火灾报警方法、系统、可读存储介质及计算机设备技术方案

本发明专利技术提供一种火灾报警方法、系统、可读存储介质及计算机设备，该方法应用于设有多个数据传感器的火灾报警装置，方法包括：构建神经网络模型；分别对各数据传感器的维度数据进行趋势分解得到去趋势序列及去趋势序列集；根据各去趋势序列与去趋势序列集的相似度系数得到注意力权值、以及通过注意力权值得到去趋势修正序列集；根据去趋势修正序列集得到残差数据，对残差数据评价损失值、神经网络反向传递并逐层计算下降梯度；根据下降梯度优化神经网络模型的参数，并将各维度数据进行反复迭代，触发终止条件后输出迭代后的概率值；根据迭代后的概率值和火灾概率阈值判断是否发生火灾。本发明专利技术能够提升报警的准确度，减少误判的情况。的情况。的情况。

【技术实现步骤摘要】
火灾报警方法、系统、可读存储介质及计算机设备


[0001]本专利技术涉及数据处理
，特别涉及一种火灾报警方法、系统、可读存储介质及计算机设备。

技术介绍

[0002]随着经济的飞速发展和人们生活水平的提高，生活用电以及企业用电需求越来越大。电力电缆作为传输电能的主要方式之一，其可靠性具有重要意义，而随着电缆的铺设范围越来越广，电缆损坏带来的停电事故也呈现高发状态，是电网安全运行的重要隐患之一。
[0003]电缆沟内的温度控制对整个运行系统安全可靠起着重要作用，为了防止电缆沟出现火灾而造成电缆损坏，通常会在电缆沟内中添加自动报警系统。
[0004]而现有技术中的自动报警系统由于其内部的传感器的可靠性不高、并且对恶劣环境的适用性不强，在恶劣环境下对电缆沟温度进行监测报警时，经常产生误判，导致监控人员对报警失去警觉，从而火灾初期发生时很难做到及时发现以及有效控制，因此，针对电缆沟内的情况，仍然值班员日常巡视；并且现有技术中的自动报警系统其可用周期较短，给检修维护也造成很大的困难。

