基于STM32F和極限學習機在火災檢測中的應用

,,

(浙江工業大學 信息工程學院，杭州 310014)

0 引言

火災一直威脅著人類生命財產安全。目前幾種主要的火災探測技術包括吸氣式[1]，紅外光束[2]，圖像視頻技術[3]，布線復雜且性價比低、結構不靈活等缺點。隨著無線局域網(wireless local area network，WLAN)[4]的發展，無線網絡已經廣泛部署于各種室內場合，如學校、醫院、餐廳、小區等。如果能充分利用這些網絡資源來實現火災檢測，將大大降低系統成本。

在火災信號處理算法方面，英國的Thomas H.Mcavoy把統計概率學應用到火災檢測中，很好地解決了傳統的感煙探測器的精確度低的問題，對陰燃火有迅響應時間快[4]，但該方法利用單一傳感器，很容易受到干擾源的影響。對單一的傳感器火災探測系統來說，經常會出現誤報的問題。因此許多研究者使用兩種或兩種以上的不同類型探測器同步進行檢測，同時和智能算法相結合。我國的楊宗凱以半導體感溫，離子感煙和濕度模擬傳感量為基本特征，并附加其相應的趨勢特征對神經網絡進行訓練，較好地克服干擾信號影響[5]。周曉琳采用了多傳感器數據融合技術實現對火災特征信息的采集與處理；然后提出了一種新的神經網絡算法,建立BP網絡火災預警模型[6]。然而BP神經網絡訓練速度慢，易出現過擬合情況。另外，趙鵬利用數字圖像處理技術，通過對像素特征空間進行彈性約束，模糊匹配識別區域，有效的提高火焰小的情況下系統的識別率[7]。然而火災發生過程中會產生大量煙霧，造成圖像質量低，該技術對火焰的特征提取存在較大偏差，致使探測的精度下降。Andrew利用PEN3電子鼻工具和協方差k-最近鄰近概率神經網絡算法，根據火災的燃燒的氣味進行早期火災檢測[8]，響應速度快。Chen Jing闡述了火災報警和火災燃燒過程中的理化特性之間的關系，并提出了基于貝葉斯網絡的火災預警模型[9]。但貝葉斯網絡訓練過程復雜，需要的數據多。Wang Hairong提出基于RBF的分布式神經網絡火災預警模型，同時利用遺傳算法來優化RBF網絡模型，提高預警模型的適應性和可行性[10]，實現在較少的數據集下也能達到很好的精度。Qian Ding采集多個傳感器數據，然后利用改進的D-S證據理論對火災發生的概率進行判斷，很好的解決了證據沖突的問題[11]。劉云翔將模糊推理技術和神經網絡相結合，應用在火災檢測中，實現較高的可靠性和準確性，但需要在建立精確的火災樣本和收集分析其他火災傳感信號等方面進一步完善[12]。

基于以上研究，本文引入具有良好的非線性映射能力和建模速度快的極限學習機來檢測火災，利用STM32F采集火災發生過程中各傳感器的值，通過WLAN將火災數據傳到終端進行分析處理，建立STM32F極限學習機火災檢測模型。該方法較單一傳感器和BP神經網絡、支持向量機、樸素貝葉斯方法相比能更為全面判斷火災狀態，準確地檢測是否出現火情，減少誤報率，提高系統的準確度。

1 火災采集系統的設計

火災采集系統主要采用MQ2煙霧傳感器，MQ4甲烷傳感器，MQ5可燃氣體傳感器，MQ7一氧化碳傳感器，實時檢測環境中的煙霧信號，克服單一傳感器造成的誤報問題。多傳感器模擬數據傳輸至STM32F微處理器進行A/D轉換，轉換成數字電壓信號。采用32位處理器，可有效提高系統數據分析和處理能力。在通過ESP8266無線模塊將多傳感器數據傳輸到終端主機，集中顯示和管理所有傳感器。終端上采用C#編寫的客戶端用于接收和顯示各傳感器數據。該無線模塊解決了傳統報警器無法接入WIFI網絡，采用物聯網方案中的WIFI聯網，具有成本低，兼容性好，能直接適配現有無線網絡，更方便的對系統進行遠程控制。無線采集模塊實物如圖1所示。

