近年來，“智慧消防”領域的發(fā)展如火如荼，與“智慧”二字相對應的人工智能技術(shù)在消防安全領域也變的炙手可熱。

　　2017年10月18日，當人工智能被寫進十九大：“推動互聯(lián)網(wǎng)、大數(shù)據(jù)、人工智能和實體經(jīng)濟深度融合”的報告中；2017年10月10日，當《關于全面推進“智慧消防”建設的指導意見》的發(fā)布更是帶來了國內(nèi)一波又一波圍繞著“人工智能AI”技術(shù)的智慧消防建設高潮。

領域創(chuàng)新—人工智能技術(shù)在消防管網(wǎng)檢測的應用

　　當建筑物火災發(fā)生時，自動噴水滅火系統(tǒng)和室內(nèi)消火栓系統(tǒng)是前期控制火情蔓延和后期火災撲救的重要依仗，管網(wǎng)內(nèi)要隨時保證足夠的水量以及整套系統(tǒng)的正常運轉(zhuǎn)。但是，供水不足、無水的現(xiàn)象在滅火救援中層出不窮。

　　在消防管理中，需定期對消防管網(wǎng)進行檢測，然而受限于傳統(tǒng)的以人為驅(qū)動的管理機制，消防管網(wǎng)檢測的重要性往往發(fā)生在火災事故發(fā)生之后才會被關注，而且行業(yè)內(nèi)的管網(wǎng)檢測手段通常僅會以通過外觀性檢查的方式來判斷異常，無法確保系統(tǒng)功能完好，人工智能技術(shù)的發(fā)展，帶來了更快捷、更準確判斷手段。

　　基于機器學習“iFOREST”等一系列異常檢測算法的智慧消防平臺人工智能判斷體系。對于建筑物自動噴水滅火系統(tǒng)和室內(nèi)消火栓系統(tǒng)，平臺可通過前端安裝的物聯(lián)網(wǎng)感知設備上傳的若干消防設施設備數(shù)據(jù)，判斷出未監(jiān)測設施設備的實時狀態(tài)，如管網(wǎng)的漏水情況，閥門的開閉情況等，同時可精確的判斷出異常設備和異常情況出現(xiàn)的位置，幫助用戶快速、便捷的發(fā)現(xiàn)、處理消防安全隱患，提升建筑物安全性。

　　2016年8月，首次將基于機器學習“iFOREST”算法的人工智能技術(shù)在上海市黃浦區(qū)89棟民用建筑智慧消防系統(tǒng)建設項目中應用于對建筑物消防給水系統(tǒng)的檢測。系統(tǒng)通過檢測判斷出89棟建筑物中有13棟建筑物的消防管網(wǎng)閥門關閉，10棟建筑物消防管網(wǎng)存在多處漏水情況，在隱患情況對用戶進行上報后得到了用戶的高度重視，經(jīng)現(xiàn)場排查，隱患判斷準確率為85.61%。

技術(shù)革命—異常檢測算法帶來人工智能技術(shù)的新突破

　　人工智能技術(shù)的特點為：從聚焦個體的智能到基于大數(shù)據(jù)體系的群體智能，能夠通過廣泛的數(shù)據(jù)來源保障判斷結(jié)果準確性；可通過機器學習算法自行調(diào)整判斷依據(jù)的權(quán)重，讓判斷結(jié)果愈加準確。

　　從數(shù)學模型的觀點上看，消防管網(wǎng)系統(tǒng)發(fā)生故障的是存在前兆的。那么如何刻畫異常狀態(tài)以及對異常狀態(tài)及時預警，這是兩個最基本的問題。

　　與大多數(shù)領域一樣，消防領域中的大數(shù)據(jù)基本是無標簽的。因此異常檢測中最核心的問題是如何來識別異常，以及如何利用異常檢測中的常見算法進行識別預警。基于統(tǒng)計的傳統(tǒng)異常點檢測模型是一些較好的工具，但是針對高維數(shù)據(jù)的統(tǒng)計分析往往表現(xiàn)不佳，將機器學習領域的一些異常檢測算法納入考慮之中。

