גילוי אש ודיכוי הסתמך על חיישנים פשוטים המבוססים על סף ולוגיקה מבוססת הכלל. בעוד שמערכות אלה הצילו אינספור חיים ונכסים, הן מראות יותר ויותר את המגבלות שלהם בסביבות מודרניות מורכבות. אזעקה מעישון בישול, קיטור או אבק יכול להוביל לפינוי יקר במבנים מסחריים, תוך עיכוב במתקנים תעשייתיים גדולים יכול לאפשר שריפות מעבר לשליטה.

כיצד ניתן למצוא את האש המסורתית נופלת קצר

זיהוי אש באמנה מבוסס על ionization או גלאי עשן פוטואלקטריים, גלאי חום, ותחנות משיכה ידניות.המכשירים האלה פועלים על נקודות אזעקה מראש - למשל, עלייה של 15 מעלות צלזיוס לדקה גורמת התראה.בעוד שזה יעיל עבור שריפות מהירות, לעתים קרובות נכשלת שריפות איטיות כי לייצר שינויים בקושי זניחים עד שהוא מאוחר מדי, יתר על ידי ירידה משמעותית של תגובות מזיקות של סרטן, כמו סטיות (ב) של כמה רמות של סרטן צוואר הרחם, כמו טמפרטורות מזיקות של כמה טמפרטורות).

טכניקות למידה מכונות מיידיות ב- Fire Detection

היישום של למידת מכונה לבטיחות אש יכול להיות שבור לשלוש גישות עיקריות, כל אחד מתאים לסוגים שונים של נתוני חיישן ומגבלות תפעוליות.

למידה על Fire Signature Recognition

מודלים על-ידי פיקוח מאומנים על נתונים מתוייגים המכילים את אירועי האש ואירועים שאינם באש. אלגוריתמים נפוצים כוללים תמיכה מכונות Vector (SVM), יערות אקראיים, וגרדנט בוטינג. לדוגמה, מדגמי כיתה אקראיים יכול להיות מאומן על תכונות מופקות מספירת חלקיקים מאומתים, רמות פחמן חד-חמצני, וטמפרטורות מבוקרות, להשיג דיוק כזה ב 98% מהמקרים, לעומת זאת, עלולים, יש סיכוי גבוה של איומים מטעמים של חומרים ממושכים, או ממין, שיש להם, או ממין, שיש להם, שיש להם רמות גבוהות של חומרים ממין של חומרים ממין עשן.

למידה בלתי מבוקרת ל-Anomaly Detection

במתקנים רבים בעולם האמיתי, נתונים של אש מתוייגים הם נדירים - אחרי הכל, בניין מוגן היטב עשוי אף פעם לא לחוות אש אמיתית. אלגוריתמים למידה לא מבוקרים, כגון autoencoders או יערות בידוד, ללמוד את טווח רגיל של מקרי חיישן קריאה במשך שבועות או חודשים. כל סטייה נופלת מחוץ לדגלים נלמדת מעוררת התראה.

למידה עמוקה עם חזון מחשב

זיהוי אש מבוסס וידאו באמצעות רשתות עצביות עמוקות הפך פופולרי יותר ויותר, במיוחד בחללים פתוחים כמו מחסנים, מחסנים ומסופי שדה תעופה. Convolutional Neural Networks (CNN) מאומנים על אלפי תמונות ומסגרות וידאו כדי לזהות פלמלר, זרעי עשן, ואפילו השתקפות אש על פני השטח.

מקורות מידע שמאכילים מודלים של למידת מכונות

יעילותה של כל מערכת זיהוי אש מבוססת ML תלויה במידה רבה במגוון ובאיכות של נתוני קלט.בניינים חכמים מודרניים פריסים מערך של חיישנים שביחד מציירים תמונה מקיפה של הסביבה.

