基于神經網絡的火災現場消防員安全評估研究

朱廣，閆曉奎，欒慶磊，安君賠，趙汝海，畢曉華，薛海波

(1安徽建筑大學 機械與電氣工程學院，安徽 合肥 230601；

2 安徽省公安消防總隊，安徽 合肥 230000)

0 引言

據有關部門統計，2000-2013年，全國消防員犧牲人數達151人，傷殘2228人；2014年，消防員犧牲人數13人，傷殘人數37人，總體呈逐年上升趨勢。特別是2015年“8·12”天津濱海新區爆炸事故”造成165人遇難，其中遇難消防員39人，失聯消防員64人[1-3]。消防員因火災救援發生傷亡情況越來越引起相關部門的關注，尤其很多消防員傷亡是因為疲勞、體征參數異常、火災現場極度惡劣等原因造成的無謂傷亡。因此需要一種對救援現場消防員安全評估預警的裝備，對消防員救援現場進行綜合評估，為消防救災、消防員調度、危險狀態的及時救助提供重要依據。為尋求一種有效的火災現場消防員安全評估算法，本文將借助神經網絡相關理論對此展開研究。

1 BP神經網絡簡介

BP神經網絡是應用最為廣泛的一種神經網絡類型，它是一種多層的前饋網絡，信號向前傳遞，誤差反方向傳遞。網絡由輸入層、輸出層、隱含層組成。其中隱含層又稱為中間層，包括單層或多層[4-5]。BP神經網絡算法的基本原理是：首先利用輸出層的輸出與期望輸出得到預測誤差，然后通過預測誤差反向傳遞得到前導層的誤差，按此規律一直進行下去，調整層與層之間的網絡權值與閾值，從而使網絡輸出的預測值逐步接近系統期望輸出[6]。

2 消防員預警模型

系統將BP神經網絡應用于火災救援現場的數據融合，建立火災救援現場消防員安全預警模型，對救援中的消防員安全狀態進行預測與評估，以判斷消防員是處于“安全狀態”或“一級危險狀態”或“二級危險狀態”。預警模型的建模過程主要包括：網絡結構構建、網絡多樣本訓練、BP神經網絡的預測三個步驟，整個流程如圖1所示[7]。

圖1 算法流程

2.1 BP網絡拓撲結構

2.1.1 監測參數的選取

火災救援現場環境參數主要包括一氧化碳含量、煙霧含量、氧氣含量和環境溫度，這些參數的大小代表了救援現場環境的惡劣程度，因此環境參數有必要作為安全預警數據融合的輸入參數。另一方面，消防員本身的生命體征參數，如血氧、脈搏、呼吸率等，這些參數是消防員本身生命狀態的描述，故生命體征參數也是安全預警數據融合的輸入參數。

2.1.2 輸入層節點數設計

輸入層是用來接收外部傳來的初始數據，主要包括兩類數據：火災現場環境數據、消防員生命體征數據，其中火災環境參數包含四種信號：一氧化碳、煙霧濃度、環境溫度、氧氣。消防員生命體征參數包含三種信號：血氧、脈搏和呼吸率。故7種信號作為神經網絡的輸入信號，即輸入層節點數為7。

2.1.3 隱含層節點數設計

BP神經網絡結構，隱含層節點數設計很重要，隱含層節點數會直接影響神經網絡預測準確性的高低[8-9]。如果隱含層節點數過少，會導致網絡學習的效率較低，且影響最終學習效果。隱含層節點數太多，訓練時間會增加、網絡易出現過度擬合，其誤差反而增大、從而影響容錯性，因此存在適當的隱單元數[10-11]。本文選擇隱含層節點數參考以下公式：

上式中，l為隱含層的單元數，n輸入層單元數，m為輸出層單元數，a為介于0-10之間的整數。系統隱含層節點數確定，首先依據公式(1)確定大致范圍，然后通過試湊法來確定最終節點數，在試湊過程中，通過比較誤差率與隱含層節點數的關系，最終確定系統隱含層節點數為11個。

