基于多源数据融合的建筑火灾风险模型研究

谭龙飞 霍伟博 尹航 梅秀娟

摘要：本文通过建筑内部传感器系统对不同火灾环境数据进行了采集分析，选取温度/湿度、烟雾、CO、CO2气体等传感器数据作为火灾预警原始信号，基于多源数据特征开展深度融合的火灾风险模型研究，分析了真实火（木垛）和虚拟火（烟饼）两种火灾情况下的风险预警。对于高层建筑丰富的消防数据来说，从中挖掘有效的火灾信息的难度非常之大，而深度学习与大数据的分析模式已经在各个行业中尽显优势。在高层建筑消防数据方面，结合大数据分析的优势，对历史环境数据进行分析，结合标准化分析处理流程，可以有效地对局部地点进行风险等级评估与预测预警，达到有针对性地提前决策、管控的目的。

关键词：消防;火灾风险模型;建筑物;物联网

随着电子信息化技术的发展，智慧化成为消防领域发展重点，在火灾领域的应用也越来越成熟。多数据融合火灾预警系统的研究，能够很大程度地改善火灾预警的准确率，对于未来火灾预警技术的发展具有重大意义。现代建筑尤其是高层或超高层建筑结构紧凑，功能复杂，一旦发生火灾，救援人员难以迅速及时到达火灾现场。目前，工程上广泛采用的都是传统单一传感器的火灾探测器。传统单一式传感器的火灾探测是通过采集探测现场单一的火灾参数信息，采取简单的阈值算法判断火灾的发生。但是，由于火灾信号的随机性和不确定性，单一参数的探测容易造成火灾预警的误报、漏报以及迟报，从而威胁人们的生命与财产安全。

本文提出了深度学习方法中基于受限玻尔兹曼机（RBM）的高层建筑火灾风险研究方法，该方法弥补了单传感器的随机性与不确定性，将来自高层火灾环境中的多源信息进行综合分析与智能化处理，可以极大程度地降低火灾的漏报率和误报率。同时，本项目提出的多源数据融合的高层建筑火灾大数据分析，可以将建筑目前单点监测改变为立体式防控，是未来火灾探测预警的必然发展趋势。

一、实验

实验地点设置于应急管理部四川消防研究所高层实验塔内，该试验塔可开展火灾发生、烟火蔓延、自动报警、防排烟调控和灭火逃生等消防专业化试验。如图1和图2所示，利用多源传感器和三种不同火灾报警装置，分别开展了墙角火实验和床火实验，并提供了真实火（木垛）和虚拟火（烟饼）两种火灾情况。

二、RBM风险理论模型

利用高层建筑火灾物联网采集和传输系统，本文选取了温度/湿度、烟雾、CO、CO2气体等传感器数据作为火灾预警的探测信号用于本研究。因此，首先应是将学习样本（温度、烟雾、CO、CO2与相应的火灾发生概率）代入训练神经网络中，通过神经网络的不断学习与适应，从而得出能够代表火灾发生过程中各探测参量变化规律的神经网络。相对应的，此时如果将监测环境中各探测参量的数值代入RBM模型中，便能够得出火灾发生的概率值，从而初步实现火灾预警的效果。

由于火灾的发生是一个复杂多变的过程，仅用一次隐含层的传递变换往往并不能合理地表示出火灾发展过程中各特征参量与火灾概率间的变化规律，因此需要进行两次传递变换，也意味着含有两个隐含层，这两个隐含层的具体节点数将在传递函数与训练误差确定之后进行确认。同时，利用高层建筑中火灾温度、CO和CO2气体参数作为该模型的可见单元（Visible Unit，对应可见变量，亦即数据样本）和湿度、烟雾作为火灾风险模型的隐藏单元（Hidden Unit，对应隐藏变量）构成，形成可见变量和隐藏变量的二元风险变量。

可视层和隐藏层配置已知，利用权重和偏置采样出隐藏层（h0），根据下式的随机概率，隐藏单元开启或关闭，相应概率可表示为：

（1）

RBM 模型基于给定的状态（可见向量和隐藏向量），即可构造能量函数：

（2）

式中，偏置和是概率的学习表达式。当确定了可视层与隐藏层整个框架的能量函，就可以定义风险概率。同时，在风险模型高维数据中，数据训练还需要对归一化因子进行重复计算。

三、结果

（一）墙角实驗

1.真实火灾源实验

将每个尺寸约1m×0.1m×0.1m的10个木垛平铺置于燃烧盘中，浇注柴油进行引燃，利用火灾传感系统采集得到CO、CO2浓度曲线如图3所示。从第20分钟（第70个采样点）开始，CO浓度显著上升，CO2浓度上升趋势缓慢。由于木垛加热20分钟左右出现明火燃烧现象，此时释放的 CO、CO2浓度急剧增大，曲线上升趋势明显，并迅速攀升至峰值。待燃烧过程结束，CO、CO2浓度逐渐减小。由图3可以看出，CO和CO2浓度比值在材料进入热解阶段开始便有缓慢上升的趋势，直到发生明火，浓度比值急剧攀升。风险预判的概率也在同时显著提高，其上升速率随着气体浓度比值的增减上下波动，在木垛发生明火燃烧时，由于浓度比值显著上升，模型风险概率也急剧上升，并达到峰值。

