基于SVR的高層建筑復(fù)合式火災(zāi)預(yù)警系統(tǒng)設(shè)計(jì)

張立寧，張 奇，安 晶

(1.北京理工大學(xué)國家爆炸重點(diǎn)實(shí)驗(yàn)室,北京 100081； 2.華北科技學(xué)院建工學(xué)院,北京 101601)

?

基于SVR的高層建筑復(fù)合式火災(zāi)預(yù)警系統(tǒng)設(shè)計(jì)

張立寧1,2，張 奇1，安 晶2

(1.北京理工大學(xué)國家爆炸重點(diǎn)實(shí)驗(yàn)室,北京 100081； 2.華北科技學(xué)院建工學(xué)院,北京 101601)

針對傳統(tǒng)單一功能火災(zāi)探測預(yù)警系統(tǒng)可靠性差的缺陷，本文設(shè)計(jì)了一種高層建筑感煙-感溫復(fù)合式火災(zāi)智能預(yù)警系統(tǒng)。該系統(tǒng)根據(jù)高層建筑火災(zāi)預(yù)警的非線性、歷史數(shù)據(jù)少及影響因素多等特征，為了提高預(yù)警系統(tǒng)的準(zhǔn)確性，引入支持向量機(jī)回歸(SVR)算法，建立了基于SVR模型的高層建筑復(fù)合式火災(zāi)預(yù)警系統(tǒng)。最后以木材火和普通火燃燒標(biāo)準(zhǔn)歷史數(shù)據(jù)為例，通過Matlab仿真模擬，對構(gòu)建的SVR預(yù)警系統(tǒng)進(jìn)行實(shí)證分析，從而驗(yàn)證了所建立的火災(zāi)預(yù)警系統(tǒng)的可行性和可靠性。該研究成果可為高層建筑火災(zāi)準(zhǔn)確預(yù)警提供一種可靠的決策支持系統(tǒng)。

高層建筑火災(zāi)；復(fù)合式火災(zāi)預(yù)警系統(tǒng)；SVR預(yù)警模型

目前，高層建筑火災(zāi)的防控已經(jīng)成為一個社會性的難題。近年來由高層建筑火災(zāi)所導(dǎo)致的死傷人數(shù)及財(cái)產(chǎn)損失呈不斷上升趨勢。如2010年上海靜安區(qū)“11·15”特大火災(zāi)，造成58人死亡、71人受傷，直接經(jīng)濟(jì)損失達(dá)5億元；2012年天津薊縣萊德商廈火災(zāi)，造成10人死亡、16人受傷。因此，研究開發(fā)新型的高層建筑復(fù)合式智能火災(zāi)預(yù)警系統(tǒng)，對于提高高層建筑火災(zāi)預(yù)警的準(zhǔn)確性和可靠性，以及最大限度地減少高層建筑火災(zāi)事故損失具有十分重要的現(xiàn)實(shí)意義。

國外對建筑火災(zāi)預(yù)警領(lǐng)域的早期研究始于20世紀(jì)40年代感溫式火災(zāi)探測器的出現(xiàn)，但由于其存在靈敏度低、錯誤報警率高等缺陷，20世紀(jì)50年代初問世的離子型感煙探測器逐漸取代了感溫探測器的主導(dǎo)地位。隨著科技的進(jìn)步，目前又相繼出現(xiàn)了多種火災(zāi)探測技術(shù)，例如感光式探測器、氣體探測器等[1]。

高層建筑火災(zāi)預(yù)警的目的是盡早發(fā)現(xiàn)火情，并不以檢測單一的煙度、溫度或光度信號為目的。已有研究表明，對于單一功能的火災(zāi)預(yù)警系統(tǒng)如感溫式、感煙式火災(zāi)預(yù)警系統(tǒng)，由于單一探測傳感器提供的火災(zāi)信息均混雜有非火災(zāi)信息，從而造成系統(tǒng)準(zhǔn)確判別火災(zāi)比較困難，容易產(chǎn)生誤報、漏報等現(xiàn)象。因此，探索新型復(fù)合式火災(zāi)探測預(yù)警系統(tǒng)，實(shí)現(xiàn)對火災(zāi)過程多元參數(shù)(如煙度、溫度等)的同時監(jiān)測分析及預(yù)警，即開發(fā)多功能復(fù)合式火災(zāi)自動預(yù)警系統(tǒng)，是高層建筑火災(zāi)預(yù)警技術(shù)的發(fā)展趨勢之一。

