基于多传感器信息融合的火灾探测

窦甜华 / 张 强（山东同圆设计集团有限公司，山东 济南 250101）

引言

随着经济的发展及人们生活水平的提高，火灾发生的几率也更高了。人们对居住环境不仅要求便利，而且要安全。智能建筑由多种服务的子系统集成，其中最重要的一个子系统就是火灾探测子系统。火灾探测最主要的研究问题之一是在短时间内对火灾实现低误报率的检测。传统的单物理量火灾探测器采用阈值法判别火灾，阈值设置过高发生火灾而不报警，造成漏报；阈值设置过低，容易受厨房烟雾、香烟等干扰，造成误报。因此，由多传感器构成的多模式/多判据智能火灾探测器被广泛研究应用。

1 火灾探测器的分类

火灾发生时，会产生烟雾、高温、火焰及可燃性气体等现象，火灾探测器按其探测火灾不同的理化现象而分为四大类：感烟探测器、感温探测器、感光探测器及可燃性气体探测器；按探测器结构可分为点型和线型。其中感烟探测器主要分两种：离子感烟探测器和光电感烟探测器。离子感烟式探测器适用于点型火灾探测。根据探测器内电离室的结构形式，又可分为双源和单源感烟式探测器。感温式探测器根据其对温度变化的响应可分为定温和差温探测器。

值得注意的是：在火灾初期，气体比烟雾粒子上升快，气体传感器的应用有助于火灾探测速度和可靠性的提高，且金属氧化物气体传感器具有低成本、微系统集成及寿命长等特点。据证明CO传感器能区分火灾的烟雾、烹饪蒸汽或香烟烟雾等。在空气中多灰尘、水汽和油物的场合经常干扰光电传感器，这个问题也可以通过CO传感器部分解决；因此，CO传感器在火灾探测中的应用越来越广泛。美国研究学者采用烟雾传感器与CO和CO2气体传感器相结合的方法用于对飞机货仓内的火灾探测。使用烟雾和CO传感器，烟雾和CO2传感器测量的上升率算法降低了干扰报警率和报警反应时间[1]。此外，使用各种气体传感器阵列构成的智能火灾气体探测器电子鼻具有较高的智能性和可靠性，能更精确地对火源进行分类[2]。

新的探测技术和新材料也被引入火灾探测，如：光纤温度传感技术适用于大范围内多点温度测量，为矿井、高速公路隧道等大范围火灾监测寻求了新的技术途径；感温材料TiNi（钛镍）形状记忆合金做成的热探测器不仅能实现早期探测，也可开启粉尘、气体、泡沫等灭火系统，比较适用于带有易燃物的全封闭的机舱或车内；且在高密度高频电磁场区域，相对传统传感器工作性能更可靠。

2 火灾探测器的选型

火灾探测器的选用涉及到的因素主要有火灾的类型、火灾形成的规律、建筑物的特点以及环境条件等。

2.1 按火灾地类型选用探测器

火灾是一个失去控制的燃烧过程，根据它的表现形式可分为：慢速阴燃火、明火和快速燃烧。慢速阴燃火出现在火灾发生的最初阶段，由于它发展时间长且趋向模糊，因此是三种形式中最难检测的。慢速阴燃火产生大量烟和少量热，火光辐射很弱，常选用感烟式探测器探测。

烟雾粒子较大时宜采用光电感烟式探测器[3,4]；烟雾粒子较小时由于对光的遮挡和散射能力较弱，光电式探测器灵敏度降低，宜采用离子式探测器。

火灾形成规模时，在产生大量烟雾的同时，光和热的辐射也迅速增加，应将感烟、感光及感温式探测器组合使用。

对于过程短暂的爆炸性火灾，需要使用可燃气体探测器进行灾前报警，或使用感光探测器对爆燃性火灾瞬间产生的强烈光辐射做出快速报警[5]。这类火灾没有阴燃阶段，燃烧过程中烟雾少，不适宜用感烟式探测器。燃烧过程中虽然有强热辐射，但总的来说感温式探测器的响应速度偏慢，不能及时对爆燃性火灾做出报警反应。

