基于云平台管理的物联网消防监测及调控系统

技术领域

本发明涉及电子数据处理技术领域，具体涉及基于云平台管理的物联网消防监测及调控系统。

背景技术

在基于云平台管理的物联网消防监测及调控系统中，需要对消防末端设备的运行状态进行设备异常状态的监测预警及调控，对于末端设备运行状态的监测可以通过获取末端设备的全部历史数据来训练隐马尔可夫模型（Hidden Markov Model，HMM）；系统中每个末端设备都保留了其历史运行的时序数据，每一个时间点都有一个观测数据，但是隐藏在这些观测数据背后的状态是未知的；使用HMM可以将观测序列与状态序列关联，从而进行实时状态的预测和识别。

对于末端设备的运行状态预警，可以通过HMM建立一个状态转移模型，以表示设备的不同运行状态之间的转移概率，不同运行状态例如：正常、存在偏差、异常及需维护等不同状态；根据HMM学习的状态概率转移模型可以预测设备将会处于哪一个状态，从而进行相应的预警和维护；然而在隐马尔可夫模型中，是将所有历史数据中的信息都融合到当前状态，也就是对于设备下一个时间点的状态预测仅通过当前状态与状态转移概率矩阵进行预测，那么在预测的过程中就丢失了数据点的趋势信息；同时对于状态转移概率矩阵还存在着所有状态的转换的概率之和为1，那么在获取到下一个状态的转移概率矩阵进行预测时，在相似的状态转移概率矩阵中存在着预测的偏差，因此需要通过当前数据点分布与历史数据点的近邻关系进行状态转移概率矩阵的增强，从而获取准确的设备状态预测结果。

发明内容

本发明提供基于云平台管理的物联网消防监测及调控系统，以解决现有的仅通过当前状态进行设备状态预测导致结果不准确的问题，所采用的技术方案具体如下：

本发明一个实施例提供了基于云平台管理的物联网消防监测及调控系统，该系统包括：

末端设备数据采集模块，采集消防系统末端设备的运行数据，并通过物联网上传至云平台数据中心；

末端设备数据处理模块：对运行数据通过预设滑窗获取若干子序列，将当前数据点所在子序列作为当前子序列，根据子序列中的数据获取任意两个子序列之间的距离，根据距离及设备的状态数量进行聚类得到若干簇类，将当前子序列所在簇类记为当前子序列的参考簇类，参考簇类中的其他子序列记为当前子序列的相似子序列；

根据参考簇类中子序列之间的距离获取每个相似子序列的参考子序列集合，根据参考子序列集合中子序列之间的距离，获取每个参考子序列集合的可参考程度；

根据参考簇类中每个子序列中的数据获取参考簇类中每个子序列的趋势变化序列，获取每个相似子序列中最右数据点的状态转移概率矩阵，根据参考子序列集合及趋势变化序列，获取每个相似子序列与其参考子序列集合中每个子序列在趋势变化序列上的交并比，根据状态转移概率矩阵、参考子序列集合及交并比，获取每个相似子序列中最右数据点的增强矩阵；

设备状态监测调控模块，根据参考簇类中每个相似子序列中最右数据点的增强矩阵，获取当前数据点的状态预测结果，完成设备状态的监测调控。

可选的，所述对运行数据通过预设滑窗获取若干子序列，包括的具体方法为：

以最新采集到的数据点为起始点，通过预设滑窗，根据滑窗长度及滑窗步长对运行数据获取若干段序列，每段序列记为子序列。

可选的，所述根据子序列中的数据获取任意两个子序列之间的距离，包括的具体方法为：

对于任意两个子序列，将两个子序列中相同位置的数据点作为一个点对，根据所有点对中的数据值计算两个子序列之间的距离，即是将每个子序列看作一个高维空间中的数据点，数据点之间的欧式距离即为子序列之间的距离；

