Cảm biến đa tham số trong hệ thống báo cháy môn Công nghệ cảm biến | Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh

1. Giới thiệu chung ..................................................................................................................... 1
2. Phân loại ................................................................................................................................ 2
3. Dữ liệu và phương pháp........................................................................................................ 2
3.1. Dữ liệu ............................................................................................................................. 2
3.2 Kĩ thuật trainning Deep Learning Models để phăn loại các tình huống cháy ................. 6
3.3. Xây dựng các mô hình học sâu đa dạng để phân loại tình huống hỏa hoạn ................ 7
3.3.1. LSTM ........................................................................................................................ 7
3.3.2. Đơn vị hồi quy có cổng (GRU) ................................................................................. 8
3.3.4. Mạng nơ-ron tích chập hoàn toàn LSTM (LSTM-FCN) ........................................... 9
3.3.5. InceptionTime .......................................................................................................... 9
3.3.6. Transformer ............................................................................................................ 10
3.3.7. Cấu hình mô hình ................................................................................................... 11
4. Kết quả ................................................................................................................................. 12
4.1. Đánh giá hiệu suất phân loại kịch bản hỏa hoạn cho từng mô hình............................ 12
4.1.1. Tổn thất và độ chính xác cho mỗi mô hình ............................................................ 12
4.1.2. Kiểm chứng hiệu suất phân loại tình huống hỏa hoạn của từng hình huống hỏa
hoạn của từng mô hình thông qua các chỉ số đánh giá................................................... 13
4.2. Đánh giá hiệu suất phân loại thời gian thực của các kịch bản cháy đối với từng mô
hình ....................................................................................................................................... 14
5. Kết luận ................................................................................................................................ 15
6. Tài liệu .................................................................................................................................. 16
Cảm biến đa tham số trong hệ thống báo cháy
Multi-parameter sensors in fire alarm system 1. Giới thiệu chung
Hỏa hoạn được coi là một thảm họa vô cùng nguy hiểm trong xã hội hiện đại, có thể gây
phá hủy lớn về tài sản và mất mạng. Theo dữ liệu thống kê từ Hiệp hội Bảo vệ Chống
cháy Quốc gia (NFPA) tại Hoa Kỳ, đã có 1.504.500 vụ cháy được báo cáo trong năm
2022, tăng 12,2% so với năm 2013. Hơn nữa, những vụ việc này đã gây ra 3.790 ca tử
vong và 13.250 ca bị thương, với thiệt hại về tài sản ước tính lên tới 18,1 tỷ USD (1).
Các dữ liệu thống kê đã được đề cập trước đó cho thấy rõ ràng rằng cháy nổ là một
thảm họa có thể ngăn ngừa nếu việc phát hiện và giám sát được thực hiện kịp thời. Hơn
nữa, do thiệt hại và thương vong từ các vụ cháy đã tăng lên theo cấp số nhân theo thời
gian, việc phát hiện cháy sớm trở nên cần thiết chứ không phải là tùy chọn. (4)
Do đó, các thuật toán phát hiện cháy phải đạt độ chính xác cao để đảm bảo cả việc phát
hiện trong thời gian thực và độ tin cậy đủ. Điều này cho thấy tầm quan trọng của cảm
ứng báo cháy đa tham số. 2. Phân loại
Hệ thống phát hiện cháy cảm biến đa tham số có thể được phân loại rộng rãi thành hai
loại dựa trên loại dữ liệu mà cảm biến của chúng đo lường trong sự kiện cháy. Loại đầu
tiên bao gồm các hệ thống dựa trên video, sử dụng camera để phát hiện dấu hiệu trực
quan của lửa (chẳng hạn như lửa và khói). Loại thứ hai dựa vào cảm biến hóa học để
phát hiện nồng độ của các hóa chất, khí và các hạt chính được tạo ra trong quá trình cháy. (6), (7)
3. Dữ liệu và phương pháp 3.1. Dữ liệu
Các tình huống cháy khá trừu tượng và gây khó khăn khi sử dụng làm nhãn
trong học sâu có giám sát. Vì vậy, để thiết lập các tiêu chuẩn phân loại rõ ràng
hơn, các hướng dẫn từ tiêu chuẩn NFPA 10 (34) của NFPA Hoa Kỳ đã được đưa
vào nghiên cứu này (Bảng 1). Các tiêu chuẩn này phân biệt các phương pháp
dập lửa và các loại bình chữa cháy dựa trên chất gây cháy, với các cấp độ cháy
được quản lý tương ứng. Nghiên cứu này tập trung vào việc xây dựng mô hình
học sâu để phát hiện cháy sớm, không bao gồm các trường hợp cháy do vật liệu
dễ cháy hoặc dễ nổ. Do đó, các loại đám cháy mục tiêu của nghiên cứu là đám
cháy loại A và K theo phân loại của NFPA, không bao gồm các loại B, C và D,
đại diện cho các tình huống cháy đặc biệt. Các kịch bản và các thí nghiệm hỏa
hoạn tương ứng được trình bày chi tiết trong (Bảng 2).