技术实现思路

[0005]基于此，本专利技术的目的是提供一种火灾报警方法、系统、可读存储介质及计算机设备，以至少解决上述技术中的不足。
[0006]本专利技术提出一种火灾报警方法，应用于火灾报警装置，所述火灾报警装置上设有多个数据传感器，所述火灾报警方法包括以下步骤：步骤一：构建多层次结构的神经网络模型，其中，所述神经网络模型至少包括趋势处理层、注意力层、残差层以及全连接层；步骤二：获取各所述数据传感器的维度数据，并分别将各所述维度数据输入至所述趋势处理层进行趋势分解，以得到各所述维度数据所对应的去趋势序列，并将各所述去趋势序列组合得到去趋势序列集；步骤三：将所述去趋势序列集和各所述去趋势序列分别输入至所述注意力层中，以计算出各所述去趋势序列与所述去趋势序列集的相似度系数，并对各所述相似度系数进行归一化处理得到各所述去趋势序列的注意力权值、以及根据各所述去趋势序列的注意力权值对各所述去趋势序列进行加权修正，计算出对应的去趋势修正序列，并将各所述去趋势修正序列进行串接，以得到去趋势修正序列集；步骤四：将所述去趋势修正序列集依次通过所述残差层中相互连接的多个残差模块的数据处理后，以得到对应的残差数据，其中，所述多个残差模块的网络结构相同、且前一残差模块的输出数据作为后一残差模块的输入数据；步骤五：将所述残差数据输入至所述全连接层中，利用第一预设函数对所述残差
数据评价损失值，并进行神经网络反向传递，按照各所述层次结构逐层计算所述损失值的下降梯度；步骤六：根据所述下降梯度优化所述神经网络模型的参数，并将各所述维度数据按照上述步骤二至步骤五进行反复迭代，直到触发终止条件，输出迭代后的概率值；步骤七：判断所述迭代后的概率值是否达到预设的火灾概率阈值，若所述迭代后的概率值达到预设的火灾概率阈值，发出火灾报警信号。
[0007]进一步的，所述多个残差模块的网络结构均包括依次连接的第一卷积层、第二卷积层、第三卷积层以及过渡层：所述第一卷积层、所述第二卷积层以及所述第三卷积层均用于对其输入数据依次进行卷积运算以及激活处理；所述过渡层用于对其输入数据依次进行卷积处理以及降维处理，以得到后续的残差模块的输入数据或所述全连接层的输入数据。
[0008]进一步的，所述步骤四还包括：分别提取所述第一卷积层对其输入数据进行卷积运算所得到的卷积数据以及所述第三卷积层对其输入数据进行卷积运算所得到的卷积数据，并计算出所述第一卷积层的卷积数据和所述第三卷积层的卷积数据的相关性系数；若所述相关性系数符合预设相关性阈值，则将所述第三卷积层的输出数据输入至所述过渡层中，以使所述过渡层对所述第三卷积层的输出依次进行卷积处理及降维处理，并消除数据扰动，得到后续的残差模块的输入数据或全连接层的输入数据。
[0009]进一步的，所述计算出所述第一卷积层的卷积数据和所述第三卷积层的卷积数据的相关性系数的步骤之后，所述方法还包括：若所述相关性系数不符合预设相关性阈值，则将所述第一卷积层的卷积数据与所述第三卷积层的输出数据进行残差连接，以得到组合数据；将所述组合数据输入至所述过渡层中，以使所述过渡层对所述组合数据依次进行卷积处理及降维处理，并消除数据扰动，得到后续的残差模块的输入数据或全连接层的输入数据。
[0010]进一步的，在判断所述迭代后的概率值是否达到预设的火灾概率阈值的步骤之前，所述方法还包括：获取多个标准维度数据，并将各所述标准维度数据输入至所述神经网络模型中重复执行上述步骤一至步骤六，得到所述标准维度数据的输出值；根据所述标准维度数据的输出值验证所述迭代后的概率值的有效性；若所述迭代后的概率值的有效性验证通过，则根据各所述维度数据以及所述神经网络模型构建火灾检测模型。
[0011]进一步的，所述多个残差模块的激活处理的激活函数为：；式中，
Ӑ
表示残差模块对其输入参数进行卷积运算后的输出值。
[0012]进一步的，所述第一预设函数为交叉熵代价函数，其表达式为：
；式中，n 表示训练样本的数量， y 表示期望输出值，a 表示神经网络的实际输出值。
