基于模糊神经网络的火灾传感器特征参数融合算法*

钱 伟,何志祥,张德银

(中国民用航空飞行学院,四川 广汉 618307)

基于模糊神经网络的火灾传感器特征参数融合算法*

钱 伟,何志祥,张德银*

(中国民用航空飞行学院,四川 广汉 618307)

针对现有火灾探测器误报率较高的现状,以CO浓度、烟雾、温度3种火灾特征参量为对象,研究了3种传感器特征参数的模糊神经网络融合决策算法,以模糊控制器为核心研制了复合火灾探测器。以木材阴燃火、棉绳阴燃火、聚氨酯明火、乙醇明火为模拟火灾火源进行了火灾探测响应实验,以香烟、打火机、暖风机、粉尘为干扰源进行了干扰验证实验,实验结果表明,在模拟火灾火源下,复合火焰探测器具有较高的探测精度及抗干扰性能,其中探测器漏报率为0,平均响应时间为20.06 s,误报率为0.3%。

火灾探测;数据融合;模糊数学;神经网络;

火灾的发生通常会伴随大量的一氧化碳(CO)、烟雾粒子、热量(温度)、火焰等,火灾探测主要是通过上述火灾特征参量的变化情况来确定是否发生火灾,不同类型的火灾其特征参量往往存在很大的差异[1]。传统的火灾探测器大多以烟雾、气体、温度、火焰等单一的火灾特征参量作为火灾判断依据,单一的火灾探测器对于火灾算法也仅仅是采用简单的阈值法,极易受到外界干扰的影响而导致火灾误报[2],因此针对两种或两种以上火灾特征参量的探测已经成为目前火灾探测的主要研究方向[3-6]。刘轩等[7]以烟雾和温度为特征参量设计了复合火灾探测器;陈涛[8]以烟雾和CO气体作为火灾探测对象,制作复合火灾探测器起到很好的探测效果。Tekin A Kunt[9]为了解决火灾探测中特征层融合识别算法对火灾特征识别准确性低的问题,提出了将神经网络算法应用于火灾特征的识别;Jiao Aihong等[10]在研究火灾算法时将神经网络和遗传算法进行优势互补,增加了火灾探测模型精度;但对3个参数及以上的传感器数据融合预测并不适用。神经网络可以通过学习不断提高算法自身的适应性,且能够很好的根据环境变化调整自身的参数,但其输出表达形式往往较为抽象不容易被人们理解[11];而模糊控制算法注重对先验知识的表达,对于处理火灾等非确定性信息非常适用[12]。故为了改善现有火灾误报率高的问题,将模糊算法与神经网络算法进行融合进行火灾算法设计,以CO气体浓度、烟雾粒子、温度作为火灾特征参量,利用模糊神经网络算法对3种火灾特征参量进行数据融合进行设计复合火灾探测器,同时通过模拟火灾实验对设计的火灾探测器进行响应验证及干扰验证。

1 复合火灾探测器结构设计

火灾探测硬件系统设计主要分为数据采集模块和数据处理模块,硬件结构如图1所示。其中CO、烟雾、温度传感器通过信号调理电路将特征参数信号转换为电信号,再通过微弱信号放大电路及滤波电路输入到数据采集端口,信号采样后传送到CPU处理器进行模糊神经网络进行融合判断,将计算得到的火灾发生概率以TTL电平形式输出到声光警告设备,通过最终阈值判断电路进行火灾报警决策响应。探测器硬件设计中CO传感器选用MQ-7,浓度监测范围10×106～1 000×106,功耗为350 mW;温度传感器选用TC1047,工作范围-40 ℃～+125 ℃,工作电流15 μA～60 μA,测量精度为±1 ℃;烟雾探测采用光电型传感器,设计了光电感烟室,内置发光元件IR5123C发光二极管,受光元件PD243B硅光电池,接受光谱范围在近红外波段0.5 μm～1.2 μm之间,工作温度为-55 ℃～+100 ℃。

