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.
引言
隨著經(jīng)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(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[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)診斷方法準確率低的問題。文獻[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)檢修與運維提供了可靠的決策依據(jù)。文獻[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、基于拓撲結(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[5]構(gòu)建了融合過載倍率、過載時長和熱點溫度的多模態(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[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[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(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[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(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[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)出更強的靈活性與適應(yīng)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(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[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(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[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[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，巧妙地捕捉并表達了表格數(shù)據(jù)中的復(fù)雜信息。
綜上文獻，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(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。
本文詳細內(nèi)容請下載：
http://m.jysgc.com/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）
