一种消防火灾强度预测结合动态引导方法及系统与流程

本发明涉及消防安全，尤其涉及一种消防火灾强度预测结合动态引导方法及系统。

背景技术：

1、消防安全技术领域一直是人们关注的焦点。因此，如何提高对火灾的预测能力以及提供更有效的逃生引导，成为了当前亟待解决的问题。传统的消防安全技术通常依靠单一传感器数据进行预测，无法提供准确的消防火灾强度预测和最快的逃生路径，存在应对火灾效率低下和安全风险较大的问题。因此，需要一种更加智能化、综合化的消防火灾强度预测结合动态引导方法来提高应对火灾的效率和人员安全。

2、目前，虽然在消防安全领域已经有一些相关的技术和方法，但是这些方法仍然存在着诸多局限性，比如在消防火灾强度预测方面，缺乏准确的模型和算法来对消防火灾强度进行评估；在动态引导方面，缺乏针对性强、个性化的最快逃生路径规划方法。因此，需要一种新的消防火灾强度预测结合动态引导方法来解决这些问题。

3、本发明提出的消防火灾强度预测结合动态引导方法具有很大的创新性和实用性，对提高消防安全水平具有重要意义。

技术实现思路

1、发明目的：针对现有技术存在的问题，本发明提供了一种消防火灾强度预测结合动态引导方法及系统，通过传感器单元采集多种数据，并利用先进的预测模型和算法来实现消防火灾强度的准确预测，并结合消防火灾强度来得到最快的逃生路径，可以提高火灾事故的应对效率和人员安全，同时引入了消防火灾强度的概念，以更准确评估火灾的危险性。

2、技术方案：本发明提供了一种消防火灾强度预测与动态引导方法，包括如下步骤：

3、步骤1：获取烟雾浓度、火焰的热量速率、火焰高度以及消防火灾强度历史数据，并对其进行预处理；

4、步骤2：构建mpa-kelm预测模型，利用mpa-kelm预测模型对步骤1中数据进行处理，得到消防火灾强度f；

5、步骤3：获取火灾发生位置，根据步骤2得到的消防火灾强度f，依据izoa算法进行策略设计得到最佳的逃生路径。

6、进一步地，所述mpa-kelm预测模型的具体执行过程如下：

7、步骤2.1：获取烟雾浓度、火焰的热量速率、火焰高度以及消防火灾强度历史数据；

8、步骤2.2：根据采集的消防火灾强度相关数据确定kelm的网络拓扑结构，包括输入层x＝[x1,x2,...,xn]、隐含层h(x)、输出层表示为：

9、hj(x)＝g(wi,bi,x)＝g(wi·x+bi)

10、式中g(wi,bi,x)表示具有一定逼近能力的非线性激活函数，wi为权重，bi为偏差值；

11、

12、其中β为权重表示为：

13、β＝ht(i/c+hht)-1y

14、其中i为对角矩阵；c为惩罚；

15、kelm核矩阵定义如下：

16、

17、k(xi,xj)＝exp(-s||xi-xj||2),s＞0

18、其中，ωelm为核矩阵；k(xi,xj)为核函数，s为核函数参数；引入核函数后输出变量函数如下：

19、

20、核函数参数s确定映射到新特征空间的数据分布，影响单一训练样本；惩罚c是相对误差的公差，选择合适的s和c参数值，使预测结果更优；

21、步骤2.3：将采集的烟雾浓度、火焰的热量速率、火焰高度为实时消防火灾强度影响数据，作为测试集输入，记为x1、x2、x3；消防火灾强度历史数据作为训练集模型输入，表示为x4；火灾等级强度f作为输出；

22、步骤2.4：初始化mpa-kelm模型因子，包括待优化参数s和c，假设种群规模为n，在一个d维空间中随机初始化猎物的位置；

23、步骤2.5：计算每个种群的适应度，即待优化参数s和c；

24、步骤2.6：将适应度最优的个体复制成n份作为精英矩阵；

25、步骤2.7：捕食者根据迭代阶段，选择对应的更新方式，更新捕食者位置，更新方式分为三个阶段；

26、第一阶段更新：在迭代初期，当捕食者速度比猎物速度快时，使用勘探策略；

27、第二阶段更新：在迭代中期，当捕食者与猎物速度相同时，猎物基于莱维飞行游走策略负责开发；捕食者基于布朗游走策略负责勘探，并逐渐由勘探策略转向开发策略；

28、第三阶段更新：在迭代终期，当捕食者速度比猎物速度慢时，捕食者基于lévy游走采用开发策略；

29、步骤2.8：解决涡流形成和fads效应，让算法在迭代过程中尽可能跳出局部最优解，已达到更好的寻优精度；

30、步骤2.9：评价每个种群的最优优化参数s和c组值，更新最优位置；

31、步骤2.10：判断是否达到最大迭代次数，如果不是返回步骤2.5，如果是，转至步骤2.11；

32、步骤2.11：更新全局最优的优化参数s和c组值，输入到kelm中，获取最优模型。

33、进一步地，所述步骤3中izoa算法进行策略设计得到最佳的逃生路径的具体过程如下：

34、步骤3.1：初始化参数；初始化种群，随机生成一种斑马种群开始，其中每只斑马代表一个逃生路径值；初始化公式如下：

35、xi,j＝lbj+r·(ubj-lbj)