  • (FLT:0) גלאי נקודהמסורתית: FIRLT:1 ionization עשן, עשן פוטואלקטרי, גלאי חום של מגדל, וגלאים חום קבועים.
  • (FLT:0) חיישנים:FLT:1 פחמן חד תחמוצת (CO), פחמן דו חמצני (CO2), מימן ותרכובות אורגניות נדחות אחרות (VOCs) המופיעות מוקדם בהבעירה. חיישנים CO, במיוחד, יכולים לזהות שריפות מתפתלות זמן רב לפני שהעשן מגיע לגלאי בעל שם התקרה.
  • מצלמות IP סטנדרטיות ומצלמות תרמיות: FLT:1 סטנדרטיות מצלמות עם אלגוריתמים ראיית מחשב, בתוספת מצלמות אינפרא אדום תרמי לזהות חריגות טמפרטורה אפילו בחושך מוחלט.הדמיה תרמית היא בעלת ערך במיוחד עבור ניטור לוחות חשמליים וחדרים מכניים.
  • (FLT:0) נתונים קונטקסטואליים הקשורים להקשר: ⁇ F1) מידע מזג אוויר (מהירות רוח, לחות) מתחנות מקומיות או על גבי אתרי anemometers מסייע מודלים לתקן עבור תנאים אטמוספריים שעלולים לגרום לאזעקות שווא, כגון סופות אבק או לחות גבוהה המשפיעים על פיזור עשן.
  • (FLT:0Building system) Data:cioFLT:1; מצב HVAC, רמות דיקור ועמדות דלת / דלת / קואו עוזר את המודל ההקשר אם aosaaly הוא אמין.לדוגמה, עלייה פתאומית ב- CO2 עשוי להיות מחדר ישיבות צפוף, לא אש.

העלאה של זרמי נתונים מגוונים אלה דורשת חומרה מחשוב רבת עוצמה או ארכיטקטורת ענן עם עיבוד נמוך של חסכוני.FLT:0NFPA 72FLT:1 עכשיו כולל הוראות עבור מערכות זיהוי "מבוססות ביצועים" שיכול להכיל שיטות היתוך נתונים כאלה, בתנאי שהם יכולים להפגין אמינות שווה או טובה יותר מאשר מערכות קונבנציונליות.

אופטימיזציה של מערכות דיכוי עם Analytics חיזוי

מעבר לגילוי, למידת מכונה מאפשרת אסטרטגיות דיכוי הסתגלותיות שעוברות מעבר להפעלה בינארית פשוטה של מזרקים או סוכנים גזיים.המטרה היא לפרוס את כמות הסוכן הנכונה במיקום הנכון ובזמן, צמצום נזקי רכוש ולהימנע הפעלה מיותרת שיכולה לפגוע בציוד רגיש (למשל, חדרי שרת).

Fire Spread Prediction Using Historical Data

על ידי אימון מודלים רגרסיה או רשתות עצביות חוזרות ונשנות (RNN) על נתוני אירוע שריפה היסטוריים, המערכת יכולה לחזות את קצב הצמיחה והכיוון של אש המבוססת על קריאה ראשונית של חיישן (RNN) כוללים גובה תקרה, גיאומטריה החדר, אוורור, עומס דלק (למשל, נייר לעומת ציוד אלקטרוני), ותנאים נוחים.

אופטימיזציה של הסוכן במערכות מבוססות גז

עבור תשתיות קריטיות כמו מרכזי תקשורת, מערכות דיכוי נקיות (באמצעות נובאק 1230 או FM-200) הן נפוצות.מערכות אלה חייבות להוציא בדיוק את הריכוז הנכון לכבות את האש ללא פגיעה באנשי כוח אדם או יצירת תוצרי לוואי רעילים.מודלים של למידת מכונות מאומן על נתוני חיישן מבדיקות פריקה מבוקרות יכולים להתאים את קצב השחרור בהתבסס על משוב בזמן אמת: אם חיישן CO מציין עלייה מהירה, המערכת מגבירה את זרימת הדם; אם היא מאפשרת את הסיכון מוקדם יותר להפחתה מהירה יותר, כדי להפחית את רמת השליטה, או להפחית את רמת הסיכון, אם היא מאפשרת את רמת הדינמיקה של השירות הדינמיקה, כדי להפחית את רמת הדינמיקה של השירות, כדי להפחית את רמת הדינמיקה של השירות.

