中文引用格式： 潘明明，王白根，齐红涛，等. 面向电气设施火灾早期检测的多模态融合模型[J]. 电子技术应用，2025，51(6)：10-15.
英文引用格式： Pan Mingming，Wang Baigen，Qi Hongtao，et al. Multi-modal fusion model for early fire detection in electrical facilities[J]. Application of Electronic Technique，2025，51(6)：10-15.
引言
随着经济社会的日益发展，高层建筑成为现代化城市的主要建筑结构。伴随着高层建筑的新建，其火灾安全风险隐患也随之增加。据统计，中国每年发生的电气火灾超20万起，有70%以上的火灾是电气火灾[1]。因此，基于火灾发生时的温度、气体、烟雾等多模态数据融合分析的高层建筑电气火灾早期检测这一技术，有利于保护人民群众的生命财产安全。
在电力工业中，多模态数据融合分析常用于诊断电力设备的故障情况，而鲜有应用于消防领域。如文献[2]提出了一种基于多模态数据融合的变压器故障诊断方法，构建了包含油色谱、文本和振动数据的多模态数据集，解决了传统单模态诊断方法准确率低的问题。文献[3]针对换流站多模态数据缺失值多、输入输出向量相似性低的问题，提出了一种基于深度感知模型的解决方案，为换流站设备的状态检修与运维提供了可靠的决策依据。文献[4]将多模态数据融合分为网内融合和网间融合，分别从数据级、特征级和决策级划分网内融合模式，从基于数学模型、基于拓扑结构和基于数据驱动划分网间融合模式，并针对多结构融合、多时间尺度融合等关键问题提出了相应的技术路线。文献[5]构建了融合过载倍率、过载时长和热点温度的多模态数据分级预警模型，通过二维预警线和三维运行区域划分确定配变的预警级别，但对温度维度的划分较为简单，且预警模型的动态适应性不足。文献[6]提出了一种基于多模态数据融合的方法，提高了风电齿轮箱的故障诊断精度和运维效率，但应用范围较小，在不同环境下稳定性较差。文献[7]通过提取时序特征提高检测准确性，实验验证其优于其他多传感器火灾检测模型，但数据预处理简单，未充分挖掘复杂时序特征。文献[8]通过提取时序特征提高检测准确性，实验验证其优于其他多传感器火灾检测模型，但数据预处理简单，未充分挖掘复杂时序特征。文献[9]基于图像的技术通过整合视觉信息来识别泄漏的范围和位置，无需依赖特定传感器，展现出更强的灵活性与适应性。文献[10]提出了一种名为MMI-Det的多模态融合方法，用于可见光和红外图像的目标检测。实验表明MMI-Det在多个公开数据集上优于现有方法，尤其在复杂场景下表现出色。但其在处理非线性模态关系时仍存在一定局限性。文献[11]提出了一种基于模态差异感知的渐进式多模态Transformer，逐层了融合视觉和文本信息。文献[12]开发了一种基于Transformer架构的网络流量异常检测技术，该技术利用多模态注意力编码器整合分组特征，从而有效识别异常流量。文献[13]也采用了Transformer模型，成功地将图像与非图像数据融合应用于皮肤病变的多模态诊断，显著提高了诊断的精确度。文献[14]创新性地设计了一种专为表格数据量身打造的Transformer模型，命名为Tab-Transformer。该模型通过创造上下文相关的嵌入，巧妙地捕捉并表达了表格数据中的复杂信息。
综上文献，缺乏将多模态数据融合分析技术用于高层建筑电气火灾的研究。因此，本文所提出的基于多模态数据融合的高层建筑电气设施火灾早期研究具有现实意义。具体来说，本研究以高层建筑的变压器室里配备的电气设施为研究对象，基于各模态传感器采集的数据，首先构建了包含温度、CO浓度、烟雾的数据集。然后介绍了门控多层感知机(gated Multi-Layer Perception, gMLP)提取各模态传感器的数据特征，通过多层感知机和门控结构，有效处理时序数据并提取其中的复杂特征；然后利用多头注意力机制完成多模态数据的特征融合，根据上述步骤提出多模态数据融合模型。之后，用基于单模态数据的全连接神经网络(FCNN)模型与多模态数据融合模型进行对比实验，实验结果表明，多模态数据融合模型取得了94.83%的准确率，证明了所提多模态数据融合方法的可行性。
本文详细内容请下载：
//www.51qz.net/resource/share/2000006555
作者信息：
潘明明1，王白根2，齐红涛3，徐子尚1，刘金友3
（1.中国电力科学研究院有限公司，北京 100192；
2.国网安徽省电力有限公司安庆供电公司，安徽 安庆246001；
3.国网安徽省电力有限公司，安徽 合肥230000）