圖1 STM32F無線采集模塊

1.1 傳感器的選擇

不同燃燒物在燃燒過程中會伴隨不同的產物，但一些信息只有火災發生很長一段時間后才會檢測出來，像火焰，燃燒音，固態高溫產物等。經過實驗發現溫度在火災初始階段變化不明顯，早期火災以產生釋放出煙霧和一些氣體為主，基于此我們將火災發生初期的氣體作為火災判斷依據，氣體檢測裝置選擇MQ系列傳感器，包括MQ2煙霧傳感器，MQ4甲烷傳感器，MQ5可燃氣體傳感器，MQ7一氧化碳傳感器。

1)MQ系列傳感器是一系列的模擬氣敏傳感器，主要由不同雜質含量、不同構造的二氧化錫構成。不同型號的傳感器對于不同的氣體有不一樣的敏感度。

2)MQ系列傳感器采用5 V供電，模擬電壓輸出范圍為0～5 V，為MCU內部ADC最大支持3.3 V輸入，所以通過電阻分壓的方式等比降低輸入電壓，并且采用LM358設計電壓跟隨器電路，提高外部電路的輸入阻抗，從而提高MCU內部ADC檢測的精度。

1.2 采集控制器的選擇

系統采用STM32F429處理器完成傳感器數據采集，傳統的基于8位，16位的的單片機，完成火情分析時間一般為15～18 s，對多數據處理能力較差，且存在模塊功能弱的缺點，故不適合本系統多傳感器的多數據處理的實現；基于DSP單片機雖具有較強的數據處理能力，但是成本較高，不易推廣[13]，STM32F429提供了1 MB閃存、256 KBS RAM，芯片內資源能夠滿足大多數應用要求。另外提供了84 MHz的32位寬的數據總線，能夠使用低成本的外部SRAM。此芯片擁有3個12位ADC，其中ADC1擁有16復用通道，對于模擬信號的傳感器擁有很好的兼容性，便于對于MQ系列傳感器的數據采集。同時該處理器擁有8個串口資源，能夠同時滿足數據采集和通信。

1.3 無線傳輸模塊選擇

無線模塊采用ESP8266模塊，該模塊采用WIFI芯片作為無線通信的載體，能夠充分兼容現有的無線網絡，能夠使系統具有更加強大的兼容性能，能夠在任何一個擁有WIFI的地方接入互聯網，也可以使用任何具有無線功能的終端接入該系統。這樣就可以利用現存的WIFI網絡進行火災檢測。天線方面使用簡單的PCB天線即可達到空曠環境下400 m的傳輸距離。該模塊采用TTL電平與MCU通信，內置TCP/IP協議棧，通過AT指令控制芯片完成各種配置，兼容3.3 V和5 V單片機系統，擁有WIFI STA、AP和WIFI STA+WIFI AP三種模式，能夠使用各種場合。使用編寫好的PC客戶端程序，可以通過TCP/IP協議對已經接入網的控制平臺進行訪問，讀取控制臺數據。

2 火災數據采集及極限學習機分類方法

傳統火災檢測系統基于單一傳感器，但單一傳感器檢測存在可靠性差，容易受到環境干擾等缺點。不同燃燒物特性不同，單一傳感器無法準確判斷火災種類。多傳感器信息融合能有效克服單一傳感器帶來的不足，綜合各類傳感器信息，對燃燒物進行更細粒度分析，實現火災燃燒物識別。在實際測量中，監控點(monitor point，MP) 接收從接入點(access point，AP) 發來的數據包分組，同時將各個傳感器狀態信息數據記錄到一個txt文件中。txt文件中的數據由多個數據包構成，而每個數據包代表燃燒物在某時刻各個傳感器值。

