随着国家现代化程度不断提高,各省市各地区大空间建筑和仓库数量越来越多,并且其建筑构造也开始向高层、大尺度、综合性方向发展。随之而来的诸多问题如消防安全等也被提到了前所未有的高度。由于大空间仓库建筑结构与功能的特殊性,这些建筑一旦发生火灾,如果扑救不及时则很容易造成大规模的人员伤亡和财产损失,因此国家对大空间仓库的建设做出了严格的要求,并提出要特别注重大空间仓库的火灾防范。如果能够在火灾发生的早期或者火灾还未开始蔓延扩大时,对火灾源点进行及时准确的定位,将对火灾消防作业和受困人员的安全逃生具有重要的意义,并且将会大大的减少火灾造成的损失。为此,本文以大空间仓库建筑下的传感器检测系统为基础,针对现有火灾定位系统研究和实际应用中存在的问题,以烟气扩散模型、聚类分析、神经网络与深度学习等理论为手段,以有风和无风两种环境下的大空间仓库火灾定位方法为目的开展研究。因此,本论文的研究具有一定的意义与应用前景,其研究成果将有助于满足现代化的大空间仓库对于火灾源点精确定位的需求。具体研究内容如下:(1)当仓库内为无风环境时,根据湍流理论下的静态烟羽模型,模拟室内火灾烟气的扩散方程;依据传感器测量的烟气浓度信息,采用加权最小二乘法对火灾源点进行定位;最后使用基于K-means聚类法对定位结果密集区域进行实时动态的选取并得到火灾源点的最终位置估计。(2)当仓库内为有风环境时,综合考虑风速与风向的影响,以原有扩散模型为基础,给出有风环境下的烟气扩散方程。然而该模型非线性较强且噪声统计特性未知。针对该情况,采用粒子滤波方法对火灾源点位置进行估计,并将得到的定位结果与最小二乘法的定位结果进行对比,验证该方法的准确性与有效性。(3)当仓库环境复杂,现有模型难以有效描述火灾场景时,因此需要传感器测量得到的数据进行建模再定位。基于此,本章提出一种基于深度学习的未知传播模型灾定位算法,采用深度自编码算法对传感器收集到的数据进行降维处理,并提取数据特征,然后采用极限学习机来预测火灾温度场模型,求出火灾源点位置。