本發(fā)明涉及人工智能，具體是多通道氣體分析的消防設施火災早期預警系統(tǒng)。

背景技術：

1、隨著城市化進程的加速，建筑物的規(guī)模和復雜性不斷增加，尤其是在醫(yī)院、商場、辦公樓等人員密集的場所，火災風險顯著上升。為了降低火災帶來的人員和財產損失，現(xiàn)代建筑通常配備了多種消防設備和監(jiān)控系統(tǒng)，如煙感報警器、溫感報警器、手動報警按鈕以及自動滅火系統(tǒng)。這些設備雖然能夠在一定程度上提供火災預警和滅火支持，但在實際應用中仍然存在許多不足。

2、現(xiàn)有消防預警系統(tǒng)通常依賴單一或少數(shù)幾種數(shù)據(jù)源，難以對多源數(shù)據(jù)進行有效整合，導致火災檢測的準確性和可靠性不足。由于缺乏多通道數(shù)據(jù)分析和智能化的火災預警算法，現(xiàn)有系統(tǒng)往往存在預警滯后或誤報頻繁的問題。滯后的預警會使火災蔓延，難以及時控制，而誤報則會引發(fā)不必要的恐慌和資源浪費。當前的自動滅火和排煙系統(tǒng)往往依賴預先設定的固定參數(shù)，在火災發(fā)展過程中，無法根據(jù)實時數(shù)據(jù)動態(tài)調整滅火和排煙策略，導致滅火效果不理想，甚至加劇火災危害?，F(xiàn)有的疏散指引系統(tǒng)多為固定路線，無法根據(jù)火災的實際情況實時生成最佳的疏散路線。對于復雜建筑結構或火災迅速蔓延的場景，固定的疏散路徑可能會引發(fā)二次傷害。

技術實現(xiàn)思路

1、本發(fā)明的目的在于提供多通道氣體分析的消防設施火災早期預警系統(tǒng)，以解決現(xiàn)有技術中提出的的問題。

2、為實現(xiàn)上述目的，本發(fā)明提供如下技術方案：

3、多通道氣體分析的消防設施火災早期預警系統(tǒng)，所述系統(tǒng)包括：

4、消防設備管理模塊：包括：定位單元、數(shù)據(jù)采集單元和設備狀態(tài)分析單元；其中，定位單元利用建筑物的平面圖和三維模型定位建筑物內部相應樓層和相應設備，數(shù)據(jù)采集單元負責獲取消防設備信息，包括總設備數(shù)、設備運行率、離線率和故障率，獲取醫(yī)院火災記錄和設備報警記錄，設備狀態(tài)分析單元負責結合消防設備信息使用決策樹算法分析設備狀態(tài)；

5、火災預警模塊：包括：數(shù)據(jù)監(jiān)控單元、數(shù)據(jù)整合單元和預警級別生成單元；數(shù)據(jù)監(jiān)控單元負責實時監(jiān)控建筑物內部的設備狀態(tài)數(shù)據(jù)、煙感報警數(shù)據(jù)、溫感報警數(shù)據(jù)和手動報警數(shù)據(jù)，數(shù)據(jù)整合單元負責統(tǒng)一時間軸，將不同來源的數(shù)據(jù)同步到同一時間線，通過加權融合將數(shù)據(jù)進行整合形成火災預警數(shù)據(jù)，預警級別生成單元負責訓練長短期記憶網(wǎng)絡模型，分析火災預警數(shù)據(jù)，生成火災預警級別，在建筑物的三維模型中進行定位；

6、多通道氣體分析模塊：包括：數(shù)據(jù)預處理單元、火災程度評估單元、火災蔓延速度計算單元和誤報識別單元；數(shù)據(jù)預處理單元負責獲取火災預警級別和三維模型中的火災預警位置數(shù)據(jù)，通過預警位置部署的多通道氣體傳感器采集火災預警位置區(qū)域的實時氣體成分數(shù)據(jù)，對采集到的氣體數(shù)據(jù)進行預處理，火災程度評估單元使用歷史火災數(shù)據(jù)和誤報數(shù)據(jù)訓練卷積神經網(wǎng)絡結合長短期記憶網(wǎng)絡的火災程度評估模型，對新采集的數(shù)據(jù)進行預測，判斷當前環(huán)境下是否存在火災，評估火災的嚴重程度，火災蔓延速度計算單元根據(jù)火災預警數(shù)據(jù)、火災的嚴重程度、采集到的氣體數(shù)據(jù)和建筑物的三維模型，使用多元回歸算法構建火災蔓延模型，生成火災的蔓延速度，誤報識別單元負責基于火災程度評估模型的輸出，識別誤報，調整預警級別；