36、其中，xi,j为斑马个体，lbj为寻优下边界，ubj为寻优上边界，r为[0,1]之间的随机数；

37、步骤3.2：适应度评估：对种群中每只斑马进行适应度函数评估，让每只斑马生成一组逃生路径值，所述适应度函数如下：

38、dfit＝qb·sqrt(a2+1)·(ebk-ebi)·r(f,dbf)

39、其中：dfit表示从出口i到出口k的最快逃生路径的距离；qb表示吸引力；a表示吸引力的参数；ebk和ebi分别表示出口k和出口i之间的距离；r(f,dbf)为衰减函数作为调整，表达式为：

40、r(f,dbf)＝e^(-λ·f)·e^(ρ·dbf)

41、其中，f是消防火灾强度，dbf是逃生路径与火源之间的距离，λ和ρ是正的比例常数，决定了消防火灾强度逃生路线的影响，“衰减”程度随着消防火灾强度增加而增加，而ρ决定了逃生路线与火源距离的影响程度，即距离越远吸引力越大；

42、步骤3.3：开发阶段：模拟斑马对狮子攻击的防御技巧，斑马逃离区域以避免进一步危险，斑马的位置使用数学方程更新；

43、

44、其中，是开发阶段中第i个解的第j个维度的更新值，pzj是被攻击解的状态；r为[0,1]之间的随机数，i为属于集合{1，2}的随机值；

45、步骤3.4：探索阶段：模拟斑马对其他捕食者的防御技巧，斑马聚集在一起建立保护障碍物，以误导和恐吓攻击者，斑马的位置根据适应度函数的改进结果进行更新：

46、

47、其中是探索阶段中第i个解的第j个维度的更新值；ps为两种策略的切换概率，其值为[0,1]之间的随机数，az为被攻击斑马的状态；s1为逃跑策略模式；s2为攻击策略模式；t是迭代次数，t为最大迭代次数；

48、步骤3.5：选择最好的斑马位置，即每组斑马逃生路径值；

49、步骤3.6：判断是否到达最大迭代次数，如果是，转至步骤3.7，反之，返回步骤3.3；

50、步骤3.7:输出最好逃生路径值。

51、进一步地，其主控器izoa算法改进步骤如下：

52、对步骤3.3、步骤3.4引入柯西变异因子,公式如下：

53、

54、其中，为柯西变异后的斑马位置值；cauchy(0,1)为柯西变异函数；ζ＝{1,2}分别表示开发阶段和探索阶段斑马位置值。

55、本发明还公开一种消防消防火灾强度预测结合动态引导系统，包括传感器单元、数据采集器、控制器单元、终端，传感器单元包括烟雾传感器、热量仪、固定式火灾检测仪、位置传感器；控制器单元包括主控器1、主控器2；

56、烟雾传感器、热量仪、固定式火灾检测仪、位置传感器分别安装在墙体上方处，烟雾传感器用于检测烟雾浓度，热量仪用于检测火焰的热量速率、固定式火灾检测仪用于检测火焰高度、位置传感器用于检测火灾发生位置；

57、所述数据采集器收集处理烟雾浓度，火焰的热量速率、火焰高度、火灾发生位置；数据采集器中还储存消防火灾强度历史数据；

58、所述主控器1通过编程接口将mpa-kelm预测模型程序加载到主控器1中的指令存储器，利用mpa-kelm预测模型对数据采集器收集的数据进行处理，得到消防火灾强度f；

59、所述主控器2通过编程接口将izoa算法程序加载到主控器2中的指令存储器；根据火灾发生位置、消防火灾强度，依据izoa算法进行策略设计得到最佳的逃生路径；

60、所述终端显示数据采集器收集处理的动态数据以及消防火灾强度预测结果及最快逃生路径的动态引导；

61、所述主控器1与主控器2分别执行如上述消防火灾强度预测结合动态引导方法的步骤。

62、有益效果：

63、1.本发明提高火灾事故的及时响应能力：通过准确预测消防火灾强度和提供最快逃生路径，可以帮助人员更及时地做出逃生决策，从而减少火灾造成的人员伤亡和财产损失。利用先进的预测模型和算法结合多种数据采集方式，可以为消防部门提供更全面、准确的火灾信息，有助于针对性地进行消防资源调配和应急处置，提升消防安全管理的效率和水平。

64、2.本发明强化火灾逃生引导能力：结合消防火灾强度进行最快逃生路径规划，可以根据火势变化实时更新逃生路径，提高了人员逃生的效率和安全性，有助于降低火灾事故中人员因逃生不及而受伤的风险。

65、3.结合消防火灾强度来制定最快逃生路径规划方案。通过引入柯西变异因子，可以更准确地评估火势变化的风险和危险程度，从而优化最快逃生路径规划，提高人员逃生的效率和安全性。