神经网络在智能火灾预警系统的应用*

丁承君, 赵泽羽, 朱雪宏, 冯玉伯

(河北工业大学 机械工程学院，天津 300130)

0 引 言

当前的火灾探测装置大多仅利用一种传感器来进行检测,其检测信号信息的不充分性以及误差率，导致了探测装置检测效率低下，经常出现漏报误报等情况[1]。

目前，火灾探测智慧化已经成为研究的重点[2]。如韩菁等人[3]用神经网络算法对专家知识库中火灾发生时的一氧化碳(CO)体积分数和温度等特征数据进行融合，该方法过分依赖专家知识库中数据的可靠性和准确性；何南南等人[4]用模糊神经网络算法建立了火灾检测模型，但其算法中存在易陷入局部最小值的缺点，模型探测效率不高。国外，Kosterev A A等人[5]提出了将温度和烟雾探测结合的双传感器火灾检测方法；Collins G[6]提出了一种使用视频感烟探测器的火灾检测技术， 通过图像识别技术监控火焰和烟雾，以此判别火灾是否发生。其火灾探测装置大多利用了2种传感器共同实现。

基于此，本文采用了基于改进的反向传播(back propagation,BP)神经网络技术的智能火灾探测模型，并利用Softmax函数建立火灾探测系统，将火灾状态分为无火、阴燃火以及明火3种状态，最终判断输出火灾当前处于何种状态。

1 数据融合系统

1.1 火灾探测参量确定

探测参量的确定对探测系统的可靠性 、灵敏度及提早报警程度起着至关重要的作用[7]。火灾的起因可分为明火和阴燃火，当由明火引起的火灾时，前期伴随着温度和CO浓度显著增加，烟雾浓度增长缓慢，后期则伴随着烟雾浓度显著增加，温度有下降趋势；当由阴燃火引起的火灾时，前期伴随着烟雾和CO浓度显著增加，温度增长缓慢，后期则烟雾和CO浓度呈下降趋势，整个过程中温度变化并不明显。因此，可根据前期探测量的变化趋势准确判断是否发生火灾，避免了传统的单传感器仅针对某一特定量进行报警的缺陷。因此，确定以温度、烟雾和CO浓度作为探测系统的探测量。

1.2 探测系统模型

如图1所示为利用神经网络技术进行数据处理的多传感器火灾探测系统模型[8]。描述为：多个传感器[9]对火灾现场进行数据的采集及预处理、对火灾信号特征量的提取以及对信号的处理、识别和报警。数据采集由各传感器完成，将采集的数据进行预处理和特征提取，处理的数据经过神经网络智能化分析后得到火灾的类别，最终做出相应的应急处理。文中火灾数据采集装置包括CO气体传感器MQ—9(检测CO气体体积分数)、烟雾传感器MQ—2(检测烟雾体积分数)和温度传感器DHT11(检测环境温度)。

图1 多传感器火灾探测系统模型

2 实验研究

实验对明火、阴燃火以及无火3种情况下探测参量的浓度变化进行了描述。

由3只传感器组成的火焰探测系统安装于实验室屋顶正中央，分别进行木材明火和阴燃火实验，经过多次相同条件下的实验结果，得到了在整个燃烧过程中烟雾、CO以及温度传感器所测得的数据，经过曲线拟合得到图2所示结果。

图2 明火阴燃火曲线

从图2(a)曲线可知，火源燃烧早期，CO气体浓度迅速增加，温度随着燃烧缓慢增加，烟雾浓度变化并不明显，当可燃物将燃尽时，烟雾浓度迅速增加，CO气体浓度增长缓慢，温度有下降趋势。而环境的温度在起始燃烧时达到最大值，约70℃。

从图2(b)曲线可知，火源燃烧早期，烟雾浓度迅速增加，随着燃烧的继续，烟雾浓度达到一定值，CO气体浓度增长显著，当可燃物燃尽时，CO浓度和烟雾浓度明显下降。整个过程中，温度并未明显变化。

3 神经网络的应用

3.1 BP神经网络原理

采用的神经网络结构[10]如图3所示。

图3 BP神经网络的火灾预警结构

隐含层采用S型函数[11]作为激活函数

(1)

输出层采用Softmax回归函数对其火灾数据进行明火、阴燃火和无火的分类。

3.2 BP算法改进

传统的BP算法存在收敛速度慢，易于陷入局部最小值等问题，其仅使用最速下降法来完成对权值和阈值的不断调整，容易产生振荡而使收敛效果变差。本文采用了改进的拟牛顿(limited-memory Broyden Fletcher Goldfarb Shanno,L-BFGS)算法来训练网络，并将训练好的模型应用于火灾探测系统中，仿真结果证明了其网络训练速度远远超过梯度下降法。改进算法的参数更新规则为

(2)

式中δk=ξk+1-ξk

(3)

(4)

Sk=wk+1-wk

(5)

(6)

