数据融合技术在火灾报警系统中的应用研究

周炳臣,张铁壁,张学军

(1.河北工业大学电气与自动化学院,天津 300130;2.河北工程技术高等专科学校电气系,河北沧州 061001;3.北京科技大学信息工程学院,北京 100083)

数据融合技术在火灾报警系统中的应用研究

周炳臣1,2,张铁壁2,3,张学军2

(1.河北工业大学电气与自动化学院,天津 300130;2.河北工程技术高等专科学校电气系,河北沧州 061001;3.北京科技大学信息工程学院,北京 100083)

提出了一种基于现场总线的神经网络和模糊推理的多传感器数据融合技术,对所采用的数据融合技术进行了详细介绍。模拟实际输入信号的仿真结果证明,采用神经网络BP算法和模糊推理的多传感器数据融合技术能够准确预报火灾,有效降低误报率,达到了预期效果。

数据融合;神经网络;模糊推理;现场总线;火灾报警

火灾是危害人类生命财产灾害中非常常见的一种。因此早期预报火情、及时报警、防火于未燃是火灾探测系统完成的任务[1]。目前火灾探测器中采用的大多是阈值比较法 ,是传统的火灾检测数据处理方式,简单明了而且易于实现,但对环境适应性和抗干扰能力较差;而一些大型的火灾报警系统复杂、成本高。人们对火灾智能报警系统的很大期望是早期发现火灾、消除误报和降低系统的总成本,这些因素是相互制约的[2]。发生这些情况的主要原因就是没有将各传感器获得的数据在一定准则下加以综合分析,因此很有必要将多传感器的数据进行加工处理,即采用多传感器数据融合技术。它利用多个传感器获得的各种信息,得出环境或对象特征的全面、正确的认识。因此,笔者设计了一种在现场采用CAN总线技术和上位机之间进行数据通信传输,上位机采用神经网络和模糊推理技术,对多传感器数据进行融合的火灾报警系统。

1 系统组成

系统由2个部分构成,一是总控制室的上位机系统;另一个是可以和总控制室上位机通信的CAN现场总线来构成系统的底层通信网络亦即分布在现场的报警系统。该系统整体网络拓扑结构如图1所示。上位机系统和底层网络通信主要依靠相应的CAN接口卡来完成,它承担着上位机和底层CAN智能节点之间的数据转发任务,即收集各个CAN节点上的数据转发给上位机,同时把上位机的命令和数据转发到各个节点[3]。

从图1可以看出,整个系统网络拓扑结构为总线型,通信介质采用屏蔽双绞线。上位机负责与下位机的通信,并完成根据现场多传感器数据融合的结果进行控制室报警,并动态显示各现场传感器的工作状态和重要的现场参数以及报警信息等,并对各现场节点的控制参数、运行参数进行整定和修改,根据融合结果判断是否发生火灾,如果有火灾发生,现场和总控制室同时报警。现场是基于A T89C51为核心的单片微处理器系统,其功能主要来完成CAN总线的初始化和通信、现场参数、报警信息设定、显示等工作。

图1 系统组成框图Fig.1 System block diagram

2 数据融合

多传感器数据融合技术是近年发展起来的一门新技术,并在许多领域获得巨大成功。笔者是将基于总线的神经网络和模糊推理的多传感器数据融合技术应用在火灾报警系统中,其基本原理是将火灾传感器输出信号送入火灾报警控制器中,由控制器实现数据记忆、存储、计算、分析和统计处理,即采取一定的方法对采集来的多传感器数据进行融合,该方法可以提高系统的故障自诊断和自排除能力,以有效降低误报率和漏报率,提高系统报警的准确性。系统可以在现场和总控制室两地控制,它们之间的通信由总线来完成。

2.1 多传感器数据的神经网络处理

2.1.1 神经网络结构确定

在本火灾自动探测报警系统中,利用前向多层网络模型,采用BP算法,通过调节权值使实际输出与期望输出的总均方差最小。网络结构如图2所示,采用了三层网络结构。输入层的4个输入量X1,X2,X3,X4分别来自离子感烟探测器、光电感烟探测器、模拟感温火灾探测器和模拟量气敏探测器;输入层与输出层之间的隐层选取了6个神经元节点M1—M6,输出层有2个节点O1和O2分别代表明火火灾概率和阴燃火火灾概率 ,值域为0～1。