2.1.4 輸出層節點數設計

安全預警模型輸出層節點數根據系統實際需要來決定。根據實際情況設計安全預警模型，該模型能夠根據輸入參數來輸出消防員處于無危險狀態、一級危險、二級危險狀態三種結果，因此輸出層節點數為3，可以滿足系統設計要求。網絡拓撲結構如圖2所示。

圖2 消防員預警模型拓撲圖

2.2 BP網絡學習算法設計

完成BP神經網絡結構設計后，選用經過選擇的學習樣本對網絡模型進行訓練。按照隱含層激勵函數及加權公式逐層計算出隱層神經元和輸出層神經元的輸入和輸出。通過誤差反向傳播，對隱含層和輸出層的閾值以及各層神經元之間的連接權值進行多次修正，實現閾值與權值的更新。直至目標值與期望輸出的偏差滿足要求，使網絡模型具有足夠高的預測能力[12-14]。BP網絡學習過程如下所示：

(1)初始化。分別為各個權值wij、wjk以及隱含層閾值aj、輸出層閾值bk賦予一個隨機值，該隨機值介于(-1,1)范圍內的，同時確定激勵函數及學習速率。

(2)選擇任意一組輸入 p=(x1,x2,…,xn)、和目標樣本T=(y1,y2,…,yq)提供給BP神經網絡。

(3)通過輸入樣本 p=(x1,x2,…,xn)、wij和 aj，來計算中間層輸入sj，利用sj通過隱含層的激勵函數來計算隱含層各單元的輸出Hj。

式中，l是隱含層的節點數。

(4)通過隱含層的輸出Hj、wjk和bk計算輸出層各單元的輸出ok。

(5)通過目標向量TK=(yk1,yk2,…,ykq)和預測輸出ok計算輸出層各單元預測誤差dk。

(6)通過wjk、誤差dk和隱含層的輸出bj計算隱含層的各單元誤差ej。

(7)根據隱含層的各單元誤差ej、學習速率η來修正隱含層與輸出層之間的連接權值wjk和閾值

bk。(8)利用輸出層各單元的誤差dk、隱含層輸出Hj、各單元的輸入p=(x1,x2,…,xn)來修正輸入層與隱含層之間的連接權值wij和閾值aj。

(9)判斷訓練迭代是否完成，若沒有完成，則繼續執行步驟(3)，直至把全部訓練樣本訓練完畢。當輸出誤差E小于預先設定的極小值，即網絡收斂完成整個學習過程。

進行神經網絡訓練之前，首先要依據經驗數據庫關于火災現場環境及消防員人體體征信息來選取訓練樣本數據。由于輸入層7個節點數據的單位不同，數據范圍不同，存在數量級上的差別，可能會對網絡預測結果產生誤差，故需要對輸入信號進行歸一化處理，即將輸入信號的取值范圍調整到[0，1]范圍內。系統選取消防員安全狀態、一級危險狀態、二級危險狀態下的200組數據作為訓練樣本，然后將其輸入BP預警模型進行反復的學習訓練。

2.3 訓練結果與分析

根據以上設計得知，輸入層節點數據共7個，主要來自兩大類：火災救援現場的環境參數和消防員生命體征參數，其中火災現場環境參數包括：環境溫度、CO含量、O2含量、煙霧濃度等，消防員生命體征參數包括呼吸率、脈搏、血氧飽和度等。輸出信號為消防員安全危險等級信號，分為三個等級：安全、一級危險、二級危險。安全狀態下消防員可以正常戰斗；一級危險時，遠程提醒消防員處于一級危險狀態，隨時聽候中心的調度命令；二級危險狀態，遠程提醒消防員立即撤退，甚至需要對消防員進行緊急救助。

