一种保障仓储安全的消防预警方法及系统与流程

本发明涉及消防预警技术和深度学习，尤其涉及一种保障仓储安全的消防预警方法及系统。

背景技术：

1、仓库是物资集中储存的场所，存放着大量的商品和物资，因此存在各种潜在的火灾隐患。一旦发生火灾，不仅会造成仓库内的物资损失，还可能对周边环境和人员造成严重危害，甚至威胁到人们的生命安全。火灾不仅会给企业带来重大的经济损失，还会影响到企业的声誉和客户关系。此外，火灾还可能对周边环境造成污染，对生态环境造成破坏。因此，加强仓库的消防安全意识和措施，是保障物资安全、员工生命财产安全和生态环境安全的重要举措。传统的火灾监控技术主要采用传感器监测，通常有温感型传感器、光感型传感器与烟感型传感器三种类型，还可以通过图像的方式进行判断。仓库火灾是一种严重的安全事故，可能导致巨大的财产损失和人员伤亡。由于仓库的特殊性，火灾一旦发生，火势很容易迅速蔓延，难以控制。因此，预防仓库火灾的发生至关重要。现有的技术中，为了更好的预防火灾，在仓库的多个位置均设置了传感器，且这些传感器的设置有独特的规则，比如在仓库的分区一内设置了一组传感器，这些传感器可以包括温感型传感器、光感型传感器与烟感型传感器中的一种或多种，然后在仓库的其他分区均这样设置，通常这些传感器之间的信息是关联的。但是，实际上，各个区域之间的传感器并不完全的分开的，比如仓库地点一发生消防预警，则其周围的传感器虽然暂时未检测到异常数据，但实际上其风险系数已经较高了，应当对其进行预警，这样，就能够尽量提前阻止灾势的蔓延。

技术实现思路

1、为了更好地利用传感器之间的关系和历史数据信息，降低火灾的蔓延风险，本发明提供了一种保障仓储安全的消防预警方法及系统。

2、本发明通过下述技术方案实现：

3、一方面，本发明公开一种保障仓储安全的消防预警方法，包括以下步骤：

4、s1：将整个需要消防预警的区域划分为多个一级分区，每个一级分区中包含多个二级分区，在每个二级分区中均设有消防报警传感器，所述消防报警传感器的种类包括一种或多种，将单个二级分区中的所有消防报警传感器视为单个节点，将这些节点定义为图中的节点；

5、s2：根据各二级分区间的消防报警传感器位置信息、一级分区间的位置信息，构建节点之间的相互联系，定义图的邻接矩阵；

6、s3：对消防报警传感器的历史检测信息进行预处理；

7、s4：对消防报警传感器提供的历史检测信息进行分段处理；对分段处理后的数据进行均衡化处理，增强预警数据在整个数据集中的占比；

8、s5：将经过预处理、分段处理后的历史检测信息作为节点特征；基于图神经网络构建消防预警模型，对消防预警模型进行迭代训练，通过邻接矩阵对历史检测信息构建的节点特征进行聚合，实现各个消防报警传感器的节点特征的优化，并在训练过程中实时更新邻接矩阵，实现邻接矩阵基于节点特征的自动更新；

9、s6：利用实时数据和经过训练的消防预警模型，实现消防预警。

10、具体地，所述s1中，若二级分区内的所述消防报警传感器为一种类型，则将传感器视为一个节点，若二级分区内的所述消防报警传感器包括两种及两种以上，则将同一二级分区内这些传感器共同作为一个节点。

11、具体地，所述二级分区之间的关系可以为左右方位的位置关系，也可以为上下方位的位置关系。

12、具体地，若消防报警传感器为一种类型，则将此消防报警传感器的位置作为二级分区内的消防报警传感器的实际位置信息，若是包括两种及两种以上，则将这多种消防报警传感器的位置的中心作为二级分区的消防报警传感器的实际位置信息。

13、进一步地，所述s2中根据各二级分区间的消防报警传感器位置信息、一级分区间的位置信息，构建节点之间的相互联系，定义图的邻接矩阵包括：

14、s21：利用消防报警传感器所处的二级分区间的距离信息、消防报警传感器间的实际距离信息进行局部邻接矩阵的距离计算，其中，二级分区距离通过曼哈顿举例公式进行距离计算，公式为：

15、；

16、其中，表示不同的二级分区，i和j表示不同的二级分区编号，表示任意编号i和编号j二级分区之间的曼哈顿距离；

17、消防报警传感器间的实际距离通过欧式距离公式进行计算，公式为：

18、；

19、其中，表示不同消防报警传感器在相对位置上的x轴坐标，，表示不同消防报警传感器在相对位置上的y轴坐标，，表示不同部署消防报警传感器在相对位置上的z轴坐标，p和q表示不同的消防报警传感器编号，表示编号为i和j的消防报警传感器之间的欧式距离；

