基于多層模糊神經網絡的消防預警系統(tǒng)設計

蘇亞欣

(昆明學院基建處,云南 昆明 650000)

0 引言

消防信息一體化管理目前已經擁有了技術基礎。每個通過驗收的消防單元均安裝了完整的消防監(jiān)控系統(tǒng)和噴淋消防系統(tǒng),且均部署了消防控制主機。消防信息一體化管理以消防控制主機為末端節(jié)點,將其信號同步到消防調度監(jiān)控系統(tǒng)中,以形成無人干預的消防報警,從而大幅度提升消防支援效率[1]。

早期相關文獻的研究重點在于消防遠程監(jiān)控系統(tǒng)的信號采集、匯聚、可視化顯示和聲光報警。周蓉蓉[2]研究了基于建筑物的原有火災遠程報警系統(tǒng),增設了自動報警網絡監(jiān)控器,根據特定的協(xié)議實現(xiàn)了各種火災報警信號的轉換和格式統(tǒng)一,從而解決了不同報警系統(tǒng)間無法通信的問題。聞濤等[3]在油庫類消防水壓遠程監(jiān)控系統(tǒng)中設置了閥門啟閉監(jiān)視單元,可采集水壓信號并傳輸集成至監(jiān)控平臺上實現(xiàn)自動顯示,并具備數據存儲和管理功能。魏立峰等[4]設計了1種消防用低功耗毒氣監(jiān)控儀,可對消防救援現(xiàn)場的空氣質量進行檢測并具備聲光報警功能,以提醒發(fā)生意外情況時采取措施自救,從而保證消防員呼吸環(huán)境的安全。

目前,基于物聯(lián)網技術的城市消防遠程監(jiān)控系統(tǒng)設計少有研究。因此,本文為提升城市消防遠程監(jiān)控系統(tǒng)的數據預警能力,通過對全面采集的消防大數據的深度挖掘,形成基于機器學習的模糊預警機制,實現(xiàn)消防事件預警。本文基于多層模糊神經網絡進行消防預警系統(tǒng)的設計。其核心創(chuàng)新點是利用溫度場數據與消防安保巡查數據形成基于機器學習的模糊預警機制。預警數據源的創(chuàng)新在于:使用不同時間值域的本地雙列數據同時約束當前時間點;使用外部全城其他節(jié)點數據形成參照矩陣,以發(fā)現(xiàn)該節(jié)點的數據異常。

1 城市消防遠程監(jiān)控系統(tǒng)的數據構成

在已經建成的城市消防系統(tǒng)物聯(lián)網架構中,煙感、紅外、手工報警按鈕、消防箱門探頭等多種傳感器采集的數據被匯總到本地消防控制主機。這些傳感器通過監(jiān)測煙霧、溫度、火焰等指標,能夠及時檢測到火災的發(fā)生。本地消防控制主機將采集到的數據進行二值化處理,并將其轉化為二進制形式,以便數據分析和傳輸。消防控制主機將處理后的數據形成時序數據,并上傳到消防調度監(jiān)控系統(tǒng)。除了紅外探頭系統(tǒng)給出的流媒體數據是連續(xù)變化的數據之外,其他傳感器獲得的數據都被轉化為二值化數據。這樣做的好處是簡化了數據的處理和傳輸過程,提高了數據處理的效率和準確性。此外,城市消防遠程監(jiān)控系統(tǒng)還會接收消防巡查的射頻打卡數據。這些數據用于記錄消防人員的巡查情況,包括巡查時間、巡查位置。這些數據也會被整合到消防調度監(jiān)控系統(tǒng)中,為災害事件的應對提供更全面的信息支持。

城市消防遠程監(jiān)控系統(tǒng)數據構成邏輯如圖1所示。

圖1 城市消防遠程監(jiān)控系統(tǒng)數據構成邏輯圖

圖1中:由紅外探頭得到的流媒體數據經過消防主機匯總后上傳到消防調度系統(tǒng);紅外探頭與流媒體服務器之間使用以太網協(xié)議的局域網千兆光纖回路鏈接;煙感探頭、手動按鈕(包括手動報警按鈕、消防柜門狀態(tài)探頭等)通過消防系統(tǒng)專用協(xié)議鏈接到消防主機[5-6];不同消防節(jié)點的消防主機通過公共互聯(lián)網鏈接到消防調度系統(tǒng)。受制于消防節(jié)點的公網接口帶寬,所有紅外探頭的流媒體數據無法持續(xù)并行上報。所以,流媒體服務器與消防主機之間一般部署高溫風險報警服務器,從而對紅外探頭的溫度區(qū)域捕捉結果進行輕量化處置。消防調度監(jiān)控系統(tǒng)可以通過消防主機單獨調看紅外探頭的視頻圖像[7]。