获取任意两个子序列之间的距离。

可选的，所述根据参考簇类中子序列之间的距离获取每个相似子序列的参考子序列集合，包括的具体方法为：

将参考簇类中相似子序列

若参考簇类中与待判断子序列

获取参考簇类中每个相似子序列的参考子序列集合。

可选的，所述获取每个参考子序列集合的可参考程度，包括的具体方法为：

将参考簇类中相似子序列

其中，

可选的，所述根据参考簇类中每个子序列中的数据获取参考簇类中每个子序列的趋势变化序列，包括的具体方法为：

以参考簇类中任意一个子序列为示例子序列，对示例子序列中任意相邻两个数据点，用后一个数据点的数值减去前一个数据点的数值，得到的结果大于0用1表示，小于0用-1表示，等于0用0表示，对示例子序列中任意相邻两个数据点进行计算，按照数据点的顺序对结果进行排序，得到的序列记为示例子序列的趋势变化序列；

获取参考簇类中每个子序列的趋势变化序列。

可选的，所述获取每个相似子序列与其参考子序列集合中每个子序列在趋势变化序列上的交并比，包括的具体方法为：

将相似子序列

所述交集为序列中相同位置数值相同的元素组成的集合；所述并集为相同位置数值不同的两个元素分别作为并集中的一个元素，相同位置数值相同的两个元素作为并集中的一个元素；

根据交集的元素数量与并集的元素数量，获取

可选的，所述获取每个相似子序列中最右数据点的增强矩阵，包括的具体方法为：

其中，

获取相似子序列

本发明的有益效果是：本发明通过根据子序列获取到的增强矩阵，对下一个数据点状态进行预测时进行传统的状态转移概率矩阵的增强，相较于直接通过状态转移概率矩阵进行预测可以将数据的历史信息在当前时刻进行补充，避免因为隐马尔可夫模型对于数据点一些连续信息及趋势信息变化的判断缺失；同时通过聚类进行当前子序列的相似子序列的判断，并通过参考簇类中的子序列之间的距离差异获取参考子序列集合，通过参考子序列集合获取增强矩阵，相较于直接通过状态转移概率矩阵进行设备状态预测时相似概率状态难以判断的情况，本发明对下一个数据点状态的预测结果更加精准，进而提高监测及预测结果的准确性，提高调控的工作效率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一个实施例所提供的基于云平台管理的物联网消防监测及调控系统结构框图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1，其示出了本发明一个实施例所提供的基于云平台管理的物联网消防监测及调控系统结构框图，该系统包括：

末端设备数据采集模块101，采集消防系统末端设备的运行数据，并通过物联网上传至云平台数据中心。

本实施例的目的是通过末端设备的实时运行数据，结合历史运行数据对设备状态进行监测及预测，并根据设备状态预测结果进行相应调控，因此首先需要采集消防系统中末端设备的运行数据；末端设备的运行数据包括末端水泵的出口压力、电压、电流以及泵电机温度等运行数据，其中末端水泵包括室外消火栓泵、室内喷淋泵以及消防稳压泵；本实施例通过消防泵房中的智能采集柜对末端水泵的运行数据进行获取，智能采集柜为泵房中用于监测所有设备的开关状态、电流、电压以及故障状态等信息的采集装置，通过各种传感器对各种数据进行采集；本实施例以末端水泵的压力数据为例进行叙述，其他类型运行数据与压力数据在后续处理分析过程相同，因此将压力数据作为末端设备的运行数据进行后续处理分析；需要说明的是，运行数据包括末端设备的实时运行数据以及所有历史运行数据，且运行数据为时序数据，实时的运行数据即为最新采集到的数据点，之前的所有数据点则为历史运行数据，运行数据的采集频率由智能采集柜设定，本实施例不再赘述。

