关于一种新型-安科瑞电气火灾预警系统的研究

【摘要】针对现有电气火灾预警技术存在监测功能不够全面以及智能决策不够完善等问题，开发了一种新型电气火灾预警系统。使用多个不同类型的单参量采集模块来采集火情现场数据，再将采集到的数据汇集到参量汇集模块，完成多参量采集；参量汇集模块通过两级制数据传输网络，即ZigBee本地无线通讯和NB-IoT远程联网通讯，将火情现场数据上传至云平台；*后，云平台对数据进行相应运算与处理，运用智能识别算法，实现火灾预警。基于该系统，可及时预警和提前预判火情现场，减少人员伤亡和财产损失。

【关键词】电气火灾预警，ZigBee,NB-IoT,智能识别算法

0引言

近年来，我国电气火灾多发，造成重大人员伤亡和财产损失。据统计,2020年，因违反电气安装使用规定引发的火灾共8.5万起，占总数的33.6%,重特大火灾中电气火灾占比高达55.4%，目前，已有一些电气火灾预警问题的相关研究:叶研等研究了基于CAN总线的实验楼火灾预警系统，将数据通过CAN总线发送到控制部分完成数据处理，提高了火灾预警系统的可靠性和反馈速度;张梦媛设计了一款基于物联网技术的无线火灾智能预警系统，采用ZigBee协议，利用各传感器进行检测，通过蜂窝移动通信技术将火灾情况发送至消防站，达到火灾预警的目的，于兰等研究了基于神经网络技术的电气火灾预警系统，利用BP神经网络判断电气火灾是否发生故障，增强了电气火灾系统的预警能力。但当前电气火灾预警系统仍存在一些不足，例如，传感器采集参数不够全面，影响评价结果；使用多个不同类型的传感器采集数据，但这些参量之间部分或全部存在非线性依赖关系，单纯通过这些数值的判决进行报警不够科学智能决策不够完善等。本文提出一种新型电气火灾预警系统，通过多个参量采集模块,将采集到的现场火情数据发送给参量汇集模块；数据传输模块（含ZigBee协调器）接收参量汇集模块（即ZigBee终端节点）发送的有关数据，再通过NB-IoT模块将数据上传给云平台，由此构成两级制无线通信物联网架构。云平台对传感器采集到的多个变量参数进行融合分析,建立火灾状态与多变量参数之间的非线性数学模型。基于该模型，根据多变量数据，计算得出火灾发生的概率，从而达到预警的目的。

1系统整体设计

系统整体结构如图1所示，由参量采集模块、参量汇集模块、数据传输模块、云平台及客户端组成。参量采集模块负责连接传感器，感知火情现场;参量汇集模块负责汇集与上传火情现场数据；数据传输模块作为通信桥梁，负责参量汇集模块与云平台之间的信息传递；云平台则负责运算及处理数据信息，计算得出火灾发生的概率，并发送信息至客户端，客户端可相应呈现火灾预警信息。

2硬件构成

单参量采集模块、参量汇集模块硬件构成如图2所示。火情现场数据的采集由单参量采集模块和参量汇集模块共同完成。

参量采集模块包括传感器、信号处理电路、MCU,并通过工业标准接口（232、485、I2C、SPI等）与参量汇集模块连接。根据火情现场情况，选取烟雾、温度、火焰、电参数（包括入户母线电压、电流、有功功率、无功功率或功率因数）等传感器进行数据采集，经信号处理电路处理后送入MCU,再通过标准接口。根据约定的通讯协议，将火情现场数据传输给参量汇集模块。参量汇集模块以无线MCU（ZigBee终端节点）为核心。通过标准接口与单参量采集模块有线连接，接收单参量采集模块发送的火情现场数据，再通过ZigBee网络转发给

ZigBee协调器。数据传输模块结构如图3所示，主要由ARM微处理器.ZigBee协调器以及NB-IoT模块组成。

各参量汇集模块作为ZigBee终端节点加入网络,ZigBee协调器接收多个参量汇集模块上传的火情现场数据。ARM微处理器负责统筹处理数据本地传输、远程传输,以及相应的解析及转换,NB-IoT模块将火情现场数据等信息远程发送至云平台进行处理。

3软件设计

3.1数据采集

数据采集过程完成对火情现场数据的采集,其软件流程如图4所示。

初始化完成后，参量采集模块需要通过相应的传感器采集现场数据，处理完相关数据后，将数据传输至参量汇集模块。

3.2数据传输

数据传输是指将参量汇集模块接收到的多组火情现场数据上传至云平台的过程，其软件流程如图5所示。

ZigBee协调器检测周围网络状态，建立网络。参量汇集模块作为终端节点入网后，将数据转发至ZigBee协调器,协调器接收到上传的火情现场数据，通过串口通信将数据发送给ARM微处理器,ARM微处理器对数据解析、打包后，由NB-IoT模块上传至云平台完成数据处理，*终实现火灾预警。

3.3数据处理

数据处理是指在云平台对上传的火情现场数据进行运算与处理的过程，其软件流程如图6所示。

云平台完成初始化后，接收火灾监测现场的位置以及火情现场数据等信息，运算与处理上传数据中的多个变量，随后建立火灾现场状态与多变量参数之间的非线性数学模型。基于该模型，依据采集的多变量数据，通过智能算法计算得出火灾发生的概率，发送火灾预警信息至客户端。

4智能识别算法

本文提出的火灾预警智能识别算法，可融合分析传感器采集的多个变量，基于半监督学习方法，自动实现变量分类，并通过求解算法,建立火灾现场状态与多变量参数之间的非线性数学模型。基于该模型,依据采集的多变量数据，*后得出火灾发生的概率，达到预警的目的。算法包含两部分。