Table 1. Classes of fire as per NFPA 10 Standard [34]. Class Materials Examples A Common combustible materials
wood, paper, cloth, rubber, and many plastics B Flammable liquids and gases
gasoline, tars, petroleum gases, oils, solvents, alcohols, propane, and butane C
Energized electrical equipment
computers, servers, motors, and appliances D Combustible metals
magnesium, titanium, zirconium, sodium, lithium, and potassium K
Cooking appliance fires involving combustible cooking media
animal and vegetable fats/oils
Table 2. Combustible substances and labels by fire scenario classifications. NFPA10 Fire Situation Class Classes [23,34] Combustible Substances Label A Flaming
wood, paper, tissue, cotton, rubber, sponge, plastic, resin Flaming K Flaming
animal and vegetable fats/oils Flaming - Smoldering
paper (smoldering), food (burning) Nuisance - Heating (Cooking)
food (cooking), gas burner, water (boiling) Heating - Nuisance
candle, cigarette, mosquito repellent Nuisance - Normal - Normal
Trước khi tiến hành các thí nghiệm mô phỏng sự cố cháy cho từng kịch bản, dữ
liệu trạng thái ổn định được thu thập trong 1 phút. Sau đó, dữ liệu mô phỏng tình
huống cháy thông qua quá trình đốt cháy hoặc gia nhiệt của một vật liệu cụ thể
được thu thập trong 10 phút. Khoảng thời gian thu thập dữ liệu cảm biến là 1
giây, với 10 giá trị tham số được ghi lại đồng thời mỗi giây. Quy trình này được
lặp lại 20 lần, và phương pháp thu thập dữ liệu được trình bày chi tiết trong (Bảng 3)
Bảng 3: Design of experiments for col ecting fire-sensing data. Burned Material Label Data Collection Time Number of Repetitions - Normal 600 20 Wood Flaming 600 2 Paper Flaming 600 2 Tissue Flaming 600 2 Cotton Flaming 600 2 Rubber Flaming 600 2 Sponge Flaming 600 2 Plastic Flaming 600 2 Resin Flaming 600 3 Fats/Oils Flaming 600 3 Food (cooking) Heating 600 7 Gas burner Heating 600 7 Water (boiling) Heating 600 6 Candle Nuisance 600 4 Cigarette Nuisance 600 4 Mosquito repellent Nuisance 600 4 Paper (smoldering) Nuisance 600 4 Food (burning) Nuisance 600 4 Hình 1. Hình 2
(Hình 1) Thiết bị kiểm tra góc phòng được trang bị hệ thống hút khí, giúp thu gom
khói qua bộ thu khi nồng độ khói cao. Vì khói là một trong những điểm dữ liệu
quan trọng được thu thập bởi các cảm biến, nên các thí nghiệm được thiết kế
cẩn thận để ngăn ngừa các lỗi thí nghiệm có thể phát sinh từ việc kiểm soát quá
trình tạo khói. Dữ liệu được thu thập bằng cách sử dụng bảng cảm biến tích hợp
đa chiều được sản xuất, có khả năng phát hiện 11 thông số, bao gồm nhiệt độ,
độ ẩm, O₂.2, CO2, CO, bụi (PM 10, 2.5 và 1.0) và khói (đỏ, xanh lá cây và hồng
ngoại). Thông số kỹ thuật đầy đủ của từng cảm biến được liệt kê trong (Hình 2)
3.2 Kĩ thuật trainning Deep Learning Models để phăn loại các tình huống cháy
Việc thực hiện chuẩn hóa hoặc điều chỉnh tỷ lệ dữ liệu là rất quan trọng để loại bỏ sự
khác biệt về tỷ lệ tương đối này khi các đặc trưng được biểu diễn bằng số. Trong nghiên
cứu này, bốn loại gói điều chỉnh tỷ lệ (Standard scaler, MinMax scaler, Robust scaler,
MaxAbs scaler) từ thư viện Scikit-learn của Python (35) Các phương pháp này được áp
dụng trực tiếp vào dữ liệu cảm biến để huấn luyện mô hình và xác định hệ số tỷ lệ tối ưu.
