一种智能消防的感知预警方法、装置、存储介质及终端与流程

1.本发明涉及智能消防安全技术领域，特别涉及一种智能消防的感知预警方法、装置、存储介质及终端。


背景技术：

2.目前现有的消防安全报警都是在火灾已经发生时，或者已经发生后才进行或者报警，而如果在火灾已经发生后再进行报警，虽然也能及时通知抢救人员到场对火灾进行控制，抢救人员到达火灾现场也需要一定的时间，而在这段时间内火灾也会造成一定的损失。随着技术的发展，综合运用物联网、云计算、大数据、移动互联网、ai等新兴信息技术，构建消防大数据预警预测监管平台，全面促进信息化与消防业务工作的深度融合，为构建立体化、全覆盖的社会火灾防控体系，实现“传统消防”向“现代消防”的转变。
3.在现有技术中，一种基于深度学习的智能消防分级预警方法及系统(申请号：cn110070690 a)通过对各异地监测点的环境温度以及容易发生火灾处环境温度、烟感浓度、火焰温度以及火焰辐射能量波长的变化趋势进行分析，预警下一时间段内的极限边界值是否会达到预先分级预警阈值条件，通过提前对可能发生火灾的环境温度、烟感浓度、火焰温度以及火焰辐射能量波长进行预警能够及时对火灾进行分级预警，让抢救人员有时间达到火灾现场，减小了火灾发生造成的损失。现有技术通过分析环境温度、烟感浓度、火焰温度以及火焰辐射能量波长的变化趋势来进行预警，由于这些因素的变化通常要等到火灾已经发生了才能发现，因此预警有些滞后，而且对于一些消防设施，如消防水压、水位监控设施的故障而造成的消防隐患，不能进行及时预警。


技术实现要素：

4.本技术实施例提供了一种智能消防的感知预警方法、装置、存储介质及终端。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。
5.第一方面，本技术实施例提供了一种智能消防的感知预警方法，方法包括：
6.接收来自消防传感器的实时感知数据；
7.根据实时感知数据，并结合预先生成的状态超空间模型计算消防系统的风险度；
8.根据消防系统的风险度进行可视化分级预警。
9.可选的，接收来自消防传感器的实时感知数据之前，还包括：
10.读取经过云平台清理归档后的物联网中每个消防设施的反馈信息；
11.对每个消防设施的反馈信息预处理，得到每个消防设施的正常运行数据；
12.根据每个消防设施的正常运行数据构建状态超空间模型。
13.可选的，根据每个消防设施的正常运行数据构建状态超空间模型，包括：
14.获取每个消防设施的正常运行数据的采集时间；
15.根据采集时间的先后顺序将每个消防设施的正常运行数据进行排序，得到排序后的正常运行数据；
16.将排序后的正常运行数据进行等距抽样，得到样本数据；
17.将样本数据进行归一化处理，并根据归一化后的结果生成状态超空间模型。
18.可选的，预先生成的状态超空间模型包括空间位置计算模块和距离计算模块；
19.根据实时感知数据，并结合预先生成的状态超空间模型计算消防系统的风险度，包括：
20.根据空间位置计算模块计算实时感知数据在预先生成的状态超空间模型中的空间位置；
21.根据距离计算模块计算空间位置与预先生成的状态超空间模型中已存在的正常状态点之间的目标距离；
22.将目标距离转换为消防系统的风险度。
23.可选的，方法还包括：
24.计算目标距离所对应的状态贡献度；
25.根据目标距离绘制风险度曲线；
26.将状态贡献度与风险度曲线发送至客户端进行展示。
27.可选的，根据消防系统的风险度进行可视化分级预警，包括：
28.当消防系统的风险度大于预设预警线且预警时长和预警次数大于预设参数值时，生成预警信息；
29.根据预警信息进行可视化预警。
30.可选的，根据预警信息进行可视化预警，包括：
31.统计预警信息的总数量；
32.当总数量大于预设阈值时，生成预警记录；
33.当预警记录的数量大于预设条数时，生成报警信息；
34.获取预警记录的数量对应的等级颜色渲染参数；
35.基于等级颜色渲染参数对报警信息进行颜色渲染，并将渲染后的报警信息发送至客户端进行展示。
36.第二方面，本技术实施例提供了一种智能消防的感知预警装置，装置包括：
37.感知数据接收模块，用于接收来自消防传感器的实时感知数据；
38.风险度计算模块，用于根据实时感知数据，并结合预先生成的状态超空间模型计算消防系统的风险度；