2.2 按建筑的特点和场合选用探测器

应根据建筑物特点及场合的不同选用不同的探测器。建筑物室内高度不同，对火灾探测器的选用有不同的要求。房间高度超过12m时，感烟探测器不适用；房间高度超过8m时，则感温探测器不适用，适合采用感光探测器。对于较大库房及货场，宜用线型激光感烟探测器，而采用其他点型探测器则效率不高。在粉尘较多、烟雾较大的场所，感烟式探测器易出现误报警，感光式探测器的镜头易受污染而导致探测器漏报，因此，在这种场合采用感温探测器较合适。在较低温度的场合，宜采用差温或差定温探测器，不宜采用定温探测器。在温度变化较大的场合，应采用定温探测器，不宜采用差温探测器。风速较大或气流速度大于5m/s的场所不宜采用感烟探测器，使用感光探测器则无任何影响。

2.3 探测器的未来发展

上述探测器的选用分析，都是基于火灾发生时的局部信息做出的判定，当存在干扰时易出现误判。随着各种新工艺、新技术的涌现，复合智能型探测器应运而生。为了排除干扰，更准确、高效的探测火灾，多物理量复合而成的传感器得到越来越广泛的应用。

3 智能火灾探测器的构成与应用

智能火灾探测器由微处理器、火灾探测器及一些外围电路组成，根据探测环境的不同选用多传感器复合探测器。选用火灾传感器时应遵循探测区域内火灾初期的形成及发展规律、误报原因等，选用不同种类的传感器。充分发挥各个传感器的优势，取长补短，实现信息共享的多元探测。若把能检测火灾特征的各种传感器全部集成复合会使器件过于复杂，降低微处理器处理数据的速度，并且降低报警的准确率。目前，比较成熟的火灾探测器是两种或三种传感器复合，利用探测器内置的微处理器对几种探测源的数据进行综合评估，最终决定是否报警。

图1 多传感器信息融合示意图

图2 智能火灾探测系统框图

多传感器之间的协调和性能互补的优势，克服了单个传感器的不确定性和局限性，提高了整个传感器系统的有效性能，获得对被测对象的一致性解释与描述，进而实现相应的决策与估计，使系统获得更充分的信息。图1是多传感器信息融合的示意图，传感器之间的冗余数据增强了系统的可靠性，传感器之间的互补数据扩展了单个传感器的性能。

智能火灾探测系统硬件框图如图2所示，先通过信号调理对传感器输出信号进行整形、滤波、放大和A/D转换，再送入微处理器进行信息融合处理，下面详细介绍多传感器信息融合算法。

4 智能火灾探测器信息融合算法

4.1 多传感器数据融合的层次及功能

与经典信号处理方法相比，多传感器复合处理的信息具有更复杂的形式，且在不同层次上出现。多传感器数据融合可分三个层次:信息层、特征层及决策层。如图3所示，信息层主要完成原始数据的采集与处理；特征层利用信息层的输出信号进行数据融合，找出早期火灾发生和发展的特征参量；决策层则充分利用特征层输出的各类特征信息，采用适当的融合技术和判断规则给出最终火灾结果。

图3 复合火灾探测器信息融合结构图

一般选择的多传感器观测的是多物理量，数据只能在特征层或决策层融合。数据融合技术用于火灾探测，是结合火灾特征，利用其独特的三层结构，更加清晰的处理火灾探测器采集的信息。在信息层里首先对单物理量传感器采集的信息进行局部处理，这样有利于发挥各个传感器的优势，减轻融合中心数据处理的复杂度，具有并行分块处理的优点。

4.2 常用多传感器数据融合算法

常用多传感器数据融合算法有：加权平均法、卡尔曼滤波、贝叶斯估计、Dumpster-Shafer证据推理、模糊逻辑、神经网络、遗传算法、粗糙集理论等，下面分别介绍：

