基于極限學(xué)習(xí)機(jī)的火災(zāi)探測(cè)節(jié)點(diǎn)的研究及設(shè)計(jì)

劉 靜 劉瑞敏 沈 鑫

1 昆明理工大學(xué)信息工程與自動(dòng)化學(xué)院 昆明 650500

2 云南電網(wǎng)有限責(zé)任公司研究生工作站 昆明 650217

3 云南電網(wǎng)有限責(zé)任公司電力科學(xué)研究院 昆明 650217

引言

智能化建筑多以高層和超高層為主，由于高層建筑設(shè)計(jì)復(fù)雜、建筑面積大、居住人員較多、可燃物多，存在著多種安全隱患，一旦發(fā)生火災(zāi)將會(huì)造成巨大的損失。隨著現(xiàn)代科技的飛速發(fā)展，消防系統(tǒng)也在隨著系統(tǒng)中各種配置不斷進(jìn)行優(yōu)化，對(duì)系統(tǒng)整體的靈敏度、準(zhǔn)確率有更高的要求。系統(tǒng)需要結(jié)合現(xiàn)場(chǎng)的建筑特點(diǎn)以及工程實(shí)施的實(shí)際情況，依據(jù)相關(guān)的設(shè)計(jì)規(guī)范進(jìn)行設(shè)計(jì)。所設(shè)計(jì)系統(tǒng)不僅要求在火災(zāi)發(fā)生的初期探測(cè)和報(bào)警，而且還要根據(jù)現(xiàn)場(chǎng)火災(zāi)狀態(tài)及其位置，啟動(dòng)火災(zāi)報(bào)警并啟動(dòng)相應(yīng)的滅火設(shè)施[1]。現(xiàn)有的火災(zāi)報(bào)警系統(tǒng)主要采用有線技術(shù)來(lái)構(gòu)建多傳感器網(wǎng)絡(luò)，由于線路損壞及故障導(dǎo)致高誤報(bào)率、高漏報(bào)率，后期維護(hù)困難，需要耗費(fèi)很多成本去維護(hù)，并且成效差。另外，由于多傳感器、多元探測(cè)自適應(yīng)性差，易受到極端環(huán)境因素的影響從而引起誤報(bào)(例如高溫)，系統(tǒng)中也存在一些不確定性，都給系統(tǒng)的穩(wěn)定性和靈敏度帶來(lái)了負(fù)面影響，并且不能夠準(zhǔn)確實(shí)時(shí)判斷火災(zāi)所處的階段，造成相應(yīng)的設(shè)備不能夠及時(shí)響應(yīng)來(lái)減少火災(zāi)造成的損失。由于火災(zāi)自動(dòng)報(bào)警系統(tǒng)存在因?yàn)樘綔y(cè)器的靈敏度不夠或者通信線路中斷造成的誤報(bào)和漏報(bào)，陳靜等人將無(wú)線傳感器網(wǎng)絡(luò)與人工智能相結(jié)合，在提高了系統(tǒng)準(zhǔn)確性的同時(shí)，提高了系統(tǒng)的智能化程度，使系統(tǒng)具有自適應(yīng)性和自學(xué)習(xí)性。另外，火災(zāi)自動(dòng)報(bào)警系統(tǒng)的設(shè)計(jì)在運(yùn)用相應(yīng)技術(shù)的同時(shí)，還需要依據(jù)相關(guān)的國(guó)家標(biāo)準(zhǔn)以及規(guī)范。除此以外，發(fā)展智能型火災(zāi)自動(dòng)報(bào)警系統(tǒng)成為今后的發(fā)展方向，對(duì)系統(tǒng)的智能化、網(wǎng)絡(luò)化、集成化提出了更高的要求[2-6]。近年來(lái)，基于無(wú)線通信的自動(dòng)火災(zāi)報(bào)警系統(tǒng)已受到國(guó)內(nèi)外廣泛關(guān)注。相比于有線火災(zāi)報(bào)警系統(tǒng)的安裝過(guò)程會(huì)對(duì)建筑物造成損壞，雙總線系統(tǒng)的建設(shè)和布線已經(jīng)比較簡(jiǎn)單，但仍然存在安裝和維護(hù)的高成本以及升級(jí)困難等問(wèn)題。本文基于ELM算法，并結(jié)合無(wú)線傳感技術(shù)，對(duì)火災(zāi)探測(cè)節(jié)點(diǎn)進(jìn)行了研究及設(shè)計(jì)，所設(shè)計(jì)的新型火災(zāi)探測(cè)節(jié)點(diǎn)能夠快速處理信息以及實(shí)現(xiàn)火災(zāi)現(xiàn)場(chǎng)的實(shí)時(shí)監(jiān)測(cè)。

