一种基于多源信息的智能火灾发展态势识别方法与流程

本发明涉及火灾现场信息分析领域，尤其是指一种基于多源信息的智能火灾发展态势识别方法，对火灾现场多源信息进行融合分析，进行火灾发展态势判断。

背景技术：

火灾对人类社会的危害极大，会造成重大人员伤亡以及财产损失。根据世界火灾中心的统计，每年全球范围内发生火灾600-700万起，约有65000-75000人死于火灾。同样，对于我国而言，火灾事故形势也不容小觑。

在各类火灾中，建筑火灾对人的危害最大、最直接。尤其对于大型公用建筑以及高层建筑，人员密集不易疏散，有毒气体以及烟雾的产生会对人身安全造成巨大威胁。同时，高温引起的建筑材料分解易造成坍塌，导致火灾灾情恶化。

因此，建筑火灾救援极为强调时效性，目前对智能建筑及自动化消防系统的需求与日俱增。自1984年美国康涅狄格州哈特福德市的城市广场建设为第一座智能建筑以来，智能建筑一直处在稳步发展状态。智能建筑的消防自动化系统应用现代控制技术、信息技术、计算机技术、系统集成技术和网络技术于火灾、报警、灭火、疏散等多个消防流程环节中，从而达到快速预测灾情、减小火灾危害、避免人员伤亡以及财产损失的目的。而智能消防系统的重点就在于预防，以预防为主、防消结合的原则，实施可靠的防火措施。

技术实现要素：

本发明旨在为推崇消防智能化、主张灾情动态化、可视化，提出了一种基于多源信息的智能火灾发展态势识别方法，可以对火灾现场多源信息进行融合分析，并根据火灾发展动力学实现快速、准确的划分灾情危险等级区域，辨识火灾发展态势。

为实现上述目的，本发明所提供的技术方案为：一种基于多源信息的智能火灾发展态势识别方法，该方法能够动态、实时地对火灾现场多源信息进行融合分析，从而实现火灾态势的智能判断，包括以下步骤：

1)拍摄火灾现场的燃烧视频，同时应用温度传感器、co气体探测器、o2气体探测器以及亮度测量仪，对探测点的信息进行采集，包括温度、co浓度、o2浓度以及火焰亮度，并通过二总线方式传递至总控制器；

2)对步骤1)中每个探测点采集的四种信息进行汇总，然后对探测点位置采集的四种信息进行降噪处理；

3)对步骤2)中每个探测点汇总降噪后的信息进行二阶聚类分析，分预聚类和正式聚类两步处理，将获取的信息分簇；

4)运用步骤3)中产生的聚类分析结果对火焰热功率等级进行综合评估，并通过用户交互式工具实现数据可视化。

在步骤1)中，对探测点信息的采集包括对温度、co浓度、o2浓度和火焰亮度这四种数据进行采集，对于每个位置的探测点，此四种数据构成一个向量样本记做：

其中：

代表探测点四种数据形成的向量样本；

代表温度信息；

代表o2浓度；

代表co浓度；

代表火焰亮度；

因此，每个探测点应配置四种设备：温度传感器、co气体探测器、o2气体探测器以及亮度测量仪。

在步骤2)中，信息降噪处理的目的在于去除因为异常环境被损坏的设备所采集的无效数据，这些设备包括：温度传感器、co气体探测器、o2气体探测器以及亮度测量仪，这一过程通过矢量特征相似性的判断得以实现；定义观测点三个连续时刻t1、t2、t3的信号作为特征量，记做：

其中：

表示三个连续时刻t1、t2、t3的信号特征量集合；

表示t1时刻的信号特征量；

表示t2时刻的信号特征量；

表示t3时刻的信号特征量。

计算t1、t2时刻信号特征量的平均值，并根据该平均值预测t3时刻信号特征量的值，取t1、t2、t3时刻的信号特征量的平均值作为降噪处理参考量，记做：

其中：

表示三个连续时刻t1、t2、t3的降噪处理参考量；

表示t1时刻的降噪处理参考量；

表示t2时刻的降噪处理参考量；

表示t3时刻的降噪处理参考量；

并判断其相似度：

式中：

表示和的矢量内积；

表示矢量和的范数；

sij表示两矢量的特征相似度；

同时引入一个阀值δ，其值域为[0,1]，有：

sij＜δ→false(i＝1,2,....,n)

sij＞δ→true(i＝1,2,....,n)

当输出值为true时，该探测点传出的信号有效，进入下一环节的算法；当输出值为false时，该探测点传出的信号无效，需除去此信号数据。

在步骤3)中，聚类分析称为群分析，是一种对数据进行分类、聚合的分析方法，采用二阶聚类法，整个过程中只需要输入一次数据，通过预聚类、正式聚类两个步骤得到聚类结果，其过程为找出聚类特征树的初始节点，而后分支化，形成特征树，选取{t,co,o,lum}作特征向量，取多个样本，采用对数似然函数计算t时刻各样本与危险以及安全样本之间的似然距离作为簇族划分的依据，其原理为：

d(i,s)＝ξi+ξs-ξ(i,s)

