本發(fā)明涉及火災預警，尤其涉及一種基于裂解質數據分析的火災隱患預警系統及方法。

背景技術：

1、近年來，隨著城市地下管廊建設規(guī)模的不斷擴大和管理要求的日益嚴格，地下管廊的安全監(jiān)測已成為城市安全管理的重要組成部分，在地下管廊中裂解質傳感器作為一種關鍵的環(huán)境監(jiān)測設備，主要用于捕捉并監(jiān)測熱解粒子及相關有害氣體的含量，以便及時預警火災或其他安全隱患，然而在實際應用過程中，存在一個亟待解決的技術難題：當人員在地下管廊進行檢修時，由于人員自身攜帶的衣物或工具中附帶裂解質傳感器所監(jiān)測的相關氣體，因此使得人員在裂解質傳感器監(jiān)測范圍內活動時導致傳感器檢測到的氣體濃度異常，從而引發(fā)頻繁的誤報和誤差報警問題，該問題不僅增加了維護人員的工作負擔，而且導致安全監(jiān)測數據混亂，降低預警系統的整體準確性和可靠性。

2、目前，現有技術主要依靠單一傳感器的監(jiān)測數據，未能充分考慮環(huán)境中人員流動及其攜帶氣體對傳感器檢測數據的干擾，部分方案嘗試通過簡單的濾波和數據平滑技術來降低誤報率，但往往難以區(qū)分因人員影響引起的異常數據與真實的環(huán)境異常情況，因此迫切需要一種能夠綜合考慮人員流動、傳感器分布以及多模態(tài)環(huán)境數據的火災隱患預警系統和方法，以便在復雜的地下管廊環(huán)境中，準確剔除由人員干擾引起的虛假報警，確保預警信息的真實有效。

技術實現思路

1、為了克服人員攜帶氣體對裂解質傳感器檢測數據干擾的缺點，本發(fā)明提供了一種基于裂解質數據分析的火災隱患預警系統及方法。

2、技術方案如下：一種基于裂解質數據分析的火災隱患預警系統，包括：

3、數據獲取模塊，用于獲取裂解質相關數據和人員流動相關數據；

4、第一預警值獲取模塊，用于根據所述裂解質相關數據使用第一預警調整公式獲取第一預警值；

5、檢測影響系數獲取模塊，用于根據人員流動相關數據和所述裂解質相關數據，獲取異常檢修人員檢測影響系數；

6、協同數據獲取模塊，用于根據目標裂解質傳感器確定協同裂解質傳感器，并獲取協同裂解質傳感器相關數據；

7、第二預警值獲取模塊，用于根據所述協同裂解質傳感器相關數據使用第二預警調整公式，獲取第二預警值；

8、輔助預警值獲取模塊，用于根據火災預警模型獲得輔助預警值；

9、最終預警值獲取模塊，用于根據第一預警值、第二預警值和輔助預警值，使用最終預警公式獲得最終預警值；

10、預警調整模塊，用于根據所述最終預警值進行預警和對裂解質傳感器調整。

11、優(yōu)選地，所述數據獲取模塊，用于獲取裂解質相關數據和人員流動相關數據，包括：獲取目標區(qū)域內裂解質相關數據和人員流動相關數據，所述裂解質相關數據包含相關氣體的標準含量、裂解質傳感器位置、裂解質傳感器監(jiān)測范圍和裂解質傳感器數量；所述人員流動相關數據包含異常檢修人員的停留時長和異常檢修人員位置；根據所述裂解質相關數據使用第一預警調整公式獲取第一預警值，其中所述異常檢修人員為攜帶相關干擾氣體的檢修人員；所述目標區(qū)域內裂解質相關數據為地下管廊中裂解質相關數據和人員流動相關數據；所述裂解質傳感器用于捕捉并監(jiān)測相關氣體；所述相關氣體為熱解粒子。

12、優(yōu)選地，所述第一預警值獲取模塊，用于根據所述裂解質相關數據使用第一預警調整公式獲取第一預警值，包括：根據所述裂解質相關數據對目標裂解質傳感器進行歸一化調整后，使用第一預警調整公式獲取第一預警值，當裂解質傳感器與異常檢修人員的距離小于第二預設范圍時，將此裂解質傳感器作為目標裂解質傳感器，其中第一預警調整公式為：

13、；

14、式中，為第一預警值；為異常檢修人員檢測影響系數；為目標裂解質傳感器監(jiān)測的相關氣體檢測含量；為相關氣體的標準含量；為目標裂解質傳感器第一預設范圍內報警的裂解質傳感器的數量；為第一預警調整公式的調整系數。

15、優(yōu)選地，所述檢測影響系數獲取模塊，用于根據人員流動相關數據和所述裂解質相關數據，獲取異常檢修人員檢測影響系數，包括：根據所述人員流動相關數據和所述裂解質相關數據進行歸一化調整后，獲得異常檢修人員檢測影響系數，根據所述異常檢修人員位置、裂解質傳感器監(jiān)測范圍和裂解質傳感器位置，分別獲得異常檢修人員于各裂解質傳感器監(jiān)測范圍內報警時的停留時長和異常檢修人員于各裂解質傳感器監(jiān)測范圍內報警時，與各裂解質傳感器的距離，