7、預警處理模塊：包括：報警觸發(fā)單元、消防設備聯(lián)動單元、疏散引導單元和疏散監(jiān)控單元；報警觸發(fā)單元根據(jù)確認后的預警級別，觸發(fā)相應的報警機制，如果預警級別達到中級或高級，消防設備聯(lián)動單元將自動聯(lián)動消防設備，根據(jù)火災預警位置和火災的嚴重程度，觸發(fā)相應區(qū)域的自動滅火系統(tǒng)，調整建筑物內的通風和排煙系統(tǒng)，疏散引導單元在高級預警情況下，生成疏散指令，通過建筑內的公共廣播系統(tǒng)進行人員疏散引導，疏散監(jiān)控單元通過監(jiān)控攝像頭和傳感器，實時跟蹤疏散進度。

8、在所述消防設備管理模塊中，在平面圖上標注每個消防設備的初始位置，使用唯一的設備id進行標記，設備位置通過現(xiàn)場測量進行確定，確保每個設備的標注與對應的實際物理位置相符；根據(jù)平面圖中的布局，對建筑物內部進行區(qū)域劃分，每個區(qū)域對應一定數(shù)量的消防設備，消防設備與區(qū)域信息進行關聯(lián)；

9、將平面圖中的設備標注映射到三維模型中，通過將平面圖的二維坐標與三維模型的z軸坐標結合，確定設備的空間位置，對于需要特殊安裝位置的設備，在三維模型中標明具體的安裝高度和角度；確保平面圖與三維模型中的設備位置數(shù)據(jù)一致，如果在平面圖中對設備位置進行了更新，將同步更新到三維模型中，如果在三維模型中對設備位置進行了更新，將同步更新到平面圖中；定期對建筑物內部設備的位置進行校準，使用定位誤差校正算法卡爾曼濾波，對采集的數(shù)據(jù)進行精度優(yōu)化，減少設備實際位置與平面圖和三維模型中位置之間的偏差。

10、在所述消防設備管理模塊中，從采集到的消防設備信息中提取出相關的特征，將作為決策樹算法的輸入，對設備狀態(tài)進行分類，每一個設備狀態(tài)對應特定的特征組合，將作為決策樹的輸出；

11、使用已收集的設備狀態(tài)和歷史數(shù)據(jù)作為訓練集，輸入到決策樹算法中；決策樹通過遞歸地選擇最能區(qū)分設備狀態(tài)的特征，逐步構建一個樹狀結構，每一個分支節(jié)點代表一個特征的選擇，葉子節(jié)點代表設備狀態(tài)的最終預測結果；決策樹根據(jù)設備的離線率進行分類，如果離線率超過一定閾值，設備將被標記為“離線”；如果未超過，再根據(jù)運行率進行分類，確定設備處于“正常”狀態(tài)還是“故障預警”狀態(tài)；系統(tǒng)持續(xù)監(jiān)控并更新每個消防設備的狀態(tài)信息，新的數(shù)據(jù)將實時輸入到訓練好的決策樹模型中，對設備的當前狀態(tài)進行實時分析；

12、決策樹根據(jù)輸入的特征值，沿著樹結構從根節(jié)點到葉子節(jié)點進行決策，最終輸出設備的狀態(tài)預測結果。

13、在所述火災預警模塊中，通過數(shù)據(jù)整合單元得到火災預警數(shù)據(jù)，組成火災預警向量，其中，到表示第1類火災預警數(shù)據(jù)到第n類火災預警數(shù)據(jù)在時間t的值，n是火災預警數(shù)據(jù)中的數(shù)據(jù)類別數(shù)量；

