基于SVR的高層建筑復合式火災預警系統設計

張立寧，張 奇，安 晶

(1.北京理工大學國家爆炸重點實驗室,北京 100081； 2.華北科技學院建工學院,北京 101601)

?

基于SVR的高層建筑復合式火災預警系統設計

張立寧1,2，張 奇1，安 晶2

(1.北京理工大學國家爆炸重點實驗室,北京 100081； 2.華北科技學院建工學院,北京 101601)

針對傳統單一功能火災探測預警系統可靠性差的缺陷，本文設計了一種高層建筑感煙-感溫復合式火災智能預警系統。該系統根據高層建筑火災預警的非線性、歷史數據少及影響因素多等特征，為了提高預警系統的準確性，引入支持向量機回歸(SVR)算法，建立了基于SVR模型的高層建筑復合式火災預警系統。最后以木材火和普通火燃燒標準歷史數據為例，通過Matlab仿真模擬，對構建的SVR預警系統進行實證分析，從而驗證了所建立的火災預警系統的可行性和可靠性。該研究成果可為高層建筑火災準確預警提供一種可靠的決策支持系統。

高層建筑火災；復合式火災預警系統；SVR預警模型

目前，高層建筑火災的防控已經成為一個社會性的難題。近年來由高層建筑火災所導致的死傷人數及財產損失呈不斷上升趨勢。如2010年上海靜安區“11·15”特大火災，造成58人死亡、71人受傷，直接經濟損失達5億元；2012年天津薊縣萊德商廈火災，造成10人死亡、16人受傷。因此，研究開發新型的高層建筑復合式智能火災預警系統，對于提高高層建筑火災預警的準確性和可靠性，以及最大限度地減少高層建筑火災事故損失具有十分重要的現實意義。

國外對建筑火災預警領域的早期研究始于20世紀40年代感溫式火災探測器的出現，但由于其存在靈敏度低、錯誤報警率高等缺陷，20世紀50年代初問世的離子型感煙探測器逐漸取代了感溫探測器的主導地位。隨著科技的進步，目前又相繼出現了多種火災探測技術，例如感光式探測器、氣體探測器等[1]。

高層建筑火災預警的目的是盡早發現火情，并不以檢測單一的煙度、溫度或光度信號為目的。已有研究表明，對于單一功能的火災預警系統如感溫式、感煙式火災預警系統，由于單一探測傳感器提供的火災信息均混雜有非火災信息，從而造成系統準確判別火災比較困難，容易產生誤報、漏報等現象。因此，探索新型復合式火災探測預警系統，實現對火災過程多元參數(如煙度、溫度等)的同時監測分析及預警，即開發多功能復合式火災自動預警系統，是高層建筑火災預警技術的發展趨勢之一。

與之同時，隨著不同種類的火災探測傳感器被應用于火災報警技術中，對火災預警系統的數據處理能力提出了挑戰。目前許多經典的數據算法被應用到火災探測預警系統中，如直觀法、趨勢法、估計法、貝葉斯推理法等[2]。但由于傳統預警算法主要依賴于數學推論，當把它用于多元信號參量時，預警準確性往往較差，同時傳統預警算法要求計算多維概率密度函數，這對于火災探測的實際應用是一個很大的限制。因此，一些學者又相繼提出了一些新的數據處理算法，如人工神經網絡算法、模糊邏輯算法等[3—6]。這些算法雖然在一定程度上彌補了傳統算法的不足，提高了預警的準確性，但已有研究表明，在小樣本情況下，采用神經網絡預警算法，通常網絡得不到充分的訓練，導致預警效果不夠理想，同時人工神經網絡存在“維數災難”、“過學習”等缺點。鑒于此，本文針對高層建筑火災預警系統的非線性、歷史數據少和影響因素多等特征，引入支持向量機回歸(SVR)算法，并建立基于SVR模型的高層建筑復合式火災預警系統，從而為高層建筑火災準確預警提供一種可靠的決策支持系統。

