通过应用统计推断模型来提供误报警的早期预测和预报的系统和方法与流程

本申请涉及安全系统，并且更具体地涉及安全系统中概率事件发生的监控和早期预测、预报。

背景技术：

保护安全区域内的人和财产的系统是已知的。此类系统通常基于检测区域内的威胁的一个或多个传感器的使用。

对人和财产的威胁可以源自任何数目的不同的源。例如，火灾可以杀死或伤害已经变得被火灾困在家中的居住者。类似地，来自火灾的一氧化碳可以杀死在其睡眠中的人们。

替代地，未授权的入侵者(例如盗贼)可能对区域内的财产呈现威胁。还已知入侵者伤害或杀死居住在区域内的人们。

在入侵者的情况下，传感器可以沿着周边被使用并且在人们在家时被使用。其它传感器可以被放置于内部之内，并且在人们不在家时被使用。

在大多数情况下，威胁检测器被连接到本地控制面板。如果经由传感器中的一个检测到威胁，则控制面板可以发出本地听得见的报警。控制面板还可以发送信号到中央监控站。

虽然传统的安全系统工作得很好，但是他们可能退化并且在某时间段之后出故障。这可能对家庭或建筑物所有者和建筑物的居住者呈现另外的威胁。因此，存在对此类情况进行监控的更好方法和装置的需要。

附图说明

图1示出了根据本文的安全系统的框图；

图2示出了使用图1的系统的过程的误报警的贝叶斯图；

图3描述了系统误报警的概率；以及

图4描述了按区域描述的误报警的概率。

具体实施方式

虽然公开的实施例可以采用许多不同的形式，但是在图中示出其特定实施例并且将在本文中对其进行详细描述，其中应理解的是本公开被视为其原理的举例说明以及实施其的最佳模式，并且并不旨在将本申请或权利要求限制到所示的特定实施例。

图1是根据所示实施例一般性地示出的安全系统10的框图。包括在系统内的是多个传感器12，14，其检测安全地理区域16内的威胁。

传感器可以检测多个不同类型的威胁中的任何威胁。例如，传感器中的至少一些可以是环境传感器(例如，烟雾、火灾、一氧化碳等)。

传感器中的其它的可以是入侵传感器。例如，传感器中的一些可以是放置在门和窗上的开关，所述门和窗提供到安全区域中的入口和从安全区域的出口。传感器中的其它的可以是被放置在安全区域的内部之内的被动红外(PIR)传感器，以检测已经能够避开沿着安全区域的周边放置的传感器的入侵者。还有的其它传感器可以是具有检测入侵者运动的能力的闭路电视(CCTV)摄像机。

传感器可以由控制面板18来监控。控制面板可以位于安全区域内(如图1中所示)或者被远程地定位。

在由传感器中的一个的控制面板的激活的检测时，控制面板可以发送报警消息到中央监控站20。中央监控站可以通过召唤(summon)适当的帮助(例如，警察局、救护车、消防部门等)来进行响应。

安全系统可以经由用户接口36来被控制。在这个方面，授权的人类用户可以输入个人识别(PIN)号码和功能键(或者仅功能键)来装备(arm)安全系统。类似地，用户可以输入PIN和解除装备(disarm)键来对安全系统解除装备。

安全系统内还包括的是云应用和监控系统22。云监控系统操作用于经由互联网24监控安全系统内传感器中每个的状态。

位于云系统内，控制面板和传感器中的每个可以是提供本文所述功能的控制电路。控制电路可以包括多个处理器装置(处理器)26，28，每个在从非临时性计算机可读介质(存储器)34加载的一个或多个计算机程序30，32的控制下进行操作。如本文所使用的，对由计算机程序执行的步骤的参照也是对执行那个步骤的处理器的参照。

例如，状态处理器可以监控用于控制指令的用户接口。在接收到装备离开指令时，状态处理器采取(assume)装备状态。在接收到解除装备指令时，状态处理器采取解除装备状态。

类似地，报警处理器通过监控传感器来对输入装备状态的状态处理器进行响应。在检测到传感器中的一个的激活时，报警处理器可以构成用于传输到中央监控站的报警消息。报警消息可以包括安全系统的标识符(例如，账号、地址等)、任何激活传感器的标识符、传感器类型的标识符、安全区域内传感器的位置和时间。

