火灾监测中基于模糊理论的数据融合方法研究

蔡碧丽，关启晖，游 莹

(1.福建师范大学福清分校图书馆，福建 福清 350300；2.闽江学院现代教育技术中心，福建 福州 350108;3.福建师范大学福清分校电子与信息工程学院，福建 福清 350300)

0 引言

物联网时代，人们不仅仅满足于温饱生活，更注重于生活品质的体验，而智能家居是能够满足人们这一需求的方式之一[1]。但是体验智能家居带来的方便外，安全的防范与预警是不容忽视的。据公安部消防局统计，我国每年发生火灾不低于30万起，其中，住宅火灾伤亡人员占火灾伤亡总量均超过60%[2]；直接导致火灾的原因各种各样，尤其以电气引发火灾的情况最多。一方面，家居中火灾发生不同阶段，会产生不同的火灾特征信号，是非线性的，不能直接用一定模型或数学公式来表示[3]，它不仅随着火灾特征变化而变化，还会受到电子噪声等多种外部环境的影响，而且这些外部环境对火灾信号的影响与火灾特征变化很相似，这些因素大大增加火灾信息监测的难度。因此，火灾信息的监测大多采用单一传感器通过阈值判断，很容易产生误判、漏判等。另一方面，智能家居通信网络中，网内传输量庞大，必然存在冗余数据和错误数据，会造成通信网络的堵塞，影响数据传输的效率，使得数据传输的实时性受限，对家居安全监测无法及时预警而造成损失，从而导致资源浪费。

因此，采用多传感器对目标区域进行监测，并对多元信息进行有效的融合可以克服单目标传感器信息局限，降低传输量，提高效率，可以解决上述问题。近年来，国内外很多学者对火灾监测系统进行研究。文献[4]提出了基于公用电话网的智能防火报警系统，尽管采用了多传感器监测，但仍处于相对独立与阈值判读的模式，并没有实质性解决单目标传感器信息局限，且传输量没有降低；文献[5]提出了基于不同信任度函数，利用D-S证据理论融合3种传感器信息以判断火灾状态，但其仍要建立在较为精确的监测对象与火情之间的信任度函数基础上，利用单一高斯信任函数无法真实反映火灾信号非线性特征，并且采用的顺序方式两两融合方法具有局限性；文献[6-7]在火灾报警系统中采用基于BP神经网络的多传感器信息融合算法，利用温度、烟雾浓度和CO浓度的检测信息来确定3种典型火情的概率，同样受限于火灾信号具有时变性，难以把问题和推理用精确的数学模型进行描述等；文献[8-9]提出了基于模糊逻辑与神经网络融合决策算法，该方法尽管可靠性好，精确度高，但是存在着计算量大，成本较高等不足。

针对上述问题，本文提出一种基于模糊理论的多元信息融合和决策方法。通过将环境温度、烟雾浓度及CO含量作为模糊控制器的输入，用语言来表示变量量化不确定信息，用规则进行模糊推理进行多元信息综合评判，确保预警结果的准确性和可信度。

1 多元信息融合模型

图1 多元信息融合模型Fig.1 Model of multivariate data fusion

多元信息融合技术是人工智能、模式识别和信息处理等关键领域的研究热点之一。对多目标信息进行有效数据融合，意味着通过多方位多特征提取评估当前决策，更能确保预警结果的可信度。其模型如图1所示。

从图1可以发现，系统由N类传感器组成多目标监测系统，由它们实时检测环境监测指标的变化情况。

2 基于模糊理论的数据融合方法

2.1 模糊理论

模糊逻辑能模拟人的思维模糊性的特点，不依赖于规则，用语言来表示变量，用规则进行模糊推理，自然的处理人的概念[10]。模糊控制是一种利用语言模糊性和模糊数学理论的控制方法，能够用语言描述不确定信息，是基于启发性的知识及语言决策规则设计的。传统的方法是根据控制模型的算法和系统的设计，但是出发点和性能指标的差异容易产生不同的结果；然而系统的语言控制规则相对独立的，并且比较容易建立起来，根据控制规律之间的模糊连接选择折中的办法，使得控制效果比传统控制器更有优势。

图2 模糊控制器的基本结构Fig.2 Basic structure of fuzzy controller

模糊控制器[11-12]是模糊控制的核心部件。模糊控制器是由精确量转化为模糊信息作为输入，根据总结手动控制策略获得语言控制规则作为模糊推理方法，以模糊输出作为判决结果，将输出的模糊信息转化为精确量，最终将其作为反馈信息送到被控对象的控制系统。体现了人们对被控过程的掌控，即将控制过程中输出的精确量转化成模糊量，再通过人脑的思维和逻辑推理将其转为为精确量，从而实现对整个过程的手动控制。因此，模糊控制器体现了模糊集合理论、语言变量及模糊推理在只有语言形式性描述而不具有数学模型、控制策略的复杂被控过程中的有效作用。模糊控制器的基本结构如图2所示。

