中国科学技术大学 | 一种基于流动和扩散特征的视频烟气探测方法 |
CN106205009A (zh) * | 2016-07-22 | 2016-12-07 | 湖北誉恒科技有限公司 | 森林防火视频监控*** |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103394171B (zh) * | 2013-08-02 | 2015-07-15 | 重庆大学 | 大型高层建筑室内火灾紧急疏散指示逃生方法及*** |
KR101615640B1 (ko) * | 2014-04-30 | 2016-04-26 | 전송연 | 화재감지 장치 |
CN109362048B (zh) * | 2018-08-15 | 2021-05-25 | 杭州电子科技大学 | 基于无线传感器网络的地下管廊检测方法 |
-
2020
- 2020-02-14 CN CN202010093159.8A patent/CN111311869B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2001043097A2 (en) * | 1999-11-16 | 2001-06-14 | Brk Brands, Inc. | Smoke detector with sensor having improved mounting configuration |
CN101187999A (zh) * | 2007-11-15 | 2008-05-28 | 重庆大学 | 建筑物火灾烟流特性预测***和预测方法 |
CN102013148A (zh) * | 2010-10-28 | 2011-04-13 | 中国科学技术大学 | 多信息融合火灾探测方法 |
CN103116961A (zh) * | 2013-01-21 | 2013-05-22 | 中国科学技术大学 | 一种基于电子鼻技术的密闭空间火灾探测报警***及方法 |
CN103456123A (zh) * | 2013-09-03 | 2013-12-18 | 中国科学技术大学 | 一种基于流动和扩散特征的视频烟气探测方法 |
CN106205009A (zh) * | 2016-07-22 | 2016-12-07 | 湖北誉恒科技有限公司 | 森林防火视频监控*** |
Non-Patent Citations (1)
Title |
---|
受限空间火灾模型研究进展;郑昕;《中国工程科学》;20040331;第6卷(第3期);68-74页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111311869A (zh) | 2020-06-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111311869B (zh) | 一种基于区域报警模型的消防安全监控方法、***、云平台 | |
KR102440097B1 (ko) | 전력시설에 대한 재난 예측 및 방재 시스템 및 그의 동작 방법 | |
KR102322427B1 (ko) | 빅데이터 기반의 건축물 화재 예방 대응 시스템 | |
US20150379355A1 (en) | A surveillance system | |
CN112653678B (zh) | 一种网络安全态势感知分析方法及装置 | |
US20050206513A1 (en) | Voice remote command and control of a mapping security system | |
CN112199882B (zh) | 一种火灾下人员疏散过程模拟方法、疏散预警方法及*** | |
CN101162545A (zh) | 高层建筑火灾光温复合智能监测预报装置 | |
KR102356666B1 (ko) | 다중로그 데이터 기반의 공공안전 위험상황 감지, 예측, 대응 방법 및 장치 | |
Bauman et al. | Using social sensors for detecting emergency events: a case of power outages in the electrical utility industry | |
CN109815904A (zh) | 一种基于卷积神经网络的火灾识别方法 | |
CN114689058B (zh) | 基于深度学习和混合遗传算法的火灾疏散路径规划方法 | |
CN112465119A (zh) | 一种基于深度学习的消防险情预警方法及装置 | |
CN117671887A (zh) | 一种基于大数据的智慧安防预警管理方法和*** | |
CN116582339B (zh) | 一种智能楼宇网络安全监控方法、监控*** | |
Mwedzi et al. | Machine learning applications for fire detection in a residential building | |
CN117275202A (zh) | 文物重点区域危险源全方位实时智能预警方法及*** | |
CN117726162A (zh) | 一种基于多模态数据融合的社区风险等级评估方法及*** | |
CN117453835A (zh) | 一种智慧社区管理*** | |
Bahrepour et al. | Fire data analysis and feature reduction using computational intelligence methods | |
CN116545679A (zh) | 一种工业情境安全基础框架及网络攻击行为特征分析方法 | |
CN201117044Y (zh) | 基于光温复合智能监测的高层建筑火灾预报装置 | |
CN115762046A (zh) | 一种建筑物顶部轻生者预警与干预装置 | |
Wu et al. | A Collaborative Filtering Method for Operation Maintenance Behavior in Power Monitoring Systems | |
KR102534920B1 (ko) | 재난감지 및 대응지원 시스템 |
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 |