Để đưa dữ liệu cảm biến phát hiện cháy vào mô hình học sâu, điều quan trọng là phải
xác định kích thước cửa sổ (khoảng thời gian của dữ liệu cảm biến đa chiều được thu
thập theo chuỗi thời gian) và kích thước trượt, cho biết khoảng thời gian mà cửa sổ di
chuyển. Kích thước cửa sổ xác định dữ liệu đầu vào tại mỗi thời điểm, trong khi kích
thước trượt chỉ định tần suất nhập dữ liệu (Hình 3).
Trong nghiên cứu này, hiệu suất của mô hình LSTM đơn giản với các kích thước cửa sổ
và kích thước slide khác nhau (Hình 4). Hình 3 Hình 4
3.3. Xây dựng các mô hình học sâu đa dạng để phân loại tình huống hỏa hoạn
Dữ liệu cảm biến cháy thu thập được trong nghiên cứu này được sắp xếp theo trình tự
thời gian. Do đó, để xây dựng mô hình phân loại các tình huống cháy, nhiều mô hình
học sâu hiệu quả trong việc học dữ liệu tuần tự và thực hiện các nhiệm vụ phân loại
dựa trên dữ liệu chuỗi thời gian đã được xây dựng. Hiệu suất của mỗi mô hình sau đó
được so sánh bằng cách sử dụng cùng một tập dữ liệu 3.3.1. LSTM
LSTM được thiết kế để giảm thiểu những hạn chế của mạng nơ-ron hồi quy cơ bản
(RNN) trong việc quản lý các phụ thuộc dài hạn.(37) Cốt lõi của kiến trúc LSTM là trạng
thái ô nhớ, được điều chỉnh bởi ba cổng riêng biệt: cổng quên, cổng đầu vào và cổng
đầu ra. Cổng quên sử dụng hàm sigmoid để tạo ra một giá trị nằm giữa 0 và 1, sau đó
xác định xem có giữ lại hay loại bỏ thông tin từ trạng thái ô nhớ dựa trên giá trị trạng thái
trước đó.Cổng đầu vào sau đó quyết định thông tin mới nào nên được lưu trữ trong
trạng thái ô, sử dụng hàm tanh để tạo ra các vectơ thông tin ứng cử viên và hàm
sigmoid để chọn thông tin liên quan. Trạng thái ô được cập nhật bằng cách kết hợp đầu
ra của cổng quên và cổng đầu vào. Cuối cùng, cổng đầu ra áp dụng hàm sigmoid cho
giá trị đầu vào để xác định đầu ra cuối cùng từ trạng thái ô, được điều chỉnh bởi giá trị
trạng thái ô được biến đổi bằng hàm tanh để tạo ra đầu ra cần thiết (Hình 5). Hình 5
3.3.2. Đơn vị hồi quy có cổng (GRU)
Đơn vị mạng nơ-ron hồi quy có cổng (GRU) giảm độ phức tạp tính toán khi cập nhật
trạng thái ẩn đồng thời giải quyết các vấn đề phụ thuộc dài hạn mà LSTM gặp phải (38).
