基于模糊贝叶斯网络的建筑火灾预警算法研究

言 娟

(江苏城乡建设职业学院 设备工程学院，江苏 常州 213016)

0 引言

建筑火灾事故会给社会生产和民众生活造成严重的负面影响，因此，有效地预防建筑火灾事故是目前建筑安全领域迫切需要解决的问题。构建及时、有效的火灾预警系统对于减缓建筑火灾蔓延态势、降低公共设施及人民财产损失、提高应急处置效果至关重要。在火灾预警系统中，可靠的预警算法起到了关键的作用，其与火灾探测识别率、预警响应耗时、误警率等指标紧密相关。

随着信息技术的发展，火灾预警算法也取得了一定程度的突破。文献[1]中设计了一种基于模糊神经网络与时序模型的火灾预警算法，在建筑物内设计多个采样数据点，然后在前馈神经网络模型中估算各数据点发生火灾的可能性。结合可能性估算结果判断监测指标的变化情况，从而得到发生火灾的概率时序排列，由此完成预警。文献[2]中设计了一种基于大数据分析的火灾预警算法，利用超级计算机运算速度快的优点，快速发现数据中隐含的关系，并识别特征数据，从而实现火灾预警。以上传统算法虽取得了一定的应用效果，但仍存在误警率和漏警偏高等问题。

模糊性贝叶斯网络功能是数据挖掘的一个工具，由于其具有操作简单、应用广泛、结果准确的应用优势，使得其在故障诊断、风险预警和数据挖掘等方面得到了广泛的应用。为此，本文将其应用于建筑火灾预警过程中，设计了基于模糊贝叶斯网络的建筑火灾预警算法，以解决传统算法存在的问题。该算法分为如下两部分：构建火灾预警指标体系，然后结合贝叶斯网络构建事故树模型；将建筑物中待监控的火灾危险因素分为静态和动态两部分，在事故树模型中实现建筑火灾预警。

1 建筑火灾预警算法设计

本文的研究对象为建筑物火灾预警算法。建筑物发生火灾的原因比较复杂，且影响火势和火情的因素也较为复杂，且不同因素间的关联也较为密切。为此，本研究提出了一种基于模糊贝叶斯模型的建筑火灾贝叶斯网络模型，并将城市火灾的影响因素作为贝叶斯网络模型的基本事件来分析。通过对所收集的火灾数据进行统计，计算出各基本时刻的发生概率，实现了建筑物火灾预警。

1.1 设计预警指标体系

火灾预警的关键在于建立全面、准确的火灾风险评估指标[3-5]。为此，本研究通过分析相关的火灾案例，归纳总结出预警指标。

① 2009年2月9日，位于北京市央视新址北侧配楼“文化中心大楼”工程发生火灾，火灾原因为距建筑50米内违章燃放烟花爆竹。该项案例中涉及到了起火指标和临近建筑指标。

② 2013年6月3日，长春市吉林宝源丰禽业有限公司主厂房发生特别重大火灾爆炸事故，造成起火的直接原为主厂房一车间女更衣室西面和毗连的二车间配电室的上部电气线路短路，引燃周围可燃物。当火势蔓延到氨设备和氨管道区域后，高温导致氨设备和氨管道发生物理爆炸，大量氨气泄漏，加剧了火势。该项案例中涉及到了火灾蔓延指标。

③ 1993年8月12日，北京隆福商业大厦旧楼一层礼品柜台处发生火灾，火灾原因为售货员下班后未按规定关灯，致使安装在灯箱内的一只日光灯长时间通电，造成短路，线圈产生的高温引燃固定镇流器的木质材料所致。且消防监控室一名监控员收到报警信号认为是误报，不但没有到现场确认，而且还关闭报警控制主机，使得初起火灾未能发现和及时处置。该项案例中涉及到了火势增长指标。

④ 1994年12月7日新疆克拉玛依友谊馆因舞台上方的照明灯燃着幕布蔓延成灾。现场馆共有7个向室外疏散的出口，演出时两侧和舞台左侧5个出口都被关闭锁死，现场人员不能疏散。该项案例中涉及到了人员疏散指标。

综合上述实例分析，根据建筑物自身的防火、灭火、安全管理和安全疏散等能力，结合建筑物的人员、消防设施及建筑物的具体情况，全面梳理火灾发展各个阶段的主要风险因素，从而建立风险预警指标体系，如图1所示。

