一种基于循环神经网络的早期火灾检测方法及系统与流程

本申请涉及火灾检测，具体而言，涉及一种基于循环神经网络的早期火灾检测方法及系统。

背景技术：

1、随着数据中心、智能建筑和工业设施对安全运营要求的不断提升，基于多传感器融合与循环神经网络的早期火灾检测技术得到了广泛研究与应用。

2、现有技术方案主要有以下几类：第一类是基于固定阈值的传统检测方法，其根据单一类型传感器的瞬时读数是否超过预设阈值判断是否发生火灾，例如单独使用温度传感器或烟雾传感器设置高低阈值报警；第二类是基于多类型传感器联合阈值的检测方法，其对温度、烟雾、一氧化碳等多种类型传感器的读数进行加权求和后与综合阈值比较；第三类是基于循环神经网络的端到端检测方法，其将多类型传感器的原始读数或简单统计量直接输入循环神经网络，由网络输出火灾概率；第四类是基于时序特征的检测方法，其在循环神经网络的基础上引入滑动窗口、注意力机制等时序处理手段以增强对长时依赖的捕获。

3、然而，上述现有技术方案在实际应用中存在以下技术问题：

4、（一）固定阈值方法对背景漂移适应性差。数据中心等环境中普遍存在功率密度升级、空调模式切换、新设备引入等场景，导致各类传感器的背景读数发生系统性、渐进性的偏离。当背景发生漂移时，固定阈值方法容易将背景漂移误判为异常，或将叠加在漂移背景上的真实火灾微弱信号误判为正常，从而导致误报或漏报。

5、（二）多类型传感器联合阈值方法难以捕捉复杂的时序关联。该类方法通常对各类型传感器的瞬时读数做加权聚合，忽略了火灾信号在多传感器之间的时间序列耦合规律，例如阴燃火灾早期挥发性有机化合物和超细颗粒物同步上升而温度和一氧化碳变化滞后、明火火灾中烟雾先于温度响应等时序规律，因此难以从复杂背景中准确识别出指向火灾的真实趋势。

6、（三）端到端循环神经网络方法对训练数据分布过拟合。该类方法将原始传感器读数作为输入，模型对训练时的背景分布形成过拟合，一旦部署环境中背景分布发生变化，模型的检测性能将显著下降，且模型缺乏可解释的偏差量化机制，难以定位性能下降的原因。

7、（四）时序特征检测方法难以同时捕捉多尺度变化。火灾信号在不同发展阶段、不同类型火灾中具有不同的时间尺度特性，固定滑动窗口或单尺度时序处理方法难以同时捕捉短时突变和长时漂移，限制了对早期微弱火灾信号的识别能力。

8、（五）现有方法普遍缺乏反馈自适应机制。当发生误报或漏报后，现有方法通常仅依靠人工重新设定阈值或重新训练模型，无法在系统运行过程中持续自适应地调整检测参数，难以应对环境长期变化和传感器长期老化带来的累积性偏差。

技术实现思路

1、本申请公开了一种基于循环神经网络的早期火灾检测方法及系统，旨在解决智能建筑与工业设施中早期火灾检测系统在面对环境持续变化和传感器老化漂移时，检测精度和可靠性下降，导致对真实火灾信号识别能力不足的问题。

2、本申请的技术方案如下：

3、第一方面，本申请公开了一种基于循环神经网络的早期火灾检测方法，由计算机系统执行，包括：

4、获取每类传感器的传感器读数，对每类传感器的传感器读数进行去噪和归一化处理；每类传感器包括温度传感器、烟雾传感器、一氧化碳传感器、挥发性有机化合物传感器、超细颗粒物传感器中的一种或多种；

5、基于每类传感器的传感器读数，建立并更新每类传感器在当前环境下的行为模式基线；行为模式基线包括传感器读数的统计特征和时序特征；

6、根据每类传感器的实时读数及行为模式基线，计算每类传感器的偏差信息；

7、将偏差信息输入经训练的循环神经网络模型，由循环神经网络模型的多尺度时序特征提取层根据偏差信息的变化率自适应调整多个不同长度的滑动窗口的采样权重，并对偏差信息进行采样得到多尺度时序特征；由循环神经网络模型的双向长短期记忆编码层对多尺度时序特征进行前向和后向编码，得到跨尺度交互的前向编码和后向编码；由循环神经网络模型的时序注意力融合层根据火灾动力学先验对前向编码和后向编码进行加权融合，输出每类传感器所处区域的异常概率；

