模糊神经网络在火灾探测中的应用

杨帮华 董 峥 张永怀

(上海大学机电工程与自动化学院自动化系上海市电站自动化技术重点实验室1，上海 200072;河南汉威电子股份有限公司2，河南 郑州 450000)

0 引言

火灾是可燃物和助燃物在一定条件下发生的剧烈化学反应。火灾发生过程中生成的燃烧产物主要有气溶胶、烟雾、光、热和燃烧波等［1］。由于火灾发生的随机性、使用环境的多样性和火灾信号的非结构性，导致火灾误报频频发生。因此，采用合适的火灾信号处理算法、建立有效的识别模型预报火情是火灾探测的关键。

目前，火灾探测领域主要采用以下几种识别算法。①传统算法:20世纪90年代前期，火灾探测算法可归纳为阈值法和持续时间算法。阈值法是将火灾信号幅度与设定的门限进行比较，超过门限时判断发生火灾。持续时间算法将火灾信号分为高频部分和低频部分，当发生火灾时，传感器信号低频部分超过预定门限的持续时间比正常情况下多。火灾信号通过与正常或干扰情况下的信号激励条件进行比对输出报警信号，达到火灾识别的目的［2－3］。②人工智能算法:20世纪90年代后，火灾探测算法与人工智能、自动控制和信号处理等技术相互融合［4］，能够根据现场自动调整运行参数，即具有自学习功能和自适应能力，更适合对具有突发性和时变性的火灾信号进行识别处理［5］。

本文建立的火灾探测系统主要应用于电站、变压器间和配电室等室内封闭空间。当发生火灾时，室内产生高温以及高强度的火焰辐射，系统前端采用温度-火焰复合探测器进行构建，将探测到的温度及火焰辐射通过一定的信号预处理电路进行放大、滤波和A/D转换，得到的数字信号送入微处理器中进行分析判断。为了采用智能算法进行火灾识别，依据特种火灾探测器国家标准进行了多次试验，通过上位机软件获取了大量的试验数据，并根据获取的数据，重点研究了模糊神经网络(fuzzy neural network，FNN)在火灾探测中的应用。

1 火灾探测硬件系统

1.1 系统结构

火灾探测系统由温度-火焰复合探测器、放大滤波、A/D转换、微处理器识别和数据输出五部分组成，系统结构如图1所示。

图1 火灾探测系统结构框图Fig.1 Block diagram of fire detection system

系统通过温度-火焰探测器对火灾信号进行探测。其中，温度探测器同时探测目标温度和环境温度，火焰探测器探测波长为4.3 μm 和 3.8 μm 的红外辐射，探测角度为120°。伴随着起火过程，环境温度会逐渐升高，红外辐射强度会发生大幅变化，通过对两种火灾信号的综合处理，可增强火灾检测的可靠性。放大滤波部分将火灾信号进行适当放大，并进行滤波处理，以去除信号噪声和毛刺，使信号更平滑、更易识别。A/D转换部分将模拟信号转换为数字信号，输出的数字信号在微处理器中通过信号处理算法进行识别处理。最后，单片机中处理的结果通过数据输出部分输出报警信号，由火灾报警灯进行显示。

在火灾探测系统中，需要全面权衡报警信号的灵敏度和精度。因此，针对微处理器识别算法的选择与设计这一核心问题，本文重点研究了基于模糊逻辑和神经网络理论的火灾信号识别算法，旨在保证在一定灵敏度的基础上提高系统的探测精度。

1.2 数据获取

基于上述探测系统，在室外27℃微风的环境下，将探测器固定在1.5 m高处，依据特种火灾探测器国家标准GB 15631-2008，进行I级(25 m)、Ⅱ级(17 m)、Ⅲ级(12 m)灵敏度试验。数据获取过程如下。

① 将2000 g无水乙醇(浓度95%)倒入厚2 mm、底面尺寸为33 cm×33 cm、高为5 cm的钢板容器中;

②采用火焰点火方式;

③在探测器距火源中心12 m处，点燃乙醇火，记录有火状态下的数据30 s，然后用挡板挡住探测器5 s，记录对应的无火情况下试验数据5 s，重复以上操作，记录整个过程的试验数据;

④在探测器距火源17 m处，重复步骤③，记录整个过程的试验数据;

