基于SVR的高层建筑复合式火灾预警系统设计

张立宁，张 奇，安 晶

(1.北京理工大学国家爆炸重点实验室,北京 100081； 2.华北科技学院建工学院,北京 101601)



基于SVR的高层建筑复合式火灾预警系统设计

张立宁1,2，张 奇1，安 晶2

(1.北京理工大学国家爆炸重点实验室,北京 100081； 2.华北科技学院建工学院,北京 101601)

针对传统单一功能火灾探测预警系统可靠性差的缺陷，本文设计了一种高层建筑感烟-感温复合式火灾智能预警系统。该系统根据高层建筑火灾预警的非线性、历史数据少及影响因素多等特征，为了提高预警系统的准确性，引入支持向量机回归(SVR)算法，建立了基于SVR模型的高层建筑复合式火灾预警系统。最后以木材火和普通火燃烧标准历史数据为例，通过Matlab仿真模拟，对构建的SVR预警系统进行实证分析，从而验证了所建立的火灾预警系统的可行性和可靠性。该研究成果可为高层建筑火灾准确预警提供一种可靠的决策支持系统。

高层建筑火灾；复合式火灾预警系统；SVR预警模型

目前，高层建筑火灾的防控已经成为一个社会性的难题。近年来由高层建筑火灾所导致的死伤人数及财产损失呈不断上升趋势。如2010年上海静安区“11·15”特大火灾，造成58人死亡、71人受伤，直接经济损失达5亿元；2012年天津蓟县莱德商厦火灾，造成10人死亡、16人受伤。因此，研究开发新型的高层建筑复合式智能火灾预警系统，对于提高高层建筑火灾预警的准确性和可靠性，以及最大限度地减少高层建筑火灾事故损失具有十分重要的现实意义。

国外对建筑火灾预警领域的早期研究始于20世纪40年代感温式火灾探测器的出现，但由于其存在灵敏度低、错误报警率高等缺陷，20世纪50年代初问世的离子型感烟探测器逐渐取代了感温探测器的主导地位。随着科技的进步，目前又相继出现了多种火灾探测技术，例如感光式探测器、气体探测器等[1]。

高层建筑火灾预警的目的是尽早发现火情，并不以检测单一的烟度、温度或光度信号为目的。已有研究表明，对于单一功能的火灾预警系统如感温式、感烟式火灾预警系统，由于单一探测传感器提供的火灾信息均混杂有非火灾信息，从而造成系统准确判别火灾比较困难，容易产生误报、漏报等现象。因此，探索新型复合式火灾探测预警系统，实现对火灾过程多元参数(如烟度、温度等)的同时监测分析及预警，即开发多功能复合式火灾自动预警系统，是高层建筑火灾预警技术的发展趋势之一。

与之同时，随着不同种类的火灾探测传感器被应用于火灾报警技术中，对火灾预警系统的数据处理能力提出了挑战。目前许多经典的数据算法被应用到火灾探测预警系统中，如直观法、趋势法、估计法、贝叶斯推理法等[2]。但由于传统预警算法主要依赖于数学推论，当把它用于多元信号参量时，预警准确性往往较差，同时传统预警算法要求计算多维概率密度函数，这对于火灾探测的实际应用是一个很大的限制。因此，一些学者又相继提出了一些新的数据处理算法，如人工神经网络算法、模糊逻辑算法等[3—6]。这些算法虽然在一定程度上弥补了传统算法的不足，提高了预警的准确性，但已有研究表明，在小样本情况下，采用神经网络预警算法，通常网络得不到充分的训练，导致预警效果不够理想，同时人工神经网络存在“维数灾难”、“过学习”等缺点。鉴于此，本文针对高层建筑火灾预警系统的非线性、历史数据少和影响因素多等特征，引入支持向量机回归(SVR)算法，并建立基于SVR模型的高层建筑复合式火灾预警系统，从而为高层建筑火灾准确预警提供一种可靠的决策支持系统。