Về cơ bản, GRU cung cấp một cấu trúc đơn giản hơn so với kiến trúc phức tạp của
LSTM trong khi vẫn đạt được hiệu suất tương đương.GRU chỉ sử dụng hai cổng: cập
nhật và đặt lại (Hình 6). Cổng cập nhật hoạt động tương tự như cả cổng quên và cổng
đầu vào của LSTM. Ngược lại, cổng đặt lại chọn phần thông tin trước đó để sử dụng
trong việc tạo ra trạng thái tiếp theo. Hình 6
3.3.4. Mạng nơ-ron tích chập hoàn toàn LSTM (LSTM-FCN)
Kỹ thuật LSTM-FCN tích hợp mạng LSTM với mạng tích chập thời gian (TCN) để phân
loại chuỗi thời gian. Như minh họa trong (Hình 8) FCN đóng vai trò như một bộ trích
xuất đặc trưng, tiếp theo là lớp gộp trung bình toàn cục để giảm số lượng tham số trong mô hình phân loại.(40) Hình 8 3.3.5. InceptionTime
InceptionTime là một mô hình học sâu được thiết kế đặc biệt cho việc phân loại chuỗi
thời gian(41). Kiến trúc của mô hình InceptionTime được hiển thị trong (Hình 9) Hình 9
Các kích thước bộ lọc khác nhau được phân biệt bằng màu sắc. Kiến trúc Inception
Time rất giỏi trong việc nắm bắt các mẫu phức tạp trong dữ liệu chuỗi thời gian, khiến
nó phù hợp với nhiều nhiệm vụ phân loại chuỗi thời gian khác nhau. Hơn nữa, khả năng
quản lý đồng thời các độ phân giải thời gian khác nhau và việc tích hợp các kết nối dư
góp phần vào hiệu suất mạnh mẽ của nó trên nhiều tập dữ liệu chuẩn 3.3.6. Transformer
Mô hình Transformer là một kiến trúc học sâu rất hiệu quả cho dữ liệu chuỗi. Nó được
biết đến là dễ dàng song song hóa và có thể học nhanh hơn các mô hình dựa trên RNN
hoặc LSTM trước đây. Kiến trúc của mô hình máy biến áp được hiển thị trong (Hình 10) Hình 10 3.3.7. Cấu hình mô hình
Như đã thảo luận trước đó, sáu mô hình đã được sử dụng để huấn luyện, xác thực và
kiểm thử. Để đảm bảo tính nhất quán giữa tất cả các mô hình, các giá trị siêu tham số
giống hệt nhau đã được áp dụng đồng nhất, như được trình bày chi tiết trong (Bảng 4).
Quá trình hiệu chỉnh tỷ lệ được thực hiện bằng cách sử dụng dữ liệu huấn luyện, và các
tham số thu được trong quá trình này sau đó được áp dụng cho cả tập dữ liệu xác thực
và tập dữ liệu kiểm tra
Table 4. Model configurations. Parameters Values Loss function Categorical cross-entropy 1 Optimizer ADAM 2 Evaluation metrics Validation accuracy Epoch number 100 Batch size 32 Model checkpoint Included Save Best Only True Learning rate 10−4
1 This is a loss function for multi-class/label classification purposes. 2 An Adaptive Moment Estimation Optimizer (45). 4. Kết quả
4.1. Đánh giá hiệu suất phân loại kịch bản hỏa hoạn cho từng mô hình
4.1.1. Tổn thất và độ chính xác cho mỗi mô hình
Dựa trên sáu mô hình đã xây dựng, việc huấn luyện với kích thước batch là 32 trong
100 epoch đã cho thấy xu hướng giảm rõ rệt ở cả tổn thất huấn luyện và tổn thất xác
thực. Điều này cho thấy quá trình huấn luyện diễn ra tốt đẹp, như minh họa trong (Hình 11) (Bảng 5) Hình 11
Table 5. Optimal learning results by models. Model Train Loss Validation Loss Train Accuracy Validation Accuracy LSTM 0.0045 0.0020 0.9986 0.9995 GRU 0.0166 0.0134 0.9940 0.9955 Bi-LSTM 0.0038 0.0020 0.9989 0.9995 LSTM-FCN 0.0115 0.0126 0.9962 0.9969 InceptionTime 0.1743 0.0999 0.9475 0.9805 Transformer 0.0610 0.0338 0.9832 0.9894
4.1.2. Kiểm chứng hiệu suất phân loại tình huống hỏa hoạn của từng
hình huống hỏa hoạn của từng mô hình thông qua các chỉ số đánh giá
Kết quả ma trận dùng để đánh giá hiệu suất phân loại của từng mô hình được trình bày
trong (Hình 12) cho thấy tất cả sáu mô hình đều thể hiện độ chính xác phân loại cao trên bốn lớp. Hình 12
4.2. Đánh giá hiệu suất phân loại thời gian thực của các kịch
bản cháy đối với từng mô hình
Thiết kế thí nghiệm và kết quả kiểm tra hiệu năng phân loại thời gian thực được trình
bày chi tiết trong Bảng.7Hầu hết các mô hình đều phân loại thành công đám cháy và
các tình huống khác trong vòng 1 phút, dẫn đến kết quả là XA giá trị là 0,00%.
