高校公寓楼火灾风险动态评估技术研究

张媛媛 宋 冰 张国维

高校公寓楼火灾风险动态评估技术研究

张媛媛 宋 冰 张国维

（中国矿业大学）

本文依据高校在安防、消防上建立的物联网系统所获得的动态感知数据，运用深度神经网络计算模型提出一种高校公寓楼火灾风险动态评估技术。通过构建火灾安全风险评估指标体系、建立指标权重集、对消防物联网感知数据缺失进行补偿算法与无量纲化处理，从而建立基于深度神经网络的公寓楼火灾安全风险评估预测模型；并通过计算机学习训练，可实时动态反映出公寓楼火灾风险得分，进而采取相应管控措施。本技术的应用有助于高校公寓楼日常消防安全管理，为学校后勤安全提供了智慧化信息安全服务。

高校公寓楼；物联网；深度神经网络；火灾风险评估

高校公寓楼所涉及的安全风险种类多，其中风险危害大、关注度高的范畴就是火灾风险，已然成为高校后勤管理中的要点、难点、痛点。随着公众对火灾安全的重视，以及物联网、大数据、人工智能、5G等新兴技术的成熟与应用，火灾监测系统、智能控制系统、人脸识别技术、建筑可视化技术等手段被广泛应用于高校建筑的火灾监测与风险预警中，其中火灾风险的智能监测预警必将成为未来发展的趋势。而基于此的消防物联网建设及其火灾风险动态预警系统成为了研究热点。

一、研究背景

高校公寓楼火灾安全风险管控的核心就是“事前预防”，其有效途径是常态化的消防安全监督检查和隐患整改，而进行系统性地火灾风险评估往往被忽视。目前，学者提出的建筑物火灾风险评估技术有约20种，如模糊集理论、德尔菲方法、层次分析法、灰色风险度法、事故树、回归分析、Monte Carlo模拟、核密度估计等火灾风险评估模型。但这些评估模型存在评估样本少、抽样样本时效性不强、评估精度不高、评估过程自动化程度低、评估效率低、评估成本高等问题。[1-2]消防物联网作为已经成熟的技术被广泛应用于高校公寓楼的安全管理中，其中应用最广泛的是基于无线传感技术的公寓火灾智能预警系统，通过布置传感器，实现实时监测气体、温度、烟雾等多种因素，并将监测数据传输至云端进行保存和分析。同时，利用NB-lot和LORA等物联网通讯技术，可降低传感器的能耗和成本，并提升其传输距离和覆盖范围。有效提高消防设施的安全性、可靠性和智能化程度，进一步增强对建筑消防隐患的早发现、早识别、早处理能力。[3-5]所产生海量的物联网感知数据可作为高校公寓火灾风险智能监测预警的重要数据来源。因此，如何利用物联网感知数据、如何运用人工智能技术、基于多源数据分析和决策算法，实现火灾风险的科学评估和预报预警，必将是火灾风险评估技术的发展趋势，也是未来创新校园消防监督检查、消防安全管理、消防设施维保等工作的重要突破口，必将会给校园消防安全工作带来重大变革和机遇。本文利用物联网与深度神经网络的人工智能学习手段，提出了一种高校公寓楼火灾风险动态评估技术。

二、高校公寓楼火灾安全风险评估指标体系与权重集建立

（一）构建火灾安全风险评估指标体系

火灾风险是火灾发生概率与火灾造成损失（严重度）的乘积。因此，公寓楼火灾风险体系的建立应首先考虑公寓楼的起火概率和火灾后建筑本体的控火能力，公寓楼起火概率和火灾后本体的控火能力主要受公寓楼基本特征（如建成年数、建筑高度、建筑面积、内部装修、电气线路、周围环境、火灾荷载、人员荷载、易燃易爆危险品等）、消防管理水平（如消防设施维护保养、应急预案、防火巡查、制度文件、宣传教育、管理人员水平等）以及建筑防灭火设施（如被动防火中的防火间距、耐火等级、防火分区等，主动防火中的火灾报警系统、水灭火系统、建筑防排烟、消防应急照明和疏散指示系统等）的影响。此外，公寓楼的火灾风险还受社会消防救援力量的影响，社会消防救援力量主要包括消防扑救条件、消防给水能力、消防队响应能力以及消防供电能力等方面。因此，公寓楼火灾风险的影响因素可以从建筑特性A1、建筑防火A2、消防管理A3和消防队扑救能力A4四个层面进行辨识。图1为构建的公寓楼火灾风险评估指标体系的基本构架。

