本发明涉及数据处理，特别是指一种基于人工智能的智能车间消防预警监测方法及系统。
背景技术：
1、车间消防安全不仅是保护人员生命财产的基本要求，也是企业持续健康发展的重要保障。
2、当前对于车间消防安全的保障，主要采用人工定期巡检的方式进行，安排专人定期检查车间内的消防设备，如灭火器、消防栓、喷淋系统、火灾报警器等，确保其处于完好状态，能够在紧急情况下正常使用。对车间内存放易燃易爆物品的区域进行重点巡查，检查物品的存放是否符合安全规范，周围是否有明火、火源等危险因素。定期检查车间内的电气线路和设备，确保无老化、破损、超负荷运行等现象，预防电气火灾的发生。
3、然而定期巡检费时费力，可能导致不必要的巡检和维护，浪费人力和物力资源。定期巡检按照固定时间间隔进行，无法根据设备的实际状态和使用情况进行动态调整，可能导致过度维护或不足维护。
技术实现思路
1、为了解决现有的定期巡检方式存在费时费力，可能导致不必要的巡检和维护，浪费人力和物力资源，按照固定时间间隔进行，无法根据设备的实际状态和使用情况进行动态调整，可能导致过度维护或不足维护的技术问题，本发明提供了一种基于人工智能的智能车间消防预警监测方法及系统。
2、本发明实施例提供的技术方案如下：
3、第一方面：
4、本发明实施例提供的一种基于人工智能的智能车间消防预警监测方法，包括：
5、s1：实时获取传感器数据；
6、s2：根据所述传感器数据，确定当前的消防风险状态；
7、s3：在当前的消防风险状态超过风险阈值时，产生预警警报，生成即刻巡检任务，以使工作人员根据所述即刻巡检任务进行消防检查；
8、s4：在当前的消防风险状态未超过风险阈值时，基于贝叶斯网络，预测各个车间设备的后验失效概率分布；
9、s5：根据各个车间设备的后验失效概率分布，计算预期生命周期成本；
10、s6：以所述预期生命周期成本最小化为目标，生成动态巡检计划，以使工作人员根据所述动态巡检计划进行消防检查。
11、在所述的基于人工智能的智能车间消防预警监测方法中，优选地，所述消防风险状态包括：火灾风险状态、粉尘风险状态以及机器风险状态；所述s2具体包括：
12、s201：通过火灾检测视觉传感器数据与温度传感器数据之间的相互印证，确定当前的火灾风险状态；
13、s202：通过粉尘浓度传感器数据与uwb呼吸传感器数据之间的相互印证，确定当前的粉尘风险状态；
14、s203：通过电机负荷传感器数据与振动传感器数据之间的相互印证，确定当前的机器风险状态。
15、在所述的基于人工智能的智能车间消防预警监测方法中，优选地，所述s201具体包括：
16、s2011：通过火灾检测视觉传感器数据，确定视觉异常值；
17、s2012：通过温度传感器数据，确定温度异常值；
18、s2013：根据所述视觉异常值与所述温度异常值，确定火灾风险值：
19、rf＝βvav+βtat
20、其中，rf表示火灾风险值，av表示视觉异常值，at表示温度异常值，βv表示视觉异常值的权重系数，βt表示温度异常值的权重系数。
21、在所述的基于人工智能的智能车间消防预警监测方法中，优选地，所述s202具体包括：
22、s2021：通过粉尘浓度传感器数据，确定粉尘浓度异常值；
23、s2022：通过uwb呼吸传感器数据，确定人员呼吸异常值；
24、s2023：根据所述粉尘浓度异常值与所述人员呼吸异常值，确定粉尘风险值：
25、rd＝βcac+βbab
26、其中，rd表示粉尘风险值，ac表示粉尘浓度异常值，ab表示人员呼吸异常值，βc表示粉尘浓度异常值的权重系数，βb表示人员呼吸异常值的权重系数。
27、在所述的基于人工智能的智能车间消防预警监测方法中，优选地，所述s203具体包括：
28、s2031：通过电机负荷传感器数据，确定电机负荷异常值；
29、s2032：通过振动传感器数据，确定振动异常值；
30、s2033：根据所述电机负荷异常值与所述振动异常值，确定电机风险值：
31、re＝βrar+βzaz
32、其中，re表示电机风险值，ar表示电机负荷异常值，az表示振动异常值，βr表示电机负荷异常值的权重系数，βz表示振动异常值的权重系数。
33、在所述的基于人工智能的智能车间消防预警监测方法中，优选地，所述s4中的基于贝叶斯网络，预测各个车间设备的后验失效概率分布，具体包括：
34、s401：定义节点状态，节点包括：设备状态节点、检查结果节点以及维护操作节点；
35、s402：构建节点之间的因果关系：当前时刻设备状态节点取决于前一时刻检查结果节点以及前一时刻维护操作节点，当前时刻检查结果节点取决于当前时刻设备状态节点，当前时刻维护操作节点取决于当前时刻检查结果节点；
