城市高層建筑智能火災多感監測系統研究

廖小鳳 雷旭

摘? 要： 針對城市高層建筑火災的監測困難與預警準確度低的現狀，以ZigBee?WiFi為基礎通信網絡，給出了多感監測系統網絡結構與節點硬件設計。構建基于PSO?ELM的高層建筑智能火災多感監測模型，完成了實驗室條件下的PSO?ELM仿真驗證，采用多傳感器的100次實驗數據樣本的訓練對該模型進行分析與測試驗證。仿真結果表明，使用PSO?ELM優化算法時能夠提高監測計算的速度和準確度，而且降低了訓練樣本數和隱含層節點數變化對訓練結果的影響，通過實驗仿真得到PSO?ELM的預測結果更接近實際值，而且最大相對誤差只有0.6%，其預測效果優于SVR算法和BP神經網絡算法。

關鍵詞： 無線傳感器網絡; 極限學習機; 高層建筑; 多感監測; 監測模型; 仿真驗證

中圖分類號： TN915?34; TP212? ? ? ? ? ? ? ? ? ? ?文獻標識碼： A? ? ? ? ? ? ? ? ? ? 文章編號： 1004?373X（2019）16?0067?04

0? 引? 言

城市高層建筑不僅是城市進步的標志，也是解決城市日益增多人口居住生活與工作的重要建筑環境，其安全受到了廣泛關注。高層建筑設計復雜、建筑面積大、居住或者工作人員較多、可燃物多，存在多種安全隱患，一旦發生火災將會造成巨大的損失[1]。同時隨著現代科技的飛速發展，火災預警系統也不斷進行優化，對系統整體的靈敏度、準確率有了更高的要求。

高層建筑發生火災具有不確定性、事故的連鎖性、環境的特殊性等特點[2]，使得火災救援與撲滅存在一定的難度。傳統高層建筑火災報警系統或報警器多分布在建筑物內，布設與后期維護的成本高，升級以及改造線路較難，且存在靈敏度低或通信中斷造成誤報和漏報;在信號處理方面，采取單一傳感器火災監測容易受外界電磁干擾火災其他影響因素的干擾產生誤報。因此，針對傳統火災探測報警系統存在的以上缺點，提出了采用多傳感器進行火災數據信息采集，以ZigBee?WiFi技術構成無線網絡進行數據傳輸，使用PSO?ELM建模算法實現數據處理。此系統不僅解決火災監測傳感器節點布設困難、生命周期短以及數據傳輸等問題，也將提高高層建筑火情的預報準確率，有效地降低經濟損失和減少人員傷亡。

1? 無線多傳感器信息采集傳輸系統的設計

1.1? 多感監測系統網絡結構

為了能夠實現多傳感器節點的網絡布設，設計了基于ZigBee?WiFi的火災多感監測網絡系統。此系統主要由多傳感器節點、無線傳輸網絡和數據監控中心構成。多傳感器節點是多種不同類型的傳感器集合，實現采集高層建筑內的溫度、煙霧濃度、O2濃度與燃燒中間產物濃度等。構建ZigBee?WiFi結合的高層建筑內的數據信息傳輸網絡[3]。數據監控中心主要對WiFi無線網絡傳輸的數據信息進行處理和存儲，通過給定算法模型計算，依據設定的報警數值進行火情預警?；馂亩喔斜O測系統網絡結構布局如圖1所示。

1.2? 多傳感器節點硬件設計

在ZigBee?WiFi構成的高層建筑火災多感監測系統中，多傳感器節點安裝在墻壁或室內天花板上，既能作為ZigBee路由節點也能作為終端WiFi傳輸節點。其高層建筑火災多感監測系統的多傳感器節點由傳感器模塊、電源模塊、微控制器控制模塊及無線通信模塊等構成，具體的節點硬件結構如圖2所示。