图1 火灾探测器系统结构框图

图2 算法设计流程

2 模糊神经网络融合算法设计

2.1 算法设计流程

模糊神经网络一般是多层前馈网络,分为前层、中层和后层。前层实现模糊化,中层实现模糊推理,后层实现反模糊化。进行算法流程设计首先需要根据输入构造神经网络,确定神经元层级及个数,根据输入特征参数构造适合的隶属度函数,并设定相应的模糊判定规则库;通过神经元传导模型计算各层网络的输入输出;网络各层级传导权值需要由采集的火灾样本数据对所构建的模型进行训练,在训练中不断的调整修正神经网络权值,使网络输出误差小于设定值。最后利用模糊推理系统对网络所输出的有火或无火概率进行模糊推理判断,并输出火灾发生的概率,通过使用阈值法对火灾概率进行判断。

2.2 神经网络构造

以火灾发生时环境中的CO浓度、烟雾、温度3个特征参数转换的电信号作为网络的输入,构建的模型共分为七层,分别为输入层、线性变换层、模糊化层、模糊规则查找层、归一化层、去模糊化层、反模糊化层,模型结构如图3所示。C、Y、T分别表示CO、烟雾、温度3种传感器所采集的电信号在经过预处理后的输出值。W1、W2、W3、W4分别表示(1,2)层、(2,3)层、(3,4)层以及(5,6)层之间的连接权值。S、M、B分别代表模糊推理当中的“小”、“中”、“大”。当火灾信号输入到神经网络模型以后通过连接权值W1、W2将三路信号按照3种不同隶属度函数划分为S、M、B,然后通过权值W3根据三路数据实际隶属度函数值选定对应的模糊规则,其次通过连接权值W4对第5层的模糊规则进行归一化处理进而得到“明火L”、“阴燃火S”以及“无火N”所发生的概率,最后由网络输出火灾判定结果。

图3 模糊神经网络模型

2.3 隶属度函数与模糊推理规则

模糊化层主要对第1层输出量进行模糊化处理即利用隶属度函数将具体的输入量以“S(小)”、“M(中)”、“B(大)”来表示。在模糊化过程中,隶属度函数选取对于模型的输出有着重要的影响,考虑到模型建立的实际需求,“S(小)”和“B(大)”采用S型函数,隶属度如式(1)、式(2)所示,“M(中)”采用高斯函数,函数输出在0～1之间,隶属度函数如式(3)所示。上式中,x表示第1层输出值,W1、W2作为连接权值选取任意值作为初始值,连接权值发生改变即隶属度函数的参数发生了改变。

(1)

(2)

(3)

第4、第5层之间为模糊规则层用以实现模糊规则制定,由于输入具有3个参数,且每个参数具有“S”、“M”、“B”3种状态,即模糊规则应该有33条规则,考虑到火灾发生的实际情况某些模糊规则并不具备实际判断意义,且过多的模糊规则增加了模型的复杂度,因此总结了其中14条模糊规则如下所示,其中“N”表示无火,“S”表示阴燃火,“L”表示明火。

①IF(C为S)AND(Y为M)AND(T为S)THEN(火情为N)

②IF(C为S)AND(Y为S)AND(T为S)THEN(火情为N)

③IF(C为B)AND(Y为M)AND(T为S)THEN(火情为S)

④IF(C为M)AND(Y为B)AND(T为S)THEN(火情为S)

⑤IF(C为M)AND(Y为M)AND(T为S)THEN(火情为S)

⑥IF(C为S)AND(Y为S)AND(T为B)THEN(火情为L)

⑦IF(C为S)AND(Y为M)AND(T为B)THEN(火情为L)

⑧IF(C为B)AND(Y为M)AND(T为M)THEN(火情为L)

⑨IF(C为B)AND(Y为B)AND(T为B)THEN(火情为L)

⑩IF(C为B)AND(Y为B)AND(T为M)THEN(火情为L)

2.4 神经网络各层单元计算

通过以上选定隶属度函数及神经网络传导模型,可以确定网络各层的输入输出如下:

第1层作为网络输入层,其输出与输入之间的关系如式(4)所示。

(4)

第2层通过权值线性连接后输出如式(5)所示,式中R取C、Y、T,y取i、j、k:

(5)

第3层模糊化处理后输出表达式如式(6)所示:

(6)

