趙月愛(ài)，郭興原，吳星輝

（1.太原師范學(xué)院 計(jì)算機(jī)系，山西 晉中030619；2.太原師范學(xué)院 數(shù)學(xué)系，山西 晉中030619）

隨著物聯(lián)網(wǎng)工程及大數(shù)據(jù)分析技術(shù)的發(fā)展和應(yīng)用，消防工作“預(yù)防為主，綜合防護(hù)”已獲得廣泛共識(shí)，智慧消防系統(tǒng)的研究與開(kāi)發(fā)引起研究者越來(lái)越多的關(guān)注，相關(guān)技術(shù)難點(diǎn)也成為當(dāng)前的研究熱點(diǎn)［1］.本文設(shè)計(jì)并實(shí)現(xiàn)電氣火災(zāi)消防預(yù)警平臺(tái)，在樓宇配電箱中部署多傳感器實(shí)時(shí)采集剩余電流、電流、溫度及設(shè)備經(jīng)緯度等數(shù)據(jù)；通過(guò)GPRS無(wú)線技術(shù)直接把監(jiān)測(cè)到的數(shù)據(jù)發(fā)送到云平臺(tái)；借助阿里云服務(wù)器和大數(shù)據(jù)分析平臺(tái)實(shí)時(shí)存儲(chǔ)并分析數(shù)據(jù)，實(shí)現(xiàn)精準(zhǔn)預(yù)測(cè).

1 平臺(tái)架構(gòu)設(shè)計(jì)

圖1是該平臺(tái)的架構(gòu)圖，主要包括數(shù)據(jù)采集、數(shù)據(jù)傳輸和數(shù)據(jù)分析三大部分.

圖1 平臺(tái)架構(gòu)圖

1.1 數(shù)據(jù)采集

數(shù)據(jù)采集硬件平臺(tái)由主控制器、電壓傳感器、溫度傳感器、電流傳感器、剩余電流互感器、分勵(lì)脫扣器、蜂鳴器等組成.通過(guò)在需要監(jiān)測(cè)區(qū)域的配電箱中部署多種傳感器對(duì)三相電壓線纜的各類參數(shù)監(jiān)控，實(shí)時(shí)采集數(shù)據(jù)，控制器將數(shù)據(jù)預(yù)處理后發(fā)送至云平臺(tái).

主控制器采用ARM芯片，控制器主要對(duì)上述傳感器進(jìn)行控制，負(fù)責(zé)數(shù)據(jù)采集和數(shù)據(jù)預(yù)處理，并通過(guò)數(shù)據(jù)組幀，把數(shù)據(jù)上傳至云服務(wù)器.該控制器帶有控制按鈕、顯示面板和指示燈，用戶可以根據(jù)實(shí)際需求對(duì)所采集數(shù)據(jù)進(jìn)行預(yù)警閾值的參數(shù)設(shè)置，如果數(shù)據(jù)異常，指示燈將會(huì)給與相應(yīng)提示.

電壓傳感器用來(lái)測(cè)量220～380V的交流電壓，可在-10℃～70℃的溫度中正常工作.本設(shè)備對(duì)每路電壓線纜配一個(gè)電壓傳感器，將采集三相電壓傳輸于控制器中.

溫度傳感器用來(lái)測(cè)量線纜溫度，本設(shè)備將溫度傳感器直接扎綁于線纜上實(shí)時(shí)采集3條火線線纜的溫度信息，并將溫度數(shù)據(jù)傳輸于控制器中.

電流傳感器工作溫度為-25℃～75℃，用于測(cè)量3條火線線纜中的電流值，并將電流數(shù)據(jù)傳輸于控制器中.

剩余電流互感器可容納直徑30～200mm的電線穿過(guò)，工作溫度為-12℃～45℃，用于檢測(cè)電線中剩余電流的大小.根據(jù)國(guó)家消防部門規(guī)定，正常工作的電氣設(shè)備泄露電流應(yīng)不大于0.5mA，該設(shè)備實(shí)時(shí)采集剩余電流數(shù)據(jù)，并將數(shù)據(jù)傳輸于控制器中.

分勵(lì)脫扣器采用MX+OF無(wú)源型，工作電壓為110～400V，當(dāng)發(fā)生短路，設(shè)備故障引起電流過(guò)大時(shí)，可自動(dòng)跳閘，從而保護(hù)電路設(shè)備.