16、；

17、式中，為異常檢修人員檢測影響系數；為異常檢修人員在第個裂解質傳感器監(jiān)測范圍內報警時的停留時長；為異常檢修人員在第個裂解質傳感器監(jiān)測范圍內報警時與第個裂解質傳感器的距離；為第個裂解質傳感器的權重調整系數；為調節(jié)因子。

18、優(yōu)選地，所述協同數據獲取模塊，用于根據目標裂解質傳感器確定協同裂解質傳感器，并獲取協同裂解質傳感器相關數據，包括：獲取目標裂解質傳感器第三預設范圍內未被異常檢修人員經過的協同裂解質傳感器相關數據，所述協同裂解質傳感器相關數據包含協同裂解質傳感器位置、協同裂解質傳感器的預警準確率和協同裂解質傳感器數量，根據所述協同裂解質傳感器相關數據使用第二預警調整公式，獲取第二預警值。

19、優(yōu)選地，所述第二預警值獲取模塊，用于根據所述協同裂解質傳感器相關數據使用第二預警調整公式，獲取第二預警值，包括：根據各協同裂解質傳感器位置和目標裂解質傳感器的位置，獲得各協同裂解質傳感器與目標裂解質傳感器的距離，并使用第二預警調整公式，獲取第二預警值，其中第二預警公式為：

20、；

21、式中，為第二預警值；為第個協同裂解質傳感器的預警準確率；為第個協同裂解質傳感器與目標裂解質傳感器的距離；為第個協同裂解質傳感器的相關氣體檢測含量；為相關氣體的標準含量；為協同裂解質傳感器數量；為第個協同裂解質傳感器的權重調整系數。

22、優(yōu)選地，所述輔助預警值獲取模塊，用于根據火災預警模型獲得輔助預警值，包括：通過非裂解質傳感器的多模態(tài)融合的火災預警模型，獲得輔助預警值，通過環(huán)境溫度傳感器、濕度傳感器、煙霧濃度傳感器、紅外圖像傳感器及聲音監(jiān)測傳感器采集多模態(tài)傳感器數據，并進行去噪、歸一化、時序校正及數據增強處理，采用卷積神經網絡與循環(huán)神經網絡相結合的深度學習算法，進行訓練后獲得火災預警模型，基于所述火災預警模型對綜合火災風險特征向量進行實時分析計算，獲得輔助預警值。

23、優(yōu)選地，所述最終預警值獲取模塊，用于根據第一預警值、第二預警值和輔助預警值，使用最終預警公式獲得最終預警值，包括：根據第一預警值、第二預警值和輔助預警值，使用最終預警公式獲得最終預警值，其中最終預警公式為：

24、；

25、式中，為最終預警值；為第一預警值；為第二預警值；為輔助預警值；為異常檢修人員檢測影響系數；為權重調節(jié)系數。

26、優(yōu)選地，所述預警調整模塊，用于根據所述最終預警值進行預警和對裂解質傳感器調整，包括：當所述最終預警值大于等于預設預警閾值且持續(xù)時間大于預設預警時間時，對相關人員發(fā)出預警信息，并根據所述最終預警值對裂解質傳感器的數量和位置進行調整。

27、優(yōu)選地，一種基于裂解質數據分析的火災隱患預警方法，還包括：

28、s1：獲取裂解質相關數據和人員流動相關數據；

29、s2：根據所述裂解質相關數據使用第一預警調整公式獲取第一預警值；

30、s3：根據所述協同裂解質傳感器相關數據使用第二預警調整公式，獲取第二預警值；

31、s4：根據火災預警模型獲得輔助預警值；

32、s5：根據第一預警值、第二預警值和輔助預警值，使用最終預警公式獲得最終預警值；

33、s6：根據所述最終預警值進行預警和對裂解質傳感器調整。

34、本發(fā)明具有如下優(yōu)點：

35、1、本發(fā)明通過引入人員流動數據與異常檢修人員檢測影響系數，對因人員帶入的干擾氣體進行合理補償和校正，確保傳感器檢測數據更準確地反映實際環(huán)境狀況，顯著降低因人員干擾引發(fā)的誤報概率；

36、2、本發(fā)明通過采用數據獲取、協同數據處理、預警值計算以及深度學習輔助預警的多模塊協同工作方式，綜合利用裂解質傳感器、溫度、濕度、煙霧、紅外圖像及聲音的多種傳感器數據，形成多角度和全方位的監(jiān)測網絡，從而提升火災隱患預警的可靠性和實時性；

37、3、本發(fā)明通過利用預警調整模塊，根據最終預警值對裂解質傳感器的數量和位置進行智能調整，能夠適應地下管廊環(huán)境中作業(yè)情況多變的實際場景，實現動態(tài)自適應的預警響應機制。