图1 公寓楼火灾风险评估指标体系基本构架

（二）建立指标权重集

在建立起公寓楼火灾风险评估指标后，将应用层次分析法得到各指标权重，实现公寓楼火灾安全风险评估指标权重集的建立。层析分析法的基本步骤是首先建立判断矩阵，对于模型中的每一层次，建立一个矩阵，在矩阵中列出各参考因素的“对比尺度”的值并进行两两比较，得到各个参考因素之间的相对重要性。“对比尺度”是指一个因素相对于另一个因素的重要性比值，由专家经验、现场观察或实验数据等多种方式得到，根据所得到的数据建立判断矩阵。[6]按照图1建立的指标体系可划定5个判断矩阵，即A1-A4、B1-B9、B10-B20、B21-B26、B27-B30。然后利用矩阵运算和数学模型计算出各层次因素的权重，得到总目标下各层因素之间的相对权重。最后进行一致性检验，对于每一对比较因素，计算其一致性指标并检验其是否满足一致性。图2为采用1-9标度法进行指标权重的判断。

图2 1-9标度法判断指标权重

三、消防物联网感知数据缺失补偿算法与无量纲化处理

目前，在高校建筑智慧消防应用中，物联网的三层架构包括感知层、网络层和应用服务层。感知层通过感知器件实现建筑特征和消防设备的信息采集，如温度、烟气、明火、人员位置等。这些数据通过数据融合与预处理进行数据分析处理，从而清洗无效数据，筛选重要数据。网络层通过传输将处理后的信息传输至应用层。随着云计算和大数据技术的发展，网络层在数据处理的同时，也可以进行分析、挖掘及可视化等操作。在应用服务层对应用数据进行汇聚并处理分析，实现消防数据的可视化展示、实时监控和预警等功能。例如，基于感知层采集到的数据，在网络层进行处理的基础上，应用层可以生成报警信息、故障信息、消防设备的运行情况状态、维保信息等。

虽然通过消防物联网技术可以快速获得火灾风险评价指标的数值变化情况，但物联网感知到的数据并不能够直接作为火灾风险评价指标的数值，需要进行无量纲化处理。例如，建筑高度18m与消防水池容积18m³具有完全不同的含义。为了将数据转换为可比的数值，以实现数据的可比和可分析性。对于不同的指标数据，需要结合具体情况选择不同的无量纲化方法，从而能够更精准地反映指标对上层指标的影响。基于建筑防火理论基础，并结合相关规范，通过构造指标的归一化评估公式，以此对物联网感知数据进行无量纲处理。例如，物联网系统能够感知建筑消防水箱的水位高度h，消防水箱的截面面积已知为S，则消防水箱的容积为S*h。而一栋建筑内发生火灾的用水量可以通过下式求得。[7]

通过该方法，即建立起消防给水的供给能力与物联网感知数据h的一一对应关系。通过对消防水箱高度h的感知，即可实现对消防给水能力的准确评估。由于评估指标众多，在此不一一赘述。对于物联网不能直接获取的指标数据，可通过人工采集的方式获取，并对采集的数据按照量化规则进行赋值。

由于物联网信息采集过程中可能会出现网络传输不稳定性、传输数据包丢失等问题，导致某一时间或某一时段评估体系内的某项或多项评估指标缺失。针对该问题，可根据不同情况，提出不同的数据补偿方法。对于评估指标数据缺失问题，可采用平均值替代法，通过求建筑某项指标的平均值来对缺失值进行自动补偿。对于某项指标的个别数据缺失问题，可采用插值替代法，通过缺失值前后相邻时间点的数据均值进行自动补偿。

