基于多源數據融合的建筑火災風險模型研究

譚龍飛 霍偉博 尹航 梅秀娟

摘要：本文通過建筑內部傳感器系統對不同火災環境數據進行了采集分析，選取溫度/濕度、煙霧、CO、CO2氣體等傳感器數據作為火災預警原始信號，基于多源數據特征開展深度融合的火災風險模型研究，分析了真實火（木垛）和虛擬火（煙餅）兩種火災情況下的風險預警。對于高層建筑豐富的消防數據來說，從中挖掘有效的火災信息的難度非常之大，而深度學習與大數據的分析模式已經在各個行業中盡顯優勢。在高層建筑消防數據方面，結合大數據分析的優勢，對歷史環境數據進行分析，結合標準化分析處理流程，可以有效地對局部地點進行風險等級評估與預測預警，達到有針對性地提前決策、管控的目的。

關鍵詞：消防;火災風險模型;建筑物;物聯網

隨著電子信息化技術的發展，智慧化成為消防領域發展重點，在火災領域的應用也越來越成熟。多數據融合火災預警系統的研究，能夠很大程度地改善火災預警的準確率，對于未來火災預警技術的發展具有重大意義。現代建筑尤其是高層或超高層建筑結構緊湊，功能復雜，一旦發生火災，救援人員難以迅速及時到達火災現場。目前，工程上廣泛采用的都是傳統單一傳感器的火災探測器。傳統單一式傳感器的火災探測是通過采集探測現場單一的火災參數信息，采取簡單的閾值算法判斷火災的發生。但是，由于火災信號的隨機性和不確定性，單一參數的探測容易造成火災預警的誤報、漏報以及遲報，從而威脅人們的生命與財產安全。

本文提出了深度學習方法中基于受限玻爾茲曼機（RBM）的高層建筑火災風險研究方法，該方法彌補了單傳感器的隨機性與不確定性，將來自高層火災環境中的多源信息進行綜合分析與智能化處理，可以極大程度地降低火災的漏報率和誤報率。同時，本項目提出的多源數據融合的高層建筑火災大數據分析，可以將建筑目前單點監測改變為立體式防控，是未來火災探測預警的必然發展趨勢。

一、實驗

實驗地點設置于應急管理部四川消防研究所高層實驗塔內，該試驗塔可開展火災發生、煙火蔓延、自動報警、防排煙調控和滅火逃生等消防專業化試驗。如圖1和圖2所示，利用多源傳感器和三種不同火災報警裝置，分別開展了墻角火實驗和床火實驗，并提供了真實火（木垛）和虛擬火（煙餅）兩種火災情況。

二、RBM風險理論模型

利用高層建筑火災物聯網采集和傳輸系統，本文選取了溫度/濕度、煙霧、CO、CO2氣體等傳感器數據作為火災預警的探測信號用于本研究。因此，首先應是將學習樣本（溫度、煙霧、CO、CO2與相應的火災發生概率）代入訓練神經網絡中，通過神經網絡的不斷學習與適應，從而得出能夠代表火災發生過程中各探測參量變化規律的神經網絡。相對應的，此時如果將監測環境中各探測參量的數值代入RBM模型中，便能夠得出火災發生的概率值，從而初步實現火災預警的效果。

由于火災的發生是一個復雜多變的過程，僅用一次隱含層的傳遞變換往往并不能合理地表示出火災發展過程中各特征參量與火災概率間的變化規律，因此需要進行兩次傳遞變換，也意味著含有兩個隱含層，這兩個隱含層的具體節點數將在傳遞函數與訓練誤差確定之后進行確認。同時，利用高層建筑中火災溫度、CO和CO2氣體參數作為該模型的可見單元（Visible Unit，對應可見變量，亦即數據樣本）和濕度、煙霧作為火災風險模型的隱藏單元（Hidden Unit，對應隱藏變量）構成，形成可見變量和隱藏變量的二元風險變量。

可視層和隱藏層配置已知，利用權重和偏置采樣出隱藏層（h0），根據下式的隨機概率，隱藏單元開啟或關閉，相應概率可表示為：

（1）

RBM 模型基于給定的狀態（可見向量和隱藏向量），即可構造能量函數：

（2）

式中，偏置和是概率的學習表達式。當確定了可視層與隱藏層整個框架的能量函，就可以定義風險概率。同時，在風險模型高維數據中，數據訓練還需要對歸一化因子進行重復計算。

三、結果

（一）墻角實驗

1.真實火災源實驗

將每個尺寸約1m×0.1m×0.1m的10個木垛平鋪置于燃燒盤中，澆注柴油進行引燃，利用火災傳感系統采集得到CO、CO2濃度曲線如圖3所示。從第20分鐘（第70個采樣點）開始，CO濃度顯著上升，CO2濃度上升趨勢緩慢。由于木垛加熱20分鐘左右出現明火燃燒現象，此時釋放的 CO、CO2濃度急劇增大，曲線上升趨勢明顯，并迅速攀升至峰值。待燃燒過程結束，CO、CO2濃度逐漸減小。由圖3可以看出，CO和CO2濃度比值在材料進入熱解階段開始便有緩慢上升的趨勢，直到發生明火，濃度比值急劇攀升。風險預判的概率也在同時顯著提高，其上升速率隨著氣體濃度比值的增減上下波動，在木垛發生明火燃燒時，由于濃度比值顯著上升，模型風險概率也急劇上升，并達到峰值。

