清华大学学报(自然科学版)

作者：王海斌, 张志慧, 卜宗豪, 高子善, 刘全义

单位：1. 中国民用航空飞行学院 民航安全工程学院, 广汉 618307,2. 中国民用航空飞行学院 民机火灾科学与安全工程四川省重点实验室, 广汉 618307,3. 清华大学 安全科学学院, 北京 100084

关键词：火灾探测,机器学习,自注意力机制,Transformer模型

基金：国家自然科学基金民航联合研究基金(U2033206),民机火灾科学与安全工程四川省重点实验室项目(MZ2022JB01),民机火灾科学与安全工程四川省重点实验室项目(MZ2024JB02)

随着航空运输业的迅速发展, 飞机货舱的火灾安全问题日益受到重视。传统的火灾探测方法存在误报率高、准确性低等缺点, 难以满足现代航空运输的安全需求。针对这一问题, 该文提出了一种基于改进型自注意力机制的多参数火灾探测方法。该方法首先采用多传感器的探测方式取代了传统的单一传感器, 通过实验室模拟飞机货舱火灾场景, 收集CO质量分数、烟雾参数(双波长功率和Sauter平均粒径)、湿度和温度等数据; 其次利用一种基于Transformer模型的多源传感器数据火灾状态分类方式, 融合了局部注意力机制与多尺度特征提取模块, 局部注意力机制通过窗口划分和区域化特征捕捉降低了计算复杂度, 多尺度特征提取模块通过不同时间窗口的并行处理增强了对火灾发展过程的探测能力。通过验证不同的序列长度、激活函数、随机失活率和优化器得出火灾分类任务的最优组合, 从而更好地捕捉火灾状态特征并提高分类准确性。使用该探测方法在模拟飞机运行环境的火灾数据集上进行了有效性评估实验, 结果表明, 所提方法在火灾分类任务上比传统的循环神经网络等方法展现出了更高的准确率; 得益于自注意力机制的结构特点, 网络能够并行运算, 大大缩短了训练时间。该方法有望在实际的火灾分类任务应用中发挥优势。

来源：2025年第4期

《清华大学学报(自然科学版)》期刊编辑部

查看清华大学学报(自然科学版)杂志2025年第4期