基于多源火场数据的风险模型系统在加热第19分钟给出报警信号，而离子、光电感烟探测器均在第24分钟才给出报警信号，感温探测器不报警。因此，火灾气体复合探测系统比传统火灾探测器的报警时间大大提前。

2.虚拟火灾源实验

将5个直径约为10cm长的烟饼点燃后熄灭，使其保持连续冒烟的状态，并放置于真火实验相同位置的燃烧盘中，通过火灾传感系统实时采集得到CO、CO2浓度曲线以及浓度比值曲线如图4所示。

从图中可以看出，烟饼在燃烧过程中，产生极其少量的CO，只有10ppm左右，CO、CO2浓度曲线变化杂乱无章，无规律可循，与真实火灾CO、CO2浓度的变化曲线具有明显的区别。其浓度比值曲线变化幅度极小，最大值不超过0.02。

实验证明，基于多源火场数据融合的探测系统对早期阴燃火具有较强的响应能力，能够对火灾实现早期报警，且可以克服外界干扰因素的影响，系统的环境适应性很强。

（二）床实验

1.真实火灾源实验

同样的，我们参照墙角实验进行了床实验，也分别进行了真实火和虚拟火两种情况。可以从图5看出，床实验真实木垛火发生时，CO和CO2浓度增加的过程相对稳定，在采样从43次到75次时，伴随火灾的发生，CO和CO2浓度快速增加，在80次采样达到峰值后，随后开始了长时间的浓度下降过程，最终逐渐下降到了较低的浓度。从CO/CO2浓度比值（图5）来看，也符合墙角实验的规律，也是发展初期变化较快，中间达到峰值后逐渐下降，最终达到相对稳定。

2.虚拟火灾源实验

从图6中看出，由烟饼演示的虚拟火源实验发生时，CO和CO2浓度在快速上升后，中间浓度不断变化，和墙角实验的过程机理一样，由于烟饼释放的CO和CO2浓度与木垛释放的浓度机理不同，其完全与烟饼的材料分布相关，因此中间的浓度呈现的是不断变化的现象。因此实测结果也客观显示了真实情况。

从CO/CO2浓度比值（图6）和浓度比值上升速率曲线（图6）来看，也符合墙角实验的规律，也是发展和后期相对稳定，中间存在整个过程的峰值。

通过定标实验，验证了基于多源火场数据融合的探测系统的比离子光电感烟、感温火灾探测器的四种类型传感器报警时间均有所提前。实验结果显示，该方法对火灾早期木垛和烟饼发出的火灾信号火具有较好的响应能力，并能够利用深度学习模型分析排除干扰，准确实现火灾的早期探测和报警。

四、结语

本文通过高层火灾实验对多源数据融合系统进行现场测试，将火灾数值模拟与多数据融合预警进行结合研究，在保证火灾数值模拟可靠性的基础上，通过火灾数值模拟对多数据融合火灾预警系统的性能进行分析与对比，不仅具体的研究过程方便简洁，而且还具有很大的研究意义。

参考文献：

[1]张艳霞.基于受限玻尔兹曼机的深度学习模型及其应用[D].成都：电子科技大学，2016.

[2]李晓慧，汪西莉.结合卷积受限玻尔兹曼机的CV图像分割模型[J].激光与光电子学进展，2020，57（04）.

[3]霍然，胡源，李元洲.建筑火灾安全工程导论[M].合肥：中国科学技术大学出版社，2009.

[4]赵先锋.基于改进极限学习机在火灾检测中的应用研究[D].杭州：浙江工业大学，2018.

[5]陈南.智能建筑中火灾信息探测算法分析及应用[J].仪器仪表学报，2003，24（Z04）：695-696，699.

[6]李安琪.基于多传感器信息融合的高大空间火灾报警探测器研究[D].长沙：湖南大学，2019.

[7]辜芳影.模糊神经网络在商场火灾探测中的研究与应用[D].淮南：安徽理工大学，2019.

[8]刘昊.文物建筑火灾探测方法探讨[J].消防科学与技术，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：

谭龙飞，男，博士研究生，研究方向：火场数据融合与信息提取、参数敏感性分析、可视化侦测及传感器等。