还在安全系统内操作的是周期性地(例如，每分钟一次、每小时一次、每天一次等)将状态信息从传感器报告到云系统的一个或多个报告处理器。(多个)报告处理器可以位于传感器中的每个和/或控制面板内，并且可以报告与传感器相关联的多个不同因素中的任何因素。例如，每当传感器被激活时，报告处理器可以发送报告到云系统。此外，报告处理器可以通过检测保护传感器的盖的去除来内部地监控和报告在传感器上执行的维护活动。报告处理器还可以执行传感器的自检(self-check)并且将结果报告到云应用。

例如，在烟雾传感器的情况下，报告应用可以测量来自烟雾传感器内的检测器元件的瞬时值，并且发送该值到云应用。还可以将多个相关联的值报告到云应用。相关联的值可以包括由传感器用来检测或不检测烟雾的阈值。另一个值可以是由检测器元件当其首次被安装时以及此后定期提供的值。其它相关联的值可以包括安装日期或最后维护日期(如果此类值被保存在内部存储器中的话)。

对于一氧化碳和入侵传感器，可以报告状态、检测器元件和相关值的类似集合。在PIR检测器的情况下，检测器元件值可以是一对红外(IR)检测器的单个输出。

除了状态、检测器元件和相关值之外，报告处理器还报告传感器和传感器在其之内进行操作的安全系统的标识符。还可以报告每个传感器的地理位置以便确定传感器位于其之内的区域。

在云应用内，状态检测器元件和相关值每个被存储在云数据库中的传感器的相应文件42，44内。所述文件继而被多个相应应用取回并用来预测误报警、故障和其它未预料的事件。例如，相应应用中的一个可以包括健康预测系统，其使用从每个系统收集的参数来预测系统的健康。健康预测系统可以将从每个检测元件收集的值与一个或多个阈值进行比较，以将传感器分类为好或坏(即，起作用或不起作用)。替代地，健康预测系统可以使用来自自检处理器(self-check processor)的值来确定传感器的可操作性。一旦每个传感器的可操作性被确定，则健康预测系统可以生成关于系统的整体健康的报告，并且发送所述报告到系统的一个或多个人类用户。所述报告可以包括每个类型传感器的数目、每个类型的好的传感器的数目以及每个类型的坏的传感器的数目的列表。所述报告还可以包括在安全区域内每一地理区域的好的(即，有效工作的)传感器和坏的(即，未有效工作的)传感器的数目。

应用中的另一个可以是传感器误报警预测系统。此系统可以取回最近测量的检测器元件值，并且然后与先前测量的值进行比较。在这个情况下，系统的处理器可以比较最近的测量值与先前值以检测自发变化，并且确定所述值随时间的变化率。在每个情况下，瞬时值、自发变化和随时间的变化被用来确定在某个时间段内失灵或故障的概率(例如，次日、下星期、下月等)。

根据一个所示实施例，将瞬时变化和随时间的变化与和传感器性能及故障模式相关联的值的库(library)进行比较，以确定所考虑传感器的故障的概率。一旦每个传感器的预测故障被确定，则系统的整体故障概率被生成并被发送到授权的人类用户。所述报告可以提供系统的整体预测故障率，并且还有在安全区域内每一地理区域的好的和坏的传感器的数目。

应用中的另一个可以包括区域误报警预测系统。在这个情况下，处理器可以使用预测故障值来确定具有最高相对故障概率的一个或多个地理区域。处理器可以基于某个时间段内的故障概率来群集这些区域。此信息可以被用来生成二维或三维平面图(地图)，从而确定具有最高故障概率的区域。所述平面图被发送到授权用户。

应用中的另一个可以包括报告系统，其将数据报告给每个授权用户。此系统生成图形、概率、预测、可能误报警报告，包括来自健康预测系统、传感器误报警预测系统和区域误报警预测系统的信息。

应用中的又一个可以包括环境危险区域检测系统。此系统可以包括处理器，其取回来自每个传感器的CO检测水平、传感器的检测状态和每个传感器的维护记录。处理器执行程序，所述程序提供安全区域的地点或建筑物的每个区域的统计推断模型并且基于地点或建筑物中的CO浓度将区域群集到危险区域中。所述程序生成如上报告，从而在二维或三维图上显示数据。

