АЛГОРИТМ КЛАССИФИКАЦИИ ПОЖАРООПАСНЫХ СИТУАЦИЙ НА ОСНОВЕ НЕЙРОСЕТЕВЫХ ТЕХНОЛОГИЙ
Аннотация
Современные технологические требования и развивающаяся городская инфраструктура
ставят задачу разработки методов распознавания и классификации пожароопасных ситуаций.
Быстрое и эффективное распознавание начальных признаков возгорания становится жизненно
важным аспектом обеспечения безопасности людей, а также материальных ценностей. В связи с
этим разрабатываются, реализуются, тестируются и внедряются системы, способные авто-
матически распознавать и классифицировать пожароопасные ситуации. Классификации пожа-
роопасных ситуаций позволяет определить степень опасности обнаруженных отклонений, что
способствуют к принятию более эффективных решений по предотвращению последствий пожа-
ров и их признаков таких как, однократное кратковременное повышение температуры и уровня
задымленности которое может указывать на выход из строя электрических компонентов, рас-
положенных возле датчиков. Алгоритм классификации пожароопасных ситуаций разработан для
комплекса взаимосвязанных датчиков, который в свою очередь, за счет своей структуры, позво-
ляет обнаруживать даже малейший признака пожара. В рамках данного исследования приводит-
ся алгоритм классификации пожароопасных ситуаций на основе нейросетевых технологий. При-
ведено описание существующих классов пожароопасных ситуаций, а также критерии, по кото-
рым размечались данные по указанным классам. Проведено моделирование алгоритма на обучаю-
щей и тестовой выборках с приведением используемых параметров точности, формулой их рас-
четов, результатами классификации пожароопасных ситуаций. Проведено исследование влияния
шага отсчета в выборке базы данных на параметры точности и время обучения нейронной сети.
Разработанный алгоритм реализован на языке программирования Python в IDE PyCharm. Датасет
для обучения и тестирования получены из реальных источников, содержащих информацию об
обнаруженных пожароопасных ситуациях в метрополитенах, в которых установлен комплекс
взаимосвязанных датчиков. Результаты моделирования алгоритма показали, что предложенный
алгоритм обладает высокой точностью для предиктивной классификации пожароопасных си-
туаций на реальных объектах.
Литература
solutions], Transport, Protivopozharnaya zashchita. Pozharnaya avtomatika. Sredstva spaseniya
[Transport, Fire protection. Fire automatics. Rescue means], 2018.
2. Sautin I.G. Osoboe mnenie. Mozhno li doverit' svoyu zhizn' dymovomu pozharnomu izveshchatelyu?
[Special opinion. Can you trust your life to a smoke alarm? ], Algoritm bezopasnosti [Security algorithm],
2019, No. 6.
3. Ermilov A.V., Smirnov V.A. Razvitie intellektual'noy sostavlyayushchey upravlencheskoy kompetentnosti
nachal'nika karaula pozharno-spasatel'noy chasti [Development of the intellectual component of managerial
competence of the chief of the guard of the fire and rescue unit], Tekhnologii tekhnosfernoy
bezopasnosti [Technosphere safety technologies], 2017, No. 3, pp. 178-185.
4. Polekhin P.V. [i dr.]. Pozhary i pozharnaya bezopasnost' v 2020 godu: Sb. statey [Fires and fire safety
in 2020: stat. sat.], under general ed. D.M. Gordienko. Moscow: VNIIPO, 2021, 112 p.
5. Zaytsev A.V. Dostovernost' i svoevremennost' obnaruzheniya pozhara, i kak ikh uchest' v normakh na
SPS [Reliability and timeliness of fire detection, and how to take them into account in the standards
for fire protection systems], Algoritm bezopasnosti [Safety Algorithm], 2016, No. 2.
6. Ivanov A.N., Vikman A.V., Utkin O.V. Primenenie nechetkoy logiki dlya otsenki veroyatnosti
vypolneniya pozharnymi izveshchatelyami funktsii osnovnogo naznacheniya [Application of fuzzy
logic to assess the probability of fire detectors performing their main function], Prirodnye i tekhnogennye
riski (fiziko-matematicheskie i prikladnye aspekty) [Natural and man-made risks (physical,
mathematical and applied aspects)], 2019, No. 4 (32), pp. 48-52.