2.1 傳感器數據預處理

在對各燃燒物數據進行極限學習機分類前，需要進行數據的預處理，實驗環境中，燃燒物和傳感器有一定距離，傳感器的輸出值很容易受到周圍環境影響，包含各種噪。圖2(a)為紙張燃燒過程中甲烷天燃氣傳感器信號輸出，從圖中可以看出輸出信號中含有許多噪聲分量。噪聲可能來源環境和元器件電磁干擾。

本文采用加權移動平均濾波從測量信號中濾除噪聲，保留反映真實情況的樣本數據。

在某個時段傳感器接收的數據可以表示為{X1,X2,…,Xt}，濾波后t時刻值為：

(1)

m表示移動窗的大小，Xt表示t時刻濾波后的值。由公式(1)可以看出，加權移動平均濾波器不同地對待移動期內的各個數據。對近期數據給予較大的權數，對較遠的數據給予較小的權數。圖(b)為濾波后的波形圖，加權平均濾波有效濾除信號中噪聲部分。

數據預處理第二步就是歸一化，歸一化是指將每一維度的數據轉換(0,1)的范圍內，這就防止樣本中某些取值過大的特征對其他特征產生影響，歸一化方法為：

(2)

式中，Xnew，Xold為歸一化之前和處理后的樣本數據，Xmin，Xmax分別為訓練數據中的最小值和最大值。從公式中可以看出若采集數據中存在噪聲，就會對歸一化產生干擾，因為噪聲可能為訓練數據中的最大值或者最小值，導致歸一化失敗，這也是在歸一化之前先進行濾波的原因。

2.2 極限學習機分類原理

極限學習機[14-15]是一種單隱層前饋神經網絡。網絡的輸入層權重和隱藏層偏置是隨機產生的，輸出層權重利用Moore-Penrose廣義逆計算得到，因此網絡的學習速率有很大的提高。

給定一個樣本集(Xi,ti)，i=1,2,…,N，其中ti=(ti1,ti2,…,tim)∈Rm，網絡隱含層具有L個單隱層節點，激勵函數為g(x)，則ELM網絡實際輸出為：

(3)

(4)

由矩陣表示為：

Hβ=T

(5)

其中：

H(W1,W2,…,WL,b1,b2,…,bL,X1,X2,…,XN)=

則式(5)中β由最小二乘法解得：

β=H+T

(6)

其中：H+為隱含層輸出矩陣的廣義逆。

從ELM 算法過程可知,在設定合適的隱藏層神經元后,隨機為輸入權重和偏差賦值,在計算隱藏層矩陣后,通過最小二乘法得到輸出權重,這樣就一次完成該問題的求解過程,不需迭代。

3 火災檢測實驗及分析

3.1 實驗平臺

實驗平臺主要分為接入點(AP)和監控點(MP)，其中AP是由STM32F429處理器、傳感器、無線模塊采用ESP8266模塊構成的采集系統，MP為安裝了自己用C#編寫桌面端軟件筆記本電腦，操作系統為Windows7。在采集數據時，燃燒點放置在房間內某個位置，MP 接收來自AP 的數據包，并從中提取出燃燒物數據。數據中包含了燃燒物各個傳感器信息。

3.2 實驗環境及參數設置

為采集火災環境數據，我們選取一間長寬高為：2.4 m×1.8 m×2.9 m房間。實驗圖如3所示，選取4個數據集點，燃燒點之間距離為1.2 m，燃燒點距AP距離為1 m，AP高度為30 cm。我們選取紙張，布料，塑料，木材作為火災信號，蠟燭，香煙和正常狀態為非火災信號。經實驗研究蠟燭，香煙作為干擾源也會釋放出煙霧，但在早期相對于火災源，產生煙霧較少。我們可以根據這一特性進行判別火災信號和干擾信號。采集系統每隔2秒收發一次傳感器數據，初始階段火災環境特征變化較小，發展階段隨著氣體釋放，燃燒物各種氣體體積分數增高，煙氣量開始增加。利用發展階段早期氣體變化進行判斷，縮短預警時間，降低火災損失。