預警模型建立后，需要提供訓練樣本對其多次訓練。訓練樣本來源于模擬現場，包含了對火災環境的模擬及人體體征參數的模擬，對于火災環境的模擬主要圍繞火災早期、中期、后期的參數變化進行模擬。對于人體生命體征的模擬，主要運用醫學上關于體征參數隨環境變化的規律進行模擬。兩類參數同步模擬，從而完成訓練樣本的數據收集。訓練樣本集中了安全狀態、一級危險、二級危險三種情況，訓練樣本數據具有一定的完整性及代表性。

系統選用200組樣本信號，當對預警模型經過180次的訓練后其網絡均方誤差最小，從而確定此時權值矩陣和閾值矩陣。故180組樣本作為訓練樣本，20組作為測試樣本。訓練結束后，通過觀察20組測試樣本的輸出值，將其與期望值通過仿真進行對比，可以觀察到消防員處于安全狀態、一級危險、二級危險等三種狀態輸出曲線與期望輸出曲線趨勢相似，預測輸出準確度高，系統誤差滿足要求。根據以上分析能夠推斷樣本訓練成功，所設計的BP神經網絡模型精度達到要求，能夠利用安全預警模型來進行消防員安全預警分析。

3 模型仿真與結果分析

為了驗證上述安全預警絡模型滿足系統設計需求，對模型進行仿真。通過訓練好的神經網絡對消防員的危險狀態等級進行測試，由樣本數據仿真出消防員的狀態預測概率，并與期望的狀態概率相比較，通過圖形觀察系統的預測準確性。

3.1 測試樣本

測試樣本數據也來源于模擬現場的數據采集，同訓練樣本一樣，包含火災環境和人體生命體征兩類參數的模擬。測試樣本也涵蓋了“安全”、“一級危險”、“二級危險”三種情況，由于各個數據的量程范圍、單位均有較大差異，故需要將測試數據進行歸一化，測試數據主要包括了三種狀態下的樣本輸入參數，共20組，其中1-10組為火災環境較安全、消防員生命體征較正常的數據樣本。11-15組是火災環境較惡劣及消防員生命體征開始異常。15-20組火災環境極度惡劣及消防員生命體征極度異常的數據樣本。歸一化后的測試樣本如表1所示。

表1 測試樣本(20組)

續表1

序號 呼吸率 脈搏 血氧度 溫度 CO O2 煙霧5 6 7 8 9 1 0 11 12 13 14 15 16 17 18 19 20 0.36 0.37 0.41 0.39 0.4 0.37 0.84 0.82 0.86 0.83 0.88 0.87 0.92 0.91 0.93 0.94 0.27 0.26 0.28 0.28 0.29 0.3 0.75 0.7 0.8 0.78 0.83 0.82 0.89 0.88 0.9 0.91 0.975 0.98 0.97 0.96 0.95 0.96 0.38 0.5 0.33 0.4 0.3 0.31 0.2 0.24 0.18 0.15 0.2 0.69 0.25 0.4 0.89 0.88 0.75 0.86 0.88 0.9 0.64 0.63 0.935 0.92 0.936 0.94 0.06 0.05 0.07 0.09 0.1 0.11 0.49 0.47 0.52 0.5 0.58 0.6 0.75 0.68 0.77 0.79 0.9 0.92 0.86 0.85 0.83 0.84 0.13 0.14 0.106 0.108 0.091 0.09 0.072 0.083 0.069 0.06 0.18 0.23 0.21 0.24 0.27 0.26 0.73 0.7 0.75 0.72 0.81 0.8 0.89 0.85 0.9 0.92