2.2 模糊控制器的设计

模糊控制器的设计主要包括变量隶属度函数、知识库及解模糊化。

2.2.1 火灾信息中输入输出量描述

为实现智能家居火灾监测、及时预警，采用环境温度、烟雾浓度以及CO含量作为模糊控制器的输入量。以ET表示环境温度的语言变量，以SC表示烟雾浓度的语言变量，以CO表示一氧化碳浓度的语言变量。以火灾发生概率作为系统的唯一输出量，用FP来表示其语言变量。具体的隶属度函数选择如下：

1)ET隶属度函数选择

特征参数温度是火灾异常监测的最直接的指标。根据经验分析，确定环境温度的论域为[0-100]，单位为℃。并将其分为4个等级，可表示为ET∈{TH(温度高),TM(温度中等),TN(温度正常),TL(温度偏低)}，其隶属度函数如图3所示。

图3 ET隶属度函数曲线Fig.3 ET membership function curve

2)CO隶属度函数选择

特征参数CO是火灾异常监测的关键指标。根据经验分析，确定环境温度的论域为[0-200]，并将其分为4个等级，可表示为CO∈{CH(浓度高),CM(浓度中等),CN(浓度较低),CL(浓度很低)}，其隶属度函数如图4所示。

图4 CO隶属度函数曲线Fig.4 CO membership function curve

3)SC隶属度函数选择

特征参数烟雾浓度是火灾异常监测的重要指标。根据经验分析，确定烟雾浓度的论域为[0-3 000]，并将其分为3个等级，可表示为SC∈{SH(浓度高),SM(浓度中等),SL(浓度很低)}，其隶属度函数如图5所示。

图5 SC隶属度函数曲线Fig.5 SC membership function curve

4)FP隶属度函数选择

输出语言变量火灾概率是火灾异常监测结果的表示。根据经验分析，确定火灾概率的论域为[0-1]，分为5个等级，可表示为FP∈{FH,FB,FM,FS,FL}，其隶属度函数如图6所示。

图6 FP隶属度函数曲线Fig.6 FP membership function curve

2.2.2 火灾信息中模糊控制规则库

本文的模糊控制系统选择为3个输入，输入ET和CO设置为4个等级，输入SC设置为3个等级，输出FP设置为5个等级。因此最大的模糊控制规则数为4×4×3=48条。根据技术知识分析和实践经验研究总结，得到规则库如表1所示。

表1 模糊控制规则表

2.2.3 解模糊

本文采用取重心法将输出的隶属函数曲线转化为适合于控制的清晰量。

(1)

其中，加权系数wz=μz(z)。

3 火灾监测的仿真结果分析

为了进一步验证上述模糊控制器的选择设计是否符合本论文要求，能够实现火灾监测和及时预警，利用Matlab平台进行实验仿真与分析。本文设计的输出变量和输入变量之间的映射关系如图7-图9所示。

图7 ET、CO和FP之间的三维图Fig.7 Three-dimensional map among ET, CO and FP

图8 ET、SC和输出变量FP之间的三维图 Fig.8 Three-dimensional map among ET, SC and FP

图9 SC、CO和输出变量FP之间的三维图Fig.9 Three-dimensional map among SC, CO and FP

从图7-图9的三维结构可以看出，设计的模糊控制器具有良好的输入输出映射关系，通过语言变量描述的输入和输出之间的关系符合实际，能够正确反映火灾监测中环境温度、烟雾浓度、CO含量与火情之间的变化关系。另外，本文查阅国家各项国家标准，以及参阅部分论文内部数据[13]，从中合理选取40组实验样本，经仿真结果如表2所示。

表2 实验样本仿真结果

续表2

由表2可以看出，期望输出和实际输出的值几乎不相同，但期望状态和实际状态是一致的，即对于仅需安全等级预警的应用场合，是适用的。通过综合考虑多方面信息，利用模糊逻辑控制，实现安全预警，具有准确性和可靠性。

4 结语

智能家居给人们带来便利的同时，对其实施安全监测愈发重要。本文提出一种基于模糊理论的多元信息融合和决策方法。通过将环境温度、烟雾浓度及CO含量作为模糊控制器的输入，利用模糊推理算法进行多元信息综合评判，确保预警结果的准确性和可信度。仿真结果表明，该方法能够较好处理不确定的信息，提高了智能家居火灾监测预警结果的准确性和可信度。