【摘要】針對現有電氣火災預警技術存在監測功能不夠全面以及智能決策不夠完善等問題，開發了一種新型電氣火災預警系統。首先，使用多個不同類型的單參量采集模塊來采集火情現場數據，再將采集到的數據匯集到參量匯集模塊，完成多參量采集；其次，參量匯集模塊通過兩級制數據傳輸網絡，即ZigBee本地無線通訊和NB-IoT遠程聯網通訊，將火情現場數據上傳至云平臺；*后，云平臺對數據進行相應運算與處理，運用智能識別算法，實現火災預警。基于該系統，可及時預警和提前預判火情現場，減少人員傷亡和財產損失。

【關鍵詞】電氣火災預警，ZigBee,NB-IoT,智能識別算法

0引言

近年來，我國電氣火災多發，造成重大人員傷亡和財產損失。據統計,2020年，因違反電氣安裝使用規定引發的火災共8.5萬起，占總數的33.6%,重特大火災中電氣火災占比高達55.4%，目前，已有一些電氣火災預警問題的相關研究:葉研等研究了基于CAN總線的實驗樓火災預警系統，將數據通過CAN總線發送到控制部分完成數據處理，提高了火災預警系統的可靠性和反饋速度;張夢媛設計了一款基于物聯網技術的無線火災智能預警系統，采用ZigBee協議，利用各傳感器進行檢測，通過蜂窩移動通信技術將火災情況發送至消防站，達到火災預警的目的，于蘭等研究了基于神經網絡技術的電氣火災預警系統，利用BP神經網絡判斷電氣火災是否發生故障，增強了電氣火災系統的預警能力。但當前電氣火災預警系統仍存在一些不足，例如，傳感器采集參數不夠全面，影響評價結果；使用多個不同類型的傳感器采集數據，但這些參量之間部分或全部存在非線性依賴關系，單純通過這些數值進行報警不夠科學智能決策不夠完善等。本文提出一種新型電氣火災預警系統，通過多個參量采集模塊,將采集到的現場火情數據發送給參量匯集模塊；數據傳輸模塊（含ZigBee協調器）接收參量匯集模塊（即ZigBee終端節點）發送的有關數據，再通過NB-IoT模塊將數據上傳給云平臺，由此構成兩級制無線通信物聯網架構。云平臺對傳感器采集到的多個變量參數進行融合分析,建立火災狀態與多變量參數之間的非線性數學模型。基于該模型，根據多變量數據，計算得出火災發生的概率，從而達到預警的目的。

1系統整體設計

系統整體結構如圖1所示，由參量采集模塊、參量匯集模塊、數據傳輸模塊、云平臺及客戶端組成。參量采集模塊負責連接傳感器，感知火情現場;參量匯集模塊負責匯集與上傳火情現場數據；數據傳輸模塊作為通信橋梁，負責參量匯集模塊與云平臺之間的信息傳遞；云平臺則負責運算及處理數據信息，計算得出火災發生的概率，并發送信息至客戶端，客戶端可相應呈現火災預警信息。

2硬件構成

單參量采集模塊、參量匯集模塊硬件構成如圖2所示。火情現場數據的采集由單參量采集模塊和參量匯集模塊共同完成。

參量采集模塊包括傳感器、信號處理電路、MCU,并通過工業標準接口（232、485、I2C、SPI等）與參量匯集模塊連接。根據火情現場情況，選取煙霧、溫度、火焰、電參數（包括入戶母線電壓、電流、有功功率、無功功率或功率因數）等傳感器進行數據采集，經信號處理電路處理后送入MCU,再通過標準接口。根據約定的通訊協議，將火情現場數據傳輸給參量匯集模塊。參量匯集模塊以無線MCU（ZigBee終端節點）為核心。通過標準接口與單參量采集模塊有線連接，接收單參量采集模塊發送的火情現場數據，再通過ZigBee網絡轉發給

