基于模糊神經網絡的火災傳感器特征參數融合算法*

錢 偉,何志祥,張德銀

(中國民用航空飛行學院,四川 廣漢 618307)

基于模糊神經網絡的火災傳感器特征參數融合算法*

錢 偉,何志祥,張德銀*

(中國民用航空飛行學院,四川 廣漢 618307)

針對現有火災探測器誤報率較高的現狀,以CO濃度、煙霧、溫度3種火災特征參量為對象,研究了3種傳感器特征參數的模糊神經網絡融合決策算法,以模糊控制器為核心研制了復合火災探測器。以木材陰燃火、棉繩陰燃火、聚氨酯明火、乙醇明火為模擬火災火源進行了火災探測響應實驗,以香煙、打火機、暖風機、粉塵為干擾源進行了干擾驗證實驗,實驗結果表明,在模擬火災火源下,復合火焰探測器具有較高的探測精度及抗干擾性能,其中探測器漏報率為0,平均響應時間為20.06 s,誤報率為0.3%。

火災探測;數據融合;模糊數學;神經網絡;

火災的發生通常會伴隨大量的一氧化碳(CO)、煙霧粒子、熱量(溫度)、火焰等,火災探測主要是通過上述火災特征參量的變化情況來確定是否發生火災,不同類型的火災其特征參量往往存在很大的差異[1]。傳統的火災探測器大多以煙霧、氣體、溫度、火焰等單一的火災特征參量作為火災判斷依據,單一的火災探測器對于火災算法也僅僅是采用簡單的閾值法,極易受到外界干擾的影響而導致火災誤報[2],因此針對兩種或兩種以上火災特征參量的探測已經成為目前火災探測的主要研究方向[3-6]。劉軒等[7]以煙霧和溫度為特征參量設計了復合火災探測器;陳濤[8]以煙霧和CO氣體作為火災探測對象,制作復合火災探測器起到很好的探測效果。Tekin A Kunt[9]為了解決火災探測中特征層融合識別算法對火災特征識別準確性低的問題,提出了將神經網絡算法應用于火災特征的識別;Jiao Aihong等[10]在研究火災算法時將神經網絡和遺傳算法進行優勢互補,增加了火災探測模型精度;但對3個參數及以上的傳感器數據融合預測并不適用。神經網絡可以通過學習不斷提高算法自身的適應性,且能夠很好的根據環境變化調整自身的參數,但其輸出表達形式往往較為抽象不容易被人們理解[11];而模糊控制算法注重對先驗知識的表達,對于處理火災等非確定性信息非常適用[12]。故為了改善現有火災誤報率高的問題,將模糊算法與神經網絡算法進行融合進行火災算法設計,以CO氣體濃度、煙霧粒子、溫度作為火災特征參量,利用模糊神經網絡算法對3種火災特征參量進行數據融合進行設計復合火災探測器,同時通過模擬火災實驗對設計的火災探測器進行響應驗證及干擾驗證。

1 復合火災探測器結構設計

火災探測硬件系統設計主要分為數據采集模塊和數據處理模塊,硬件結構如圖1所示。其中CO、煙霧、溫度傳感器通過信號調理電路將特征參數信號轉換為電信號,再通過微弱信號放大電路及濾波電路輸入到數據采集端口,信號采樣后傳送到CPU處理器進行模糊神經網絡進行融合判斷,將計算得到的火災發生概率以TTL電平形式輸出到聲光警告設備,通過最終閾值判斷電路進行火災報警決策響應。探測器硬件設計中CO傳感器選用MQ-7,濃度監測范圍10×106～1 000×106,功耗為350 mW;溫度傳感器選用TC1047,工作范圍-40 ℃～+125 ℃,工作電流15 μA～60 μA,測量精度為±1 ℃;煙霧探測采用光電型傳感器,設計了光電感煙室,內置發光元件IR5123C發光二極管,受光元件PD243B硅光電池,接受光譜范圍在近紅外波段0.5 μm～1.2 μm之間,工作溫度為-55 ℃～+100 ℃。

