一种基于物联网与智能算法的消防安全预警及应急处置系统与方法与流程

本发明涉及消防安全管理，具体地，涉及一种基于物联网与智能算法的消防安全预警及应急处置系统与方法。

背景技术：

1、随着城市化进程的加速，各类建筑的功能复杂度、空间规模及人员密度持续提升，传统消防安全系统已难以满足现代化消防安全管理的需求，其技术缺陷日益凸显：

2、一、预警机制滞后且误报率高。 传统消防系统多依赖单一烟雾传感器或温度传感器触发报警，属于“事后报警”模式，缺乏火灾发生前的风险预判能力；同时，传感器易受环境干扰导致误报率高，不仅影响用户正常生活与工作，还可能削弱公众对报警信号的信任度。

3、二、数据处理与整合能力薄弱。 现有系统无法有效整合多维度消防数据，包括温度、燃气浓度、人员密度、消防设备状态、建筑结构参数等，数据呈现碎片化特征，难以形成对消防安全状态的全面感知与综合判断，导致决策依据不足。

4、三、应急处置缺乏个性化与智能化。 现有系统的应急方案多为固定流程，未结合火灾发生位置、火势蔓延速度、人员分布密度、建筑结构特点等实时场景动态调整，导致处置方案针对性差、效率低，无法有效引导人员疏散与消防设备协同运作。

5、四、设备联动与协同性不足。 消防设备、人员通知终端、应急指挥中心之间存在数据壁垒，缺乏统一的协同调度机制，火灾发生时易出现设备启动不及时、疏散指令传递不畅、救援信息不对称等问题，延误最佳处置时机。

6、近年来，已有部分专利技术尝试解决上述问题。例如，专利号cn202411838324.2《一种基于物联网与人工智能技术的智慧消防系统》描述了一种基于物联网与ai的智慧消防系统，通过5g双模网关和vpn加密实现高优先级数据传输，结合声光报警器、手机app等多终端分级通知及gb/t 28181协议应急指挥协同模块，动态适配商场高密度/住宅低密度场景的消防需求。专利号cn202411367269.3《基于强化学习的应急救援方案生成方法、系统及装置》提出一种基于强化学习的应急救援方案生成方法，采用dqn算法构建以伤员生存概率为核心的奖励函数，通过经验回放与优势估计优化救援路径和资源分配，支持多场景适配与动态资源调度。专利号cn118780536a《基于消防物联网的调度控制平台》提出一种基于消防物联网的调度控制平台，通过自适应感知调度模块动态调整传感器采集频率与精度，结合多模态数据加权融合算法生成火灾风险值，并利用闭环管理机制记录数据同步至知识库与案例库实现自学习优化。

7、然而，上述现有专利技术仍存在以下不足：

8、场景适配碎片化：各技术方案仅针对特定环节或特定场景进行优化，缺乏从感知到执行的全链路统一调度能力；数据融合静态化：多源数据的融合方式多为固定权重或简单加权，未能根据传感器实时状态动态调整融合策略；决策逻辑单一：应急决策多依赖于预设规则或单一模型，缺乏跨场景的自适应优化能力。以上缺陷导致现有系统难以实现消防安全管理的动态化、智能化与自优化。

9、为此，本发明提出一种集成“自适应感知—智能传输—多模态处理—强化学习决策—协同执行—自学习闭环”的全链路智能消防安全系统，通过物联网与ai技术的深度融合，实现消防安全管理的动态化、智能化与自优化，填补现有技术空白。

技术实现思路

1、本发明的目的是提供一种基于物联网与智能算法的消防安全预警及应急处置系统与方法，以解决现有技术中存在的问题。

2、本发明的上述技术目的是通过以下技术方案实现的：

3、一种基于物联网与智能算法的消防安全预警及应急处置方法，包括如下步骤：

4、步骤s1.数据采集与自适应感知调度

5、通过自适应感知调度模块动态调整多维度物联网传感器阵列与多模态采集单元的采集参数，采集消防数据与多模态信息；

6、步骤s2.数据传输与优先级调度

7、通过传输层优先级调度模块根据火灾风险程度对所述消防数据与多模态信息进行分级，并基于分级结果分配带宽资源以实现差异化传输；

8、步骤s3.多模态数据处理与融合

9、通过异常数据智能甄别模块剔除消防数据与多模态信息中的无效数据，并通过多源数据融合模块对所述消防数据与多模态信息进行深度融合，生成融合后的消防状态数据并进行存储；

