本发明涉及人工智能领域，尤其涉及一种基于机器学习的工业机房火灾监测系统及方法。
背景技术：
工业火灾风险管理是工业企业为预防、控制火灾而对火灾进行预测、预防、控制和扑救等项组织管理活动。其目的有：一是使火灾不发生。二是火灾发生后，尽可能将其危害和损失控制在最小限度之内。
当今工业应用中，往往仅仅通过在关键位置布置传感器，并将传感器的数值醒目的显示出来，由工作人员根据传感器的数值来判定是否存在火灾，这样一来，对专业的火灾判断人员过于依赖了，可能因为工作人员的疏忽而导致一段时间忘记对火灾情况进行关注了，这样一来，就有可能错过火灾的最佳预防时期，造成不必要的损失。
技术实现要素：
本发明的目的是解决现有技术的不足，提供一种基于机器学习的工业机房火灾监测系统及方法，能够通过在工业机房中设置多个传感器组，并根据传感器组测定的数据来对火灾隐患进行监控，在存在火灾意向时进行报警提醒工作人员及时进行预防调控。
为了实现上述目的，本发明采用以下的技术方案：
提出一种基于机器学习的工业机房火灾监测系统，包括：
n个依次编号的传感器组，所述传感器组包括，
一氧化碳浓度测定单元，所述一氧化碳浓度测定单元用于获取传感器组附近的一氧化碳浓度，
二氧化碳浓度测定单元，所述二氧化碳浓度测定单元用于获取传感器组附近的二样化碳浓度，
温度测定单元，所述温度测定单元用于获取传感器组附近的温度，
湿度测定单元，所述湿度测定单元用于获取传感器组附近的湿度；
报文信息发送单元，所述报文信息发送单元用于在传感器组存在火灾意向时向中心机房发送代表火灾隐患的报文信息；
火灾意向测定模块，所述火灾意向测定模块存储有火灾预测模型，所述火灾意向测定模块用于根据传感器组所测定的数值计算出该处传感器组是否存在火灾意向；
火灾意向程度预测模块，所述火灾意向程度预测模块用于根据发送代表火灾隐患的报文信息的传感器组的分布情况，预测火灾意向程度；
显示报警模块，所述显示报警模块用于将火灾意向程度以及存在火灾隐患的传感器组予以显示，并在存在火灾意向时进行报警。
本发明还提出一种基于机器学习的工业机房火灾监测方法，其特征在于，包括以下：
步骤201、在机房摆放机器的位置随机布置n处传感器组，每处所述传感器组包括一氧化碳浓度传感器、二氧化碳浓度传感器、温度传感器以及湿度传感器；
步骤202、分别获取每个传感器组测得的一氧化碳浓度值a、二氧化碳浓度值b、温度值c以及湿度值d；
步骤203、将上述步骤202中的测量值带入火灾预测模型得到相应的第n处传感器组的火灾意向因子e；
步骤204、对于火灾意向因子超过阈值h的传感器组，将发送代表火灾隐患的报文信息至中心机房；
步骤205、中心机房根据发送火灾隐患的报文信息的传感器组的分布情况，预测火灾意向程度，并将火灾意向程度以及存在火灾隐患的传感器组予以显示。
进一步，上述步骤202中的火灾监测模型通过以下方式得到：
步骤301、构建目标层以及准则层，所述目标层即为输出的火灾意向因子e，所述准则层包括传感器组测得的一氧化碳浓度值a、二氧化碳浓度值b、温度值c以及湿度值d；
步骤302、构建判断矩阵p如下：
其中pi-j代表i相对于j两两比较的相对权重，i取[a，d]，j取[a，d]；
步骤303、计算得到所述判断矩阵p的最大特征根
步骤304、进行一致性检验后得到一氧化碳浓度值a、二氧化碳浓度值b、温度值c以及湿度值d各个因素的权重；
步骤305、根据以上权重得到火灾监测模型如下：
e＝qa*wa qb*wb qc*wc qd*wd；
其中，qa、qb、qc以及qd分别代表传感器数值所对应的分数。
进一步，上述步骤204中的判断矩阵p具体为：
而相应的wp＝(0.0622、0.1835、0.4432、0.3111)t，其中wa＝0.0622，wb＝0.1835，wc＝0.4432，wd＝0.3111。
进一步，上述步骤205中中心机房根据发送火灾隐患的报文信息的传感器组的分布情况，预测火灾意向程度具体包括以下：
步骤501、计算预测存在火灾隐患的传感器组的相邻程度，所述相邻程度通过相邻传感器的数量与传感器总数量的比值获得；
步骤502、判断所述相邻程度是否高于第一阈值，若是则判断为高危火灾隐患，判断所述相邻程度是否在第二阈值与第一阈值之间，若是则判断为中危火灾隐患，判断所述相邻程度是否低于第二阈值，若是则判断为低危火灾隐患。
进一步，所述阈值h的取值在[0.7，1.0]之间，所述第一阈值为0.3，所述第二阈值为0.1。
进一步，所述工业机房火灾监测方法还包括：
当存在故障时，会生成日志文件，所述日志文件包含以下内容，
存在火灾隐患的传感器组的编号、火灾意向程度等级、当前的时间以及日期。
本发明在采用上述的系统以及方法时能够获得以下有益效果：
