基于多层模糊神经网络的消防预警系统设计

苏亚欣

(昆明学院基建处,云南 昆明 650000)

0 引言

消防信息一体化管理目前已经拥有了技术基础。每个通过验收的消防单元均安装了完整的消防监控系统和喷淋消防系统,且均部署了消防控制主机。消防信息一体化管理以消防控制主机为末端节点,将其信号同步到消防调度监控系统中,以形成无人干预的消防报警,从而大幅度提升消防支援效率[1]。

早期相关文献的研究重点在于消防远程监控系统的信号采集、汇聚、可视化显示和声光报警。周蓉蓉[2]研究了基于建筑物的原有火灾远程报警系统,增设了自动报警网络监控器,根据特定的协议实现了各种火灾报警信号的转换和格式统一,从而解决了不同报警系统间无法通信的问题。闻涛等[3]在油库类消防水压远程监控系统中设置了阀门启闭监视单元,可采集水压信号并传输集成至监控平台上实现自动显示,并具备数据存储和管理功能。魏立峰等[4]设计了1种消防用低功耗毒气监控仪,可对消防救援现场的空气质量进行检测并具备声光报警功能,以提醒发生意外情况时采取措施自救,从而保证消防员呼吸环境的安全。

目前,基于物联网技术的城市消防远程监控系统设计少有研究。因此,本文为提升城市消防远程监控系统的数据预警能力,通过对全面采集的消防大数据的深度挖掘,形成基于机器学习的模糊预警机制,实现消防事件预警。本文基于多层模糊神经网络进行消防预警系统的设计。其核心创新点是利用温度场数据与消防安保巡查数据形成基于机器学习的模糊预警机制。预警数据源的创新在于:使用不同时间值域的本地双列数据同时约束当前时间点;使用外部全城其他节点数据形成参照矩阵,以发现该节点的数据异常。

1 城市消防远程监控系统的数据构成

在已经建成的城市消防系统物联网架构中,烟感、红外、手工报警按钮、消防箱门探头等多种传感器采集的数据被汇总到本地消防控制主机。这些传感器通过监测烟雾、温度、火焰等指标,能够及时检测到火灾的发生。本地消防控制主机将采集到的数据进行二值化处理,并将其转化为二进制形式,以便数据分析和传输。消防控制主机将处理后的数据形成时序数据,并上传到消防调度监控系统。除了红外探头系统给出的流媒体数据是连续变化的数据之外,其他传感器获得的数据都被转化为二值化数据。这样做的好处是简化了数据的处理和传输过程,提高了数据处理的效率和准确性。此外,城市消防远程监控系统还会接收消防巡查的射频打卡数据。这些数据用于记录消防人员的巡查情况,包括巡查时间、巡查位置。这些数据也会被整合到消防调度监控系统中,为灾害事件的应对提供更全面的信息支持。

城市消防远程监控系统数据构成逻辑如图1所示。

图1 城市消防远程监控系统数据构成逻辑图

图1中:由红外探头得到的流媒体数据经过消防主机汇总后上传到消防调度系统;红外探头与流媒体服务器之间使用以太网协议的局域网千兆光纤回路链接;烟感探头、手动按钮(包括手动报警按钮、消防柜门状态探头等)通过消防系统专用协议链接到消防主机[5-6];不同消防节点的消防主机通过公共互联网链接到消防调度系统。受制于消防节点的公网接口带宽,所有红外探头的流媒体数据无法持续并行上报。所以,流媒体服务器与消防主机之间一般部署高温风险报警服务器,从而对红外探头的温度区域捕捉结果进行轻量化处置。消防调度监控系统可以通过消防主机单独调看红外探头的视频图像[7]。

2 系统预警需求下的数据挖掘方案

数据深度挖掘技术体系中,不完备数据挖掘技术属于神经网络数据挖掘系统的首选实现方式。上述数据中,烟感数据、手动按钮数据等均属于长周期冷数据。对于大部分消防节点而言,这些数据的触发概率极小。这是相关研究长期以来未涉及消防远程监控预警系统领域的原因[8-9]。

本地物业安保对消防系统的巡查日志数据、红外温度探头数据等属于高密度数据。前者一般要求每天至少进行12～24次消防巡查并完成射频打卡;后者会在较短周期内对场地温度场进行评估。一般消防节点的评估频率为1次/min。这2项数据可以通过神经网络的深度迭代回归算法寻求其与冷数据的关联度,以预判冷数据的发生节点[10-12]。因此,在监控预警数据挖掘系统中,本文重点对消防巡查射频打卡数据和温度数据进行挖掘分析。

数据预警算法的逻辑架构如图2所示。

图2 数据预警算法的逻辑架构示意图

图2中,为构建合理的数据预警算法逻辑架构,本文在神经网络的深度迭代回归算法矩阵中,选取本地物业安保消防系统的巡查数据。本文在本地温度矩阵中,选取最近500个测量周期内所有温度探头的数据,包括直接温度场测量探头和红外温度场测量探头;在本地巡查矩阵中,选取最近15 d所有物业安保消防巡查射频打卡点的巡查数据。2个矩阵数据产生的时间范围不同,但计算方式均为当前时间点前推一定时间。其服务时间点均为当前数据采集时间点。经过基于多项式深度迭代回归模糊算法的模糊神经网络整合后,2个矩阵各形成1个双精度变量。这在统计学中标志着2大系统在当前时间点可以提供的风险参考值。同时,调度区域内其他消防节点的最终输出值在最近300个测量周期内的神经网络输出值数据也汇总成1个外部参照矩阵,通过多项式深度迭代回归模糊算法神经网络整合成1个双精度变量。上述3个双精度变量汇总到1个对数深度迭代回归模糊算法的神经网络模块中作进一步模糊化,以形成消防节点的消防风险整体评价模糊值。该值一方面上报调度侧数据仓库中作为其他节点的参考值,另一方面输出到模糊预警系统中作为该节点预警参考值。