1 探測(cè)節(jié)點(diǎn)的原理及設(shè)計(jì)

1.1 火災(zāi)自動(dòng)報(bào)警系統(tǒng)結(jié)構(gòu)及原理

消防系統(tǒng)按所完成的任務(wù)和功能大致可以分為三部分：探測(cè)部分、信號(hào)處理部分和報(bào)警及滅火部分。探測(cè)部分主要是由一些專門的傳感器構(gòu)成，用來(lái)檢測(cè)與火災(zāi)相關(guān)的數(shù)據(jù)，并傳送到信號(hào)處理部分，以判斷是否發(fā)生了火災(zāi)。傳感器采集來(lái)的數(shù)據(jù)按照既定的程序進(jìn)行處理，當(dāng)判斷結(jié)果是有火災(zāi)發(fā)生時(shí)，就向執(zhí)行機(jī)構(gòu)發(fā)送報(bào)警指令和滅火指令[7]。

火災(zāi)探測(cè)與報(bào)警是火災(zāi)自動(dòng)報(bào)警系統(tǒng)的兩個(gè)重要組成部分。火災(zāi)探測(cè)用于獲取火災(zāi)發(fā)生的基本信息，從而把這種信息轉(zhuǎn)化為電信號(hào)進(jìn)行處理[8]。報(bào)警與滅火系統(tǒng)作為一個(gè)執(zhí)行機(jī)構(gòu)，圖1是火災(zāi)自動(dòng)報(bào)警控制器的設(shè)計(jì)圖。

圖1 火災(zāi)自動(dòng)報(bào)警控制器設(shè)計(jì)圖

1.2 火災(zāi)探測(cè)節(jié)點(diǎn)的結(jié)構(gòu)

探測(cè)節(jié)點(diǎn)原理結(jié)構(gòu)如圖2所示，探測(cè)模塊用于采集燃燒產(chǎn)生的煙霧、熱量、火焰等信號(hào)，并將其轉(zhuǎn)換為電信號(hào)。該信號(hào)經(jīng)過(guò)處理后傳輸給控制器，之后觸發(fā)火災(zāi)自動(dòng)報(bào)警器的執(zhí)行機(jī)構(gòu)[9]。近年來(lái)，國(guó)內(nèi)外許多研究學(xué)者主要針對(duì)火警處理模塊以及通信模塊進(jìn)行了不斷改進(jìn)，也取得了突出的成績(jī)。Zigbee技術(shù)在火災(zāi)自動(dòng)報(bào)警系統(tǒng)中的應(yīng)用使得溫度和煙霧信號(hào)能夠及時(shí)準(zhǔn)確地傳輸給系統(tǒng)。其中，為了保證數(shù)據(jù)的快速處理與傳輸以及對(duì)長(zhǎng)時(shí)間大量數(shù)據(jù)的存儲(chǔ)，采用雙RAM結(jié)構(gòu)，在傳輸這些數(shù)據(jù)的時(shí)候提供適當(dāng)?shù)耐ǖ溃⒁粋€(gè)緩沖電路，來(lái)實(shí)現(xiàn)數(shù)據(jù)流的無(wú)縫緩存和處理，提高系統(tǒng)的處理速度和性能。該緩存電路將輸入數(shù)據(jù)流通過(guò)輸入數(shù)據(jù)選擇單元同時(shí)將數(shù)據(jù)流分配到兩個(gè)RAM緩沖區(qū)。配合一片eMMC，解決長(zhǎng)時(shí)間數(shù)據(jù)的儲(chǔ)存問(wèn)題。

