消防车水射流GA算法控制技术

方 勇

（贵州省毕节市消防救援支队，贵州 毕节 551700）

0 引言

消防车是消防救援、火情控制的重要设备，其性能质量、保养维护都关乎到消防救援工作的完成质量和完成效率。当火场火情勘验确定后，如何利用消防车水枪水射流准确、可靠的定点灭火，就成为火灾救援的核心工作。消防车水枪的传统操作方法，就是人工持枪、根据人的经验和操作技能有效地控制水射流，使其直接浇注到确定火点或确定火情区域达到灭火的目的。但是，人工持枪操作会受到体力、耐力、技术、经验等多方面的影响，从而导致水射流喷洒过程中出现误差或者无法实现确定火点的持续性灭火。因此，为消防车配置专门控制器，利用控制算法实现水射流的精准控制，成为消防车灭火的发展方向。该文将利用遗传算法（GA算法）构建消防车水射流的预测模型，进而实现水射流喷射的自动控制。

1 基于GA算法及其基本操作

要实现算法控制水射流喷淋浇注代替人工操作，就需要算法能够对下一时刻的喷淋点进行准确预测。消防车水枪在移动过程中，从当前时刻到达下一时刻，可能有多个备选的喷淋点，哪个喷淋点是最佳的、怎么移动到那个喷淋点，都有多种可以选择的方案。

GA算法在多约束优化决策方面具有较好的性能，可以有效地从消防车水枪水射流喷淋的各种可能方案中选出最佳方案。根据火情点、消防车位置、水枪位置、水枪喷射范围等约束条件，GA算法可以构建一个在初始状态下的适应度函数。然后以要喷淋的火情点位置为目标，在各种条件的约束限制下，GA算法通过选择操作、交叉操作、变异操作，就可以不断优化基于移动方案种群的位置，实现对消防车水射流下一时刻位置的精准预测，进而实现对整个救援过程中水射流喷淋的有效控制。

1.1 GA算法的选择操作规则

GA算法以种群的代际遗传为算法执行的参照规律，代际遗传的目标总是选择更好的基向相下一代种群遗传，也就是适应度更高的基因会向下一代遗传。对应算法的实现过程，适应度更高对应被选择的概率更大，其公式描述为式（1）。

式中：（）代表了当前时刻GA种群的第种可能的适应度函数值，（）代表当前时刻GA种群的第种可能的适应度函数值占全部可能适应度函数值的概率。根据公式（1），概率最大的适应度将被遗传到下一代种群。

1.2 GA算法的交叉操作规则

在选择过程中，GA种群中可能出现的染色体可以通过彼此之间的交叉，形成下一代染色体，这就是GA算法的交叉操作，其规则如图1所示。

从图1给出的GA算法的交叉操作规则可以看到交叉操作按照下面的方式进行。

图1 GA算法的交叉操作规则

首先，在GA算法可能的种群中选择两个染色体用于交叉操作，但这两个染色体不能存在基因重复的情况。

其次，在交叉操作的过程中，要明确两个上一代染色体中特殊的基因，这些特殊的基因必须无条件遗传到下一代染色体中，这就是界限基因，如图1中标记所示。

最后，在界限基因的限制下，剩余的其他位置由上一代染色体进行基因填充，进而形成新的染色体，即完成了交叉操作。

1.3 GA算法的变异操作规则

变异操作是GA算法中一类非常有用的操作，可以通过变异操作催生出一些崭新的染色体，对应该文的问题就是可以形成一些崭新的水射流控制方案。变异操作的存在，有利于GA种群的多样性。GA算法中的变异操作规则如图2所示。

图2中给出了位置交叉这种比较常见的变异操作。从图2中可以看出，上一代一号染色体的第1号位置和第4号位置交叉到了上一代二号染色体第2号位置和第6号位置，进而形成了两个新的染色体。

图2 GA算法的变异操作规则

2 消防车水射流控制试验方案设计

在构建了基于GA算法的消防车水射流控制方法之后，需要通过试验验证GA算法的控制效果。为此需要模拟消防车救火时水射流的真实喷射情况，以便于进行试验验证。

2.1 消防车水射流控制的试验参数

为了能够做到尽可能和真实情况对应，在水射流控制试验中，需要对消防车水枪进行参数设置，同时需要对环境条件进行设置。对消防车水枪设备，主要包括五个关键参数：第一个关键参数，消防车水枪的高度；第二个关键参数，消防车水枪水平面内的活动角度范围；第三个关键参数，消防车水枪俯仰方向上的活动角度范围；第四个关键参数，消防车水枪为水射流提供的喷射压力；第五个关键参数，消防车水枪为水射流提供的流量。对环境条件，主要包括是个关键参数：第一个关键参数，救火现场的湿度条件；第二个关键参数，救火现场的温度条件；第三个关键参数，救火现场的风速大小；第四个关键参数，救火现场的风向角度。