與之同時，隨著不同種類的火災(zāi)探測傳感器被應(yīng)用于火災(zāi)報警技術(shù)中，對火災(zāi)預(yù)警系統(tǒng)的數(shù)據(jù)處理能力提出了挑戰(zhàn)。目前許多經(jīng)典的數(shù)據(jù)算法被應(yīng)用到火災(zāi)探測預(yù)警系統(tǒng)中，如直觀法、趨勢法、估計(jì)法、貝葉斯推理法等[2]。但由于傳統(tǒng)預(yù)警算法主要依賴于數(shù)學(xué)推論，當(dāng)把它用于多元信號參量時，預(yù)警準(zhǔn)確性往往較差，同時傳統(tǒng)預(yù)警算法要求計(jì)算多維概率密度函數(shù)，這對于火災(zāi)探測的實(shí)際應(yīng)用是一個很大的限制。因此，一些學(xué)者又相繼提出了一些新的數(shù)據(jù)處理算法，如人工神經(jīng)網(wǎng)絡(luò)算法、模糊邏輯算法等[3—6]。這些算法雖然在一定程度上彌補(bǔ)了傳統(tǒng)算法的不足，提高了預(yù)警的準(zhǔn)確性，但已有研究表明，在小樣本情況下，采用神經(jīng)網(wǎng)絡(luò)預(yù)警算法，通常網(wǎng)絡(luò)得不到充分的訓(xùn)練，導(dǎo)致預(yù)警效果不夠理想，同時人工神經(jīng)網(wǎng)絡(luò)存在“維數(shù)災(zāi)難”、“過學(xué)習(xí)”等缺點(diǎn)。鑒于此，本文針對高層建筑火災(zāi)預(yù)警系統(tǒng)的非線性、歷史數(shù)據(jù)少和影響因素多等特征，引入支持向量機(jī)回歸(SVR)算法，并建立基于SVR模型的高層建筑復(fù)合式火災(zāi)預(yù)警系統(tǒng)，從而為高層建筑火災(zāi)準(zhǔn)確預(yù)警提供一種可靠的決策支持系統(tǒng)。

1 高層建筑復(fù)合式火災(zāi)預(yù)警系統(tǒng)的構(gòu)建

1.1 復(fù)合式火災(zāi)預(yù)警系統(tǒng)設(shè)計(jì)

大量研究表明，感溫探測器的缺陷是靈敏度偏低，對于大多數(shù)火災(zāi)，到了能探測到明顯溫升時，火勢往往已經(jīng)蔓延開了，而感煙探測器則存在煙譜范圍較窄的不足。由于感煙信號和感溫信號具有良好的互補(bǔ)性，如果將兩者結(jié)合起來進(jìn)行火災(zāi)判斷，就可以克服兩者的不足，且相對于其他火災(zāi)信號復(fù)合形式，具有結(jié)構(gòu)簡單、信號直觀、更易于判斷的特點(diǎn)。

支持向量機(jī)技術(shù)是一種專門針對有限樣本情況下，非參數(shù)估計(jì)問題的智能算法，在解決小樣本、非線性及高維模式識別問題中性能優(yōu)越[7—8]，其優(yōu)點(diǎn)在于可以克服“維數(shù)災(zāi)難”和“過學(xué)習(xí)”等傳統(tǒng)算法的不足，目前在國內(nèi)外被廣泛應(yīng)用于各個領(lǐng)域。支持向量機(jī)回歸(SVR)算法是支持向量機(jī)在回歸領(lǐng)域的一種應(yīng)用[9—11]。因此，本文提出一種基于SVR模型的高層建筑感煙-感溫復(fù)合式火災(zāi)智能預(yù)警系統(tǒng)，該系統(tǒng)如圖1所示。

1.2 SVR預(yù)警模型的建立

利用SVR模型進(jìn)行高層建筑火災(zāi)預(yù)警，即將煙度、煙度上升速率、溫度、溫度上升速率4個因素值作為輸入，將明火發(fā)生概率作為輸出，構(gòu)建一個多輸入、單輸出的高層建筑火災(zāi)SVR預(yù)警模型。其基本思路是：將信號輸入值xi(i=1,2,…,n)，映射到一個高維特征空間φ(xi),將原非線性模型轉(zhuǎn)化為特征空間的線性回歸模型：

f(xi)=ωφ(xi)+b

(1)

式中：ω、b為待定參數(shù)。

對式(1)中參數(shù)進(jìn)行處理，有

(2)

根據(jù)支持向量機(jī)基本原理，求解式(2)等價于求解下式的優(yōu)化問題：

(3)

式中：ε為擬合誤差;y為輸出量。

為了便于求解，將式(3)轉(zhuǎn)化為對偶問題，則可得非線性函數(shù)f(x):

(4)

本文選用徑向基核函數(shù)：

(5)

式中：σ為方差。

將式(5)代入式(4)中，經(jīng)過等價交換可得：

f(x) =ωφ(x)+b

(6)

式中：SV為支持向量集；f(x)為輸出向量集。

2 實(shí)證分析

為了驗(yàn)證上述所建立的基于SVR模型的高層建筑火災(zāi)預(yù)警系統(tǒng)的可行性和有效性，本文以文獻(xiàn)[12]中木材火和普通火燃燒標(biāo)準(zhǔn)歷史數(shù)據(jù)為例，將其煙度、煙度上升速率、溫度、溫度上升速率(熱釋放速率)數(shù)值作為SVR模型的輸入，以明火發(fā)生概率值作為輸出，構(gòu)建高層建筑火災(zāi)SVR預(yù)警模型，并進(jìn)行實(shí)證分析。

