一种基于神经网络的多维消防数据融合分析方法与流程

本发明涉及消防安全领域，具体为一种基于神经网络的多维消防数据融合分析方法。

背景技术：

目前，随着经济的迅速发展，大型豪华宾馆、酒店、办公楼、购物商场等公共场所越来越多。这类公共场所规模大、可燃物多，在一定程度上加大了防灾灭火的困难。针对上述背景，绝大多数场所是采用独立式烟感进行火灾报警，然而，传统的独立式烟感存在许多问题：只能进行简单的现场报警，无法将报警信息通知到外界；设备出现故障时无法得知，没有设备运行检查功能；缺少外界数据平台的分析处理功能，无法自动判别报警火灾等情况；报警火灾时缺少实时的视频联动，无法远程查看现场情况。

技术实现要素：

本发明所要解决的技术问题是针对上述现有技术存在的不足，而提供一种提高火灾预报准确率的基于神经网络的多维消防数据融合分析方法。

为解决上述技术问题，本发明采用的技术方案是：

一种基于神经网络的多维消防数据融合分析方法，其特征在于，包括如下步骤：

步骤1、建立以现场烟感的状态参数、现场的温度参数、现场的温度告警阈值参数及现场的生命特征参数为输入，以火灾发生率为输出的神经网络模型，并对建立的神经网络模型进行训练，根据训练结果和实际报警结果的误差调整神经网络模型的隐含层数量，直到准确率不低于期望值；

步骤2、用训练好的神经网络模型，对实时获取的现场烟感的状态参数、现场的温度参数、现场的温度告警阈值参数及现场的生命特征参数进行灾情分析。

所述设备数据通过以下方法获取：

现场设备连接至现场的客户端主机；

客户端主机连接至消防平台，客户端主机将自己的设备信息发送到消防平台。

所述现场设备包括烟感传感器、红外摄像传感器、悬挂式超细干粉灭火器及生命特征探测器；其中烟感传感器用于检测现场烟感的状态参数；红外摄像传感器用于检测现场的温度参数；生命特征探测器用于检测现场的生命特征参数；悬挂式超细干粉灭火器用于现场灭火。

每秒采集一次设备数据并进行灾情合分析，判断监测的地点是否有火灾，如分析有火灾则发出报警。

客户端主机与消防平台之间建立长连接，包括启动消防平台的监听线程，监听指定的端口号；客户端主机创建套接字，连接到指定服务端；客户端主机发送数据；消防平台将客户端主机数据存入到数据库。

所述设备信息包括：烟感名称、位置、状态；红外摄像头名称、位置、状态、温度、温度阈值；生命探测器名称、位置、状态；悬挂式自动干粉灭火器名称、位置、数量。

所述神经网络的输出火灾发生率为0-1，当0.5≤火灾发生率＜0.85时，判断为预警，当火灾发生率≥0.85时，判断为报警。

所述期望值为95％。

本发明技术方案，具有如下优点：

1.及时获取现场设备的运行情况(故障信息、告警信息、温度信息、生命信息)等等，便于平台进行数据分析。

2.通过红外摄像提供的视频信息及时判断现场情况，可远程操作灭火器进行灭火。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例中的神经网络模型示意图；

图2为本发明实施例中的数据处理流程示意图。

具体实施方式

下面将结合附图对本发明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做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。

在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，还可以是两个元件内部的连通，可以是无线连接，也可以是有线连接。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。

本发明基于神经网络的多维消防数据融合分析方法，运用烟感、红外摄像、悬挂式超细干粉灭火器、生命特征探测器等设备数据，通过平台综合数据分析，多维消防数据融合的火灾报警处理方法，流程如图2所述，包括：

