一种基于探测器组的火灾火源精准反演方法

本发明涉及火灾探测，具体地说，涉及一种基于探测器组的火灾火源精准反演方法。

背景技术：

1、火灾是生产生活中严重威胁生命财产安全的主要灾害之一。现代化建筑结构日益复杂与多样，使得火灾具有突发性、随机性与严重性等特点，对应急救援提出更高的要求。在重要建筑中安装火灾探测系统，将火场火源信息实时提供给应急管理和灭火救援指挥人员，采取有效的应对措施。然而，当前建筑的消防系统仅具有给出火灾报警信号的基本功能，在后续的应急响应中不再发挥作用。若能快速准确的反馈火源位置、着火强度和烟气蔓延等火场火源信息，将极大增加疏散、消防等应对措施的效率。

2、对于传感器数据反演法，其苛刻的假设条件导致实验验证与预测结果存在一定的误差，无法满足火灾火源精准定位的需求。此外，对于密闭空间而言，由于壁面等障碍物的干扰热流，这些方法也并不适用于火源参数反演。

3、对于物理模型综合反演法，虽然贝叶斯方法对非线性火灾发展演化过程表现出较好的适用性，但它往往会受到模拟数据量的显著影响。对复杂环境和各种火灾情况进行火灾建模所产生的数据不可避免地会使这种方法变得复杂和低效。总之，仅利用探测值的传统方法执行时间短，而准确性却无法满足要求，从而导致较高的误报率。相反，物理模型综合反演法已经达到了较高的精度，但是它们往往有较长的响应时间，这使得难以应用于实际场景。

4、对于计算机视觉方法，虽然基于视觉传感器的火灾探测方法已经具备了精度高、反应快等一系列的优点，但是视觉传感器的使用条件依然具有显著的局限性：首先是对环境的要求。视觉传感器对于复杂环境的应用成熟度并不高，从理论上讲，这些方法在野火等室外环境中比在航空器封闭环境中表现得更好。其次是对时序性特征响应。火灾的发展演化是具有时序性，该特点有助于对火场情况的准确评估。而视觉传感器只是针对图片的识别与处理，忽视了探测结果背后的时序性特征。

5、而对于探测器数据的大数据建模方法，可以很好的解决上述方法的不足，但是目前的算法结构往往没有考虑火灾动态演变过程中的空间信息和时间序列信息的统一。

技术实现思路

1、本发明的内容是提供一种基于探测器组的火灾火源精准反演方法，其能够结合物联网技术与深度学习方法实现火场火源信息实时精准预测。

2、根据本发明的一种基于探测器组的火灾火源精准反演方法，其包括以下步骤：

3、1)有限元模型构建与数据特征提取；

4、2)火灾火源精准定位模型构建；

5、3)物联网探测器组与火灾火源精准定位模型的交互。

6、作为优选，步骤1)中，具体为：

7、1.1)对选取的空间进行有限元模型的构建；

8、1.2)根据场景设计传感器定位；

9、1.3)设定不同火灾场景，利用烟雾扩散有限元模型遍历每一种火灾场景，同时，记录在火灾蔓延过程中，每种场景下的火源参数数值，以及该火源参数值对应的传感器在每个采样时刻的模拟探测值。

10、作为优选，步骤1.2)中，对于多空间结构，要确保每个独立空间的传感器数量要大于1；对于大尺寸的独立空间，要确保传感器数量大于3。

11、作为优选，步骤2)中，具体为：

12、2.1)对步骤1)中获得的数据的时序性信息进行预处理，根据探测器组的位置信息和输出的探测结果，以时间维度进行循环插值，以获得一系列连续的2d或者3d的探测数值空间分布，通过处理之后数据结构为[b，t，n，c，h，w]，其中b表示在模拟火灾过程中进行的模拟次数，t表示时间维度的总长度，n表示探测器组的探测器数量，c表示通道数，h和w分别表示二维探测器输出的长度和宽度；

13、2.2)对一系列具有时间序列特征的数值空间分布结构进行深度学习建模；采用改进的convlstm结构，将卷积算法与时序性深度神经网络结构相结合实现对空间和时间维度特征的提取能力；

14、改进的convlstm具有输入门、遗忘门和输出门，每个门的计算是卷积操作，具体算式如下：

15、

16、

17、

18、

19、

20、其中，i为输入门，f为遗忘门，c为记忆单元，o为输出门，t为时间，wxi、whi、wci分别是输入门的权值矩阵，wxf、whf、wcf分别是遗忘门的权值矩阵，wxo、who、wco分别是输出门的权值矩阵，bi、bf、bc、bo分别表示对应的偏置，xt表示输入，ht表示输出，σ为激活函数，*代表卷积算子，°代表全连接算子；