2.1 木材火實(shí)證分析

對表1中木材火燃燒22組歷史數(shù)據(jù)進(jìn)行研究，將前17組數(shù)據(jù)作為訓(xùn)練樣本，借助Matlab軟件，使用SVMcgForRegress.m函數(shù)進(jìn)行仿真模擬，尋找函數(shù)的最佳參數(shù)c和g，最終得到木材火明火發(fā)生概率的SVR最優(yōu)參數(shù)選擇結(jié)果為c=1，g=0.574 35，誤差MSE為0.005 9。其SVR最優(yōu)參數(shù)選擇3D示意圖如圖2所示。

表1 木材火燃燒標(biāo)準(zhǔn)歷史數(shù)據(jù)[12]

然后將后5組數(shù)據(jù)作為預(yù)測樣本，輸入訓(xùn)練好的SVR預(yù)警模型，則得到木材火明火發(fā)生概率的回歸預(yù)測結(jié)果，見圖3。

由圖3可見，5個樣本點(diǎn)木材火明火發(fā)生概率的回歸預(yù)測值與實(shí)際值完全一致。

2.2 普通火實(shí)證分析

同理，對表2中普通火燃燒25組歷史數(shù)據(jù)進(jìn)行研究，將前20組數(shù)據(jù)作為訓(xùn)練樣本，經(jīng)過仿真模擬，得到普通火明火發(fā)生概率的SVR最優(yōu)參數(shù)選擇結(jié)果為c=0.329 88，g=9.189 6，誤差MSE為0.009 4。其SVR最優(yōu)參數(shù)選擇3D示意圖如圖4所示。

然后將后5組歷史數(shù)據(jù)作為預(yù)測樣本，輸入訓(xùn)練好的SVR預(yù)警模型，則得到普通火明火發(fā)生概率的回歸預(yù)測結(jié)果，見圖5。

表2 普通火燃燒標(biāo)準(zhǔn)歷史數(shù)據(jù)[12]

由圖5可見，5個樣本點(diǎn)普通火明火發(fā)生概率的回歸預(yù)測值與實(shí)際值完全一致。

3 結(jié) 論

本文設(shè)計(jì)提出了一種基于支持向量機(jī)回歸(SVR)模型的復(fù)合式高層建筑火災(zāi)智能預(yù)警系統(tǒng)，并通過木材火和普通火燃燒標(biāo)準(zhǔn)歷史數(shù)據(jù)的實(shí)證分析，驗(yàn)證了所建立的火災(zāi)預(yù)警系統(tǒng)的可行性和可靠性。該研究成果可以推廣到其他相關(guān)領(lǐng)域，如滑坡、瓦斯涌出等，可為決策者提供一種可靠的決策支持系統(tǒng)。但對大樣本、非線性識別問題，該模型還有待進(jìn)一步驗(yàn)證。此外，在核函數(shù)的選取上本文選取的是徑向基函數(shù)，如何選取融合遺傳算法、模糊算法、神經(jīng)網(wǎng)絡(luò)算法等的復(fù)雜核函數(shù)，而使得預(yù)警結(jié)果更加準(zhǔn)確，將是今后進(jìn)一步研究的課題。

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

[2] 厲劍.火災(zāi)探測信號處理算法及其性能評估方法研究[D].大連:大連理工大學(xué),2005.

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

[4] 王殊,竇征.火災(zāi)探測及其信號處理[M].武漢:華中理工大學(xué)出版社，2006.

[5] 張鍵.基于神經(jīng)網(wǎng)絡(luò)算法的火災(zāi)探測系統(tǒng)的研究[J].數(shù)字技術(shù)與應(yīng)用,2013(10):130-132.

[6] 湯群芳.基于模糊神經(jīng)網(wǎng)絡(luò)的火災(zāi)數(shù)據(jù)處理方法的研究[D].長沙:湖南大學(xué),2010.

[7] 張靖巖,藏桂叢,李引擎,等.基于模糊數(shù)學(xué)與集值統(tǒng)計(jì)的既有建筑火災(zāi)危險性評估模型[J].安全與環(huán)境工程,2012,19(5):82-84.

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

[9] 丁世飛,齊丙娟,譚紅艷.支持向量機(jī)理論與算法研究綜述[J].電子科技大學(xué)學(xué)報,2011,40(1):2-7.

[10]薛源,吳建國.基于SVR算法的環(huán)模制粒機(jī)輸出預(yù)測[J].工業(yè)控制計(jì)算機(jī),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,尚雪蓮,韓璞，等.SVR在傳感器故障診斷中的仿真研究[J].系統(tǒng)仿真學(xué)報,2004,16(6):1257-1259.

[13]胡兆杰.基于BP神經(jīng)網(wǎng)絡(luò)和證據(jù)理論融合的火災(zāi)探測信息處理[D].天津:天津理工大學(xué)，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

國家自然科學(xué)基金項(xiàng)目 (11072035) ；中央高?？蒲谢緲I(yè)務(wù)費(fèi)——華北科技學(xué)院基金項(xiàng)目(3142014043)

張立寧(1981—)，男，博士研究生，副教授，主要從事工程安全預(yù)測、控制及評價的理論與方法研究。E-mail:zlining666@163.com

X932

A

10.13578/j.cnki.issn.1671-1556.2015.01.026