14、長短期記憶網(wǎng)絡模型通過輸入門、遺忘門和輸出門控制火災預警數(shù)據(jù)的流動，遺忘門的公式如下：

15、

16、其中，是遺忘門的權重矩陣，是遺忘門的偏置項，是激活函數(shù)，為sigmoid?函數(shù)，是前一時刻的隱藏狀態(tài)；

17、輸入門和長短期記憶網(wǎng)絡模型中的候選記憶單元狀態(tài)的公式如下：

18、

19、

20、其中，和分別是輸入門和候選記憶單元狀態(tài)的權重矩陣，和分別是輸入門和候選記憶單元狀態(tài)的偏置項；

21、更新記憶單元狀態(tài)，公式如下：

22、

23、其中，是當前時刻的記憶單元狀態(tài)，是前一時刻的記憶單元狀態(tài)；

24、輸出門和隱藏狀態(tài)的公式如下：

25、

26、

27、其中，是輸出門的權重矩陣，是輸出門的偏置；

28、使用歷史火災數(shù)據(jù)和誤報數(shù)據(jù)訓練長短期記憶網(wǎng)絡模型，目標是通過輸入火災預警向量預測未來的火災風險級別，定義損失函數(shù)l：

29、

30、其中，是模型預測的火災預警級別，是真實的預警級別，t是時間步的總數(shù)；使用反向傳播和梯度下降算法最小化損失函數(shù)，調整長短期記憶網(wǎng)絡模型的參數(shù)；

31、經過訓練的長短期記憶網(wǎng)絡模型在實際應用中能夠根據(jù)實時輸入的數(shù)據(jù)流預測火災預警級別，模型的輸出是一個實數(shù)值，表示火災的風險評分；根據(jù)評分設置閾值，劃分出不同的預警級別，包括低、中和高三個級別。

32、在所述火災預警模塊中，在生成火災預警級別后，結合建筑物的三維模型，將預警信號定位到具體的位置上；建筑物被分為若干個監(jiān)測區(qū)域，每個區(qū)域都有對應的傳感器數(shù)據(jù)，其中，j表示第幾個區(qū)域，長短期記憶網(wǎng)絡模型將為每個區(qū)域生成一個預警級別；

33、在建筑物的三維模型中，依據(jù)傳感器的物理位置和對應區(qū)域，將生成的預警級別映射到三維空間中的具體位置；通過三維模型的可視化系統(tǒng)，查看火災預警信號的位置和風險級別。

34、在所述多通道氣體分析模塊中，數(shù)據(jù)預處理單元從部署在火災預警位置區(qū)域的多通道氣體傳感器獲取實時氣體成分數(shù)據(jù)，每個傳感器實時檢測不同類型的氣體，以時間序列的形式輸入，表示為，其中，到表示第1種氣體到第m種氣體在時間t的濃度值，m為氣體種類數(shù)；使用卡爾曼濾波對進行平滑處理，以減少噪聲的影響；使用低通濾波器消除高頻噪聲，保留低頻的有效信號部分；采用z-score標準化將不同氣體的數(shù)據(jù)歸一化至相同的尺度；通過插值方法將所有傳感器的數(shù)據(jù)同步到一個統(tǒng)一的時間軸上。

35、在所述多通道氣體分析模塊中，針對卷積神經網(wǎng)絡部分，輸入層接收從多通道氣體傳感器采集到的實時氣體成分數(shù)據(jù)，輸入數(shù)據(jù)是一個多維矩陣，每個維度代表一個氣體傳感器，矩陣中的每個元素代表不同時間點對應氣體的濃度值；卷積層通過若干個濾波器對輸入數(shù)據(jù)進行操作，每個濾波器都是一個矩陣，比輸入數(shù)據(jù)的維度小；在濾波器滑動的過程中，對輸入矩陣的局部區(qū)域執(zhí)行卷積操作，計算局部數(shù)據(jù)的加權和，并生成一個新的特征圖，卷積操作將提取出氣體濃度之間的關系；