圖1 火災探測器系統結構框圖

圖2 算法設計流程

2 模糊神經網絡融合算法設計

2.1 算法設計流程

模糊神經網絡一般是多層前饋網絡,分為前層、中層和后層。前層實現模糊化,中層實現模糊推理,后層實現反模糊化。進行算法流程設計首先需要根據輸入構造神經網絡,確定神經元層級及個數,根據輸入特征參數構造適合的隸屬度函數,并設定相應的模糊判定規則庫;通過神經元傳導模型計算各層網絡的輸入輸出;網絡各層級傳導權值需要由采集的火災樣本數據對所構建的模型進行訓練,在訓練中不斷的調整修正神經網絡權值,使網絡輸出誤差小于設定值。最后利用模糊推理系統對網絡所輸出的有火或無火概率進行模糊推理判斷,并輸出火災發生的概率,通過使用閾值法對火災概率進行判斷。

2.2 神經網絡構造

以火災發生時環境中的CO濃度、煙霧、溫度3個特征參數轉換的電信號作為網絡的輸入,構建的模型共分為七層,分別為輸入層、線性變換層、模糊化層、模糊規則查找層、歸一化層、去模糊化層、反模糊化層,模型結構如圖3所示。C、Y、T分別表示CO、煙霧、溫度3種傳感器所采集的電信號在經過預處理后的輸出值。W1、W2、W3、W4分別表示(1,2)層、(2,3)層、(3,4)層以及(5,6)層之間的連接權值。S、M、B分別代表模糊推理當中的“小”、“中”、“大”。當火災信號輸入到神經網絡模型以后通過連接權值W1、W2將三路信號按照3種不同隸屬度函數劃分為S、M、B,然后通過權值W3根據三路數據實際隸屬度函數值選定對應的模糊規則,其次通過連接權值W4對第5層的模糊規則進行歸一化處理進而得到“明火L”、“陰燃火S”以及“無火N”所發生的概率,最后由網絡輸出火災判定結果。

圖3 模糊神經網絡模型

2.3 隸屬度函數與模糊推理規則

模糊化層主要對第1層輸出量進行模糊化處理即利用隸屬度函數將具體的輸入量以“S(小)”、“M(中)”、“B(大)”來表示。在模糊化過程中,隸屬度函數選取對于模型的輸出有著重要的影響,考慮到模型建立的實際需求,“S(小)”和“B(大)”采用S型函數,隸屬度如式(1)、式(2)所示,“M(中)”采用高斯函數,函數輸出在0～1之間,隸屬度函數如式(3)所示。上式中,x表示第1層輸出值,W1、W2作為連接權值選取任意值作為初始值,連接權值發生改變即隸屬度函數的參數發生了改變。

(1)

(2)

(3)

第4、第5層之間為模糊規則層用以實現模糊規則制定,由于輸入具有3個參數,且每個參數具有“S”、“M”、“B”3種狀態,即模糊規則應該有33條規則,考慮到火災發生的實際情況某些模糊規則并不具備實際判斷意義,且過多的模糊規則增加了模型的復雜度,因此總結了其中14條模糊規則如下所示,其中“N”表示無火,“S”表示陰燃火,“L”表示明火。

①IF(C為S)AND(Y為M)AND(T為S)THEN(火情為N)

②IF(C為S)AND(Y為S)AND(T為S)THEN(火情為N)

③IF(C為B)AND(Y為M)AND(T為S)THEN(火情為S)

④IF(C為M)AND(Y為B)AND(T為S)THEN(火情為S)

⑤IF(C為M)AND(Y為M)AND(T為S)THEN(火情為S)

⑥IF(C為S)AND(Y為S)AND(T為B)THEN(火情為L)

⑦IF(C為S)AND(Y為M)AND(T為B)THEN(火情為L)

⑧IF(C為B)AND(Y為M)AND(T為M)THEN(火情為L)

⑨IF(C為B)AND(Y為B)AND(T為B)THEN(火情為L)

⑩IF(C為B)AND(Y為B)AND(T為M)THEN(火情為L)

2.4 神經網絡各層單元計算

通過以上選定隸屬度函數及神經網絡傳導模型,可以確定網絡各層的輸入輸出如下:

第1層作為網絡輸入層,其輸出與輸入之間的關系如式(4)所示。

(4)

第2層通過權值線性連接后輸出如式(5)所示,式中R取C、Y、T,y取i、j、k:

(5)

第3層模糊化處理后輸出表達式如式(6)所示:

(6)