שילוב עם שכנוע ומיקום משאבים

אופטימיזציה לדיכוי גם מרחיבה לביטחון אנושי. סוכני למידה כוח יכול לדמות מסלולים שונים של פינוי והתנהגויות דיכוי כדי להמליץ על התוקפנות המהירה ביותר תוך הבטחת כי הפעלת סוכנים אינם חוסמים חשיפה או ליצור סיכונים חלקלקים.לדוגמה, מודל עשוי להחליט לעכב הפעלה של מזרק במסדרון עד שהחשודים עברו, ולאחר מכן להפעיל את קו האש.

יתרונות בפרקטיקה: Case Studies

בעוד שמערכות אש של מכונות רבות עדיין בפיילוט או בשלב המסחרי המוקדם, כמה פריסות בעלות פרופיל גבוה מדגימות את הפוטנציאל.

  • (FLT:0Data Centers:FLT:1) ספק ענן גדול יישמה אזהרה מוקדמת מבוססת ML באמצעות חיישני גז ודמיית תרמית במתקני ה- Hyperscale שלה.המערכת זיהתה יחידת אספקת חשמל כושלת על ידי מעקב אחר חתימה כימית אופיינית (דלקת insulation) 45 שניות לפני גלאי מסורתי יכול להגיב, למנוע שריפה של בשרת והימנעות מאלפי דולרים בהפסד.
  • נמל התעופה האירופי (FLT:0) Airport Terminals: 1FLT:1 A נמל תעופה אירופי הטיל זיהוי אש של מחשב על פני 1.2 מיליון מסוף כף רגל רבוע שלה.בשנה הראשונה, אזעקה שקרית צנחה ב-85% משום שמודל הלמידה העמוק יכול להבדיל בין ניצוץ מעבודות תחזוקה לבין איום אש אמיתי.הקצב האזעקה ההפחתה הציל כ-2 מיליון יורו בעיכובים הקשורים לפינוי טיסה.
  • (FLT:0)מחסנים תעשייתיים: FLT:1 צמח נייר ואריזות השתמש במערכת זיהוי לא מבוקרת על 200 חיישנים רב תכליתיים: המודל למד את החום האופייני ואת חלקיקים מן פורק מרימה אבק נייר ואבק נייר. כאשר הופיע אנמליה חדשה - עלייה איטית ליד חגורת נושא - הוא הוציא התראה המאפשרת להחליף את האבק לפני שהצטברו לפני הפיצוץ הקטסטרופלי.

אתגרים מרכזיים ומייגים

יישום למידת מכונה במערכות בטיחות חיים מגיע עם מכשולים ייחודיים שיש לטפל בהם כדי לקבל קבלה רגולטורית ואמון משתמש.

דרישות נתונים ו-Bas

מודלים של ML הם רק טוב כמו נתוני האימון שלהם.מאגרי אש רבים נשלטים על ידי תרחישים של אש למגורים, אשר עשויים לא להכלל הגדרות תעשייתיות עם דלקים כימיים. טכניקות למידה Active יכול לעזור על ידי כך לאפשר את המודל לשאילתת משתמשים עבור תוויות כאשר לא בטוח, בהדרגה להרחיב את הכיסוי נתונים.בנוסף, דור נתונים סינתטי - באמצעות סימולציות מבוססות פיזיקה - משמש יותר ויותר כדי להגדיל אירועים נדירים כמו ליתיום או אש חשמלית.

