《電子技術(shù)應(yīng)用》
您所在的位置：首頁 > 模擬設(shè)計 > 設(shè)計應(yīng)用 > 面向電氣設(shè)施火災(zāi)早期檢測的多模態(tài)融合模型
面向電氣設(shè)施火災(zāi)早期檢測的多模態(tài)融合模型
電子技術(shù)應(yīng)用
潘明明1，王白根2，齊紅濤3，徐子尚1，劉金友3
1.中國電力科學(xué)研究院有限公司；2.國網(wǎng)安徽省電力有限公司安慶供電公司； 3.國網(wǎng)安徽省電力有限公司
摘要： 高層建筑電氣火災(zāi)難以預(yù)測，危害程度大。為此，提出了一種面向高層建筑電氣火災(zāi)早期檢測的多模態(tài)數(shù)據(jù)融合模型，該模型融合了溫度、CO氣體濃度與煙霧三種不同模態(tài)傳感器的數(shù)據(jù)，利用了各模態(tài)間的互補(bǔ)優(yōu)勢。首先使用gMLP捕捉三種模態(tài)數(shù)據(jù)的內(nèi)在模式，完成特征提取。然后利用基于多頭注意力的融合方法，融合不同模態(tài)數(shù)據(jù)間的有效信息，完成特征融合，并識別出存在火情隱患的電氣設(shè)施。通過在無隱患與不同電氣設(shè)施存在火情隱患情況下的多模態(tài)數(shù)據(jù)集上進(jìn)行實驗，證明了多模態(tài)數(shù)據(jù)融合模型的早期預(yù)測具有較高的準(zhǔn)確率，表明了融合方法的優(yōu)越性。
中圖分類號：TP274 文獻(xiàn)標(biāo)志碼：A DOI: 10.16157/j.issn.0258-7998.256563
中文引用格式： 潘明明，王白根，齊紅濤，等. 面向電氣設(shè)施火災(zāi)早期檢測的多模態(tài)融合模型[J]. 電子技術(shù)應(yīng)用，2025，51(6)：10-15.
英文引用格式： Pan Mingming，Wang Baigen，Qi Hongtao，et al. Multi-modal fusion model for early fire detection in electrical facilities[J]. Application of Electronic Technique，2025，51(6)：10-15.
Multi-modal fusion model for early fire detection in electrical facilities
Pan Mingming1，Wang Baigen2，Qi Hongtao3，Xu Zishang1，Liu Jinyou3
1.China Electric Power Research Institute Co.， Ltd.；2.State Grid Anhui Electric Power Co.， Ltd.， Anqing Power Supply Company；3.State Grid Anhui Electric Power Co.， Ltd.
Abstract： Electrical fires in high-rise buildings are difficult to predict and can cause significant damage. To address this issue, this paper proposes a multi-modal data fusion model for early detection of electrical fires in high-rise buildings. The model integrates data from three different types of sensors: temperature, CO gas concentration, and smoke, leveraging the complementary advantages of each modality. Initially, the gated Multi-Layer Perceptron(gMLP) is used to capture the intrinsic patterns of the three modalities' data, facilitating feature extraction. Subsequently, a fusion method based on multi-head attention is employed to merge the effective information from different modalities, achieving feature fusion and identifying electrical facilities with potential fire hazards. Experiments conducted on a multi-modal dataset under scenarios of no hazard and various electrical facilities with potential fire hazards demonstrate that the multi-modal data fusion model achieves high accuracy in early prediction, highlighting the superiority of the fusion approach.
Key words : multi-modal data fusion；gMLP；multi-head attention；fire hazard

引言

隨著經(jīng)濟(jì)社會的日益發(fā)展，高層建筑成為現(xiàn)代化城市的主要建筑結(jié)構(gòu)。伴隨著高層建筑的新建，其火災(zāi)安全風(fēng)險隱患也隨之增加。據(jù)統(tǒng)計，中國每年發(fā)生的電氣火災(zāi)超20萬起，有70%以上的火災(zāi)是電氣火災(zāi)[1]。因此，基于火災(zāi)發(fā)生時的溫度、氣體、煙霧等多模態(tài)數(shù)據(jù)融合分析的高層建筑電氣火災(zāi)早期檢測這一技術(shù)，有利于保護(hù)人民群眾的生命財產(chǎn)安全。

