一种基于物联网家居突发情况的预警系统

1.本发明属于智能家居领域，具体是一种基于物联网家居突发情况的预警系统。


背景技术：

2.随着生活水平的不断提高，随着科技的进步，人们生活水平的提高，家用电器的使用愈加普遍，同时人们迫切的需要高效的家庭生活管理。由此人们对现代家居系统的智能性、安全性、便捷性提出了更高的要求。
3.各种用电器种类和功能日益复杂、用电量庞大，还易发生短路、过载，进而引起火灾、触电等事故，同时，用户用电的用电负荷、用电量、电压、电流、使用状态及频率、线路故障、设备故障、火灾等数据难以实时监控并反馈，给用户的生活、生命、财产造成了严重威胁和损失，不能及时排除安全隐患。


技术实现要素：

4.为了解决上述问题，本发明的目的是提供一种实时监控的于物联网家居突发情况的预警系统。
5.为了实现上述目的，本发明的技术方案如下：一种基于物联网家居突发情况的预警系统包括方案匹配库、机器学习更新库和历史数据存储库，并将预警系统连入云平台，从而根据不同的信号源和场景类别，生成具有预判学习功能的不同单元的系统预警标准，还包括对不同场景预设的安全阈值a
x
，当云平台将接收的监测环境信号大于a
x
时，生成危险预警模型，危险预警模型预测下一时间段的参数值，并在下一时间段与实际参数值作比较，训练和优化危险预警模型。
6.采用上述方案后实现了以下有益效果：1、相对于采用烟雾报警或温度报警的现有技术，本技术方案中利用区域或独立的信号源进行监控，实现单元式系统预警，同时对实时信息进行收集，基于实时信息建立风险预估模型并对险情进行记录，生成自主学习系统。
7.2、相对于带有自主学习系统的现有技术，本技术方案中对不同场景预设的安全阈值a
x
，降低了关联信号源之间误报的可能性，提升了预警的准确度。
8.进一步，还包括以下步骤：
9.步骤一，采集终端数据传输至云平台生成分布排列的状态数据；
10.步骤二，将采集的状态数据通过机器学习和概率统计方法，生成预测准确率和状态序列，从而预测下一时刻的环境参数信息；
11.步骤三，结合实际的环境参数信息和预测的环境参数信息修正预测参数结果；
12.步骤四，将修正后的预测参数结果生成观测序列矩阵q；定义数据曲线上第一个点为初始状态点，终端数据在某时刻落入该点附近区域范围内的概率的集合为初始状态序列矩阵c；终端数据从所在状态点跳跃至危险范围内的概率的集合定义为状态转移序列矩阵i
*
,取p(i*|q)最大化作为概率最大的区域，得出概率函数；
13.步骤五，将终端数据根据时间状态归类生成环境参数的观测序列作为观测态，而
环境参数下一时刻的数据作为隐藏态，结合观测态和隐藏态生成预测曲线；
14.步骤六，结合概率函数递推预测曲线提高预测的可靠度并生成报警信号。
15.有益效果：针对多种危险环境制定解决方案，在未监测前系统预先存设有一个场景发生时各参数的历史数据存储库，该存储库不需有较大的内存量，只需将智能终端感测系统和自动化险情处理系统所发的反馈信号缓存在云平台。
16.在险情发生前，若发现所监测的环境参数在一段时间内快速变化，其变化率达到了历史数据存储库中危险参数变化匹配范围内，即可判定为对应的险情种类，同时根据危险预警模型，预测下一时间段的参数值，并在下一时间段与实际参数值作比较，训练和优化危险预警模型。
17.而云平台的服务器会自动匹配存储在系统中的方案措施，进而将命令下传至自动化险情处理控制模块，同时记录此次的数据供平台系统进行机器学习，以便匹配更优的解决方案和更精确的判定标准。
18.而云平台的服务器会自动匹配存储在系统中的方案措施，进而将命令下传至自动化险情处理控制模块，同时记录此次的数据供平台系统进行机器学习，以便匹配更优的解决方案和更精确的判定标准。
19.进一步，步骤一中的状态数据包括温度、湿度、二氧化碳、一氧化碳、挥发性气体、污染性气体、可吸入颗粒物、单元系统编号、上线信号和cpu内存占用比率。
20.进一步，步骤四中观测序列矩阵q的表达包括
