基于深度学习机制的火警智能化管理的研究和实践

发布时间：2020-09-22 18:45

　　火灾自动报警主机(简称报警主机,下同)品牌和型号多,不同品牌或同品牌不同型号的数据协议都不一样,这为智慧消防的信息集成增加了难度,而且还会有新的协议出现,协议外在表现为火警、故障、屏蔽或联动等消防事件信息。火灾探测器等探测设备由于受外部人为或环境因素影响,报警主机会产生大量误报信息,将不利于优化消防资源配置。实现对报警主机的协议的智能化解析和对误报信息的智能化判断,能很好地促进智慧消防的良性发展。本文首先对探测设备的外部影响因子进行分析,提出了火警智能化管理的理论体系,然后根据火警智能化管理的理论体系,建立了一个火警智能分析的完整系统,实现对火警协议信息、外部影响因子进行数据融合并实现标准化处理,生成标准综合消防事件信息,在此基础上提出了一种基于深度学习机制的SSANNSMFA模型作为火警智能分析系统的核心模块,根据标准综合消防事件信息的特性,该模型通过将栈式稀疏自编码器神经网络(SSANN)和正则化softmax回归框架组合成一个新的深度神经网络模型,实现对已知探测设备的火警协议数据进行深度学习,对未知探测设备的协议数据进行快速高效的识别,通过对SSANN和softmax回归残差计算推导和实验表明,SSANNSMFA模型有较高的对探测设备协议数据的特征提取分类准确率和误报分辨率。最后将该模型应用于消防信息集成联网管理平台中。通过理论分析和实践表明,本文提出的火警智能分析模型能较好的实现火警协议的智能化分析和解决部分火警误报的问题,同时该模型也可以应用于智慧消防的其他领域,如图纸识别、巡查机器人等,也可以应用于其他工业控制协议数据识别如于PLC。但是实践中由于真实火警数量少,该模型还有待进一步检验完善。
【学位单位】：杭州电子科技大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：TU998.1
【部分图文】：

报警点,影响因素,状态,探测设备

备火警误报的影响因素分析间对火警误报产生过程的观察，发现以下三种因素和火灾探密切的联系：时空因子、环境因子和设备因素。分为空间因子和时间因子，设rd 为发生火灾报警的3, , }m d一定的空间范围内的其他探测设备，空间因子是指相对空间位置，时间因子是指在设备d∈U 的发生火灾报警时间之间的差值T。分为湿度因子、温度因子和方位因子。例如：当探测设备在灾报警误报的可能性；探测设备在高温环境中也会也提高的方位也是重要因素之一，在厨房的探测设备也很容易因为境恶劣的厂房，空气中过量的粉尘也很容易触发烟雾探测设分为主机因素和探测设备因素。报警主机的老化程度也是需主机可能会出现报警信号发送延时的现象，还有探测器类型度也会很大程度上影响火灾报警的输出。造成探测设备产生.1 所示。

流程图,火警,智能化管理,理论体系

图 2.2 火警智能化管理的理论体系流程图) 当探测设备由于某种原因触发火警、故障、欠压、联动、屏蔽等状态后，到探测设备产生的报警信号，并添加该报警器的特征信息，比如标识号、，然后将其转换为特定的火警协议信息，最后将该火警协议信息输出至火统。) 获取该探测设备和其周围的设备的空间信息和时间信息，作为原始时空因始时空因子进行处理生成时空因子，最后将该时空因子信息输出至火警智) 获取实时温度和湿度做为的温度因子和湿度因子，并获取探测设备所在位位因子信息，最后将这些因子作为环境因子信息输出至火警智能分析系统) 获取发生消防事件的探测设备的设备相关信息和其对应的报警主机的相关机因素和探测设备因素信息输出至火警智能分析系统。火警智能分析系统对输入的火警协议信息、时空因子和环境因子信息进行，确定发生的消防事件，过滤误报信息并将最终结果输出至消防信息集成。

自编码,基本流程图,神经网络,学习模型

2.4 深度学习相关理论介绍深度学习[18]从早期的人工神经网络发展而来，是一个建立，模拟人脑分析学习为目的深层结构神经网络[19]。深度学习采用多层非线性变化将低粒度的特征进行组合和变换得到高粒度的特征，旨在获取原始数据的函数特征表示，随着模型隐含层数的增多，特征会越来越具有层次结构，使得模型拟合复杂非线性函数[20]的能力也越强。本文主要涉及栈式自编码神经网络(StackedAutoendcoder NeuralNetwork，SANN)深度学习模型[21]，下面对这种深度学习模型进行详细介绍。2.4.1 自编码神经网络自编码神经网络(Autoencoder NeuralNetwork，ANN)[22]是一种非监督深度学习模型，该模型的基本流程如图 2.3 所示。

【相似文献】