图1 建筑火灾风险预警指标体系

1.2 利用贝叶斯网络构建事故树模型

基于上述提出的指标体系，本研究利用贝叶斯网络构建事故树模型。

动态贝叶斯网络的核心是对后验概率进行动态更新，通过对基本事件的后验概率的不断更新，来发现结果事件随时间的共轭变化[11-12]。针对实时数据，提出一种参数动态更新算法，以实现后验概率的动态更新。

动态贝叶斯网络的核心是对后验概率进行动态更新，通过对基本事件的后验概率的不断更新，来发现结果事件随时间的共轭变化。针对实时数据，提出一种参数动态更新算法，以实现后验概率的动态更新。以下是具体步骤：

θ2m-1=θ(1+ε)

(1)

式中，ε代表先验参数的置信度。基于此，确定贝叶斯网络的范围，用极大似然估计法确定了缺乏数据和相关文献的节点。以下是具体步骤。将似然函数转化为对数函数：

H(θ)=InL(θ)

(2)

式中，L(θ)代表θ的似然函数；In代表极大似然估计量。在此基础上，计算先验概率，并明确每一个基本事件对应的父节点，然后对贝叶斯网络进行故障树变换。其条件概率转化关系如图2所示。

图2 贝叶斯网络图条件概率转化关系图

在此基础上，在分析历史火灾记录数据的基础上，本文研究了不同火灾影响变量，并对其展开离散化处理。通过量化火灾发生阶段各数据采集节点以及影响因素的因果关系，构建了一种以火情变化态势为中心思想的风险推理结构，过程如下：

① 准备阶段；

② 识别要分析的火情信息，明确分析范围，以及影响该系统安全性的各种因素；

③ 熟悉系统。此步骤是通过调查，了解我们要研究的系统数据，其中包括其结构、过程及事故类型等；

④ 调查历史发生的事故。通过查阅文献了解国内外发生的类似事故，通常能找到相关领域的网站、杂志和新闻。发生的事越多越好唯有如此，才能使其具有更多参考意义，分析才会更准确[6-8]；

⑤ 在此基础上编制事故树；

⑥ 确定顶点事件。我们所要研究的，就是所谓的顶点事件，我们最后分析的，就是顶点事件；

⑦ 检查所有与top事件相关的原因。逐个找出所有的原因，其中可能包含各种不同的角色环。找到后再进行分析，按因果顺序排列出来，会清晰直观；

⑧ 编制事故树。将顶部事件与起因事件通过逻辑门框连接，绘制事件间因果关系树图。

完成上述步骤，可得事故树结构如图3所示。

图3 事故树结构图

在事故树网络中，事故树变换后，每个节点的状态值通常是两个[9-10]，具体内容见表1。

表1 贝叶斯网络各节点的状态取值

1.3 实现建筑火灾预警

在建立动态贝叶斯网络模型后，结合研究对象的实际情况，认为研究对象范围较大，直接进行分析误差较大，难以操作。为此，本研究把建筑物在日常使用中所需监控的火灾危险因素分为静态和动态两部分。其中，静态变量状态值由物业管理人员一次性输入，在整个建筑物的使用寿命期间没有变化，如建筑物的高度、相邻建筑物之间的防火间距等；而动态参数将发生一系列的变化，需要通过物联网对其进行在线监测和定期采集监测[13-15]。如室内消火栓口静水压力、阀门的开启和关闭等。该系统以一次输入的静态变量和实时动态变量为基础，采用建立的火灾风险评估模型，通过后台计算，可输出火灾、火灾发展、火灾蔓延和火灾烟气蔓延五个阶段对应的火灾风险分指标。假定一个简单的建筑物火险贝叶斯网络，如图4所示。

图4 建筑起火风险评估推理网络结构

图4中，明火和易燃、易爆化学物质是点火源存在的两个原因，根据条件概率分布，影响点火源的存在。在点火源和可燃物已知的情况下，也可得到两者对建筑物火灾状态的影响。在条件概率表中，0表示不存在，而1表示存在。

通过建立起来的贝叶斯网络便可进行建筑火灾可能性计算:

(3)