21.进一步，步骤四中终端数据的初始状态c式
22.进一步，步骤四中状态转移序列矩阵i
*
如下：
23.v＝{c,q}
[0024][0025]
进一步，步骤五中预测曲线的生成过程包括第一个局部状态是t时刻所有跳跃范围中概率最大值，记为z
t(i)[0026]zt
(i)＝max p(i
t
＝i,i1,i2,
…it-1
,q
t
,q
t-1
,
…
,q1|p)
[0027]
其中，i＝1,2,3...n
[0028]
由z
t
(i)可以得到z
t+1(i)[0029]zt+1
(i)＝maxp(i
t+1
＝i,i1,i2,
…it
,q
t+1
,q
t
,
…
,q1|p)
[0030]
第二个局部状态是由第一个局部状态递推得到，定义t时刻隐藏状态为i的所有单个状态转移路径中概率转移路径中第t-1个节点的隐藏状态ψ
t(i)[0031]
ψ
t
(i)＝argmax[z
t-1
(j)a
ji
]
[0032]
其中，j＝1,2,3
…n[0033]
有了这两个局部状态，我们就形成了从起始状态开始一直到t＝t时刻，然后利用ψ
t
(i)记录的前一个最可能的状态节点回溯，t＝t-1,t-2,
…
,1
[0034][0035]
直到找到最优的隐藏状态序列i
*
；
[0036][0037]
有益效果：所有关联设备各节点能够实时地互通互联，起到互相协助运行，尽最大可能实现个单元系统的高效运行和高可用性。正常情况下，系统根据订阅主题类型、数据分发形式以及用户需求关系，有针对性地提供危险预警监测服务；在即将发生险情时，本系统根据算法预测模型，提前预测风险，提高系统可靠度，判断类型后再通过自动化险情处理控制系统完成对险情的初步处理，并最终将预警信号发送给移动端智能管理系统。本发明提出的方法易于实现，具有成本低，可靠性高，安全系数高，具有多机互联的优点，最大限度地发挥了分布式系统的优势。
附图说明
[0038]
图1为本发明实施例的流程图。
具体实施方式
[0039]
下面通过具体实施方式进一步详细说明：
[0040]
实施例基本如附图1所示：一种基于物联网家居突发情况的预警系统训练和优化智能危险预警模型；该阶段在云平台存储处理系统中实现，该系统包括历史数据存储库、解决方案匹配库和机器学习更新库，用于缓存、管理、调用数据信息，根据不同的信号源和场景类别，因地制宜确定不同单元系统预警标准。针对多种危险环境制定解决方案，在未监测前系统预先存设有一个场景发生时各参数的历史数据存储库，该存储库不需有较大的内存量，只需将智能终端感测系统和自动化险情处理系统所发的反馈信号缓存在云平台。在险情发生前，若发现所监测的环境参数在一段时间内快速变化，其变化率达到了历史数据存储库中危险参数变化匹配范围内，即可判定为对应的险情种类，同时根据危险预警模型，预测下一时间段的参数值，并在下一时间段与实际参数值作比较，训练和优化危险预警模型。而云平台的服务器会自动匹配存储在系统中的方案措施，进而将命令下传至自动化险情处理控制模块，同时记录此次的数据供平台系统进行机器学习，以便匹配更优的解决方案和更精确的判定标准。
[0041]
训练预警信息模型的过程如下：
[0042]
1)将采集到的终端数据(如温度、湿度、二氧化碳、一氧化碳、挥发性气体、污染性气体、可吸入颗粒物、单元系统编号、上线信号和cpu内存占用比率)分布排列为系统的状态数据；
[0043]
c1＝(c
11
，c
12
，c
13
，c
14
，c
15
，c
16
，c
17
，c
18
，c
19
，c
20
)
[0044]
其中c11为温度，c12为湿度，c13为二氧化碳，c14为一氧化碳，c15挥发性气体，c16为污染性气体，c17为可吸入颗粒物，c18为单元系统编号，c19为上线信号，c20为cpu内存占
用比率。
[0045]