（1）基于稀疏编码的结构特征提取方法

其对应的学习网络结构如图7所示。

记样本数量为N,样本维度为D,则第i个样本可表示为ai={ai1,ai2,......aid},则自动编码器参数训练的目标为输出数据接近输入数据,即

：

式中=为输入样本集合狙为相应的输出值集合。

(2)多类SVM的实现

SVM在解决小样本、非线性以及高纬模式识别问题中具有优势，但传统的SVM仅用于解决两类分类问题,不能直接用于多类分类。本文采用一对一训练策略来实现多类SVM的分类，为每类构造一个SVM,通过粒子群(PSO)算法实现对SVM参数的优化,并采用稀疏自编码器获取的特征参数训练多类SVM,从而实现完整的智能识别算法。云平台对各参量汇集模块传来的数据进行智能计算与分析，判断当前是否有预警发生，若有，云平台通过嵌入式网关的IMEI码,定位当前发生预警的监测点位置。再通过该监测点对应的ZigBee网络，定位该监测点区域内发生预警的参量汇集模块对应的位置。云平台还可判断出当前预警的严重等级，可保证在多个监测点发生预警时，工作人员可根据严重等级，合理安排处理顺序，云平台可将这些定位及预警等级信息推送到计算机或智能手机客户端上，工作人员可接收到推送的预警信息，及时采取相应的处理措施。

5安科瑞电气火灾监控系统

（1）概述

Acre1-6000电气火灾监控系统，是根据中心的消防电子产品试验认证，并且均通过严格的EMC电磁兼容试验，保证了该系列产品在低压配电系统中的安全正常运行，现均已批量生产并在全国得到广泛地应用。该系统通过对剩余电流、过电流、过电压、温度和故障电弧等信号的采集与监视，实现对电气火灾的早期预防和报警，当必要时还能联动切除被检测到剩余电流、温度和故障电弧等超标的配电回路;并根据用户的需求，还可以满足与AcreIEMS企业微电网管理云平台或火灾自动报警系统等进行数据交换和共享。

（2）应用场合

适用于智能楼宇、高层公寓、宾馆、饭店、商厦、工矿企业、国家重点消防单位以及石油化工、文教卫生、金融、电信等领域。

（3）系统结构

（4）系统功能

监控设备能接收多台探测器的剩余电流、温度信息，报警时发出声、光报警信号，设备上红色“报警”指示灯亮，显示屏指示报警部位及报警类型，记录报警时间，声光报警一直保持，直至按设备的“复位”按钮或触摸屏的“复位”按键远程对探测器实现复位。对于声音报警信号也可以使用触摸屏“消声”按键手动消除

当被监测回路报警时，控制输出继电器闭合，用于控制被保护电路或其他设备，当报警消除后，控制输出继电器释放。

通讯故障报警：当监控设备与所接的任一台探测器之间发生通讯故障或探测器本身发生故障时，监控画面中相应的探测器显示故障提示，设备上的黄色“故障”指示灯亮，并发出故障报警声音。电源故障报警：当主电源或备用电源发生故障时，监控设备也发出声光报警信号并显示故障信息，可进入相应的界面查看详细信息并可解除报警声

当发生剩余电流、超温报警或通讯、电源故障时，将报警部位、故障信息、报警时间等信息存储在数据库中，当报警解除、排除故障时，同样予以记录。历史数据提供多种便捷、快速的查询方法。

（5）配置方案

6结语

本文利用参量采集模块采集火情现场数据并上传至参量汇集模块，通过ZigBee网络和NB-IoT模块将数据上传至云平台，云平台融合分析传感器采集到的多个变量，并通过求解算法，得出火灾发生的概率并将其发送至客户端，据此提醒工作人员及时采取措施。基于该系统，及时预警火情现场，提前预判。从而减少人员伤亡和财产损失。

参考文献

[1] 闫传令，李红艳.冶山矿业公司“六大系统”的建设及应用[J]. 现代矿业，2014,30(12):186-187.

[2] 张纪飞.煤矿井下自动化供水索统的设计应用[J].山东煤炭科技,2021,39(7)：135-137.

[3] 马莉.煤矿供水系统优化改造的研究[J].当代化工研究，2021(5) :92-93.

[4] 刘文峰，孟祥忠.煤矿深井多水平恒压供水系统的研究与应用[J].工业仪表与自动化装置,2020(4)：25-28+47.

[5] 孙派，吴志强，苏瑞.矿井供水管网在线监测自控技术研究实践[J].中小企业管理与科技(下旬刊),2013(4):240.

[6]魏立明，杨坤，陈妍希.建筑电气火炎预警系统的综述研究[J]. 吉林建筑大学学报,2017,34(3):112-115.

[7] 蓝雄，刘胜永.轴承故障稀疏编码特征提取与多分类SVM识别[J].机械设计与制造,2020(10):182-186.

[8]周文潮，周子涵，靳冲.基于SVM的变压器局部放电故障诊断研究[J].铁路通信信号工程技术,2022,19(S1):137-140.

[9]范婕，许欣怡，周诗岽等.基于PSO-SVM的天然气水合物生成条件预测[J].天然气化工—C1化学与化工,2022,47(5):171-176.

[10]龙兴林，俞鉴锋，刘学勇，方永达.一种新型电气火灾预警系统研究 [A].传感检测与仪器仪表.2023(13)-1133

[11] 安科瑞企业微电网设计与应用手册2022.05版．