可以看出，L-BFGS算法虽然在迭代过程中利用了Hession矩阵信息，但是未计算二阶导数，仅计算一阶导数。

3.3 Softmax回归模型

Softmax回归模型用于解决多分类问题，其类标签y可以取k个不同的值(而不仅是2个值)，本文火灾类型分为3类，即：明火、阴燃火和无火，故此本文采用Softmax回归模型对其进行分类。

Softmax回归算法的一般代价函数为

(7)

式中1{·}为示性函数，其取值规则为：

1{值为真的表达式}=1；1{值为假的表达式}=0。

但此时代价函数并不是一个严格的凸函数，在利用L-BFGS优化算法时往往会存在数值问题，故对代价函数添加一个权重衰减项来改进代价函数使其变成一个严格的凸函数，改进后的代价函数

(8)

此时Hession矩阵变为可逆矩阵，并且因为J(θ)变为严格的凸函数使得L-BFGS优化算法保证了全局收敛到最优解。通过求解J(θ)导数的最小值实现一个可用的Softmax回归模型。求得其导数

(9)

通过最小化J(θ)，即可建立Softmax回归模型。

4 仿真结果分析

采集了无火、阴燃和明火状态下的一氧化碳传感器、温度传感器和烟雾传感器的数据共1200组。利用其中900个样本对网络进行训练，并利用另外300个样本对训练好的网络进行测试。采用MATLAB仿真软件对数据进行分析[12]，分别测试了L-BFGS优化算法，有动量的梯度下降(gradient descent momentum,GDM)算法的收敛速度和性能。在测试时，需要网络根据传感器数据正确分类为“无火”，“阴燃”和“明火”状态。图4为L-BFGS算法神经网络收敛速度和性能测试。从图4(a)可以看出：利用L-BFGS对神经网络进行优化，只需要4个回合，即使得训练错误率降低到0.01以下，最终收敛仅需35次迭代。分类结果表明：其正确率为98%。图5为GDM算法下的神经网络收敛速度和测试性能。共进行了6000次迭代，正确率为96%。相比L-BFGS，在精度上和收敛速度上均有明显差距。

图4 L-BFGS优化神经网络测试结果

图5 GDM优化神经网络测试

图4(b)和图5(b)中火情类别分为3类：“1”代表无火；“2”代表阴燃火；“3”代表明火。L-BFGS算法优化和GDM算法优化数据直观对比如表1所示。

表1 2种算法优化的神经网络测试火情识别结果

从表1的对比可以看出:利用L-BFGS算法对神经网络进行优化，在300次火情实验中，错误分类次数有6次，正确率达98 %；利用GDM算法对神经网络进行优化，300次火情实验中，错误分类次数达到了11次，正确率为96 %。由此进一步证明了利用L-BFGS算法优化后的神经网络对火灾火情类别的识别正确率较高，达到了期望的效果，同时降低了漏报率和误报率，提高了火灾探测系统的可靠度。

5 结 论

火灾探测是一个非常复杂而又难以用精确数学模型描述的问题，本文采用的神经网络方法最终是将其转换凸优化问题对检测结果进行处理，结合火灾探测参量得出系统模型的最优解；通过仿真结果得出，基于L-BFGS算法的神经网络火灾探测模型有效准确，与传统的火灾探测系统相比，其网络结构的预测速度更快，具有更高的实时性；同时，提高了火灾探测的精度和可靠性，数据表明，预测模型精度高达98 %，达到了预期的目标。

[1] 佟瑞鹏，高 平，刘 欣，等.大型活动事故风险评价模型与方法研究[J].中国安全科学学报，2014,24(3)：150-155.

[2] 陈 倬.浅谈火灾自动报警控制系统组成及发展[J].科技资讯,2009(21): 254.

[3] 韩 菁.多传感器数据融合技术在火灾探测中的应用研究[D].重庆:重庆科技大学,2011.

[4] 何南南.多传感器信息融合技术在火灾探测中的应用[D].西安：长安大学，2012.

[5] Kosterev A A,Dong L,Thomay D,et al.QWPAS for chemical analysis of multi-component gas mixtures[J].Applied Physics B:Lasers and Optics,2010,101(3):649-659.

[6] Collins G.Detecting the right technology[J].International Fire Protection,2010,42(5):39-45.

[7] 郭 键,王汝琳,李 宁,等.神经网络在矿井胶带机火灾探测中的应用[J].西安石油大学学报,2004,19(2):67-70.

[8] 史增芳，姜岩蕾.多传感器信息融合火灾探测器的研究[J].自动化技术与应用,2016(9):8-10.

[9] 姚 畅，钱盛友，候周国.基于神经网络的多传感器火灾预测数据处理[J].传感器技术，2005，24(11):68-70.

[10] Ding Y,Weng F,Yu J.Applying BP neural network in high-rising buildings fire risk assessment[C]∥International Conference on Advanced Computer Cotrol，IEEE,2011:265-268.

[11] 高 隽.人工神经网络原理及仿真实例[M].北京:机械工业出版社,2007.

[12] MATLAB技术联盟，刘 冰，郭海霞.Matlab神经网络超级学习手册[M].北京：人民邮电出版社，2014.