应用中的另一个是电池预测系统。所述电池预测系统为每个无线传感器取回电池状态。处理器可以接收来自用户接口的时间段。在网状网络的情况下，处理器还可以确定每个传感器的父子状态以及在那个操作模式下每个传感器的操作时间。基于此信息，处理器预测每个传感器的电池寿命。

误报警已经是火灾报警行业中的主要问题。误报警中的大多数因为多个不同的原因而发生。报警中的一些由于用户没有对其进行控制的外部环境而发生。例如，如果在火灾检测器的室中存在持续和缓慢积累的灰尘，则将在X天中到达阈值，那里将在建筑物中存在误报警。

另一方面，如果可能让用户知道由于设备中积累的灰尘而可能存在误报警或设备可能不按照预期来工作，则其可以被用来以多个不同的方式来帮助建筑物所有者、建筑物管理系统团队、其他利益相关者(stakeholder)。例如，如果存在让用户知道设备中的至少一些将在X天中生成误报警的机构，则可以执行有效的维护操作以避免误报警。

替代地，如果在区域中不同设备的灵敏度之间存在太多的变化，则这些变化引起关于系统的可靠性的问题。情况如此是因为一些设备可能快速地触发报警，而其它的可能花费更多的时间。

图1的系统以多个不同的方式解决了这些问题。第一，将火灾系统的每个传感器连接到云中的监控系统。第二，每当在其参数中的任何参数中存在变化时，所有设备发送它们的参数到云(或)安全系统的门户网站不断地在特定的时间间隔上从设备获得(pull)数据并且将其推送到云。

第三，所述云提供并连续地执行多个智能算法(程序)以跟踪和预测传感器中的任何变化，并且使用其智能、数据挖掘和统计分析能力来预测误报警发生的概率。当传感器的环境保持恒定并且设备参数中的变化率遵循一致的模式时，算法使用线性回归分析来外推并提供或以其它方式提出在数目X天中误报警的概率。例如，假定在设备中的灰尘百分比遮蔽在X天的时间段内以恒定的间隔增加。在这个情况下，将存在在将来的Y天中误报警的概率。这里，概率将随着灰尘积累而更高。替代地，当在设备行为(behavior)中存在随机变化时，则统计非线性回归分析过程可以使用最小二乘法来基于贝叶斯预测理论来找到故障概率的最佳拟合线。在这个情况下，不同的参数提供设备将来给出误报警的不同概率。

第四，可以将预测误报警连同其位置以期望的格式发送到任何或所有利益相关者。这些报告可以由任何或所有利益相关者从任何地方获得。第五，维护活动可以被集中在这些区域上以减少维护的成本/努力/时间。

这些概念可以使用烟雾报警的示例来被展示。例如，为了以预测成功的好的概率来确定或预测误烟雾报警，可以使用统计推断方法或程序。可以使用统计方法，因为一定时段内观测的参数(预测器)值可能是非线性的(即，其表示非线性动态系统)并且并未在确定性意义上完美地预测误报警。

线性回归是一种用于预测变量未来值的挖掘方法/技术。自变量(其可以是烟雾水平)和因变量(月或日)之间的关系可以由关系y＝a+bn来描述，其中y是因变量，n是自变量，并且a和b是线系数(line coefficient)。

最小二乘法可以被用来找到最佳拟合回归线(最小平方回归线)。对于y＝a+bn，残差，其中并且

执行线性回归的一个方法是使用贝叶斯回归方法。在这种情况下，可以将先验信息(来自传感器的参数)与其它先验信息(例如，来自制造商)组合以形成如图2所示的用于进一步传感器分析的误报警概率的分布。在这种情况下，用户可以通过遵循图2的最佳拟合线来确定到适当时间段的推断。在这种情况下，图2的数据被用户用来确定在任何特定时间发生的事件(误报警)的可能性或者可以给予用户在通过回归分析找到的特定时间段中发生事件的概率。

图3和4是基于回归分析的用户的来自报告处理器的预测误报警的示例。在这个情况下，图3描绘了20个设备的整体分析。图4进一步描绘了按区域的分析。

图1的系统提供了相比于现有技术系统的多个优点。例如，如果终端用户知道他/她的烟雾检测器是不可靠的或将不工作，则可在故障之前采取有效的行动。如果终端用户知道今天存在一个或多个误报警的高概率，则可以采取清洗行动来避免或减少误报警，而不中断业务操作。这可以减少操作的停机时间(down time)。在维护期间，终端用户可以集中在可能给出误报警的设备而不是所有设备上。可以减少维护成本。图1的系统显著地改善了操作中设备的可靠性。该系统还解决了区域中设备的灵敏度之间变化过大的问题，其中一些设备可以快速地触发报警并且一些将花费更多的时间。