⑤在探测器距火源25 m处，重复步骤③，记录整个过程的试验数据。

通过上述数据采集过程，最终得到分别距火源中心12、17、25(单位:m)的试验数据上千组，为应用模糊神经网络进行信号识别打下基础。

2 火灾探测软件算法

2.1 模糊逻辑与火灾探测

模糊理论是由美国学者、加利福尼亚大学著名教授Zadeh于1965年首先提出的。1974年英国的Mamdani将模糊理论用于工业控制，取得了良好效果。模糊逻辑主要具有如下特点:

①在设计系统时不需建立被控对象的数学模型，只要求掌握现场操作人员或专家经验和操作数据;

②由工业过程的定性认识出发，建立语言变量控制规则方便快捷;

③算法简单，执行快，实现方便，容易普及和推广［6－7］。

将模糊逻辑应用于火灾探测报警技术，首先须建立相应的输入输出规则关系库，这是整个算法的关键。但由于火灾是一个非常复杂的非线性结构对象，存在燃烧产物、燃烧环境等一系列不确定因素，因此，单纯依靠模糊逻辑很难建立全面准确的模糊规则库，不能达到理想的辨识效果。

2.2 神经网络与火灾探测

误差反向(back-propagation，BP)、径向基函数(radial-basis function，RBF)和概率神经网络(probabilistic neural network，PNN)三种算法广泛应用于火灾探测。其中，PNN网络较为灵活，但隐层节点数量大，储存量大，执行速度较慢。RBF是一个局部逼近的神经网络，网络实现简单，训练速度快，但隐含层神经元较多［8］。BP网络是最广泛应用的模型，经过训练网络可以更好地适应环境，速度适中。因此，本文采用BP网络构建火灾探测模型。

然而，将神经网络应用于火灾探测技术，仅凭借有限的现场数据和试验数据来构造规则是远远不够的。由于试验环境与现场环境是有差别的，而火灾信号检测不可能多次现场重复试验以获得所有状态的样本。因此，单纯依靠神经网络同样不能达到理想的效果［9］。

2.3 模糊神经网络与火灾探测

在火灾探测中，单纯依靠模糊逻辑或神经网络都存在一定的局限性，不能达到理想的辨识效果，如将两者结合则具有广阔的前景。因此，本文采用模糊神经网络进行火灾信号的识别。

2.3.1 基本结构

本文建立的模糊神经网络采用串联型结构，模糊神经网络的基本结构如图2所示。

图2 模糊神经网络的基本结构框图Fig.2 Basic structure of fuzzy neural network

图2中，模糊神经网络各层的作用如下。

①输入层，温度-火焰复合探测器的输出信号(即目标温度、环境温度和红外辐射等信号)作为网络的输入数据。

②信号预处理，对网络的输入数据进行放大、滤波和A/D转换。需要指出的是，对输入量进行归一化处理，可以防止小数值被大数值淹没而影响网络校正进程。

③预测层，通过输入训练样本来调节连接权值。

④模糊推理层，完成对网络输出的有火概率和无火概率的模糊推理。

⑤输出层，最终的输出为火灾概率。对火灾概率应用门限法进行判断，将阈值设为0.5，即火灾概率大于0.5时输出报警信号，判断有火灾发生。

2.3.2 模糊神经网络构建过程

对前端传感器的输出信号(目标温度、环境温度和红外辐射等火灾信号)进行信号预处理，获得较为理想的数据，从而根据获取的数据，进行模糊神经网络构建，构建过程如下。

①建立一个三输入、两输出、隐含层为七层的三层BP神经网络，输入信号为目标温度、环境温度和红外辐射，输出为有火概率和无火概率。将现场采集的试验数据分成两部分，200组作为训练样本，200组作为检验样本。通过误差反向传播算法对训练样本进行训练，修改权值达到预定的目标误差，然后对检验样本进行仿真，得到200组输出，包括有火概率和无火概率。

由此可以看到，当有火概率大于0.8时，可以肯定发生了火灾;而当有火概率小于0.2时，可以认为没有发生火灾。但当门限定为0.5，而网络输出为0.49和0.51时，则很难做出判断。因此，须采用模糊推理对神经网络输出作进一步处理。

②模糊推理的进一步处理包括输入量和输出量的模糊量化和标定、建立控制规则表以及精确化过程。

输入量为神经网络输出的有火概率和无火概率P1、P2，输出量为火灾发生的概率P。首先将它们转化为模糊量，并给出 P1、P2和 P的上下限(均为［0，1］)作为论域U。

根据经验和火灾数据统计，神经网络输出P1、P2分成三级，即大(PL)、中(PM)、小(PS)，火灾发生概率P分成二级，即大(PL)、小(PS)，均采用高斯函数作为隶属函数。