39.分级预警模块，用于根据消防系统的风险度进行可视化分级预警。
40.第三方面，本技术实施例提供一种计算机存储介质，计算机存储介质存储有多条指令，指令适于由处理器加载并执行上述的方法步骤。
41.第四方面，本技术实施例提供一种终端，可包括：处理器和存储器；其中，存储器存储有计算机程序，计算机程序适于由处理器加载并执行上述的方法步骤。
42.本技术实施例提供的技术方案可以包括以下有益效果：
43.在本技术实施例中，智能消防的感知预警装置首先接收来自消防传感器的实时感知数据，然后根据实时感知数据，并结合预先生成的状态超空间模型计算消防系统的风险
度，最后根据消防系统的风险度进行可视化分级预警。由于本技术通过分析消防系统中用于数据采集的全部消防传感器的实时数据，并结合预先生成的状态超空间模型计算消防系统的风险度，结合风险度确定其状态，当状态开始偏离正常值就进行预警，可以更早、更快地预警消防事故，将灾情扼杀在萌芽状态，从而提升了预警效率。
44.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
45.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
46.图1是本技术实施例提供的一种智能消防的感知预警方法的流程示意图；
47.图2是本技术提供的智能消防的感知预警过程的过程示意图；
48.图3是本技术实施例提供的一种建状态超空间模型构建方法的流程示意图；
49.图4是本技术实施例提供的一种智能消防的感知预警装置的结构示意图；
50.图5是本技术实施例提供的一种终端的结构示意图。
具体实施方式
51.以下描述和附图充分地示出本发明的具体实施方案，以使本领域的技术人员能够实践它们。
52.应当明确，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
53.下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
54.在本发明的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。此外，在本发明的描述中，除非另有说明，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
55.本技术提供了一种智能消防的感知预警方法、装置、存储介质及终端，以解决上述相关技术问题中存在的问题。本技术提供的技术方案中，由于本技术通过分析消防系统中用于数据采集的全部消防传感器的实时数据，并结合预先生成的状态超空间模型计算消防系统的风险度，结合风险度确定其状态，当状态开始偏离正常值就进行预警，可以更早、更快地预警消防事故，将灾情扼杀在萌芽状态，从而提升了预警效率，下面采用示例性的实施例进行详细说明。
56.下面将结合附图1-附图3，对本技术实施例提供的智能消防的感知预警方法进行
详细介绍。该方法可依赖于计算机程序实现，可运行于基于冯诺依曼体系的智能消防的感知预警装置上。该计算机程序可集成在应用中，也可作为独立的工具类应用运行。
57.请参见图1，为本技术实施例提供了一种智能消防的感知预警方法的流程示意图。如图1所示，本技术实施例的方法可以包括以下步骤：
58.s101，接收来自消防传感器的实时感知数据；
59.其中，消防传感器是布设在实际环境中大量的消防组件，例如消防相关的采集传感器、灭火装置、水龙头或者视频信息等。该大量的消防组件可构成消防系统的物联网。
60.通常，通过消防系统的物联网，采集消防设施的信息，并在云平台上存储成为历史感知数据。
61.在本技术实施例中，在接收来自消防传感器的实时感知数据之前，还需要生成状态超空间模型，在生成模型时，首先读取经过云平台清理归档后的物联网中每个消防设施的反馈信息，然后对每个消防设施的反馈信息预处理，得到每个消防设施的正常运行数据，最后根据每个消防设施的正常运行数据构建状态超空间模型。
62.具体的，根据每个消防设施的正常运行数据构建状态超空间模型时，首先获取每个消防设施的正常运行数据的采集时间，然后根据采集时间的先后顺序将每个消防设施的正常运行数据进行排序，得到排序后的正常运行数据，其次将排序后的正常运行数据进行等距抽样，得到样本数据，最后将样本数据进行归一化处理，并根据归一化后的结果生成状态超空间模型。
