SymmFlow：通过对称归一化流实现无监督异常检测

《COMPUTERS IN INDUSTRY》：SymmFlow: Unsupervised anomaly detection via symmetric normalizing flow

准确重建复杂火场温度分布对消防监测和决策至关重要，传统方法受限于非线性动态环境的计算效率和精度问题。本文提出基于多源声波数据的自适应加权混合卷积-动态残差注意力融合网络（AWHC-DRAAFN）与集成K最近邻（IKNN）模型，通过多尺度特征融合和动态加权机制提升非线性关系建模能力，结合局部加权KNN插值实现离散温度数据的连续场转换。实验表明该方法MAE<5.3%，MSE<0.7%，RMSE<8.3%，重构时间<0.54s，有效解决了传统声全息热成像在动态火场中的精度与实时性不足问题。

　　在面对复杂火灾场景时，对温度分布进行精确重建对于实现有效的火灾监测、预警以及灭火决策至关重要。传统方法通常在准确性和计算效率方面面临挑战，因为火灾环境具有高度的非线性和动态特性。为了解决这些问题，本文提出了一种基于多源声波数据驱动的新颖重建框架。该框架结合了自适应加权混合卷积—动态残差注意力感知融合网络（AWHC-DRAAFN）与集成K近邻（IKNN）模型。AWHC-DRAAFN通过整合多种卷积操作与自适应加权机制，实现了多尺度特征的高效提取与融合，从而增强了网络捕捉声波传播与温度分布之间复杂非线性关系的能力。同时，IKNN模型通过局部加权K近邻插值策略，将离散的温度数据转化为连续的场域。实验结果表明，该方法在预测精度（平均绝对误差<5.3%，均方误差<0.7%，均方根误差<8.3%）和计算效率（重建时间<0.54秒）方面表现出色，凸显了其在实时火灾温度场重建中的可靠潜力。

在建筑火灾领域，实现对三维温度分布的全局、实时和精确感知对于提升消防救援效率、保障消防员安全、优化建筑设计与防火措施、支持火灾情况分析和灾后重建具有重要意义。然而，尽管传统基于传感器的检测方法和数值模拟在这一领域发挥着不可或缺的作用，它们在处理复杂且动态变化的火灾环境时仍存在显著的局限性。数值模拟依赖于高度精确的初始和边界条件，而这些条件在实时应用中往往过于复杂难以满足。另一方面，基于传感器的检测方法虽然在测量精度和时效性方面具有优势，但其空间覆盖范围通常受到限制，因此无法提供对建筑火灾温度数据的实时、全局和精确获取。

随着声学测量和计算机断层扫描（CT）技术的不断发展，声学CT测温技术因其非接触性、大面积覆盖能力和高时间响应性而受到越来越多的关注。近年来的研究主要集中在燃烧锅炉监测、隧道火灾检测和海洋热液观测等应用领域。例如，在模拟锅炉环境中，通过结合非线性声学断层扫描与多种优化算法，如粒子群方法、改进的迭代解法和基于核的极端学习方法，已经实现了复杂温度场的重建。此外，为了提高三维非均匀温度和流场测量的准确性，研究者还探索了多种声波路径优化策略，包括双向追踪、领域离散化和改进的换能器配置。温度场重建的准确性也因先进稀疏重建模型和多尺度特征融合网络的应用而得到进一步提升。在海洋热液监测中，对声学传播时间断层扫描技术的详细回顾强调了提高温度和空气流速估计准确性的重建方法和策略。在隧道火灾场景中，研究人员利用物理引导的人工鱼群算法和超声波测量实现了火源定位和二维温度重建。同时，Blaze火灾模型已被验证与FireFlux I实验数据一致，证明了其在模拟大气火灾中的价值。

在隧道天花板温度监测方面，已有系统性研究对比了声学CT算法（代数重建技术与同步代数重建技术(SART)），提出了最优网格划分方法，并通过仿真和实验验证了其在实时隧道火灾监测中的有效性。针对煤炭自燃检测，声波信号设计被优化以提高在松散煤环境中的温度测量精度。基于这些早期发展，我们的研究团队率先将声学CT测温技术应用于建筑火灾场景。后续实验验证了该算法的实用性和鲁棒性。然而，传统的声学CT方法仍然面临诸多挑战，其性能通常受限于声波路径数量与离散网格之间的敏感平衡，导致在高度动态和异质的火灾环境中重建精度有限且响应速度较慢。