第4层作为模糊层,主要实现对模糊规则的创建以及运算,其输出如式(7)所示,式(7)中,l表示第4层的节点个数,R表示输入变量即C、Y、T,y表示输入变量的隶属度函数所存在的3种状态。

(7)

第5层为归一化层,该层主要是实现对第4层输出结果的归一化,为第6、7层的去模糊化过程做准备,该层节点数为14,其输出表达式如式(8)所示:

(8)

第6层为去模糊层,该层主要输出明火、阴燃火、无火3种状况发生的概率,如式(9)所示:

(9)

图4 X、Y两层连接权值

第7层去模糊化,6、7两层之间经过X、Y两层变换,最后计算得出第7层的输出值,X、Y两层连接权值如图4所示。其中X层有4个神经元,分别表示火灾概率为0、1/3、2/3、1,其作用是将第6层中的L、S、N的隶属度函数转化为对应的具体数值的隶属度即发生火灾的概率,图4中Pa表示明火概率,Pb表示阴燃火概率,二者在经过去模糊化后即可得到最终的输出结果。

据此,利用面积重心法可得其输出如式(10)所示:

(10)

图6 网络模型测试曲线

2.5 权值修正

模糊神经网络模型的建立最主要的就是找到合适的网络权值,从而使网络实际输出与期望输出尽可能的接近,系统在构建时连接权值有W1、W2、W3、W4,其中W3为3、4层之间的连接权值,当两层之间存在对应的模糊规则时将该节点的W3置1或0。而W1、W2、W4,则采用附加动量项神经网络算法对其进行训练,并利用误差反向传播的梯度下降法来实现对权值的调整。具体网络学习算法过程如下:

网络目标函数为:

(11)

网络误差信号定义为:

e=V-P

(12)

式中:V为期望输出信号,P为网络的实际输出信号,网络连接权值沿着目标函数ξ梯度下降的方向进行修正,在加入动量项以后,可通过式(13)来对连接权值进行修正:

(13)

式中:mc表示动量系数,其范围为(0,1),在实际使用过程中通常设置在0.95;η为学习效率,其取值范围为(0,1)。由式(13)可推导出ΔW1,ΔW2,ΔW4与网络输出之间的递推关系如下:

W4(N)=W4(N+1)-ΔW4(N)

(14)

W2Ry(N)=W2Ry(N+1)-ΔW2Ry(N)

(15)

W1Ry(N)=W1Ry(N+1)-ΔW1Ry(N)

(16)

利用大量样本数据的训练可以对网络连接权值W1、W2、W3、W4进行不断的调整与修正,训练样本数量越大网络模糊推理的准确度就越高。

3 算法模拟仿真

为了得到修正的神经网络连接权值,以不同的燃烧材料形成模火灾环境,共采集了800组火灾特征参量的样本数据,其中木材阴燃火、棉绳阴燃火、聚氨酯明火以及乙醇明火各200组。在网络模型训练中共选取了其中640组样本数据作为训练对象,另外160组作为测试样本,且测试样本中每种类型火灾分别为40组,共分4次对4种不同类型火灾进行测试。在进行训练和测试前需要先对所采集的数据进行归一化处理,然后再借助MATLAB软件进行仿真测试。在网络模型训练中将训练误差设置为1×10-4,最大训练次数设置为1 000次,如图5所示为训练后误差曲线图,可以看出在经过119次迭代后,训练误差为9.913×10-5,满足网络所设定的条件。

图5 训练误差曲线图

为了验证训练后的网络模型是否能够准确的判断火灾,利用所采集的火灾数据对网络模型进行检验,检验所得期望与实际输出比较波形图如图6所示。从图6可以看出针对木材阴燃火、棉绳阴燃火以及聚氨酯明火,网络模型的输出与期望值较为接近,而乙醇明火数据则相对偏差较大,造成这种现象主要是因为训练的数据量不足,若增大数据训练量可有效提高网络的准确性。

