本發(fā)明涉及火災(zāi)的預(yù)測(cè)與預(yù)防領(lǐng)域,尤其涉及一種將被測(cè)區(qū)域溫度場(chǎng)分割為若干個(gè)子溫度場(chǎng),從根據(jù)溫度趨勢(shì)及溫度場(chǎng)的座標(biāo)與溫度分布情況預(yù)測(cè)火災(zāi)隱患的一種方法。
背景技術(shù):
火災(zāi)檢測(cè)一直是消防安全的一項(xiàng)重要內(nèi)容,尤其在重要的工業(yè)領(lǐng)域與安全生產(chǎn)領(lǐng)域尤為重要。近些年來(lái)我國(guó)發(fā)生了幾起非常嚴(yán)重的火災(zāi),造成了極為嚴(yán)重的不必要損失,究其原因之根本沒(méi)有提前預(yù)測(cè)到火災(zāi)隱患的發(fā)生,導(dǎo)致火災(zāi)蔓延,無(wú)法及時(shí)撲救,從而造成了無(wú)法估量的社會(huì)財(cái)產(chǎn)損失,甚至大量人員的傷亡,因此火災(zāi)隱患預(yù)測(cè)與預(yù)防就顯得格外重要,能夠?qū)㈦[患與事故消滅在萌芽中。
目前我國(guó)市面上較常用的火災(zāi)檢測(cè)裝置主要是火災(zāi)發(fā)生后的檢測(cè)設(shè)備,包括煙霧傳感器、溫度傳感器等,這類傳感器雖然價(jià)格便宜,但只能檢測(cè)到火災(zāi)的發(fā)生,而無(wú)法提前預(yù)測(cè)火災(zāi)是否發(fā)生,且這類傳感器的檢測(cè)范圍有限。基于攝像頭的圖像處理技術(shù),可以進(jìn)行火災(zāi)的檢測(cè)判斷,檢測(cè)范圍廣,但只局限于火災(zāi)形成的圖像特征,如火焰、煙霧等,且穩(wěn)定性一般,不具備提前預(yù)測(cè)技術(shù)。熱成像技術(shù)可以用于火災(zāi)的預(yù)測(cè)預(yù)報(bào),但也需要算法的支持,同時(shí)其價(jià)格昂貴,使用環(huán)境要求較高,不適合普遍推廣。因此,一種不但能夠提前預(yù)測(cè)火災(zāi),且檢測(cè)范圍廣、成本低、環(huán)境適應(yīng)性強(qiáng)的火災(zāi)預(yù)測(cè)技術(shù)顯得極為必要。
根據(jù)火災(zāi)預(yù)測(cè)的技術(shù)要求,本發(fā)明采用高物距比的紅外溫度檢測(cè)傳感器構(gòu)成點(diǎn)陣式溫度檢測(cè)探頭,同時(shí)利用二維旋轉(zhuǎn)機(jī)構(gòu)實(shí)現(xiàn)對(duì)檢測(cè)區(qū)域的掃描覆蓋,通過(guò)激光測(cè)距檢測(cè)被測(cè)目標(biāo)與溫度檢測(cè)探頭的距離,將布谷鳥算法與LS-SVM結(jié)合,對(duì)溫度檢測(cè)結(jié)果進(jìn)行校正,同時(shí)利用圖像分割技術(shù)對(duì)檢測(cè)區(qū)域的溫度場(chǎng)進(jìn)行分割,分割成若干子溫度場(chǎng),并對(duì)子溫度場(chǎng)的溫度趨勢(shì)進(jìn)行預(yù)測(cè),并根據(jù)溫度的點(diǎn)陣座標(biāo)與溫度值利用LS-SVM分類算法,對(duì)子溫度場(chǎng)的火災(zāi)隱患是否存在進(jìn)行識(shí)別,從而達(dá)到提前對(duì)火災(zāi)隱患的預(yù)測(cè),該方法不但能對(duì)火災(zāi)提前預(yù)測(cè),同時(shí)還具有成本低,適應(yīng)性強(qiáng),檢測(cè)范圍廣的特點(diǎn)。
技術(shù)實(shí)現(xiàn)要素:
本發(fā)明的目的在于提供一種火災(zāi)隱患預(yù)測(cè)方法與檢測(cè)手段,不但能夠提前對(duì)火災(zāi)是否會(huì)發(fā)生進(jìn)行預(yù)判,而且具有成本低,適應(yīng)性強(qiáng)、檢測(cè)范圍廣的特點(diǎn),為了達(dá)到上述要求,本發(fā)明的研究解決方案是:
一種基于溫度場(chǎng)的火災(zāi)隱患預(yù)測(cè)方法,包括以下步驟(1)~(5):
(1)采用9個(gè)物距比為1:12的紅外溫度檢測(cè)傳感器MLX90614,構(gòu)成3*3溫度的溫度檢測(cè)探頭,并借助于由兩個(gè)步進(jìn)電機(jī)構(gòu)成的二維旋轉(zhuǎn)平臺(tái),實(shí)現(xiàn)被檢測(cè)區(qū)域的360度水平與垂直掃描。
(2)MLX90614檢測(cè)溫度與被測(cè)目標(biāo)的距離相關(guān),因此利用激光測(cè)距模塊對(duì)被測(cè)目標(biāo)進(jìn)行測(cè)距,并以距離參數(shù)、被測(cè)目標(biāo)的介質(zhì)系數(shù)、檢測(cè)溫度作為輸入,以實(shí)際溫度作為輸出,利用基于布谷鳥算法的LS-SVM進(jìn)行溫度校正進(jìn)行建模,并根據(jù)建立的溫度校正模型,實(shí)時(shí)對(duì)MLX90614的檢測(cè)溫度進(jìn)行校正,提高溫度檢測(cè)精度。
(3)將被檢測(cè)區(qū)域的溫度場(chǎng)數(shù)據(jù)通過(guò)以太網(wǎng)上傳至服務(wù)器,根據(jù)溫度場(chǎng)中點(diǎn)陣溫度的座標(biāo)與溫度數(shù)據(jù)生成二維溫度場(chǎng)圖像。由于著火的特征必須要有著火點(diǎn),在檢測(cè)區(qū)域中由于存在各類設(shè)備或目標(biāo),會(huì)形成不同的溫度區(qū)域,因此利用邊緣圖像分割算法對(duì)整個(gè)溫度場(chǎng)圖像進(jìn)行分割,生成若干個(gè)子溫度場(chǎng)。
(4)對(duì)子溫度場(chǎng)中各坐標(biāo)的時(shí)間序列溫度數(shù)據(jù)進(jìn)行相空間重構(gòu),獲得新的數(shù)據(jù)樣本,并利用基于時(shí)間序列的LS-SVM算法,對(duì)子溫度場(chǎng)的各坐標(biāo)溫度趨勢(shì)進(jìn)行預(yù)測(cè),生成未來(lái)時(shí)刻的溫度場(chǎng)數(shù)據(jù)。
(5)每個(gè)子溫度場(chǎng)都可能是一個(gè)著火點(diǎn),因此必須對(duì)所有的子溫度場(chǎng)進(jìn)行火災(zāi)隱患判識(shí)。根據(jù)火災(zāi)發(fā)生的溫度與座標(biāo)特征,利用LS-SVM分類算法建立火災(zāi)隱患的坐標(biāo)與溫度模型,以子溫度場(chǎng)座標(biāo)與溫度作為樣本輸入,代入由LS-SVM分類算法構(gòu)建的火災(zāi)預(yù)測(cè)模型進(jìn)行模式識(shí)別,最終得到模型的輸出,來(lái)判斷是否會(huì)發(fā)生火災(zāi)。
附圖說(shuō)明
圖1是溫度場(chǎng)檢測(cè)系統(tǒng)結(jié)構(gòu)框圖;
圖2是溫度場(chǎng)數(shù)據(jù)采集流程圖;
圖3是基于溫度場(chǎng)的火災(zāi)預(yù)測(cè)算法流程;
具體實(shí)施方式
下面結(jié)合附圖對(duì)本發(fā)明的技術(shù)方案進(jìn)行詳細(xì)說(shuō)明。
如圖1所示,溫度場(chǎng)的數(shù)據(jù)采集方案原理為:
根據(jù)圖1基于溫度場(chǎng)的火災(zāi)隱患預(yù)測(cè)方法的結(jié)構(gòu)圖可知,將9塊MLX90614溫度檢測(cè)芯片組合排列構(gòu)成一個(gè)3*3的方陣實(shí)現(xiàn)對(duì)面的溫度掃描,由于掃描距離并不相等,故而再增設(shè)激光測(cè)距芯片對(duì)不同檢測(cè)距離采集的溫度進(jìn)行補(bǔ)償,實(shí)現(xiàn)其精準(zhǔn)采集數(shù)據(jù)溫度,通過(guò)兩個(gè)步進(jìn)電機(jī)進(jìn)行二維旋轉(zhuǎn)方向的精確控制,使MLX90614溫度檢測(cè)芯片構(gòu)成3*3溫度場(chǎng)可以水平和垂直兩維方向的旋轉(zhuǎn),達(dá)到全方位不間斷的掃描設(shè)定區(qū)域的目的,從而實(shí)現(xiàn)整個(gè)指定區(qū)域空間的溫度采集,并上傳至服務(wù)器。
如圖2所示,溫度場(chǎng)數(shù)據(jù)采集原理為:
如圖2數(shù)據(jù)采集方案所示,根據(jù)被測(cè)量區(qū)域的長(zhǎng)寬,設(shè)置MLX90614的水平與垂直掃描角度,對(duì)被測(cè)區(qū)域進(jìn)行掃描,采集掃描點(diǎn)的溫度與距離數(shù)據(jù),由于影響溫度測(cè)量精度的因素較多,因此需要將將采集的溫度數(shù)據(jù)進(jìn)行校正,并將采集點(diǎn)的坐標(biāo)及該坐標(biāo)對(duì)應(yīng)的校正溫度打包上傳至服務(wù)器,并在服務(wù)器生成溫度場(chǎng)圖像
測(cè)量溫度的校正原理為:利用MLX90614的測(cè)量數(shù)據(jù)、目標(biāo)距離、介質(zhì)系數(shù)、實(shí)際溫度四個(gè)參數(shù)構(gòu)建數(shù)據(jù)樣本,其中將MLX90614的測(cè)量數(shù)據(jù)、目標(biāo)距離、介質(zhì)系數(shù)作為樣本的輸入、實(shí)際溫度作為樣本的輸出,構(gòu)建數(shù)據(jù)樣本,將布谷鳥算法與模糊LS-SVM算法結(jié)合,對(duì)MLX90614采集的數(shù)據(jù)利用基于布谷鳥的LS-SVM算法進(jìn)行溫度數(shù)據(jù)校正,獲得正確的溫度場(chǎng)的溫度數(shù)據(jù),具體步驟為:
設(shè)MLX90614的測(cè)量數(shù)據(jù)、目標(biāo)距離、介質(zhì)系數(shù)、實(shí)際溫度四個(gè)參數(shù)1~k時(shí)刻的時(shí)間序列數(shù)據(jù)分別為{si}為模糊隸屬度,樣本的輸入為樣本的輸出為
(1)組織MLX90614的測(cè)量數(shù)據(jù)、目標(biāo)距離、介質(zhì)系數(shù)、實(shí)際溫度數(shù)據(jù),令模糊隸屬度{si}全部等于1,以和模糊隸屬度作為輸入,以作為輸出,構(gòu)成LS-SVM學(xué)習(xí)訓(xùn)練樣本數(shù)據(jù)集{(Xi,Yi,Si)};
(2)確定核函數(shù)的徑向基參數(shù)σ2和正則化因子γ的取值范圍,以及每次訓(xùn)練剪除樣本數(shù)據(jù)的比率為10%;
(3)利用CS搜索算法對(duì)核函數(shù)參數(shù)進(jìn)行尋優(yōu),根據(jù)最優(yōu)鳥巢位置xb(t)所對(duì)應(yīng)的徑向基參數(shù)σ2和正則化因子γ作為最優(yōu)參數(shù),對(duì)樣本數(shù)據(jù)集進(jìn)行LS-SVM訓(xùn)練;