步骤1：现场设备通过有线连接至现场的客户端主机；

步骤2：客户端主机通过套接字同消防平台建立长连接；

步骤3：长连接建立后，客户端主机将自己的设备信息发送到消防平台；

步骤4：将设备具体数据馈送到平台的神经网络进行模型的训练；

步骤5：根据结果和实际报警结果的误差调整模型的隐含层数量，直到准确率不低于期望值；

步骤6：训练结束后，将模型的参数保留在消防平台自带的数据库中，等候设备数据，以对灾情进行分析。

本发明实施例中采用的神经网络模型为径向基神经网络模型，包括输入层、隐含层和输出层，数学模型如下：

rbf神经网络的输入层是由多个信号源节点构成的感知单元，作为网络模型与输入变量的连接通道，本发明输入层的输入参数包括烟雾传感器的状态参数x1、红外摄像传感器的温度参数x2、告警阈值参数x3以及生命特征探测器获取的生命特征参数x4；隐含层(中间层)是选用特定径向基函数的非线性映射，目的是为了提取样本特征，对样本在局部范围内产生响应；输出层是对隐含层输出的一种线性变换，最终由该部分的运算得到整个网络的输出。

径向基(rbf)神经网络选取径向基函数作为隐层单元的激活函数，构成隐藏层。所谓的径向基函数就是一类关于空间中某一组确定的中心径向对称的非线性函数，函数的输入为诸如欧氏距离的距离函数，当输入信号与某个中心点(基)之间的距离越大，则这个中心对应的激活函数激活程度越低。这个特性通常被称为局部分布特性。

与多层感知器(例如bp神经网络)进行对比，多层感知器的隐含层神经元激活函数通常选为硬极限函数，更多的情况下选用sigmoidal函数，而rbf神经网络则选用径向基函数。径向基(rbf)神经网络的激活函数可以选取多种形式，包括：

gaussian函数：

reflectedsigmoidal函数：

逆multiquadric函数：

式中，δi是代表激活函数拓展常数(spread)或宽度的变量，δi的数值越小，则激活函数越窄，选择性能越好。

本发明模型的输入信号为：

x＝(x1,x2,x3,x4)

其中x1为烟感状态参数，取值0或1；x4为生命特征参数，取值0或1；

输出信号为：

其中，w0指径向基神经网络输出的偏移；代表隐含层的激活函数；ωi为连接权重；ci为第j个中间层激活函数函数的中心。

通常情况下，高斯函数(gaussian)被选作径向基神经网络的激活函数，计算过程如下式所示：

其中，cj表示的是选取的第j个中间层激活函数函数的中心，中心为一个向量，并且与输入信号x^t具有相同的维数；||x^t-cj||表示的是输入信号x^t与中心cj差值x^t-cj的二范数，表示输入向量x^t与中心向量cj的欧式距离，当输入信号与激活函数中心之间的欧氏距离||x^t-cj||增大时，激活函数的输出迅速减小，当输入信号与中心一致时，网络输出变为“1”。

为方便数据的传输及数据的解析，本实施例中数据传输的格式采用json数据格式，并定义了一些符号，便于传输：

re:表示数据传输的方向，1表示数据从客户端主机传输到消防平台，2表示数据从消防平台传输到客户端主机。

action:表示动作，目前定义的有1表示客户端主机信息；2表示客户端设备信息；3表示设备数值信息；4表示启动灭火器。

location:位置；

name:名称；

code:设备编码，用于区分设备；

mainboardcode：主机编码，用于区分客户端主机；

status:设备状态，0表示正常，1表示不正常，出现不正常情况时，平台会自动发送短信通知相关负责人员到现场进行排查，看是否为网络问题，设备故障问题等。

temperature：红外摄像头探测的温度；

isalarm:是否报警0正常1报警；

isalive:生命探测器探测的是否有有生命标识，0表示有，1表示没有；

现场的烟感、红外摄像、悬挂式超细干粉灭火器、生命特征探测器等各类设备通过有线连接至现场的客户端主机。

客户端主机通过套接字同消防平台建立长连接。

(1)启动消防平台的监听线程，监听指定的端口号；

(2)客户端主机创建套接字，连接到指定服务端；

(3)客户端主机发送数据：{"re":1,"action":1,"entity":{"location":"卓越大厦602","mainboardcode":"001","name":"卓越大厦602主机"}}；

