火灾报警建模：t²火模型、探测器布点与多传感器融合判决-平芜编程栈

简介：2022年五一数学建模竞赛C题火灾报警问题的山东大学一等奖论文，面向备战数学建模竞赛的本科生、研究生及指导教师，聚焦火灾探测器可靠性评价、误报研判与消防大队管理水平评估。压缩包内为1个PDF文件，约1.05MB，即完整获奖论文全文，含摘要、问题背景与重述、模型假设、符号说明及各问建模求解过程。论文围绕TOPSIS、灰色关联度与多元线性回归等模型展开：通过筛选附件数据剔除误报警与重复报警，得出18天内真实火灾起数432起；以可靠性和故障率等5项指标评价探测器，点型感烟探测器归一化得分0.4627居首；并借助牛顿插值测算报警信号真实火灾概率，用熵权法结合TOPSIS排序各消防大队综合管理水平。已有1490人学习下载，适合赛前研读以掌握赛题思路、建模框架与论文写作范式。

1. 火灾报警问题建模：从"布点够不够"到"多久能报出来"

把火灾报警当成一道"装多少个烟感"的题，几乎必然走进死胡同。真正决定方案好坏的是两件事：火灾发生后多久能被可靠判出，以及在这段时间里误报要压到什么水平。2022 年五一赛 C 题把这两个目标同时摆上台面——给定楼层平面，要建立烟气输运与探测器响应模型、设计传感器布点、给出报警判决逻辑，最后还得说明方案在传感器失效、火源位置随机、环境噪声干扰下是否站得住。

适合读这篇的有两类人：正在做数学建模赛题、需要一条从建模到验证的完整链路的学习者；以及手头真有楼宇消防改造或实验室烟感选型需求、需要参数依据的工程师。两者的诉求其实是同一件事——把"报警延迟"和"误报率"这两个对立的指标拆成可计算、可调参、可验证的形式。

下面按火灾增长与响应建模、布点优化求解、多传感器融合判决、蒙特卡洛鲁棒性验证四段推进，每段给可运行的 Python 骨架和该调的参数。

2. t² 火模型与探测器响应：把报警延迟算成一条时间曲线

2.1 热释放速率的四档增长系数与烟气输运时间尺度

火灾初期最常用的描述是 t² 火，热释放速率随时间平方增长：Q(t) = α·t²，单位 kW。系数 α 决定了火势爬升的快慢，工程上习惯取四档：慢速 0.0029、中速 0.0117、快速 0.0469、超快速 0.1876，单位都是 kW/s²。办公场所一般落中速到快速之间，堆放纸箱、泡沫的仓储场景要按快速甚至超快速取。

这一步的选择直接决定报警延迟的基准线。同样一套布点，α 从 0.0117 换到 0.0469，到达同一浓度阈值的时间会缩短接近一半，"我的方案 30 秒报警"这种结论如果不绑定 α，是没有意义的。

烟气从火源到探测器需要输运时间。顶棚射流下，烟气前锋的水平扩散速度常见取 0.5~1.5 m/s，具体跟顶棚高度、火源功率和是否存在梁格挡有关。距离火源 r 处的首次到达时间可粗略写成 t_arr ≈ r / v_front。r = 4 m、v_front = 1 m/s 时，光路上就要 4 秒，这个量级在高灵敏度探测器的场景里不能忽略。

空间高度超过一定值后还会出现烟气层化——烟气升到半空就不再往上走，顶棚探测器根本接触不到。建模时如果只算平面距离，会高估高位安装的可靠性，这是很多人第一次做这道题时踩的坑。

2.2 探测器一阶响应模型与误报率的量化

探测器不是瞬时器件。烟雾进入传感腔后，输出信号按一阶惯性环节爬升：

dC_det/dt = (C_room(t - t_arr) - C_det) / τ

τ 是探测器时间常数，离子式烟感大致在 15~40 秒区间，光电式普遍更慢一些。τ 越大，曲线越"圆"，越过阈值越晚。报警判据就是找 C_det 第一次大于等于阈值 C_th 的时刻，这条曲线也正好是"报警延迟"的定义。