四、基于深度神经网络的公寓楼火灾安全风险评估预测模型

建立基于深度神经网络的公寓楼火灾风险评估预测模型。深度神经网络可以理解为有很多隐藏层的神经网络，又被称为深度前馈网络。[8]深度神经网络的学习方式属于有监督的学习，其训练样本集分为输入和目标输出两部分，以量化处理后的评估指标数据作为训练样本的输入，用权重集数据与评估指标数据加权后的火灾风险评估的赋值作为训练样本的目标输出训练深度神经网络，并通过不断调整模型参数来优化模型，从而得到基于深度神经网络的宿舍楼火灾风险评估预测模型。模型建立过程中将利用90%的样本集开展模型的训练，10%的样本集开展模型的验证。具体流程为：①采集被评估公寓楼三个时间段的指标数据，例，a时段数据a1～a30；②收集专家1～专家n的n个权重集，例，a专家权重集为wa1～wa30；③每组指标数据选取随机权重集做加权和，F=∑ai×wai（i=1～30）；④训练样本的输入即所有指标数据，目标输出即他们一一对应的风险F值；⑤训练以上得到的训练样本，并进一步设计公寓楼火灾风险评估模型的详细参数，如图3。模型建立后，输入评估公寓楼建筑的指标数据即可输出动态评估得分。

图3 深度神经网络训练过程

五、工程应用

现全国多数高等院校根据实际需求建立了可视化大数据平台，本文所提出的基于物联网与深度神经网络的高校公寓楼火灾风险动态评估技术更适宜在可视化平台上进行应用。可视化平台调用神经网络火灾安全风险评估预测模型和公寓楼的物联网感知数据，建立接口数据端，根据表1建立的高校公寓楼火灾风险分级标准及应对措施，可以在平台前端实时动态显示公寓楼火灾风险评分，生成评估报告。其中应对措施可以根据高校实际情况具体分析。图4为高校公寓楼火灾风险动态评估前端平台示意图。

表1 高校公寓楼火灾风险分级及应对措施

图4 高校公寓楼火灾风险动态评估前端平台示意图

图5 深度神经网络模型与传统专家评分法对比结果

为了对比深度神经网络模型与传统专家评分的差异性，验证模型的准确度，本文选取7栋建筑、10位专家进行评分。其中专家的权重是采取了10位专家的均值进行测算。图5为深度神经网络预测模型与传统专家评分法的对比结果。可以看出两者拟合程度较高，说明了深度神经网络模型可以相当于专家的评估能力。另一方面，采用深度神经网络算法进行公寓楼火灾风险动态评估可以避免人为主观因素的影响，使预测评分更趋于真实值，且随着样本的增加和计算模型更加深入的自主学习，预测将更为精准。

利用物联网与深度神经网络的人工智能学习手段，提出的高校公寓楼火灾风险动态评估技术，能够对未来创新校园消防安全管理、监督检查、隐患治理等提供更为有效、科学的支撑。

[1]黄莺. 公共建筑火灾风险评估及安全管理方法研究[D]. 西安: 西安建筑科技大学,2009.

[2]Ai Sekizawa. Fire risk an analysis: its validity and potential for application in fire safety[C]. Fire Safety Science-Proceeding of the Eighth International Symposium, 2005：85-100.

[3]孟涛.如何布局发展智慧信息化消防工作的思考及对策分析[J].中国新通信,2022,24(02): 67- 68.

[4]虞利强, 杨琦, 黄鹏,等. 基于物联网技术的消防给水监测系统构建[J]. 消防科学与技术, 2017,36(7):971-973.

[5]杜永霞. 物联网技术在消防中的应用探讨[J]. 消防科学与技术, 2016(09):1333-1335.

[6]张帅.一种网络化综合评价实验平台的设计及实现[J].现代制造工程,2011,365(02):130-135.

[7]黄俊斌. 基于消防物联网的商业综合体火灾风险指标量化与应用研究[D]. 徐州：中国矿业大学,2021.

[8]魏为民,刘畅,才智等.合成语音检测方法的研究现状及展望[J].上海电力大学学报,2022,38 (01):75-81.

2021-2022年度江苏省高教学会保卫研究会高校安全保卫研究课题“基于物联网与AI技术的高校公寓楼火灾风险动态评估技术研究”（课题编号：20220103）；中国高等教育学会保卫学专业委员会2021年度“高校保卫科学研究”课题资助，基于物联网与DNN深度神经网络的高校宿舍楼火灾风险调查及自评估关键技术研究（课题编号：21BWZD007）。

[责任编辑：杨书元]