21、改进的convlstm输出之后不添加额外的数据拼接操作，对于多源数据需要额外的数据拼接；

22、输入为探测器组在火灾演变过程中的时序性信息，输出为火源的位置信息，包括六个维度：x1，y1，z1，x2，y2，z2，分别表示火灾火源在三维空间中对角线的端点；输出之后直接进行池化，并在之后进行展平并直接输入到后续的两个全连接层，全连接层的输出维度为6，对应着火灾火源在三维空间中对角线端点的坐标信息；

23、2.3)训练模型时，火源参数估计值与真实值之间的损失函数通过交叉熵函数计算，模型训练的目标为最小化损失函数；对模型进行迭代训练与测试，当模型收敛时，深度学习序列模型训练完毕。

24、作为优选，步骤3)中，具体为：

25、在建筑空间安装传感器，并接入物联网，确保能够以一定时间间隔传回探测值；传感器在使用过程中保持待机状态，当发生火情时，随着烟雾的扩散，探测器组中的第一个探测器捕获火灾可能信息时，记时刻为t0，物联网中的云端系统将自动截取自t0起的所有探测器组的时序性信息，每一个时刻，都会输出一个火灾火源位置信息以及对应的可信度；随着时刻的增加，云端系统将会不断更新对应时刻的火灾火源位置信息以及对应的可信度。

26、作为优选，为确保能够在60s内准确输出火源位置，传感器传回探测值的时间间隔不超过10秒。

27、作为优选，传感器类型是温度传感器、烟雾传感器、气体传感器中任一种或多种。

28、作为优选，火灾可能信息为温度、烟雾浓度、气体浓度中的一种或多种。

29、本发明提出一种混合学习方法以期能实现物理模型综合反演法精确性和数据驱动模型高效性的统一，解决航空器舱内封闭空间的火灾火源精准定位与事故反演的关键问题。基于全景火灾重构与火灾痕迹的火势蔓延和烟气变化数值模拟，明确飞机火灾发展动态演化过程并构建时序性数据库，研制新型货舱火灾探测系统原理样机，结合物联网技术与深度学习方法实现火场火源信息实时精准预测，确保火源位置在三维空间中的偏差距离小于0.4cm。

技术特征：

1.一种基于探测器组的火灾火源精准反演方法，其特征在于：包括以下步骤：

2.根据权利要求1所述的一种基于探测器组的火灾火源精准反演方法，其特征在于：步骤1)中，具体为：

3.根据权利要求2所述的一种基于探测器组的火灾火源精准反演方法，其特征在于：步骤1.2)中，对于多空间结构，要确保每个独立空间的传感器数量要大于1；对于大尺寸的独立空间，要确保传感器数量大于3。

4.根据权利要求3所述的一种基于探测器组的火灾火源精准反演方法，其特征在于：步骤2)中，具体为：

5.根据权利要求4所述的一种基于探测器组的火灾火源精准反演方法，其特征在于：步骤3)中，具体为：

6.根据权利要求5所述的一种基于探测器组的火灾火源精准反演方法，其特征在于：为确保能够在60s内准确输出火源位置，传感器传回探测值的时间间隔不超过10秒。

7.根据权利要求6所述的一种基于探测器组的火灾火源精准反演方法，其特征在于：传感器类型是温度传感器、烟雾传感器、气体传感器中任一种或多种。

8.根据权利要求7所述的一种基于探测器组的火灾火源精准反演方法，其特征在于：火灾可能信息为温度、烟雾浓度、气体浓度中的一种或多种。

技术总结
本发明涉及火灾探测技术领域，具体地说，涉及一种基于探测器组的火灾火源精准反演方法，包括以下步骤：1)有限元模型构建与数据特征提取；2)火灾火源精准定位模型构建；3)物联网探测器组与火灾火源精准定位模型的交互。本发明结合物联网技术与深度学习方法实现火场火源信息实时精准预测，确保火源位置在三维空间中的偏差距离符合要求。

技术研发人员：朱禹龙,贾旭宏,刘全义,朱新华,张宇强,田威,汤靖,张晓宇,代尚沛
受保护的技术使用者：中国民用航空飞行学院
技术研发日：
技术公布日：2024/3/11