构造模糊集{Ai}、{Bi}和{Ci}，其中 Ai、Bi分别表示神经网络的输出P1、P2在隶属度函数作用下的值域范围，Ci表示火灾概率P在隶属度函数作用下的值域范围，i表示建立的模糊规则数，本文建立了三条模糊规则，因此 i∈［1，3］。

建立控制规则是模糊逻辑判决的核心。模糊逻辑推理方法主要有Zadeh法、Mamdani法和Larsen法等，本文采用Mamdani法来实现模糊逻辑推理。以两个输入(有火概率P1和无火概率P2)和一个输出(火灾概率P)的辨识系统为例，其规则一般可表示为“P1是Ai且 P2是 Bi，则 P 是 Ci”，即“若有火概率为 0.6，且无火概率为 0.4，则火灾概率为 0.7”。

在推理得到的模糊集合中，取一个能代表这个模糊推理结果可能性的精确值的过程称为精确化过程。常用的精确化方法主要有最大隶属度函数法、中位数和重心法，本文选用重心法进行精确化。

采用Mam-dani的Min-Max-COA法进行模糊推理后，通过加权平均进行反模糊化，准确的火灾概率输出量为:

2.3.3 训练结果

首先，在采集获取的数据中，选取200组数据作为训练样本进行网络模型构建。初始学习率设定为0.1，误差极限设定为0.001，训练步数设定为3000。对训练样本集重复强化训练，直到误差极限达到设定值即完成网络构建，从而用于系统仿真。神经网络误差收敛曲线如图3所示。

图3 误差收敛曲线Fig.3 Error convergence curve of neural network

在Matlab中建立模糊推理系统，确定有火概率和无火概率的模糊控制规则，建立如下模糊规则。

if(有火概率P1is PS)and(无火概率P2is PL)then(火灾概率P is PS);

if(有火概率P1is PM)and(无火概率P2is PM)then(火灾概率P is PL);

if(有火概率P1is PL)and(无火概率P2is PS)then(火灾概率P is PL)。

然后，再选取200组样本作为检验样本，按模糊神经网络的构建过程进行仿真计算。对200组检验样本进行了20次仿真计算，每次分别使用神经网络(NN)和模糊神经网络(FNN)两种方法进行仿真。

通过NN和FNN两种方法，分别得到的误报样本数及识别正确率如表1所示。

表1 仿真结果Tab.1 Comparison of simulation results

表1中，NN误报数表示在每次重复试验中，应用神经网络方法(NN)对200组样本进行识别产生的误报组数，即将有火识别为无火或将无火识别为有火。NN正判率由式(2)计算得到;模糊神经网络(FNN)误报数及其正判率也可由同样的方法得到。

最后，即得到神经网络(NN)和模糊神经网络(FNN)经过20次试验后的火灾识别正确率。对20次的识别正确率进行平均，得到应用模糊神经网络方法达到的识别正确率为90%，与采用BP神经网络算法相比，火灾识别率提高了3%。

3 结束语

本文将温度-火焰复合探测系统应用于电站、变压器间、配电室等室内封闭空间进行火灾识别，并采用FNN智能算法进行火灾识别，具有自学习、并行处理、容错能力强和充分利用专家经验等优点。与采用NN算法相比，采用FNN提高了3%的识别率，在一定程度上提高了火灾探测系统的识别精度，为进一步的火灾探测研究打下了基础。

［1］晓京.火灾探测报警技术的发展趋势［J］.安徽消防，2003(3).

［2］吴龙标，方俊，谢启源.火灾探测与信息处理［M］.北京:化学工业出版社，2006:192－193.

［3］李国勇.神经模糊控制理论及应用［M］.北京:电子工业出版社，2009:240－241.

［4］FlieB T，Jentschel H J，Lenkheit K.A new synthesis method for signals for testing of flame-detection algorithms［J］.Fire Safety Journal，2002，37(2):151 －164.

［5］姚伟祥，吴龙标，卢结成.用模糊神经网络进行火灾探测［J］.信号处理，2000，16(1):43 －46.

［6］王利清，魏学业，尹进才.模糊神经网络在火灾信号探测系统中的应用研究［J］.电子测量与仪器应用学报，2001(2):8－11.

［7］姜国强，孟庆春，汪玉凤.基于模糊神经网络的智能火灾报警系统［J］.自动化技术与应用，2003，16(9):13 －16.

［8］王士同.神经模糊系统及其应用［M］.北京:北京航空航天大学出版社，2005.

［9］蒋宗礼.人工神经网络导论［M］.北京:高度教育出版社，2001:240－241.