10、步骤s4.强化学习决策与方案生成

11、利用风险预测模型和火灾识别模型挖掘消防状态数据的风险信号，并结合强化学习优化引擎与跨场景风险适配模块，动态生成优化的应急处理方案；

12、步骤s5.协同执行与分级处置

13、根据所述应急处理方案，通过设备联动优先级调度模块、多终端分级通知模块以及应急指挥协同模块，执行分级处置操作；

14、步骤s6.闭环管理与自学习优化

15、记录全流程的运行数据，并将运行数据同步至消防安全知识库与自学习历史案例库，实现运行参数的自学习优化。

16、进一步的，所述步骤s1中，自适应感知调度模块采用基于模糊推理的传感器动态调度算法，基于预设的模糊规则，输入环境干扰强度e、历史风险等级r和场景危险系数s，通过重心法解模糊得到采集调节系数k，其计算公式为：

17、；

18、其中，为预设的权重系数；进而根据所述采集调节系数k对传感器的默认采样频率进行同向调整，获得目标采样频率，其计算公式为：

19、；

20、当所述采集调节系数k超过设定阈值时，控制调高所述多模态采集单元的摄像头帧率，并控制所述多维度物联网传感器阵列中的烟雾传感器切换进入高灵敏度模式；所述自适应感知调度模块通过消息队列遥测传输协议与所述多维度物联网传感器阵列和多模态采集单元进行参数动态配置通信。

21、进一步的，所述步骤s2中，传输层的优先级调度模块基于风险评分r、数据实时性等级t以及数据类型重要度d计算得到各所述消防数据与多模态信息的优先级权重p，其计算公式为：

22、

23、其中，为权重系数；

24、根据所述优先级权重p所处的数值区间将对应的消防数据与多模态信息进行分级；分级的结果用于确定消防数据与多模态信息的发送调度顺序；

25、物联网网关在发送调度顺序确定后，按照以下公式，在同一优先级等级内按权重差异分配带宽资源：

26、

27、其中，为第i类数据获得的带宽；为第i类数据的优先级权重；为当前待传输所有数据包优先级权重之和；为总带宽。

28、进一步的，所述步骤s3中，多源数据融合模块采用如下的基于注意力机制的动态加权融合算法；

29、对第i个传感器建立可靠性评价指标：

30、

31、其中，为第i个传感器的可靠性评分，为历史准确率，为信号稳定度，为当前通信质量，为权重系数；

32、根据可靠性评价指标计算融合权重：

33、

34、其中，为第i个传感器的融合权重，为自然指数函数，为所有传感器指数值之和；

35、则消防状态向量表示为：

36、

37、其中，f为融合后的消防状态向量，为第i个传感器采集的数据；

38、当某一传感器的融合权重连续低于预设阈值时，所述异常数据智能甄别模块自动降低其参与融合消防状态向量f的比例；所述多源数据融合模块通过历史数据训练得到并实时更新。

39、进一步的，所述步骤s4中，风险预测模型输入连续时间窗口内的环境状态向量，包括温度、湿度、烟雾浓度、燃气浓度和人员密度，计算输出未来时间内的风险概率，当该风险概率超过第一预设阈值时触发预警分析流程；

40、所述火灾识别模型输入多模态图像数据，包括可见光图像、红外热成像图像和声学频谱图，通过模型计算输出火灾置信度，当该火灾置信度超过第二预设阈值时判定存在真实火情；

41、所述强化学习优化引擎采用dqn算法建立消防应急决策模型，其状态空间包括火势等级、人员密度、疏散距离和设备状态，动作空间包括启动喷淋系统、开启排烟风机、关闭防火门和发布疏散指令，奖励函数由成功疏散人数、火灾损失和设备能耗三项加权构成，其中成功疏散人数乘以正权重，火灾损失和设备能耗分别乘以负权重；

42、所述消防应急决策模型不断更新状态动作值函数并选择最优动作序列，实现消防设备联动与人员疏散路径动态优化；所述跨场景风险适配模块用于根据不同场景类型调整所述第一预设阈值和所述第二预设阈值。