חוסר יכולת ואמון

מהנדסי בטיחות אש ופקידי קוד צריכים להבין מדוע מערכת ML מייצרת אזעקה או מפעילה מזרקת.מודלים של Black-box עמוק קשה לאשר.טכניקות כמו SHAP (SHapley Addit exPlanations) ו-LIME (מודלים מתקדמים של מודל-אנליזה-אגנוסטי) יכולים לספק הסברים להפחתה, מה שהפך את רוב החיישנים לערעוררנים באופן קבוע, אך ורק כדי לספק תמיכה ב-MADMADancetware, אך ורק על מערכות אבטחה מסורתיות.

אבטחת סייבר וגמישות

חיבור מערכות אש לאינטרנט ובניית רשתות מציג משטחים של התקפה.שחקן זדוני יכול לצלצלצל קוראי חיישן לגרום לזעזועים מעוררים או לגילוי בלתי ניתן להפרדה. אמצעי אבטחת סייבר הם חובה: תקשורת מוצפנת, שורש חומרה של אמון, וקטע רשת. Edge, שבו ה-ML מתרחש ישירות על המכשיר או שער מקומי, מקטין את הסיכון על ידי צמצום העברת נתונים.

תחזוקה של מודלים חיזוי

בניין משתנה לאורך זמן - ריהוט חדש, שיפוץ, דפוסים דיקור שונים - אשר יכול לגרום לניסוי מודל.צנרת מגלגל רציף יש צורך, אבל אימון חייב להיעשות בזהירות כדי למנוע הצגת אזעקה חדשה כוזבת.מושגים כמו גילוי רעיון וגלגל מתגלגל חלון יכול לשמור מודלים הנוכחי ללא צורך מאמץ ידני מסיבי. חלק מערכות להשתמש מסגרת A / B שבו מודלים חדשים נבדקים במצב צל לפני לחיות.

תחזית בטיחות: לקראת בטיחות אש אוטונומית

ההתכנסות של למידת מכונה, האינטרנט של הדברים (IoT), ותאומים דיגיטליים מסלקים את הדרך ל- Semi-autonomous ובסופו של דבר ניהול בטיחות אש אוטונומית.א. תאומים דיגיטליים של בניין מקבל באופן קבוע נתוני חיישן בזמן אמת ומפעיל אינספור סימולציות אש בענן, וחיזוי תוצאות של אסטרטגיות דיכוי שונות.המכונה לאחר מכן בוחרת את התגובה האופטימלית ולבצע אותה באמצעות מערכות אוטומטיות של הבניין - פתחים, רחפנים מתקדמים, יכולים להפעיל רחפנים, ללא תקלות, ללא תקלות, כדי להפעיל את כל המצלמות מתקדמות יותר, ללא תקלות, ללא תקלות, ללא תקלות, ללא תקלות, ללא תקלות, כדי להפעיל מרפאות מתקדמות יותר, ללא תקלות, כדי להפעיל מרפאות, כדי להפעיל מרפאות מתקדמות יותר, כדי להפעיל , כדי להפעיל מרפאות, כדי להפעיל מרפאות, ללא תקלות, ללא תקלות מתקדמות יותר, ללא תקלות, כדי להפעיל מרפאות אבטחה, ללא תקלות, כדי להפעיל מרפאות אבטחה, כדי להפעיל מרפאות מתקדמות יותר, ללא תקלות, ללא תקלות, כדי להפעיל מרפאות מתקדמות יותר, ללא טיפול תרופתיות, כדי למנוע מרפאות אבטחה, ללא טיפול תרופתיות, ללא תקלות, ללא תקלות, לאחר מכן, לאחר מכן, ללא תקלות, לאחר מכן, כדי להפעיל מרפאות מתקדמות יותר.

תחום מבטיח נוסף הוא העברת למידה: מודל המוכשר על נתונים ממאות מבנים יכול להיות מתואם היטב למבנה חדש עם רק כמה שבועות של נתונים בסיס, צמצום באופן דרסטי של זמן הפריסה. גופם כמו איגוד ההגנה הלאומית (NFPA) כבר לחקור קודים המבוססים על ביצועים המאפשרים מערכות הסתגלות כגון כל עוד הם עומדים בדרישות של שוויון בטיחות.