[0013]本专利技术还提出一种火灾报警系统，应用于火灾报警装置，所述火灾报警装置上设有多个数据传感器，所述火灾报警系统包括：构建模块，用于构建多层次结构的神经网络模型，其中，所述神经网络模型至少包括趋势处理层、注意力层、残差层以及全连接层；趋势分解模块，用于获取各所述数据传感器的维度数据，并分别将各所述维度数据输入至所述趋势处理层进行趋势分解，以得到各所述维度数据所对应的去趋势序列，并将各所述去趋势序列组合得到去趋势序列集；第一计算模块，用于将所述去趋势序列集和各所述去趋势序列分别输入至所述注意力层中，以计算出各所述去趋势序列与所述去趋势序列集的相似度系数，并对各所述相似度系数进行归一化处理得到各所述去趋势序列的注意力权值、以及根据各所述去趋势序列的注意力权值对各所述去趋势序列进行加权修正，计算出对应的去趋势修正序列，并将各所述去趋势修正序列进行串接，以得到去趋势修正序列集；残差处理模块，用于将所述去趋势修正序列集依次通过所述残差层中相互连接的多个残差模块的数据处理后，以得到对应的残差数据，其中，所述多个残差模块的网络结构相同、且前一残差模块的输出数据作为后一残差模块的输入数据；第一处理模块，用于将所述残差数据输入至所述全连接层中，利用第一预设函数对所述残差数据评价损失值，并进行神经网络反向传递，按照各所述层次结构逐层计算所述损失值的下降梯度；优化模块，用于根据所述下降梯度优化所述神经网络模型的参数，并将各所述维度数据依次经过所述趋势分解模块、所述第一计算模块、所述残差处理模块以及所述第一处理模块的处理进行反复迭代，直到触发终止条件，输出迭代后的概率值；判断模块，用于判断所述迭代后的概率值是否达到预设的火灾概率阈值，若所述迭代后的概率值达到预设的火灾概率阈值，发出火灾报警信号。
[0014]进一步的，所述残差处理模块包括：第一处理单元，用于分别提取所述本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种火灾报警方法，应用于火灾报警装置，所述火灾报警装置上设有多个数据传感器，其特征在于，所述火灾报警方法包括以下步骤：步骤一：构建多层次结构的神经网络模型，其中，所述神经网络模型至少包括趋势处理层、注意力层、残差层以及全连接层；步骤二：获取各所述数据传感器的维度数据，并分别将各所述维度数据输入至所述趋势处理层进行趋势分解，以得到各所述维度数据所对应的去趋势序列，并将各所述去趋势序列组合得到去趋势序列集；步骤三：将所述去趋势序列集和各所述去趋势序列分别输入至所述注意力层中，以计算出各所述去趋势序列与所述去趋势序列集的相似度系数，并对各所述相似度系数进行归一化处理得到各所述去趋势序列的注意力权值、以及根据各所述去趋势序列的注意力权值对各所述去趋势序列进行加权修正，计算出对应的去趋势修正序列，并将各所述去趋势修正序列进行串接，以得到去趋势修正序列集；步骤四：将所述去趋势修正序列集依次通过所述残差层中相互连接的多个残差模块的数据处理后，以得到对应的残差数据，其中，所述多个残差模块的网络结构相同、且前一残差模块的输出数据作为后一残差模块的输入数据；步骤五：将所述残差数据输入至所述全连接层中，利用第一预设函数对所述残差数据评价损失值，并进行神经网络反向传递，按照各所述层次结构逐层计算所述损失值的下降梯度；步骤六：根据所述下降梯度优化所述神经网络模型的参数，并将各所述维度数据按照上述步骤二至步骤五进行反复迭代，直到触发终止条件，输出迭代后的概率值；步骤七：判断所述迭代后的概率值是否达到预设的火灾概率阈值，若所述迭代后的概率值达到预设的火灾概率阈值，发出火灾报警信号。2.根据权利要求1所述的火灾报警方法，其特征在于，所述多个残差模块的网络结构均包括依次连接的第一卷积层、第二卷积层、第三卷积层以及过渡层：所述第一卷积层、所述第二卷积层以及所述第三卷积层均用于对其输入数据依次进行卷积运算以及激活处理；所述过渡层用于对其输入数据依次进行卷积处理以及降维处理，以得到后续的残差模块的输入数据或所述全连接层的输入数据。3.根据权利要求2所述的火灾报警方法，其特征在于，所述步骤四还包括：分别提取所述第一卷积层对其输入数据进行卷积运算所得到的卷积数据以及所述第三卷积层对其输入数据进行卷积运算所得到的卷积数据，并计算出所述第一卷积层的卷积数据和所述第三卷积层的卷积数据的相关性系数；若所述相关性系数符合预设相关性阈值，则将所述第三卷积层的输出数据输入至所述过渡层中，以使所述过渡层对所述第三卷积层的输出依次进行卷积处理及降维处理，并消除数据扰动，得到后续的残差模块的输入数据或全连接层的输入数据。4.根据权利要求3所述的火灾报警方法，其特征在于，所述计算出所述第一卷积层的卷积数据和所述第三卷积层的卷积数据的相关性系数的步骤之后，所述方法还包括：若所述相关性系数不符合预设相关性阈值，则将所述第一卷积层的卷积数据与所述第三卷积层的输出数据进行残差连接，以得到组合数据；
将所述组合数据输入至所述过渡层中，以使所述过渡层对所述组合数据依次进行卷积处理及降维处理，并消除数据扰动，得到后续的残差模块的输入数...

【专利技术属性】
技术研发人员：杨博雯，
申请(专利权)人：华东交通大学，
类型：发明
国别省市：