1 高層建筑復合式火災預警系統的構建

1.1 復合式火災預警系統設計

大量研究表明，感溫探測器的缺陷是靈敏度偏低，對于大多數火災，到了能探測到明顯溫升時，火勢往往已經蔓延開了，而感煙探測器則存在煙譜范圍較窄的不足。由于感煙信號和感溫信號具有良好的互補性，如果將兩者結合起來進行火災判斷，就可以克服兩者的不足，且相對于其他火災信號復合形式，具有結構簡單、信號直觀、更易于判斷的特點。

支持向量機技術是一種專門針對有限樣本情況下，非參數估計問題的智能算法，在解決小樣本、非線性及高維模式識別問題中性能優越[7—8]，其優點在于可以克服“維數災難”和“過學習”等傳統算法的不足，目前在國內外被廣泛應用于各個領域。支持向量機回歸(SVR)算法是支持向量機在回歸領域的一種應用[9—11]。因此，本文提出一種基于SVR模型的高層建筑感煙-感溫復合式火災智能預警系統，該系統如圖1所示。

1.2 SVR預警模型的建立

利用SVR模型進行高層建筑火災預警，即將煙度、煙度上升速率、溫度、溫度上升速率4個因素值作為輸入，將明火發生概率作為輸出，構建一個多輸入、單輸出的高層建筑火災SVR預警模型。其基本思路是：將信號輸入值xi(i=1,2,…,n)，映射到一個高維特征空間φ(xi),將原非線性模型轉化為特征空間的線性回歸模型：

f(xi)=ωφ(xi)+b

(1)

式中：ω、b為待定參數。

對式(1)中參數進行處理，有

(2)

根據支持向量機基本原理，求解式(2)等價于求解下式的優化問題：

(3)

式中：ε為擬合誤差;y為輸出量。

為了便于求解，將式(3)轉化為對偶問題，則可得非線性函數f(x):

(4)

本文選用徑向基核函數：

(5)

式中：σ為方差。

將式(5)代入式(4)中，經過等價交換可得：

f(x) =ωφ(x)+b

(6)

式中：SV為支持向量集；f(x)為輸出向量集。

2 實證分析

為了驗證上述所建立的基于SVR模型的高層建筑火災預警系統的可行性和有效性，本文以文獻[12]中木材火和普通火燃燒標準歷史數據為例，將其煙度、煙度上升速率、溫度、溫度上升速率(熱釋放速率)數值作為SVR模型的輸入，以明火發生概率值作為輸出，構建高層建筑火災SVR預警模型，并進行實證分析。

2.1 木材火實證分析

對表1中木材火燃燒22組歷史數據進行研究，將前17組數據作為訓練樣本，借助Matlab軟件，使用SVMcgForRegress.m函數進行仿真模擬，尋找函數的最佳參數c和g，最終得到木材火明火發生概率的SVR最優參數選擇結果為c=1，g=0.574 35，誤差MSE為0.005 9。其SVR最優參數選擇3D示意圖如圖2所示。

表1 木材火燃燒標準歷史數據[12]

然后將后5組數據作為預測樣本，輸入訓練好的SVR預警模型，則得到木材火明火發生概率的回歸預測結果，見圖3。

由圖3可見，5個樣本點木材火明火發生概率的回歸預測值與實際值完全一致。

2.2 普通火實證分析

同理，對表2中普通火燃燒25組歷史數據進行研究，將前20組數據作為訓練樣本，經過仿真模擬，得到普通火明火發生概率的SVR最優參數選擇結果為c=0.329 88，g=9.189 6，誤差MSE為0.009 4。其SVR最優參數選擇3D示意圖如圖4所示。

然后將后5組歷史數據作為預測樣本，輸入訓練好的SVR預警模型，則得到普通火明火發生概率的回歸預測結果，見圖5。

表2 普通火燃燒標準歷史數據[12]