1 高层建筑复合式火灾预警系统的构建

1.1 复合式火灾预警系统设计

大量研究表明，感温探测器的缺陷是灵敏度偏低，对于大多数火灾，到了能探测到明显温升时，火势往往已经蔓延开了，而感烟探测器则存在烟谱范围较窄的不足。由于感烟信号和感温信号具有良好的互补性，如果将两者结合起来进行火灾判断，就可以克服两者的不足，且相对于其他火灾信号复合形式，具有结构简单、信号直观、更易于判断的特点。

支持向量机技术是一种专门针对有限样本情况下，非参数估计问题的智能算法，在解决小样本、非线性及高维模式识别问题中性能优越[7—8]，其优点在于可以克服“维数灾难”和“过学习”等传统算法的不足，目前在国内外被广泛应用于各个领域。支持向量机回归(SVR)算法是支持向量机在回归领域的一种应用[9—11]。因此，本文提出一种基于SVR模型的高层建筑感烟-感温复合式火灾智能预警系统，该系统如图1所示。

1.2 SVR预警模型的建立

利用SVR模型进行高层建筑火灾预警，即将烟度、烟度上升速率、温度、温度上升速率4个因素值作为输入，将明火发生概率作为输出，构建一个多输入、单输出的高层建筑火灾SVR预警模型。其基本思路是：将信号输入值xi(i=1,2,…,n)，映射到一个高维特征空间φ(xi),将原非线性模型转化为特征空间的线性回归模型：

f(xi)=ωφ(xi)+b

(1)

式中：ω、b为待定参数。

对式(1)中参数进行处理，有

(2)

根据支持向量机基本原理，求解式(2)等价于求解下式的优化问题：

(3)

式中：ε为拟合误差;y为输出量。

为了便于求解，将式(3)转化为对偶问题，则可得非线性函数f(x):

(4)

本文选用径向基核函数：

(5)

式中：σ为方差。

将式(5)代入式(4)中，经过等价交换可得：

f(x) =ωφ(x)+b

(6)

式中：SV为支持向量集；f(x)为输出向量集。

2 实证分析

为了验证上述所建立的基于SVR模型的高层建筑火灾预警系统的可行性和有效性，本文以文献[12]中木材火和普通火燃烧标准历史数据为例，将其烟度、烟度上升速率、温度、温度上升速率(热释放速率)数值作为SVR模型的输入，以明火发生概率值作为输出，构建高层建筑火灾SVR预警模型，并进行实证分析。

2.1 木材火实证分析

对表1中木材火燃烧22组历史数据进行研究，将前17组数据作为训练样本，借助Matlab软件，使用SVMcgForRegress.m函数进行仿真模拟，寻找函数的最佳参数c和g，最终得到木材火明火发生概率的SVR最优参数选择结果为c=1，g=0.574 35，误差MSE为0.005 9。其SVR最优参数选择3D示意图如图2所示。

表1 木材火燃烧标准历史数据[12]

然后将后5组数据作为预测样本，输入训练好的SVR预警模型，则得到木材火明火发生概率的回归预测结果，见图3。

由图3可见，5个样本点木材火明火发生概率的回归预测值与实际值完全一致。

2.2 普通火实证分析

同理，对表2中普通火燃烧25组历史数据进行研究，将前20组数据作为训练样本，经过仿真模拟，得到普通火明火发生概率的SVR最优参数选择结果为c=0.329 88，g=9.189 6，误差MSE为0.009 4。其SVR最优参数选择3D示意图如图4所示。

然后将后5组历史数据作为预测样本，输入训练好的SVR预警模型，则得到普通火明火发生概率的回归预测结果，见图5。

表2 普通火燃烧标准历史数据[12]

由图5可见，5个样本点普通火明火发生概率的回归预测值与实际值完全一致。

3 结 论

本文设计提出了一种基于支持向量机回归(SVR)模型的复合式高层建筑火灾智能预警系统，并通过木材火和普通火燃烧标准历史数据的实证分析，验证了所建立的火灾预警系统的可行性和可靠性。该研究成果可以推广到其他相关领域，如滑坡、瓦斯涌出等，可为决策者提供一种可靠的决策支持系统。但对大样本、非线性识别问题，该模型还有待进一步验证。此外，在核函数的选取上本文选取的是径向基函数，如何选取融合遗传算法、模糊算法、神经网络算法等的复杂核函数，而使得预警结果更加准确，将是今后进一步研究的课题。

[1]AdamC,AdamB,CeciliaAE,etal.Firesafetydesignfortallbuildings[J].Procedia Engineering,2013,62:169-181.

