廖小凤 雷旭
摘 要： 针对城市高层建筑火灾的监测困难与预警准确度低的现状，以ZigBee?WiFi为基础通信网络，给出了多感监测系统网络结构与节点硬件设计。构建基于PSO?ELM的高层建筑智能火灾多感监测模型，完成了实验室条件下的PSO?ELM仿真验证，采用多传感器的100次实验数据样本的训练对该模型进行分析与测试验证。仿真结果表明，使用PSO?ELM优化算法时能够提高监测计算的速度和准确度，而且降低了训练样本数和隐含层节点数变化对训练结果的影响，通过实验仿真得到PSO?ELM的预测结果更接近实际值，而且最大相对误差只有0.6%，其预测效果优于SVR算法和BP神经网络算法。
关键词： 无线传感器网络; 极限学习机; 高层建筑; 多感监测; 监测模型; 仿真验证
中图分类号： TN915?34; TP212 文献标识码： A 文章编号： 1004?373X（2019）16?0067?04
0 引 言
城市高层建筑不仅是城市进步的标志，也是解决城市日益增多人口居住生活与工作的重要建筑环境，其安全受到了广泛关注。高层建筑设计复杂、建筑面积大、居住或者工作人员较多、可燃物多，存在多种安全隐患，一旦发生火灾将会造成巨大的损失[1]。同时随着现代科技的飞速发展，火灾预警系统也不断进行优化，对系统整体的灵敏度、准确率有了更高的要求。
高层建筑发生火灾具有不确定性、事故的连锁性、环境的特殊性等特点[2]，使得火灾救援与扑灭存在一定的难度。传统高层建筑火灾报警系统或报警器多分布在建筑物内，布设与后期维护的成本高，升级以及改造线路较难，且存在灵敏度低或通信中断造成误报和漏报;在信号处理方面，采取单一传感器火灾监测容易受外界电磁干扰火灾其他影响因素的干扰产生误报。因此，针对传统火灾探测报警系统存在的以上缺点，提出了采用多传感器进行火灾数据信息采集，以ZigBee?WiFi技术构成无线网络进行数据传输，使用PSO?ELM建模算法实现数据处理。此系统不仅解决火灾监测传感器节点布设困难、生命周期短以及数据传输等问题，也将提高高层建筑火情的预报准确率，有效地降低经济损失和减少人员伤亡。
1 无线多传感器信息采集传输系统的设计
1.1 多感监测系统网络结构
为了能够实现多传感器节点的网络布设，设计了基于ZigBee?WiFi的火灾多感监测网络系统。此系统主要由多传感器节点、无线传输网络和数据监控中心构成。多传感器节点是多种不同类型的传感器集合，实现采集高层建筑内的温度、烟雾浓度、O2浓度与燃烧中间产物浓度等。构建ZigBee?WiFi结合的高层建筑内的数据信息传输网络[3]。数据监控中心主要对WiFi无线网络传输的数据信息进行处理和存储，通过给定算法模型计算，依据设定的报警数值进行火情预警。火灾多感监测系统网络结构布局如图1所示。
1.2 多传感器节点硬件设计
在ZigBee?WiFi构成的高层建筑火灾多感监测系统中，多传感器节点安装在墙壁或室内天花板上，既能作为ZigBee路由节点也能作为终端WiFi传输节点。其高层建筑火灾多感监测系统的多传感器节点由传感器模块、电源模块、微控制器控制模块及无线通信模块等构成，具体的节点硬件结构如图2所示。
高层建筑火灾多感监测系统中选择STM32F103RBT6为系统的控制核心芯片，控制数据采集、传输和转发等[4]。使用5 V/1 A电源、内置可充电锂电池（3.7 V）与太阳能供电模块结合的供电模式。同时，火灾发生早期主要以释放烟雾和一些气体为主，因此本文的设计由温度传感器、燃烧中间产物传感器以及氧气浓度传感器等构成采集单元。温度采用红外非接触MLX90614ESF传感器。烟雾浓度测量采用MQ?2传感器。检测碳氢化合物燃烧分解产生H2和CO，选取了氢气传感器（MQ?K8）和一氧化碳传感器（TGS5141）。同时检测建筑物内氧气浓度选择氧气传感器（O2?A3）。选择CC2530芯片为ZigBee节点的核心硬件芯片，选用ATK?ESP8266?V1.2为WiFi模块，实现对被检测的高层构筑物火灾多感监测系统的实时性数据传输。
3 结 语
本文通过构建高层建筑智能火灾多感系统，给出ZigBee?WiFi的无线传感网络的布设和多传感器节点的硬件结构构成，提出基于PSO?ELM的高层建筑智能火灾多感监测模型。仿真结果表明，PSO?ELM高层建筑智能火灾多感模型具有较好的预测准确率，预测结果更接近实际值，而且最大相对误差只有0.6%。通过与SVR模型算法和BP神经网络算法对比，该PSO?ELM高层建筑智能火灾多感监测模型的训练速度快且预测精度高，能够满足高层建筑智能火灾预测的需求。
注：本文通讯作者为雷旭。
参考文献
[1] 张立宁，安晶，张奇，等.基于SVR的智能建筑火灾预警模型设计[J].数学的实践与认识，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] 曹树楠，李华，陆军平，等.高层建筑火灾系统脆弱性影响因素分析[J].消防科学与技术，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] 籍锦程，王峰，李健伟，等.基于ZigBee?WiFi混合网络的煤矿井下多参数传感器系统设计[J].中国煤炭，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，强彦，张伟.基于POS?ELM的孤立性肺结节诊断方法研究[J].科学技术与工程，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，吴建德，王晓东.PSO?ELM的浆体管道临界淤积流速预测模型研究[J].传感器与微系统，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] 王钊，马丛淦，宋振辉.BUCK/BOOST直流变换器的建模仿真验证[J].电力安全技术，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.