8、当异常概率超过预设阈值时，基于偏差信息执行一致性判断，确认是否存在指向火灾的异常趋势；一致性判断包括分析偏差信息的变化趋势，验证偏差信息之间是否存在物理关联；

9、根据一致性判断结果触发火灾警报；

10、根据火灾警报的反馈信息，调整行为模式基线的更新参数或一致性判断的参数。

11、第二方面，本申请还公开了一种基于循环神经网络的早期火灾检测系统，包括：

12、数据获取与预处理模块，用于获取每类传感器的传感器读数，对每类传感器的传感器读数进行去噪和归一化处理；每类传感器包括温度传感器、烟雾传感器、一氧化碳传感器、挥发性有机化合物传感器、超细颗粒物传感器中的一种或多种；

13、行为模式基线建立与更新模块，用于基于每类传感器的传感器读数，建立并更新每类传感器在当前环境下的行为模式基线；行为模式基线包括传感器读数的统计特征和时序特征；

14、偏差信息计算模块，用于根据每类传感器的实时读数及行为模式基线，计算每类传感器的偏差信息；

15、异常概率评估模块，用于将偏差信息输入经训练的循环神经网络模型，由循环神经网络模型的多尺度时序特征提取层根据偏差信息的变化率自适应调整多个不同长度的滑动窗口的采样权重后对偏差信息进行采样得到多尺度时序特征；由循环神经网络模型的双向长短期记忆编码层对多尺度时序特征进行前向和后向编码得到跨尺度交互的前向编码和后向编码；由循环神经网络模型的时序注意力融合层根据火灾动力学先验对前向编码和后向编码进行加权融合，输出每类传感器所处区域的异常概率；

16、一致性判断模块，用于当异常概率超过预设阈值时，基于偏差信息执行一致性判断，确认是否存在指向火灾的异常趋势；一致性判断包括分析偏差信息的变化趋势，验证偏差信息之间是否存在物理关联；

17、警报触发模块，用于根据一致性判断结果触发火灾警报；

18、参数调整模块，用于根据火灾警报的反馈信息，调整行为模式基线的更新参数或一致性判断的参数。

19、本申请公开的一种基于循环神经网络的早期火灾检测方法及系统，通过引入行为模式基线、多尺度时序特征提取、双向长短期记忆编码、时序注意力融合以及基于反馈信息的参数自适应调整机制，旨在有效应对环境变化和传感器漂移带来的挑战，显著提升早期火灾检测的准确性和鲁棒性。

1.一种基于循环神经网络的早期火灾检测方法，由计算机系统执行，其特征在于，包括：

2.根据权利要求1所述的基于循环神经网络的早期火灾检测方法，其特征在于，所述循环神经网络模型输出所述异常概率、不确定性估计、异常类型分类和异常时间窗口预测；所述不确定性估计由所述循环神经网络模型通过蒙特卡洛dropout采样得到，包括认知不确定性和偶然不确定性；所述一致性判断基于所述异常类型分类、所述不确定性估计和所述异常时间窗口预测，采用贝叶斯推理进行多维证据融合，根据融合后的后验概率判断是否存在指向火灾的异常趋势。

3.根据权利要求1所述的基于循环神经网络的早期火灾检测方法，其特征在于，所述方法还包括：

4.根据权利要求1所述的基于循环神经网络的早期火灾检测方法，其特征在于，所述方法还包括训练所述循环神经网络模型，具体为：

5.根据权利要求1所述的基于循环神经网络的早期火灾检测方法，其特征在于，所述当所述异常概率超过预设阈值时，基于所述偏差信息执行一致性判断，确认是否存在指向火灾的异常趋势的步骤包括：

6.根据权利要求1所述的基于循环神经网络的早期火灾检测方法，其特征在于，所述根据所述火灾警报的反馈信息，调整所述行为模式基线的更新参数或所述一致性判断的参数的步骤包括：

7.根据权利要求1所述的基于循环神经网络的早期火灾检测方法，其特征在于，所述基于所述每类传感器的传感器读数，建立并更新所述每类传感器在当前环境下的行为模式基线的步骤包括：

8.根据权利要求1所述的基于循环神经网络的早期火灾检测方法，其特征在于，所述方法还包括：

9.根据权利要求1所述的基于循环神经网络的早期火灾检测方法，其特征在于，所述方法还包括：在线增量更新所述循环神经网络模型，具体为：

10.一种基于循环神经网络的早期火灾检测系统，其特征在于，包括：