一种基于物联网家居突发情况的预警系统技术方案

本发明专利技术公开了智能家居领域的一种基于物联网家居突发情况的预警系统包括方案匹配库、机器学习更新库和历史数据存储库，并将预警系统连入云平台，从而根据不同的信号源和场景类别，生成具有预判学习功能的不同单元的系统预警标准，还包括对不同场景预设的安全阈值a

【技术实现步骤摘要】
一种基于物联网家居突发情况的预警系统


[0001]本专利技术属于智能家居领域，具体是一种基于物联网家居突发情况的预警系统。

技术介绍

[0002]随着生活水平的不断提高，随着科技的进步，人们生活水平的提高，家用电器的使用愈加普遍，同时人们迫切的需要高效的家庭生活管理。由此人们对现代家居系统的智能性、安全性、便捷性提出了更高的要求。
[0003]各种用电器种类和功能日益复杂、用电量庞大，还易发生短路、过载，进而引起火灾、触电等事故，同时，用户用电的用电负荷、用电量、电压、电流、使用状态及频率、线路故障、设备故障、火灾等数据难以实时监控并反馈，给用户的生活、生命、财产造成了严重威胁和损失，不能及时排除安全隐患。

技术实现思路

[0004]为了解决上述问题，本专利技术的目的是提供一种实时监控的于物联网家居突发情况的预警系统。
[0005]为了实现上述目的，本专利技术的技术方案如下：一种基于物联网家居突发情况的预警系统包括方案匹配库、机器学习更新库和历史数据存储库，并将预警系统连入云平台，从而根据不同的信号源和场景类别，生成具有预判学习功能的不同单元的系统预警标准，还包括对不同场景预设的安全阈值a
x
，当云平台将接收的监测环境信号大于a
x
时，生成危险预警模型，危险预警模型预测下一时间段的参数值，并在下一时间段与实际参数值作比较，训练和优化危险预警模型。
[0006]采用上述方案后实现了以下有益效果：1、相对于采用烟雾报警或温度报警的现有技术，本技术方案中利用区域或独立的信号源进行监控，实现单元式系统预警，同时对实时信息进行收集，基于实时信息建立风险预估模型并对险情进行记录，生成自主学习系统。
[0007]2、相对于带有自主学习系统的现有技术，本技术方案中对不同场景预设的安全阈值a
x
，降低了关联信号源之间误报的可能性，提升了预警的准确度。
[0008]进一步，还包括以下步骤：
[0009]步骤一，采集终端数据传输至云平台生成分布排列的状态数据；
[0010]步骤二，将采集的状态数据通过机器学习和概率统计方法，生成预测准确率和状态序列，从而预测下一时刻的环境参数信息；
[0011]步骤三，结合实际的环境参数信息和预测的环境参数信息修正预测参数结果；
[0012]步骤四，将修正后的预测参数结果生成观测序列矩阵Q；定义数据曲线上第一个点为初始状态点，终端数据在某时刻落入该点附近区域范围内的概率的集合为初始状态序列矩阵C；终端数据从所在状态点跳跃至危险范围内的概率的集合定义为状态转移序列矩阵I
*
,取P(I*|Q)最大化作为概率最大的区域，得出概率函数；
[0013]步骤五，将终端数据根据时间状态归类生成环境参数的观测序列作为观测态，而
环境参数下一时刻的数据作为隐藏态，结合观测态和隐藏态生成预测曲线；
[0014]步骤六，结合概率函数递推预测曲线提高预测的可靠度并生成报警信号。
[0015]有益效果：针对多种危险环境制定解决方案，在未监测前系统预先存设有一个场景发生时各参数的历史数据存储库，该存储库不需有较大的内存量，只需将智能终端感测系统和自动化险情处理系统所发的反馈信号缓存在云平台。
[0016]在险情发生前，若发现所监测的环境参数在一段时间内快速变化，其变化率达到了历史数据存储库中危险参数变化匹配范围内，即可判定为对应的险情种类，同时根据危险预警模型，预测下一时间段的参数值，并在下一时间段与实际参数值作比较，训练和优化危险预警模型。
[0017]而云平台的服务器会自动匹配存储在系统中的方案措施，进而将命令下传至自动化险情处理控制模块，同时记录此次的数据供平台系统进行机器学习，以便匹配更优的解决方案和更精确的判定标准。
[0018]而云平台的服务器会自动匹配存储在系统中的方案措施，进而将命令下传至自动化险情处理控制模块，同时记录此次的数据供平台系统进行机器学习，以便匹配更优的解决方案和更精确的判定标准。
[0019]进一步，步骤一中的状态数据包括温度、湿度、二氧化碳、一氧化碳、挥发性气体、污染性气体、可吸入颗粒物、单元系统编号、上线信号和CPU内存占用比率。