第4層作為模糊層,主要實現對模糊規則的創建以及運算,其輸出如式(7)所示,式(7)中,l表示第4層的節點個數,R表示輸入變量即C、Y、T,y表示輸入變量的隸屬度函數所存在的3種狀態。

(7)

第5層為歸一化層,該層主要是實現對第4層輸出結果的歸一化,為第6、7層的去模糊化過程做準備,該層節點數為14,其輸出表達式如式(8)所示:

(8)

第6層為去模糊層,該層主要輸出明火、陰燃火、無火3種狀況發生的概率,如式(9)所示:

(9)

圖4 X、Y兩層連接權值

第7層去模糊化,6、7兩層之間經過X、Y兩層變換,最后計算得出第7層的輸出值,X、Y兩層連接權值如圖4所示。其中X層有4個神經元,分別表示火災概率為0、1/3、2/3、1,其作用是將第6層中的L、S、N的隸屬度函數轉化為對應的具體數值的隸屬度即發生火災的概率,圖4中Pa表示明火概率,Pb表示陰燃火概率,二者在經過去模糊化后即可得到最終的輸出結果。

據此,利用面積重心法可得其輸出如式(10)所示:

(10)

圖6 網絡模型測試曲線

2.5 權值修正

模糊神經網絡模型的建立最主要的就是找到合適的網絡權值,從而使網絡實際輸出與期望輸出盡可能的接近,系統在構建時連接權值有W1、W2、W3、W4,其中W3為3、4層之間的連接權值,當兩層之間存在對應的模糊規則時將該節點的W3置1或0。而W1、W2、W4,則采用附加動量項神經網絡算法對其進行訓練,并利用誤差反向傳播的梯度下降法來實現對權值的調整。具體網絡學習算法過程如下:

網絡目標函數為:

(11)

網絡誤差信號定義為:

e=V-P

(12)

式中:V為期望輸出信號,P為網絡的實際輸出信號,網絡連接權值沿著目標函數ξ梯度下降的方向進行修正,在加入動量項以后,可通過式(13)來對連接權值進行修正:

(13)

式中:mc表示動量系數,其范圍為(0,1),在實際使用過程中通常設置在0.95;η為學習效率,其取值范圍為(0,1)。由式(13)可推導出ΔW1,ΔW2,ΔW4與網絡輸出之間的遞推關系如下:

W4(N)=W4(N+1)-ΔW4(N)

(14)

W2Ry(N)=W2Ry(N+1)-ΔW2Ry(N)

(15)

W1Ry(N)=W1Ry(N+1)-ΔW1Ry(N)

(16)

利用大量樣本數據的訓練可以對網絡連接權值W1、W2、W3、W4進行不斷的調整與修正,訓練樣本數量越大網絡模糊推理的準確度就越高。

3 算法模擬仿真

為了得到修正的神經網絡連接權值,以不同的燃燒材料形成?；馂沫h境,共采集了800組火災特征參量的樣本數據,其中木材陰燃火、棉繩陰燃火、聚氨酯明火以及乙醇明火各200組。在網絡模型訓練中共選取了其中640組樣本數據作為訓練對象,另外160組作為測試樣本,且測試樣本中每種類型火災分別為40組,共分4次對4種不同類型火災進行測試。在進行訓練和測試前需要先對所采集的數據進行歸一化處理,然后再借助MATLAB軟件進行仿真測試。在網絡模型訓練中將訓練誤差設置為1×10-4,最大訓練次數設置為1 000次,如圖5所示為訓練后誤差曲線圖,可以看出在經過119次迭代后,訓練誤差為9.913×10-5,滿足網絡所設定的條件。

圖5 訓練誤差曲線圖

為了驗證訓練后的網絡模型是否能夠準確的判斷火災,利用所采集的火災數據對網絡模型進行檢驗,檢驗所得期望與實際輸出比較波形圖如圖6所示。從圖6可以看出針對木材陰燃火、棉繩陰燃火以及聚氨酯明火,網絡模型的輸出與期望值較為接近,而乙醇明火數據則相對偏差較大,造成這種現象主要是因為訓練的數據量不足,若增大數據訓練量可有效提高網絡的準確性。

