【技术实现步骤摘要】
基于IMODE分层进化算法的火警管理水平评估方法及系统
[0001]本专利技术属于火灾探测器
，具体涉及一种基于IMODE分层进化算法的火警管理水平评估方法及系统。
技术介绍
[0002]火灾自动报警系统的研究是现代人们同火灾作斗争的有力工具同时模型的建立至关重要，也是当前一个热门的课题,而确定模型结构和分析各类型探测器可靠性、故障率是该领域中一项十分重要的基础性工作。因为火灾自动报警系统的功能实现最大化的效果离不开高可靠性、低故障率的各类型探测器，所以说，一个合理且有效的探测器性能评价标准是研究的第一步。从理论计算上来说,根据已知的一段时间的各类型火灾探测器的报警信息中，要预测给定的新的各类型火灾探测性在不同区域下火灾报警为可信度，就要设定标准评价参数，实质上是一个参数选择的函数变量的优化问题。此外，对于各大队的综合管理水平，还受地域、报警器质量、发生火灾频率等因素影响，因此对各类探测器稳定性以及各消防大队的综合管理能力的研究,必须进行两方面的工作：
[0003]首先，必须认识到报警数据的真伪性，警报会探测器设备故障、探测器阈值设定的影响，通过已给出数据筛选真实的火灾次数，才能通过BP神经网络训练出一个合适的模型，判断真实火灾的概率。其次，必须设定合理全面的评价指标，将项目与地域相结合才能评价出各消防大队的综合管理能力，进而提出改进。如何构建考虑区域特征的BP神经网络模型预测各种部件报警为真实火灾的概率，以及构造合理的评价指标的权重去提高评估真实性和合理性是急需掘金的问题。
技术实现思路
【技术保护点】
【技术特征摘要】
1.基于IMODE分层进化算法的火警管理水平评估方法，其特征在于：所述方法包括以下步骤：S1：在评估开始前，根据消防管理机构提供的故障火灾报警器清单及历史报警数据集数据，计算各类型的火灾探测器的可靠性与故障率的值；S2：得到各类型火灾探测器的可靠性和故障率后，建立考虑区域特征的BP神经网络模型，在这一模型中，每个火灾报警器的报警信息被汇总为一个样本进行处理，所有样本被随机分为测试集和训练集，从而完成BP神经网络模型的训练操作；S3：将消防管理机构提供的存在数据缺失的火灾探测器数据汇总为缺损数据集，并执行补足操作，从而得到每个火灾探测器的所属机构编码、机构管辖面积、火灾探测器可靠性、火灾探测器故障率、火警次数、所属项目编号；S4：为分析各消防大队的综合管理水平，设计分层指标体系；所述综合管理水平由三个评价层的得分加权得到，其中每个评价层的得分又由与之对应的三个子评价指标的得分加权得到，即：每个消防大队都具有9个与之对应的评价指标；其中，部件管理水平层包含辖区期望不可靠性、辖区综合不可靠性、辖区综合故障率三个子评价指标，超额管理水平层包含辖区超额不可靠性、辖区超额故障率、辖区超额火灾频率三个子评价指标，安全管理水平层包含辖区误报警率、辖区真实火灾发生频率、辖区内故障设备数量三个子评价指标；S5：为对管理水平进行综合评价，引入IMODE分层进化算法，所述IMODE分层进化算法用于每个评价层层内及评价层层间分别进行权重优化；对IMODE分层进化算法得到的最优个体执行解码操作，并为每个消防大队计算得到其管理水平得分；S6：列出每个消防大队的管理水平得分，并列出每个消防大队在每个评价层的得分情况，并将得分情况反馈给各消防大队，以便于各消防大队对辖区内存在的问题作进一步处理。2.根据权利要求1所述的方法，其特征在于：所述火灾探测器包括点型感烟探测器、点型感温探测器、线型光束感烟探测器、智能光电探头、手动报警按钮、复合探测器、光束感烟、点型点烟、气体探测器、火焰探测器、点型温烟、信号阀、压力开关、智能感温、智能光电探测器和消火栓。3.根据权利要求1所述的方法，其特征在于：所述步骤S1中计算各类型火灾探测器的故障率与可靠性的值包括以下步骤：步骤1
‑
1：对得到的历史火灾报警数据集进行数据清洗，根据消防管理机构提供的故障火灾报警器清单，从历史报警数据集中剔除掉由故障火灾报警器发出的误报警信息，从而完成数据清洗操作步骤；步骤1
‑
2：根据消防管理机构提供的故障火灾报警器清单，经统计得到各类型火灾探测器的故障率；步骤1
‑
3：考虑不同火灾探测器间地理位置的关联系，如果有不止1个在同一建筑物内的报警器同时报警，则认为发生了一次真实火灾，以此为依据计算历史火灾报警数据集中所囊括的真实火灾次数，从而得出历史火灾报警数据集中的所有真实报警信号清单；步骤1