到消防平台，用于判别不同客户端主机身份，如上述主机表示地址在卓越大厦602，名称叫卓越大厦602主机，主机编号为001。

(4)消防平台将客户端主机数据存入到数据库。用于之后的数据分析比较。

长连接建立后，客户端主机将自己的设备信息发送到消防平台:

{"re":1,"action":2,"mainboardcode":001,"entity":{"devicedtolist":[{"code":00101,"name":"烟感探测器1号","location":"大厅"},{"code":00102,"name":"红外摄像头","location":"大厅"},{"code":00103,"name":"灭火器*2","location":"大厅"},{"code":00104,"name":"生命探测器","location":"大厅"}]}}

如上述数据表示001号主机下有一个烟感，一个红外摄像，2个灭火器，一个生命探测器。消防平台将这些设备保存到数据库，用于之后的数据分析比较。

客户端主机每秒采集一次设备数据，并每秒一次将数据发送到消防平台。通过多维消防数据融合，综合分析，判断监测的地点是否有火灾报警，并进行相应处理。如下举例：

(1)正常数据：

{"re":1,"action":3,"mainboardcode":001,"entity":{[{"code":00101,"status":0,"isalarm":0},{"code":00102,"status":0,"temperature":20.5,”thresholdvalue”:60,"isalarm":0},{"code":00103,"status":0,"isalive":0}]}}

上述数据表示编号00101烟感正常，没有告警；编号00102的红外摄像正常，探测的温度为20.5℃；编号为00103的生命探测器探测出当前区域有生命迹象；此时神经网络模型输出的火灾发生率为0。此时，不预警，也不报警。

(2)设备故障数据：

{"re":1,"action":3,"mainboardcode":001,"entity":{[{"code":00101,"status":1,"isalarm":0},{"code":00102,"status":0,"temperature":20.5,"isalarm":0},{"code":00103,"status":0,"isalive":0}]}}

上述编号为00101的烟感出现故障，平台会自动给相关负责人员推送短信，让负责人员去现场排查是否是网络问题、设备故障问题。

(3)报警数据1：

{"re":1,"action":3,"mainboardcode":001,"entity":{[{"code":00101,"status":0,"isalarm":1},{"code":00102,"status":0,"temperature":20.5,”thresholdvalue”:60,"isalarm":0},{"code":00103,"status":0,"isalive":0}]}}

上述数据经神经网络模型输出的火灾发生率为0.5。可确定烟感的告警为误报，则发出预警，不报警，让负责人员去现场排查是否是网络问题、设备故障问题。

如上述数据编号为00101的烟感发生了告警，但是除了正常的烟雾报警外，灰尘、水汽等也会导致烟感报警，形成误报，所以通过神经网络模型得到的结果与实际相符。

(4)报警数据2：

{"re":1,"action":3,"mainboardcode":001,"entity":{[{"code":00101,"status":0,"isalarm":1},{"code":00102,"status":0,"temperature":91.5,”thresholdvalue”:60,"isalarm":1},{"code":00103,"status":0,"isalive":0}]}}

上述数据经神经网络模型输出的火灾发生率为1。可确定烟感的告警为火灾引起，发出火灾报警。

此时平台会自动电话通知相关负责人员奔赴现场，并出现语音告警，平台监控人员发现语音告警后，可查看视频及生命探测器的数据情况。

如有生命活动迹象，则需要相关负责人员及时到现场疏通，人员撤离后，可通过客户端主机启动灭火器，也可通过消防平台远程启动灭火器。

如无生命活动迹象，则直接远程启动灭火器，达到火情快速、准确处理。