进一步的，将采集到的运行数据通过物联网上传至云平台数据中心，云平台管理系统直接在云平台数据中心进行运行数据的处理分析，进而完成设备运行状态的监测及预测。

至此，获取到了末端设备的运行数据，并上传到云平台数据中心用于后续处理分析。

末端设备数据处理模块102：

需要说明的是，为了能够使得通过隐马尔可夫模型对于下一时刻设备的状态进行预测时可以考虑到数据的趋势信息，并且避免状态转移概率矩阵中出现多个相似值的状态转移概率；则首先需要通过聚类获取当前数据点所在子序列的参考子序列，通过在历史数据中的相似数据进行当前数据预测的优化；再通过这些参考子序列的连续状态信息，获取到当前数据点状态转移概率矩阵的增强矩阵，增强矩阵即可以对于隐马尔可夫模型获取到的当前数据点的状态转移概率矩阵进行预测增强。

进一步需要说明的是，因为在增强矩阵的获取过程中，因为聚类的距离衡量中存在着对于趋势信息的衡量偏差，所以需要通过簇类中的参考子序列的偏差对增强矩阵进行校正，从而准确地通过增强矩阵对状态转移概率矩阵进行优化。

（1）对运行数据通过预设滑窗获取若干子序列，将当前数据点所在子序列作为当前子序列，对所有子序列进行聚类，根据聚类结果获取当前子序列的参考簇类及相似子序列。

需要说明的是，由于运行数据为时序数据，且数据点之间存在趋势变化，因此采用定长的滑窗从最新采集到的数据点，即当前数据点开始截取子序列，同时为了保证趋势信息的完整性，不会因为分段获取子序列而丢失部分趋势信息，因此滑窗步长小于滑窗长度，则得到若干子序列；通过子序列之间相同位置元素之间的差异来作为子序列之间的距离度量，进而根据距离度量对子序列进行聚类，则同一聚类中的子序列之间存在数据波动相近的情况，进而可以提供相似的趋势信息。

具体的，对于运行数据，即水泵的压力时序数据，以最新采集到的数据点为起始点，最新采集到的数据点即为实时的当前数据点，通过定长的预设滑窗，根据滑窗长度及滑窗步长对运行数据获取若干段序列，每段序列记为子序列，本实施例滑窗长度采用10，滑窗步长采用1进行叙述；对于任意两个子序列，将两个子序列中相同位置的数据点作为一个点对，根据所有点对中的数据值计算两个子序列之间的距离，即是将每个子序列看作一个高维空间中的数据点，数据点之间的欧式距离即为子序列之间的距离，其中高维空间的维度数与子序列的元素数量相等；获取任意两个子序列之间的距离，对所有子序列根据子序列之间的距离进行K-means聚类，聚类的簇类数量即K值通过隐马尔可夫模型预测的状态数量进行确定，例如需要将设备状态划分为5种，则簇类数量K=5；本实施例中将末端水泵的状态划分为正常、存在偏差、异常及需维护4种状态，则本实施例中采用K=4进行叙述；则将所有子序列划分到了4个簇类中。

进一步的，将当前数据点所在子序列记为当前子序列，将当前子序列所在簇类记为当前子序列的参考簇类，参考簇类中的其他子序列记为当前子序列的相似子序列。

至此，获取到了当前子序列的参考簇类及相似子序列，通过相似子序列后续获取增强矩阵，从而优化状态转移概率矩阵。

（2）根据参考簇类中子序列之间的距离，获取每个相似子序列的参考子序列集合，获取每个参考子序列集合的可参考程度。

需要说明的是，末端水泵的压力传感器会因为运行环境实时发生变化，则当预测过程中出现连续的趋势变化时，需要在增强矩阵中将连续趋势所对应的影响体现在参考簇类中倾向的目标状态，也就是通过参考子序列中的数据点的倾向进行隐马尔可夫模型中状态转移概率矩阵的优化，使得隐马尔可夫模型的预测中可以包括数据点的连续趋势信息。