[2] 厉剑.火灾探测信号处理算法及其性能评估方法研究[D].大连:大连理工大学,2005.

[3]OkayamaY.Aprimitivestudyofafiredetectionmethodcontrolledbyartificialneuralnet[J].Applied Science and Technology,2011,38(5):40-45.

[4] 王殊,窦征.火灾探测及其信号处理[M].武汉:华中理工大学出版社，2006.

[5] 张键.基于神经网络算法的火灾探测系统的研究[J].数字技术与应用,2013(10):130-132.

[6] 汤群芳.基于模糊神经网络的火灾数据处理方法的研究[D].长沙:湖南大学,2010.

[7] 张靖岩,藏桂丛,李引擎,等.基于模糊数学与集值统计的既有建筑火灾危险性评估模型[J].安全与环境工程,2012,19(5):82-84.

[8]LeeWJ,CheonMK,HyunCH,etal.Developmentofbuildingfiresafetysystemwithautomaticsecurityfirmmonitoringcapability[J].Fire Safety Journal,2013,58:65-73.

[9] 丁世飞,齐丙娟,谭红艳.支持向量机理论与算法研究综述[J].电子科技大学学报,2011,40(1):2-7.

[10]薛源,吴建国.基于SVR算法的环模制粒机输出预测[J].工业控制计算机,2013,26 (12):56-58.

[11]HsuSH,ChihTC,HsuKC.Atwo-stagearchitectureforstockpriceforecastingbyintegratingself-organizingmapandsupportvectorregression[J].Expert Systems with Applications,2009,36(4):7947-7951.

[12]翟永杰,尚雪莲,韩璞，等.SVR在传感器故障诊断中的仿真研究[J].系统仿真学报,2004,16(6):1257-1259.

[13]胡兆杰.基于BP神经网络和证据理论融合的火灾探测信息处理[D].天津:天津理工大学，2013.

Design of Composite Fire Pre-warning System for High-rise Buildings Based on the SVR

ZHANG Lining1,2,ZHANG Qi1,AN Jing2

(1.StateKeyLaboratoryofExplosionScienceandTechnology,BeijingInstituteofTechnology,Beijing100081,China;2.ArchitectureEngineeringSchool,NorthChinaInstituteofScienceandTechnology，Beijing101601，China)

In view of the poor reliability of traditional single-function fire pre-warning system,this study designs and proposes a new composite fire pre-warning system for the high-rise buildings.At the same time,considering the characteristics of the fire pre-warning system for high-rise buildings,such as being nonlinear,few historical data,many influence factors and so on.In order to improve the accuracy of the pre-warning system,the study uses the support vector regression(SVR) algorithm,and builds a composite fire pre-warning system for high-rise buildings based on the SVR.Then it takes the historical data of wood burning and the ordinary fire as examples to make empirical analysis for the new system through the Matlab simulation.The research results provide a reliable decision support system for the accurate pre-warning of high-rise building fire.

high-rise buildings fire;composite fire pre-warning system;support vector regression pre-warning model

1671-1556(2015)01-0140-04

2014-02-24

2014-09-25

国家自然科学基金项目 (11072035) ；中央高校科研基本业务费——华北科技学院基金项目(3142014043)

张立宁(1981—)，男，博士研究生，副教授，主要从事工程安全预测、控制及评价的理论与方法研究。E-mail:zlining666@163.com

X932

A

10.13578/j.cnki.issn.1671-1556.2015.01.026