63.在一种可能的实现方式中，在生成状态超空间模型后，可接收来自消防传感器的实时感知数据进行预警分析。
64.s102，根据实时感知数据，并结合预先生成的状态超空间模型计算消防系统的风险度；
65.其中，实时感知数据是最新采集到的当前时刻数据。
66.通常，预先生成的状态超空间模型包括空间位置计算模块和距离计算模块。
67.在本技术实施例中，首先根据空间位置计算模块计算实时感知数据在预先生成的状态超空间模型中的空间位置，然后根据距离计算模块计算空间位置与预先生成的状态超空间模型中已存在的正常状态点之间的目标距离，最后将目标距离转换为消防系统的风险度。
68.进一步地，在得到消防系统的风险度后，首先计算目标距离所对应的状态贡献度，然后根据目标距离绘制风险度曲线，最后将状态贡献度与风险度曲线发送至客户端进行展示。
69.在一种可能的实现方式中，新进入的实时感知数据首先要计算出在状态超空间模型中的位置，然后根据该位置计算与正常状态点位置之间的距离，并将距离转换成风险度。假设新一秒感知数据回传后，根据样本集就可基于空间位置来度量新数据与正常数据的距离。距离计算可采用欧几里得距离或其他距离方式来计算，欧几里得距离计算公式为：
70.其中，i为正常状态点位置，j为计算出的位置，m为正常状态点数量，k为欧几里得设定值。
71.进一步地，根据计算出的距离，计算出该距离在全部正常距离中的位置，并将其归一化为风险度，生成消防系统风险度的时间序列。对于单个的风险度值，如果其数值越接近
0，表明状态越正常，系统的风险度低；如果其数值越接近1，表示状态越异常，系统的风险度高。此外，通过ai算法，计算出距离所对应的状态贡献度，从而直观知道导致距离变化的原因，进一步指导消防系统的维护人员去进行排查，提高发现风险隐患的效率。
72.需要说明的是，消防系统的每个实时数据都可以通过距离的计算得到一个风险度值。随着系统的运行，实时数据不断输入到模型中，从而得到该系统运行状态的风险度曲线。这条风险度曲线以可视化的方式在web页面中实时展示出来，刻画了消防系统的即时风险状况。
73.s103，根据消防系统的风险度进行可视化分级预警。
74.其中，消防系统经常会出现偶发性瞬间异常的状况，但是之后就不再出现异常征兆。这种情况往往不会影响正常工作，为消防系统的一种常态，这种现象被称之为模型内的异常化常态。在监测消防系统风险度的时候，需要对这种异常化常态进行过滤，否则会大大增加系统的虚警率。
75.通常，通过异常化常态规则设定页面进行设置。异常化常态的过滤规则为：用户在web页面可以依据消防系统维护经验输入“预警线”、“预警累积次数”、“预警间隔时长”等参数。只有当风险度(模型计算出的风险度)低于“预警线”，“预警间隔时长”小于m时刻且“预警累积次数”大于n次时，系统才会生成一条预警记录。预警记录包含预警开始时间、预警等级、预警持续时间等变量。
76.在本技术实施例中，在根据消防系统的风险度进行可视化分级预警时，首先当消防系统的风险度大于预设预警线且预警时长和预警次数大于预设参数值时，生成预警信息，然后根据预警信息进行可视化预警。
77.具体的，在根据预警信息进行可视化预警时，首先统计预警信息的总数量，然后当总数量大于预设阈值时，生成预警记录，其次当预警记录的数量大于预设条数时，生成报警信息，最后获取预警记录的数量对应的等级颜色渲染参数，并基于等级颜色渲染参数对报警信息进行颜色渲染，并将渲染后的报警信息发送至客户端进行展示。
78.在一种可能的实现方式中，对消防系统整体健康程度可以进行三个级别的预警，分别是：风险度中度告警(黄色)、风险度重度预警(橙色)、发射机故障预警(红色)。这三个等级的预警分别对应不同的规则设定，即不同等级的“预警线”、“预警累积次数”、“预警间隔时长”等参数设定。可调节的分级预警，满足了对消防系统故障预警管理工作的业务需求。
