基于多源數(shù)據(jù)融合的建筑火災(zāi)風(fēng)險(xiǎn)模型研究

譚龍飛 霍偉博 尹航 梅秀娟

摘要：本文通過建筑內(nèi)部傳感器系統(tǒng)對不同火災(zāi)環(huán)境數(shù)據(jù)進(jìn)行了采集分析，選取溫度/濕度、煙霧、CO、CO2氣體等傳感器數(shù)據(jù)作為火災(zāi)預(yù)警原始信號，基于多源數(shù)據(jù)特征開展深度融合的火災(zāi)風(fēng)險(xiǎn)模型研究，分析了真實(shí)火（木垛）和虛擬火（煙餅）兩種火災(zāi)情況下的風(fēng)險(xiǎn)預(yù)警。對于高層建筑豐富的消防數(shù)據(jù)來說，從中挖掘有效的火災(zāi)信息的難度非常之大，而深度學(xué)習(xí)與大數(shù)據(jù)的分析模式已經(jīng)在各個(gè)行業(yè)中盡顯優(yōu)勢。在高層建筑消防數(shù)據(jù)方面，結(jié)合大數(shù)據(jù)分析的優(yōu)勢，對歷史環(huán)境數(shù)據(jù)進(jìn)行分析，結(jié)合標(biāo)準(zhǔn)化分析處理流程，可以有效地對局部地點(diǎn)進(jìn)行風(fēng)險(xiǎn)等級評估與預(yù)測預(yù)警，達(dá)到有針對性地提前決策、管控的目的。

關(guān)鍵詞：消防;火災(zāi)風(fēng)險(xiǎn)模型;建筑物;物聯(lián)網(wǎng)

隨著電子信息化技術(shù)的發(fā)展，智慧化成為消防領(lǐng)域發(fā)展重點(diǎn)，在火災(zāi)領(lǐng)域的應(yīng)用也越來越成熟。多數(shù)據(jù)融合火災(zāi)預(yù)警系統(tǒng)的研究，能夠很大程度地改善火災(zāi)預(yù)警的準(zhǔn)確率，對于未來火災(zāi)預(yù)警技術(shù)的發(fā)展具有重大意義。現(xiàn)代建筑尤其是高層或超高層建筑結(jié)構(gòu)緊湊，功能復(fù)雜，一旦發(fā)生火災(zāi)，救援人員難以迅速及時(shí)到達(dá)火災(zāi)現(xiàn)場。目前，工程上廣泛采用的都是傳統(tǒng)單一傳感器的火災(zāi)探測器。傳統(tǒng)單一式傳感器的火災(zāi)探測是通過采集探測現(xiàn)場單一的火災(zāi)參數(shù)信息，采取簡單的閾值算法判斷火災(zāi)的發(fā)生。但是，由于火災(zāi)信號的隨機(jī)性和不確定性，單一參數(shù)的探測容易造成火災(zāi)預(yù)警的誤報(bào)、漏報(bào)以及遲報(bào)，從而威脅人們的生命與財(cái)產(chǎn)安全。

本文提出了深度學(xué)習(xí)方法中基于受限玻爾茲曼機(jī)（RBM）的高層建筑火災(zāi)風(fēng)險(xiǎn)研究方法，該方法彌補(bǔ)了單傳感器的隨機(jī)性與不確定性，將來自高層火災(zāi)環(huán)境中的多源信息進(jìn)行綜合分析與智能化處理，可以極大程度地降低火災(zāi)的漏報(bào)率和誤報(bào)率。同時(shí)，本項(xiàng)目提出的多源數(shù)據(jù)融合的高層建筑火災(zāi)大數(shù)據(jù)分析，可以將建筑目前單點(diǎn)監(jiān)測改變?yōu)榱Ⅲw式防控，是未來火災(zāi)探測預(yù)警的必然發(fā)展趨勢。

一、實(shí)驗(yàn)

實(shí)驗(yàn)地點(diǎn)設(shè)置于應(yīng)急管理部四川消防研究所高層實(shí)驗(yàn)塔內(nèi)，該試驗(yàn)塔可開展火災(zāi)發(fā)生、煙火蔓延、自動(dòng)報(bào)警、防排煙調(diào)控和滅火逃生等消防專業(yè)化試驗(yàn)。如圖1和圖2所示，利用多源傳感器和三種不同火災(zāi)報(bào)警裝置，分別開展了墻角火實(shí)驗(yàn)和床火實(shí)驗(yàn)，并提供了真實(shí)火（木垛）和虛擬火（煙餅）兩種火災(zāi)情況。