4 實驗驗證

4.1 響應實驗

為了驗證研制的火災探測器能否及時的響應火災,選取木材陰燃火、棉繩陰燃火、聚氨酯明火、乙醇明火作為實驗火進行了火災模擬實驗。實驗選用120 cm×110 cm×95 m木質方柜,在方柜當中放入燃燒盆,所有材料均放于燃燒盆當中燃燒,火災探測器安裝于距火盆上方1.5 m處,模擬火災實驗在相對封閉的樓道中進行。實驗中對木材進行的是陰燃,因此無明顯火焰,燃燒過程中伴有少量的煙霧,煙霧顏色為灰色,會產生一定的熱量。棉繩陰燃過程伴有零星的火光,產生熱量較少,燃燒產生的煙霧較多。聚氨酯燃燒過程屬于明火,實驗當中產生的火焰較大,有大量的熱量產生,產生的煙霧多為粒徑較大的黑煙。乙醇燃燒過程火焰較大,產生大量熱量,木柜中溫度上升非常明顯,且整個燃燒未發現明顯煙霧。

如圖7(a)～(d)為所記錄的4種實驗火報警過程中的數據波形圖,其中白色、紅色、綠色曲線分別表示溫度、CO氣體、煙霧傳感器信號響應電壓值,曲線上升階段為模擬火源點火開始各傳感器響應過程。從圖7可以看出在未進行點火之前,傳感器輸出存在小范圍波動,點火之后,4種火源下的CO、溫度、煙霧傳感器均隨相應環境參數變化,且不同火源下各特征參數變化過程差異較大,難以用一種特征參數進行火災描述。4種實驗火燃燒過程中均產生了大量的CO氣體,對比圖7(a)、圖7(b)可以發現,陰燃過程中產生的熱量少、煙霧多,溫度對應的曲線上升幅度小,煙霧對應的曲線上升幅度較大,而明火在燃燒過程中通常會產生大量熱量,對應溫度曲線上升幅度大。若以單一特征傳感器及單一閾值法進行火災探測很大可能會出現誤報及漏報現在。圖中虛線所標的位置即為復合火災探測器發出報警信號的時刻,由于該警報融合了3種特征參量進行綜合判斷,其響應時間在不同環境下對于單一特征判斷可能延遲也可能提前,每次實驗該報警時刻也會存在一定的波動。為了測試探測器的平均響應時間,在4種模擬火災下,分別進行50組響應測試。

圖7 4種實驗火數據波形圖

圖8 探測器響應時間測試

圖8為探測器響應時間測試曲線,其中木材陰燃火測試中,平均響應時間為19.5 s,棉線陰燃火平均響應時間20.9 s,聚氨酯明或平均響應時間21.1 s,乙醇平均響應時間21 s,均滿足國標中30 s響應時間要求。

4.2 抗干擾實驗

為了驗證本次研制的復合火災探測器的抗干擾性能,對日常生活中常見的干擾源:香煙火、打火機火、暖風機、粉塵進行了模擬實驗,其中每種干擾源分別進行了200組實驗,實驗中將模擬火源放置于探測器下方10 cm處,抗干擾實驗結果如表1所示。

表1 干擾實驗結果統計表

從實驗結果可以看出,火災探測器對于靜態的干擾火源誤報警出現3次,誤報率為0.3%,具有較好的抗干擾特性。其中香煙火之所以出現誤報的原因是香煙燃燒過程中在產生煙霧和CO氣體的同時香煙火距火災探測器較近使得探測器內部溫度升高,在三者的作用下觸發了報警。打火機火出現誤報主要是因為打火機在按下后液態丁烷未來得及燃燒便進入了探測器感煙室內,對紅外光線造成散射,在打火機點著后探測器內部溫度和CO氣體濃度又迅速增加,從而導致探測器發出報警信號。但實際情況中,無論是香煙火還是打火機火通常距離火災探測器較遠,因此香煙火的溫度無法使探測器內部溫度發生明顯的改變,而打火機中的液態丁烷也不會進入感煙室內。

5 結束語

以火災特征參量CO濃度、煙霧粒子、溫度為研究對象,利用模糊神經網絡對3種火災特征參量進行融合設計了復合火災探測器,在模擬火災實驗中,利用所設計的復合火災探測器對木材陰燃火、棉繩陰燃火、聚氨酯明火、乙醇明火4種實驗火進行火災響應實驗與抗干擾實驗,通過實驗得出以下結論:①在上述模擬火災中,火災探測平均響應時間約為20.06 s,火災漏報率為0,達到了國家標準要求的性能指標;②在800次抗干擾實驗中,出現了3次誤報,誤報率為0.3%,造成火災誤報主要是因為干擾源距離探測器距離太近;③所設計的模糊神經網絡算法適用于3種傳感器的火災探測數據融合,隨著訓練樣本的增加,火災探測精度會進一步提高。

[1] 蘭乾玉. 復合火災探測器綜合性能評估試驗平臺[J]. 消防科學與技術,2015(1):89-92.