20、计算局部邻接矩阵，公式如下：

21、；

22、其中，表示二级分区距离的权重大小，为消防报警传感器间的实际距离的权重大小，softmax为激活函数，为矩阵中第k行第l列元素的距离权重大小；

23、s22：利用一级分区之间的位置信息进行全局邻接矩阵的构建；具体的，利用一级分区之间的欧式距离进行计算，公式为：

24、；

25、其中，表示不同一级分区在相对位置上的x轴坐标，，表示不同一级分区在相对位置上的y轴坐标，和为不同一级分区的编号，表示任意不同一级分区的欧式距离；全局邻接矩阵的权重大小，依赖于一级分区之间的欧式距离计算，其公式为：

26、；

27、其中，和表示全局邻接矩阵中的行号和列号，为全局邻接矩阵中第行和第列的值，softmax表示激活函数；

28、s23：将局部邻接矩阵和全局邻接矩阵进行相加，得到最终的邻接矩阵，此矩阵作为图网络的初始邻接矩阵；

29、进一步地，所述局部邻接矩阵计算过程中，得到中的所有值后，对局部邻接矩阵中的值进行筛选，丢弃不符合要求的值。

30、优选地，所述对消防报警传感器的历史检测信息进行预处理包括：

31、缺失值处理，通过移动平均法对历史数据中的缺失值进行填补，

32、；

33、是在时间t的简单移动平均，是在时间t的简单移动平均，是过去n个时间点的观测值，n是选择的时间段或窗口大小；

34、异常值处理，使用滑动窗口计算局部统计量，根据局部均值和局部标准差，将与统计量相差较大的单个数据点标记为异常值进行删除；

35、标准化处理，将数据转换为标准正态分布，对于每个特征，计算其平均值和标准差，然后应用以下公式：

36、；

37、其中，表示第i个特征维度的历史数据，和表示第i个特征维度的历史数据的均值和标准差。

38、具体地，所述s4中，对消防报警传感器提供的历史检测信息进行分段处理，对分段处理后的数据进行均衡化处理，增强预警数据在整个数据集中的占比包括：

39、s41：对于消防报警传感器提供的历史信息窗口化，每个窗口对应一个时间段内的时序数据；如烟雾信息、温度信息、火焰信息的窗口化，然后生成一系列窗口；

40、s42：统计每个窗口对应时间段内时序数据每个类别的样本数量；

41、s43：对于样本数量较少的类别，在窗口化后的数据集中，对样本数量较少的类别进行过采样，对样本数量较多的类别进行欠采样。

42、具体地，所述s5中，利用图神经网络对构建的消防报警传感器图网络进行训练，聚合图上节点信息，优化图上表征，进一步更新图上节点表征更新邻接矩阵包括：

43、s51：将每个窗口内的节点特征和计算得到的邻接矩阵作为gcn模型的输入，进行初始的gcn模型的特征矩阵更新，得到gcn模型第一层输出的节点特征；

44、s52：通过更新的节点特征计算节点之间的相似性，得到节点之间的权重信息；

45、s53：在邻接矩阵的基础上添加权重信息实现邻接矩阵的更新；

46、s54：利用更新后的节点特征和邻接矩阵进行gcn模型第二层的特征聚集和更新，拼接gcn模型第一层的输出特征作为特征输出；

47、s56：在模型的分类输出层进行相关节点的预警预测，计算loss，更新模型。

48、另一方面，本发明公开一种保障仓储安全的消防预警系统，所述系统采用了上述的保障仓储安全的消防预警方法。

49、采用上述技术方案，本发明包括以下优点：

50、1、综合多源信息进行节点特征构建； 将各个二级分区内部的消防报警传感器视为单个节点，并利用其检测信息作为自身节点特征，消防报警传感器综合利用多源信息，包括烟雾信息、温度信息和火焰信息等，这样的节点特征构建方式使得模型能够更全面地考虑不同类型的传感器信息，提高了预测的准确性。

51、2、结合二级分区之间、一级分区之间以及实际消防报警传感器之间的位置信息构建邻接矩阵，有助于捕捉空间关系，提高了图神经网络在实际场景中的表达能力，这种综合考虑节点位置的方式有助于更准确地反映消防报警传感器之间的关联性，增强了模型的鲁棒性。

52、3、时间序列分段处理和均衡化； 利用历史多元传感信息按照时间段进行分段处理，并对分段数据进行均衡化处理，有助于模型更好地理解和利用不同时间段内的数据特征，这样的时间序列处理方式能够提高模型对时序变化的适应性，增强了对消防预警场景的建模能力。

53、4、动态邻接矩阵更新优化； 采用动态更新邻接矩阵的方法，通过结合历史信息的预警和正常信息与其他消防报警传感器进行传递，对邻接矩阵进行实时的优化，这种动态更新策略使得模型能够更好地适应实际场景中节点之间关系的变化，提高了系统的实时性和鲁棒性。

54、5、关联设施预测提升准确性；本发明通过整合具有相关性的消防报警传感器，得到相关设施的预测。这种关联设施的预测方式使得模型能够更好地理解和利用消防系统内部设施之间的潜在关联关系，从而提高了预测的准确性和可解释性，这对于及时发现潜在的火灾风险和提前采取预防措施具有重要意义。