二、RBM風(fēng)險(xiǎn)理論模型

利用高層建筑火災(zāi)物聯(lián)網(wǎng)采集和傳輸系統(tǒng)，本文選取了溫度/濕度、煙霧、CO、CO2氣體等傳感器數(shù)據(jù)作為火災(zāi)預(yù)警的探測信號用于本研究。因此，首先應(yīng)是將學(xué)習(xí)樣本（溫度、煙霧、CO、CO2與相應(yīng)的火災(zāi)發(fā)生概率）代入訓(xùn)練神經(jīng)網(wǎng)絡(luò)中，通過神經(jīng)網(wǎng)絡(luò)的不斷學(xué)習(xí)與適應(yīng)，從而得出能夠代表火災(zāi)發(fā)生過程中各探測參量變化規(guī)律的神經(jīng)網(wǎng)絡(luò)。相對應(yīng)的，此時(shí)如果將監(jiān)測環(huán)境中各探測參量的數(shù)值代入RBM模型中，便能夠得出火災(zāi)發(fā)生的概率值，從而初步實(shí)現(xiàn)火災(zāi)預(yù)警的效果。

由于火災(zāi)的發(fā)生是一個(gè)復(fù)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(zāi)發(fā)展過程中各特征參量與火災(zāi)概率間的變化規(guī)律，因此需要進(jìn)行兩次傳遞變換，也意味著含有兩個(gè)隱含層，這兩個(gè)隱含層的具體節(jié)點(diǎn)數(shù)將在傳遞函數(shù)與訓(xùn)練誤差確定之后進(jìn)行確認(rèn)。同時(shí)，利用高層建筑中火災(zāi)溫度、CO和CO2氣體參數(shù)作為該模型的可見單元（Visible Unit，對應(yīng)可見變量，亦即數(shù)據(jù)樣本）和濕度、煙霧作為火災(zāi)風(fēng)險(xiǎn)模型的隱藏單元（Hidden Unit，對應(yīng)隱藏變量）構(gòu)成，形成可見變量和隱藏變量的二元風(fēng)險(xiǎn)變量。

可視層和隱藏層配置已知，利用權(quán)重和偏置采樣出隱藏層（h0），根據(jù)下式的隨機(jī)概率，隱藏單元開啟或關(guān)閉，相應(yīng)概率可表示為：

（1）

RBM 模型基于給定的狀態(tài)（可見向量和隱藏向量），即可構(gòu)造能量函數(shù)：

（2）

式中，偏置和是概率的學(xué)習(xí)表達(dá)式。當(dāng)確定了可視層與隱藏層整個(gè)框架的能量函，就可以定義風(fēng)險(xiǎn)概率。同時(shí)，在風(fēng)險(xiǎn)模型高維數(shù)據(jù)中，數(shù)據(jù)訓(xùn)練還需要對歸一化因子進(jìn)行重復(fù)計(jì)算。

三、結(jié)果

（一）墻角實(shí)驗(yàn)

1.真實(shí)火災(zāi)源實(shí)驗(yàn)

將每個(gè)尺寸約1m×0.1m×0.1m的10個(gè)木垛平鋪置于燃燒盤中，澆注柴油進(jìn)行引燃，利用火災(zāi)傳感系統(tǒng)采集得到CO、CO2濃度曲線如圖3所示。從第20分鐘（第70個(gè)采樣點(diǎn)）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(xiàn)明火燃燒現(xiàn)象，此時(shí)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(jié)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(jìn)入熱解階段開始便有緩慢上升的趨勢，直到發(fā)生明火，濃度比值急劇攀升。風(fēng)險(xiǎn)預(yù)判的概率也在同時(shí)顯著提高，其上升速率隨著氣體濃度比值的增減上下波動(dòng)，在木垛發(fā)生明火燃燒時(shí)，由于濃度比值顯著上升，模型風(fēng)險(xiǎn)概率也急劇上升，并達(dá)到峰值。

基于多源火場數(shù)據(jù)的風(fēng)險(xiǎn)模型系統(tǒng)在加熱第19分鐘給出報(bào)警信號，而離子、光電感煙探測器均在第24分鐘才給出報(bào)警信號，感溫探測器不報(bào)警。因此，火災(zāi)氣體復(fù)合探測系統(tǒng)比傳統(tǒng)火災(zāi)探測器的報(bào)警時(shí)間大大提前。

2.虛擬火災(zāi)源實(shí)驗(yàn)

將5個(gè)直徑約為10cm長的煙餅點(diǎn)燃后熄滅，使其保持連續(xù)冒煙的狀態(tài)，并放置于真火實(shí)驗(yàn)相同位置的燃燒盤中，通過火災(zāi)傳感系統(tǒng)實(shí)時(shí)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(chǎn)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(guī)律可循，與真實(shí)火災(zāi)CO、CO2濃度的變化曲線具有明顯的區(qū)別。其濃度比值曲線變化幅度極小，最大值不超過0.02。

