《電子技術應用》
您所在的位置：首頁 > 模拟设计 > 设计应用 > 面向电气设施火灾早期检测的多模态融合模型
面向电气设施火灾早期检测的多模态融合模型
电子技术应用
潘明明1，王白根2，齐红涛3，徐子尚1，刘金友3
1.中国电力科学研究院有限公司；2.国网安徽省电力有限公司安庆供电公司； 3.国网安徽省电力有限公司
摘要： 高层建筑电气火灾难以预测，危害程度大。为此，提出了一种面向高层建筑电气火灾早期检测的多模态数据融合模型，该模型融合了温度、CO气体浓度与烟雾三种不同模态传感器的数据，利用了各模态间的互补优势。首先使用gMLP捕捉三种模态数据的内在模式，完成特征提取。然后利用基于多头注意力的融合方法，融合不同模态数据间的有效信息，完成特征融合，并识别出存在火情隐患的电气设施。通过在无隐患与不同电气设施存在火情隐患情况下的多模态数据集上进行实验，证明了多模态数据融合模型的早期预测具有较高的准确率，表明了融合方法的优越性。
中圖分類號：TP274 文獻標志碼：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. 面向電氣設施火災早期檢測的多模態(tài)融合模型[J]. 電子技術應用，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

隨著經濟社會的日益發(fā)展，高層建筑成為現(xiàn)代化城市的主要建筑結構。伴隨著高層建筑的新建，其火災安全風險隱患也隨之增加。據統(tǒng)計，中國每年發(fā)生的電氣火災超20萬起，有70%以上的火災是電氣火災[1]。因此，基于火災發(fā)生時的溫度、氣體、煙霧等多模態(tài)數據融合分析的高層建筑電氣火災早期檢測這一技術，有利于保護人民群眾的生命財產安全。

在電力工業(yè)中，多模態(tài)數據融合分析常用于診斷電力設備的故障情況，而鮮有應用于消防領域。如文獻[2]提出了一種基于多模態(tài)數據融合的變壓器故障診斷方法，構建了包含油色譜、文本和振動數據的多模態(tài)數據集，解決了傳統(tǒng)單模態(tài)診斷方法準確率低的問題。文獻[3]針對換流站多模態(tài)數據缺失值多、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，為換流站設備的狀態(tài)檢修與運維提供了可靠的決策依據。文獻[4]將多模態(tài)數據融合分為網內融合和網間融合，分別從數據級、特征級和決策級劃分網內融合模式，從基于數學模型、基于拓撲結構和基于數據驅動劃分網間融合模式，并針對多結構融合、多時間尺度融合等關鍵問題提出了相應的技術路線。文獻[5]構建了融合過載倍率、過載時長和熱點溫度的多模態(tài)數據分級預警模型，通過二維預警線和三維運行區(qū)域劃分確定配變的預警級別，但對溫度維度的劃分較為簡單，且預警模型的動態(tài)適應性不足。文獻[6]提出了一種基于多模態(tài)數據融合的方法，提高了風電齒輪箱的故障診斷精度和運維效率，但應用范圍較小，在不同環(huán)境下穩(wěn)定性較差。文獻[7]通過提取時序特征提高檢測準確性，實驗驗證其優(yōu)于其他多傳感器火災檢測模型，但數據預處理簡單，未充分挖掘復雜時序特征。文獻[8]通過提取時序特征提高檢測準確性，實驗驗證其優(yōu)于其他多傳感器火災檢測模型，但數據預處理簡單，未充分挖掘復雜時序特征。文獻[9]基于圖像的技術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)出更強的靈活性與適應性。文獻[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檢測。實驗表明MMI-Det在多個公開數據集上優(yōu)于現(xiàn)有方法，尤其在復雜場景下表現(xiàn)出色。但其在處理非線性模態(tài)關系時仍存在一定局限性。文獻[11]提出了一種基于模態(tài)差異感知的漸進式多模態(tài)Transformer，逐層了融合視覺和文本信息。文獻[12]開發(fā)了一種基于Transformer架構的網絡流量異常檢測技術，該技術利用多模態(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[13]也采用了Transformer模型，成功地將圖像與非圖像數據融合應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[14]創(chuàng)新性地設計了一種專為表格數據量身打造的Transformer模型，命名為Tab-Transformer。該模型通過創(chuàng)造上下文相關的嵌入，巧妙地捕捉并表達了表格數據中的復雜信息。

綜上文獻，缺乏將多模態(tài)數據融合分析技術用于高層建筑電氣火災的研究。因此，本文所提出的基于多模態(tài)數據融合的高層建筑電氣設施火災早期研究具有現(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施為研究對象，基于各模態(tài)傳感器采集的數據，首先構建了包含溫度、CO濃度、煙霧的數據集。然后介紹了門控多層感知機(gated Multi-Layer Perception, gMLP)提取各模態(tài)傳感器的數據特征，通過多層感知機和門控結構，有效處理時序數據并提取其中的復雜特征；然后利用多頭注意力機制完成多模態(tài)數據的特征融合，根據上述步驟提出多模態(tài)數據融合模型。之后，用基于單模態(tài)數據的全連接神經網絡(FCNN)模型與多模態(tài)數據融合模型進行對比實驗，實驗結果表明，多模態(tài)數據融合模型取得了94.83%的準確率，證明了所提多模態(tài)數據融合方法的可行性。


本文詳細內容請下載：

http://www.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.中國電力科學研究院有限公司，北京 100192；

2.國網安徽省電力有限公司安慶供電公司，安徽 安慶246001；

3.國網安徽省電力有限公司，安徽 合肥230000）


Magazine.Subscription.jpg

此內容為AET網站原創(chuàng)，未經授權禁止轉載。