火灾发展态势预测方法、装置及计算机可存储介质
技术领域
本发明涉及火灾发展预测技术领域,特别是一种火灾发展态势预测方法、装置及计算机可存储介质。
背景技术
随着生活质量提升,安全生活服务科技日渐发展,尤其是火灾消防安全领域,除了平时做好预防外,一旦发生大火,指挥官可随着火灾事件演进之应变决策至关重要。
现有技术中,通过工程分析软件针对某区域发生火灾时的各种情境进行分析,并提出应对对策,但瞬时的分析结果无法有效的适应与运用在实际火灾中。
发明内容
鉴于上述状况,有必要提供一种火灾发展态势预测方法、装置及计算机可存储介质,通过深度学习提高更符合实际环境的预测结果,以解决上述问题。
本发明第一方面提供了一种火灾发展态势预测方法,用于预测火灾发展态势,所述火灾发展态势预测方法包括如下步骤:获取火灾的模拟数据;建立用于火灾发展态势预测的工程类深度学习模型的神经网络;使用所述模拟数据训练所述神经网络;判断所述神经网络的输出值是否小于或等于预设误差阈值;若是,则停止训练所述神经网络,完成所述工程类深度学习模型;若否,重新获取所述火灾的模拟数据;利用所述工程类深度学习模型评估所述火灾发展态势,并根据评估结果输出决策方案。
优选地,所述获取火灾的模拟数据之前,包括如下步骤:收集预分析区域的边界条件数据,其中,所述边界条件数据包括所述预分析区域的几何形状、门窗位置与尺寸、物件材质、探测器类型与位置、火源热释放率与位置;根据所述预分析区域的边界条件数据模拟分析得到所述火灾的特征数据。
优选地,所述得到所述火灾的特征数据之后,还包括如下步骤:根据所述火灾的特征数据得到每个所述探测器对应的遮蔽率;根据所述遮蔽率的数值大小转换为所述遮蔽率的比重值,所述比重值为0~1。
优选地,所述利用所述深度学习模型评估所述火灾发展态势,并根据评估结果输出决策方案,包括如下步骤:利用火灾现场的烟雾探测器不间断得到遮蔽率;持续输入所述遮蔽率至所述工程类深度学习模型;输出所述决策方案,并对所述决策方案进行可视化显示;其中,所述决策方案包括人命救助、周界防护、局限火势、灭火行动、通风排烟、财务维护、残火处理中的一种或多种。
优选地,所述完成所述工程类深度学习模型之后,还包括如下步骤:采集火灾的实际数据;使用所述实际数据优化所述工程类深度学习模型;得到混合类深度学习模型用于评估所述火灾发展态势,并根据评估结果输出决策方案。
本发明第二方面还提供了一种火灾发展态势预测装置,用于预测火灾发展态势,所述火灾发展态势预测装置包括:数据存储单元,用于存储火灾的模拟数据;处理器;以及存储器,所述存储器中存储有多个程序模块,多个所述程序模块由所述处理器运行并执行如下步骤:获取火灾的所述模拟数据;建立用于火灾发展态势预测的工程类深度学习模型的神经网络;使用所述模拟数据训练所述神经网络;判断所述神经网络的输出值是否小于或等于预设误差阈值;若是,则停止训练所述神经网络,完成所述工程类深度学习模型;若否,重新获取所述火灾的模拟数据;利用所述工程类深度学习模型评估所述火灾发展态势,并根据评估结果输出决策方案。
优选地,多个所述程序模块由所述处理器运行并还执行如下步骤:收集预分析区域的边界条件数据,其中,所述边界条件数据包括所述预分析区域的几何形状、门窗位置与尺寸、物件材质、探测器类型与位置、火源热释放率与位置;根据所述预分析区域的边界条件数据模拟分析得到所述火灾的特征数据;根据所述火灾的特征数据得到每个所述探测器对应的遮蔽率;根据所述遮蔽率的数值大小转换为所述遮蔽率的比重值,所述比重值为0~1。
优选地,多个所述程序模块由所述处理器运行并还执行如下步骤:所述火灾发展态势预测装置还包括显示单元,用于显示所述决策方案;多个所述程序模块由所述处理器运行并还执行如下步骤:利用火灾现场的探测器不间断得到遮蔽率;持续输入所述遮蔽率至所述工程类深度学习模型;输出所述决策方案,并对所述决策方案进行可视化显示;其中,所述决策方案包括人命救助、周界防护、局限火势、灭火行动、通风排烟、财务维护、残火处理中的一种或多种。