79.例如图2所示，图2是本技术提供的智能消防的感知预警过程的过程示意图，首先是异常状态数据清洗，可通过设定的数据清洗规则进行处理，这部分的作用是删除掉所有的干扰数据和故障数据，使得进入后续算法的数据全部是正常的、健康的系统运行数据。其次是采用状态风险度算法，根据前一步骤输入的正常状态数据进行空间抽样和归一化处理后生成状态超空间模型，新进入的数据首先计算出在状态超空间模型中的位置，然后计算与正常状态点的距离，并将距离转换成风险度；最后是分级预警，根据实时计算出距离读数画出系统的风险度曲线，在过滤掉异常化常态后，给出三个级别的预警。
80.在本技术实施例中，智能消防的感知预警装置首先接收来自消防传感器的实时感知数据，然后根据实时感知数据，并结合预先生成的状态超空间模型计算消防系统的风险度，最后根据消防系统的风险度进行可视化分级预警。由于本技术通过分析消防系统中用
于数据采集的全部消防传感器的实时数据，并结合预先生成的状态超空间模型计算消防系统的风险度，结合风险度确定其状态，当状态开始偏离正常值就进行预警，可以更早、更快地预警消防事故，将灾情扼杀在萌芽状态，从而提升了预警效率。
81.请参见图3，为本技术实施例提供了一种建状态超空间模型构建方法的流程示意图。如图3所示，本技术实施例的方法可以包括以下步骤：
82.s201，读取经过云平台清理归档后的物联网中每个消防设施的反馈信息；
83.s202，对每个消防设施的反馈信息预处理，得到每个消防设施的正常运行数据；
84.在一种可能的实现方式中，首先读取经过云平台清理归档后的物联网中每个消防设施的反馈信息，然后按照数据清洗规则删除干扰数据和故障数据，以保证都是健康运行数据。
85.异常状态数据的规则设定是依据消防系统的规章制度和规则。数据清洗规则设定具体如下：
86.(1)消防系统回传数据按规定是以秒回传，但偶尔会存在数据回传不到，或者各种原因导致的截断。假如数据截断期间，消防设备发生故障，会导致数据模型失真。所以提前设定规则在正常工作周期内截断时间大于5分钟也就是300秒的话，将截断点前的一个状态周期数据删除。
87.(2)只保留消防系统回传数据中状态为“工作”或“故障”的数据。
88.(3)为确保运行数据的可靠性，故将状态运行不满5分钟数据也删除。
89.(4)为确保数据平台运算的速度，只保留距今最近的60天数据。
90.(5)为确保模型建立的速度及准确性，进行去重处理，将相同运行状态的记录只保留一条，其余删除。
91.(6)假如出现故障，故障点到本次(天)最早运行期间数据全部删除，确保尽可能保留正常数据。
92.s203，根据每个消防设施的正常运行数据构建状态超空间模型。
93.在一种可能的实现方式中，在得到正常数据后，首先对经过筛选后的正常数据，按时间先后顺序进行排序，将排序后的数据进行等距抽样，抽取一定比例的全部数据作为样本数据，使得样本足够丰富，能代表整个状态空间。然后将所有样本数据进行归一化处理，统一变量之间的量纲关系。如果数据中部分变量取值可能无变化，说明其对应的传感器可能失效或出故障，这样数据归一化将失败，所以需要将这部分数据进一步删除。
94.需要说明的是，考虑到模型算法为基于距离来度量，且消防系统运行数据多为数值型，因此采用零均值标准化。
95.假设消防系统一段时间内有m个状态点，而每个状态点是由n个传感器测点组成的，定义某一状态点tj(j＝1,
…
,m)的观测向量为x(tj)＝[x1(tj),x2(tj),
…
,xn(tj)]，其中xi(tj)是第i个测点在状态点tj的测量值，代表tj时刻下消防设备的运行状态。那么状态超空间模型d的表达式可表示为：
[0096][0097]
在本技术实施例中，智能消防的感知预警装置首先接收来自消防传感器的实时感知数据，然后根据实时感知数据，并结合预先生成的状态超空间模型计算消防系统的风险度，最后根据消防系统的风险度进行可视化分级预警。由于本技术通过分析消防系统中用于数据采集的全部消防传感器的实时数据，并结合预先生成的状态超空间模型计算消防系统的风险度，结合风险度确定其状态，当状态开始偏离正常值就进行预警，可以更早、更快地预警消防事故，将灾情扼杀在萌芽状态，从而提升了预警效率。
[0098]
下述为本发明装置实施例，可以用于执行本发明方法实施例。对于本发明装置实施例中未披露的细节，请参照本发明方法实施例。
[0099]
请参见图4，其示出了本发明一个示例性实施例提供的智能消防的感知预警装置的结构示意图。该智能消防的感知预警装置可以通过软件、硬件或者两者的结合实现成为终端的全部或一部分。该装置1包括感知数据接收模块10、风险度计算模块20、分级预警模块30。