蜂鳴器采用BJ-1高分貝報(bào)警器，正常工作電壓為220～250V，工作溫度為-20℃～70℃，當(dāng)發(fā)生異常情況蜂鳴器將會(huì)報(bào)警，可以提醒設(shè)備管理員及時(shí)處理危險(xiǎn).

1.2 數(shù)據(jù)傳輸

采用GPRS和Socket技術(shù)，對(duì)傳感器數(shù)據(jù)進(jìn)行實(shí)時(shí)發(fā)送和接收.GPRS技術(shù)借助運(yùn)營(yíng)商網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)聯(lián)網(wǎng)，可完成數(shù)據(jù)的發(fā)送功能［2］.主控制器支持GPRS、RS232和RS485三種接口，本文采用RS485接口用來(lái)調(diào)試主控制器數(shù)據(jù)，GPRS模塊型號(hào)采用SIM800C負(fù)責(zé)將傳感器采集的數(shù)據(jù)定時(shí)發(fā)送到云服務(wù)器，可由用戶設(shè)定上傳數(shù)據(jù)頻率，默認(rèn)為60s上傳一次［3］.圖2是GPRS的工作流程圖.

圖2 GPRS工作流程圖

平臺(tái)基于TCP網(wǎng)絡(luò)通信協(xié)議，使用Socket套接字完成電氣火災(zāi)數(shù)據(jù)的接收并保存至云服務(wù)器上的數(shù)據(jù)庫(kù)中.同時(shí)，為保證客戶端和服務(wù)器端通信會(huì)話的有效性，在正常接收數(shù)據(jù)的基礎(chǔ)之上，結(jié)合心跳監(jiān)測(cè)技術(shù)使用Socket完成數(shù)據(jù)的接收及保存.云平臺(tái)同時(shí)接收多個(gè)數(shù)據(jù)采集設(shè)備發(fā)送的數(shù)據(jù)，并對(duì)不同數(shù)據(jù)采集設(shè)備進(jìn)行統(tǒng)一管控，保證了電氣數(shù)據(jù)傳輸?shù)陌踩院屯暾?

1.3 數(shù)據(jù)分析

大數(shù)據(jù)分析平臺(tái)軟件架構(gòu)基于Hadoop和Spark實(shí)現(xiàn)，引入生態(tài)圈的多個(gè)組件作為此平臺(tái)的支撐技術(shù).Spark具有強(qiáng)大的處理實(shí)時(shí)流式數(shù)據(jù)的能力［4］，可對(duì)Hadoop上存儲(chǔ)的大數(shù)據(jù)進(jìn)行計(jì)算，滿足本平臺(tái)實(shí)時(shí)數(shù)據(jù)分析的需求.

2 數(shù)據(jù)分析

2.1 數(shù)據(jù)預(yù)處理

平臺(tái)將三根火線的電流I1、I2、I3，電壓U1、U2、U3，溫度T1、T2、T3以及剩余電流L分別作為特征值，選取部分?jǐn)?shù)據(jù)對(duì)電氣火災(zāi)發(fā)生概率p（possiblity）進(jìn)行預(yù)測(cè)分析.首先要將信息轉(zhuǎn)換為算法能夠處理的形式，將屬性中的預(yù)警、不預(yù)警設(shè)為1或0；為方便計(jì)算，將電氣火災(zāi)發(fā)生的概率值取對(duì)數(shù)處理，見(jiàn)式（1）所示：

為查看特征值數(shù)據(jù)的分布情況，把數(shù)據(jù)劃分訓(xùn)練集和驗(yàn)證集，并統(tǒng)計(jì)數(shù)據(jù)總數(shù)count、平均值mean、最小值min、最大值max和分位數(shù)等相關(guān)信息.表1是數(shù)據(jù)預(yù)處理后的結(jié)果.

表1 數(shù)據(jù)預(yù)處理表

2.2 標(biāo)準(zhǔn)模型評(píng)估

本文采用隨機(jī)森林、決策樹(shù)和神經(jīng)網(wǎng)絡(luò)三種算法對(duì)數(shù)據(jù)進(jìn)行了分析，并建立了對(duì)應(yīng)的模型，為對(duì)預(yù)警模型進(jìn)行有效的評(píng)估，選擇以下三個(gè)指標(biāo)進(jìn)行評(píng)價(jià)：

2.2.1R2檢驗(yàn)

R2檢驗(yàn)被稱為擬合優(yōu)度，用于衡量回歸方程整體的擬合度，取值范圍是0到1之間，值越接近1，說(shuō)明該模型的結(jié)果對(duì)于樣本的擬合程度越好.R2的計(jì)算公式如（2）所示.

