基于物联网的住宅小区火险评估系统的设计.docVIP

基于物联网的住宅小区火险评估系统的设计 　　摘 要：为了快速评估住宅小区火险等级，应用物联网和神经网络技术，开发了火险评估系统。无线传感网实现了环境因子参数的采集，短信技术支持了数据远程传递，云计算中心应用神经网络智能算法，集中受理各小区的查询请求，降低了系统运营成本。神络网络设计为双隐层的BP神经网络，各层神经元结点分别为15，27，9，1，训练后，神经网络成功地实现了对专家思维的仿真。该系统计算效率高，火险评估准确，适用于各类住宅小区。 　　关键词：移动通信；小区火险；火险评估 　　随着城市化进程的发展，城市住宅小区数量越来越多，小区内建筑物结构日趋复杂，具有楼层高，地下车库深的特点。发生火灾后，救援较为困难。因此预防比扑火更加重要。海恩法则指出：“一次重大事故的背后，有29次轻微事故、300起未遂事故和1000起事故隐患。”如果能够观测火险隐患数量的变化，找到火险隐患和火灾的内在联系，即可建立一个住宅小区火险评估系统。在火险较高的时期，提醒小区安防人员提高警戒力度，加强巡视。并且保证在火灾发生后，安防人员能够有条不紊地按预案展开救援，降低火灾造成的损失。 　　1 神经网络技术的开发 　　1.1 火险等级划分 　　本系统把小区火险等级分为5个等级[1]。1）1级，绿色表示，火灾风险较小，小区安防人员的任务是加强火险指标的观测和统计；2）2级，蓝色表示，已存在已知火灾隐患，但是发展成火灾事故的条件不足，小区安防人员的任务是加强事故隐患的检查；3）3级，黄色表示，此时可能出现轻微火灾事故，小区安防人员应当尽力减小各项指标值；4）4级，橙色表示，上级物业主管部门开始介入，督促小区安防人员应加强安全宣传，检修消防器材；5）5级，红色表示，上级物业主管部门制定整改计划，加设消防工程，从建筑结构上降低火灾风险。 　　1.2 确定15个评价指标 　　通过调查国内外小区防火资料，确定火险等级和15个指标有一定的关系，15个指标为：建筑物耐火等级、建筑物装修材料耐火等级、建筑物功能类型、单位面积可燃物数量、单位面积防火隔离装置数量、小区居民类型、消防设施检查合格率、单位面积火灾智能传感器安装数量、近期物业管理水平、近期消防演练水平、昨日降雨量、昨日平均气温、昨日小区总用电量、当日风俗节日类型、昨日居民生产活动频繁等级。 　　1.3 神经网络技术的应用 　　目前无法判断15个指标对火险的影响权重，难以建立精准的数学模型从已知指标来推算火险等级。因此在小区安防工作中，通常聘请消防部门的专家实地考察指标，凭经验判断。但是专家属于稀缺资源，无法每日对所有小区逐个评估，因此拟建立一种神经网络，通过对专家案例的学习，仿真专家的推理逻辑。 　　神经网络选择BP神经网络，BP神经网络是一种多层前馈网络，按误差逆传播训练，其神经元结构见图1[2]。BP神经网络能够逼近各种复杂函数，即只要火险指标和火险等级存在着数学关系，即使无数学模型的支持，也能够通过学习历史数据，仿真函数的行为。 　　因为需要评判的指标多，求解问题很模糊，因此选用双隐层的BP神经网络，采用数学专业语言Matlab做为神经网络的开发工具[3]。 　　1.4 收集训练数据 　　选取60个小区，调查每个小区的15个指标，专家查阅指标，实地分析给出火险评价等级，填写专家评价表，见表1。前50组数据做为神经网络的训练数据，后10组做为神经网络的检验数据。 　　1.5 建立神经网络 　　调整神经网络各层传递函数和各层神经元节点个数，多次实验，采用“MSE（均方差）”检验精度，找到精度最好的网络结构，其结构形式见图2。输入层神经元节点15个，用于承接15个指标的输入；隐藏层的第1层神经元节点27个，采用“tansig”传递函数；隐藏层的第2层神经元节点9个，采用“logsig”传递函数；输出层神经元节点1个，用于输出火险等级，采用“purelin”传递函数。 　　1.6 训练神经网络 　　在第70次训练时，神经网络快速收敛，并达到预设精度要求，训练结束。训练过程见图3。 　　1.7 自检训练精度 　　需要对训练精度自检，从而判定训练数据是否有效。把50组训练数据提供给神经网络独立评价，计算网络评价结果和专家结论之间误差，两者误差见图4。图4中，专家结论用“○”表示，网络评价结果用“+”表示，“○”与“+”吻合，则表示网络评价和专家结论一至，不吻合时，两者距离表示误差大小。图4表明50组训练数据中存在9个样本误差，误差范围很小，训练精度达到了要求。 　　1.8 检验评估精度 　　最后10个样本没有参加训练，用于判定神经网络对未知指标的评估能力，神经网络独立评价的结果和专家结论完全吻合。说明本次构建的神经网络已能模拟专家逻辑，可以取代专家，对小区火险做出独