[0100]
感知数据接收模块10，用于接收来自消防传感器的实时感知数据；
[0101]
风险度计算模块20，用于根据实时感知数据，并结合预先生成的状态超空间模型计算消防系统的风险度；
[0102]
分级预警模块30，用于根据消防系统的风险度进行可视化分级预警。
[0103]
需要说明的是，上述实施例提供的智能消防的感知预警装置在执行智能消防的感知预警方法时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的智能消防的感知预警装置与智能消防的感知预警方法实施例属于同一构思，其体现实现过程详见方法实施例，这里不再赘述。
[0104]
上述本技术实施例序号仅仅为了描述，不代表实施例的优劣。
[0105]
在本技术实施例中，智能消防的感知预警装置首先接收来自消防传感器的实时感知数据，然后根据实时感知数据，并结合预先生成的状态超空间模型计算消防系统的风险度，最后根据消防系统的风险度进行可视化分级预警。由于本技术通过分析消防系统中用于数据采集的全部消防传感器的实时数据，并结合预先生成的状态超空间模型计算消防系统的风险度，结合风险度确定其状态，当状态开始偏离正常值就进行预警，可以更早、更快地预警消防事故，将灾情扼杀在萌芽状态，从而提升了预警效率。
[0106]
本发明还提供一种计算机可读介质，其上存储有程序指令，该程序指令被处理器执行时实现上述各个方法实施例提供的智能消防的感知预警方法。本发明还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述各个方法实施例的智能消防的感知预警方法。
[0107]
请参见图5，为本技术实施例提供了一种终端的结构示意图。如图5所示，终端1000
可以包括：至少一个处理器1001，至少一个网络接口1004，用户接口1003，存储器1005，至少一个通信总线1002。
[0108]
其中，通信总线1002用于实现这些组件之间的连接通信。
[0109]
其中，用户接口1003可以包括显示屏(display)、摄像头(camera)，可选用户接口1003还可以包括标准的有线接口、无线接口。
[0110]
其中，网络接口1004可选的可以包括标准的有线接口、无线接口(如wi-fi接口)。
[0111]
其中，处理器1001可以包括一个或者多个处理核心。处理器1001利用各种接口和线路连接整个电子设备1000内的各个部分，通过运行或执行存储在存储器1005内的指令、程序、代码集或指令集，以及调用存储在存储器1005内的数据，执行电子设备1000的各种功能和处理数据。可选的，处理器1001可以采用数字信号处理(digital signal processing，dsp)、现场可编程门阵列(field-programmable gate array，fpga)、可编程逻辑阵列(programmable logic array，pla)中的至少一种硬件形式来实现。处理器1001可集成中央处理器(central processing unit，cpu)、图像处理器(graphics processing unit，gpu)和调制解调器等中的一种或几种的组合。其中，cpu主要处理操作系统、用户界面和应用程序等；gpu用于负责显示屏所需要显示的内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器1001中，单独通过一块芯片进行实现。
[0112]
其中，存储器1005可以包括随机存储器(random access memory，ram)，也可以包括只读存储器(read-only memory)。可选的，该存储器1005包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器1005可用于存储指令、程序、代码、代码集或指令集。存储器1005可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等；存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器1005可选的还可以是至少一个位于远离前述处理器1001的存储装置。如图5所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及智能消防的感知预警应用程序。