2.2.2 平均絕對(duì)誤差

平均絕對(duì)誤差（MAE），該值用來(lái)計(jì)算預(yù)測(cè)值同真實(shí)值之間絕對(duì)誤差的平均值，衡量預(yù)測(cè)值誤差的范圍.MAE值越小，代表當(dāng)前算法模型誤差越小、性能越好，公式如（3）所示［5］.

2.2.3 標(biāo)準(zhǔn)差

標(biāo)準(zhǔn)差是用于衡量一組數(shù)據(jù)自身的離散程度，該值越小，代表數(shù)據(jù)集中的數(shù)據(jù)值與平均值的差異越小，標(biāo)準(zhǔn)差公式如（4）所示.

2.3 隨機(jī)森林算法預(yù)警模型參數(shù)優(yōu)化及結(jié)果

在建立基于隨機(jī)森林算法的電氣火災(zāi)預(yù)警模型時(shí)［6］，需要對(duì)預(yù)警模型進(jìn)行參數(shù)優(yōu)化，以求得最優(yōu)的實(shí)驗(yàn)結(jié)果，表2顯示的是隨機(jī)森林算法中常用的每個(gè)參數(shù)含義及默認(rèn)值.

表2 隨機(jī)森林參數(shù)介紹表

實(shí)驗(yàn)首先按照每個(gè)參數(shù)的默認(rèn)值計(jì)算，表3是得出的模型評(píng)價(jià)指標(biāo)，表中分別列出訓(xùn)練集和驗(yàn)證集的計(jì)算數(shù)值，從驗(yàn)證集數(shù)據(jù)可看出使用默認(rèn)參數(shù)的算法模型效果不理想，誤差較大.

表3 默認(rèn)參數(shù)評(píng)價(jià)表

接下來(lái)對(duì)參數(shù)進(jìn)行調(diào)整優(yōu)化，n＿estimators范圍設(shè)置為200至2000，每次增長(zhǎng)10；max＿depth范圍設(shè)置為10至100，同樣每次增長(zhǎng)10；min＿samples＿split取值設(shè)置為2，5，10；min＿samples＿leaf取值設(shè)置為1，2，4.利用RandomizedSearchCV函數(shù)進(jìn)行隨機(jī)搜索，輸出最佳參數(shù)值，圖3是該函數(shù)的搜索過(guò)程，當(dāng)決策樹(shù)數(shù)量大于1800，樹(shù)最大深度大于70后，擬合優(yōu)度值與誤差值不再發(fā)生明顯變化.

圖3 RandomizedSearchCV隨機(jī)搜索圖

最終通過(guò)實(shí)驗(yàn)表明當(dāng)隨機(jī)森林算法預(yù)警模型中n＿estimators為1800，min＿samples＿split為2，min＿samples＿leaf為1，max＿depth為70，bootstrap為true時(shí)模型效果最好.使用三組不同的數(shù)據(jù)集在該模型上進(jìn)行實(shí)驗(yàn)，分別得出優(yōu)化后的預(yù)警模型評(píng)價(jià)指標(biāo)結(jié)果如表4所示，可以看出模型優(yōu)化后的三組數(shù)據(jù)擬合優(yōu)度明顯增高，平均絕對(duì)誤差值減小.

表4 最優(yōu)參數(shù)評(píng)價(jià)表

圖4是通過(guò)優(yōu)化后的預(yù)警模型分析得到的，顯示了每個(gè)特征值所占的比重.從圖中可看出電流和溫度對(duì)于預(yù)警結(jié)果占較大比重，電壓和剩余電流占較小比重，管理員可著重注意電流和溫度的變化，當(dāng)電流值和溫度值發(fā)生較大的變化趨勢(shì)，就可能會(huì)導(dǎo)致預(yù)警事件發(fā)生［7］.

圖4 電氣火災(zāi)特征比重圖

2.4 模型性能對(duì)比

2.4.1 單機(jī)模型性能對(duì)比

在單機(jī)環(huán)境下使用Tensorflow分別得到基于隨機(jī)森林、決策樹(shù)和神經(jīng)網(wǎng)絡(luò)算法的模型所對(duì)應(yīng)的評(píng)價(jià)指標(biāo)，實(shí)驗(yàn)分別選取了3組數(shù)據(jù)進(jìn)行測(cè)試，每組均選擇50 000條數(shù)據(jù).預(yù)警模型性能對(duì)比如表5所示.

