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{s_i}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{s_i}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{(X_i，Y_i，S_i)}；

(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x_b^(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{(X_i，Y_i，S_i)}進(jìn)行排序，按10％的比例剪除小部分|α_i|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{s_i}，構(gòu)造新的數(shù)據(jù)集{(X_i，Y_i，S_i)}；

(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)x_i，y_i的k時(shí)刻的溫度為t_i，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{(m_l-1)τ_l+1}，τ_l、m_l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τ_l、m_l的取值范圍分別為1≤τ_l≤100，1≤m_l≤100，且均為正整數(shù)，并給定初始值τ_l,0＝1、m_l,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)x_i，y_i時(shí)間序列溫度t_i數(shù)據(jù)進(jìn)行相空間重構(gòu)，獲取狀態(tài)空間演化方程x_n+1＝G(x_n)，其中x_n+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x_n+1＝G(x_n)，以x_k-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τ_l、m_l值，記為τ_l,p、m_l,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)。