[0113]
在图5所示的终端1000中，用户接口1003主要用于为用户提供输入的接口，获取用户输入的数据；而处理器1001可以用于调用存储器1005中存储的智能消防的感知预警应用程序，并具体执行以下操作：
[0114]
接收来自消防传感器的实时感知数据；
[0115]
根据实时感知数据，并结合预先生成的状态超空间模型计算消防系统的风险度；
[0116]
根据消防系统的风险度进行可视化分级预警。
[0117]
在一个实施例中，处理器1001在执行接收来自消防传感器的实时感知数据之前时，还执行以下操作：
[0118]
读取经过云平台清理归档后的物联网中每个消防设施的反馈信息；
[0119]
对每个消防设施的反馈信息预处理，得到每个消防设施的正常运行数据；
[0120]
根据每个消防设施的正常运行数据构建状态超空间模型。
[0121]
在一个实施例中，处理器1001在执行根据每个消防设施的正常运行数据构建状态超空间模型时，具体执行以下操作：
[0122]
获取每个消防设施的正常运行数据的采集时间；
[0123]
根据采集时间的先后顺序将每个消防设施的正常运行数据进行排序，得到排序后的正常运行数据；
[0124]
将排序后的正常运行数据进行等距抽样，得到样本数据；
[0125]
将样本数据进行归一化处理，并根据归一化后的结果生成状态超空间模型。
[0126]
在一个实施例中，处理器1001在执行根据实时感知数据，并结合预先生成的状态超空间模型计算消防系统的风险度时，具体执行以下操作：
[0127]
根据空间位置计算模块计算实时感知数据在预先生成的状态超空间模型中的空间位置；
[0128]
根据距离计算模块计算空间位置与预先生成的状态超空间模型中已存在的正常状态点之间的目标距离；
[0129]
将目标距离转换为消防系统的风险度。
[0130]
在一个实施例中，处理器1001还执行以下操作：
[0131]
计算目标距离所对应的状态贡献度；
[0132]
根据目标距离绘制风险度曲线；
[0133]
将状态贡献度与风险度曲线发送至客户端进行展示。
[0134]
在一个实施例中，处理器1001在执行根据消防系统的风险度进行可视化分级预警时，具体执行以下操作：
[0135]
当消防系统的风险度大于预设预警线且预警时长和预警次数大于预设参数值时，生成预警信息；
[0136]
根据预警信息进行可视化预警。
[0137]
在一个实施例中，处理器1001在执行根据预警信息进行可视化预警时，具体执行以下操作：
[0138]
统计预警信息的总数量；
[0139]
当总数量大于预设阈值时，生成预警记录；
[0140]
当预警记录的数量大于预设条数时，生成报警信息；
[0141]
获取预警记录的数量对应的等级颜色渲染参数；
[0142]
基于等级颜色渲染参数对报警信息进行颜色渲染，并将渲染后的报警信息发送至客户端进行展示。
[0143]
在本技术实施例中，智能消防的感知预警装置首先接收来自消防传感器的实时感知数据，然后根据实时感知数据，并结合预先生成的状态超空间模型计算消防系统的风险度，最后根据消防系统的风险度进行可视化分级预警。由于本技术通过分析消防系统中用于数据采集的全部消防传感器的实时数据，并结合预先生成的状态超空间模型计算消防系统的风险度，结合风险度确定其状态，当状态开始偏离正常值就进行预警，可以更早、更快地预警消防事故，将灾情扼杀在萌芽状态，从而提升了预警效率。
[0144]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，智能消防的感知预警的程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，的存储介质可为磁碟、光盘、只读存储记忆体或随机存储记忆体等。
[0145]
以上所揭露的仅为本技术较佳实施例而已，当然不能以此来限定本技术之权利范围，因此依本技术权利要求所作的等同变化，仍属本技术所涵盖的范围。