2 系統(tǒng)預警需求下的數據挖掘方案

數據深度挖掘技術體系中,不完備數據挖掘技術屬于神經網絡數據挖掘系統(tǒng)的首選實現(xiàn)方式。上述數據中,煙感數據、手動按鈕數據等均屬于長周期冷數據。對于大部分消防節(jié)點而言,這些數據的觸發(fā)概率極小。這是相關研究長期以來未涉及消防遠程監(jiān)控預警系統(tǒng)領域的原因[8-9]。

本地物業(yè)安保對消防系統(tǒng)的巡查日志數據、紅外溫度探頭數據等屬于高密度數據。前者一般要求每天至少進行12～24次消防巡查并完成射頻打卡;后者會在較短周期內對場地溫度場進行評估。一般消防節(jié)點的評估頻率為1次/min。這2項數據可以通過神經網絡的深度迭代回歸算法尋求其與冷數據的關聯(lián)度,以預判冷數據的發(fā)生節(jié)點[10-12]。因此,在監(jiān)控預警數據挖掘系統(tǒng)中,本文重點對消防巡查射頻打卡數據和溫度數據進行挖掘分析。

數據預警算法的邏輯架構如圖2所示。

圖2 數據預警算法的邏輯架構示意圖

圖2中,為構建合理的數據預警算法邏輯架構,本文在神經網絡的深度迭代回歸算法矩陣中,選取本地物業(yè)安保消防系統(tǒng)的巡查數據。本文在本地溫度矩陣中,選取最近500個測量周期內所有溫度探頭的數據,包括直接溫度場測量探頭和紅外溫度場測量探頭;在本地巡查矩陣中,選取最近15 d所有物業(yè)安保消防巡查射頻打卡點的巡查數據。2個矩陣數據產生的時間范圍不同,但計算方式均為當前時間點前推一定時間。其服務時間點均為當前數據采集時間點。經過基于多項式深度迭代回歸模糊算法的模糊神經網絡整合后,2個矩陣各形成1個雙精度變量。這在統(tǒng)計學中標志著2大系統(tǒng)在當前時間點可以提供的風險參考值。同時,調度區(qū)域內其他消防節(jié)點的最終輸出值在最近300個測量周期內的神經網絡輸出值數據也匯總成1個外部參照矩陣,通過多項式深度迭代回歸模糊算法神經網絡整合成1個雙精度變量。上述3個雙精度變量匯總到1個對數深度迭代回歸模糊算法的神經網絡模塊中作進一步模糊化,以形成消防節(jié)點的消防風險整體評價模糊值。該值一方面上報調度側數據倉庫中作為其他節(jié)點的參考值,另一方面輸出到模糊預警系統(tǒng)中作為該節(jié)點預警參考值。

多項式深度迭代回歸模糊算法的神經網絡節(jié)點基函數為:

(1)

對數深度迭代回歸模糊算法的神經網絡節(jié)點基函數為:

(2)

式中:log為10;A、B均為待回歸系數。

3個基于多項式深度迭代回歸算法的模糊神經網絡的輸入節(jié)點數均為對應矩陣的元素數。其屬于深度模糊卷積統(tǒng)計學過程。而對數深度迭代回歸算法的模糊神經網絡輸入值為上述3個神經網絡的輸出值。其輸出1個雙精度變量。神經網絡通過真實數據訓練,使其向[0,1]區(qū)間收斂。

輸出值導入到預警結果整理模塊后,使用模糊矩陣法生成模糊預警。

模糊預警生成用模糊矩陣模式如表1所示。

表1 模糊預警生成用模糊矩陣模式

表1中:值域為神經網絡輸出值落點范圍;變化率為當前周期神經網絡輸出值和上一周期神經網絡輸出值的差值與上一周期輸出值的比值。當紅色預警發(fā)出時,消防稽查應采取行動,以提前進入現(xiàn)場處置流程;當其他預警發(fā)出時,消防調度應及時與現(xiàn)場物業(yè)安保消防管理調度電話聯(lián)系,以確認現(xiàn)場狀態(tài)。