近年来，数据驱动的方法在火灾监测领域得到了广泛应用。在声学测温的背景下，多种基于学习的方法被引入用于三维温度场的重建。例如，动态重建算法、多字典学习方案以及结合Transformer与卷积神经网络的混合深度网络，已被用于声学断层扫描和纳米流体填充接收器场景的建模。此外，通过整合在线导电性数据、实时热监测和空气动力学特征，研究者们还努力提升温度场重建的时空分辨率，从而实现了高分辨率、小时级的表观温度重建和有效的全天候地表温度预测。为了进一步拓展这些方法在复杂系统中的适用性，多个混合框架被开发出来，包括基于神经网络的卡尔曼滤波用于海面温度插值、物理约束神经网络用于模拟微结构材料，以及基于学习的模型用于厄尔尼诺—南方涛动（ENSO）预测任务。在工业领域，数据驱动智能与物理模型的融合带来了多个进展，包括金属材料疲劳寿命预测、使用增量深度学习技术的炉温场建模，以及基于无监督和集成学习模型的能源存储系统热失控预警系统。

在智能产品—服务系统的研究中，也有平行的工作集中于数据驱动框架的整合。例如，一种方法利用制造执行系统数据，通过概率自动机、细粒度机器状态分类和逻辑回归实现生产效率优化。另一种框架结合服务科学与数据管理理论，探讨智能互联产品如何促进客户价值共创，并识别出四种将数据驱动服务设计与价值结果相联系的典型模式。随着数据驱动方法在各个领域的广泛应用，已经开展了全面的综述工作，总结了建筑能耗预测、基于物联网的网络入侵检测和实时结构健康监测的发展。数据驱动框架的潜力也在制造业过程控制中得到了验证，例如，一种基于深度学习的热模型结合了三维有限元分析，用于预测自动纤维铺设操作中的热分布情况。此外，关于人类数字孪生概念演化的全面综述提供了分类方案并指出了关键技术挑战。在算法层面，基于归一化流和神经常微分方程构建的神经过程模型显著提升了异常检测的性能，为工业设备状态监测提供了更可靠的推理支持。最后，火灾监测和预测的持续发展也借助了先进的学习方法，包括使用反向传播网络进行自适应数据生成、改进的YOLOv5检测模型以及基于生成对抗网络的实时预测框架，用于估计复杂室内条件下天花板温度、空气流速和烟雾密度。

上述研究显示，基于深度学习的数据驱动方法在多个领域的温度测量技术中具有显著优势。这些方法在处理复杂数据方面表现出色，并在各种应用场景中，如工业流程和环境温度监测，提供了高效的实时响应。然而，在建筑火灾这一复杂且关键的环境中，基于深度学习和数据驱动的方法在温度场重建方面的应用仍处于探索阶段，相关研究尚不充分。特别是，在利用多源声波数据与基于深度学习的数据驱动方法相结合以实现高精度火灾温度场重建方面仍存在明显限制。目前，大多数研究集中在使用视觉或热成像数据进行火灾检测和分析，而基于声波数据的深度学习建模仍较为有限。鉴于多源声波数据能够提供关于火灾环境更丰富的热力学信息，基于深度学习的数据驱动方法具有潜力，能够更全面地表征温度分布，并通过多源声波数据的融合与特征提取，提升火灾场景中温度场重建的准确性和稳定性。

为了进一步优化复杂火灾场景中的温度重建性能，本文提出了一种基于多源声波数据驱动的温度场重建方法，即自适应加权混合卷积—动态残差注意力感知融合网络—K近邻（AWHC-DRAAFN-KNN）方法。这是首次将该方法应用于火灾温度场重建。该方法结合了AWHC网络，该网络能够从数据中有效提取多尺度特征，并通过整合多种混合卷积操作和引入自适应加权机制，增强模型捕捉复杂火灾场特性的能力。同时，DRAAFN结合了多分支残差结构、动态注意力机制和自感知机制，网络能够根据提取的特征动态调整权重，从而提升模型表示集成特征的能力，并增强其捕捉声波与火灾场局部温度分布数据之间关系的能力。最后，通过使用袋外法（bagging）将多个局部加权KNN模型进行集成，并对每个局部加权KNN模型的输出进行平均，以获得火灾现场温度预测的最终结果。因此，本研究实现了从声学数据采集、特征提取、声波与局部温度点之间的映射、数据预测到最终火灾现场温度分布重建的端到端解决方案。本研究的整体研究框架如图1所示。