43、进一步的，所述步骤s5中，设备联动优先级调度模块采用工业级可编程逻辑控制器实现，支持多协议对接；所述多终端分级通知模块包括高音量声光报警器、智能显示屏、电梯语音模块和手机应用程序终端，用于实现分级信息推送；所述应急指挥协同模块包括支持gb/t28181协议的通信模块，用于实现与消防救援指挥中心的实时对接。

44、一种基于物联网与智能算法的消防安全预警及应急处置系统，包括：

45、感知层，用于通过自适应感知调度模块动态调整多维度物联网传感器阵列与多模态采集单元的采集参数，采集消防数据与多模态信息；

46、传输层，用于通过传输层优先级调度模块根据火灾风险程度对所述消防数据与多模态信息进行分级，并基于分级结果分配带宽资源以实现差异化传输；

47、多模态数据处理层，用于通过异常数据智能甄别模块剔除消防数据与多模态信息中的无效数据，并通过多源数据融合模块对所述消防相关数据与多模态信息进行深度融合，生成融合后的消防状态数据并进行存储；

48、强化学习决策层，用于利用风险预测模型和火灾识别模型挖掘消防状态数据的风险信号，并结合强化学习优化引擎与跨场景风险适配模块，动态生成优化的应急处理方案；

49、协同执行层，用于根据所述应急处理方案，通过设备联动优先级调度模块、多终端分级通知模块以及应急指挥协同模块，执行分级处置操作；

50、闭环管理模块，用于记录全流程的运行数据，并将运行数据同步至消防安全知识库与自学习历史案例库，实现运行参数的自学习优化。

51、一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述系统的运行；所述计算机可读存储介质包括电子的、磁性的、光学的、电磁的、红外的或半导体的系统、装置或设备，或者上述内容的任意组合。

52、一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述系统的运行。

53、综上所述，本发明具有以下有益效果：

54、针对背景技术中预警机制滞后且误报率高的缺陷，本发明利用模糊推理算法动态输入当前检测到的环境干扰强度、历史风险等级和场景危险系数，精准计算出采集调节系数，从而对传感器的默认采样频率进行同向调整。这种动态采样机制配合高灵敏度模式切换与异常数据智能甄别，改变了传统静态或事后报警的常规模式，有效实现了火灾初期的趋势预判，极大降低了环境干扰引起的单点误报。

55、针对突发火情时物联网数据量激增、网络极易发生拥堵以及关键核心报警流丢包的痛点，本发明根据风险评分、数据实时性等级以及数据类型重要度动态计算出各数据的优先级权重，并在物联网网关处根据优先级别划分发送顺序。在同一优先级内，系统按照权重差异动态、按需为其分配带宽，确保了实时火灾视频流以及关键告警等核心数据在极端网络拥堵下仍能高优先、无损坏地完成传输。

56、针对传统方案多为固定权重或简单加权、导致多维数据处理与整合能力薄弱的问题，本发明的多源数据融合模块针对各个传感器建立包含历史准确率、信号稳定度和当前通信质量的综合可靠性评价指标，并采用基于注意力机制的指数归一化算法计算融合权重。最终生成的消防状态向量能够客观、全面、动态地反映整体火情状态，并能自动隔离持续强干扰或损坏的故障设备，保障了系统决策依据的整体容错能力与深度整合能力。

57、针对现有消防应急处置方案呆板、多依赖单一模型或固定流程且缺乏场景针对性的弊端，本发明采用深度强化学习网络构建消防应急决策模型。模型以多维环境状态为状态空间，以设备联动和疏散指令为动作空间，构建包含成功疏散人数、火灾损失和设备能耗的复合奖励函数。通过不断更新状态动作值并选择最优动作序列，动态生成应急处理方案，配合跨场景风险适配模块对第一和第二预设阈值的自适应动态调整，最大化提升了人员疏散效率并减少了火灾财产损失。

58、本发明打破了传统消防中设备、通知终端与社会化指挥中心之间的数据壁垒，利用闭环管理模块全程记录全流程运行数据，并在火灾或演练处置结束后实时同步至消防安全知识库与自学习历史案例库。系统利用累积的真实案例特征进行增量训练，自学习优化感知调度的模糊规则参数、可靠性评分模型系数以及强化学习决策模型的奖励函数权重，使系统的预警与处置性能伴随运行周期的延长而不断进化。