36、s403：将已进行的定期巡检任务以及即刻巡检任务的检查结果作为贝叶斯网络的证据，定义设备状态、检查结果以及维护操作之间的条件概率，构建条件概率表；
37、s404：使用贝叶斯推理，更新各个设备状态的后验失效概率分布。
38、在所述的基于人工智能的智能车间消防预警监测方法中，优选地，所述s404具体为：
39、根据以下公式，使用贝叶斯推理，更新各个设备状态的后验概率分布：
40、
41、其中，st表示t时刻的设备状态，it-1表示t-1时刻的检查结果，mt-1表示t-1时刻的维护操作，p(st|it-1,mt-1)表示给定t-1时刻检查结果it-1和t-1时刻维护操作mt-1后当前时刻设备状态的后验概率，p(st,it-1,mt-1)表示t时刻的设备状态、t-1时刻检查结果it-1和t-1时刻维护操作mt-1的联合概率分布，p(it-1,mt-1)表示t-1时刻检查结果it-1和t-1时刻维护操作mt-1的联合概率分布，p(st)表示t时刻的设备状态st的先验概率，p(it-1∣st)表示给定t时刻的设备状态后t-1时刻的检查结果的条件概率，p(mt-1∣st,it-1)表示给定t时刻的设备状态st与t-1时刻的检查结果it-1后t-1时刻的维护操作mt-1的条件概率，p(it-1)表示t-1时刻检查结果it-1的边际概率，p(mt-1∣it-1)表示给定t-1时刻的检查结果it-1后t-1时刻的维护操作mt-1的条件概率。
42、在所述的基于人工智能的智能车间消防预警监测方法中，优选地，所述s5具体为：
43、根据以下公式，计算预期生命周期成本：
44、
45、其中，elc表示预期生命周期成本，π表示动态巡检计划，所述动态巡检计划包括检查时间以及维护策略，c0表示初始成本，tl表示器件剩余寿命，ri(t)表示t时刻的检查成本，rm(t)表示t时刻的维护成本，rf(t)表示t时刻的失效成本；
46、所述失效成本具体为：
47、rf(t)＝p(t,π)cf
48、其中，p(t,π)表示采用检查计划π时t时刻的后验失效概率，cf表示失效发生时的平均失效成本。
49、在所述的基于人工智能的智能车间消防预警监测方法中，优选地，所述s6具体为：
50、以所述预期生命周期成本最小化为目标，通过鲸鱼优化算法结合模拟退火算法，生成动态巡检计划，以使工作人员根据所述动态巡检计划进行消防检查。
51、第二方面：
52、本发明实施例提供的一种基于人工智能的智能车间消防预警监测系统，包括：
53、处理器；
54、存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，实现如第一方面所述的基于人工智能的智能车间消防预警监测方法。
55、第三方面：
56、本发明实施例提供的一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面所述的基于人工智能的智能车间消防预警监测方法。
57、本发明实施例提供的技术方案带来的有益效果至少包括：
58、在本发明中，基于贝叶斯网络，预测各个车间设备的后验失效概率分布，进而计算预期生命周期成本，之后以所述预期生命周期成本最小化为目标，生成动态巡检计划，以使工作人员根据所述动态巡检计划进行消防检查。可以根据设备的实际状态和使用情况进行动态调整巡检计划，降低消防预警成本，避免不必要的巡检和维护，提高巡检效率。
1.一种基于人工智能的智能车间消防预警监测方法，其特征在于，包括：
2.根据权利要求1所述的基于人工智能的智能车间消防预警监测方法，其特征在于，所述消防风险状态包括：火灾风险状态、粉尘风险状态以及机器风险状态；所述s2具体包括：
3.根据权利要求2所述的基于人工智能的智能车间消防预警监测方法，其特征在于，所述s201具体包括：
4.根据权利要求2所述的基于人工智能的智能车间消防预警监测方法，其特征在于，所述s202具体包括：
5.根据权利要求2所述的基于人工智能的智能车间消防预警监测方法，其特征在于，所述s203具体包括：
6.根据权利要求1所述的基于人工智能的智能车间消防预警监测方法，其特征在于，所述s4中的基于贝叶斯网络，预测各个车间设备的后验失效概率分布，具体包括：
7.根据权利要求6所述的基于人工智能的智能车间消防预警监测方法，其特征在于，所述s404具体为：
8.根据权利要求1所述的基于人工智能的智能车间消防预警监测方法，其特征在于，所述s5具体为：
9.根据权利要求1所述的基于人工智能的智能车间消防预警监测方法，其特征在于，所述s6具体为：
10.一种基于人工智能的智能车间消防预警监测系统，其特征在于，包括：