多项式深度迭代回归模糊算法的神经网络节点基函数为:

(1)

对数深度迭代回归模糊算法的神经网络节点基函数为:

(2)

式中:log为10;A、B均为待回归系数。

3个基于多项式深度迭代回归算法的模糊神经网络的输入节点数均为对应矩阵的元素数。其属于深度模糊卷积统计学过程。而对数深度迭代回归算法的模糊神经网络输入值为上述3个神经网络的输出值。其输出1个双精度变量。神经网络通过真实数据训练,使其向[0,1]区间收敛。

输出值导入到预警结果整理模块后,使用模糊矩阵法生成模糊预警。

模糊预警生成用模糊矩阵模式如表1所示。

表1 模糊预警生成用模糊矩阵模式

表1中:值域为神经网络输出值落点范围;变化率为当前周期神经网络输出值和上一周期神经网络输出值的差值与上一周期输出值的比值。当红色预警发出时,消防稽查应采取行动,以提前进入现场处置流程;当其他预警发出时,消防调度应及时与现场物业安保消防管理调度电话联系,以确认现场状态。

3 预警系统的算法效能仿真测试

3.1 t检验的原理

t检验基于t分布理论,用于比较2个样本均值之间是否存在显著差异。其原理基于以下假设和计算。

(1) 假设。

①零假设:2个样本的均值之间不存在显著差异。

②备择假设:2个样本的均值之间存在显著差异。

(2)计算过程。

①根据样本数据计算2个样本的均值和标准差。

②计算标准误差,衡量样本均值的不确定性。

③计算T值。T值表示2个样本均值之间的标准化差异。

④根据T值和自由度,查找t分布表或使用统计软件得出对应的P值(T值对应的统计值)。

(3)结果。

①如果T值较大且P值较小(小于预先设定的显著性水平),则可以拒绝零假设,认为样本均值之间存在显著差异。

②如果T值较小或P值较大,则无法拒绝零假设,即无统计显著差异。

3.2 p检验的原理

p检验(或称为显著性检验)用于评估观察到的数据与零假设之间的一致性。其原理基于以下假设和计算。

(1) 假设。

①零假设。观察到的数据与零假设数据一致,即样本之间没有显著差异。

②备择假设。观察到的数据与零假设数据不一致,即样本之间存在显著差异。

(2)计算过程。

①根据给定的显著性水平(通常为0.05),确定拒绝零假设的标准。

②根据观察到的数据和特定的统计检验方法(如t检验),计算出对应的P值。

③将P值与预先设定的显著性水平进行比较。

(3)结果。

①如果P值小于预先设定的显著性水平(如0.05),则可以拒绝零假设,认为观察到的数据与零假设不一致,即存在显著差异。

②如果P值大于预先设定的显著性水平,则无法拒绝零假设,即无统计显著差异。

③统计产品与服务解决方案(statistical product service solutions,SPSS)数据分析系统实现了t检验和p检验的计算和结果呈现。通过这些统计功能,可以帮助研究人员进行假设检验和解释分析结果。

3.3 预警系统算法效果分析

某市所有区县已经基本实现所有居民区、办公楼、城区公共场所的消防系统联网且构建了完整的消防数据仓库资源集。本文将该市所有区县在2020年1月至2021年6月全部真实数据用于仿真验证测试。数据共涉及6 835个节点的136次火警事故。本文在Matlab下建立数据预警算法大数据挖掘软件,分析不同消防预警级别下的敏感度、特异度。

算法在不同消防预警级别下的敏感度、特异度如表2所示。

表2 算法在不同消防预警级别下的敏感度、特异度

表2中,敏感度数据为预警中真阳性数据与所有阳性数据的比值,特异度为真阴性数据与所有阴性数据的比值。实际系统评价更关注红色预警状态下的敏感度(98.3%)和无预警状态下的敏感度(3.2%)及特异度(96.3%)。神经网络系统的工业转化部署阈值要求红色预警状态下的敏感度与无预警状态下的特异度达到95%以上,且无预警状态下的敏感度应最大程度接近0%。数据预警系统已经满足了这些要求。

本文查阅相关的参考文献数据后,选取权威设计院所的相关研究,得到基于其他机器学习算法的火情预警系统最优值。

不同火情对比结果如表3所示。

表3 不同火情对比结果

表3中,文献最优值选取的是物联网技术智慧消防建设分析文献中基于物联网技术的消防系统设计。此文献模拟了其他机器学习算法在火情预警中的感知预警能力。表3中的T值来自社会科学统计软件包分析软件下双变量t校验结果的真实值。当T<10.000时认为2列数据之间存在统计学差异。P值来自双变量t校验结果的对数值。当0.01

4 结论

本文设计了1种基于多层模糊神经网络的消防预警系统,以提升城市消防远程监控系统的数据预警能力。该系统引入多项式和对数深度迭代回归模糊算法,将输出值导入到预警结果整理模块后,通过模糊矩阵法生成模糊预警。本文完成了城市消防远程监控预警系统的算法效能仿真测试。测试对比了基于其他机器学习算法的火情预警系统与数据预警系统的预警效果。对比结果表明,数据预警算法的仿真实测结果优于相关可查文献中的最优值。但该系统在无预警状态下仍有敏感度表现。后续研究将进一步减少无预警敏感度,以提升系统的可靠性。