[2] 張德銀,何志祥,錢偉,等. 民用飛機火災探測器改進研究[J]. 消防科學與技術,2016,11:75-78.

[3] 劉士興,張永明,顧勤冬. 基于無線傳感器網絡的多參數火災探測節點研究[J]. 傳感技術學報,2010,23(6):883-887.

[4] 李正周,方朝陽,顧園山,等. 基于無線多傳感器信息融合的火災檢測系統[J]. 數據采集與處理,2014,29(5):694-698.

[5] 金晨,蔡光強,陳果,等. 基于無線傳感網和數據融合技術的火災報警系統設計[J]. 儀表技術與傳感器,2016(6):66-68.

[6] 孫金祥,曹銀杰,張寧,等. 基于粉塵濃度傳感器的火災預警系統[J]. 消防科學與技術,2016(7):973-975.

[7] 劉軒,劉士興. 總線式煙溫復合火災探測器[J]. 合肥:合肥工業大學學報(自然科學),2010(7):1094-1098.

[8] 陳濤,蘇國鋒,申世飛,等. 火災煙氣中CO和煙顆粒的光聲復合探測方法[J]. 傳感技術學報,2006,19(3):597-601.

[9] Tekin A K. Intelligent Fire Warning System Based on Fuzzy Extension Constraint Algorithm[C]//2014 Fifth International Conference on Intelligent Systems Design and Engineering Applications(ISDEA). 2014:578-581.

[10] Jiao Aihong,Yuan Lizhe. City Fire Risk Assessment Model Based on the Adaptive Genetic Algorithm and BP Network[C]//2012 International Conference on Industrial Control and Electronics Engineering(ICICEE). 2012:1345-1347.

[11] 張加宏,劉毅,顧芳,等. 基于PSO-BP神經網絡的氣溶膠質量濃度測量系統濕度補償[J]. 傳感技術學報,2017,30(3):360-367.

[12] 趙亞琴. 基于模糊神經網絡的火災識別算法[J]. 計算機仿真,2015(2):369-373.

MultiFireSensorCharacteristicParametersFusionAlgorithmBasedonFuzzyNeuralNetwork*

QIANWei,HEZhixiang,ZHANGDeyin*

(Civil Aviation Flight University of China,Guanghan Sichuan 618307,China)

A composite fire detector based on fuzzy control was developed to overcome high false positives rate of current fire detector. The core of the fuzzy control is a fuzzy neural network algorithm which incorporates three fire characteristic parameters from CO,smoke,and temperature. The fire detection response experiments and the interference detection response experiments were carried out in different simulative fire situations(wood smoldering fire,cotton rope smoldering fire,polyurethane fire,and alcohol fire)with various interference sources(cigarettes,lighters,air drier,and dust). The experimental results show that the false negative rate is 0,the average response time is 20.06 s,and the false positives rate is about 0.3%,which verify the detector has high detection accuracy.

fire detection;data fusion;fuzzy mathematics;neural network

10.3969/j.issn.1004-1699.2017.12.021

項目來源:中國民航局科技項目(MHRDZ201003);中國民航飛行學院科研基金項目(J2015-09)

2017-05-03修改日期2017-07-12

S776.29.2

A

1004-1699(2017)12-1906-06

錢偉(1986-),男,四川峨邊人,工學碩士,工程師,主要研究方向為航空器故障檢測,檢測自動化設備開發,460458984@qq.com;

何志祥(1990-),男,安徽池州人,工學碩士,助教,主要研究方向為航空器電子設備故障檢測,飛機防火理論與實驗;

張德銀(1971-),男,四川簡陽人,工學博士,教授,主要研究方向為航空器故障檢測與維修,飛機防火研究,1033636653@qq.com。