建筑火灾监测系统技术浅谈

赵红亮

摘要：针对建筑火灾监测系统能耗分析、监测性能低等问题，该文从多传感器火灾融合算法和火灾监测系统模型两个方面分析了火灾监测系统的研究现状，并阐述了火灾监测系统的发展趋势。

关键词：火灾监测;数据融合;系统模型

中图分类号：TP311        文献标识码：A

文章编号：1009-3044（2019）16-0225-01

开放科学（资源服务）标识码（OSID）：

1 引言

火灾是生活中的常见事故，会导致严重的生命财产损失，威胁建筑和消防队员的安全。而建筑火灾监测系统以防火于未然为主要任务，利用无线传感器对建筑物内的火情信息进行探测和分析，以达到预测火灾的目的，因此传感器技术对火灾监测系统的发展起着举足轻重的作用。随着传感器技术的不断发展，建筑火灾监测有了极大的拓展和提高。早期单传感器获得的信息非常有限并受传感器本身性能的影响较大，准确的火灾监测仅靠单传感器设备是不能满足其要求的，多传感器通过几种传感器的时空采样，多层级、多功能处理，以更高精度、较高概率或者置信度，降低火灾误报率。根据多传感器信息融合的基础理论，将火灾监测系统分为三层：信息层、融合层和决策层[1]，多传感器数据融合火灾监测系统图如图1所示。

如何改善传统火灾探测报警系统的缺陷，优化防火系统的安全等级成为当下研究热点。本文从多传感器火灾监测融合算法和火灾监测系统模型两个方面综述了国内外火灾监测系统的研究现状，总结各自的优点和不足，展望其发展趋势。

2 多传感器火灾探测的融合算法

建筑火灾监测系统的核心是在多个传感器的基础上采用融合算法完成整个火灾探测的决策过程。对于火灾监测系统而言决策过程是数据接收、数据处理以及输出结果的一个过程[2]。多传感器信息融合算法分为阈值判断或趋势判断算法，多种传感器信号的关系式，模糊算法，人工神经网络和模糊神经网络五个类别。阈值判断或趋势判断算法是最简单的，虽然获得了很多有意义的结果，但是很难在提高探测灵敏度和降低干扰源上达到平衡，而多传感器信号关系式在这一方面展示出比阈值算法更良好的性能[3-4]。神经网络在多传感器火灾探测方面的容错性强但主要问题是神经网络需要大量的训练数据来训练网络及时调整网络结构、权重和阈值，来产生可靠的火灾探测结果，无法处理缺失的模糊信息（如传感器受到破坏）[5-6]。模糊神经网络综合了神经网络和模糊逻辑的优点，提供了模糊和自适应特点并可以用于火灾探测信号处理的方法[7]。

3 火灾监测系统模型

火灾监测系统的模型主要有分布式火灾监测网络、火灾探测系统与智能建筑系统的结合、火灾远程监测[8]，模型的主要特点如下表1所示。

4 火灾监测系统发展方向

建筑火灾监测系统的发展方向包括远距离、节能降耗、小型化、实时性以及多传感器火灾监测的融合算法改进。现有的传感器节点主要依靠电池供电，有效的能耗管理对于系统的维护很重要，同时，实际中传感器网络的架构协议接口也需要进行考虑。尽管在实际中需要考虑局部数据的剧烈波动及训练和探测应用中的不同参数范围问题，但采用模糊准则与神经网络结合的多传感器火灾探测是非常有前景的一种方式。

未来更应设计远距离、能耗小、小型化的建筑火灾监测系统以及采用更高级的融合算法，使系统能够进行各种环境中的及时有效预警。

参考文献：

[1]  韩菁.多传感器数融合技术在火灾探测中的应用研究[D].重庆：重庆理工大学，2011.

[2] Meacham， B. J . The Use of Artificial Intelligence Techniques for Signal Discrimination in Fire Detection Systems[J]. Journal of Fire Protection Engineering， 1994， 6（3）：125-136.

[3] Jones W W . Implementing High Reliability Fire Detection in the Residential Setting[J]. Fire Technology， 2012， 48（2）：233-254.

[4] Choudhury J R， Banerjee T P， Das S， et al. Fuzzy Rule Based Intelligent Security and Fire Detector System[C]// Computational Intelligence in Security for Information Systems-cisis09， International Workshop， Burgos， Spain， September. 2009.

[5] Asgary A ， Naini A S ， Levy J . Modeling the risk of structural fire incidents using a self-organizing map[J]. Fire Safety Journal， 2012， 49（none）：1-9.

[6] 丁承君， 赵泽羽， 朱雪宏，等. 神经网络在智能火灾预警系统的应用[J]. 传感器与微系统， 2018（1）：154-156.

[7] Wang Y ， Yu C ， Tu R ， et al. Fire detection model in Tibet based on grey-fuzzy neural network algorithm[J]. Expert Systems with Applications， 2011， 38（8）：9580-9586.

[8] 王學贵. 基于多传感器信息融合的火灾危险度分布确定系统研究[D]. 中国科学技术大学， 2013.

[9] Bhattacharjee S， Roy P， Ghosh S， et al. Wireless sensor network-based fire detection， alarming， monitoring and prevention system for Bord-and-Pillar coal mines[J]. Journal of Systems & Software， 2012， 85（3）：571-581.

[10] 毛杰宁， 李梅， 罗旌钰. 无线火灾报警系统设计[J]. 电子设计工程， 2017， 25（07）：115-118.

【通联编辑：代影】