式中：

d(i,s)为对数似然距离；

ξi、ξs、ξ(i,s)分别表示i、s和i、s合并区三个样本区域内的对数似然函数值；

ni、ns、ni+s分别为i、s和i、s合并区三个样本区域内的样本个数；

为样本特征量的连续变量，j＝1,2,3；

分别表示i、s和i、s合并区三个样本区域内的连续变量的方差；

分别表示i、s和i、s合并区三个样本区域内第j个分类变量的取l值的概率；

最后对聚类结果应用bic判据进行比较；当：时得到最后的聚类结果，其中：

bick为第k个变量的贝叶斯信息准则数；

bic1为首个变量的贝叶斯信息准则数；

其表达式为：

bick＝-2lk+klogn

式中：

lk是似然函数的最大值；

bick为第k个变量的贝叶斯信息准则数；

n为数据点的数量；

ξv为对数似然函数值；

k是要估计的自由参数的数量。

在步骤4)中，设定的最终聚类数为四，将每个火灾原始数据点均归于四个簇中，再计算数据点与其所在簇的距离作为该点与所属中心的相似度，作为该点所属中心出现的概率，由此获得火源热功率等级tpr，计算公式如下：

式中：

tpr是火源热功率等级；

tprn为第n个数据点的火源热功率等级；

p为tprn在本区域出现的概率。

在步骤4)中，应用python语言中的mayavi库工具实现了数据的可视化。

本发明与现有技术相比，具有如下优点与有益效果：

1、本发明选择了四种复合参数进行火灾现场燃烧的探测与态势评估，综合性较强。

2、本发明对采集的数据进行了降噪处理，避免了无效、损坏的数据对结果的干扰，一定程度上避免了误差过大。

3、本发明的聚类计算分为两步，预聚类与正式聚类，增加了信息分簇的准确性。

4、本发明采集的是动态数据，并且主张聚类处理后进行可视化操作，便于直观分析灾情，以及实时制定消防措施。

附图说明

图1为火灾探测系统架构图。

图2为火灾综合风险态势分析模型。

图3为火灾灾情快速评估算法流程图。

图4为实例中的典型塔楼平面示意图。

图5-图7分别为300s、600s、900s时刻建筑火灾综合风险等级三维图。

具体实施方式

下面结合具体实施例对本发明作进一步说明。

如图1至图3所示，本实施例所提供的基于多信息源的火灾风险等级智能评估方法，使用了numpy工具、python语言以及mayavi交互式工具进行风险分级，包括以下步骤：

1)拍摄火灾现场的燃烧视频，同时应用温度传感器、co气体探测器、o2气体探测器以及亮度测量仪，对探测点的信息进行采集，包括温度、co浓度、o2浓度以及火焰亮度，并通过二总线方式传递至总控制器；

对探测点信息的采集包括对温度、co浓度、o2浓度和火焰亮度这四种数据进行采集，对于每个位置的探测点，此四种数据构成一个向量样本记做：

其中：

代表探测点四种数据形成的向量样本；

代表温度信息；

代表o2浓度；

代表co浓度；

代表火焰亮度；

因此，每个探测点应配置四种设备：温度传感器、co气体探测器、o2气体探测器以及亮度测量仪。

2)对步骤1)中每个探测点采集的四种信息进行汇总，然后对探测点位置采集的四种信息进行降噪处理；信息降噪处理的目的在于去除因为异常环境被损坏的设备所采集的无效数据，这些设备包括：温度传感器、co气体探测器、o2气体探测器以及亮度测量仪，这一过程通过矢量特征相似性的判断得以实现；定义观测点三个连续时刻t1、t2、t3的信号作为特征量，记做：

其中：

表示三个连续时刻t1、t2、t3的信号特征量集合；

表示t1时刻的信号特征量；

表示t2时刻的信号特征量；

表示t3时刻的信号特征量。

计算t1、t2时刻信号特征量的平均值，并根据该平均值预测t3时刻信号特征量的值，取t1、t2、t3时刻的信号特征量的平均值作为降噪处理参考量，记做：

其中：

表示三个连续时刻t1、t2、t3的降噪处理参考量；

表示t1时刻的降噪处理参考量；

表示t2时刻的降噪处理参考量；

表示t3时刻的降噪处理参考量；

并判断其相似度：

式中：

表示和的矢量内积；

表示矢量和的范数；

sij表示两矢量的特征相似度；

同时引入一个阀值δ，其值域为[0,1]，有：

sij＜δ→false(i＝1,2,....,n)

sij＞δ→true(i＝1,2,....,n)

当输出值为true时，该探测点传出的信号有效，进入下一环节的算法；当输出值为false时，该探测点传出的信号无效，需除去此信号数据。

3)对步骤2)中每个探测点汇总降噪后的信息进行二阶聚类分析，分预聚类和正式聚类两步处理，将获取的信息分簇；

聚类分析又称为群分析，是一种对数据进行分类、聚合的分析方法，我们采用二阶聚类法，整个过程中只需要输入一次数据，通过预聚类、正式聚类两个步骤得到聚类结果，其过程为找出聚类特征树的初始节点，而后分支化，形成特征树，选取{t,co,o,lum}作特征向量，取多个样本，采用对数似然函数计算t时刻各样本与危险以及安全样本之间的似然距离作为簇族划分的依据，其原理为：

d(i,s)＝ξi+ξs-ξ(i,s)