在電力工業(yè)中，多模態(tài)數(shù)據(jù)融合分析常用于診斷電力設(shè)備的故障情況，而鮮有應(yīng)用于消防領(lǐng)域。如文獻(xiàn)[2]提出了一種基于多模態(tài)數(shù)據(jù)融合的變壓器故障診斷方法，構(gòu)建了包含油色譜、文本和振動數(shù)據(jù)的多模態(tài)數(shù)據(jù)集，解決了傳統(tǒng)單模態(tài)診斷方法準(zhǔn)確率低的問題。文獻(xiàn)[3]針對換流站多模態(tài)數(shù)據(jù)缺失值多、輸入輸出向量相似性低的問題，提出了一種基于深度感知模型的解決方案，為換流站設(shè)備的狀態(tài)檢修與運(yùn)維提供了可靠的決策依據(jù)。文獻(xiàn)[4]將多模態(tài)數(shù)據(jù)融合分為網(wǎng)內(nèi)融合和網(wǎng)間融合，分別從數(shù)據(jù)級、特征級和決策級劃分網(wǎng)內(nèi)融合模式，從基于數(shù)學(xué)模型、基于拓?fù)浣Y(jié)構(gòu)和基于數(shù)據(jù)驅(qū)動劃分網(wǎng)間融合模式，并針對多結(jié)構(gòu)融合、多時間尺度融合等關(guān)鍵問題提出了相應(yīng)的技術(shù)路線。文獻(xiàn)[5]構(gòu)建了融合過載倍率、過載時長和熱點(diǎn)溫度的多模態(tài)數(shù)據(jù)分級預(yù)警模型，通過二維預(yù)警線和三維運(yùn)行區(qū)域劃分確定配變的預(yù)警級別，但對溫度維度的劃分較為簡單，且預(yù)警模型的動態(tài)適應(yīng)性不足。文獻(xiàn)[6]提出了一種基于多模態(tài)數(shù)據(jù)融合的方法，提高了風(fēng)電齒輪箱的故障診斷精度和運(yùn)維效率，但應(yīng)用范圍較小，在不同環(huán)境下穩(wěn)定性較差。文獻(xiàn)[7]通過提取時序特征提高檢測準(zhǔn)確性，實驗驗證其優(yōu)于其他多傳感器火災(zāi)檢測模型，但數(shù)據(jù)預(yù)處理簡單，未充分挖掘復(fù)雜時序特征。文獻(xiàn)[8]通過提取時序特征提高檢測準(zhǔn)確性，實驗驗證其優(yōu)于其他多傳感器火災(zāi)檢測模型，但數(shù)據(jù)預(yù)處理簡單，未充分挖掘復(fù)雜時序特征。文獻(xiàn)[9]基于圖像的技術(shù)通過整合視覺信息來識別泄漏的范圍和位置，無需依賴特定傳感器，展現(xiàn)出更強(qiáng)的靈活性與適應(yīng)性。文獻(xiàn)[10]提出了一種名為MMI-Det的多模態(tài)融合方法，用于可見光和紅外圖像的目標(biāo)檢測。實驗表明MMI-Det在多個公開數(shù)據(jù)集上優(yōu)于現(xiàn)有方法，尤其在復(fù)雜場景下表現(xiàn)出色。但其在處理非線性模態(tài)關(guān)系時仍存在一定局限性。文獻(xiàn)[11]提出了一種基于模態(tài)差異感知的漸進(jìn)式多模態(tài)Transformer，逐層了融合視覺和文本信息。文獻(xiàn)[12]開發(fā)了一種基于Transformer架構(gòu)的網(wǎng)絡(luò)流量異常檢測技術(shù)，該技術(shù)利用多模態(tài)注意力編碼器整合分組特征，從而有效識別異常流量。文獻(xiàn)[13]也采用了Transformer模型，成功地將圖像與非圖像數(shù)據(jù)融合應(yīng)用于皮膚病變的多模態(tài)診斷，顯著提高了診斷的精確度。文獻(xiàn)[14]創(chuàng)新性地設(shè)計了一種專為表格數(shù)據(jù)量身打造的Transformer模型，命名為Tab-Transformer。該模型通過創(chuàng)造上下文相關(guān)的嵌入，巧妙地捕捉并表達(dá)了表格數(shù)據(jù)中的復(fù)雜信息。

綜上文獻(xiàn)，缺乏將多模態(tài)數(shù)據(jù)融合分析技術(shù)用于高層建筑電氣火災(zāi)的研究。因此，本文所提出的基于多模態(tài)數(shù)據(jù)融合的高層建筑電氣設(shè)施火災(zāi)早期研究具有現(xiàn)實意義。具體來說，本研究以高層建筑的變壓器室里配備的電氣設(shè)施為研究對象，基于各模態(tài)傳感器采集的數(shù)據(jù)，首先構(gòu)建了包含溫度、CO濃度、煙霧的數(shù)據(jù)集。然后介紹了門控多層感知機(jī)(gated Multi-Layer Perception, gMLP)提取各模態(tài)傳感器的數(shù)據(jù)特征，通過多層感知機(jī)和門控結(jié)構(gòu)，有效處理時序數(shù)據(jù)并提取其中的復(fù)雜特征；然后利用多頭注意力機(jī)制完成多模態(tài)數(shù)據(jù)的特征融合，根據(jù)上述步驟提出多模態(tài)數(shù)據(jù)融合模型。之后，用基于單模態(tài)數(shù)據(jù)的全連接神經(jīng)網(wǎng)絡(luò)(FCNN)模型與多模態(tài)數(shù)據(jù)融合模型進(jìn)行對比實驗，實驗結(jié)果表明，多模態(tài)數(shù)據(jù)融合模型取得了94.83%的準(zhǔn)確率，證明了所提多模態(tài)數(shù)據(jù)融合方法的可行性。


本文詳細(xì)內(nèi)容請下載：

http://m.ihrv.cn/resource/share/2000006555


作者信息：

潘明明1，王白根2，齊紅濤3，徐子尚1，劉金友3

（1.中國電力科學(xué)研究院有限公司，北京 100192；

2.國網(wǎng)安徽省電力有限公司安慶供電公司，安徽 安慶246001；

3.國網(wǎng)安徽省電力有限公司，安徽 合肥230000）


Magazine.Subscription.jpg

此內(nèi)容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權(quán)禁止轉(zhuǎn)載。