由圖5可見，5個樣本點普通火明火發生概率的回歸預測值與實際值完全一致。

3 結 論

本文設計提出了一種基于支持向量機回歸(SVR)模型的復合式高層建筑火災智能預警系統，并通過木材火和普通火燃燒標準歷史數據的實證分析，驗證了所建立的火災預警系統的可行性和可靠性。該研究成果可以推廣到其他相關領域，如滑坡、瓦斯涌出等，可為決策者提供一種可靠的決策支持系統。但對大樣本、非線性識別問題，該模型還有待進一步驗證。此外，在核函數的選取上本文選取的是徑向基函數，如何選取融合遺傳算法、模糊算法、神經網絡算法等的復雜核函數，而使得預警結果更加準確，將是今后進一步研究的課題。

[1]AdamC,AdamB,CeciliaAE,etal.Firesafetydesignfortallbuildings[J].Procedia Engineering,2013,62:169-181.

[2] 厲劍.火災探測信號處理算法及其性能評估方法研究[D].大連:大連理工大學,2005.

[3]OkayamaY.Aprimitivestudyofafiredetectionmethodcontrolledbyartificialneuralnet[J].Applied Science and Technology,2011,38(5):40-45.

[4] 王殊,竇征.火災探測及其信號處理[M].武漢:華中理工大學出版社，2006.

[5] 張鍵.基于神經網絡算法的火災探測系統的研究[J].數字技術與應用,2013(10):130-132.

[6] 湯群芳.基于模糊神經網絡的火災數據處理方法的研究[D].長沙:湖南大學,2010.

[7] 張靖巖,藏桂叢,李引擎,等.基于模糊數學與集值統計的既有建筑火災危險性評估模型[J].安全與環境工程,2012,19(5):82-84.

[8]LeeWJ,CheonMK,HyunCH,etal.Developmentofbuildingfiresafetysystemwithautomaticsecurityfirmmonitoringcapability[J].Fire Safety Journal,2013,58:65-73.

[9] 丁世飛,齊丙娟,譚紅艷.支持向量機理論與算法研究綜述[J].電子科技大學學報,2011,40(1):2-7.

[10]薛源,吳建國.基于SVR算法的環模制粒機輸出預測[J].工業控制計算機,2013,26 (12):56-58.

[11]HsuSH,ChihTC,HsuKC.Atwo-stagearchitectureforstockpriceforecastingbyintegratingself-organizingmapandsupportvectorregression[J].Expert Systems with Applications,2009,36(4):7947-7951.

[12]翟永杰,尚雪蓮,韓璞，等.SVR在傳感器故障診斷中的仿真研究[J].系統仿真學報,2004,16(6):1257-1259.

[13]胡兆杰.基于BP神經網絡和證據理論融合的火災探測信息處理[D].天津:天津理工大學，2013.

Design of Composite Fire Pre-warning System for High-rise Buildings Based on the SVR

ZHANG Lining1,2,ZHANG Qi1,AN Jing2

(1.StateKeyLaboratoryofExplosionScienceandTechnology,BeijingInstituteofTechnology,Beijing100081,China;2.ArchitectureEngineeringSchool,NorthChinaInstituteofScienceandTechnology，Beijing101601，China)

In view of the poor reliability of traditional single-function fire pre-warning system,this study designs and proposes a new composite fire pre-warning system for the high-rise buildings.At the same time,considering the characteristics of the fire pre-warning system for high-rise buildings,such as being nonlinear,few historical data,many influence factors and so on.In order to improve the accuracy of the pre-warning system,the study uses the support vector regression(SVR) algorithm,and builds a composite fire pre-warning system for high-rise buildings based on the SVR.Then it takes the historical data of wood burning and the ordinary fire as examples to make empirical analysis for the new system through the Matlab simulation.The research results provide a reliable decision support system for the accurate pre-warning of high-rise building fire.

high-rise buildings fire;composite fire pre-warning system;support vector regression pre-warning model

1671-1556(2015)01-0140-04

2014-02-24

2014-09-25

國家自然科學基金項目 (11072035) ；中央高校科研基本業務費——華北科技學院基金項目(3142014043)

張立寧(1981—)，男，博士研究生，副教授，主要從事工程安全預測、控制及評價的理論與方法研究。E-mail:zlining666@163.com

X932

A

10.13578/j.cnki.issn.1671-1556.2015.01.026