基于网格的古代建筑火灾预警与定位系统研究

《Emergency Management Science and Technology》：Research on grid-based fire warning and positioning system for ancient buildings

　　

研究人员设计了一种基于ZigBee无线传感器网络（Wireless Sensor Network, WSN）的网格系统用于预警和定位功能，以解决古建筑火灾探测器早期预警和故障区域定位的难题。该系统包括ZigBee无线传感器网络（ZigBee WSN）设计和异常区域定位算法，其中终端节点收集数据并将其传输到上位机进行预警和定位。以剩余电流（residual current）电气火灾探测器为例进行了实验，实验结果表明该系统能够实现古建筑的剩余电流预警和异常区域定位。

**论文解读：基于网格的古代建筑火灾预警与定位系统研究**

### 研究背景、问题与意义

古代建筑（如木结构宫殿、寺庙等）因其历史和文化价值，对火灾防控有极高要求，但现有系统存在显著缺陷。首先，大多数现有火灾预警系统采用总线式有线通信，布线复杂、改造困难、可移动性差，且通常使用固定阈值报警算法，容易受自然环境和室内环境干扰，导致误报和漏报率高。其次，古代建筑多为木结构，耐火等级低，且受文物保护要求严格限制大规模布线；其内部空间封闭、梁柱密集，导致无线信号衰减严重；同时，温度和湿度波动大，固定阈值预警难以适应。此外，庭院式布局和隐蔽电路使得故障定位极其困难，缺乏高精度定位功能。古代建筑内分散的照明、监控等电气负载容易产生微小剩余电流，对监测精度要求远高于现代建筑。现有研究多针对现代建筑、景区或农村电网等一般场景，未考虑古代建筑的独特约束，且普遍缺乏自适应无线组网、动态阈值预警和网格化区域管理的一体化设计。为此，本文设计了一种基于ZigBee无线传感器网络的网格化火灾预警与定位系统，重点针对剩余电流型电气火灾检测展开研究。论文发表在《Emergency Management Science and Technology》，该工作填补了古代建筑火灾预警与定位领域的关键空白，具有重要的实际应用意义。

### 主要关键技术方法

研究人员采用的关键技术方法包括：
1. **ZigBee无线传感器网络**：利用ZigBee技术进行多节点分布式监测和数据传输，满足古代建筑无大规模布线和多节点覆盖的要求。
2. **改进的高斯滤波算法**：对采集到的接收信号强度指示（Received Signal Strength Indication, RSSI）值进行预处理，先进行高斯滤波选取区间(μ?1.28σ, μ+1.28σ)内的值（概率0.8），再根据最大频率分布RSSI值作为阈值去除较小数据，最后计算剩余数据的均值，以降低信号波动。
3. **混合定位算法**：结合最大似然估计（Maximum Likelihood Estimation, MLE）与改进加权质心定位（Weighted Centroid Localization, WCL）进行两步定位：首先利用MLE计算多个粗坐标，再用WCL进行加权融合，加权系数基于各粗坐标与质心的距离倒数。
4. **动态报警阈值算法**：基于滑动窗口（Sliding Window）思想，实时更新自然剩余电流（Ina），报警阈值采用自然剩余电流加安全阈值（Ith = Ina + Isa）的形式，以适应电路残余电流的持续波动。

研究未涉及试剂、培养或质粒构建步骤，也无样本队列来源。

### 研究结果（保留各小标题）

**系统架构设计**：将整个电气火灾预警与定位系统分为感知层、网络层和应用层三层。终端节点（ZigBee终端）采集剩余电流和线路温度等数据，通过协调器（Coordinator）传输至上位机管理系统，上位机负责数据可视化、存储和定位。

**检测电路**：设计了一种剩余电流检测电路，利用LM358运算放大器进行全波整流和放大。当剩余电流信号正向输入时，通过D12导通、U11.2反相放大与U11.1同相放大组合，输出为原始信号10倍；反向输入时则通过D11导通、R5通路至U11.1反相放大，同样输出10倍信号。最终信号经R29接入微控制器的ADC接口。实验展示了整流前后的波形变化。