误报率这一侧，很多人只在定性层面提一句"环境干扰"。更实用的处理是给每只探测器一个单位时间误报概率 p_f，系统层面按独立近似得到：

P_false_system ≈ 1 - (1 - p_f)^N

这条式子有个反直觉的结论：探测器装得越多，系统整体误报概率越高。N 从 10 只加到 40 只，哪怕单只 p_f 只有千分之一，系统误报率也会翻好几倍。所以布点优化不能只往"全覆盖、高冗余"的方向推，必须把误报代价写进目标函数，否则解出来的方案在验收阶段会被频繁误报拖垮。

2.3 单房间烟气浓度与报警延迟的最小可运行仿真

下面这段代码把 2.1 和 2.2 串起来，输入火灾增长系数和时间常数，输出探测器处的浓度曲线与报警时刻。量纲做了归一化处理，目的是比较不同参数下的相对趋势，真实工程取值需要按厂家数据和现场标定替换。

import numpy as np def simulate_alarm(t_end=600.0, dt=0.1, alpha=0.0469, room_v=200.0, churn=2.0, r=4.0, v_front=1.0, tau=30.0, c_th=3.0, smoke_yield=0.02): """ 返回 (时间轴, 探测器处浓度, 报警时刻) alpha : 火灾增长系数 kW/s^2 room_v : 房间体积 m^3 churn : 换气次数 次/h r : 探测器到火源水平距离 m v_front : 烟气前锋速度 m/s tau : 探测器一阶时间常数 s c_th : 报警阈值（归一化浓度） smoke_yield : 产烟比例系数，示意值 """ t = np.arange(0.0, t_end, dt) Q = alpha * t ** 2 # 热释放速率 kW m_dot = smoke_yield * Q # 产烟速率（比例折算，示意） dilution = room_v * churn / 3600.0 # 换气稀释体积流率 m^3/s c_room = m_dot / (dilution + 1e-9) * 1e-3 # 输运延迟：烟气前锋从火源走到探测器 delay = int(round(r / v_front / dt)) c_delay = np.concatenate([np.zeros(delay), c_room[:len(c_room) - delay]]) # 探测器一阶惯性响应 c_det = np.zeros_like(t) for i in range(1, len(t)): c_det[i] = c_det[i - 1] + dt / tau * (c_delay[i] - c_det[i - 1]) hit = np.flatnonzero(c_det >= c_th) t_alarm = float(t[hit[0]]) if hit.size else float('nan') return t, c_det, t_alarm if __name__ == '__main__': for alpha, name in [(0.0029, '慢速'), (0.0117, '中速'), (0.0469, '快速'), (0.1876, '超快速')]: _, _, ta = simulate_alarm(alpha=alpha) print(f'{name}火 alpha={alpha:>7.4f} 报警时刻={ta:6.1f} s')

逻辑说明：先由 α·t² 得到热释放速率，按比例系数折算产烟速率，用房间体积和换气次数算出稀释后的房间平均浓度，再串上两段滞后——第一段是纯延迟（输运），第二段是一阶惯性（探测器），最后扫描浓度序列找第一个越阈点。

参数说明：alpha 控制火势爬升斜率；smoke_yield 需要用材料的燃烧数据标定，这里只保证不同参数之间趋势可比；v_front 决定纯延迟的长短，取值越大报警越早；tau 控制曲线圆角，τ 从 15 s 加到 40 s，报警时刻能往后推十几秒；c_th 则是灵敏度和误报之间的直接旋钮。

关键参数的一张速查表：

符号	含义	典型取值	调整依据
α	火灾增长系数	0.0029 ~ 0.1876 kW/s²	按可燃物类型选档
v_front	烟气前锋速度	0.5 ~ 1.5 m/s	按顶棚高度与梁格修正
τ	探测器时间常数	15 ~ 40 s	厂家数据或风洞标定
C_th	报警阈值	1.5 ~ 3.0（归一化）	按灵敏度等级选取
churn	换气次数	1 ~ 4 次/h	空调与新风工况
R	单只探测器保护半径	5 ~ 7 m	由灵敏度与安装高度反推

