智慧型的偵煙感測系統的先期研究

智慧型的偵煙感測系統的先期研究，主要的目的在探討各種演算法可以有效地辨 別真實火警，以期降低誤警報(False Alarm)的機率。不管在實務上的反應或文獻上的記 載，減少誤警報而正確地警報在火警的防治上是一個魚與熊掌不可得兼的問題，值得藉 由引進較高階的演算法尋求有效的降低方法。因此，本研究先期廣泛地蒐集煙霧的發展 模型、偵煙器誤警報成因的探討、煙霧的發展的預測、及誤警報的判決技術模型，文獻 依其技術分類包括有：

一、煙霧的發展模型

參考煙霧濃度擴散發展的模型，以及其發展預測相關之文獻(參考[6, 16])，於了解 煙濃度擴散模型以及偵煙探測器安裝之法規之後，方能設計出符合現實情境、且切合實 際問題需求之演算法。

二、偵煙警報成因的探討

第五章 成果及貢獻

煙霧之發展預測可歸類出諸種模型以及機制，舉凡Graphical Model 之貝式網路之 分析模型、隱藏馬可夫模型，都是能夠用以預測未來時間的火警警報機率(參考[1, 6, 24])。

四、誤警報的判決技術模型

過往有許多文獻探討誤警報，並透過各種方法、模型，以期能減少誤警報，提高 自動警報系統之可靠度。在單一偵煙探測器中，過往學者提出(參考[23])Codebook 之作 法，取得作為將來辨識誤警報依據之特徵，而後應用於實際系統中。除此之外，(參考[23]) 以利用基因演算法，建立多條警報規則，動態的建立規則並進行比對，模糊理論及邏輯 的技術(參考[2, 18, 24])，以及綜合類神經網路技術(參考[18-20])，另外也包括使用支持 向量機(Support Vector Machine)之演算法：以一個不對等的判別機制來訓練支持向量 機，用以平衡較小的火警發生機率，達到降低誤警報(參考[4])。這些模型技術之應用確 實滿足了降低誤警報之需求。

歸結而論，無論哪一種演算方式，目的主要在於有效的辨別真實火警並且降低誤 警報機率。以解決此問題為出發點將整理各種誤警報成因，探討各種不同假警報呈現在 煙霧上的特性，整合各種煙霧預測模型及判別技術模型，建立一個有效地降低誤報率之 演算法，同時達到即時反應、預測，而且準確強健之系統。

第六章 結論與建議 第一節 結論

本案旨在結合 Zigbee 無線傳輸技術與偵煙感測器為一住宅偵煙探測器，經文獻探 討、Zigbee 技術應用及發展、產品開發製作及反覆實驗改良、問題遭遇分析與專家座談 會議整理，總結本期計畫案之執行其重要的研究成果如下：

一、 產品開發製作上：

（一） 煙霧濃度類比電壓輸出行為調劃與分析

1. 藉 Zigbee 無線傳輸通訊協定，記錄並分析偵煙探測器感測之煙濃度訊號，以標 準儀器顯示之電壓為基準調查映射濃度訊號，以為建置行為模式之參考。

2. 依住宅用火災警報器技術規範之規範，以統計計算的原理重新研究傳統偵煙火 警感測器之行為，偵煙感測器效能-規範的相容測試，建立符合消防規範之偵煙 行為模型，並將其模型嵌入於新發展的感測器中。

3. 考慮標準線性迴歸之推廣能力(Generalization)，採用 Lasso(Tibshirani, 1996)的方 法，Lasso 可以達到選取模型參數精減目的之正規化方法。經由 Lasso 方法所得 線性關係如圖 31 以為行為模式，圖表上每一小紅點代表實驗對應關係一筆記 錄。

（二） Zigbee 通訊協定之研究、修改與應用

1. 深入研討 IEEE 802.15.4 與 Zigbee 聯盟的規範，研讀 Zigbee 通訊協定之規格，

確立其符合無線偵煙感測網路之建構，考慮其未來擴充性、傳輸可靠性、通訊 協定複雜度、市場發展性，以及偵煙器應用之限制諸如有限的電力、傳輸距離 符合應用。

2. 考量多家產商資源，採用 TI 所提供之開發工具，熟悉其龐大的各層程式碼，

其架構、包裝以及應用以為基礎，延伸作成偵煙探測器之應用，逐一添加功能，

如時準單元CTU、睡眠模式、外部觸發喚醒功能、電量自我檢測功能、及工作 排程依時喚醒功能等。

第六章 結論與建議

Analog Output (V)

Smoke Concentration (%)

