基于多層模糊神經(jīng)網(wǎng)絡(luò)的消防預警系統(tǒng)設(shè)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(jīng)擁有了技術(shù)基礎(chǔ)。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(diào)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(guān)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(zāi)遠程報警系統(tǒng),增設(shè)了自動報警網(wǎng)絡(luò)監(jiān)控器,根據(jù)特定的協(xié)議實現(xiàn)了各種火災(zāi)報警信號的轉(zhuǎn)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(shè)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(shù)據(jù)存儲和管理功能。魏立峰等[4]設(shè)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(zhì)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(wǎng)技術(shù)的城市消防遠程監(jiān)控系統(tǒng)設(shè)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(shù)據(jù)預警能力,通過對全面采集的消防大數(shù)據(jù)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(jīng)網(wǎng)絡(luò)進行消防預警系統(tǒng)的設(shè)計。其核心創(chuàng)新點是利用溫度場數(shù)據(jù)與消防安保巡查數(shù)據(jù)形成基于機器學習的模糊預警機制。預警數(shù)據(jù)源的創(chuàng)新在于:使用不同時間值域的本地雙列數(shù)據(jù)同時約束當前時間點;使用外部全城其他節(jié)點數(shù)據(jù)形成參照矩陣,以發(fā)現(xiàn)該節(jié)點的數(shù)據(jù)異常。

1 城市消防遠程監(jiān)控系統(tǒng)的數(shù)據(jù)構(gòu)成

在已經(jīng)建成的城市消防系統(tǒng)物聯(lián)網(wǎng)架構(gòu)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(shù)據(jù)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(zāi)的發(fā)生。本地消防控制主機將采集到的數(shù)據(jù)進行二值化處理,并將其轉(zhuǎn)化為二進制形式,以便數(shù)據(jù)分析和傳輸。消防控制主機將處理后的數(shù)據(jù)形成時序數(shù)據(jù),并上傳到消防調(diào)度監(jiān)控系統(tǒng)。除了紅外探頭系統(tǒng)給出的流媒體數(shù)據(jù)是連續(xù)變化的數(shù)據(jù)之外,其他傳感器獲得的數(shù)據(jù)都被轉(zhuǎn)化為二值化數(shù)據(jù)。這樣做的好處是簡化了數(shù)據(jù)的處理和傳輸過程,提高了數(shù)據(jù)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(shù)據(jù)。這些數(shù)據(jù)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(shù)據(jù)也會被整合到消防調(diào)度監(jiān)控系統(tǒng)中,為災(zāi)害事件的應(yīng)對提供更全面的信息支持。

城市消防遠程監(jiān)控系統(tǒng)數(shù)據(jù)構(gòu)成邏輯如圖1所示。

圖1 城市消防遠程監(jiān)控系統(tǒng)數(shù)據(jù)構(gòu)成邏輯圖

圖1中:由紅外探頭得到的流媒體數(shù)據(jù)經(jīng)過消防主機匯總后上傳到消防調(diào)度系統(tǒng);紅外探頭與流媒體服務(wù)器之間使用以太網(wǎng)協(xié)議的局域網(wǎng)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(wǎng)鏈接到消防調(diào)度系統(tǒng)。受制于消防節(jié)點的公網(wǎng)接口帶寬,所有紅外探頭的流媒體數(shù)據(jù)無法持續(xù)并行上報。所以,流媒體服務(wù)器與消防主機之間一般部署高溫風險報警服務(wù)器,從而對紅外探頭的溫度區(qū)域捕捉結(jié)果進行輕量化處置。消防調(diào)度監(jiān)控系統(tǒng)可以通過消防主機單獨調(diào)看紅外探頭的視頻圖像[7]。

2 系統(tǒng)預警需求下的數(shù)據(jù)挖掘方案

數(shù)據(jù)深度挖掘技術(shù)體系中,不完備數(shù)據(jù)挖掘技術(shù)屬于神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)挖掘系統(tǒng)的首選實現(xiàn)方式。上述數(shù)據(jù)中,煙感數(shù)據(jù)、手動按鈕數(shù)據(jù)等均屬于長周期冷數(shù)據(jù)。對于大部分消防節(jié)點而言,這些數(shù)據(jù)的觸發(fā)概率極小。這是相關(guān)研究長期以來未涉及消防遠程監(jiān)控預警系統(tǒng)領(lǐng)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(shù)據(jù)、紅外溫度探頭數(shù)據(jù)等屬于高密度數(shù)據(jù)。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(nèi)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(shù)據(jù)可以通過神經(jīng)網(wǎng)絡(luò)的深度迭代回歸算法尋求其與冷數(shù)據(jù)的關(guān)聯(lián)度,以預判冷數(shù)據(jù)的發(fā)生節(jié)點[10-12]。因此,在監(jiān)控預警數(shù)據(jù)挖掘系統(tǒng)中,本文重點對消防巡查射頻打卡數(shù)據(jù)和溫度數(shù)據(jù)進行挖掘分析。