3 預警系統(tǒng)的算法效能仿真測試

3.1 t檢驗的原理

t檢驗基于t分布理論,用于比較2個樣本均值之間是否存在顯著差異。其原理基于以下假設和計算。

(1) 假設。

①零假設:2個樣本的均值之間不存在顯著差異。

②備擇假設:2個樣本的均值之間存在顯著差異。

(2)計算過程。

①根據樣本數據計算2個樣本的均值和標準差。

②計算標準誤差,衡量樣本均值的不確定性。

③計算T值。T值表示2個樣本均值之間的標準化差異。

④根據T值和自由度,查找t分布表或使用統(tǒng)計軟件得出對應的P值(T值對應的統(tǒng)計值)。

(3)結果。

①如果T值較大且P值較小(小于預先設定的顯著性水平),則可以拒絕零假設,認為樣本均值之間存在顯著差異。

②如果T值較小或P值較大,則無法拒絕零假設,即無統(tǒng)計顯著差異。

3.2 p檢驗的原理

p檢驗(或稱為顯著性檢驗)用于評估觀察到的數據與零假設之間的一致性。其原理基于以下假設和計算。

(1) 假設。

①零假設。觀察到的數據與零假設數據一致,即樣本之間沒有顯著差異。

②備擇假設。觀察到的數據與零假設數據不一致,即樣本之間存在顯著差異。

(2)計算過程。

①根據給定的顯著性水平(通常為0.05),確定拒絕零假設的標準。

②根據觀察到的數據和特定的統(tǒng)計檢驗方法(如t檢驗),計算出對應的P值。

③將P值與預先設定的顯著性水平進行比較。

(3)結果。

①如果P值小于預先設定的顯著性水平(如0.05),則可以拒絕零假設,認為觀察到的數據與零假設不一致,即存在顯著差異。

②如果P值大于預先設定的顯著性水平,則無法拒絕零假設,即無統(tǒng)計顯著差異。

③統(tǒng)計產品與服務解決方案(statistical product service solutions,SPSS)數據分析系統(tǒng)實現(xiàn)了t檢驗和p檢驗的計算和結果呈現(xiàn)。通過這些統(tǒng)計功能,可以幫助研究人員進行假設檢驗和解釋分析結果。

3.3 預警系統(tǒng)算法效果分析

某市所有區(qū)縣已經基本實現(xiàn)所有居民區(qū)、辦公樓、城區(qū)公共場所的消防系統(tǒng)聯(lián)網且構建了完整的消防數據倉庫資源集。本文將該市所有區(qū)縣在2020年1月至2021年6月全部真實數據用于仿真驗證測試。數據共涉及6 835個節(jié)點的136次火警事故。本文在Matlab下建立數據預警算法大數據挖掘軟件,分析不同消防預警級別下的敏感度、特異度。

算法在不同消防預警級別下的敏感度、特異度如表2所示。

表2 算法在不同消防預警級別下的敏感度、特異度

表2中,敏感度數據為預警中真陽性數據與所有陽性數據的比值,特異度為真陰性數據與所有陰性數據的比值。實際系統(tǒng)評價更關注紅色預警狀態(tài)下的敏感度(98.3%)和無預警狀態(tài)下的敏感度(3.2%)及特異度(96.3%)。神經網絡系統(tǒng)的工業(yè)轉化部署閾值要求紅色預警狀態(tài)下的敏感度與無預警狀態(tài)下的特異度達到95%以上,且無預警狀態(tài)下的敏感度應最大程度接近0%。數據預警系統(tǒng)已經滿足了這些要求。

本文查閱相關的參考文獻數據后,選取權威設計院所的相關研究,得到基于其他機器學習算法的火情預警系統(tǒng)最優(yōu)值。

不同火情對比結果如表3所示。

表3 不同火情對比結果

表3中,文獻最優(yōu)值選取的是物聯(lián)網技術智慧消防建設分析文獻中基于物聯(lián)網技術的消防系統(tǒng)設計。此文獻模擬了其他機器學習算法在火情預警中的感知預警能力。表3中的T值來自社會科學統(tǒng)計軟件包分析軟件下雙變量t校驗結果的真實值。當T<10.000時認為2列數據之間存在統(tǒng)計學差異。P值來自雙變量t校驗結果的對數值。當0.01

4 結論

本文設計了1種基于多層模糊神經網絡的消防預警系統(tǒng),以提升城市消防遠程監(jiān)控系統(tǒng)的數據預警能力。該系統(tǒng)引入多項式和對數深度迭代回歸模糊算法,將輸出值導入到預警結果整理模塊后,通過模糊矩陣法生成模糊預警。本文完成了城市消防遠程監(jiān)控預警系統(tǒng)的算法效能仿真測試。測試對比了基于其他機器學習算法的火情預警系統(tǒng)與數據預警系統(tǒng)的預警效果。對比結果表明,數據預警算法的仿真實測結果優(yōu)于相關可查文獻中的最優(yōu)值。但該系統(tǒng)在無預警狀態(tài)下仍有敏感度表現(xiàn)。后續(xù)研究將進一步減少無預警敏感度,以提升系統(tǒng)的可靠性。