技术领域本发明属于信息技术、自动控制和电子技术领域，具体涉及通过构造消防栓安全状态智能识别模型实现对当前消防栓的安全状态判断，从而辅助管理人员进行科学有效地监管与维护，保证应急状态下消防系统的可用性。
背景技术：
市政消防栓是城市消防系统的重要组成部分，肩负着迅速为消防水枪和消防车提供水源满足火场供水的重要使命。但目前对消防系统的监管主要采用定期巡检的方式，缺乏科学高效的监管手段，消防设施重要部件被盗、消防管道破损漏水、消防水压异常等现象时有发生，大大降低了火灾等异常事件下的救助效率。准确判断消防栓当前的安全状态，及时发现消防栓存在的各种安全风险隐患，对保障人们生命财产安全具有重大意义。同时，准确识别当前消防栓的安全状态，并根据安全等级进行人员巡检调度等，对提高消防系统的监管水平，改善工作效率也具有重要意义。目前对消防系统的安全状态的判别主要通过设定简单门限的方式进行判断，存在安全状态识别漏报、误报率高，安全状态划分类别粗糙等问题，如何进行准确的安全状态识别，对提高消防栓的智能化管控水平具有重要意义。
技术实现要素：
本发明实施例提供了一种消防栓安全状态智能监测方法及系统，能够在模型训练过程中充分考虑在各种不同情况下的输入特征矢量和消防栓安全状态之间的映射关系进而提高了监测状态的精度，能够满足消防栓安全状态报警过程中漏报和误报的指标要求。为了克服上述难点，本发明实施例公开了如下技术方案：第一方面，提供一种消防栓安全状态智能监测方法，所述方法包含：步骤101)采集各传感器的测量信息，对采集得到的所有测量信息进行时间同步处理；其中，所述测量信息包括：消防井内水压、井盖倾角或井内环境光亮度；步骤102)采用主成分分析对同步处理后的测量信息进行降维处理，同时提取降维空间的特征矢量；根据特征矢量对应特征值的大小，选取若干个特征向量作为当前对消防栓安全状态判别的特征向量；步骤103)利用历史数据对特征矢量和安全状态之间的关系进行学习，建立机器学习模型；以主成分分析过程中降维空间的特征矢量作为训练特征集，以对应的安全状态作为输出目标集，采用SVM机器学习算法获得SVM识别函数；步骤104)基于步骤102)中处理后的特征向量，结合步骤103)所建立的SVM识别方程，识别当前消防栓的安全状态。结合上述第一方面，在第一种可能的实现方式中，所述步骤102)进一步包含：步骤102-1)对消防井内的各传感器信息进行采集，假设形成P维采集数据向量；其中，采集的信息包括消防井内水压、井盖倾角或井内环境光亮度；步骤102-2)对于一定时间段内的数据采集K次，并构造K×P维采集矩阵U，记为：U=u11u12...u1Pu21u22...u2P............uK1uK2...uKP]]>步骤102-3)对矩阵U求其协方差矩阵S，并求解矩阵S的特征值和特征向量；求解后获得的特征值和特别向量分别标记为：λ1,λ2,…,λP，和，η1,η2,…,ηP；步骤2-4)将前m个最大的特征值对应的特征向量组合构成安全状态识别的特征向量；其中，m为特征值之和与总特征值之比大于80％对应的最小值。结合上述第一方面，和在第一种可能的实现方式中，在第二种可能的实现方式中，所述步骤103)进一步包含：步骤103-1)将消防栓状态划分为若干类，基于历史数据对SVM模型进行训练；其中，所述消防栓状态种类包含：消防井盖占压、消防井盖移动、消防井盖异常开启、消防管道破损漏水或消防水压异常；SVM模型的输入特征集：X＝[x1,x2,…,xN]；其中xi,i＝1,2,…,N为第i个输入特征矢量；SVM模型的输出目标集：f＝[y1,y2,…,yN]；其中yi,i＝1,2,…,N为第i个输入特征矢量对应的消防栓安全状态；其中：xi=η1η2...ηm,i=1,2,...,N;]]>步骤103-2)采用步骤103-1)所得到的训练样本集对支持向量机进行训练，利用训练样本集给出的输入特征集和输出目标集，对SVM按如下步骤进行训练，得到用于判断安全状态的SVM识别函数：步骤103-2-1)利用二次规划算法，求解最优化问题：maxα,α*{-ϵΣm=1N(αm*+αm)+Σm=1Nfm(αm*-αm)-12Σm=1NΣn=1N(αm*-αm)TK(Xm,Xn)(αn*-αn)