（1）加权平均法最简单、直接，这种方法从不同传感器获得权值信息，融合结果就是加权平均值。缺点是需要相当长的时间确保权值，而且很难得到最优加权平均值。

（2）卡尔曼滤波适用于动态环境中的传感器信息融合。使用测量模型中的递归统计方法，根据各方面的统计数据估计最优融合数据。如果系统动态模型是线性系统，传感器噪声是高斯白噪声，则卡尔曼滤波可以在数据统计方面提供最优数据融合估计。由于递归的特点，这种算法的计算速度快，且需要较少的内存空间。

（3）贝叶斯估计是用于静态环境中低层次的多传感器信息融合方法，它用概率分布法描述信息。贝叶斯估计用于处理带有不稳定的高斯噪声的信息，这种算法被用于早期传感器信息融合技术。

（4）Dempster-shafer（DS）证据推理是贝叶斯估计的推广。当先前条件是相关的，贝叶斯很难保证一致估计。DS证据推理使用不稳定时间间隔来确定不稳定未知先验概率，从而克服了贝叶斯估计的缺点。该方法成为解决多传感器信息融合的理论依据。

（5）模糊逻辑在多传感器信息融合过程中使用0～1间的数值直接表示不确定性。模糊逻辑不依赖于数学模型，所以它可以被用于模型不确定的系统。

（6）基于神经、网络的信息融合是不确定性的推理过程。最佳利用外界环境信息，这种算法通过大量的学习和推理把不确定性的复杂系统融合成易理解的信号，具有兼容性和计算快等优点。目前神经网络以其很强的环境适应性、学习能力、容错能力和并行处理能力在火灾探测系统中被广泛应用，使信号处理过程更接近人的思维活动，使火灾探测具有智能化。

（7）遗传算法(GA)具有较强的全局搜索能力，且简单通用、鲁棒性强，但拟合度函数变化较大, 局部搜索能力较弱, 且要求拟合度函数必须收敛于最小误差。

（8）粗糙集理论是一种刻画不完整性和不确定性的工具, 能有效地分析和处理不精确、不一致及不完整等各种不完备信息, 并从中发现隐含的知识，揭示潜在的规律。利用粗糙集进行信息融合, 主要利用它对不完整数据进行分析和推理，发现数据间的关系、提取有用特征和简化信息的能力来融合多源复杂信息, 以提高融合速度和进行最优化融合算法的选择, 增强系统的决策能力。

4.3 各种数据融合算法的结合使用

为弥补各算法的不足，用于火灾探测的多传感器数据融合算法一般采取上述几种方法相结合，例如文献[7]描述了一种基于GA的径向基函数RBF（Radial Basis Function）神经网络算法用于火灾检测，GA算法用于使RBF神经网络的参数和结构最优化，增强子网络的自适应能力。为了避免常用的多层前馈网络BP（back propagation）神经网络算法在训练时容易陷入局部极小点，收敛速度慢等问题，在算法训练中常引入适合求取全局最优解的遗传算法GA（Genetic Algorithm），梯度下降法与高斯牛顿法结合的LM（Levenberg Marquardt）算法等。例如文献[8]介绍的交替使用GA和LM优化神经网络，不仅增强了遗传算法的局部搜索能力，而且避免了神经网络训练陷入局部极小点。

采用不同的数据融合算法，最后输出结果也不同。如：采用加窗最小二乘法提取CO浓度上升速度加速度和CO2的浓度上升速度作为火灾辨识的过程特征信息，决策层采用概率神经网络算法，输出结果为明火/阴燃火/无火灾[6]；采用模糊神经网络算法形成火灾预报模型，神经网络的输出再经过模糊判断，最终得到火灾发生概率。