式中：

d(i,s)为对数似然距离；

ξi、ξs、ξ(i,s)分别表示i、s和i、s合并区三个样本区域内的对数似然函数值；

ni、ns、ni+s分别为i、s和i、s合并区三个样本区域内的样本个数；

为样本特征量的连续变量，j＝1,2,3；

分别表示i、s和i、s合并区三个样本区域内的连续变量的方差；

分别表示i、s和i、s合并区三个样本区域内第j个分类变量的取l值的概率；

最后对聚类结果应用bic(bayesianinformationcriterion)判据进行比较；当：时得到最后的聚类结果，其中：

bick为第k个变量的贝叶斯信息准则数；

bic1为首个变量的贝叶斯信息准则数；

其表达式为：

bick＝-2lk+klogn

式中：

lk是似然函数的最大值；

bick为第k个变量的贝叶斯信息准则数；

n为数据点的数量；

ξv为对数似然函数值；

k是要估计的自由参数的数量。

4)运用步骤3)中产生的聚类分析结果对火焰热功率等级进行综合评估，并通过用户交互式工具实现数据可视化，而在本实施例具体是应用python语言中的mayavi库工具实现了数据的可视化，其余类似的用户交互式工具均可以应用。

本发明设定的最终聚类数为四，将每个火灾原始数据点均归于四个簇中，再计算数据点与其所在簇的距离作为该点与所属中心的相似度，作为该点所属中心出现的概率，由此获得火源热功率等级tpr(thermalpowerrating)，计算公式如下：

式中：

tpr是火源热功率等级；

tprn为第n个数据点的火源热功率等级；

p为tprn在本区域出现的概率。

参考eniso-177762000危险识别与风险评估的工具与技术导则，划分综合风险等级如表1：

表1-火灾综合风险等级划分表

下面我们结合具体数据对本实施例上述基于多源信息的智能火灾发展态势识别方法做进一步说明。

传感器信息降噪处理以及numpy数据导入，火灾探测过程中传感器会将参数传输到电脑，包括探测器坐标、温度、氧气浓度、一氧化碳以及火焰亮度，之后进行降噪处理并通过numpy导入，下面为部分降噪处理后导入的数据；

表2-部分待导入数据

对输入的数据进行二阶聚类计算，分为预聚类与正式聚类。其中预聚类为birch(balancediterativereducingandclusteringusinghierarchies)算法,用numpy导入的数据建立特征树，定义相关阈值。对cf树进行压缩，通过改变t值，将部分簇进行压缩合并。采用其他的聚类算法对其叶节点进行聚类，将稀疏的簇当作离群值进行删除。通过上阶段得出聚类质心，将其作为种子节点，将其他对象分配给质心，构成新的聚类。而后进行正式聚类处理，把n个样本点分为k个簇，使得各簇内的样本点具有较高的相似性，而各簇间的样本点相似程度较低，相似度的计算是依据一个簇中样本点的平均值来进行。根据聚类性能指标最小化原则，使用的聚类准则函数是簇内的各个样本点到该簇中心的误差平方和最小。

对典型塔楼结构建筑(如图4所示)进行火灾态势分析，使用本发明的python评估算法，并通过mayavi交互式工具进行数据可视化处理，分别选取烟气温度、氧气、一氧化碳浓度以及火焰亮度作为聚类分析特征量，安全空间样本和危险空间样本分别为(20,0,0,0)和(80,150,0.15,40)，综合分析在300s，600s和900s三个时刻的温度风险分布、氧气浓度风险、一氧化碳浓度以及火焰亮度风险，通过python编码进行风险值计算并得出建筑内火源热功率等级柱状三维图。

由图5、6、7可知，火源中心处a区域的相对风险比房间其他区域要大。随着火灾发展，火源区域热功率等级在逐步扩大，直至整个区域都进入一个较高风险的级别。b、c、d、e区由于建筑结构的关系，火源热功率等级处于一个中等危险水平。根据对火源热功率等级及其损失的描述，高等级的火灾风险直观表现了火灾对建筑内人员的伤害，建筑内人员如果不及时撤离，可能会昏迷、中毒甚至死亡。建筑物也有可能因火灾而造成严重损坏。

综上所述，本发明的智能火灾发展态势识别方法提供了灾情地区的火灾动态风险等级，便于制订实时的救灾措施。在火灾发生时，通过传感器自动采集灾情现场视频、火焰亮度及燃烧实况等数据进行聚类分析得出各个区域的危险等级，方便制定相应的消防措施，引导人们疏散减少人员伤亡，避免经济损失。同时，本发明的智能火灾发展态势识别方法相较以往技术具有动态性，通过算法可以给出火灾发生后实时的风险分布情况，有利于实时的灭火方案制定、人员疏散路线制定，具有实际推广价值，值得推广。

以上所述实施例只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。