本发明能够通过在工业机房中设置多个传感器组，并根据传感器组测定的数据来对火灾隐患进行监控，在存在火灾意向时进行报警提醒工作人员及时进行预防调控，整个系统智能化程度高，反应快，能够在源头对火灾进行预防。
附图说明
图1所示为本发明一种基于机器学习的工业机房火灾监测方法流程图。
具体实施方式
以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本发明的目的、方案和效果。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。附图中各处使用的相同的附图标记指示相同或相似的部分。
参照图1，本发明提出一种基于机器学习的工业机房火灾监测系统，包括：
n个依次编号的传感器组，所述传感器组包括，
一氧化碳浓度测定单元，所述一氧化碳浓度测定单元用于获取传感器组附近的一氧化碳浓度，
二氧化碳浓度测定单元，所述二氧化碳浓度测定单元用于获取传感器组附近的二样化碳浓度，
温度测定单元，所述温度测定单元用于获取传感器组附近的温度，
湿度测定单元，所述湿度测定单元用于获取传感器组附近的湿度；
报文信息发送单元，所述报文信息发送单元用于在传感器组存在火灾意向时向中心机房发送代表火灾隐患的报文信息；
火灾意向测定模块，所述火灾意向测定模块存储有火灾预测模型，所述火灾意向测定模块用于根据传感器组所测定的数值计算出该处传感器组是否存在火灾意向；
火灾意向程度预测模块，所述火灾意向程度预测模块用于根据发送代表火灾隐患的报文信息的传感器组的分布情况，预测火灾意向程度；
显示报警模块，所述显示报警模块用于将火灾意向程度以及存在火灾隐患的传感器组予以显示，并在存在火灾意向时进行报警。
本发明还提出一种基于机器学习的工业机房火灾监测方法，其特征在于，包括以下：
步骤201、在机房摆放机器的位置随机布置n处传感器组，每处所述传感器组包括一氧化碳浓度传感器、二氧化碳浓度传感器、温度传感器以及湿度传感器；
步骤202、分别获取每个传感器组测得的一氧化碳浓度值a、二氧化碳浓度值b、温度值c以及湿度值d；
步骤203、将上述步骤202中的测量值带入火灾预测模型得到相应的第n处传感器组的火灾意向因子e；
步骤204、对于火灾意向因子超过阈值h的传感器组，将发送代表火灾隐患的报文信息至中心机房；
步骤205、中心机房根据发送火灾隐患的报文信息的传感器组的分布情况，预测火灾意向程度，并将火灾意向程度以及存在火灾隐患的传感器组予以显示。
作为本方案的优选实施方式，上述步骤202中的火灾监测模型通过以下方式得到：
步骤301、构建目标层以及准则层，所述目标层即为输出的火灾意向因子e，所述准则层包括传感器组测得的一氧化碳浓度值a、二氧化碳浓度值b、温度值c以及湿度值d；
步骤302、构建判断矩阵p如下：
其中pi-j代表i相对于j两两比较的相对权重，i取[a，d]，j取[a，d]；
步骤303、计算得到所述判断矩阵p的最大特征根
步骤304、进行一致性检验后得到一氧化碳浓度值a、二氧化碳浓度值b、温度值c以及湿度值d各个因素的权重；
步骤305、根据以上权重得到火灾监测模型如下：
e＝qa*wa qb*wb qc*wc qd*wd；
其中，qa、qb、qc以及qd分别代表传感器数值所对应的分数。
作为本方案的优选实施方式，上述步骤204中的判断矩阵p具体为：
而相应的wp＝(0.0622、0.1835、0.4432、0.3111)t，其中wa＝0.0622，wb＝0.1835，wc＝0.4432，wd＝0.3111。
作为本方案的优选实施方式，上述步骤205中中心机房根据发送火灾隐患的报文信息的传感器组的分布情况，预测火灾意向程度具体包括以下：
步骤501、计算预测存在火灾隐患的传感器组的相邻程度，所述相邻程度通过相邻传感器的数量与传感器总数量的比值获得；
步骤502、判断所述相邻程度是否高于第一阈值，若是则判断为高危火灾隐患，判断所述相邻程度是否在第二阈值与第一阈值之间，若是则判断为中危火灾隐患，判断所述相邻程度是否低于第二阈值，若是则判断为低危火灾隐患。
作为本方案的优选实施方式，所述阈值h的取值在[0.7，1.0]之间，所述第一阈值为0.3，所述第二阈值为0.1。
作为本方案的优选实施方式，所述工业机房火灾监测方法还包括：
当存在故障时，会生成日志文件，所述日志文件包含以下内容，
存在火灾隐患的传感器组的编号、火灾意向程度等级、当前的时间以及日期。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储的介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