优选地,所述火灾发展态势预测装置还包括数据采集单元,用于采集火灾的实际数据;所述数据存储单元还用于存储所述火灾的实际数据;多个所述程序模块由所述处理器运行并还执行如下步骤:采集所述火灾的实际数据;使用所述实际数据优化所述工程类深度学习模型;得到混合类深度学习模型并评估所述火灾发展态势,根据评估结果输出决策方案。
本发明第三方面还提供了一种计算机存储介质,所述计算机存储介质存储有计算机程序代码,当所述计算机程序代码在计算设备上运行时,导致所述计算设备执行上述所述的火灾发展态势预测方法。
本发明提供的火灾发展态势预测方法,利用数据仿真软件得到的模拟数据,对神经网络进行训练,得到运用到火灾发展态势预测中的工程类深度学习模型。利用工程类深度学习模型评估火灾发展态势,根据评估结果输出决策方案。该火灾发展态势预测方法,有效解决部分场景因数据取得困难而无法进行深度学习训练。管理人员或救援人员根据决策方案快速准确制定有效的救援方案。
进一步地,利用火灾现场实际数据对工程类深度学习模型进行优化,得到混合类深度学习模型。使用实际数据得到的混合类深度学习模型应用到火灾发展态势预测中,具有更加客观、精准的预测能力。
附图说明
图1是本发明一个实施例中的火灾发展态势预测装置的架构示意图。
图2是本发明一个实施例中的火灾发展态势预测装置内的深度学习训练***的模块示意图。
图3是本发明一个实施例中的火灾发展态势预测方法的流程示意图。
主要元件符号说明
如下具体实施方式将结合上述附图进一步说明本发明。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行详细描述。需要说明的是,在不冲突的情况下,本申请的实施方式及实施方式中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,所描述的实施方式仅是本发明一部分实施方式,而不是全部的实施方式。基于本发明中的实施方式,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施方式,都属于本发明保护的范围。
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。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施方式的目的,不是旨在限制本发明。
本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
请参照图1,本发明提供了一种火灾发展态势预测装置10,用于预测火灾的发展态势。该火灾发展态势预测装置10利用数值仿真模拟产生工程分析数据,得到的工程分析数据作为深度学习的样本,建立应用于火灾发展态势预测的工程类深度学习模型。进一步地,该火灾发展态势预测装置10还可以利用实际数据样本对工程类深度学习模型进行优化,使得深度学习模型包含实际环境特征,建立混合类深度学习模型。
具体地,该火灾发展态势预测装置10包括数据采集单元100、数据存储单元200、显示单元300、处理器500以及存储器400。数据采集单元100、数据存储单元200、显示单元300、存储器400分别和处理器500建立通信连接。
数据存储单元200用于存储火灾的模拟数据。模拟数据为数据仿真软件工具所产生的工程分析数据,模拟数据作为训练工程类深度学习模型的数据样本,得到的工程类深度学习模型可以精准预测火灾发展态势。
模拟数据利用收集预分析区域的边界条件数据得到,该边界条件数据包括但不限于数据:预分析区域的几何形状、门窗位置与尺寸、物件材质、探测器类型与位置、火源热释放率与位置。
数据采集单元100用于采集火灾的实际数据。数据采集单元100利用各种安全、消防、环境等设备或器材,采集火灾现场的实际数据,包括但不限于采集以下数据:温度、湿度、有害气体浓度及气体压力。上述数据可以用于优化工程类深度学习模型得到混合类深度学习模型。