圖2 探測(cè)節(jié)點(diǎn)原理結(jié)構(gòu)框圖

2 火災(zāi)燃燒特征

火災(zāi)過(guò)程當(dāng)中，最明顯的特點(diǎn)就是溫度的變化，依據(jù)溫度的變化將火災(zāi)的燃燒過(guò)程分為陰燃階段、明火階段、熄滅階段三個(gè)階段。在陰燃階段，起火部位及周圍的可燃物開(kāi)始燃燒，燃燒范圍小，局部高溫，溫度差別大，且平均溫度低，不易被探測(cè)，但由于該階段其發(fā)展速度較慢且火勢(shì)不穩(wěn)定，因此該階段是滅火的最有利時(shí)機(jī)，有利于滅火工作的進(jìn)行。在明火階段，火災(zāi)范圍迅速擴(kuò)大，并且聚積了大量的可燃?xì)怏w(主要是一氧化碳)，當(dāng)室內(nèi)溫度達(dá)到一定值時(shí)，產(chǎn)生轟燃現(xiàn)象，突然起火，可燃物大面積被點(diǎn)燃，且燃燒很猛烈，溫度快速升高。火焰、高溫?zé)煔鈴姆块g的開(kāi)口大量噴出，火災(zāi)迅速蔓延。隨著室內(nèi)可燃物的揮發(fā)物質(zhì)以及數(shù)量不斷減少，燃燒速度溫度呈現(xiàn)遞減趨勢(shì)。當(dāng)平均溫度降到溫度最高值的80%時(shí)，則認(rèn)為進(jìn)入熄滅階段。隨后，全部可燃物逐漸被燒光，溫度開(kāi)始明顯下降，直至室內(nèi)外溫度趨于一致，火災(zāi)結(jié)束。另外，火災(zāi)的燃燒持續(xù)時(shí)間點(diǎn)易受火源、可燃物質(zhì)性質(zhì)和分布、通風(fēng)條件等因素的影響。

根據(jù)火災(zāi)三個(gè)階段的特點(diǎn)可以看出，對(duì)可燃?xì)怏w的濃度、室內(nèi)煙霧濃度以及溫度的探測(cè)能夠作為主特征來(lái)實(shí)現(xiàn)對(duì)火災(zāi)的判別，并且針對(duì)每個(gè)階段應(yīng)采取不同的措施，才能更有效地控制火災(zāi)現(xiàn)場(chǎng)狀況，阻止火災(zāi)的進(jìn)一步發(fā)展，在這個(gè)過(guò)程中，一方面要準(zhǔn)確判斷出火災(zāi)，另一方面要及時(shí)判斷出火災(zāi)所處的階段。并且對(duì)信息處理的結(jié)果要能夠立即傳輸出去，使得消防系統(tǒng)中的其他設(shè)備能夠及時(shí)響應(yīng)。從而結(jié)合機(jī)器學(xué)習(xí)以及無(wú)線通信技術(shù)實(shí)現(xiàn)對(duì)火災(zāi)快速準(zhǔn)確的判斷，采取相應(yīng)的措施，解決系統(tǒng)的實(shí)時(shí)性與準(zhǔn)確性的問(wèn)題。

3 ELM的仿真分析

3.1 極限學(xué)習(xí)機(jī)(Extreme Learning Machine，ELM)

傳統(tǒng)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法(如BP算法)通過(guò)將誤差反向傳播，使誤差分?jǐn)偨o各層所有單元來(lái)獲得誤差信號(hào)，來(lái)進(jìn)一步調(diào)整權(quán)值。在該過(guò)程中，由于屬貪婪算法，易陷入局部最優(yōu)，且訓(xùn)練次數(shù)多，需做大量運(yùn)算導(dǎo)致學(xué)習(xí)效率低下，收斂速度慢；參數(shù)設(shè)定繁瑣且需要對(duì)參數(shù)進(jìn)行優(yōu)化。2004年，黃廣斌提出了一種針對(duì)前饋神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)的極限學(xué)習(xí)機(jī)，由輸入層、隱含層和輸出層三部分組成，由于該方法是在學(xué)習(xí)過(guò)程輸入權(quán)重隨機(jī)產(chǎn)生的，通過(guò)求解線性方程得到輸出權(quán)值，因此具有學(xué)習(xí)效率高和泛化能力強(qiáng)的優(yōu)點(diǎn)[10]。給定N個(gè)訓(xùn)練樣本，其中輸入樣本xi＝[xi1，xi2，…，xin]T∈Rn，輸出樣本ti＝[ti1，ti2，…，tim]T∈Rm，具有個(gè)隱藏節(jié)點(diǎn)和激活函數(shù)為G(wj,bj,xi)的SLFNs輸出為：

