城市高層建筑智能火災多感監(jiān)測系統研究

廖小鳳 雷旭

摘? 要： 針對城市高層建筑火災的監(jiān)測困難與預警準確度低的現狀，以ZigBee?WiFi為基礎通信網絡，給出了多感監(jiān)測系統網絡結構與節(jié)點硬件設計。構建基于PSO?ELM的高層建筑智能火災多感監(jiān)測模型，完成了實驗室條件下的PSO?ELM仿真驗證，采用多傳感器的100次實驗數據樣本的訓練對該模型進行分析與測試驗證。仿真結果表明，使用PSO?ELM優(yōu)化算法時能夠提高監(jiān)測計算的速度和準確度，而且降低了訓練樣本數和隱含層節(jié)點數變化對訓練結果的影響，通過實驗仿真得到PSO?ELM的預測結果更接近實際值，而且最大相對誤差只有0.6%，其預測效果優(yōu)于SVR算法和BP神經網絡算法。

關鍵詞： 無線傳感器網絡; 極限學習機; 高層建筑; 多感監(jiān)測; 監(jiān)測模型; 仿真驗證

中圖分類號： TN915?34; TP212? ? ? ? ? ? ? ? ? ? ?文獻標識碼： A? ? ? ? ? ? ? ? ? ? 文章編號： 1004?373X（2019）16?0067?04

0? 引? 言

城市高層建筑不僅是城市進步的標志，也是解決城市日益增多人口居住生活與工作的重要建筑環(huán)境，其安全受到了廣泛關注。高層建筑設計復雜、建筑面積大、居住或者工作人員較多、可燃物多，存在多種安全隱患，一旦發(fā)生火災將會造成巨大的損失[1]。同時隨著現代科技的飛速發(fā)展，火災預警系統也不斷進行優(yōu)化，對系統整體的靈敏度、準確率有了更高的要求。

高層建筑發(fā)生火災具有不確定性、事故的連鎖性、環(huán)境的特殊性等特點[2]，使得火災救援與撲滅存在一定的難度。傳統高層建筑火災報警系統或報警器多分布在建筑物內，布設與后期維護的成本高，升級以及改造線路較難，且存在靈敏度低或通信中斷造成誤報和漏報;在信號處理方面，采取單一傳感器火災監(jiān)測容易受外界電磁干擾火災其他影響因素的干擾產生誤報。因此，針對傳統火災探測報警系統存在的以上缺點，提出了采用多傳感器進行火災數據信息采集，以ZigBee?WiFi技術構成無線網絡進行數據傳輸，使用PSO?ELM建模算法實現數據處理。此系統不僅解決火災監(jiān)測傳感器節(jié)點布設困難、生命周期短以及數據傳輸等問題，也將提高高層建筑火情的預報準確率，有效地降低經濟損失和減少人員傷亡。

1? 無線多傳感器信息采集傳輸系統的設計

1.1? 多感監(jiān)測系統網絡結構

為了能夠實現多傳感器節(jié)點的網絡布設，設計了基于ZigBee?WiFi的火災多感監(jiān)測網絡系統。此系統主要由多傳感器節(jié)點、無線傳輸網絡和數據監(jiān)控中心構成。多傳感器節(jié)點是多種不同類型的傳感器集合，實現采集高層建筑內的溫度、煙霧濃度、O2濃度與燃燒中間產物濃度等。構建ZigBee?WiFi結合的高層建筑內的數據信息傳輸網絡[3]。數據監(jiān)控中心主要對WiFi無線網絡傳輸的數據信息進行處理和存儲，通過給定算法模型計算，依據設定的報警數值進行火情預警?；馂亩喔斜O(jiān)測系統網絡結構布局如圖1所示。

1.2? 多傳感器節(jié)點硬件設計

在ZigBee?WiFi構成的高層建筑火災多感監(jiān)測系統中，多傳感器節(jié)點安裝在墻壁或室內天花板上，既能作為ZigBee路由節(jié)點也能作為終端WiFi傳輸節(jié)點。其高層建筑火災多感監(jiān)測系統的多傳感器節(jié)點由傳感器模塊、電源模塊、微控制器控制模塊及無線通信模塊等構成，具體的節(jié)點硬件結構如圖2所示。

