建筑火災監測系統技術淺談

趙紅亮

摘要：針對建筑火災監測系統能耗分析、監測性能低等問題，該文從多傳感器火災融合算法和火災監測系統模型兩個方面分析了火災監測系統的研究現狀，并闡述了火災監測系統的發展趨勢。

關鍵詞：火災監測;數據融合;系統模型

中圖分類號：TP311? ? ? ? 文獻標識碼：A

文章編號：1009-3044（2019）16-0225-01

開放科學（資源服務）標識碼（OSID）：

1 引言

火災是生活中的常見事故，會導致嚴重的生命財產損失，威脅建筑和消防隊員的安全。而建筑火災監測系統以防火于未然為主要任務，利用無線傳感器對建筑物內的火情信息進行探測和分析，以達到預測火災的目的，因此傳感器技術對火災監測系統的發展起著舉足輕重的作用。隨著傳感器技術的不斷發展，建筑火災監測有了極大的拓展和提高。早期單傳感器獲得的信息非常有限并受傳感器本身性能的影響較大，準確的火災監測僅靠單傳感器設備是不能滿足其要求的，多傳感器通過幾種傳感器的時空采樣，多層級、多功能處理，以更高精度、較高概率或者置信度，降低火災誤報率。根據多傳感器信息融合的基礎理論，將火災監測系統分為三層：信息層、融合層和決策層[1]，多傳感器數據融合火災監測系統圖如圖1所示。

如何改善傳統火災探測報警系統的缺陷，優化防火系統的安全等級成為當下研究熱點。本文從多傳感器火災監測融合算法和火災監測系統模型兩個方面綜述了國內外火災監測系統的研究現狀，總結各自的優點和不足，展望其發展趨勢。

2 多傳感器火災探測的融合算法

建筑火災監測系統的核心是在多個傳感器的基礎上采用融合算法完成整個火災探測的決策過程。對于火災監測系統而言決策過程是數據接收、數據處理以及輸出結果的一個過程[2]。多傳感器信息融合算法分為閾值判斷或趨勢判斷算法，多種傳感器信號的關系式，模糊算法，人工神經網絡和模糊神經網絡五個類別。閾值判斷或趨勢判斷算法是最簡單的，雖然獲得了很多有意義的結果，但是很難在提高探測靈敏度和降低干擾源上達到平衡，而多傳感器信號關系式在這一方面展示出比閾值算法更良好的性能[3-4]。神經網絡在多傳感器火災探測方面的容錯性強但主要問題是神經網絡需要大量的訓練數據來訓練網絡及時調整網絡結構、權重和閾值，來產生可靠的火災探測結果，無法處理缺失的模糊信息（如傳感器受到破壞）[5-6]。模糊神經網絡綜合了神經網絡和模糊邏輯的優點，提供了模糊和自適應特點并可以用于火災探測信號處理的方法[7]。

3 火災監測系統模型

火災監測系統的模型主要有分布式火災監測網絡、火災探測系統與智能建筑系統的結合、火災遠程監測[8]，模型的主要特點如下表1所示。

4 火災監測系統發展方向

建筑火災監測系統的發展方向包括遠距離、節能降耗、小型化、實時性以及多傳感器火災監測的融合算法改進。現有的傳感器節點主要依靠電池供電，有效的能耗管理對于系統的維護很重要，同時，實際中傳感器網絡的架構協議接口也需要進行考慮。盡管在實際中需要考慮局部數據的劇烈波動及訓練和探測應用中的不同參數范圍問題，但采用模糊準則與神經網絡結合的多傳感器火災探測是非常有前景的一種方式。

未來更應設計遠距離、能耗小、小型化的建筑火災監測系統以及采用更高級的融合算法，使系統能夠進行各種環境中的及時有效預警。

參考文獻：

[1]? 韓菁.多傳感器數融合技術在火災探測中的應用研究[D].重慶：重慶理工大學，2011.

[2] Meacham， B. J . The Use of Artificial Intelligence Techniques for Signal Discrimination in Fire Detection Systems[J]. Journal of Fire Protection Engineering， 1994， 6（3）：125-136.

[3] Jones W W . Implementing High Reliability Fire Detection in the Residential Setting[J]. Fire Technology， 2012， 48（2）：233-254.

[4] Choudhury J R， Banerjee T P， Das S， et al. Fuzzy Rule Based Intelligent Security and Fire Detector System[C]// Computational Intelligence in Security for Information Systems-cisis09， International Workshop， Burgos， Spain， September. 2009.

[5] Asgary A ， Naini A S ， Levy J . Modeling the risk of structural fire incidents using a self-organizing map[J]. Fire Safety Journal， 2012， 49（none）：1-9.

[6] 丁承君， 趙澤羽， 朱雪宏，等. 神經網絡在智能火災預警系統的應用[J]. 傳感器與微系統， 2018（1）：154-156.

[7] Wang Y ， Yu C ， Tu R ， et al. Fire detection model in Tibet based on grey-fuzzy neural network algorithm[J]. Expert Systems with Applications， 2011， 38（8）：9580-9586.

[8] 王學貴. 基于多傳感器信息融合的火災危險度分布確定系統研究[D]. 中國科學技術大學， 2013.

[9] Bhattacharjee S， Roy P， Ghosh S， et al. Wireless sensor network-based fire detection， alarming， monitoring and prevention system for Bord-and-Pillar coal mines[J]. Journal of Systems & Software， 2012， 85（3）：571-581.

[10] 毛杰寧， 李梅， 羅旌鈺. 無線火災報警系統設計[J]. 電子設計工程， 2017， 25（07）：115-118.

【通聯編輯：代影】