要使得具有個(gè)隱層神經(jīng)元和激活函數(shù)為的SLFNs 能夠零誤差逼近這N個(gè)樣本，等同于成立，即，存在βj、wj和bj使得下式成立：

式(2)的N個(gè)方程可以簡(jiǎn)寫為：

式(3)中：

H稱為神經(jīng)網(wǎng)絡(luò)的隱層輸出矩陣；H的第j列表示第j個(gè)隱層節(jié)點(diǎn)關(guān)于的輸出矩陣。大多數(shù)情況下，隱層節(jié)點(diǎn)數(shù)目遠(yuǎn)遠(yuǎn)小于訓(xùn)練樣本數(shù)目，即此時(shí)H是非方陣，也就不存在滿足根據(jù)廣義逆引理，上述線性系統(tǒng)的最小范數(shù)最小二乘解為：是矩陣H的Moore-Penrose廣義逆。

式(4)中

綜上，給定一個(gè)訓(xùn)練樣本集，激活函數(shù)G(x)，隱層節(jié)點(diǎn)數(shù)目為，ELM 學(xué)習(xí)算法步驟如下所示。

1)隨機(jī)指定輸入權(quán)值wi和隱層偏差bi，

2)計(jì)算隱層輸出矩陣H。

3)計(jì)算輸出權(quán)值β。

3.2 模型的評(píng)價(jià)

一個(gè)模型的好壞需要從預(yù)測(cè)偏差和模型的泛化偏差兩個(gè)方面去分析。由于訓(xùn)練模型所使用的數(shù)據(jù)個(gè)數(shù)是有限的，在這里使用交叉驗(yàn)證法來(lái)進(jìn)行模型的性能評(píng)價(jià)，這樣的話可以充分利用所有的數(shù)據(jù)，進(jìn)而選擇一個(gè)比較好的模型[11-13]。本文使用的是5折交叉驗(yàn)證法，將數(shù)據(jù)隨機(jī)均勻地分成5組，每次訓(xùn)練的時(shí)候其中的4組作為訓(xùn)練樣本，剩下的一組作為測(cè)試集。具體的交叉驗(yàn)證步驟如下。

1)將所有的數(shù)據(jù)隨機(jī)均勻分成1～k，5組數(shù)據(jù)。

2)初始化神經(jīng)網(wǎng)絡(luò)的初始權(quán)值取值在-0.5～0.5。

3)fori=1tok(從學(xué)習(xí)數(shù)據(jù)中一次取出k-1組數(shù)據(jù)作為訓(xùn)練集，剩下的一組作為測(cè)試集，完成步驟4到5)。

4)對(duì)讀入的4組數(shù)據(jù)進(jìn)行訓(xùn)練，結(jié)束后得到一個(gè)訓(xùn)練模型。

5)將剩余的一組測(cè)試集帶入訓(xùn)練得到的模型，得到一個(gè)測(cè)試誤差ei。

6)循環(huán)5次后得到5個(gè)測(cè)試誤差e，將這5個(gè)測(cè)試誤差相加然后求其平均值，得到該模型的平均誤差EE。

7)改變ELM神經(jīng)網(wǎng)絡(luò)的超參數(shù)(激勵(lì)函數(shù)中的參數(shù))，文中選用的激勵(lì)函數(shù)是當(dāng)改變超參數(shù)，則會(huì)得到一個(gè)新的模型，的取值為1～5這5個(gè)整數(shù)。