Table 7. Real-time fire situation classification and performance evaluation of each model. Model Class TFST (s) EFST (s) FSTA (s) FAR (%) Flaming 300 329 29 0.00 LSTM Heating 300 332 32 0.00 Nuisance 300 321 21 0.00 Flaming 300 333 33 0.00 GRU Heating 300 342 42 0.00 Nuisance 300 335 35 0.00 Flaming 300 345 45 0.00 Bi-LSTM Heating 300 360 60 0.00 Nuisance 300 342 42 0.00 Flaming 300 333 33 0.00 LSTM-FCN Heating 300 331 31 0.00 Nuisance 300 324 24 0.00 Flaming 300 346 46 0.00 InceptionTime Heating 300 365 65 0.00 Nuisance 300 351 51 0.00 Flaming 300 341 41 0.00 Transformer Heating 300 332 32 0.00 Nuisance 300 339 39 0.00 5. Kết luận
Nghiên cứu khẳng định rằng các mô hình học sâu, đặc biệt là LSTM và Bi-LSTM, hoạt
động rất hiệu quả trong việc phát hiện và phân loại tình huống cháy theo thời gian thực
dựa trên dữ liệu cảm biến đa chiều. Nhờ khả năng nắm bắt quan hệ phụ thuộc theo thời
gian, các mô hình này giúp tăng độ chính xác, giảm đáng kể báo động sai và hỗ trợ đưa
ra cảnh báo sớm — yếu tố quan trọng trong việc bảo vệ tài sản và tính mạng con người.
Kết quả cho thấy học sâu là hướng tiếp cận tiềm năng cho các hệ thống phát hiện cháy
thông minh trong thực tế.
Việc phát hiện theo thời gian thực với độ trễ thấp chứng minh rằng các mô hình này phù
hợp cho những môi trường đòi hỏi phản ứng nhanh. Khi tích hợp với IoT và điện toán
biên, hệ thống có thể thu thập — xử lý dữ liệu tại chỗ, giảm thời gian phản hồi và nâng
cao khả năng thích ứng trong vận hành.
Trong tương lai, hướng nghiên cứu quan trọng bao gồm:
● kết hợp dữ liệu đa phương thức (hình ảnh, nhiệt, khí, hóa học) để tăng độ tin cậy,
● áp dụng học liên kết để huấn luyện đa vị trí mà vẫn bảo vệ quyền riêng tư dữ liệu,
● tối ưu hóa mô hình để triển khai trên thiết bị biên tiêu thụ năng lượng thấp.
Các mô hình này có thể mở rộng ứng dụng sang những bối cảnh phức tạp hơn như
cháy rừng, thành phố thông minh, khu công nghiệp lớn hoặc hệ thống giao thông — nơi
yêu cầu phát hiện sớm và độ tin cậy cao. Với quá trình cải tiến và kiểm chứng tiếp tục,
các hệ thống phát hiện cháy dựa trên học sâu hứa hẹn đóng vai trò quan trọng trong
việc nâng cao hiệu quả ứng phó khẩn cấp và xây dựng môi trường sống an toàn hơn. 6. Tài liệu
(1) U.S. Fire Administration. Statistics—Fires, Deaths, Injuries and Dol ar Loss. Available online:
https://www.usfa.fema.gov/statistics/ (accessed on 23 July 2024).
(2) National Fire Agency of Korea. National Fire Agency Statistical Yearbook 2023; National Fire Agency
of Korea: Sejong, Republic of Korea, 2023; pp. 89–102.
(3) Li, N. The Construction of a Fire monitoring system based on multi-sensor and neural network. Int.