式中，P(x1,x2,x3,y,z)代表建筑火灾风险要素。

由此公式可求出建筑物的火灾发生概率即建筑物的火灾危险性。综上所述，完成了对基于模糊贝叶斯网络的建筑火灾预警算法的设计。

2 实验对比与结果分析

为验证本研究设计的基于模糊贝叶斯网络的建筑火灾预警算法的综合有效性，设计如下实验。

为增强实验结果的可说明性，有效突出本文算法的有效性，将传统的基于模糊神经网络与时序模型的火灾预警算法、基于大数据分析的火灾预警算法作为对比，与本文算法共同完成性能验证。

此次实验以某酒店为研究对象。该对象是位于某城市商业区黄金地段的一家五星级酒店，总建筑面积为502175 m2，总建筑面积为123014 m2，日人流量在10000人次左右，员工总数量在3000人左右。该酒店为砖混结构，其内部木质装修材料较多，一旦发生火灾，极易产生浓烟，如若不能得到及时控制，火势蔓延态势较快。

2.1 误报率对比

火灾误报率高在很大程度上会影响建筑的安全性，还会增加工作人员的工作压力。因此，以火灾预警结果的误报率为指标，对比本文设计的基于模糊贝叶斯网络的建筑火灾预警算法与两种传统算法的预警结果误报率，结果如图5所示。

图5 不同算法的误报率对比

通过分析图5能够看出，在6次实验过程中，本文算法发生误报的情况较少，其误报率基本保持在2%以下。而两种传统算法的误报情况明显高于本文算法。其中，文献[1]算法的误报率最高可达到22%，文献[2]算法的误报率最高可达到24%。由此可知，本文设计的基于模糊贝叶斯网络的建筑火灾预警算法可准确实现对建筑火情的预警。

2.2 漏报率对比

在此基础上，以火灾预警结果的漏报率为指标，对比本文设计的基于模糊贝叶斯网络的建筑火灾预警算法与两种传统算法的预警结果漏报率，结果如图6所示。

图6 不同算法的漏报率对比

通过分析图6能够看出，在6次实验过程中，本文算法发生漏报的情况较少，其漏报率基本保持在4%以下。而两种传统算法的漏报情况明显高于本文算法。其中，文献[1]算法的漏报率最高可达到20.5%，文献[2]算法的漏报率最高可达到16%。由此可知，本文设计的基于模糊贝叶斯网络的建筑火灾预警算法可全面地实现对建筑火情的预警。

2.3 预警实时性对比

预警实时性是衡量建筑火灾预警效果的一个重要指标。因此，以预警过程耗时为指标，测试本文设计的基于模糊贝叶斯网络的建筑火灾预警算法与两种传统算法的预警实时性，结果如图7所示。

图7 不同算法的预警实时性对比

图7中，白色条形图为实际发生火灾的时间。对比本文算法得到的预警结果与实际发生的时间能够发现，在火灾发生后，本文算法能够在短时间内就感应到火灾信息，而文献[1]算法的预警实时性较差，在火灾发生后，其在2分钟之后才能够发现并发出预警，文献[2]算法的火灾预警方法预警实时性也较差，没有本文算法的预警效果好。

综上所述，本研究设计的基于模糊贝叶斯网络的建筑火灾预警算法比两种传统预警算法的预警效果好。其原因在于本文算法预先量化影响建筑火灾风险的人为管理因素，使安全管理指标体系更具有实用性和可操作性。通过对建筑火灾的各个方面的风险分析，也体现了安全工程的系统性和科学性，并采用了模糊贝叶斯网络进行了建筑火灾预警模型，从而得到了较好的建筑火灾预警效果。

3 结论

(1) 本研究基于模糊贝叶斯网络设计了一种建筑火灾预警算法，该算法首先构建了火灾预警指标体系，然后结合贝叶斯网络构建事故树模型。在此基础上，将建筑物中待监控的火灾危险因素分为静态和动态两部分，在事故树模型实现对建筑火灾的有效预警。本研究还通过实验验证了该算法的有效性。该算法不仅降低了预警结果的误报率和漏报率，还提高了预警的实时性。该算法可以为消防管理人员提供一种新的思路，使建筑物火灾的消防安全管理逐步向先进、科学、可预测的方向发展，促使建筑消防安全管理达到国际先进水平。

(2) 下阶段将着重分析火灾指数和指数之间的相互影响，建立这些因素之间的耦合模型，并探讨它们之间的相互影响，从而使研究结果更加科学、合理，从而为消防管理人员提供更科学、更准确的决策建议。