第四章：火灾探测算法基础
各位同学好，我是老张。今天咱们聊聊火灾探测算法。说实话，这部分内容是我在储能项目里花时间最多的环节之一。你想想看，一个误报可能让整个电站停摆，一个漏报可能造成灾难性后果。所以探测算法，就是整个消防系统的眼睛和耳朵。
我个人习惯把火灾探测算法分成四个层次：从最简单的阈值判断，到趋势分析，再到多传感器融合，最后是机器学习。咱们一层层往上走。
4.1 阈值判断法
阈值判断法，说白了就是设个警戒线。比如温度超过60℃就报警，或者烟雾浓度超过某个值就触发。这是最基础的方法，也是我最早接触的方法。
我在项目中遇到过一个问题：单纯用固定阈值，夏天高温天气经常误报。后来我加了个动态阈值，根据环境温度自动调整报警线。嗯，这里要注意，阈值不能设得太死板。
核心思路：设定一个或多个参数的临界值，当传感器读数超过该值时触发报警。
举个例子，温度阈值判断的伪代码：
def temperature_threshold(temp_value, threshold=60):
if temp_value > threshold:
return "报警"
else:
return "正常"但这种方法有个致命缺陷——容易受环境干扰。我曾经在一个项目里，因为通风管道刚好对着传感器，导致温度一直偏高，系统频繁误报。后来我加了延时判断，连续3秒超过阈值才报警，效果好了很多。
注意：阈值判断法只适用于单一、稳定的环境。在储能舱这种温度变化大的场景，建议配合其他方法使用。
4.2 趋势分析法
趋势分析法，就是看数据的变化速度。比如温度在10秒内上升了5℃，这比单纯看温度值更有意义。你想想看，一个缓慢升温可能只是设备正常发热，但快速升温往往意味着热失控。
我建议用滑动窗口来计算变化率。比如取最近10个采样点，计算它们的斜率。如果斜率超过某个值，就判定为异常。
def trend_analysis(data_window):
# data_window 是最近N个采样点的列表
if len(data_window) < 2:
return "数据不足"
# 计算变化率（简单线性回归）
x = list(range(len(data_window)))
y = data_window
slope = (len(x)*sum(x[i]*y[i] for i in range(len(x))) - sum(x)*sum(y)) / \
(len(x)*sum(x[i]**2 for i in range(len(x))) - sum(x)**2)
if slope > 0.5: # 每采样周期上升0.5个单位
return "快速上升，报警"
else:
return "正常"我记得有一次做储能柜测试，温度传感器显示45℃，看起来正常。但趋势分析发现，过去30秒温度上升了8℃。我立刻判断是电池热失控前兆，及时切断了回路。事后检查，确实有一颗电芯内部短路了。
经验之谈：趋势分析的关键是窗口大小。窗口太小容易误报，窗口太大反应太慢。我一般建议储能系统用5-10秒的窗口。
4.3 多传感器融合算法
单一传感器总有盲区。比如烟雾传感器可能被气流吹偏，温度传感器可能被遮挡。多传感器融合，就是把温度、烟雾、气体、火焰等信号综合起来判断。
我个人比较喜欢用加权投票法。每个传感器有自己的权重，比如温度传感器权重0.3，烟雾传感器权重0.4，气体传感器权重0.3。当综合得分超过阈值时触发报警。
def multi_sensor_fusion(temp, smoke, gas):
# 各传感器归一化到0-1
temp_score = min(temp / 100, 1.0)
smoke_score = min(smoke / 500, 1.0)
gas_score = min(gas / 200, 1.0)
# 加权融合
weights = [0.3, 0.4, 0.3]
total_score = temp_score*weights[0] + smoke_score*weights[1] + gas_score*weights[2]
if total_score > 0.6:
return "报警", total_score
else:
return "正常", total_score这里有个坑——传感器之间的时间同步。我曾经因为温度传感器和烟雾传感器的采样频率不同，导致融合结果出现偏差。后来我统一了采样周期，并且做了时间戳对齐。
多传感器融合的优势：降低误报率，提高可靠性。单一传感器可能被欺骗，但多个传感器同时出错的概率极低。
4.4 机器学习初探
机器学习，说白了就是让算法自己学习什么情况下会着火。我们不需要手动设定阈值，而是用历史数据训练模型，让模型自动识别火灾前兆。
我建议初学者从简单的分类模型开始，比如逻辑回归或决策树。下面是一个用随机森林做火灾检测的示例：
from sklearn.ensemble import RandomForestClassifier
import numpy as np
# 假设我们有历史数据
# X: [温度, 温度变化率, 烟雾浓度, 气体浓度]
# y: 0=正常, 1=预警, 2=报警
X_train = np.array([[25, 0.1, 10, 5],
[30, 0.3, 20, 8],
[45, 0.8, 80, 30],
[60, 1.5, 200, 60]])
y_train = np.array([0, 0, 1, 2])
# 训练模型
model = RandomForestClassifier(n_estimators=100)
model.fit(X_train, y_train)
# 实时预测
new_data = np.array([[50, 1.2, 150, 45]])
prediction = model.predict(new_data)
print(f"预测结果: {prediction[0]}") # 输出 1 或 2我在一个大型储能站做过机器学习试点。用过去两年的运行数据训练模型，结果误报率降低了70%。但要注意，机器学习需要大量高质量数据，而且模型需要定期更新。
重要提醒：机器学习不是万能的。在数据不足或环境变化大的情况下，传统方法可能更可靠。我建议先用阈值和趋势分析做基础，再逐步引入机器学习。
知识体系总览
下面这张图展示了四种算法的关系和应用场景：
四种算法对比
| 算法类型 | 优点 | 缺点 | 适用场景 |
|---|---|---|---|
| 阈值判断法 | 实现简单，响应快 | 易误报，环境适应性差 | 环境稳定的场合 |
| 趋势分析法 | 能提前预警，抗干扰 | 需要连续数据 | 温度变化明显的场景 |
| 多传感器融合 | 可靠性高，误报率低 | 算法复杂，成本高 | 重要保护区域 |
| 机器学习 | 自适应强，准确率高 | 需要大量数据，训练耗时 | 数据积累丰富的系统 |
我的建议：刚开始做储能消防系统，先用阈值+趋势的组合。等系统运行半年以上，积累了足够数据，再考虑引入机器学习。别一上来就搞高大上的算法，稳定可靠才是第一位的。
好了，这一章的内容就到这里。四种算法各有千秋，实际项目中要根据具体情况灵活组合。记住，没有最好的算法，只有最合适的算法。