进一步需要说明的是，对于参考簇类中存在子序列之间距离较大的情况，则不能通过所有相似子序列进行当前子序列的信息参考，需要在簇类中进一步确定参考子序列集合，对于参考簇类中任意一个子序列，在参考簇类中可以通过KNN进行参考子序列集合的获取，即在簇类中通过子序列的K个最近邻的子序列进行参考；但是因为最近邻的子序列存在着子序列

具体的，首先将参考簇类中相似子序列

进一步需要说明的是，在参考簇类中，一个子序列的

具体的，以待判断子序列

其中，

至此，获取到了参考簇类中每个参考子序列集合的可参考程度，为后续状态转移概率矩阵的增强矩阵获取提供参考基础。

（3）根据参考簇类中每个子序列中的数据获取参考簇类中每个子序列的趋势变化序列，获取每个相似子序列中最右数据点的状态转移概率矩阵，根据状态转移概率矩阵、参考子序列集合以及趋势变化序列，获取每个相似子序列中最右数据点的增强矩阵。

需要说明的是，当前子序列中最右数据点即为最新采集到的数据点，也就是当前数据点，而每个相似子序列都是要对最右数据点进行下一个数据点的状态预测，因此可以获取每个相似子序列中最右数据点的状态转移概率矩阵；状态转移概率矩阵是通过趋势信息获取到的下一个数据点的状态变化可能，因此需要通过参考子序列集合中子序列之间的趋势差异进行趋势上的状态变化概率的获取，并结合可参考程度获取增强因子，进而通过增强因子对状态转移概率矩阵中状态变化的概率进行优化。

具体的，首先对于参考簇类中的任意一个子序列，对该子序列中任意相邻两个数据点，用后一个数据点的数值减去前一个数据点的数值，得到的结果大于0则用1表示，小于0用-1表示，等于0用0表示，对该子序列中任意相邻两个数据点进行计算，并按照数据点的顺序对结果进行排序，得到的序列记为该子序列的趋势变化序列，趋势变化序列的元素数量比子序列的元素数量少一个；按照上述方法获取参考簇类中每个子序列的趋势变化序列。

进一步的，获取每个相似子序列中最右数据点的状态转移概率矩阵，状态转移概率矩阵获取为隐马尔可夫模型中的现有技术，本实施例不再赘述；以相似子序列

进一步的，根据趋势变化序列的交并比、参考子序列集合及其可参考程度，以及状态转移概率矩阵，获取每个相似子序列中最右数据点的增强矩阵，以相似子序列

其中，

至此，获取到了每个相似子序列中最右数据点的增强矩阵，增强矩阵相较于状态转移概率矩阵，更多地考虑了参考子序列集合中其他趋势变化相近的子序列中状态转移，进而使得增强矩阵中的增强因子相较于状态转移概率更加准确。

设备状态监测调控模块103，根据参考簇类中每个相似子序列中最右数据点的增强矩阵，获取当前数据点的状态预测结果，完成设备状态的监测调控。

获取到参考簇类中每个相似子序列中最右数据点的增强矩阵后，对历史数据点进行状态标记：0为正常、1为存在偏差、2为异常，3为需维护四种状态；运行数据中有若干数据点具有增强矩阵，根据具有增强矩阵的前30%数据点的增强矩阵获取初始转移概率矩阵，根据剩余70%数据点的增强矩阵训练隐马尔可夫模型，其中初始转移概率矩阵及模型训练的数据点比例实施者可根据实际情况自行设置；需要说明的是，训练过程中，传统的隐马尔可夫模型中为状态转移概率矩阵，本实施例通过增强矩阵对状态转移概率矩阵进行替换；训练完成后将其中最大的状态转移概率作为下一状态的预测，并获取对应的状态标签，进而完成当前数据点的状态预测；当状态预测结果为异常时，则在系统中进行预警；当状态预测结果为需维护时，则通过云平台管理系统发派维护工单，进行末端水泵的维护。

至此，完成了基于云平台管理下的消防系统末端设备的状态监测、预测及调控。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。