4 实验验证

4.1 响应实验

为了验证研制的火灾探测器能否及时的响应火灾,选取木材阴燃火、棉绳阴燃火、聚氨酯明火、乙醇明火作为实验火进行了火灾模拟实验。实验选用120 cm×110 cm×95 m木质方柜,在方柜当中放入燃烧盆,所有材料均放于燃烧盆当中燃烧,火灾探测器安装于距火盆上方1.5 m处,模拟火灾实验在相对封闭的楼道中进行。实验中对木材进行的是阴燃,因此无明显火焰,燃烧过程中伴有少量的烟雾,烟雾颜色为灰色,会产生一定的热量。棉绳阴燃过程伴有零星的火光,产生热量较少,燃烧产生的烟雾较多。聚氨酯燃烧过程属于明火,实验当中产生的火焰较大,有大量的热量产生,产生的烟雾多为粒径较大的黑烟。乙醇燃烧过程火焰较大,产生大量热量,木柜中温度上升非常明显,且整个燃烧未发现明显烟雾。

如图7(a)～(d)为所记录的4种实验火报警过程中的数据波形图,其中白色、红色、绿色曲线分别表示温度、CO气体、烟雾传感器信号响应电压值,曲线上升阶段为模拟火源点火开始各传感器响应过程。从图7可以看出在未进行点火之前,传感器输出存在小范围波动,点火之后,4种火源下的CO、温度、烟雾传感器均随相应环境参数变化,且不同火源下各特征参数变化过程差异较大,难以用一种特征参数进行火灾描述。4种实验火燃烧过程中均产生了大量的CO气体,对比图7(a)、图7(b)可以发现,阴燃过程中产生的热量少、烟雾多,温度对应的曲线上升幅度小,烟雾对应的曲线上升幅度较大,而明火在燃烧过程中通常会产生大量热量,对应温度曲线上升幅度大。若以单一特征传感器及单一阈值法进行火灾探测很大可能会出现误报及漏报现在。图中虚线所标的位置即为复合火灾探测器发出报警信号的时刻,由于该警报融合了3种特征参量进行综合判断,其响应时间在不同环境下对于单一特征判断可能延迟也可能提前,每次实验该报警时刻也会存在一定的波动。为了测试探测器的平均响应时间,在4种模拟火灾下,分别进行50组响应测试。

图7 4种实验火数据波形图

图8 探测器响应时间测试

图8为探测器响应时间测试曲线,其中木材阴燃火测试中,平均响应时间为19.5 s,棉线阴燃火平均响应时间20.9 s,聚氨酯明或平均响应时间21.1 s,乙醇平均响应时间21 s,均满足国标中30 s响应时间要求。

4.2 抗干扰实验

为了验证本次研制的复合火灾探测器的抗干扰性能,对日常生活中常见的干扰源:香烟火、打火机火、暖风机、粉尘进行了模拟实验,其中每种干扰源分别进行了200组实验,实验中将模拟火源放置于探测器下方10 cm处,抗干扰实验结果如表1所示。

表1 干扰实验结果统计表

从实验结果可以看出,火灾探测器对于静态的干扰火源误报警出现3次,误报率为0.3%,具有较好的抗干扰特性。其中香烟火之所以出现误报的原因是香烟燃烧过程中在产生烟雾和CO气体的同时香烟火距火灾探测器较近使得探测器内部温度升高,在三者的作用下触发了报警。打火机火出现误报主要是因为打火机在按下后液态丁烷未来得及燃烧便进入了探测器感烟室内,对红外光线造成散射,在打火机点着后探测器内部温度和CO气体浓度又迅速增加,从而导致探测器发出报警信号。但实际情况中,无论是香烟火还是打火机火通常距离火灾探测器较远,因此香烟火的温度无法使探测器内部温度发生明显的改变,而打火机中的液态丁烷也不会进入感烟室内。

5 结束语

以火灾特征参量CO浓度、烟雾粒子、温度为研究对象,利用模糊神经网络对3种火灾特征参量进行融合设计了复合火灾探测器,在模拟火灾实验中,利用所设计的复合火灾探测器对木材阴燃火、棉绳阴燃火、聚氨酯明火、乙醇明火4种实验火进行火灾响应实验与抗干扰实验,通过实验得出以下结论:①在上述模拟火灾中,火灾探测平均响应时间约为20.06 s,火灾漏报率为0,达到了国家标准要求的性能指标;②在800次抗干扰实验中,出现了3次误报,误报率为0.3%,造成火灾误报主要是因为干扰源距离探测器距离太近;③所设计的模糊神经网络算法适用于3种传感器的火灾探测数据融合,随着训练样本的增加,火灾探测精度会进一步提高。

[1] 兰乾玉. 复合火灾探测器综合性能评估试验平台[J]. 消防科学与技术,2015(1):89-92.