数据存储单元200还用于存储上述火灾的实际数据,作为训练混合类深度学习模型的样本数据。使用实际数据得到的混合类深度学习模型应用到火灾发展态势预测中,具有更加客观、精准的预测能力。
存储器400用于存储火灾发展态势预测装置10中的各类数据,例如处理数据的程序代码等,并在火灾发展态势预测装置10的运行过程中实现高速、自动地完成程序或数据的存取。
存储器400还存储有特征数据转换规则。该特征数据的转换规则具体为根据预分析区域的边界条件数据模拟得到火灾的特征数据,比如,温度、湿度、有害气体浓度及气体压力等;利用火灾的特征数据得到每个探测器对应的遮蔽率;根据遮蔽率的数值大小转换为遮蔽率的比重值,该比重值为0~1。具体的转换数据将在下文中详述。
存储器400还用于存储决策方案,该决策方案综合每个探测器的遮蔽率得到。决策方案包括人命救助、周界防护、局限火势、灭火行动、通风排烟、财务维护、残火处理中的一种或多种。可以理解的是,人命救援和灭火行动是决策方案中一般需进行的救援方案,其他方案根据火灾现场实际情况进行决策。
存储器400可以是,但并不限于,只读存储器(Read-Only Memory,ROM)、随机存储器(Random Access Memory,RAM)、可编程只读存储器(Programmable Read-Only Memory,PROM)、可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,EPROM)、一次可编程只读存储器(One-time Programmable Read-Only Memory,OTPROM)、电子擦除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory,EEPROM)、只读光盘(Compact Disc Read-Only Memory,CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
处理器500为数字信号处理器(DSP,Digital Signal Processor)、微控制单元(MCU,Microcontroller Unit)、嵌入式计算机处理器(ARM,Advanced RISC Machine)、现场可编程门阵列(FPGA,Field-Programmable Gate Array)、中央处理器(CPU,CentralProcessing Unit)、单片机、***级芯片(SoC,System on Chip)或其它等同专用芯片。
显示单元300用于显示处理器500的处理结果,比如显示上述决策方案。在本实施例中,显示单元300可以是但并不限于触摸显示屏、液晶显示屏等显示装置。
请参照图2,火灾发展态势预测装置10中还运行有一深度学习训练***600,深度学习训练***600包括一个或多个程序形式的计算机指令,该一个或多个程序形式的计算机指令储存于存储器400中,并由处理器500处理。图2为本发明一实施例中的深度学习训练***600的功能模块示意图。具体的,该深度学习训练***600包括数据获取模块610、转换模块620、训练模块630、判断模块640、评估模块650及输出模块660。
数据获取模块610用于获取火灾模拟数据和火灾实际数据。利用火灾模拟数据进行深度学习训练得到工程类深度学习模型。进一步地,利用火灾实际数据对工程类深度学习模型进行优化,得到混合类深度学习模型。
转换模块620用于转换特征数据为遮蔽率的比重值。具体为,火灾模拟数据根据预分析区域的边界条件数据模拟火灾的特征数据,该边界条件数据比如为:预分析区域的几何形状、门窗位置与尺寸、物件材质、探测器类型与位置、火源热释放率与位置等;特征数据比如为:温度、湿度、有害气体浓度及气体压力等;火灾实际数据根据各种安全、消防、环境等设备或器材,采集火灾现场的实际数据,该实际数据即为特征数据(温度、湿度、有害气体浓度及气体压力等)。遮蔽率的比重值的具体转换过程如下:
在本实施例中,火灾模拟数据的获得具体为:使用探测器S1、S2、S3、S4、S5和S6对预分析区域不同火源的火灾情况进行模拟,分别在4s、9s、24s、32s和60s的时间点获取每个探测器的遮蔽率(%),如表1所示。
表1:每个探测器在不同时间的遮蔽率数据表。
得到上述表1中的每个探测器在不同时间的遮蔽率数据后,将遮蔽率数据转换为遮蔽率比重值,具体如表2所示。
表2:每个探测器在不同时间的遮蔽率比重数据表。
利用表2中的遮蔽率的比重值,对工程类深度学习模型进行训练。
同理,在本实施例中,实际数据得到的特征数据得到遮蔽率后转换为遮蔽率比重值,用于对工程类深度学习模型进行优化,进而得到混合类深度学习模型。
训练模块630用于训练工程类深度学习模型和混合类深度学习模型。具体地,建立用于火灾发展态势预测的工程类深度学习模型中的神经网络,利用模拟数据得到的遮蔽率的比重值对该神经网络模型进行训练,并人工进行参数微调(如隐藏层数量、学习率等)得到工程类深度学习模型。
进一步地,训练模块630还用于对工程类深度学习模型进行优化,利用实际数据得到的遮蔽率比重值对工程类深度学习模型进行优化得到混合类深度学习模型。
判断模块640用于判断上述神经网络的输出值是否小于或等于预设误差阈值。在本实施例中,误差阈值为5%。误差阈值作为收敛条件,达到收敛条件后,神经网络停止训练。若神经网络的输出值小于或等于预设误差阈值,则停止训练神经网络,完成工程类深度学习模型。若神经网络的输出值大于预设误差阈值,则重新训练神经网络。
评估模块650用于利用工程类深度学习模型或混合类深度学习模型评估火灾的发展态势。当实际现场的探测器发出报警时,不间断获取现场环境的探测器获取的遮蔽率数据,遮蔽率数据持续输入工程类深度学习模型或混合类深度学习模型,依据火灾现场环境变化提供决策方案。
具体地,决策方案包括人命救助、周界防护、局限火势、灭火行动、通风排烟、财务维护、残火处理中的一种或多种。
输出模块660,用于输出上述决策方案,供管理人员或救援人员了解火灾发展态势,并迅速且准确做出救援方案。
请参照图3,本发明提供了一种火灾发展态势预测方法,具体包括如下步骤:
步骤S301,收集预分析区域的边界条件数据得到火灾的特征数据。
具体地,收集预分析区域的边界条件数据主要为收集模拟数据,预分析区域的边界条件数据存储于数据存储单元200内。模拟数据为数据仿真软件所产生的工程分析数据。该边界条件数据包括但不限于预分析区域的几何形状、门窗位置与尺寸、物件材质、探测器类型与位置、火源热释放率与位置。
进一步地,根据预分析区域的边界条件数据模拟得到火灾的特征数据,比如,温度、湿度、有害气体浓度及气体压力等。
步骤S302,根据火灾的特征数据得到遮蔽率,将遮蔽率的数值大小转换为遮蔽率的比重值。
具体地,存储器400内存储有转换规则,处理器500根据转换规则对利用上述火灾的特征数据得到每个探测器对应的遮蔽率;根据遮蔽率的数值大小转换为遮蔽率的比重值,该比重值为0~1。
在本实施例中,使用探测器S1、S2、S3、S4、S5和S6对预分析区域不同火源的火灾情况进行模拟,分别在4s、9s、24s、32s和60s的时间点获取每个探测器的遮蔽率(%),如表3所示。
表3:每个探测器在不同时间的遮蔽率数据表。
得到上述表3中的每个探测器在不同时间的遮蔽率数据后,将遮蔽率数据转换为遮蔽率比重值,具体如表4所示。
表4:每个探测器在不同时间的遮蔽率比重数据表。
步骤S303,建立神经网络。
利用现有的神经网络进行训练,处理器500处理使其运用到火灾发展态势预测的工程类深度学习模型中。
步骤S304,使用遮蔽率的比重值训练神经网络。
利用上述表4中得到的遮蔽率的比重值训练神经网络。在训练过程中,人工进行参数微调(如隐藏层数量、学习率等)进行训练。
步骤S305,判断神经网络的输出值是否小于或等于预设误差阈值。