圖3 火災檢測實驗圖

3.3 實驗結果分析

對于每種燃燒物，我們選取前250個樣本值，構成樣本集。訓練樣本和測試樣本個數如表1所示。

表1 訓練樣本和測試樣本

為了研究起火點對算法影響，我們將4個起火點的傳感器數據按照表1構成4個樣本集，對每個樣本集先利用移動加權濾波處理，然后采用極限學習機方法對其預測，測試樣本預測結果如圖4所示。

圖4 不同節點正確率

從圖中可以看出，在4個樣本集中無論對于火災信號還是非火災信號，極限學習機網絡都能達到高于90%的正確率。位置對分類準確性影響較小。

為了檢測算法的有效性，我們在每個火災試驗點隨機選取250個樣本，作為訓練樣本。50個樣本作為測試樣本。統計火災狀態下單一傳感器和多傳感器分別作為極限學習機網絡的輸入，比較結果見表2。

表2 單一傳感器和融合后結果對比

如表2所示，用單一種類傳感器進行火災類型判別時，極限學習網絡輸出火災和非火災概率相差較小，這樣就容易造成誤判；而使用極限學習機理論融合多種傳感器信息后，兩者概率之差增大，在一定程度上提高了火災檢測系統的準確率。

同時本研究將極限學習機和傳統的分類算法BP神經網絡、支持向量機、樸素貝葉斯做比較，BP神經網絡和樸素貝葉斯采用MATLAB自帶工具箱，其中BP神經網絡利用Levenberg-Marquandt規則訓練前向網絡。支持向量機使用libsvm-2.89工具箱，測試集比較結果如圖5所示。

圖5 不同算法結果對比圖

從圖5中可以看出，支持向量機和樸素貝葉斯正確率只有40.8%和57.6%。而ELM達到94.3%的正確率。同時也高于BP神經網絡。支持向量機雖然通過核函數將非線性數據映射到高維空間進行分類，但對非線性問題沒有通用解決方案，必須謹慎選擇Kernelfunction來處理。樸素貝葉斯模型假設屬性之間相互獨立，而火災環境中的特征量是很難保證是完全獨立的，這給樸素貝葉斯模型的正確分類帶來了一定影響。用神經網絡算法雖然能夠識別一些干擾信號，并且能夠較為準確地判斷火情但是火災的數據與收集需要神經網絡有足夠多的訓練樣本。同時學習的樣本過多使整個網絡變得很大，影響收斂的速度。因此ELM網絡在火災檢測中具有較大的優勢。

表3為4種方法的性能分析，BP神經網絡和ELM都能達到較高的正確率，但ELM網絡結構簡單，無需迭代進行學習，所以在訓練和測試所需時間遠少于BP神經網絡，BP神經網絡由于需要進行反饋學習，訓練時間較長。樸素貝葉斯方法、SVM方法和極限學習機訓練時間短，但訓練集和測試集正確率都低于ELM方法。極限學習機在達到較高的正確率，同時能夠大大降低訓練時間。

表3 3種算法性能比較

4 結論

利用搭建的STM32無線數據采集平臺，進行燃燒物數據采集，實驗平臺靈活，不受環境限制。針對單一傳感器檢測時出現的不足，研究了將極限學習機網絡應用于火災檢測的方法。使用多種傳感器對火災早期煙霧特征進行測量，降低單個傳感器帶來的不確定性誤差。實驗結果表明，該方法和單一傳感器、SVM、Nbyes、BP神經網絡相比，可以更快速準確的反應出發生火災的可能性，降低訓練時間，實現了火災的早期發現，為及時滅火奠定了基礎。本方法在某些方面還存在改進地方，如討論燃燒物量對各個觀察特征的影響，針對有風環境等更復雜的情況則需要進一步的深入研究，我們的研究工作可為以后深入研究提供技術基礎。