Уфимский государственный нефтяной технический университет (кафедра «Пожарная безопасность», аспирант)
Уфимский государственный нефтяной технический университет (старший преподаватель)
аспирант
Россия
Россия
Статья посвящена разработке нейронной сети на языке Python для прогнозирования ложных срабатываний дымовых извещателей в составе системы пожарной сигнализации. Актуальность определяется высокой долей ложных тревог, приводящих к дезорганизации эксплуатации объекта, росту нагрузки на персонал и снижению доверия к сигнализации. Новизна связана с переносом задач надежности и анализа причин ложных тревог в плоскость предиктивной аналитики: формализуется постановка прогнозирования события «ложное срабатывание» по временным рядам телеметрии и журналам эксплуатации, предлагается структура признаков, согласованная с типовыми причинами сбоев и ошибочных тревог. В рамках работы описаны требования к данным, логика разметки эпизодов, схема предобработки, архитектура рекуррентной модели и критерии качества. Внимание уделено учету эксплуатационных факторов (монтаж, вентиляция, запыленность, нестабильность питания, режимы помещений) при формировании признаков. Работа ставит перед собой цель – предложить воспроизводимую методику построения модели прогноза ложных тревог для последующей интеграции в регламент обслуживания. Для решения применены анализ источников, сравнительное сопоставление подходов, формализация, проектирование алгоритма обучения. Статья полезна разработчикам систем пожарной автоматики и исследователям прикладного машинного обучения в задачах промышленной диагностики.
пожарная сигнализация, дымовой извещатель, ложные срабатывания, прогнозирование, временные ряды, LSTM, Python, машинное обучение, надежность, диагностика
1. Гильмуллин Т.М., Гильмуллин М.Ф. Быстрый поиск аномалий в числовых рядах при помощи модифицированного метода Хампеля // Моделирование, оптимизация и информационные технологии. 2023. Т. 11. № 4. DOI:https://doi.org/10.26102/2310-6018/2023.43.4.030
2. Чирков А.В. Алгоритм формирования обучающих и тестовых выборок для анализа характера данных // Моделирование, оптимизация и информационные технологии. 2024. Т. 12. № 4. DOI:https://doi.org/10.26102/2310-6018/2024.47.4.014
3. Причины неисправностей средств противопожарной защиты образцов вооружения и военной техники / А.И. Зайцев [и др.] // Вопросы оборонной техники. Сер. 16: Технические средства противодействия терроризму. 2022. № 7–8 (157–158). С. 20–29. DOI:https://doi.org/10.53816/23061456_2022_5–6_156
4. Обеспечение надежности систем пожарной сигнализации: проблемы и перспективы / А.А. Снежко [и др.] // Сибирский пожарно-спасательный вестник. 2024. № 4 (35). С. 143–149. DOI:https://doi.org/10.34987/vestnik.sibpsa.2024.89.77.016
5. Кумратова А.М., Чумаренко К.Э. Прогнозирование сложных процессов нейронными сетями // Современная экономика: проблемы и решения. 2023. № 3 (159). С. 27–36. DOI:https://doi.org/10.17308/meps/2078-9017/2023/3/27-36
6. Применение искусственных нейронных LSTM-сетей для оперативного анализа акустических, магнитных и вибрационных полей / В.В. Гравиров [и др.] // Наука и технологические разработки. 2023. Т. 102. № 1. С. 40–64. DOI:https://doi.org/10.21455/std2023.1-3
7. Влияние концентрации дыма и ложных факторов на срабатывание автоматической пожарной сигнализации / Э.Ф. Рахматуллина [и др.] // Вестник Санкт-Петербургского университета ГПС МЧС России. 2025. № 3. С. 1–12. DOI:https://doi.org/10.61260/2218-130X-2025-3-1-12
8. Прогнозирование ложных срабатываний дымовых пожарных извещателей с помощью нейронной сети / И.Ф. Хафизов [и др.] // Сибирский пожарно-спасательный вестник. 2025. № 2 (37). С. 111–120. DOI:https://doi.org/10.34987/vestnik.sibpsa.2025.17.70.008
9. Kim D., Lee S., Jeong Yu. False alarm suppression in fire alarm systems using ensemble learning of heterogeneous sensors // Fire Safety Journal. 2023. Vol. 138. P. 103798. DOI:https://doi.org/10.1016/j.firesaf.2023.103798
10. Lee S., Park J., Kim H. Development of an intelligent fire detector based on convolutional neural network for discriminating false alarms // IEEE Access. 2022. Vol. 10. P. 54567–54578. DOI:https://doi.org/10.1109/ACCESS.2022.3175968
11. Терехин М.А., Иващенко А.В., Кулаков Г.А. Концептуальный подход к интеграции искусственного интеллекта в инженерную деятельность // Моделирование, оптимизация и информационные технологии. 2025. Т. 13. № 2. DOI:https://doi.org/10.26102/2310-6018/2025.49.2.031
12. Prichiny neispravnostej sredstv protivopozharnoj zashchity obrazcov vooruzheniya i voennoj tekhniki / A.I. Zajcev [i dr.] // Voprosy oboronnoj tekhniki. Ser. 16: Tekhnicheskie sredstva protivodejstviya terrorizmu. 2022. № 7–8 (157–158). S. 20–29. DOI:https://doi.org/10.53816/23061456_2022_5–6_156
13. Terekhin M.A., Ivashchenko A.V., Kulakov G.A. Konceptual'nyj podhod k integracii iskusstvennogo intellekta v inzhenernuyu deyatel'nost' // Modelirovanie, optimizaciya i informacionnye tekhnologii. 2025. T. 13. № 2. DOI:https://doi.org/10.26102/2310-6018/2025.49.2.031