Training Pattern

建、PC 端伺服器之軟硬體建置、訊號接收程式撰寫、動態訊息資料庫的建 置、實境整體測試、模擬分析性能改善等。

（三） 研究完成的Zigbee 火警探測器基於無線感測網路可由其網路拓樸取得煙濃度在 空間中的分佈的資訊，的確具有取代有線網路火警感測器的優勢，期望以其佈 建完成的無線感測網路能夠克服目前建築防火上面臨之諸多困難，例如老舊住 宅、古蹟建築的佈線困難。

三、 在問題探討方面

關於所完成之偵煙探測器，其傳輸距離以及電力消耗未臻於期初之期望，擬以後續 第二期中加以改善。

1. 傳輸距離問題：由於開發過程之疏忽，電路製作之 RF 天線未予避地線屏蔽的 效應，導致其內層接地屏蔽遮蔽吸收了 RF 的發射功率，影響了 RF 的傳輸距 離。上述現象使偵煙探測器傳輸距離縮短，此為將來重新考量電路必須改善之 項目之一。

2. 電力消耗問題：現偵煙探測器除原先之感測取樣外，再加上 Zigbee 晶片之擴 充，導致其電量消耗過高。經專家座談發現幾個主要解決方案之參考方向，諸 如偵煙探測器之作動頻率之調整、以及採管理角度之發送低電量訊息警示後端 監控人員更換電池之作法。

四、 未來性能改善方面：

由於現國內並無針對無線網路感測裝置其性能以及環境要求訂立相關規範，因此於 將來無線偵煙探測器之商品化時，難以有明確法規可依循。研究團隊是以獨立式家庭偵 煙探測器(第三種)作為研發之範疇以為驗證，然而 RF 射頻無線網路之介入將來於環境 上電波干擾、性能上障礙物功率衰減、以及電力消耗上等勢必受到影響，其整體規範之 訂定還需要檢視國際相關標準，方能促進國內產業投入並開發。

第二節 建議

經研究結果發現，為增進無線感測裝置於智慧化建築之實用性以及便利性，未來 針對本案之無線偵煙探測器其可加強措施之建議依期程短至長舉列如下：

建議一

第六章 結論與建議

有鑑於本計畫進行期間對於檢驗與測試所發展之 Zigbee 無線偵煙探測器已累積相 當經驗，除了參酌現有的法規外，在實驗進行時亦因應Zigbee 無線傳輸技術的引進而採 取相應的變革措施以進行檢驗與測試，並擬具相關的測試計畫。因此建議未來可以此為 基礎，由相關單位邀集產官學專家就其測試檢驗之技術制訂一個標準規範，以為發展者 與產業界依循。研究團隊得提供本案之研究心得，供專家參酌以為制訂的依據。

建議二

相關研發所得專利之申請方面：中長期建議 主辦單位：內政部建築研究所

協辦機關：工業技術研究院(諮詢) 說明：

基於保護智慧財產之原則，建議本計畫研究所得申請相關之專利。因此，本計畫 擬依據「行政院國家科學委員會補助學術研發成果管理與推廣作業要點」，在計畫結案 後著手進行專利之申請、研究成果的推廣、及技術移轉，並併入第二年計畫之春季之 計畫時程，於 99 年 3 月完成專利申請。其推廣及技術移轉工作則待專利審核通過後執 行。其行政配合待辦事項，尚需計畫核准機關核備。

建議三

對現行法規修訂方面：中長期建議 主辦單位：內政部消防署

協辦機關：內政部營建署、內政部社會司 說明：

本研究成果已可將探測器以無線連接方式送出煙濃度資料，進而產生警報，未來針 對不易安裝系統式自動警報設備之場所，特別像老舊建築物提供住宅或老人及身心障礙等 避難弱者使用，可提供建築物防火安全的特別解決方案，因此消防機關應可考慮修法，將 此類簡易消防安全設備強制安裝於人命風險較高之場所，並推動社區集體裝設，以符合 我國集體居住及複合使用之建築型態。

考量消防安全設備無線化是未來的趨勢，現階段雖可依「各類場所消防安全設備設 置標準」第二條採新工法、新技術、新設備方式，以內政部消防技術審議委員會來審查，

但如未來推廣後案件量激增，針對無線火災警報系統裝設場所、位置、距離、限制及性能 要求等「規格式」規範仍屬必要，相關單位應可開始研議增訂。

參考文獻

[1] Asoh H., Motomura Y., Hasida K., Biki K., Akaho S., Tanaka M., Niwa T., Fukumizu K., "Inference and Learning with Graphical Models", Bulletin of the Electortechnical Laboratory, 2000, Vol. 64, NO. 4/5, page 67-74. (GM)

[2] Brian J., Meacham, P.E., "New Methods for Reducing the Number of False Alarms in Fire Detection Systems", Journal of protection engineering, Vol. 6, No. 3, 125-136, 1994 (Fuzzy)

[3] Chintalapudi, K., T. P. Fu, J.; et al. (March-April 2006). "Monitoring civil structures with a wireless sensor network." Internet Computing, IEEE Vol.10, (Issue 2): Page(s): 26 -34.