高層建筑火災多感監(jiān)測系統中選擇STM32F103RBT6為系統的控制核心芯片，控制數據采集、傳輸和轉發(fā)等[4]。使用5 V/1 A電源、內置可充電鋰電池（3.7 V）與太陽能供電模塊結合的供電模式。同時，火災發(fā)生早期主要以釋放煙霧和一些氣體為主，因此本文的設計由溫度傳感器、燃燒中間產物傳感器以及氧氣濃度傳感器等構成采集單元。溫度采用紅外非接觸MLX90614ESF傳感器。煙霧濃度測量采用MQ?2傳感器。檢測碳氫化合物燃燒分解產生H2和CO，選取了氫氣傳感器（MQ?K8）和一氧化碳傳感器（TGS5141）。同時檢測建筑物內氧氣濃度選擇氧氣傳感器（O2?A3）。選擇CC2530芯片為ZigBee節(jié)點的核心硬件芯片，選用ATK?ESP8266?V1.2為WiFi模塊，實現對被檢測的高層構筑物火災多感監(jiān)測系統的實時性數據傳輸。

3? 結? 語

本文通過構建高層建筑智能火災多感系統，給出ZigBee?WiFi的無線傳感網絡的布設和多傳感器節(jié)點的硬件結構構成，提出基于PSO?ELM的高層建筑智能火災多感監(jiān)測模型。仿真結果表明，PSO?ELM高層建筑智能火災多感模型具有較好的預測準確率，預測結果更接近實際值，而且最大相對誤差只有0.6%。通過與SVR模型算法和BP神經網絡算法對比，該PSO?ELM高層建筑智能火災多感監(jiān)測模型的訓練速度快且預測精度高，能夠滿足高層建筑智能火災預測的需求。

注：本文通訊作者為雷旭。

參考文獻

[1] 張立寧，安晶，張奇，等.基于SVR的智能建筑火災預警模型設計[J].數學的實踐與認識，2016，46（1）：187?196.

ZHANG Lining， AN Jing， ZHANG Qi， et al. The intelligent building fire pre?warning model design based on SVD [J]. Mathematics in practice and theory， 2016， 46（1）： 187?196.

[2] 曹樹楠，李華，陸軍平，等.高層建筑火災系統脆弱性影響因素分析[J].消防科學與技術，2018，37（8）：1130?1133.

CAO Shunan， LI Hua， LU Junping， et al. Analysis of factors affecting the vulnerability of high?rise building fire system [J]. Fire science and technology， 2018， 37（8）： 1130?1133.

[3] 籍錦程，王峰，李健偉，等.基于ZigBee?WiFi混合網絡的煤礦井下多參數傳感器系統設計[J].中國煤炭，2015（5）：82?85.

JI Jincheng， WANG Feng， LI Jianwei， et al. Design of multi?parameter sensor system for coal mine based on ZigBee?WiFi mixed network [J]. China coal， 2015（5）： 82?85.

[4] OKON?FAFARA Marta， KAWALEC Adam， FAFARA Bartlomiej. Prototype of wideband air sonar based on STM32 [J]. Archives ofacoustics， 2017， 42（4）： 761?765.

[5] HAN F， WANG H， ZHANG G. Texture feature analysis for computer?ai?ded diagnosis on pulmonary nodules [J]. Journal of digital imaging， 2015， 28（1）： 99?115.

[6] BAKHSHIDEHZAD B， HASANVAND H， LOBRY J， et al. Optimal reactive power control of DGs for voltage regulation of MV distribution systems using sensitivity analysis method and PSO algorithm [J]. International journal of electrical power and energy systems， 2015， 68： 52?60.

[7] 葛磊，強彥，張偉.基于POS?ELM的孤立性肺結節(jié)診斷方法研究[J].科學技術與工程，2016，16（36）：55?60.

GE Lei， QIANG Yan， ZHANG Wei. Research on diagnosis of solitary pulmonary nodules based on POS?ELM [J]. Science technology and engineering， 2016， 16（36）： 55?60.

[8] 汪明先，吳建德，王曉東.PSO?ELM的漿體管道臨界淤積流速預測模型研究[J].傳感器與微系統，2017，36（3）：66?69.

WANG Mingxian， WU Jiande， WANG Xiaodong. Study on prediction model of critical deposition velocity in slurry pipeline based on PSO?ELM [J]. Transducer and microsystem technologies， 2017， 36（3）： 66?69.

[9] HORATA P， CHIEWCHANWATTANA S， SUNAT K. Robust extreme learning machine [J]. Neurocomputing， 2013， 102： 31?44.

[10] 王釗，馬叢淦，宋振輝.BUCK/BOOST直流變換器的建模仿真驗證[J].電力安全技術，2018（4）：45?49.

WANG Zhao， MA Conggan， SONG Zhenhui. Modeling and simulation of DC coverters with BUCK/BOOST [J]. Electric safety technology， 2018（4）： 45?49.