尽管本发明的描述已经相当详尽且特别对几个所述实施例进行了描述，但其并非旨在局限于任何这些细节或实施例或任何特殊实施例，而是应当将其视作是通过参考所附权利要求考虑到现有技术为这些权利要求提供广义的可能性解释，从而有效地涵盖本发明的预定范围。此外，上文以发明人可预见的实施例对本发明进行描述，其目的是为了提供有用的描述，而那些目前尚未预见的对本发明的非实质性改动仍可代表本发明的等效改动。
以上所述，只是本发明的较佳实施例而已，本发明并不局限于上述实施方式，只要其以相同的手段达到本发明的技术效果，都应属于本发明的保护范围。在本发明的保护范围内其技术方案和/或实施方式可以有各种不同的修改和变化。
1.一种基于机器学习的工业机房火灾监测系统，其特征在于，包括：
n个依次编号的传感器组，所述传感器组包括，
一氧化碳浓度测定单元，所述一氧化碳浓度测定单元用于获取传感器组附近的一氧化碳浓度，
二氧化碳浓度测定单元，所述二氧化碳浓度测定单元用于获取传感器组附近的二样化碳浓度，
温度测定单元，所述温度测定单元用于获取传感器组附近的温度，
湿度测定单元，所述湿度测定单元用于获取传感器组附近的湿度；
报文信息发送单元，所述报文信息发送单元用于在传感器组存在火灾意向时向中心机房发送代表火灾隐患的报文信息；
火灾意向测定模块，所述火灾意向测定模块存储有火灾预测模型，所述火灾意向测定模块用于根据传感器组所测定的数值计算出该处传感器组是否存在火灾意向；
火灾意向程度预测模块，所述火灾意向程度预测模块用于根据发送代表火灾隐患的报文信息的传感器组的分布情况，预测火灾意向程度；
显示报警模块，所述显示报警模块用于将火灾意向程度以及存在火灾隐患的传感器组予以显示，并在存在火灾意向时进行报警。
2.一种基于机器学习的工业机房火灾监测方法，其特征在于，包括以下：
步骤201、在机房摆放机器的位置随机布置n处传感器组，每处所述传感器组包括一氧化碳浓度传感器、二氧化碳浓度传感器、温度传感器以及湿度传感器；
步骤202、分别获取每个传感器组测得的一氧化碳浓度值a、二氧化碳浓度值b、温度值c以及湿度值d；
步骤203、将上述步骤202中的测量值带入火灾预测模型得到相应的第n处传感器组的火灾意向因子e；
步骤204、对于火灾意向因子超过阈值h的传感器组，将发送代表火灾隐患的报文信息至中心机房；
步骤205、中心机房根据发送火灾隐患的报文信息的传感器组的分布情况，预测火灾意向程度，并将火灾意向程度以及存在火灾隐患的传感器组予以显示。
3.根据权利要求2所述的一种基于机器学习的工业机房火灾监测方法，其特征在于，上述步骤202中的火灾监测模型通过以下方式得到：
步骤301、构建目标层以及准则层，所述目标层即为输出的火灾意向因子e，所述准则层包括传感器组测得的一氧化碳浓度值a、二氧化碳浓度值b、温度值c以及湿度值d；
步骤302、构建判断矩阵p如下：
其中pi-j代表i相对于j两两比较的相对权重，i取[a，d]，j取[a，d]；
步骤303、计算得到所述判断矩阵p的最大特征根
步骤304、进行一致性检验后得到一氧化碳浓度值a、二氧化碳浓度值b、温度值c以及湿度值d各个因素的权重；
步骤305、根据以上权重得到火灾监测模型如下：
e＝qa*wa qb*wb qc*wc qd*wd；
其中，qa、qb、qc以及qd分别代表传感器数值所对应的分数。
4.根据权利要求2所述的一种基于机器学习的工业机房火灾监测方法，其特征在于，上述步骤204中的判断矩阵p具体为：
而相应的wp＝(0.0622、0.1835、0.4432、0.3111)t，其中wa＝0.0622，wb＝0.1835，wc＝0.4432，wd＝0.3111。
5.根据权利要求2所述的一种基于机器学习的工业机房火灾监测方法，其特征在于，上述步骤205中中心机房根据发送火灾隐患的报文信息的传感器组的分布情况，预测火灾意向程度具体包括以下：
步骤501、计算预测存在火灾隐患的传感器组的相邻程度，所述相邻程度通过相邻传感器的数量与传感器总数量的比值获得；
步骤502、判断所述相邻程度是否高于第一阈值，若是则判断为高危火灾隐患，判断所述相邻程度是否在第二阈值与第一阈值之间，若是则判断为中危火灾隐患，判断所述相邻程度是否低于第二阈值，若是则判断为低危火灾隐患。
6.根据权利要求5所述的一种基于机器学习的工业机房火灾监测方法，其特征在于，所述阈值h的取值在[0.7，1.0]之间，所述第一阈值为0.3，所述第二阈值为0.1。
7.根据权利要求2所述的一种基于机器学习的工业机房火灾监测方法，其特征在于，所述工业机房火灾监测方法还包括：
当存在故障时，会生成日志文件，所述日志文件包含以下内容，
存在火灾隐患的传感器组的编号、火灾意向程度等级、当前的时间以及日期。
技术总结