(4)得到訓(xùn)練樣本數(shù)據(jù)的Lagrange乘子并按絕對(duì)值的大小對(duì)數(shù)據(jù)集{(Xi,Yi,Si)}進(jìn)行排序,按10%的比例剪除小部分|αi|較小的數(shù)據(jù);
(5)對(duì)剩余樣本數(shù)據(jù)重新計(jì)算其模糊隸屬度{si},構(gòu)造新的數(shù)據(jù)集{(Xi,Yi,Si)};
(6)對(duì)樣本數(shù)據(jù)的訓(xùn)練結(jié)果進(jìn)行評(píng)估,若溫度校正精度下降,則停止訓(xùn)練,此時(shí)所建的校正模型最優(yōu),否則返回到第(3)步繼續(xù)進(jìn)行訓(xùn)練;
(7)最終得到MLX90614的測(cè)量溫度、目標(biāo)距離、介質(zhì)系數(shù)與實(shí)際溫度的模型,并利用該模型對(duì)MLX90614的測(cè)量結(jié)果進(jìn)行實(shí)時(shí)校正。
如圖3所示,溫度場(chǎng)火災(zāi)預(yù)測(cè)算法原理為:
采用基于時(shí)間序列的最小二乘法對(duì)采集的時(shí)間溫度數(shù)據(jù)進(jìn)行預(yù)測(cè),通過(guò)不同區(qū)域隨時(shí)間變化的溫度趨勢(shì),來(lái)預(yù)測(cè)下一時(shí)刻或下一段時(shí)間內(nèi)的溫度變化趨勢(shì),來(lái)預(yù)測(cè)是否有放生火災(zāi)的可能,從而達(dá)到實(shí)現(xiàn)指定區(qū)域的火災(zāi)隱患檢測(cè)和預(yù)防,具體實(shí)施方法如下:
其實(shí)現(xiàn)步驟如下:
(1)假設(shè)座標(biāo)xi,yi的k時(shí)刻的溫度為ti,其1~k時(shí)刻的時(shí)間序列數(shù)據(jù)分別為為預(yù)測(cè)k+1時(shí)刻的溫度,則相空間重構(gòu)的狀態(tài)向量為n=k0,k0+1,...,k,k0=max{(ml-1)τl+1},τl、ml分別為延遲時(shí)間間隔和嵌入維數(shù),其中l(wèi)=1,2,3,4。
(2)確定τl、ml的取值范圍分別為1≤τl≤100,1≤ml≤100,且均為正整數(shù),并給定初始值τl,0=1、ml,0=1,其中l(wèi)=1,2,3,4;
(3)采用最小二乘支持向量回歸算法對(duì)座標(biāo)xi,yi時(shí)間序列溫度ti數(shù)據(jù)進(jìn)行相空間重構(gòu),獲取狀態(tài)空間演化方程xn+1=G(xn),其中xn+1為n+1時(shí)刻相空間重構(gòu)的狀態(tài)向量;
(4)對(duì)步驟(3)中由訓(xùn)練好的LSSVM所建立的狀態(tài)空間演化方程xn+1=G(xn),以xk-1為輸入,可獲取LSSVM輸出值利用布谷鳥搜索算法,進(jìn)行參數(shù)尋優(yōu),并得獲取最小誤差下的τl、ml值,記為τl,p、ml,p,建立子溫度場(chǎng)內(nèi)坐標(biāo)k+1時(shí)刻溫度的預(yù)測(cè);
(5)將1~k時(shí)刻及k+1時(shí)刻的每個(gè)子溫度場(chǎng)的座標(biāo)及溫度數(shù)據(jù)作為樣本,以座標(biāo)分布、溫度值為樣本輸入,以0和1作為輸出,其中0表示不會(huì)發(fā)生火災(zāi),1表示會(huì)發(fā)生火災(zāi),利用LS-SVM的分類算法,進(jìn)行火災(zāi)的隱患判斷,來(lái)預(yù)測(cè)該溫度場(chǎng)內(nèi)是否有起火的趨勢(shì)。