J. Inf. Technol. Syst. Approach 2023, 16, 1–12. [Google Scholar] [CrossRef]
(4) Lin, G.; Zhang, Y.; Xu, G.; Zhang, Q. Smoke detection on video sequences using 3D convolutional
neural networks. Fire Technol. 2019, 55, 1827–1847. [Google Scholar] [CrossRef]
(5) Chen, S.J.; Hovde, D.C.; Peterson, K.A.; Marshal , A.W. Fire detection using smoke and gas
sensors. Fire Saf. J. 2007, 42, 507–515. [Google Scholar] [CrossRef]
(6) Fonol osa, J.; Solórzano, A.; Marco, S. Chemical sensor systems and associated algorithms for fire
detection: A review. Sensors 2018, 18, 553. [Google Scholar] [CrossRef]
(7) Guar, A.; Singh, A.; Kumar, A.; Kulkarni, K.S.; Lala, S.; Kapoor, K.; Srivastava, V. Fire sensing
technologies: A Review. IEEE Sens. J. 2019, 19, 3191–3202. [Google Scholar] [CrossRef]
(8) Baek, J.; Alhindi, T.J.; Jeong, Y.S.; Jeong, M.K.; Seo, S.; Kang, J.; Choi, J.; Chung, H. Real-time fire
detection algorithm based on support vector machine with dynamic time warping kernel function.
Fire Technol. 2021, 57, 2929–2953. [Google Scholar] [CrossRef]
(9) Baek, J.; Alhindi, T.J.; Jeong, Y.S.; Jeong, M.K.; Seo, S.; Kang, J.; Shim, W.; Heo, Y. A wavelet-
based real-time fire detection algorithm with multi-modeling framework. Expert Syst. Appl. 2023,
233, 120940. [Google Scholar] [CrossRef]
(10) Choi, J.M.; Park, K.W.; Jeong, J.G.; Lee, Y.K.; Kim, G.N.; Choi, D.C.; Ko, M.H. Experimental study
on the availability of fire detection using gas sensors for air quality measurement. Fire Sci. Eng.
2021, 35, 41–47. [Google Scholar]
(11) Tripathi, N.; Obulesu, D.; Murugan, A.S.S.; Mittal, V.; Babu, B.R.; Sharma, S. IOT based surveil ance
system for fire and smoke detection. In Proceedings of the 2022 5th International Conference on
Contemporary Computing and Informatics (IC3I 2022), Uttar Pradesh, India, 14–16 December 2022;
IEEE: Piscataway, NJ, USA, 2022; pp. 1557–1563. [Google Scholar]
(12) Milke, J.A.; Hulcher, M.E.; Worrel , C.L.; Gottuk, D.T.; Wil iams, F.W. Investigation of multi-sensor
algorithms for fire detection. Fire Technol. 2003, 29, 363–382. [Google Scholar] [CrossRef]
(13) Cestari, L.A.; Worrel , C.; Milke, J.A. Advanced fire detection algorithms using data from the home
smoke detector project. Fire Saf. J. 2005, 40, 1–28. [Google Scholar] [CrossRef]
(14) Muduli, L.; Mishra, D.P.; Jana, P.K. Optimized fuzzy logic-based fire monitoring in underground coal
mines: Binary particle swarm optimization approach. IEEE Syst. J. 2019, 14, 3039–3046. [Google
Scholar] [CrossRef]
(15) Gottuk, D.T.; Peatross, M.J.; Roby, R.J.; Beyler, C.L. Advanced fire detection using multi-signature
alarm algorithms. Fire Saf. J. 2002, 37, 381–394. [Google Scholar] [CrossRef]
(16) Elmas, C.; Sönmez, Y. A data fusion framework with novel hybrid algorithm for multi-agent Decision
Support System for Forest Fire. Expert Syst. Appl. 2011, 38, 9225–9236. [Google Scholar] [CrossRef]
(17) Ramasubramanian, S.; Muthukumaraswamy, S.A.; Sasikala, A. Fire detection using artificial
intel igence for fire-fighting robots. In Proceedings of the 2020 4th International Conference on
Intel igent Computing and Control Systems (ICICCS 2020), Madurai, India, 13–15 May 2020; IEEE:
Piscataway, NJ, USA, 2020; pp. 180–185. [Google Scholar]
(18) Sivathanu, Y.R.; Tseng, L.K. Fire detection using time series analysis of source temperatures. Fire
Saf. J. 1997, 29, 301–315. [Google Scholar] [CrossRef]
(19) Adib, M.; Eckstein, R.; Hernandez-Sosa, G.; Sommer, M.; Lemmer, U. SnO2 nanowire-based
aerosol jet printed electronic nose as fire detector. IEEE Sens. J. 2017, 18, 494–500. [Google
Scholar] [CrossRef]
(20) Li, J.; Yan, B.; Zhang, M.; Zhang, J.; Jin, B.; Wang, Y.; Wang, D. Long-range Raman distributed fiber
temperature sensor with early warning model for fire detection and prevention. IEEE Sens. J. 2019,
19, 3711–3717. [Google Scholar] [CrossRef]
(21) Rütimann, L. Reducing False Alarms (A Study of selected European Countries); Technical Report;
Siemens Switzerland Ltd.: Zug, Switzerland, 2014. [Google Scholar]
(22) Park, J.K.; Nam, K. Implementation of multiple sensor data fusion algorithm for fire detection system.