為了更直觀的看出火災環境參數、消防員生命體征參數及二者將上述表用圖形繪制出來，如圖3、圖 4所示。

圖3 安全狀態下的樣本參數

圖4 危險狀態(一級、二級)樣本參數

從表1及圖3、圖4中可以看出，1-10組中，呼吸率、脈搏、CO、煙霧數據較小同時血氧度、氧氣含量高，且數值總體平穩，說明此時環境參數較安全，生命體征參數正常，消防員處于安全狀態。11-15組樣本中，呼吸率和脈搏數據升高、血氧濃度下降，環境參數CO和煙霧含量升高、氧氣含量下降。此時無論環境參數還是生命體征參數均處于異常狀態，但數據并未到達極限狀態，此時消防員處于一級危險狀態。16-20組樣本中，呼吸率和脈搏數據接近最大值、血氧度極度下降，空氣中CO和煙霧濃度極高、氧氣含量極低，此時環境參數和消防員生命體征參數均處于極度惡劣狀態，消防員處于二級危險狀態，需要緊急撤離救援現場[15]。

3.2 仿真結果分析

通過模擬火災環境獲得測試樣本(20組)組序打亂，并將其輸入到訓練成熟的安全預警模型，通過誤差分析來判斷安全預警模型的有效性，當系統的誤差越小，可以說明其有效性和穩定性越好。將所有樣本的預測結果和實際結果對照，繪制在同一圖中，如圖5所示。同時繪制樣本的預測結果誤差圖，如圖6所示。

圖5 測試樣本預測危險等級

圖6 測試樣本預測誤差

圖5 中，水平軸為測試樣本序號，縱軸為危險等級，1表示安全、2表示一級危險、3表示二級危險。紅色的為測試樣本“預測危險等級”，藍色為“實際危險等級”，可以看出20組預測測試數據中，第1組測試樣本“預測危險等級”與“實際危險等級”均為2即消防員處于一級危險，第1組樣本預測正確。同理第 2、3、4、5、8、9、10、11、13、14、15、17、18、19、20組均預測準確。僅在第6、7、12、16組樣本預測等級存在誤差。20組中16組樣本預測完全正確，統計正確率達80%。從圖6也可以看出只有樣本6、7、12、16存在分類誤差，其他16個樣本對應的分類誤差均為0，在誤差允許范圍內，系統能較準確的判斷消防員的安全狀態，滿足預測要求。

同樣以上述20組測試信號，如果運用單一參數(例如溫度)進行預測，由于除溫度以外的其他參數沒有參與預測，所以當它們極度異常而溫度正常時，預測的結果為“安全”，而消防員實際處于危險狀態。將兩種情況下預測結果進行對比，如表2所示。

表2 多數據融合算法預測方法與單一參數預測方法比較

續表2

組號 多數據融合預測 單一參數(溫度)預測 實際結果7 8 9 1 0 11 12 13 14 15 16 17 18 19 20二級危險安全二級危險二級危險二級危險安全二級危險安全安全二級危險二級危險安全安全安全一級危險一級危險二級危險二級危險一級危險一級危險二級危險一級危險安全一級危險一級危險一級危險安全安全一級危險安全二級危險二級危險二級危險一級危險二級危險安全安全一級危險二級危險安全安全安全

從表2中可以看出，運用多數據融合算法，僅第6、7、12、16組預測等級存在偏差，預測準確率達80%；而運用單一參數(溫度)，則在第 3、6、8、11、14、17、18組存在預測偏差，準確率僅為65%。所以運用單一參數進行預測，顯然過于片面，難以做到高準確預測。故基于神經網絡的多參數融合進行預測的方法更準確、可行。

4 總結

本文運用通過BP神經網絡設計一種安全預警模型，對火災救援現場的消防員進行安全等級評估，火災現場環境參數及消防員生命體征參數作為BP神經網絡預警模型的輸入層參數，輸出層以消防員處于三個危險狀態等級概率作為輸出節點，判斷火災現場消防員的危險等級，為火災現場消防員指揮調度提供支持。預警模型通過測試樣本進行仿真預測與分析，在誤差允許的范圍內安全預警模型能夠對火災現場消防員的狀態進行可靠評估[16-18]。說明運用神經網絡進行多數據融合的預警評估方法，較單一參數的預測，更加完整，準確性更高。