提示：把 alpha 固定成单一值跑出来的报警延迟，只能说明一种火情下的表现。写报告或做方案时，至少给出中速和快速两档的对照。

3. 火灾报警探测器布局优化的建模与求解

3.1 覆盖、冗余与成本的三方约束怎么写

先把楼层平面栅格化，比如按 1 m × 1 m 划成网格，得到前景点集合 P。候选安装位置可以取栅格点，也可以按吊顶龙骨间距另设一组坐标 C。决策变量是每个候选点是否放探测器，用 0-1 变量表示。

约束有两层。第一层是覆盖：任意一个前景点至少要落在某只探测器的保护半径 R 内，这是"不漏报"的底线。第二层是冗余：楼梯口、配电间、疏散通道这类关键区域要求至少被两只探测器同时覆盖，因为单只探测器失效的概率在长期运行中并不低。

目标函数则是探测器数量最小化。把这三者写在一起，就得到一个典型的集合覆盖问题的加权版本——覆盖是硬约束，冗余是分区硬约束，数量进目标。R 的取值这里最容易含糊：它不是一个固定常数，而是由安装高度、顶棚形状、探测器灵敏度共同决定的。层高越大，R 越小，因为烟气到达顶棚时会横向铺开、浓度被稀释。

3.2 遗传算法布点：编码、适应度函数与参数表

候选位置有几十到上百个时，穷举不可行，遗传算法是比较稳的选择。编码用二进制串，长度等于候选位置数，第 i 位为 1 表示在该位置安装。

适应度函数要把违约束的量惩罚掉，同时压低探测器数量：

import numpy as np def build_grid(nx=20, ny=20, n_cand=40, seed=7): rng = np.random.default_rng(seed) pts = np.stack(np.meshgrid(np.arange(nx), np.arange(ny)), -1) pts = pts.reshape(-1, 2).astype(float) cand = rng.uniform([0, 0], [nx - 1, ny - 1], size=(n_cand, 2)) return pts, cand def cover_matrix(pts, cand, R): d = np.linalg.norm(pts[:, None, :] - cand[None, :, :], axis=-1) return d <= R # 形状 (前景点数, 候选点数) def fitness(x, cov, key_mask, w=(100.0, 50.0, 1.0)): on = np.flatnonzero(x) if on.size == 0: return -1e9 n_hit = cov[:, on].sum(axis=1) # 每个前景点被覆盖的次数 uncovered = np.count_nonzero(n_hit == 0) under = np.count_nonzero(n_hit[key_mask] < 2) # 关键区域冗余不足 return -(w[0] * uncovered + w[1] * under + w[2] * on.size) def ga(cov, key_mask, n_gen=200, pop_size=60, pc=0.8, pm=0.03, seed=7): rng = np.random.default_rng(seed) n = cov.shape[1] pop = (rng.random((pop_size, n)) < 0.2).astype(int) best, best_f = None, -1e18 for _ in range(n_gen): fits = np.array([fitness(x, cov, key_mask) for x in pop]) elite = np.argsort(-fits)[:pop_size // 4] if fits[elite[0]] > best_f: best_f, best = fits[elite[0]], pop[elite[0]].copy() new_pop = [pop[i].copy() for i in elite] while len(new_pop) < pop_size: a, b = rng.choice(elite, 2, replace=False) p1, p2 = pop[a].copy(), pop[b].copy() if rng.random() < pc: # 单点交叉 c = rng.integers(1, n - 1) p1[c:], p2[c:] = p2[c:].copy(), p1[c:].copy() for p in (p1, p2): m = rng.random(n) < pm # 位翻转变异 p[m] ^= 1 p[rng.integers(0, 2)] = 1 # 至少保留一只探测器 new_pop.append(p) if len(new_pop) >= pop_size: break pop = np.array(new_pop[:pop_size]) return best, best_f

逻辑说明：cover_matrix 预先算出每个前景点能由哪些候选点覆盖，避免在适应度里反复算距离；fitness 用三段加权和把"漏覆盖"和"冗余不足"变成大额惩罚，把探测器数量变成小额代价；ga 用精英保留加锦标赛产生父代，交叉和变异之后强制至少保留一位为 1，防止全零个体污染种群。