J. Korea Soc. Comp. Inf. 2020, 25, 9–16. [Google Scholar]
(23) Bukowski, R.; Peacock, R.; Averil , J.; Cleary, T.; Bryner, N.; Reneke, P. Performance of Home
Smoke Alarms, Analysis of the Response of Several Available Technologies in Residential Fire
Settings; Technical Note; National Institute of Standards and Technology: Gaithersburg, MD, USA, 2008.
(24) Kim, W.J.; Kim, B.J.; Chung, K.S. Machine learning based fire detection method in sensor in wireless
sensor networks. In Proceedings of the Symposium of the Korean Institute of Communications and
Information Sciences, Busan, Republic of Korea, 29–30 July 2011; pp. 998–999. [Google Scholar]
(25) McAvoy, T.J.; Milke, J.; Kunt, T.A. Using multivariate statistical methods to detect fires. Fire Technol.
1996, 32, 6–24. [Google Scholar] [CrossRef]
(26) JiJi, R.D.; Hammond, M.H.; Wil iams, F.W.; Rose-Pehrsson, S.L. Multivariate statistical process
control for continuous monitoring of networked early warning fire detection (EWFD) systems. Sens.
Actuators B-Chem. 2003, 93, 107–116. [Google Scholar] [CrossRef]
(27) Croux, C.; Ruiz-Gazen, A. High breakdown estimators for principal components: The projection-
pursuit approach revisited. J. Multivar. Anal. 2005, 95, 206–226. [Google Scholar] [CrossRef]
(28) Ferraty, F.; Vieu, P. Nonparametric Functional Data Analysis: Theory and Practice; Springer Science
& Business Media: New York, NY, USA, 2006. [Google Scholar]
(29) Wang, X.G.; Lo, S.M.; Zhang, H.P. Influence of feature extraction duration and step size on ANN
based multisensor fire detection performance. Procedia Eng. 2013, 52, 413–421. [Google Scholar] [CrossRef]
(30) Zheng, D.; Wang, Y.; Wang, Y. Intel igent monitoring system for home based on FRBF neural
network. Int. J. Smart Home 2015, 9, 207–218. [Google Scholar] [CrossRef]
(31) Baek, J.; Alhindi, T.J.; Jeong, Y.S.; Jeong, M.K.; Seo, S.; Kang, J.; Heo, Y. Intel igent multi-sensor
detection system for monitoring indoor building fires. IEEE Sens. J. 2021, 21, 27982–27992.
[Google Scholar] [CrossRef]
(32) Zhang, T.; Wang, Z.; Wong, H.Y.; Tam, W.C.; Huang, X.; Xiao, F. Real-time forecast of compartment
fire and flashover based on deep learning. Fire Saf. J. 2022, 130, 103579. [Google Scholar] [CrossRef]
(33) Özyurt, O. Efficient detection of different fire scenarios or nuisance incidents using deep learning
methods. J. Build. Eng. 2024, 94, 109898. [Google Scholar] [CrossRef]
(34) NFPA. NFPA 10 Standard for Portable Fire Extinguishers 2022; NFPA (National Fire Protection
Association): Quincy, MA, USA, 2022. [Google Scholar]
(35) Scikit-Learn. Available online: https://scikit-learn.org/stable/index.html (accessed on 23 July 2024).
(36) de Amorim, L.B.; Cavalcanti, G.D.; Cruz, R.M. The choice of scaling technique matters for
classification performance. Appl. Soft Comput. 2023, 133, 109924. [Google Scholar] [CrossRef]
(37) Hochreiter, S.; Schmidhuber, J. Long short-term memory. Neural Comput. 1997, 9, 1735–1780.
