УДК 614.842.435 Автоматические установки для извещения
В статье рассматривается задача прогнозирования ложных срабатываний дымовых пожарных извещателей с использованием рекуррентной нейронной сети. Цель исследования - разработка и тестирование модели, способной на основе временных данных различать истинные и ложные тревоги, что позволит снизить количество ложных вызовов пожарных служб и повысить надёжность систем пожарной безопасности. В рамках работы проведён эксперимент, в ходе которого собраны данные с лазерного датчика и двух извещателей (Н1 и Н2). Разработанная ЛСТМ-модель обучалась на этих данных с использованием последовательностей длиной 50 шагов, а её точность оценивалась с помощью метрик МАЕ, МСЕ, РМСЕ. Результаты показали, что предложенная модель достигает 99,5% точности для Н1 и 99,3% для Н2, что подтверждается низкими значениями ошибок: МАЕ < 0,01, РМСЕ ≈ 0,05. По сравнению с существующими методами (ансамблевые модели, анализ временных рядов), предложенный подход использует исключительно временную динамику сигналов без необходимости в мультисенсорных данных, что делает его эффективным и легко интегрируемым в существующие системы. Полученные результаты подтверждают перспективность для детекции ложных тревог и указывают на возможность дальнейшего улучшения модели за счёт учёта дополнительных факторов (температура, влажность, скорость изменения концентрации дыма) и использования гибридных архитектур (СНН + ЛСТМ)
прогнозирование ложных срабатываний, дымовые пожарные извещатели, лстм, нейронные сети, временные ряды, глубокое обучение, автоматизированные системы пожарной безопасности, точность предсказаний, машинное обучение, обнаружение аномалий
1. Пожары и пожарная безопасность в 2023 году: информационно - аналитический сборник / авторский коллектив: Гончаренко В.С., Чечетина Т.А., Сибирко В.И., Надточий О.В., Полехин П.В., Козлов А.А., Грибанов А.М. рец.: Соколов С.В. - Балашиха: ФГБУ ВНИИПО МЧС России, 2024. - 110 с.
2. Танклевский Л.Т., Бабиков И.А., Танклевский А.Л. Об оценке достоверности обнаружения возгорания // Проблемы управления рисками в техносфере. - 2021. - No 3 (59). - С. 28-33.-EDN. EDN: https://elibrary.ru/JVMNBY
3. Пиреева В.С., Рахматуллина Э.Ф., Пермяков А.В. Влияние концентрации дымовых частиц на обнаружение возгорания // Технические и технологические системы: материалы XV Международной научной конференции "ТТС-24" (20-22 ноября 2024 года) / ФГБОУ ВО "КубГТУ", ФГК ВОУ ВО "КВВАУЛ им. А.К. Серова". Краснодар: Издательский Дом - Юг, 2024. - С.150-153. EDN: https://elibrary.ru/WOUFQO
4. Kim Y., Heo Y., Jin B., Bae Y. Real-Time Fire Classification Models Based on Deep Learning for Building an Intelligent Multi-Sensor System. Fire - 2024, - No 7, p. 329. DOI:https://doi.org/10.3390/fire7090329 EDN: https://elibrary.ru/KEBFKC
5. Liu, Ming & Zhou, Hongbin & Ren, Yupeng & Lu, Wei. (2020). A Deep Learning Approach to Reduce False Alarms for Optical Smoke Detectors. Journal of Physics: Conference Series. 1631. 012032. DOI:https://doi.org/10.1088/1742-6596/1631/1/012032
6. Xu, Fang et al. Embedded Spatial-Temporal Convolutional Neural Network Based on Scattered Light Signals for Fire and Interferential Aerosol Classification. Sensors (Basel, Switzerland) vol. 24,3 0. 25 Jan. 2024,. DOI:https://doi.org/10.3390/s24030778
7. Al-Rayes, M. R. M., Abu-Naser, S. S. Smoke Detectors Using ANN [Электронный ресурс] // International Journal of Academic Engineering Research (IJAER). - 2023. - Т. 7, No 10. - С. 1-9. - Режим доступа: www.ijeais.org/ijaer, свободный.
8. Photoelectric smoke sensing detection method for accurately identifying fire smoke: пат.CN113362560A Китай / Zhang Hongying, Feng Yong, Zhang Guangbiao, Zhang Peng, Wang Jianjun, Lin Yuxin, Zhang Xiaoshuang, Qu Wu, He Guotang, Li Yong, заявитель Bengbu Ei Fire Electronics Co Ltd. - NoCN202110593735.XA, заявл. 28.05.2021, опубл. 07.09.2021. -URL:https://patents.google.com/patent/CN113362560A.
9. National Research Council of Science and Technology.AI sensor cuts false alarms in smoke detectors [Электронный ресурс]//TechXplore. - 2025. - 4 февраля. -URL:https://techXplore.com/news/2025/02-ai-sensor-false-alarms-detectors.html.
10. Рахматуллина Э.Ф., Пермяков А.В., Хафизов И.Ф., Хафизов Ф.Ш. Прогнозирование значений пожарного риска с помощью машинного обучения и анализа временных рядов // Нефтегазовое дело. - 2024. - No 5. - С. 6-20.
11. Рахматуллина Э.Ф., Пермяков А.В. Исследование ложных срабатываний автоматических установок пожарной сигнализации на объектах с массовым пребыванием людей // Материалы 75-й научно - технической конференции студентов, аспирантов и молодых ученых УГНТУ. - Уфа: Издательство УГНТУ, 2024. - С. 82. EDN: https://elibrary.ru/HNOUVO