具体地,误差阈值为5%。误差阈值作为收敛条件,处理器500判断神经网络的输出值达到收敛条件后,神经网络停止训练。
若是,则进行步骤S306,停止训练神经网络,完成工程类深度学习模型。
具体地,神经网络的输出值小于或等于预设误差阈值,说明神经网络已经具备了预测火灾发展态势的能力,则停止训练神经网络,完成工程类深度学习模型。
若否,则返回步骤S301。
具体地,神经网络的输出值大于预设误差阈值,说明神经网络没有达到预测火灾发展态势的能力,则继续训练训练神经网络。
步骤S307,利用工程类深度学习模型评估火灾发展态势。
具体地,当实际现场的探测器发出报警时,不间断获取现场环境的探测器获取的遮蔽率数据,遮蔽率数据持续输入工程类深度学习模型,依据火灾现场环境变化提供决策方案。
步骤S308,根据评估结果输出决策方案。
具体地,显示单元300显示输出的决策方案。决策方案包括人命救助、周界防护、局限火势、灭火行动、通风排烟、财务维护、残火处理中的一种或多种。在实际救援过程中,人命救援和灭火行动是一般需进行的救援方案,其他决策方案可以根据火灾现场具体情况选择使用。
本发明提供的火灾发展态势预测方法,利用数据仿真软件得到的模拟数据,对神经网络进行训练,得到运用到火灾发展态势预测中的工程类深度学习模型。利用工程类深度学习模型评估火灾发展态势,根据评估结果输出决策方案。该火灾发展态势预测方法,有效解决部分场景因数据取得困难而无法进行深度学习训练。管理人员或救援人员根据决策方案快速准确制定有效的救援方案。
在一些优选实施例中,请继续参照图3,本发明还提供了一种工程类深度模型优化过程。具体包括如下步骤:
步骤S309,采集火灾的实际数据。
具体地,数据采集单元100采集火灾的实际数据。数据采集单元100利用各种安全、消防、环境等设备或器材,采集火灾现场的实际数据,包括但不限于采集以下数据:温度、湿度、有害气体浓度及气体压力。
步骤S310,使用实际数据优化工程类深度学习模型。
同样地,处理器500处理实际数据得到的特征数据,进一步根据特征数据得到遮蔽率数值后转换为遮蔽率比重值,用于对步骤S306得到的工程类深度学习模型进行优化,进而得到混合类深度学习模型。
步骤S311,得到混合类深度学习模型并评估火灾发展态势。
利用混合类深度学习模型评估火灾发展态势。混合类深度学习模型中包含实际环境特征,可以更加客观、精准预测火灾的发展态势。
继续进行步骤S308,根据评估结果输出决策方案。
显示单元300显示输出的决策方案,供管理人员或救援人员了解火灾发展态势并根据实际情况作出救援方案调整。
利用火灾现场实际数据对工程类深度学习模型进行优化,得到混合类深度学习模型。使用实际数据得到的混合类深度学习模型应用到火灾发展态势预测中,具有更加客观、精准的预测能力。
本发明提供的火灾发展态势预测方法和装置,通过深度学习得到工程类深度学习模型和混合类深度学习模型,用于预测火灾发展态势。利用该火灾发展态势预测方法和装置可实现火灾现场的数据实时反馈,同步提供给管理人员或救援人员根据决策方案进行辅助建议,对火灾进行快速正确的救援方案。
可以理解的是,本发明提供的火灾发展态势预测方法和装置,可以适用于其他实际数据较难获得的情形,比如,环境监测、安全监测等。通过工程数据与无大量实际环境特征前期取样的整合应用,提供工程型深度学习模型。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外,显然“包括”一词不排除其他器或步骤,单数不排除复数。计算机装置权利要求中陈述的多个器或计算机装置也可以由同一个器或计算机装置通过软件或者硬件来实现。第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
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限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。