36、卷積層的輸出通過激活函數(shù)relu進行非線性變換，池化層用于降低卷積層輸出的維度，并聚合局部特征，從而減少數(shù)據(jù)量并增強模型的魯棒性；卷積神經網(wǎng)絡包含若干個卷積層和池化層的組合，逐層提取數(shù)據(jù)的高級特征，前若干層專注于捕捉氣體濃度的局部變化，后若干層負責識別局部變化如何組合形成更復雜的火災信號；連接到若干個全連接層，將提取的高級特征聚合，生成一個高維的特征向量，用于反映火災的整體趨勢和特征；最終的輸出層將高維特征向量映射為一個火災風險評分。

37、在所述多通道氣體分析模塊中，針對長短期記憶網(wǎng)絡部分，輸入層接收的數(shù)據(jù)是經過火災預警模塊的數(shù)據(jù)整合單元處理后的火災預警數(shù)據(jù)；當設備狀態(tài)出現(xiàn)異常變化時，輸入門將異常信息寫入記憶單元，如果某一時刻的煙感報警恢復正常，遺忘門將減少對之前報警的記憶強度；如果若干個傳感器同時發(fā)出異常信號，輸出門將綜合所述異常信號，輸出一個綜合火災預警信號；

38、在每個時間步會根據(jù)當前輸入和前一狀態(tài)，更新記憶單元中的信息，并生成當前的輸出；長短期記憶網(wǎng)絡將堆疊若干個層，每一層的輸出作為下一層的輸入，逐層提取更高級別的時間序列特征；通過全連接層進行聚合，生成一個火災預警指標；輸出層將火災預警指標映射為一個火災預警級別，用于表示火災嚴重程度；

39、獲取火災預警向量、火災嚴重程度、氣體數(shù)據(jù)和建筑物三維模型，其中，是空間坐標；從中提取建筑物結構特征、建筑物內部物品布局、建筑物內部熱傳導路徑和建筑物空間連通性，對特征進行量化；在結構特征量化中，房間面積按面積分配評分，面積越大得分越高，樓層高度根據(jù)高度設定評分規(guī)則，越高得分越高，墻體厚度按墻體厚度和材料的防火性能評分，記錄門窗的數(shù)量，影響火災的蔓延速度；在物品布局量化中，根據(jù)房間用途類別設置評分，易燃物品存放情況影響得分；在熱傳導路徑量化中，根據(jù)材料的熱導率設定評分，導熱性材料影響抗火災能力，通風系統(tǒng)得分越高，建筑物內煙霧擴散越低；在空間連通性量化中，開放區(qū)域越多得分越低，有效的隔斷能夠提升得分；為每種特征設定權重，反映其對火災蔓延的影響程度；將各項特征的評分乘以對應的權重，進行求和，得到建筑物的抗火災蔓延指數(shù)u；

40、使用回歸模型，設火災蔓延速度為，數(shù)學表達如下：

41、

42、其中，是模型的截距項，分別是建筑物的抗火災蔓延指數(shù)、火災預警向量、火災嚴重程度和氣體數(shù)據(jù)的回歸系數(shù)，表示各特征對火災蔓延速度的影響，是誤差項；

43、使用歷史數(shù)據(jù)對回歸模型進行訓練，將實際的火災蔓延速度作為目標變量，訓練數(shù)據(jù)集中包含和的值，使用最小二乘法確定相應的回歸系數(shù)，使用交叉驗證驗證模型的性能；在實際應用中輸入相應的參數(shù)，生成火災的蔓延速度。

44、在所述多通道氣體分析模塊中，火災程度評估模型輸出一個火災嚴重程度評分和火災發(fā)生的概率，將作為誤報識別單元的輸入；其中，，其中1表示火災極為嚴重，0表示無火災，，其中1表示火災發(fā)生，0表示無火災；設定火災嚴重程度閾值和火災發(fā)生概率閾值，如果且，則認為可能存在誤報；誤報識別單元利用其他傳感器數(shù)據(jù)進行加權融合，計算一個誤報識別綜合指標k用于輔助誤報識別，如果k小于誤報識別綜合指標閾值，且且，則認為存在誤報，調整預警級別。

45、在所述預警處理模塊中，系統(tǒng)監(jiān)控預警級別，當級別達到預設的中級或高級時，觸發(fā)警報，根據(jù)預警級別和火災位置，優(yōu)先通知關鍵區(qū)域的人員，消防設備聯(lián)動單元將啟動自動滅火系統(tǒng)，根據(jù)火災的嚴重程度和位置，動態(tài)調整建筑物內的通風和排煙系統(tǒng)；