ZigBee協調器。數據傳輸模塊結構如圖3所示，主要由ARM微處理器.ZigBee協調器以及NB-IoT模塊組成。

各參量匯集模塊作為ZigBee終端節點加入網絡,ZigBee協調器接收多個參量匯集模塊上傳的火情現場數據。ARM微處理器負責統籌處理數據本地傳輸、遠程傳輸,以及相應的解析及轉換,NB-IoT模塊將火情現場數據等信息遠程發送至云平臺進行處理。

3軟件設計

3.1數據采集

數據采集過程完成對火情現場數據的采集,其軟件流程如圖4所示。

初始化完成后，參量采集模塊需要通過相應的傳感器采集現場數據，處理完相關數據后，將數據傳輸至參量匯集模塊。

3.2數據傳輸

數據傳輸是指將參量匯集模塊接收到的多組火情現場數據上傳至云平臺的過程，其軟件流程如圖5所示。

ZigBee協調器檢測周圍網絡狀態，建立網絡。參量匯集模塊作為終端節點入網后，將數據轉發至ZigBee協調器,協調器接收到上傳的火情現場數據，通過串口通信將數據發送給ARM微處理器,ARM微處理器對數據解析、打包后，由NB-IoT模塊上傳至云平臺完成數據處理，*終實現火災預警。

3.3數據處理

數據處理是指在云平臺對上傳的火情現場數據進行運算與處理的過程，其軟件流程如圖6所示。

云平臺完成初始化后，首先接收火災監測現場的位置以及火情現場數據等信息，運算與處理上傳數據中的多個變量，隨后建立火災現場狀態與多變量參數之間的非線性數學模型。基于該模型，依據采集的多變量數據，通過智能算法計算得出火災發生的概率，然后發送火災預警信息至客戶端。

4智能識別算法

本文提出的火災預警智能識別算法，可融合分析傳感器采集的多個變量，基于半監督學習方法，自動實現變量分類，并通過求解算法,建立火災現場狀態與多變量參數之間的非線性數學模型。基于該模型,依據采集的多變量數據，*后得出火災發生的概率，達到預警的目的。算法包含兩部分。

（1）基于稀疏編碼的結構特征提取方法

其對應的學習網絡結構如圖7所示。

記樣本數量為N,樣本維度為D,則第i個樣本可表示為ai=,則自動編碼器參數訓練的目標為輸出數據接近輸入數據,即

：

式中=為輸入樣本集合狙為相應的輸出值集合。

(2)多類SVM的實現

SVM在解決小樣本、非線性以及高緯模式識別問題中具有優勢，但傳統的SVM僅用于解決兩類分類問題,不能直接用于多類分類。本文采用一對一訓練策略來實現多類SVM的分類，為每類構造一個SVM,通過粒子群(PSO)算法實現對SVM參數的優化,并采用稀疏自編碼器獲取的特征參數訓練多類SVM,從而實現完整的智能識別算法。云平臺對各參量匯集模塊傳來的數據進行智能計算與分析，判斷當前是否有預警發生，若有，云平臺首先通過嵌入式網關的IMEI碼,定位當前發生預警的監測點位置。再通過該監測點對應的ZigBee網絡，定位該監測點區域內發生預警的參量匯集模塊對應的位置。此外，云平臺還可判斷出當前預警的嚴重等級，可保證在多個監測點同時發生預警時，工作人員可根據嚴重等級，合理安排處理順序，云平臺可將這些定位及預警等級信息推送到計算機或智能手機客戶端上，工作人員可接收到推送的預警信息，及時采取相應的處理措施。

5安科瑞電氣火災監控系統

（1）概述

Acre1-6000電氣火災監控系統，是根據中心的消防電子產品試驗認證，并且均通過嚴格的EMC電磁兼容試驗，保證了該系列產品在低壓配電系統中的安全正常運行，現均已批量生產并在全國得到廣泛地應用。該系統通過對剩余電流、過電流、過電壓、溫度和故障電弧等信號的采集與監視，實現對電氣火災的早期預防和報警，當必要時還能聯動切除被檢測到剩余電流、溫度和故障電弧等超標的配電回路;并根據用戶的需求，還可以滿足與AcreIEMS企業微電網管理云平臺或火災自動報警系統等進行數據交換和共享。