**动态报警阈值**：采用滑动窗口算法实时更新自然剩余电流（Ina）。在无报警状态下，采集预设时间窗口内的剩余电流信号，统计设定初始报警阈值（Ith = Ina + Isa）。随着时间推移，窗口向右滑动，丢弃最旧数据并加入最新数据，持续更新阈值，从而避免固定阈值带来的误报和漏报问题。

**终端节点定位算法**：选用基于RSSI的测距定位方法，因其功耗低、成本低、传输距离长。采用对数-正态分布损耗模型（Log-normal Distribution Loss Model）将RSSI转换为距离：P(d) = P(d0) ? 10n lg(d/d0) + λδ，其中n为路径衰减系数，λδ为高斯噪声。

**改进的高斯滤波算法**：对50组RSSI原始数据进行滤波优化后，保留33组有效数据。优化后RSSI数据方差从5.9311 m2降至2.0426 m2，信噪比（Signal-to-Noise Ratio, SNR）从26.25 dB提升至30.88 dB，表明滤波效果显著降低了信号波动。

**混合定位算法**：提出两步定位法。第一步，在未知节点通信范围内选取前m个RSSI值最大的信标节点，通过RSSI测距模型计算距离，用最大似然估计得到m个粗糙坐标。第二步，利用加权质心定位，各坐标的权重为wix = 1/|xi ? x?| + δ，wiy = 1/|yi ? ?| + δ（δ=0.01防零），最终计算质心坐标。Python仿真实验在20 m×20 m正方形区域内进行，设置4个信标节点（顶点坐标(0,0)、(0,10)、(10,10)、(10,0)），随机生成20个未知节点，噪声方差设为5，参考点信号强度?40.55 dBm，路径衰减系数1.95。结果显示，最大似然估计平均定位误差为1.65 m，而混合定位算法平均误差为0.56 m，定位精度显著提升。进一步实验表明，信标节点间距越大，定位精度越低；RSSI采集次数越多，定位精度越高（例如间距10 m时，采集20次误差0.97 m，80次误差0.57 m；间距20 m时，采集50次误差0.77 m，110次误差0.56 m）。

**系统编程**：包括三部分程序设计。
- **剩余电流检测程序**：ZigBee终端节点初始化后，每周期对ADC接口采样24次，用均方根法计算剩余电流有效值；若超过阈值则向上位机发送报警消息，上位机采用动态阈值算法进一步判断。
- **定位程序**：终端节点加入ZigBee网络后，向周围广播信标节点发送定位请求，获取至少3个信标节点信息后记录RSSI值，经改进高斯滤波处理后发送至上位机，上位机利用混合定位算法估算坐标。
- **协调器节点程序**：协调器负责建立网络、监听无线状态，将节点地址加入地址表，转发网络拓扑至主机，并收集余电流和温度数据。

**系统应用**：上位机基于MHMapGIS（地理信息系统GIS）实现对古建筑网格的预警信息显示，经测试，系统能够实现剩余电流预警和异常区域定位。

### 讨论与结论总结

讨论部分指出本研究的局限性：定位精度受古建筑墙体密度影响，当节点信号穿过多个梁柱时定位误差略有增大；系统仅针对剩余电流型电气火灾，未集成烟雾、火焰等多参数监测；现场测试仅在一个单院落古建筑中进行，未验证大型古建筑集群下的组网扩展性。针对这些局限，作者提出三个优化方向：引入多径衰落补偿模型以校正墙体造成的RSSI衰减，提高复杂环境定位精度；集成烟雾、温度、火焰传感器构建多参数融合火灾预警模型，降低单参数监测的误报率；结合LoRa与ZigBee组网实现大型古建筑集群的广域监测，并开发移动预警终端以便现场人员实时接收报警信息。

**研究结论**：以变频负载泄漏为例，本文应用ZigBee无线传感器网络于古建筑网格监控系统，通过ZigBee终端节点对线路剩余电流进行监测和预警，实现了古建筑内漏电故障的网格化管理，具有以下实际意义：（1）ZigBee技术与网格管理信息技术在变频负载漏电故障监测系统中的应用，实现了剩余电流的准确监测；（2）利用RSSI定位算法实现了终端节点定位功能；针对测距阶段误差，提出改进高斯滤波方法进行预处理，并进一步提出混合定位算法；仿真实验中平均定位误差为0.56 m，并测试了不同信标节点数量、间距及RSSI采集次数下混合算法的定位精度。