为了验证所提出的AWHC-DRAAFN模型在预测火灾现场温度分布方面的优越性，并全面评估不同模型在该任务中的性能，本文设计并实施了一个多模型泛化性能评估框架。本研究中评估的五个模型包括卷积神经网络—全连接神经网络（CNN-FCNN）模型、多层感知机—卷积神经网络（MLP-CNN）模型等。这些模型在不同场景下的表现被系统地比较，以揭示AWHC-DRAAFN模型在处理复杂火灾数据时的性能优势。此外，实验还考察了模型在不同输入条件下的适应性，包括声波传播路径、接收器位置、温度分布模式等。通过这些评估，研究者能够更深入地理解模型在实际应用中的表现，并为后续优化提供理论依据。

在构建应用条件方面，为了验证训练后的AWHC-DRAAFN-IKNN模型在不同复杂火灾条件下的重建精度和通用性，本文设计了四个前所未有的火灾场应用条件（三个位于不同火源位置的单峰温度场和一个双峰温度场）。这些条件涵盖了多种火灾场景，包括火源位置的变化、温度分布的多样性以及声波传播路径的复杂性。实验中，AWHC-DRAAFN模型的初始学习率被设定为0.001，优化器选择Adam，损失函数则根据具体任务进行调整。通过这些参数的设置，模型能够在不同的火灾场景中保持良好的收敛性和预测性能。此外，IKNN模型的局部加权策略也被优化，以确保其在处理不同尺度的温度数据时能够保持较高的精度和稳定性。

在实验设计中，本文采用了多种数据处理和模型训练策略，以确保所提出方法的有效性和可靠性。首先，数据集的构建涵盖了基本温度场数据和多源声波数据，为模型的训练和验证提供了充分的样本支持。其次，通过引入自适应加权机制和多尺度特征融合策略，AWHC-DRAAFN网络能够更有效地捕捉火灾环境中的复杂关系。同时，IKNN模型的局部加权策略在处理温度数据时表现出良好的鲁棒性，能够在不同噪声水平和数据缺失情况下保持较高的预测精度。实验结果表明，该方法在多个火灾场景中均能实现高精度的温度场重建，并且在计算效率方面也具有显著优势，能够在短时间内完成大规模数据的处理和分析。

此外，本文还探讨了声波与温度之间的映射关系，并对数据变量进行了深入的解释。通过分析声波传播路径、接收器位置、温度分布模式等因素，研究者能够更准确地理解声波数据如何反映火灾环境的温度特征。这一过程不仅涉及数据的采集和处理，还包括对模型输入和输出的详细分析，以确保其在实际应用中的有效性。实验中，研究者还对不同模型的性能进行了对比，包括传统模型和基于深度学习的模型，以揭示AWHC-DRAAFN-KNN方法在火灾温度重建中的独特优势。

本研究的结论表明，基于多源声波数据的火灾温度场重建方法具有显著的可行性和应用潜力。通过整合AWHC-DRAAFN和IKNN模型，该方法不仅能够提高温度重建的精度，还能够在复杂火灾场景中实现高效的实时响应。实验结果进一步证明了该方法在不同火灾条件下的一致性和稳定性，为未来在火灾监测和预警系统中的应用提供了坚实的基础。此外，本文的研究框架也为其他类似领域的温度场重建提供了参考，展示了数据驱动方法在处理复杂物理问题中的强大能力。

综上所述，本文提出的方法在火灾温度场重建中展现出卓越的性能和广泛的应用前景。通过引入先进的深度学习模型和声波数据处理技术，研究者能够更全面地表征火灾环境的温度分布，并在实际应用中实现高效、准确的温度预测。未来的研究可以进一步优化模型的参数设置，提升其在极端条件下的鲁棒性，并探索更多数据源的融合，以实现更全面的火灾监测和分析。同时，该方法的推广和应用也有助于推动火灾防控技术的发展，提高火灾应对的智能化水平，为建筑安全和消防管理提供更加可靠的技术支持。