實(shí)驗(yàn)證明，基于多源火場數(shù)據(jù)融合的探測系統(tǒng)對早期陰燃火具有較強(qiáng)的響應(yīng)能力，能夠?qū)馂?zāi)實(shí)現(xiàn)早期報(bào)警，且可以克服外界干擾因素的影響，系統(tǒng)的環(huán)境適應(yīng)性很強(qiáng)。

（二）床實(shí)驗(yàn)

1.真實(shí)火災(zāi)源實(shí)驗(yàn)

同樣的，我們參照墻角實(shí)驗(yàn)進(jìn)行了床實(shí)驗(yàn)，也分別進(jìn)行了真實(shí)火和虛擬火兩種情況。可以從圖5看出，床實(shí)驗(yàn)真實(shí)木垛火發(fā)生時(shí)，CO和CO2濃度增加的過程相對穩(wěn)定，在采樣從43次到75次時(shí)，伴隨火災(zāi)的發(fā)生，CO和CO2濃度快速增加，在80次采樣達(dá)到峰值后，隨后開始了長時(shí)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(shí)驗(yàn)的規(guī)律，也是發(fā)展初期變化較快，中間達(dá)到峰值后逐漸下降，最終達(dá)到相對穩(wěn)定。

2.虛擬火災(zāi)源實(shí)驗(yàn)

從圖6中看出，由煙餅演示的虛擬火源實(shí)驗(yàn)發(fā)生時(shí)，CO和CO2濃度在快速上升后，中間濃度不斷變化，和墻角實(shí)驗(yàn)的過程機(jī)理一樣，由于煙餅釋放的CO和CO2濃度與木垛釋放的濃度機(jī)理不同，其完全與煙餅的材料分布相關(guān)，因此中間的濃度呈現(xiàn)的是不斷變化的現(xiàn)象。因此實(shí)測結(jié)果也客觀顯示了真實(shí)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(shí)驗(yàn)的規(guī)律，也是發(fā)展和后期相對穩(wěn)定，中間存在整個(gè)過程的峰值。

通過定標(biāo)實(shí)驗(yàn)，驗(yàn)證了基于多源火場數(shù)據(jù)融合的探測系統(tǒng)的比離子光電感煙、感溫火災(zāi)探測器的四種類型傳感器報(bào)警時(shí)間均有所提前。實(shí)驗(yàn)結(jié)果顯示，該方法對火災(zāi)早期木垛和煙餅發(fā)出的火災(zāi)信號火具有較好的響應(yīng)能力，并能夠利用深度學(xué)習(xí)模型分析排除干擾，準(zhǔn)確實(shí)現(xiàn)火災(zāi)的早期探測和報(bào)警。

四、結(jié)語

本文通過高層火災(zāi)實(shí)驗(yàn)對多源數(shù)據(jù)融合系統(tǒng)進(jìn)行現(xiàn)場測試，將火災(zāi)數(shù)值模擬與多數(shù)據(jù)融合預(yù)警進(jìn)行結(jié)合研究，在保證火災(zāi)數(shù)值模擬可靠性的基礎(chǔ)上，通過火災(zāi)數(shù)值模擬對多數(shù)據(jù)融合火災(zāi)預(yù)警系統(tǒng)的性能進(jìn)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(xiàn)：

[1]張艷霞.基于受限玻爾茲曼機(jī)的深度學(xué)習(xí)模型及其應(yīng)用[D].成都：電子科技大學(xué)，2016.

[2]李曉慧，汪西莉.結(jié)合卷積受限玻爾茲曼機(jī)的CV圖像分割模型[J].激光與光電子學(xué)進(jìn)展，2020，57（04）.

[3]霍然，胡源，李元洲.建筑火災(zāi)安全工程導(dǎo)論[M].合肥：中國科學(xué)技術(shù)大學(xué)出版社，2009.

[4]趙先鋒.基于改進(jìn)極限學(xué)習(xí)機(jī)在火災(zāi)檢測中的應(yīng)用研究[D].杭州：浙江工業(yè)大學(xué)，2018.

[5]陳南.智能建筑中火災(zāi)信息探測算法分析及應(yīng)用[J].儀器儀表學(xué)報(bào)，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(zāi)報(bào)警探測器研究[D].長沙：湖南大學(xué)，2019.

[7]辜芳影.模糊神經(jīng)網(wǎng)絡(luò)在商場火災(zāi)探測中的研究與應(yīng)用[D].淮南：安徽理工大學(xué)，2019.

[8]劉昊.文物建筑火災(zāi)探測方法探討[J].消防科學(xué)與技術(shù)，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(shù)據(jù)融合與信息提取、參數(shù)敏感性分析、可視化偵測及傳感器等。