因为模糊逻辑和神经网络具有一定的互补性，在火灾多信息融合算法中人们常将两种方法相结合，模糊神经网络提高了模糊逻辑的自适应性和神经网络的鲁棒性。其中神经网络理论用于火灾探测的常用方法有：多层前馈网络BP（back propagation）、径向基函数神经网络RBF (Radical Basis Function)等。模 糊逻辑常采用“If-then”模糊逻辑推理方法，模糊聚类方法等。根据模糊逻辑和人工神经网络连接的形式和使用功能，两者融合的形态可归纳成以下五类：松散型、并联型、串联型、网络学习型及结构等价型。

5 结论

火灾发展的过程是一个随机的不可预测的过程，为降低单一传感器引起的漏报和误报，提高火灾探测的可靠性，多传感器复合探测已成为火灾探测器发展的趋势。随着微电子、单片机技术的发展，火灾探测器正朝着小型化方向发展。多传感器火灾探测又促使多信息融合算法具有自学习、自适应、自组织以及容错能力等功能，各种信息融合算法虽有互补性，但将多个方法结合又会增加算法的复杂度，降低信息处理的效率，因此高效的信息融合算法有待研究。

随着各种通信协议的产生，无线传感器网络得到越来越广泛的应用。基于无线传感器网络的火灾报警系统可解决布线困难及线路易老化、腐蚀、鼠咬及磨损等问题，目前用于火灾报警系统的无线通信协议主要有蓝牙、ZigBee等，但存在通信距离短，可靠性不高等缺点。HART通信基金会HCF已在2007年6月向其会员单位发布无线HART协议的正式文本HART7。此标准是全球第一个获得这一级别国际认证的工业无线通讯技术。如今无线HART协议以其可靠性、安全保密及有效的电源管理等优点得到了广泛的关注，用于火灾探测指日可待。此外，无线传感器网络中的火灾定位问题也备受研究者的关注，如何降低无线传感器网络火灾定位误差，已成为研究的热点。

[1]Shin-Juh Chen, David C．Hovde, Kristen A．Peterson,Andre W．Marshall．Fire detection using smoke and gas sensors[J]．Fire Safety Journal 2007 (42): 507–515．

[2]Bancha Charumpom, Michifumi Yoshioka, Tom Fujinaka,Sigeru Omatu．Early Stage Fire Detection Using Reliable Metal Oxide Gas Sensors and Artificial Neural Networks[C]．//IEEE Proceedings of the International Joint Conference．2003 (4):3185–3188．

[3]路海娟．基于信息融合技术的火灾报警方法研究[D]．沈阳航空工业学院．2008．

[4]侯杰，钱稼茹，赵作周，潘鹏．高大空间建筑火灾探测及扑救技术发展思考[J]．华中科技大学学报(城市科学版)．2008, 25(4): 196-201．

[5]李小亚．基于人工智能的数据融合技术在火灾探测中的应用研究[D]．广东工业大学．2005．

[6]仲启树，张认成，杜建华．数据融合技术在火灾早期探测中的应用[J]．华侨大学学报(自然科学版)．2008,29(1):11-13．

[7]Hairong Wang, Weiguo Yang, Huiling Jiang, Yun Wang．Application of Distributed GA-based RBF Neural Network in Fire Detection[C]．// IEEE Proceedings of the 4th International Conference on Natural Computation．2008:398-402．

[8]张长胜, 欧阳丹彤, 岳娜, 张永刚．一种基于遗传算法和LM算法的混合学习算法[J]．吉林大学学报(理学版)．2008, 46(4):675-680．

[9]张兢，路彦和， 雷刚．基于多传感器数据融合的智能火灾预警系统[J]．计算机工程与应用．2006: 206-208．

[10]刘静．基于ZigBee技术的无线火灾报警信息传输系统的设计[D]．中南大学．2007（5）．

[11]董广军，张永生，戴晨光，范永弘．基于粗糙集的多源信息融合处理技术[J]．仪器仪表学报．2005, 26(8):570-571．