“iForest”—基于集成學習策略的非參數(shù)無監(jiān)督異常檢測方法

　　該機器學習算法具有線性時間復雜度和高準確率。iForest與RandomForest都是基于Bagging的集成學習方法，在大數(shù)據(jù)上該策略具有天然的并行運算優(yōu)勢，高效地得到結(jié)果。

iForest決策面示意圖

　　One-Class-SVM：假設所有非異常點落在高維空間中的超球體內(nèi)（kernel方法），通過極小化超球體的體積來得到最優(yōu)的超球面，進而得異常點的判定方法。

One-Class-SVM的決策超球面

“DBSCAN”一種基于密度的聚類檢測方式

　　基于聚類的異常點檢測方式被廣泛使用，密度聚類的聚類過程自然地可以得到異常點，并且針對非凸的數(shù)據(jù)集表現(xiàn)優(yōu)越。

DBSCAN的聚類結(jié)果，類別數(shù)量小于閾值是異常點

　　實時監(jiān)測建筑物消防管網(wǎng)的傳感器歷史時序數(shù)據(jù)結(jié)合建筑物參數(shù)和管網(wǎng)參數(shù)等作為訓練集建立相應的異常點檢驗模型以及趨勢檢測模型。在管網(wǎng)系統(tǒng)頻繁起泵前，對消防管網(wǎng)漏水做出精準的預警，進而由傳感器之間水壓反饋的延遲性，基于故障定位算法預測漏水點的位置信息。最后，對上述模型的結(jié)果進行集成，給出更加穩(wěn)健的預測，減少誤報引起的損失。

某消防管網(wǎng)的檢漏結(jié)果（綠色點為代表檢測到漏水）

智能設定安全壓力標準

　　傳統(tǒng)的消防給水系統(tǒng)中，主管網(wǎng)傳感器壓力閾值根據(jù)國家相關標準進行設定，而對于安裝于管網(wǎng)末端的傳感器設備，需根據(jù)建筑物實際情況和管網(wǎng)參數(shù)設置安全壓力閾值，這些設備的數(shù)據(jù)往往直接被忽視。利用上述模型，在非異常點的數(shù)據(jù)給出上述傳感器的智能壓力的標準，提高管網(wǎng)系統(tǒng)中壓力傳感器的使用效率，能夠更加精準地對管網(wǎng)的異常進行預警。

不斷完善—人工智能技術(shù)在實戰(zhàn)中成長

　　2018年，通過基于異常檢測算法的人工智能技術(shù)對智慧消防系統(tǒng)采集到的數(shù)據(jù)進行分析，判斷出的黃浦區(qū)89棟中部分建筑物的消防水系統(tǒng)管網(wǎng)閥門情況及管網(wǎng)情況無一誤報，系統(tǒng)及時的通知到相應人員對隱患位置進行查看、整修，及時消除了消防隱患。

　　隨著人工智能技術(shù)的不斷優(yōu)化以及長時間對物聯(lián)網(wǎng)數(shù)據(jù)的學習，系統(tǒng)判定的結(jié)果越來越精準，在黃浦區(qū)89棟民用建筑智慧消防系統(tǒng)建設項目中，已經(jīng)達到了95%以上的準確率。同時，人工智能技術(shù)的成熟使得應用在其他的項目上的學習時間大大縮短。

總結(jié)

　　人工智能技術(shù)及理念的持續(xù)滲透逐漸改變了行業(yè)從業(yè)者和用戶對智慧消防的理解，從傳統(tǒng)的城市消防報警中心到智慧消防云服務平臺，從傳統(tǒng)的消防數(shù)據(jù)遠程監(jiān)控到利用人工智能AI技術(shù)賦能消防管理，基于異常檢測算法的人工智能技術(shù)擁有對消防設施數(shù)據(jù)的感知、分析、處理的主導權(quán)，推動消防管理體系中決策機制從“業(yè)務驅(qū)動”向“數(shù)據(jù)預測”轉(zhuǎn)變，管理機制從“死看死守”向“預知預警”轉(zhuǎn)變，行動機制從“經(jīng)驗主義”向“科學決策、智能調(diào)度”轉(zhuǎn)變，把人工智能分析轉(zhuǎn)變?yōu)闉樾袆恿?yōu)勢。