9)通過(guò)比較5個(gè)模型的平均誤差EE，選用誤差最小的作為最終的模型。

10)將所有的數(shù)據(jù)作為訓(xùn)練樣本，帶入步驟9中選擇的模型中進(jìn)行重新訓(xùn)練，訓(xùn)練結(jié)束后得到所需的火災(zāi)預(yù)測(cè)模型。

表1是探測(cè)器所采集經(jīng)過(guò)預(yù)處理后的部分?jǐn)?shù)據(jù)，圖3是采用ELM所建立的仿真模型，通過(guò)MATLAB仿真實(shí)驗(yàn)，如圖4、5、6所示，將實(shí)際輸出的無(wú)火、陰燃和明火概率值與期望值進(jìn)行對(duì)比，ELM輸出的擬合曲線與實(shí)際輸出曲線基本吻合，初步判斷ELM的訓(xùn)練基本成功。進(jìn)一步地，為了防止過(guò)度擬合，測(cè)試其泛化能力，選取28組校驗(yàn)樣本的測(cè)試集對(duì)ELM模型進(jìn)行測(cè)試；由圖7、8、9可知，通過(guò)將測(cè)試樣本輸入到訓(xùn)練好的網(wǎng)絡(luò)，獲得實(shí)際的輸出，二者進(jìn)行比對(duì)，擬合曲線與實(shí)際輸出曲線基本吻合，證明測(cè)試樣本的實(shí)際輸出的概率值與期望值相差不大，因此可以判斷訓(xùn)練后的ELM網(wǎng)絡(luò)模型具有良好的泛化能力，適用性較強(qiáng)。另外，采用64位Intel(R) Core(TM)i3-7100T CPU @ 3.40GHz的處理器，4.00GB的RAM，該算法耗時(shí)為0.961秒，由仿真的結(jié)果可以看出，ELM的預(yù)測(cè)和擬合效果很好，因此其在實(shí)時(shí)采集直接預(yù)測(cè)方面更加敏捷。

表1 探測(cè)器所采集的部分?jǐn)?shù)據(jù)

為了避免外部電磁干擾的影響以及火災(zāi)發(fā)生時(shí)，通信、控制以及警報(bào)線路因損壞造成的中斷，傳輸線路和控制、通信以及警報(bào)線路應(yīng)采取相應(yīng)的保護(hù)[14]。

圖3 ELM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

圖4 訓(xùn)練集無(wú)火預(yù)測(cè)輸出

圖5 訓(xùn)練集陰燃預(yù)測(cè)輸出

圖6 訓(xùn)練集明火預(yù)測(cè)輸出

圖7 測(cè)試集無(wú)火預(yù)測(cè)輸出

圖8 測(cè)試集陰燃預(yù)測(cè)輸出

圖9 測(cè)試集明火預(yù)測(cè)輸出

4 結(jié)論

本文主要研究了消防系統(tǒng)中的探測(cè)節(jié)點(diǎn)，針對(duì)探測(cè)器的靈敏度差異大以及不能及時(shí)在陰燃階段及時(shí)檢測(cè)出火災(zāi)的發(fā)生等問(wèn)題，采用無(wú)線節(jié)點(diǎn)網(wǎng)絡(luò)技術(shù)以及人工智能的方法使系統(tǒng)能夠及時(shí)準(zhǔn)確地檢測(cè)出火災(zāi)信號(hào)，并對(duì)火災(zāi)現(xiàn)場(chǎng)狀態(tài)實(shí)時(shí)監(jiān)測(cè)。經(jīng)相關(guān)測(cè)試證明，所設(shè)計(jì)的探測(cè)節(jié)點(diǎn)能夠根據(jù)所探測(cè)的火災(zāi)信號(hào)快速、有效地判斷火災(zāi)的發(fā)生，以及對(duì)火災(zāi)狀態(tài)進(jìn)行判斷。在工程實(shí)踐中，由于不同系統(tǒng)的系統(tǒng)結(jié)構(gòu)、控制對(duì)象和工作條件存在許多不確定性，Zigbee技術(shù)的應(yīng)用、多傳感器網(wǎng)絡(luò)和人工智能結(jié)合能夠使系統(tǒng)具有適應(yīng)性和自學(xué)習(xí)功能。