通过在模拟和燃烧实验数据集上训练来增强基于深度学习的多参数火灾检测

更智能的火警为何重要

我们大多数人都相信天花板上的烟雾报警器会在发生火情时警告我们。然而，这些简单设备可能漏报缓慢、闷燃的火情——或者在有人烤面包烤糊或扬起灰尘时误响。该研究探讨了一种新的“智能”火灾检测系统，它监测热量和火焰产生的一种关键气体随时间的变化，并用计算机模拟火情与真实实验燃烧数据共同训练其“脑”。目标是实现在应当响应时迅速反应、在不应响时保持沉默的更安静、更可靠的报警器。

当下单一通道报警的局限

传统的家庭和建筑报警器大多依赖烟雾。这对许多火灾有效，但一些以清洁酒精为燃料的火焰即便扩大也几乎不产生烟雾。缓慢燃烧的材料可能仅有微量颗粒。与此同时，淋浴蒸汽或空气中的灰尘会欺骗烟雾传感器，使其无端发出警报。许多现有系统也只监测单一信号，例如仅监测烟雾或某种气体，这使其在日常炉灶、取暖器或排气扇等场景中容易被误导。

同时听取温度与火源气体的信号

研究者关注两种几乎所有火灾都会产生的简单且有力的线索：温度和一氧化碳（CO）。在正常室内条件下，CO 水平很低。材料燃烧时，CO 通常较早且持续上升，即便烟雾稀少，也使其成为强有力的早期警示信号。温度变化更为缓慢，但提供稳定的第二意见，有助于将真实火情与无害的 CO 来源或传感器异常区分开来。通过将多处天花板安装传感器的这两类读数结合，系统不仅能发现明火，还能识别闷燃材料和嘈杂的非火源热量。

在不大量燃烧物品的情况下创造大量火情

训练现代模式识别算法通常需要大量数据。进行数百次全尺度火灾试验代价高昂、耗时且有时危险。为此，团队建立了一个与其实验室舱室在尺寸与传感器布置上相匹配的标准测试房间的详尽计算模型。借助广泛使用的火灾模拟程序，他们创建了十二种虚拟场景，涵盖不同燃料、房间布局、通风和无害热源，并记录每个传感器处温度和 CO 的变化。随后，他们在现实中用液体、塑料、木材和棉花进行了相应的燃烧试验，在不同通风和干扰条件下采集真实传感器数据，以补充模拟数据。

学习引擎如何理解火情

系统核心是一个具有时间感知能力的学习模型，称为门控循环单元（GRU）。GRU 不会将每次传感器读数孤立判断，而是查看短序列——一分种的切片，展示温度与 CO 如何一同上升或下降。在到达这个“脑”之前，原始信号通过简单滤波器提取关键的局部模式并降低噪声。模型的第二部分处理作者所称的领域自适应：它温和地促使来自计算机生成数据与真实实验数据的内部特征对齐，使得从大量模拟中学到的知识在设备面对真实火情时仍能适用。与许多方法不同，分类器本身在两类带标签的数据上共同训练，帮助其学习真实世界中明火、闷燃和安全情况的真实结构。

测试结果显示了什么

当研究者仅用有限的实验数据训练传统 GRU，或仅用模拟数据训练时，其决策准确性明显较低。将两类数据混合但不做任何适配时有所改善，但仍存在太多错误。一旦在 GRU 上加入领域自适应策略，对真实世界测试数据的准确率提升到约 96%，对明火、闷燃事件和非火情况的精确率与召回率均表现良好。模型在加入人工噪声以模拟电气干扰和混杂环境时也表现稳健，即便信号被严重污染，仍保持有用的性能。

对更安全建筑的意义

对普通读者来说，结论是本研究展示了一条实用路径，可通向更灵敏且更具选择性的火警。通过观察热量和关键火源气体随时间的演变，并使用计算机模拟火情安全地扩增训练样本，同时将其与真实测试谨慎对齐，所提系统显著减少了漏报与误报。尽管它仍是研究原型，但该方法为下一代探测器提供了蓝图，未来可在家庭、办公与公共建筑中更早、更可靠地向人们发出警报，同时大幅降低持续错误警报的风险。

引用: Liu, X., Zhang, Q., Zhang, Y. et al. Enhancing deep learning based multi-parameter fire detection by training on simulated and combustion experimental dataset. Sci Rep 16, 10178 (2026). https://doi.org/10.1038/s41598-026-39191-2

关键词: 火灾检测, 一氧化碳传感器, 深度学习, 时间序列分析, 建筑安全