参数说明：w 的三个权重决定了优化的偏向。w[0] 远大于 w[1] 时，算法会优先保证不漏覆盖，宁可牺牲冗余；两者接近时，关键区域会自然长出双探测器。pm 一般取 0.01~0.05，太大退化成随机搜索，太小容易早熟。pop_size 和 n_gen 根据候选位置数量调整，位置上百个时种群放到 100、代数放到 300 比较稳。

参数	推荐区间	调大后的效果	调小后的效果
种群规模 pop_size	60 ~ 150	解更稳，耗时线性上升	快，但方差大
交叉率 pc	0.7 ~ 0.9	搜索更激进	收敛慢
变异率 pm	0.01 ~ 0.05	跳出局部最优	早熟收敛
迭代代数 n_gen	200 ~ 500	解质量提升	可能未收敛
覆盖权重 w[0]	100 ~ 1000	强制全覆盖	允许少量漏点

3.3 贪心布点加局部搜索的确定性对照解

遗传算法每次跑的结果可能略有差异，验收时需要一条可复现的对照线。贪心法是首选：每一轮从尚未选中的候选位置里，挑出能覆盖最多"当前未覆盖前景点"的那个，加入方案，直到全部覆盖；然后处理关键区域的冗余，对每个冗余不足的关键点再补一只覆盖它的探测器。

后续用 1-opt 做局部搜索：依次尝试移除方案中的每一只探测器，检查移除后覆盖和冗余约束是否仍满足，能满足就删。贪心的复杂度是 O(|C|·|P|)，跑得很快，而且结果确定。把贪心的解和遗传算法的解放在一起比，如果 GA 只比贪心少 1~2 只，说明解已经接近最优；如果 GA 少了五六只，通常意味着贪心的初始选择被局部结构带偏了。

注意：贪心的解往往在边界区域冗余偏多，因为它的选择顺序对平面几何不敏感。做对照时不要直接拿数量比，还要比关键区域的平均覆盖重数。

4. 多传感器融合判决与报警阈值标定

4.1 与门、或门与加权投票三种判决逻辑

单只探测器越阈就报警是最简单的"或门"策略，响应最快，但系统误报率按 1-(1-p_f)^N 放大，N 大时几乎不可接受。相对地，"与门"要求所有探测器同时越阈才报警，误报几乎为零，可代价是响应延迟被最慢的那只探测器拖住，火源离某只探测器很远时，等它越阈已经很晚了。

更实用的是 k-out-of-N 投票：N 只探测器里至少 k 只越阈才报警。k 增大提升抗误报能力，代价是延迟上升，中间取 k = ceil(N/2) 是比较常见的折中。

加权投票把距离信息用上：离预估火源区域越近的探测器权重越高，判决时算加权和而不是简单计数。代价是需要一个粗略的火源位置估计，通常用最先越阈的那几只探测器做几何反推。

判决逻辑	响应延迟	系统误报率	适用场景
或门	最低	最高	小房间、探测器数量少
与门	最高	最低	高风险禁误报区（机房、档案室）
k-out-of-N	中等	中等	大空间、探测器数量多
加权投票	中等偏低	中等偏低	有距离信息、火源位置可估

4.2 阈值扫描与 ROC 工作点选择

把阈值 C_th 当成可调参数，用仿真生成两类样本：一类是真实火灾场景下的判决统计量（比如探测器浓度峰值或达到峰值所需时间），一类是粉尘、水汽、烹饪油烟等干扰下的统计量。对阈值做网格扫描，得到真正率 TPR 和假正率 FPR 的曲线。

import numpy as np def roc_scan(scores_fire, scores_noise, n_step=200): """ scores_fire : 真实火情样本的判决统计量（越大越像火） scores_noise: 干扰样本的判决统计量 """ lo = min(scores_fire.min(), scores_noise.min()) hi = max(scores_fire.max(), scores_noise.max()) ths = np.linspace(lo, hi, n_step) tpr = np.array([(scores_fire >= th).mean() for th in ths]) fpr = np.array([(scores_noise >= th).mean() for th in ths]) order = np.argsort(fpr) auc = np.trapz(tpr[order], fpr[order]) j = tpr - fpr # 约登指数 return float(ths[j.argmax()]), float(auc), tpr, fpr # 示例：火情样本统计量偏大，干扰样本偏小 rng = np.random.default_rng(3) fire = rng.normal(8.0, 1.5, 500) noise = rng.normal(4.0, 1.2, 2000) th_best, auc_val, _, _ = roc_scan(fire, noise) print(f'推荐阈值={th_best:.2f} AUC={auc_val:.3f}')