[4] Chan-Yun Yang, Wei-Wen Tseng, Jr-Syu Yang. Reducing false alarm of video-based smoke detection by support vector machine. Lecture Notes in Computer Science, 5075:102–113, 2008.

[5] Davis, W. D. and G. P. Forney. "A Sensor-Driven Fire Model Version 1.1." National Technical Information Service NISTIR 6705, 2001.

[6] Dongyu Shi, Jinyuan You, Zhengwei Qi: Building Graphical Model Based System in Sensor Networks. EUC Workshops 2005: 218-227. (GM)

[7] Dougal Drysdale, "An Introduction to Fire Dynamics", page 373-400. 1999. (Smoke) [8] Finn V. Jensen , "Bayesian Networks and Decision Graphs", 2001.(BN)

[9] G.M. Youngblood, D.J. Cook, L.B. Holder, E.O. Heierman, Automation intelligence for the smart environment, in: Proceedings of the International Joint Conference on Artificial Intelligence, 2005 (HMM)

[10] Gaithersburg, MD, Beall, K., Grosshandler, W. L., Luck, H., "A New Approach to Fire Detection Algorithms based on the Hidden Markov Model", NIST, 2001, March, 25-28, pages 129-138. (HMM)

[11] IEEE 802.15.4, Wireless Medium Access Control(MAC) and Physical Layer (PHY) Specifications for Low-Rate Wireless Personal Area Networks (LR-WPANs). New

參考文獻

Network"in Proc. IEEE Int. Emerging Technologies and Factory Automation, Catania, Italy, Sept.2005, vol. 2, pp. 451-458.

[14] K. Sha, W. Shi, and O. Watkins, "Using Wireless Sensor Networks for Fire Rescue Applications: Requirements and Challenges," IEEE International Conference on Electro / Information Technology, pp. 239-244, May. 2006.

[15] Konrad Lorincz and Matt Welsh and Omar Marcillo and Jeff Johnson and Mario Ruiz and Jonathan Lees: Deploying a wireless sensor network on an active volcano, EEE Internet Computing 10(2): 18-25 (2006).

[16] L.R. Rabiner, "A Tutorial on Hidden Markov Models and Selected Applications in Speech Recognition," Proc. of the IEEE, Vol. 77, No.2, pp. 257-286, Feb. 1989.

[17] Performance of Home Smoke Alarms, Analysis of the Response of Several Available Technologies in Residential Fire Settings, NIST Technical Note 1455, National Institute of Standards and Technology, Gaithersburg, MD. December 2003. (Smoke)

[18] S. Chen, H. Bao, X. Zeng, Y. Yang, Sys., "A fire detection method based on multi-sensor data fusion", Man and Cyber. IEEE Conference, p. 3775-3780, Oct. 2003 (Neural Network & Fuzzy)

[19] S. L. Rose-Pehrsson, Early warning fire detection system using a probabilistic neural network, Fire Technol. 39, no. 2, pp. 147-171, 2003. (Neural Network)

[20] S. L. Rose-Pehrsson, et al., "Real-Time Probabilistic Neural Network Performance and Optimization for Fire Detection and Nuisance Alarm Rejection," Proceedings for the AUBE 2001 Conference, NIST Gaithersburg, MD, (2001) (Neural Network)

[21] Schein, J. "An information model for building automation systems." , Automation in construction, pp. 125-139, 2007.

[22] Su, J., Zhang, H., "Full Bayesian Network Classifiers", In Proceedings of the international conference on machine learning. 2006, page 897-904. (BN)

[23] Tsuruoka, S., Wakabayashi, N., Yoshikawa, T., "a statistical fire judgement system for the time series of smoke density using gradient histogram", IECON, Volume. 4, pages 2359-2364, 2000. (Codebook)

[24] Yoshikawa, T., Shinogi, T., Tsuruoka, S., "Acquisition of Fuzzy Rules for Fire

[24] Yoshikawa, T., Shinogi, T., Tsuruoka, S., "Acquisition of Fuzzy Rules for Fire