城市高層建筑智能火災(zāi)多感監(jiān)測系統(tǒng)研究

廖小鳳 雷旭

摘? 要： 針對城市高層建筑火災(zāi)的監(jiān)測困難與預(yù)警準(zhǔn)確度低的現(xiàn)狀，以ZigBee?WiFi為基礎(chǔ)通信網(wǎng)絡(luò)，給出了多感監(jiān)測系統(tǒng)網(wǎng)絡(luò)結(jié)構(gòu)與節(jié)點硬件設(shè)計。構(gòu)建基于PSO?ELM的高層建筑智能火災(zāi)多感監(jiān)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(shù)據(jù)樣本的訓(xùn)練對該模型進行分析與測試驗證。仿真結(jié)果表明，使用PSO?ELM優(yōu)化算法時能夠提高監(jiān)測計算的速度和準(zhǔn)確度，而且降低了訓(xùn)練樣本數(shù)和隱含層節(jié)點數(shù)變化對訓(xùn)練結(jié)果的影響，通過實驗仿真得到PSO?ELM的預(yù)測結(jié)果更接近實際值，而且最大相對誤差只有0.6%，其預(yù)測效果優(yōu)于SVR算法和BP神經(jīng)網(wǎng)絡(luò)算法。

關(guān)鍵詞： 無線傳感器網(wǎng)絡(luò); 極限學(xué)習(xí)機; 高層建筑; 多感監(jiān)測; 監(jiān)測模型; 仿真驗證

中圖分類號： TN915?34; TP212? ? ? ? ? ? ? ? ? ? ?文獻標(biāo)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(biāo)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(huán)境，其安全受到了廣泛關(guān)注。高層建筑設(shè)計復(fù)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(fā)生火災(zāi)將會造成巨大的損失[1]。同時隨著現(xiàn)代科技的飛速發(fā)展，火災(zāi)預(yù)警系統(tǒng)也不斷進行優(yōu)化，對系統(tǒng)整體的靈敏度、準(zhǔn)確率有了更高的要求。

高層建筑發(fā)生火災(zāi)具有不確定性、事故的連鎖性、環(huán)境的特殊性等特點[2]，使得火災(zāi)救援與撲滅存在一定的難度。傳統(tǒng)高層建筑火災(zāi)報警系統(tǒng)或報警器多分布在建筑物內(nèi)，布設(shè)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(zāi)監(jiān)測容易受外界電磁干擾火災(zāi)其他影響因素的干擾產(chǎn)生誤報。因此，針對傳統(tǒng)火災(zāi)探測報警系統(tǒng)存在的以上缺點，提出了采用多傳感器進行火災(zāi)數(shù)據(jù)信息采集，以ZigBee?WiFi技術(shù)構(gòu)成無線網(wǎng)絡(luò)進行數(shù)據(jù)傳輸，使用PSO?ELM建模算法實現(xiàn)數(shù)據(jù)處理。此系統(tǒng)不僅解決火災(zāi)監(jiān)測傳感器節(jié)點布設(shè)困難、生命周期短以及數(shù)據(jù)傳輸?shù)葐栴}，也將提高高層建筑火情的預(yù)報準(zhǔn)確率，有效地降低經(jīng)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(tǒng)的設(shè)計

1.1? 多感監(jiān)測系統(tǒng)網(wǎng)絡(luò)結(jié)構(gòu)

為了能夠?qū)崿F(xiàn)多傳感器節(jié)點的網(wǎng)絡(luò)布設(shè)，設(shè)計了基于ZigBee?WiFi的火災(zāi)多感監(jiān)測網(wǎng)絡(luò)系統(tǒng)。此系統(tǒng)主要由多傳感器節(jié)點、無線傳輸網(wǎng)絡(luò)和數(shù)據(jù)監(jiān)控中心構(gòu)成。多傳感器節(jié)點是多種不同類型的傳感器集合，實現(xiàn)采集高層建筑內(nèi)的溫度、煙霧濃度、O2濃度與燃燒中間產(chǎn)物濃度等。構(gòu)建ZigBee?WiFi結(jié)合的高層建筑內(nèi)的數(shù)據(jù)信息傳輸網(wǎng)絡(luò)[3]。數(shù)據(jù)監(jiān)控中心主要對WiFi無線網(wǎng)絡(luò)傳輸?shù)臄?shù)據(jù)信息進行處理和存儲，通過給定算法模型計算，依據(jù)設(shè)定的報警數(shù)值進行火情預(yù)警?；馂?zāi)多感監(jiān)測系統(tǒng)網(wǎng)絡(luò)結(jié)構(gòu)布局如圖1所示。

1.2? 多傳感器節(jié)點硬件設(shè)計

在ZigBee?WiFi構(gòu)成的高層建筑火災(zāi)多感監(jiān)測系統(tǒng)中，多傳感器節(jié)點安裝在墻壁或室內(nèi)天花板上，既能作為ZigBee路由節(jié)點也能作為終端WiFi傳輸節(jié)點。其高層建筑火災(zāi)多感監(jiān)測系統(tǒng)的多傳感器節(jié)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(gòu)成，具體的節(jié)點硬件結(jié)構(gòu)如圖2所示。

高層建筑火災(zāi)多感監(jiān)測系統(tǒng)中選擇STM32F103RBT6為系統(tǒng)的控制核心芯片，控制數(shù)據(jù)采集、傳輸和轉(zhuǎn)發(fā)等[4]。使用5 V/1 A電源、內(nèi)置可充電鋰電池（3.7 V）與太陽能供電模塊結(jié)合的供電模式。同時，火災(zāi)發(fā)生早期主要以釋放煙霧和一些氣體為主，因此本文的設(shè)計由溫度傳感器、燃燒中間產(chǎn)物傳感器以及氧氣濃度傳感器等構(gòu)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(chǎn)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(nèi)氧氣濃度選擇氧氣傳感器（O2?A3）。選擇CC2530芯片為ZigBee節(jié)點的核心硬件芯片，選用ATK?ESP8266?V1.2為WiFi模塊，實現(xiàn)對被檢測的高層構(gòu)筑物火災(zāi)多感監(jiān)測系統(tǒng)的實時性數(shù)據(jù)傳輸。

3? 結(jié)? 語

本文通過構(gòu)建高層建筑智能火災(zāi)多感系統(tǒng)，給出ZigBee?WiFi的無線傳感網(wǎng)絡(luò)的布設(shè)和多傳感器節(jié)點的硬件結(jié)構(gòu)構(gòu)成，提出基于PSO?ELM的高層建筑智能火災(zāi)多感監(jiān)測模型。仿真結(jié)果表明，PSO?ELM高層建筑智能火災(zāi)多感模型具有較好的預(yù)測準(zhǔn)確率，預(yù)測結(jié)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(jīng)網(wǎng)絡(luò)算法對比，該PSO?ELM高層建筑智能火災(zāi)多感監(jiān)測模型的訓(xùn)練速度快且預(yù)測精度高，能夠滿足高層建筑智能火災(zāi)預(yù)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(zāi)預(yù)警模型設(shè)計[J].數(shù)學(xué)的實踐與認(rèn)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(zāi)系統(tǒng)脆弱性影響因素分析[J].消防科學(xué)與技術(shù)，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(wǎng)絡(luò)的煤礦井下多參數(shù)傳感器系統(tǒng)設(shè)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(jié)節(jié)診斷方法研究[J].科學(xué)技術(shù)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(yù)測模型研究[J].傳感器與微系統(tǒng)，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(shù)，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.