逻辑说明：对每个候选阈值分别统计两类样本超过阈值的比例，得到 ROC 点集；用约登指数（TPR 减去 FPR）最大的点作为推荐工作点，它对应"净收益"最大的折中位置；AUC 用来判断两类样本本身是否可分——AUC 低于 0.8 时，说明单靠这一个统计量区分度不够，应该换统计量或引入第二个传感器。

参数说明：scores_fire 和 scores_noise 的构造决定了结论是否可信。火情样本至少要覆盖不同 α 和不同火源位置，干扰样本要包含实际场景里出现过的干扰源。样本数量不平衡时，约登指数会偏向多数类，这时改用 F1 或给少数类加权更合适。

4.3 时间同步、量纲与边界效应三个高频坑

时间同步是最容易被忽略的一个。烟感、温感、CO 传感器的采样率往往不同，直接做与门判决时，只要某一路晚到零点几秒，与门就会在临界时刻失效。正确做法是融合前把所有通道重采样到同一时间栅格，比如统一到 1 Hz，必要时做插值。

量纲问题同样常见。烟感输出常以遮光率表示，温度是摄氏度，CO 是 ppm，三者数值量级差了几个数量级，直接相加会让温度项主导整个判决。加权投票之前必须逐路归一化，常用的做法是各自除以本通道的报警阈值，变成无量纲的"相对逼近度"。

边界效应跟布点直接相关。靠近墙角的探测器，保护半径要打折——常见做法是按 0.7~0.8 倍计算，因为墙面和墙角会限制烟气在水平方向的扩散。如果优化时用统一的 R，角落区域会被虚高的覆盖半径"假覆盖"，实际安装后才发现有盲区。

提示：把这三项检查做成求解流程里的固定步骤，而不是最后补救。时间栅格和归一化方式一旦确定，布点优化的结果才有可比性。

5. 蒙特卡洛鲁棒性验证与报警延迟可视化核验

5.1 用随机火源位置和失效传感器做 1000 次抽样

前面得到的布点是针对"火源在某处、传感器全部正常"的确定性场景。真实场景里火源位置是随机的，探测器会因积灰、断线、老化而失效。用蒙特卡洛把这两个不确定性同时抽进来，才能看出方案的下限。

import numpy as np def monte_carlo(cov, centers, n_run=1000, p_fail=0.05, alpha_lo=0.0117, alpha_hi=0.0469, seed=1): rng = np.random.default_rng(seed) delays, miss = [], 0 for _ in range(n_run): alive = rng.random(cov.shape[1]) > p_fail # 传感器存活掩码 fire_pt = rng.integers(0, cov.shape[0]) # 随机火源网格位置 hit = cov[fire_pt] & alive if not hit.any(): miss += 1 continue r = np.linalg.norm(centers[hit] - centers[fire_pt], axis=1).min() alpha = rng.uniform(alpha_lo, alpha_hi) _, _, ta = simulate_alarm(alpha=alpha, r=r, v_front=rng.uniform(0.5, 1.5), tau=rng.uniform(15, 40), c_th=rng.uniform(1.5, 3.0)) delays.append(ta) delays = np.array([d for d in delays if np.isfinite(d)]) return miss / n_run, float(np.mean(delays)), float(np.percentile(delays, 95))

逻辑说明：每一轮先抽传感器存活状态和火源位置，从覆盖矩阵里取出真正能感知到这次火情的探测器，取其中距离最近的那只作为报警源，再在参数区间内抽一组 α、v_front、τ、C_th，调用单点仿真得到这次抽样的报警延迟。

参数说明：p_fail 反映设备年失效率折算到单次事件上的概率，取值 0.02~0.1 之间比较贴近实际维护水平；α 的抽样区间最好覆盖两档，避免结论只对某一种火情成立；输出里 miss 是漏报率，P95 延迟比均值更有参考价值——验收关注的从来不是平均水平，而是最差那 5%。