數(shù)據(jù)預警算法的邏輯架構(gòu)如圖2所示。

圖2 數(shù)據(jù)預警算法的邏輯架構(gòu)示意圖

圖2中,為構(gòu)建合理的數(shù)據(jù)預警算法邏輯架構(gòu),本文在神經(jīng)網(wǎng)絡(luò)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(shù)據(jù)。本文在本地溫度矩陣中,選取最近500個測量周期內(nèi)所有溫度探頭的數(shù)據(jù),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(shù)據(jù)。2個矩陣數(shù)據(jù)產(chǎn)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(wù)時間點均為當前數(shù)據(jù)采集時間點。經(jīng)過基于多項式深度迭代回歸模糊算法的模糊神經(jīng)網(wǎng)絡(luò)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(diào)度區(qū)域內(nèi)其他消防節(jié)點的最終輸出值在最近300個測量周期內(nèi)的神經(jīng)網(wǎng)絡(luò)輸出值數(shù)據(jù)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(jīng)網(wǎng)絡(luò)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(shù)深度迭代回歸模糊算法的神經(jīng)網(wǎng)絡(luò)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(diào)度側(cè)數(shù)據(jù)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(jīng)網(wǎng)絡(luò)節(jié)點基函數(shù)為:

(1)

對數(shù)深度迭代回歸模糊算法的神經(jīng)網(wǎng)絡(luò)節(jié)點基函數(shù)為:

(2)

式中:log為10;A、B均為待回歸系數(shù)。

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

輸出值導入到預警結(jié)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(jīng)網(wǎng)絡(luò)輸出值落點范圍;變化率為當前周期神經(jīng)網(wǎng)絡(luò)輸出值和上一周期神經(jīng)網(wǎng)絡(luò)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(yīng)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(diào)度應(yīng)及時與現(xiàn)場物業(yè)安保消防管理調(diào)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(shè)和計算。

(1) 假設(shè)。

①零假設(shè):2個樣本的均值之間不存在顯著差異。

②備擇假設(shè):2個樣本的均值之間存在顯著差異。

(2)計算過程。

①根據(jù)樣本數(shù)據(jù)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(jù)T值和自由度,查找t分布表或使用統(tǒng)計軟件得出對應(yīng)的P值(T值對應(yīng)的統(tǒng)計值)。

(3)結(jié)果。

①如果T值較大且P值較小(小于預先設(shè)定的顯著性水平),則可以拒絕零假設(shè),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(shè),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(shù)據(jù)與零假設(shè)之間的一致性。其原理基于以下假設(shè)和計算。

(1) 假設(shè)。

①零假設(shè)。觀察到的數(shù)據(jù)與零假設(shè)數(shù)據(jù)一致,即樣本之間沒有顯著差異。

②備擇假設(shè)。觀察到的數(shù)據(jù)與零假設(shè)數(shù)據(jù)不一致,即樣本之間存在顯著差異。

(2)計算過程。

①根據(jù)給定的顯著性水平(通常為0.05),確定拒絕零假設(shè)的標準。

②根據(jù)觀察到的數(shù)據(jù)和特定的統(tǒng)計檢驗方法(如t檢驗),計算出對應(yīng)的P值。

③將P值與預先設(shè)定的顯著性水平進行比較。

(3)結(jié)果。

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

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

③統(tǒng)計產(chǎn)品與服務(wù)解決方案(statistical product service solutions,SPSS)數(shù)據(jù)分析系統(tǒng)實現(xiàn)了t檢驗和p檢驗的計算和結(jié)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(shè)檢驗和解釋分析結(jié)果。

3.3 預警系統(tǒng)算法效果分析

某市所有區(qū)縣已經(jīng)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(wǎng)且構(gòu)建了完整的消防數(shù)據(jù)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(shù)據(jù)用于仿真驗證測試。數(shù)據(jù)共涉及6 835個節(jié)點的136次火警事故。本文在Matlab下建立數(shù)據(jù)預警算法大數(shù)據(jù)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(shù)據(jù)為預警中真陽性數(shù)據(jù)與所有陽性數(shù)據(jù)的比值,特異度為真陰性數(shù)據(jù)與所有陰性數(shù)據(jù)的比值。實際系統(tǒng)評價更關(guān)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(jīng)網(wǎng)絡(luò)系統(tǒng)的工業(yè)轉(zhuǎn)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(yīng)最大程度接近0%。數(shù)據(jù)預警系統(tǒng)已經(jīng)滿足了這些要求。

本文查閱相關(guān)的參考文獻數(shù)據(jù)后,選取權(quán)威設(shè)計院所的相關(guān)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(jié)果如表3所示。

表3 不同火情對比結(jié)果

表3中,文獻最優(yōu)值選取的是物聯(lián)網(wǎng)技術(shù)智慧消防建設(shè)分析文獻中基于物聯(lián)網(wǎng)技術(shù)的消防系統(tǒng)設(shè)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(jié)果的真實值。當T<10.000時認為2列數(shù)據(jù)之間存在統(tǒng)計學差異。P值來自雙變量t校驗結(jié)果的對數(shù)值。當0.01

4 結(jié)論

本文設(shè)計了1種基于多層模糊神經(jīng)網(wǎng)絡(luò)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(shù)據(jù)預警能力。該系統(tǒng)引入多項式和對數(shù)深度迭代回歸模糊算法,將輸出值導入到預警結(jié)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(shù)據(jù)預警系統(tǒng)的預警效果。對比結(jié)果表明,數(shù)據(jù)預警算法的仿真實測結(jié)果優(yōu)于相關(guān)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。