高層建筑火災多感監測系統中選擇STM32F103RBT6為系統的控制核心芯片，控制數據采集、傳輸和轉發等[4]。使用5 V/1 A電源、內置可充電鋰電池（3.7 V）與太陽能供電模塊結合的供電模式。同時，火災發生早期主要以釋放煙霧和一些氣體為主，因此本文的設計由溫度傳感器、燃燒中間產物傳感器以及氧氣濃度傳感器等構成采集單元。溫度采用紅外非接觸MLX90614ESF傳感器。煙霧濃度測量采用MQ?2傳感器。檢測碳氫化合物燃燒分解產生H2和CO，選取了氫氣傳感器（MQ?K8）和一氧化碳傳感器（TGS5141）。同時檢測建筑物內氧氣濃度選擇氧氣傳感器（O2?A3）。選擇CC2530芯片為ZigBee節點的核心硬件芯片，選用ATK?ESP8266?V1.2為WiFi模塊，實現對被檢測的高層構筑物火災多感監測系統的實時性數據傳輸。

3? 結? 語

本文通過構建高層建筑智能火災多感系統，給出ZigBee?WiFi的無線傳感網絡的布設和多傳感器節點的硬件結構構成，提出基于PSO?ELM的高層建筑智能火災多感監測模型。仿真結果表明，PSO?ELM高層建筑智能火災多感模型具有較好的預測準確率，預測結果更接近實際值，而且最大相對誤差只有0.6%。通過與SVR模型算法和BP神經網絡算法對比，該PSO?ELM高層建筑智能火災多感監測模型的訓練速度快且預測精度高，能夠滿足高層建筑智能火災預測的需求。

注：本文通訊作者為雷旭。

參考文獻

[1] 張立寧，安晶，張奇，等.基于SVR的智能建筑火災預警模型設計[J].數學的實踐與認識，2016，46（1）：187?196.

ZHANG Lining， AN Jing， ZHANG Qi， et al. The intelligent building fire pre?warning model design based on SVD [J]. Mathematics in practice and theory， 2016， 46（1）： 187?196.

[2] 曹樹楠，李華，陸軍平，等.高層建筑火災系統脆弱性影響因素分析[J].消防科學與技術，2018，37（8）：1130?1133.

CAO Shunan， LI Hua， LU Junping， et al. Analysis of factors affecting the vulnerability of high?rise building fire system [J]. Fire science and technology， 2018， 37（8）： 1130?1133.

[3] 籍錦程，王峰，李健偉，等.基于ZigBee?WiFi混合網絡的煤礦井下多參數傳感器系統設計[J].中國煤炭，2015（5）：82?85.

JI Jincheng， WANG Feng， LI Jianwei， et al. Design of multi?parameter sensor system for coal mine based on ZigBee?WiFi mixed network [J]. China coal， 2015（5）： 82?85.

[4] OKON?FAFARA Marta， KAWALEC Adam， FAFARA Bartlomiej. Prototype of wideband air sonar based on STM32 [J]. Archives ofacoustics， 2017， 42（4）： 761?765.

[5] HAN F， WANG H， ZHANG G. Texture feature analysis for computer?ai?ded diagnosis on pulmonary nodules [J]. Journal of digital imaging， 2015， 28（1）： 99?115.

[6] BAKHSHIDEHZAD B， HASANVAND H， LOBRY J， et al. Optimal reactive power control of DGs for voltage regulation of MV distribution systems using sensitivity analysis method and PSO algorithm [J]. International journal of electrical power and energy systems， 2015， 68： 52?60.

[7] 葛磊，強彥，張偉.基于POS?ELM的孤立性肺結節診斷方法研究[J].科學技術與工程，2016，16（36）：55?60.

GE Lei， QIANG Yan， ZHANG Wei. Research on diagnosis of solitary pulmonary nodules based on POS?ELM [J]. Science technology and engineering， 2016， 16（36）： 55?60.

[8] 汪明先，吳建德，王曉東.PSO?ELM的漿體管道臨界淤積流速預測模型研究[J].傳感器與微系統，2017，36（3）：66?69.

WANG Mingxian， WU Jiande， WANG Xiaodong. Study on prediction model of critical deposition velocity in slurry pipeline based on PSO?ELM [J]. Transducer and microsystem technologies， 2017， 36（3）： 66?69.

[9] HORATA P， CHIEWCHANWATTANA S， SUNAT K. Robust extreme learning machine [J]. Neurocomputing， 2013， 102： 31?44.

[10] 王釗，馬叢淦，宋振輝.BUCK/BOOST直流變換器的建模仿真驗證[J].電力安全技術，2018（4）：45?49.

WANG Zhao， MA Conggan， SONG Zhenhui. Modeling and simulation of DC coverters with BUCK/BOOST [J]. Electric safety technology， 2018（4）： 45?49.