[Google Scholar] [CrossRef]
(38) Chung, J.; Gulcehre, C.; Cho, K.; Bengio, Y. Empirical evaluation of gated recurrent neural networks
on sequence modeling. arXiv 2014, arXiv:1412.3555. [Google Scholar]
(39) Schuster, M.; Paliwal, K.K. Bidirectional recurrent neural networks. IEEE Trans. Signal Process.
1997, 45, 2673–2681. [Google Scholar] [CrossRef]
(40) Karim, F.; Majumdar, S.; Darabi, H.; Chen, S. LSTM ful y convolutional networks for time series
classification. IEEE Access 2017, 6, 1662–1669. [Google Scholar] [CrossRef]
(41) Ismail Fawaz, H.; Lucas, B.; Forestier, G.; Pel etier, C.; Schmidt, D.F.; Weber, J.; Webb, G.I.;
Idoumghar, L.; Mul er, P.; Petitjean, F. Inceptiontime: Finding alexnet for time series classification.
Data Min. Knowl. Discov. 2020, 34, 1936–1962. [Google Scholar] [CrossRef]
(42) Szegedy, C.; Liu, W.; Jia, Y.; Sermanet, P.; Reed, S.; Anguelov, D.; Erhan, D.; Vanhoucke, V.;
Rabinovich, A. Going deeper with convolutions. In Proceedings of the 2015 IEEE Conference on
Computer Vision and Pattern Recognition (2015 CVPR), Boston, MA, USA, 7–12 June 2015; pp. 1– 9. [Google Scholar]
(43) Vaswani, A.; Shazeer, N.; Parmar, N.; Uszkoreit, J.; Jones, L.; Gomez, A.N.; Kaiser, Ł.; Polosukhin,
I. Attention is al you need. Adv. Neural Inf. Process. Syst. 2017, 30, bbad467. [Google Scholar] (44) Transformer Architecture Explained (Medium). Available online:
https://medium.com/@amanatulla1606/transformer-architecture-explained-2c49e2257b4c (accessed on 30 July 2024).
(45) Kingma, D.P.; Ba, J. Adam: A method for stochastic optimization. arXiv 2014, arXiv:1412.6980. [Google Scholar]
(46) Hasanpour, S.H.; Rouhani, M.; Fayyaz, M.; Sabokrou, M. Let’s keep it simple, using simple
architectures to outperform deeper and more complex architectures. arXiv 2016, arXiv:1608.06037. [Google Scholar]
(47) Grinsztajn, L.; Oyal on, E.; Varoquaux, G. Why do tree-based models stil outperform deep learning
on typical tabular data? Adv. Neural Inf. Process. Syst. 2022, 35, 507–520. [Google Scholar]
(48) Bargagli Stoffi, F.J.; Cevolani, G.; Gnecco, G. Simple models in complex worlds: Occam’s razor and
statistical learning theory. Mind. Mach. 2022, 32, 13–42. [Google Scholar] [CrossRef]
Document Outline

• 1. Giới thiệu chung
• 2. Phân loại
• 3. Dữ liệu và phương pháp
  • 3.1. Dữ liệu
  • 3.2 Kĩ thuật trainning Deep Learning Models để phăn loại các tình huống cháy
  • 3.3. Xây dựng các mô hình học sâu đa dạng để phân loại tình huống hỏa hoạn
    • 3.3.1. LSTM
    • 3.3.2. Đơn vị hồi quy có cổng (GRU)
    • 3.3.4. Mạng nơ-ron tích chập hoàn toàn LSTM (LSTM-FCN)
    • 3.3.5. InceptionTime
    • 3.3.6. Transformer
    • 3.3.7. Cấu hình mô hình
• 4. Kết quả
  • 4.1. Đánh giá hiệu suất phân loại kịch bản hỏa hoạn cho từng mô hình
    • 4.1.1. Tổn thất và độ chính xác cho mỗi mô hình
    • 4.1.2. Kiểm chứng hiệu suất phân loại tình huống hỏa hoạn của từng hình huống hỏa hoạn của từng mô hình thông qua các chỉ số đánh giá
  • 4.2. Đánh giá hiệu suất phân loại thời gian thực của các kịch bản cháy đối với từng mô hình
• 5. Kết luận
• 6. Tài liệu