试验过程中，保持消防车水枪为水射流提供的流量、救火现场的湿度条件、救火现场的温度条件、救火现场的风速大小、救火现场的风向角度设定为定值，然后对其余四个参数进行测定，即保持其中三个参数不变，观察另一个参数变化引起的效果。测定过程中，四个可变参数的取值范围如下。

消防车水枪的高度分别取1.5米、1.8米、2米、2.3米；消防车水枪水平面内的活动角度范围分别取-30度、-20度、-10度、0度、10度、20度、30度；消防车水枪俯仰方向上的活动角度范围分别取-20度、-10度、0度、20度、20度、30度、40度、50度；消防车水枪为水射流提供的喷射压力分别取0.5MPa，、0.6MPa、0.7MPa、0.8MPa。

2.2 小放射水射流控制的试验过程

试验过程中，在各个参数给定配置后就可以进行消防车水射流喷射的控制试验了。试验中，水射流很难稳定地落到一个点上，但如果控制算法比较理想，则会比较集中地落在一个区域内。

为了有效测定水射流落点并尽可能减少测量误差，该文将试验位置选择在一个相对平整的区域。试验场地中配置测量传感器，监测环境各参数。消防车水枪由云台进行控制，包括水平角度和俯仰角度。水平方向上，以顺时针旋转作为角度负向，以逆时针旋转作为角度正向。俯仰方向上，以向上方向为角度正向，以向下方向为角度负向。

试验过程的主要实施步骤如下。第一步，搭建好试验平台，配置好设备参数和环境参数，并完成硬件连线和计算机以及网络连接；第二步，开启供水装置，排净水枪及整个回路内的空气，确保水液已经抵达喷射口；第三步，开启喷射口，确保水流喷射到试验数据记录区域，同时开启各传感器并启动控制程序，执行GA算法。第四步，水枪自动喷射过程中，不断记录喷射点位数据。第五步，完成全部喷射点位后，关闭水枪，关闭系统，停机。将实际喷射数据和预期喷射数据进行对比，得出结论。

3 消防车水射流的GA算法控制效果分析

在第1节给出的GA算法及其操作的基础上，此处将其用于消防车水射流的控制，控制的核心思路就是根据消防车水射流的喷淋救援要求形成目标、约束条件，进而构建出GA种群和GA控制算法，控制消防车水射流的喷淋位置，使其尽可能和预期的理想位置一致或接近，达到准确喷淋火点的效果。给GA算法配置的基本参数见表1。

表1 该文GA算法的参数配置情况

在消防车水射流GA算法控制的仿真试验中，除了上述算法参数配置外，设置10组已知火情点位置的试验数据。这些火情点的位置就是消防车水枪水射流要喷淋浇注的预期理想位置。如果在GA算法的控制之下，水枪自动完成水射流喷淋浇注的位置与这些火情点位置吻合或者接近，就证明该文使用GA算法实现消防车水射流控制达到了预期的目标。

试验结果分别如图3和图4所示，图3是GA算法控制下水射流喷淋位置和预期理想位置在坐标上的对比结果。

从图3中的结果可以看出，共进行了55个采样时刻的试验，在这55个采样时刻内，火情点位置的坐标基本在（1，-3）波动。图3中，两侧带有圆圈的黑色实线，代表了火情点预期理想值坐标的轨迹变化曲线。两侧带有方块的黑色虚线，代表了GA算法控制下水射流喷淋点位置值坐标的轨迹变化曲线。从两条曲线的对比情况可以看出，GA算法可以较好地控制水射流，其控制位置基本与预期理想值吻合。

图4是GA算法控制下水射流喷淋位置和预期理想位置在y坐标上的对比结果。

从图4中的结果可以看出，共进行了55个采样时刻的试验，在这55个采样时刻内，火情点位置的坐标基本在（2，-2）波动。图3中，两侧带有圆圈的黑色实线，代表了火情点预期理想值坐标的轨迹变化曲线。两侧带有方块的黑色虚线，代表了GA算法控制下水射流喷淋点位置值y坐标的轨迹变化曲线。从两条曲线的对比情况可以看出，GA算法可以较好地控制水射流，其控制位置基本与预期理想值吻合。

图3 GA算法控制结果和预期理想结果x坐标的对比

图4 GA算法控制结果和预期理想结果y坐标的对比

4 结论

消防车是消防救援工作的重要设备，直接关系到火情控制和救援任务能否顺利完成。为了提升消防车的救援效率，该文针对消防车水射流的自动控制问题提出了一种基于GA算法的控制方案。通过对GA算法的分析，详细地阐述了GA算法中的三个关键操作，选择操作、交叉操作和变异操作。在此基础上，为GA算法配置了关键参数、设置了试验环境，对GA算法控制下的水射流位置进行了对比试验，结果显示GA算法控制效果好、水射流位置的和向坐标基本都与预期理想位置吻合。