[2] 张德银,何志祥,钱伟,等. 民用飞机火灾探测器改进研究[J]. 消防科学与技术,2016,11:75-78.

[3] 刘士兴,张永明,顾勤冬. 基于无线传感器网络的多参数火灾探测节点研究[J]. 传感技术学报,2010,23(6):883-887.

[4] 李正周,方朝阳,顾园山,等. 基于无线多传感器信息融合的火灾检测系统[J]. 数据采集与处理,2014,29(5):694-698.

[5] 金晨,蔡光强,陈果,等. 基于无线传感网和数据融合技术的火灾报警系统设计[J]. 仪表技术与传感器,2016(6):66-68.

[6] 孙金祥,曹银杰,张宁,等. 基于粉尘浓度传感器的火灾预警系统[J]. 消防科学与技术,2016(7):973-975.

[7] 刘轩,刘士兴. 总线式烟温复合火灾探测器[J]. 合肥:合肥工业大学学报(自然科学),2010(7):1094-1098.

[8] 陈涛,苏国锋,申世飞,等. 火灾烟气中CO和烟颗粒的光声复合探测方法[J]. 传感技术学报,2006,19(3):597-601.

[9] Tekin A K. Intelligent Fire Warning System Based on Fuzzy Extension Constraint Algorithm[C]//2014 Fifth International Conference on Intelligent Systems Design and Engineering Applications(ISDEA). 2014:578-581.

[10] Jiao Aihong,Yuan Lizhe. City Fire Risk Assessment Model Based on the Adaptive Genetic Algorithm and BP Network[C]//2012 International Conference on Industrial Control and Electronics Engineering(ICICEE). 2012:1345-1347.

[11] 张加宏,刘毅,顾芳,等. 基于PSO-BP神经网络的气溶胶质量浓度测量系统湿度补偿[J]. 传感技术学报,2017,30(3):360-367.

[12] 赵亚琴. 基于模糊神经网络的火灾识别算法[J]. 计算机仿真,2015(2):369-373.

MultiFireSensorCharacteristicParametersFusionAlgorithmBasedonFuzzyNeuralNetwork*

QIANWei,HEZhixiang,ZHANGDeyin*

(Civil Aviation Flight University of China,Guanghan Sichuan 618307,China)

A composite fire detector based on fuzzy control was developed to overcome high false positives rate of current fire detector. The core of the fuzzy control is a fuzzy neural network algorithm which incorporates three fire characteristic parameters from CO,smoke,and temperature. The fire detection response experiments and the interference detection response experiments were carried out in different simulative fire situations(wood smoldering fire,cotton rope smoldering fire,polyurethane fire,and alcohol fire)with various interference sources(cigarettes,lighters,air drier,and dust). The experimental results show that the false negative rate is 0,the average response time is 20.06 s,and the false positives rate is about 0.3%,which verify the detector has high detection accuracy.

fire detection;data fusion;fuzzy mathematics;neural network

10.3969/j.issn.1004-1699.2017.12.021

项目来源:中国民航局科技项目(MHRDZ201003);中国民航飞行学院科研基金项目(J2015-09)

2017-05-03修改日期2017-07-12

S776.29.2

A

1004-1699(2017)12-1906-06

钱伟(1986-),男,四川峨边人,工学硕士,工程师,主要研究方向为航空器故障检测,检测自动化设备开发,460458984@qq.com;

何志祥(1990-),男,安徽池州人,工学硕士,助教,主要研究方向为航空器电子设备故障检测,飞机防火理论与实验;

张德银(1971-),男,四川简阳人,工学博士,教授,主要研究方向为航空器故障检测与维修,飞机防火研究,1033636653@qq.com。