（2）應用場合

適用于智能樓宇、高層公寓、賓館、飯店、商廈、工礦企業、國家重點消防單位以及石油化工、文教衛生、金融、電信等領域。

（3）系統結構

（4）系統功能

監控設備能接收多臺探測器的剩余電流、溫度信息，報警時發出聲、光報警信號，同時設備上紅色“報警"指示燈亮，顯示屏指示報警部位及報警類型，記錄報警時間，聲光報警一直保持，直至按設備的“復位"按鈕或觸摸屏的“復位"按鍵遠程對探測器實現復位。對于聲音報警信號也可以使用觸摸屏“消聲"按鍵手動消除

當被監測回路報警時，控制輸出繼電器閉合，用于控制被保護電路或其他設備，當報警消除后，控制輸出繼電器釋放。

通訊故障報警：當監控設備與所接的任一臺探測器之間發生通訊故障或探測器本身發生故障時，監控畫面中相應的探測器顯示故障提示，同時設備上的黃色“故障"指示燈亮，并發出故障報警聲音。電源故障報警：當主電源或備用電源發生故障時，監控設備也發出聲光報警信號并顯示故障信息，可進入相應的界面查看詳細信息并可解除報警聲

當發生剩余電流、超溫報警或通訊、電源故障時，將報警部位、故障信息、報警時間等信息存儲在數據庫中，當報警解除、排除故障時，同樣予以記錄。歷史數據提供多種便捷、快速的查詢方法。

（5）配置方案

6結語

本文利用參量采集模塊采集火情現場數據并上傳至參量匯集模塊，通過ZigBee網絡和NB-IoT模塊將數據上傳至云平臺，云平臺融合分析傳感器采集到的多個變量，并通過求解算法，得出火災發生的概率并將其發送至客戶端，據此提醒工作人員及時采取措施。基于該系統，及時預警火情現場，提前預判。從而減少人員傷亡和財產損失。

參考文獻

[1] 閆傳令，李紅艷.冶山礦業公司“六大系統"的建設及應用[J]. 現代礦業，2014,30(12):186-187.

[2] 張紀飛.煤礦井下自動化供水索統的設計應用[J].山東煤炭科技,2021,39(7)：135-137.

[3] 馬莉.煤礦供水系統優化改造的研究[J].當代化工研究，2021(5) :92-93.

[4] 劉文峰，孟祥忠.煤礦深井多水平恒壓供水系統的研究與應用[J].工業儀表與自動化裝置,2020(4)：25-28+47.

[5] 孫派，吳志強，蘇瑞.礦井供水管網在線監測自控技術研究實踐[J].中小企業管理與科技(下旬刊),2013(4):240.

[6]魏立明，楊坤，陳妍希.建筑電氣火炎預警系統的綜述研究[J]. 吉林建筑大學學報,2017,34(3):112-115.

[7] 藍雄，劉勝永.軸承故障稀疏編碼特征提取與多分類SVM識別[J].機械設計與制造,2020(10):182-186.

[8]周文潮，周子涵，靳沖.基于SVM的變壓器局部放電故障診斷研究[J].鐵路通信信號工程技術,2022,19(S1):137-140.

[9] 范婕，許欣怡，周詩崠等.基于PSO-SVM的天然氣水合物生成條件預測[J].天然氣化工—C1化學與化工,2022,47(5):171-176.

[10]龍興林，俞鑒鋒，劉學勇，方永達.一種新型電氣火災預警系統研究 [A].傳感檢測與儀器儀表.2023(13)-1133

[11] 安科瑞企業微電網設計與應用手冊2022.05版．