表5 模型效果評(píng)估表

續(xù)表5

通過(guò)表5數(shù)據(jù)可以看出，擬合優(yōu)度值最接近1的是隨機(jī)森林算法模型，而且該模型的平均絕對(duì)誤差值與標(biāo)準(zhǔn)差值最小.顯然使用隨機(jī)森林算法模型來(lái)預(yù)警電氣火災(zāi)發(fā)生的概率效果最好，準(zhǔn)確度最高.

2.4.2 Spark集群與單機(jī)性能對(duì)比

將構(gòu)建好的隨機(jī)森林預(yù)警模型上傳至Spark集群中的Spark Streaming組件中，創(chuàng)建SparkConf對(duì)象，設(shè)置conf所需要的配置信息，并創(chuàng)建Spark Streaming數(shù)據(jù)接收器，利用Spark對(duì)象讀取電氣火災(zāi)數(shù)據(jù)并輸入到隨機(jī)森林預(yù)警模型中進(jìn)行計(jì)算，得到任務(wù)處理結(jié)果以及評(píng)估結(jié)果，采用Spark集群與單機(jī)性能對(duì)比結(jié)果如表6所示［8］.

表6 Spark集群與單機(jī)性能對(duì)比表

通過(guò)在Spark集群環(huán)境與單機(jī)環(huán)境中分別運(yùn)行隨機(jī)森林預(yù)警算法模型，可以從表中數(shù)據(jù)看出，擬合優(yōu)度與誤差值基本一致，而集群運(yùn)算速度要快于單機(jī)環(huán)境，具有較高的穩(wěn)定性與可靠性.

3 平臺(tái)實(shí)現(xiàn)

電氣火災(zāi)消防預(yù)警平臺(tái)主要有設(shè)備數(shù)據(jù)管理、大數(shù)據(jù)分析、監(jiān)控預(yù)警、用戶管理四大功能模塊.數(shù)據(jù)管理包括數(shù)據(jù)采集和數(shù)據(jù)傳輸子模塊；大數(shù)據(jù)分析包括數(shù)據(jù)存儲(chǔ)和數(shù)據(jù)分析子模塊；監(jiān)控預(yù)警包括實(shí)時(shí)監(jiān)測(cè)和異常預(yù)警子模塊；用戶管理包括用戶登錄和用戶權(quán)限子模塊，各個(gè)模塊之間功能明確，有效降低了耦合關(guān)聯(lián)程度，有利于程序開(kāi)發(fā)和維護(hù)［9］.

如圖5所示，用戶登錄平臺(tái)后，在主界面可看到平臺(tái)已有的設(shè)備數(shù)量、設(shè)備已采集的數(shù)據(jù)以及預(yù)警數(shù)據(jù)條數(shù)等信息；數(shù)據(jù)實(shí)時(shí)監(jiān)測(cè)模塊借助百度地圖顯示各個(gè)監(jiān)測(cè)點(diǎn)的情況，分別用藍(lán)、黃、紅色表示該監(jiān)測(cè)點(diǎn)數(shù)據(jù)正常、檢測(cè)異常、重度異常情況.起火原因統(tǒng)計(jì)模塊直觀顯示電氣、用火不當(dāng)、生產(chǎn)作業(yè)等起火因素所占比重；平臺(tái)運(yùn)行狀態(tài)模塊顯示系統(tǒng)工作狀態(tài)；查看預(yù)警數(shù)據(jù)統(tǒng)計(jì)模塊顯示所有監(jiān)測(cè)點(diǎn)一年中每個(gè)月發(fā)生預(yù)警事件次數(shù).

圖5 數(shù)據(jù)概覽圖

4 結(jié)語(yǔ)

借助窄帶物聯(lián)網(wǎng)、云計(jì)算、大數(shù)據(jù)、移動(dòng)互聯(lián)網(wǎng)等新一代信息技術(shù)，利用各種智能傳感器實(shí)時(shí)采集各消防信息，并借助大數(shù)據(jù)平臺(tái)實(shí)時(shí)存儲(chǔ)和挖掘分析收集到的數(shù)據(jù)，構(gòu)建“一張圖”的消防預(yù)警平臺(tái)，實(shí)現(xiàn)動(dòng)態(tài)感知、智能研判、精準(zhǔn)防控.但火災(zāi)預(yù)警的準(zhǔn)確度受到的約束因素較多，比如大氣的溫度、使用設(shè)備的質(zhì)量及年限等，今后將對(duì)相關(guān)數(shù)據(jù)進(jìn)行融合處理，以便更好地在火災(zāi)萌芽階段及時(shí)發(fā)現(xiàn)火情［10］.