[0020]进一步，步骤四中观测序列矩阵Q的表达包括
[0021]进一步，步骤四中终端数据的初始状态C式
[0022]进一步，步骤四中状态转移序列矩阵I
*
如下：
[0023]v＝{C,Q}
[0024][0025]进一步，步骤五中预测曲线的生成过程包括第一个局部状态是t时刻所有跳跃范围中概率最大值，记为Z
t
(i)
[0026]Z
t
(i)＝max P(i
t
＝i,i1,i2,
…
i
t
‑1,q
t
,q
t
‑1,
…
,q1|p)
[0027]其中，i＝1,2,3...n
[0028]由Z
t
(i)可以得到Z
t+1
(i)
[0029]Z
t+1
(i)＝maxP(i
t+1
＝i,i1,i2,
…
i
t
,q
t+1
,q
t
,
…
,q1|p)
[0030]第二个局部状态是由第一个局部状态递推得到，定义t时刻隐藏状态为i的所有单个状态转移路径中概率转移路径中第t
‑
1个节点的隐藏状态Ψ
t
(i)
[0031]Ψ
t
(i)＝argmax[Z
T
‑1(j)a
ji
][0032]其中，j＝1,2,3
…
n
[0033]有了这两个局部状态，我们就形成了从起始状态开始一直到t＝T时刻，然后利用Ψ
t
(i)记录的前一个最可能的状态节点回溯，t＝T
‑
1,T
‑
2,
…
,1
[0034][0035]直到找到最优的隐藏状态序列I
*
；
[0036][0037]有益效果：所有关联设备各节点能够实时地互通互联，起到互相协助运行，尽最大可能实现个单元系统的高效运行和高可用性。正常情况下，系统根据订阅主题类型、数据分发形式以及用户需求关系，有针对性地提供危险预警监测服务；在即将发生险情时，本系统根据算法预测模型，提前预测风险，提高系统可靠度，判断类型后再通过自动化险情处理控制系统完成对险情的初步处理，并最终将预警信号发送给移动端智能管理系统。本专利技术提出的方法易于实现，具有成本低，可靠性高，安全系数高，具有多机互联的优点，最大限度地发挥了分布式系统的优势。
附图说明
[0038]图1为本本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于物联网家居突发情况的预警系统，其特征在于：包括方案匹配库、机器学习更新库和历史数据存储库，并将预警系统连入云平台，从而根据不同的信号源和场景类别，生成具有预判学习功能的不同单元的系统预警标准，还包括对不同场景预设的安全阈值a
x
，当云平台将接收的监测环境信号大于a
x
时，生成危险预警模型，危险预警模型预测下一时间段的参数值，并在下一时间段与实际参数值作比较，训练和优化危险预警模型。2.根据权利要求1所述的一种基于物联网家居突发情况的预警系统，其特征在于：还包括以下步骤：步骤一，采集终端数据传输至云平台生成分布排列的状态数据；步骤二，将采集的状态数据通过机器学习和概率统计方法，生成预测准确率和状态序列，从而预测下一时刻的环境参数信息；步骤三，结合实际的环境参数信息和预测的环境参数信息修正预测参数结果；步骤四，将修正后的预测参数结果生成观测序列矩阵Q；定义数据曲线上第一个点为初始状态点，终端数据在某时刻落入该点附近区域范围内的概率的集合为初始状态序列矩阵C；终端数据从所在状态点跳跃至危险范围内的概率的集合定义为状态转移序列矩阵I
*
,取P(I*|Q)最大化作为概率最大的区域，得出概率函数；步骤五，将终端数据根据时间状态归类生成环境参数的观测序列作为观测态，而环境参数下一时刻的数据作为隐藏态，结合观测态和隐藏态生成预测曲线；步骤六，结合概率函数递推预测曲线提高预测的可靠度并生成报警信号。3.根据权利要求2所述的一种基于物联网家居突发情况的预警系统，其特征在于：步骤一中的状态数据包括温度、湿度、二氧化碳、一氧化碳、挥发性气体、污染性气体、可吸入颗粒物、单元系统编号、上线信号和CPU内存占用比率。4.根据权利要求2所述的一种基于物联网家居突发情况的预警系统，其特征在于：步骤四中观测序列矩阵Q的表达包括5.根据权利要求2所述的一种基于物联网家居突发情况的预警系统，其特征在于：步骤四中终端数据的初始状态C式6.根据权利要求5所述的一种基...

【专利技术属性】
技术研发人员：王彦翔，崔海青，李明泽，齐鹤，黄彦章，
申请(专利权)人：中国民航大学，
类型：发明
国别省市：