7. Pronevich O.B., SHubinskiy I.B. Avtomatizirovannaya sistema prognozirovaniya pozharnoy
bezopasnosti ob"ektov zheleznodorozhnogo transporta na osnove otsenki riskov [Automated system
for predicting fire safety of railway transport facilities based on risk assessment], Nadezhnost' [Reliability],
2019, 19 (1), pp. 48-54. Available at: https://doi.org/10.21683/1729-2646-2019-19-1-48-54.
(data obrashcheniya 25.01.23).
8. Ivanov A.N. K voprosu ob otsenke effektivnosti pozharnoy avtomatiki [On the issue of assessing the
effectiveness of fire automatics // Fire safety: modern challenges], Pozharnaya bezopasnost':
sovremennye vyzovy. Problemy i puti resheniya: materialy Vseros. nauch.-prakt. konf. [Fire safety:
modern challenges. Problems and solutions: materials of the All-Russian Scientific and Practical Conference].
Saint Petersburg: Un-t GPS MCHS Rossii, 2021.
9. Presnov A.I. [i dr.]. Pozharnaya tekhnika: ucheb. [Firefighting equipment: textbook]: in 2nd part. Part
2. Saint Petersburg: Un-t GPS MCHS Rossii, 2016, 404 p.
10. Rassel Dzhessi. Assotsiativnaya pamyat' na neyronnykh setyakh [Associative memory on neural networks].
Moscow: VSD, 2018, 804 p.
11. Solovyeva E. Types of recurrent neural networks for non-linear dynamic system modeling, Proceedings
of 2017 XX IEEE International Conference on Soft Computing and Measurements (SCM2017).
St. Petersburg: Saint-Petersburg Electrotechnical University «LETI». Russia, St. Petersburg, May
24−26, 2017, pp. 1-4.
12. Wang, Z., Yan, W., Oates, T. Time series classification from scratch with deep neural networks:
A strong baseline, In: 2017 International Joint Conference on Neural Networks. IJCNN, IEEE, 2017,
pp. 1578-1585.
13. Kate R.J. Using dynamic time warping distances as features for improved timeseries classification,
Data Min. Knowl. Discov., 2016, 30 (2), pp. 283-312.
14. Peng Y., Kondo N., Fujiura T., Suzuki T., Ouma S., Yoshioka H., Itoyama E., et al. Dam behavior patterns
in Japanese black beef cattle prior to calving: Automated detection using LSTM-RNN, Comput.
Electron. Agric., 2020, 169, 105178.
15. Rahman A., Smith D., Little B., Ingham A., Greenwood P., Bishop-Hurley G. Cattle behaviour classification
from collar, halter, and ear tag sensors, Inform. Process. Agric., 2018, 5 (1), pp. 124-133.
16. Abandah G., Abdel-Karim A. Accurate and fast recurrent neural network solution for the automatic
diacritization of Arabic text, Jordan. J. Comp. Inform. Technol., 2020, 6 (2), pp. 103-121.
17. Géron A. Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow: Concepts, tools, and
techniques to build intelligent systems. O’Reilly Media, 2019.
18. Google TensorFlow, TensorFlow. Available at: https://www.tensorflow.org/. 2024 (accessed 22
January 2023).
19. Graves A., Mohamed A.R., Hinton G. Speech recognition with deep recurrent neural networks, In: 2013
IEEE International Conference on Acoustics, Speech and Signal Processingб 2013, pp. 6645-6649.
20. PyTorch documentation. Available at: https://pytorch.org/docs/stable/index.html (accessed 21 January
2023).
21. Candelaria M.D.E., Chua N.M.M., Kee S.-H. Evaluation of Heat-Induced Damage in Concrete Using
Machine Learning of Ultrasonic Pulse Waves, Materials (Basel), 2022, 15 (22), 7914. Available at:
https://doi.org/10.3390/ma15227914.
