基于模糊神经网络的化工生产车间火灾报警方法

季凯

(上海先幻高科新材料有限公司,上海 201417)

随着现代科技的发展,工业生产、电力输送、交通运输、能源供应等方面对火灾探测技术的要求越来越高。火灾探测技术已成为预防和控制火灾的关键,是目前各国研究的重要内容。火灾探测器是由感烟、感温、可燃气体浓度探测器等组成,其中,感温、可燃气体探测器可分为手动式和自动式两种。据统计,化工企业火灾占各类火灾总数的70%以上。化工企业的生产过程大多具有高温、高压、易燃易爆、有毒有害、腐蚀性强,事故危害大,起火后不易扑救等特点,加之化工行业点多面广,企业管理水平、员工素质参差不齐,在防火工作上存在诸多问题。化工生产车间一旦发生火灾,将会产生大量有毒有害气体,危害极大。所以必须加强化工生产车间火灾报警的设计研究,保障化工生产车间消防安全。

在化工生产车间内,经常采用可燃气体探测器、火焰探测器和手动报警等多种方法来监测和控制火灾。在一些传统的化工车间火灾报警方法中,对于无火起火和阴燃的报警灵敏性较差,因此本文提出了一种基于模糊神经网络的火灾报警方法。模糊神经网络是将模糊推理和神经网络相结合的一种智能计算方法,是一种基于模糊控制理论的非线性模式识别和控制算法。该方法应用在化工生产车间火灾报警算法中,以期能够提升报警精度。

1 化工生产车间火灾报警方法研究

1.1 火灾探测器抗干扰优化

化工生产车间火灾报警系统通常由火灾探测器、现场控制器、软件三部分组成。火灾探测器利用I/O口通过总线将信号传输给现场控制器,火灾探测器将检测信号传给控制器处理,识别出火灾信号。为了保证探测器工作过程中所获取的数据干扰最小,需要优化火灾探测器自身的抗干扰性能。整体的火灾报警流程如图1所示。

图1 火灾报警流程示意

1)火灾探测器选型中,需要保证数据采集的准确性,且在传输过程中,受到外部干扰较小。由于化工生产车间环境比较恶劣,存在各种干扰源,火灾探测器会受到周围环境的影响,而且火灾探测器本身也存在一定的噪声,因此抗干扰优化设计至关重要。对于复杂的现场环境,需要进行抗干扰优化设计,获取精准的环境数据,才能保证探测器正常稳定地运行。在火灾探测器中加入数据采集电路,主要功能是将模拟信号转换为数字信号,其优点在于抗干扰性强,精度高,处理和存储方便,灵活性、可编程性以及可扩展性强等,以保证CO质量浓度、烟雾质量浓度与温度信号采集精度。

2)对于CO质量浓度、烟雾质量浓度与温度信号进行预处理后,将采集到的信号通过无线传输至处理软件。

3)处理软件可以从样本数据中提取有用的特征,并根据特征的相关性和重要性进行选择,以减少特征维度和提高模型效果。基于样本数据构建模糊神经网络模型,通过训练算法对模型进行优化和调整。

4)现场控制器主要由主控板、数据采集器、通信器、电源和电池、外壳和接线端子组成。通过监测火灾风险、采集和处理数据,触发报警系统和控制其他设备,从而实现化工生产车间火灾监测与报警。

在完成探测器自身的抗干扰优化后,为了减小由噪声引起的误报,还需要优化数据传输过程,本文使用ZigBee协议栈结构传输数据,结构如图2所示。

图2 ZigBee协议栈结构示意

在图2的传输协议中,由于采集到的现场图像具有噪声大、复杂性高等特点,需对图像进行降噪处理,否则数据大小不一。在训练过程中,大数据将会掩盖小数据,影响训练结果,需要对采集到的图像进行归一化处理。过程如式(1)所示:

(1)

式中:xi——经过放大、滤波等处理后的数据信号;xmax——数据集中的最大数据;xmin——数据集中的最小数据。经过处理后,数据大小经过统一,为后续神经网络训练提供稳定的数据来源。

1.2 基于模糊神经网络优化火灾报警算法

模糊神经网络(FNN)是一种新型的控制算法,该算法在一定程度上可以近似地描述一个具有非线性特征的系统,由输入端和输出端的模糊规则构成。其中,输入端为模糊变量,输出端为神经节点。因此,该网络既可以采用模糊化方式来降低计算难度,又可以采用神经网络的方法来逼近输入变量。FNN模型主要有输入层、隐含层和输出层,其中隐含层包含一个传递函数,输出层包含一个输出量,FNN模型如图3所示。