2)机器学习和概率统计方法可以获得较高的预测准确率和最优状态序列，进而预测下一时刻的环境参数信息。在此基础上，结合维特比算法回溯，研究环境动态变化过程中的各种传感器数据和控制器使用数据，结合下一时刻实际环境参数数据，生成一个更加精准的预测模型，达到修正预测参数的效果。
[0046]
传感器数据和控制器数据都是基于事件序列的变化数据，是可以预测到的，可作为我们的观测数据，观测数据的集合即观测序列矩阵q；我们定义数据曲线上第一个点为初始状态点，终端数据在某时刻落入该点附近区域范围内的概率的集合为初始状态序列矩阵c；终端数据从所在状态点跳跃至危险范围内的概率的集合，我们定义为状态转移序列矩阵i
*
[0047]
通过终端数据训练模型，选择一个状态序列，即给定观察结果的最优状态序列。也就是说给定观测数据q式，得到终端数据的初始状态c式(3)，求给定条件下最优可能出现的状态序列i
*
式(5)
[0048][0049][0050]
v＝{c,q}
ꢀꢀ
(4)
[0051][0052]
我们取概率最大的区域，即p(i*|q)最大化。在这个过程中，每个片段都是从许多隐藏片段中选择的，并且在每一个隐藏片段的出现都依赖于前一个片段的隐藏状态。由此得出概率函数。
[0053]
hmm模型可以通过每个时刻隐藏状态得出的最大概率点进而得到隐藏状态序列，将终端数据根据时间状态归类生成环境参数的观测序列，作为观测态，而环境参数下一时刻的数据作为隐藏态，再结合前文中所提出的传感器数据、控制器数据和起始状态一同输入至hmm维特比算法中，生成预测曲线。
[0054]
通过基于动态规划的求序列的方法，维特比算法定义两个局部状态用于递推：
[0055]
第一个局部状态是t时刻所有跳跃范围中概率最大值，记为z
t(i)[0056]zt
(i)＝max p(i
t
＝i,i1,i2,
…it-1
,q
t
,q
t-1
,
…
,q1|p)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0057]
其中，i＝1,2,3
…n[0058]
由z
t
(i)可以得到
[0059]zt+1
(i)＝maxp(i
t+1
＝i,i1,i2,
…it
,q
t+1
,q
t
,
…
,q1|p)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0060]
第二个局部状态是由第一个局部状态递推得到，定义t时刻隐藏状态为i的所有单
个状态转移路径中概率转移路径中第t-1个节点的隐藏状态ψ
t(i)[0061]
ψ
t
(i)＝argmax[z
t-1
(j)a
ji
]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0062]
其中，j＝1,2,3
…n[0063]
有了这两个局部状态，我们就形成了从起始状态开始一直到t＝t时刻，然后利用ψ
t
(i)记录的前一个最可能的状态节点回溯，t＝t-1,t-2,
…
,1
[0064][0065]
直到找到最优的隐藏状态序列i
*
。
[0066][0067]
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
[0068]
以上所述的仅是本发明的实施例，方案中公知的具体结构及特性等常识在此未作过多描述，所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识，能够获知该领域中所有的现有技术，并且具有应用该日期之前常规实验手段的能力，所属领域普通技术人员可以在本技术给出的启示下，结合自身能力完善并实施本方案，一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本技术的障碍。应当指出，对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本技术要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。