图1的系统还提供群集误报警区域的方法。群集允许维护团队找到群集的根本原因并且修复该根本原因。例如，这些群集中的环境有时可能引起误报警，并且因此可以采取行动来控制导致误报警的环境原因。

系统提供了群集预测误报警区域，比较不同设备的灵敏度之间的变化，并且将他们群集到用于有效维护的区域中的方法。其为有效的维护操作提供制备图形概率预测可能误报警报告的方法。其通过在维护期间仅集中在不是所有区域/设备的区域/设备中的可能误报警上来提供减少维护操作的成本的方法。

总体上，图1的系统包括云系统，其被具体实施为在处理器上执行的一组步骤，所述云系统被耦合到具有多个传感器的安全系统，所述传感器检测安全区域内的威胁，所述云系统连续地从多个传感器中的每个环境传感器收集操作参数作为数据，将此数据的历史保持在云数据库中，并且通过多个处理应用来提供对此数据的访问，所述处理应用进一步包括：(1)预测建模系统，其具有(a)健康预测系统，其将每个传感器的收集参数的值与一个或多个阈值进行比较以将传感器分类成好或坏的两个种类中的一个，并且基于每个的数目来确定安全系统的整体健康，(b)传感器误报警预测系统，其预测建筑物中的误报警，所述系统挖掘设备数据，所述设备数据包括参数从原始值的变化、参数变化率和参数中的自发变化，并且基于时间段来预测误报警的概率，(c)区域误报警预测系统，其基于所收集的数据来群集安全系统的区域，基于时间段来预测每一群集区域误报警的概率，并且在二维或三维平面图上将他们的位置发送到授权的人，以及(d)报告系统，其生成图形、概率、预测可能误报警报告，包括来自健康预测系统、传感器误报警预测系统和区域误报警预测系统的信息，并且将所生成的报告发送到人类用户，(2)安全区域的地点或建筑物的环境危险区域系统，其从多个传感器的每个CO传感器挖掘一氧化碳(CO)数据参数，其包括CO浓度、传感器的CO检测状态和在时间段内CO传感器的最后维护日期中的一个或多个，运行地点或建筑物的每个区域的统计推断模型并且基于地点或建筑物中的CO的浓度将区域群集到危险区域中，以及(3)电池预测系统，其挖掘时间段内多个传感器的每个无线传感器的电池状态连同网络状态(至少包括网状网络中的父节点或子节点的状态)，以预测传感器的电池寿命。

替代地，图1的系统包括安全系统，其保护安全地理区域；多个传感器，其检测安全区域内的环境威胁；云存储器，其保存来自多个传感器中的每个的操作参数和激活报告；以及云处理器，其分析所述操作参数和激活报告并且基于所述多个传感器中的每个的激活报告和操作参数的随机变化和变化率来生成在X天内误报警的概率报告，并且将概率报告发送到安全系统的人类用户。

替代地，图1的系统包括安全系统，其保护安全地理区域；多个传感器，其检测安全区域内的环境威胁；以及云系统，其被具体实施为在处理器上执行的一组步骤，所述云系统被耦合到安全系统，所述云系统从多个传感器中的每个环境传感器收集操作参数作为数据，将此数据的历史保持在云数据库中，并且通过多个处理应用来提供对此数据的访问，所述处理应用分析所述操作参数和激活报告并且基于多个传感器的每个的激活报告和操作参数的随机变化和变化率来生成在X天内误报警的概率报告，并且发送所述概率报告到安全系统的人类用户。

根据前述内容，将观察到的是，可以在不偏离本文精神和范围的情况下实现许多变化和修改。应理解的是，并不旨在或应推断关于本文所示具体装置的限制。当然，本文旨在由所附权利要求覆盖落入权利要求的范围内的所有此类修改。此外，在图中描绘的逻辑流不要求所示的特定顺序或相继顺序来实现期望的结果。可以提供其它步骤，或者可以从所述流中删除步骤，并且可以将其它部件添加到所述实施例，或者从所述实施例中去除其它部件。