‑
4：根据得到的真实报警信号清单，利用标准弗里德曼检验方法，计算每个类型的全部火灾探测器在历史火灾报警数据集数据集上的Ranking值；将所有类型火灾探测器的的Ranking值归一化到[0,1]区间，每种类型火灾探测器所对应的归一化的结果即作为该
类型火灾探测器的可靠性指标。4.根据权利要求1所述的方法，其特征在于：所述步骤S2中构建考虑区域特征的BP神经网络模型包括以下步骤：步骤2
‑
1：收集所需的样本数据，将每个火灾报警器作为一个样本进行处理，每个样本包括所属机构编码、所属机构管辖面积、可靠性、故障率、火警次数、所属项目编号、火灾概率，其中，同一辖区内的同一种火灾探测器共享相关的可靠性及故障率的值，火警次数为该火灾探测器发出报警信息的总次数，火灾概率为这一火灾探测器发出的真实火灾报警次数占其总报警次数的比例；步骤2
‑
2：建立考虑区域特征的BP神经网络模型，在这一模型中，BP神经网络的结构包括7层，其中首层为输入层，中间包括5层全连接的隐含层，最后一层为输出层；所述输入层包含6个输入，分别为所属机构编码、机构管辖面积、火灾探测器可靠性、火灾探测器故障率、火警次数和所属项目编号；所述输出层包括1个输出，即火灾概率；步骤2
‑
3：将样本随机分为训练集和测试集，其中训练集和测试集的占比分别为70％和30％；使用标准Levenberg
‑
Marquardt方法进行训练，采用均方误差MSE作为模型性能的评价指标；步骤2
‑
4：使用训练集中的样本数据训练所构建的BP神经网络模型，最大迭代次数设为1000次；训练完成后，计算测试集在该模型上的均方误差MSE的值以用于评价模型的性能。5.根据权利要求1所述的方法，其特征在于：所述步骤S3中的补足操作包括：步骤3
‑
1对于缺损数据集中的每条报警数据，若所属机构数据的数据栏目缺失，则删去该条数据；若火灾探测器可靠性或火灾探测器故障率数据栏目缺失，则使用与该条数据所属机构相同的相同类型火灾探测器的火灾探测器可靠性或火灾探测器故障率数据进行补足；若火警次数数据栏目缺失，则使用与该条数据所属机构相同的相同类型的全部火灾探测器的平均火警次数进行补足；若所属项目编号数据栏目缺失，则将项目编号置为0；步骤3
‑
2：将补足后的缺损数据集中的每个火灾探测器的数据作为一个样本处理，使用已训练好的BP神经网络预测这些样本的输出值，即火灾概率的值。6.根据权利要求1所述的方法，其特征在于：所述步骤S4中，根据以下公式计算每个消防大队的9个评价指标上式中，EU
FS
表示辖区编号为FS的辖区期望不可靠性水平，P表示各类型火灾探测器所构成的集合，表示辖区FS下的类型为i的火灾探测器的数量，R
i
表示类型为i的火灾探测器的可靠性水平；上式中，CU
FS
表示辖区FS下的辖区综合不可靠性水平，P表示各类型火灾探测器所构成的集合，表示辖区FS下的类型为i的火灾探测器的故障数量；
上式中，CF
FS
表示辖区FS下的辖区综综合故障率，P表示各类型火灾探测器所构成的集合，表示辖区FS下的类型为i的火灾探测器的数量，表示辖区FS下的类型为i的火灾探测器的故障数；OU
FS
＝CU
FS
‑
EU
FS
上式中，OU
FS
表示辖区FS下的超额不可靠性水平，CU
FS
表示辖区FS下的辖区综合不可靠性水平，EU
FS
表示辖区FS下的辖区期望不可靠性水平；上式中，OF
FS
表示辖区FS下的辖区超额故障率，CF
FS
表示辖区FS下的辖区综综合故障率，P表示各类型火灾探测器所构成的集合，表示辖区FS下的类型为i的火灾探测器的数量，F
i
表示类型为i的火灾探测器的故障率；上式中，OFF
FS
表示辖区FS下的辖区超额火灾频率，D表示数据记录的天数，FN
FS
表示辖区FS下D天内真实发生的火灾次数，A
FS
表示辖区FS下的管辖面积；上式中，ER
FS
表示辖区FS下的辖区误报警率，EFN
FS
表示辖区FS内误报警次数，AFN
FS
表示辖区FS内总报警次数；上式中，FF
FS
表示辖区FS下的辖区真实火灾发生频率，D表示数据记录的天数，FN
FS
表示辖区FS下D天内真实发生的火灾次数；所述辖区FS下所属的故障设备数量EN
FS
直...
【专利技术属性】
技术研发人员：朱赟，沈勇，宋赛卫，王辰光，袁佳怡，姜元昊，王琦，
申请(专利权)人：江苏科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。