图3 FNN模型示意

图3所示的模型中,K表示隐含层中模糊集群的数量,FNN模型输入为环境温度、ρ(烟雾)及ρ(CO),输出为火灾的状态特征,即明火、阴燃火以及无火。BP算法是一种具有高度非线性、局部寻优能力强、收敛速度快的算法,但是BP算法的收敛速度受初始权值、阈值及网络参数调整等影响很大,不利于火灾报警系统的快速反应。为了解决该问题,本文提出了一种基于FNN优化火灾报警算法。该方法将模糊逻辑与神经网络相结合,采用改进的BP算法对系统模型进行训练和学习,将输入分为环境温度、ρ(烟雾)以及ρ(CO)数据三个部分。在训练时首先将输入数据模糊化后分别输入到训练好的网络中进行训练,最后根据网络输出值判断是否发生火灾,从而实现火灾报警功能。该模型具有高度的非线性能力和对输入变量的强适应能力,在训练过程中,各层神经元之间存在大量的隐含层连接权值和隐含层激活函数。其中的激励函数如式(2)所示:

(2)

式(2)中的激励函数定义域为(-∞, +∞),在该范围内可导,值域为(0, 1)。输入量的模糊化处理中,能够将输入量精准映射成模糊集合。本文FNN模型的输出是一个给定的量,即明火、阴燃火以及无火判断结果。采用模糊神经网络来处理模糊控制系统中产生的问题具有较好的优越性。在模糊控制系统中,通常将输入量分为两部分,一部分为输入数据X,X∈1～n,另一部分为数据X的隶属度。当系统处于模糊化状态时,其输出为一个隶属度函数,本文选择三角型隶属函数,在训练过程中的收敛速度较快。三角型隶属函数曲线如图4所示。

图4 三角型隶属函数曲线示意

按照隶属度函数的输出进行模糊化处理,三角型隶属函数如式(3)所示:

(3)

采用自组织特征映射(SOM)算法建立模糊规则,同时引入自适应调整学习率来提高收敛速度和稳定性。在学习过程中,通过模糊推理系统(FIS)可以对输入数据进行学习;通过提取烟雾和火焰等不同火灾特征,实现对烟雾和火焰的有效识别。模糊逻辑技术通过建立模糊规则和隶属度函数来表达火灾特征信息和火灾发展情况;神经网络则是通过输入变量之间的非线性关系,建立训练数据与预测结果之间的映射关系。两者结合起来进行模糊推理、在线学习,实现对化工生产车间火灾的报警。

2 仿真测试

2.1 仿真环境设计

为验证本文设计的报警方法在实际应用中的有效性,选择在化工生产车间仿真环境中进行测试。选择某真实化工厂生产车间作为仿真对象,该区域为一个8 m×8 m的正方形,其布局结构如图5所示。

图5 某化工厂生产车间布局示意

在图5所示的车间中部署火灾探测器,保证所有区域都在探测器的监控之下,同时在全范围覆盖的基础上,尽量减少探测器的数量以节约成本。仿真测试探测器的选择: 温度探测器4个,监测半径为3.6 m;烟雾探测器1个,监测半径为5.8 m;CO探测器4个,监测半径为3.5 m。仿真化工生产车间探测器布署如图6所示。

图6 仿真化工生产车间探测感应器部署示意

在该仿真环境下对报警方法进行训练,训练集数据使用的是SH3聚氨酯塑料火数据,经过预处理之后,得到的样本数据见表1所列。

表1 化工生产车间火灾样本数据

在表1数据集下,分别使用本文设计的基于FNN的化工生产车间火灾报警方法和基于CAN总线的火灾报警方法进行测试,并对比分析仿真结果。

2.2 实验结果对比与分析

在该仿真环境下,对两种报警方法进行训练,得到两种方法的收敛结果如图7所示。

图7 两种报警方法训练收敛结果示意

图7中为两种报警方法的训练后的收敛结果,由图7可以看出,本文报警方法在训练过程中收敛速度快,最后的均方误差更低。两种方法的仿真训练结果见表2所列。

表2 两种报警方法仿真训练结果

从表2的数据可以看出,与期望输出的概率相比,本文方法输出的结果精度更高,说明本文设计的基于FNN的化工生产车间火灾报警方法性能更好,对于保障化工生产车间安全稳定生产起到很好的效果。

3 结束语

本文针对传统火灾报警对于不同起火类型的局限性,将FNN算法应用在火灾报警方法中。基于多种环境数据来分析火灾特征,利用FNN算法对火灾情况进行训练,仿真实验的结果,也验证了本文方法在化工生产车间不同火灾类型下具有较高的报警精度。