基于多源火場數據的風險模型系統在加熱第19分鐘給出報警信號，而離子、光電感煙探測器均在第24分鐘才給出報警信號，感溫探測器不報警。因此，火災氣體復合探測系統比傳統火災探測器的報警時間大大提前。

2.虛擬火災源實驗

將5個直徑約為10cm長的煙餅點燃后熄滅，使其保持連續冒煙的狀態，并放置于真火實驗相同位置的燃燒盤中，通過火災傳感系統實時采集得到CO、CO2濃度曲線以及濃度比值曲線如圖4所示。

從圖中可以看出，煙餅在燃燒過程中，產生極其少量的CO，只有10ppm左右，CO、CO2濃度曲線變化雜亂無章，無規律可循，與真實火災CO、CO2濃度的變化曲線具有明顯的區別。其濃度比值曲線變化幅度極小，最大值不超過0.02。

實驗證明，基于多源火場數據融合的探測系統對早期陰燃火具有較強的響應能力，能夠對火災實現早期報警，且可以克服外界干擾因素的影響，系統的環境適應性很強。

（二）床實驗

1.真實火災源實驗

同樣的，我們參照墻角實驗進行了床實驗，也分別進行了真實火和虛擬火兩種情況。可以從圖5看出，床實驗真實木垛火發生時，CO和CO2濃度增加的過程相對穩定，在采樣從43次到75次時，伴隨火災的發生，CO和CO2濃度快速增加，在80次采樣達到峰值后，隨后開始了長時間的濃度下降過程，最終逐漸下降到了較低的濃度。從CO/CO2濃度比值（圖5）來看，也符合墻角實驗的規律，也是發展初期變化較快，中間達到峰值后逐漸下降，最終達到相對穩定。

2.虛擬火災源實驗

從圖6中看出，由煙餅演示的虛擬火源實驗發生時，CO和CO2濃度在快速上升后，中間濃度不斷變化，和墻角實驗的過程機理一樣，由于煙餅釋放的CO和CO2濃度與木垛釋放的濃度機理不同，其完全與煙餅的材料分布相關，因此中間的濃度呈現的是不斷變化的現象。因此實測結果也客觀顯示了真實情況。

從CO/CO2濃度比值（圖6）和濃度比值上升速率曲線（圖6）來看，也符合墻角實驗的規律，也是發展和后期相對穩定，中間存在整個過程的峰值。

通過定標實驗，驗證了基于多源火場數據融合的探測系統的比離子光電感煙、感溫火災探測器的四種類型傳感器報警時間均有所提前。實驗結果顯示，該方法對火災早期木垛和煙餅發出的火災信號火具有較好的響應能力，并能夠利用深度學習模型分析排除干擾，準確實現火災的早期探測和報警。

四、結語

本文通過高層火災實驗對多源數據融合系統進行現場測試，將火災數值模擬與多數據融合預警進行結合研究，在保證火災數值模擬可靠性的基礎上，通過火災數值模擬對多數據融合火災預警系統的性能進行分析與對比，不僅具體的研究過程方便簡潔，而且還具有很大的研究意義。

參考文獻：

[1]張艷霞.基于受限玻爾茲曼機的深度學習模型及其應用[D].成都：電子科技大學，2016.

[2]李曉慧，汪西莉.結合卷積受限玻爾茲曼機的CV圖像分割模型[J].激光與光電子學進展，2020，57（04）.

[3]霍然，胡源，李元洲.建筑火災安全工程導論[M].合肥：中國科學技術大學出版社，2009.

[4]趙先鋒.基于改進極限學習機在火災檢測中的應用研究[D].杭州：浙江工業大學，2018.

[5]陳南.智能建筑中火災信息探測算法分析及應用[J].儀器儀表學報，2003，24（Z04）：695-696，699.

[6]李安琪.基于多傳感器信息融合的高大空間火災報警探測器研究[D].長沙：湖南大學，2019.

[7]辜芳影.模糊神經網絡在商場火災探測中的研究與應用[D].淮南：安徽理工大學，2019.

[8]劉昊.文物建筑火災探測方法探討[J].消防科學與技術，2017，36（08）：1108-1110.

[9]Jadon A ， Varshney A ， Ansari M S . Low-Complexity High-Performance Deep Learning Model for Real-Time Low-Cost Embedded Fire Detection Systems[J]. Procedia Computer ence， 2020， 171：418-426.

[10]Gotthans J ， Gotthans T ， Marsalek R . Deep Convolutional Neural Network for Fire Detection[C]// 2020 30th International Conference Radioelektronika （RADIOELEKTRONIKA）. 2020.

作者簡介：

譚龍飛，男，博士研究生，研究方向：火場數據融合與信息提取、參數敏感性分析、可視化偵測及傳感器等。