46、根據(jù)火災的位置、嚴重程度及建筑結構，生成最佳的疏散路線和指令，通過建筑物內的公共廣播系統(tǒng)傳達疏散指令，配合疏散指令，激活建筑物內的緊急指示燈和逃生標識；

47、在生成最佳的疏散路線和指令過程時，標記火災區(qū)域和影響范圍，識別并避開建筑內的障礙物，應用dijkstra算法計算從各個房間到最近安全出口的最短路徑，設計若干條備用疏散路徑，以應對主要路線被阻塞的情況；生成疏散路線圖，包括每個區(qū)域到安全出口的路徑指引，根據(jù)火災進展和疏散進度，實時調整指令，更新疏散路線。

48、將建筑物內部建模為一個圖結構，頂點表示房間、走廊、樓梯間和安全出口等重要位置，邊表示頂點之間的通路，例如房間之間的走廊，樓梯間與樓層之間的連接；邊的權重表示從一個頂點移動到另一個頂點所需的時間或距離，這些權重可以根據(jù)實際建筑物的布局和具體情況進行設定。

49、針對每個房間作為起點，應用dijkstra算法計算到建筑物內各個安全出口的最短路徑。算法的主要步驟如下：將起點房間到自身的距離設置為0，其他所有頂點的初始距離設置為無限大。將起點房間放入一個優(yōu)先級隊列，優(yōu)先級根據(jù)當前已知的最短路徑長度確定。每次從優(yōu)先級隊列中取出距離最近的頂點，檢查該頂點的鄰居，即可以直接到達的相鄰房間或通道。通過當前頂點的路徑，嘗試更新鄰居的最短路徑長度。如果從當前頂點到某個鄰居的路徑長度小于已知的最短路徑長度，則更新該鄰居的最短路徑長度，并將該鄰居重新插入優(yōu)先級隊列中，以便繼續(xù)探索該路徑的其他延伸可能性。當所有頂點都已處理完畢，或已找到從起點到所有安全出口的最短路徑時，算法結束。

50、在計算出最短路徑后，系統(tǒng)根據(jù)dijkstra算法的多次迭代結果生成備用路徑。這些備用路徑通常不與主要路徑重疊，或只在部分路段重疊，以確保在主要路徑被阻塞時，仍有其他可用路徑。在設計備用路徑時，可以為不同路徑賦予優(yōu)先級。例如，最短路徑為最高優(yōu)先級，備用路徑的優(yōu)先級逐次降低。這樣，在火災發(fā)生時，系統(tǒng)可以優(yōu)先引導人員走主要路徑，并在必要時切換到備用路徑。在疏散過程中，如果檢測到主要路徑被阻塞，例如由于火災蔓延或結構損壞，系統(tǒng)可以實時調整策略，選擇備用路徑進行疏散，并通知建筑物內的人員改變疏散方向。

51、與現(xiàn)有技術相比，本發(fā)明的有益效果是：

52、1、本發(fā)明通過多通道氣體傳感器采集火災預警區(qū)域的實時氣體成分數(shù)據(jù)，并利用多源數(shù)據(jù)融合技術，將消防設備數(shù)據(jù)、氣體分析數(shù)據(jù)、煙感溫感數(shù)據(jù)進行統(tǒng)一整合，形成高精度的火災預警數(shù)據(jù)。

53、2、本發(fā)明引入了卷積神經網(wǎng)絡結合長短期記憶網(wǎng)絡的火災程度評估模型，利用歷史火災數(shù)據(jù)和誤報數(shù)據(jù)進行訓練，能夠準確判斷當前環(huán)境下是否存在火災，并評估火災的嚴重程度，有效降低了誤報率，并提供了更及時的預警。

54、3、本發(fā)明能夠根據(jù)火災的位置、嚴重程度及建筑結構，利用優(yōu)化算法生成最佳疏散路線，并通過公共廣播系統(tǒng)、緊急指示燈和引導人員實時提供動態(tài)疏散指引，并且可根據(jù)火災的發(fā)展實時調整疏散路徑，避免固定路徑可能帶來的風險，確保人員安全撤離。