为了使神经网络能够准确判断火灾,需要确定训练模式对,并对网络进行训练。模式对由输入信号和导师信号组成,它根据传感器对标准试验火和各种实际环境下获取的信号来确定。神经网络输入、输出数值应是归一化的数值,神经网络神经元及输入、输出间变换函数的值的区间可以有多种,可以在-1和1之间,也可以在0和1之间等。根据这些标准试验火以及由明火火灾概率和阴燃火火灾概率组成的导师信号,可以确定出训练模式对,它由对应的火灾判决表表示,即神经网络的归一化数值。根据各传感器在火灾发生过程中的模拟输出值,其转化范围在0和1之间[4-6]。由选取的欧洲的4种标准不同环境下的火灾响应曲线可以得到火灾判决表1,它描述了4个输入和2个输出组成的3种模式对。通过反向传播(即BP)学习方法,可以将其转化到神经网络的连接权矩阵中。这种转换具有信号处理、特征提取、自适应、分布式存储和延拓性等特性。

图2 系统神经网络结构Fig.2 System for neural network structure

这样就可以自适应地表示输入的各种情况并给出接近期望值的结果,在定义输入、输出之间的关系时,只需考虑重要的样点,而不必定义输入、输出模式的所有组合。重要的样点包括:对于输入的很小变化即引起输出的很大的变化,要在细节上描述的样点,或最大值和最小值样点所在的区域。具体体现在一些关键的转折点,比如火灾发生前后,传感器的模拟输出都有相应较大的变化,在火灾发生前期和后期传感器输出的值基本上是稳定的。根据实际应用,调整判决表的定义可更加精确地判决并进行火灾类型估计。

2.1.2 神经网络实验结果

利用图2所示神经网络结构使用MA TLAB语言对欧洲4种标准火数据[7-8]和无火情况下的部分数据进行训练,分别选取了木柴明火和棉绳阴燃火2种情况进行实验仿真,训练模式数据结构表如表1所示,共利用了65个典型的模式对,在具体神经网络训练中,需要对火灾数据不断测试,针对性地修正模式对结构表,以达到神经网络的输出正常为止。经过10 000次迭代运算,得到了网络的参数包括第1层权系数W ij、第2层权系数V kj、隐层阈值θj和输出层阈值θk。

表1 对应欧洲标准火灾曲线的数据表Tab.1 Table of fire curve corresponding to European standard

所给的65个模式对都是富有代表性的孤立点,加上神经网络的强大学习功能和推广能力,神经网络已能足以处理实验中遇到的各种输入,而且处理效果非常好。模式对并不是一成不变的,需要对火灾数据不断测试,发现不合理的现象后,针对性地修改模式表,直到适应网络输出正常为止。在求得以上权值和阈值后,又根据所选各传感器对火灾发生时响应的速度进行了现场火灾的模拟。在火灾发生前的十几秒以及火灾发生后期,各传感器输出的值相对稳定。所以选取的数据大多为20～40 s时,模拟传感器输出急剧变化的值。

图3所示的是对于模拟木柴明火火灾的神经网络输出,可以看出在火灾发生40 s的时候火灾的概率迅速增大;图4是模拟棉绳阴燃火火灾的神经网络输出,在20 s时出现振荡,也是到40 s左右的时候神经网络的输出迅速增加。

从神经网络的输出可以看出,在这2种模拟情况下,神经网络的的输出响应均能正确反映发生火灾的概率,综合明火火灾和阴燃火火灾的概率输出情况就可以正确判断火灾的发生与否。

2.2 模糊推理

神经网络的输出是发生火灾的概率,也只能说明发生的可能性有多大。如果知道火灾概率为0.9时,可以判断是发生了火灾,如果火灾概率是0.5左右,这时发生火灾的模糊性就非常大。那么如何来解决这个问题,在此又引入了模糊推理进行判决。

模糊推理也是数据融合技术的一个重要部分。模糊理论对于数据融合的实际价值在于它外延到模糊逻辑,通过模糊命题的表示,用综合规则建立起演绎推理,并在模糊推理中使用模糊概念,从而方便建立模糊逻辑。模糊逻辑是一多值逻辑,隶属程度可视为一个数据真值的不确定表示。因此多个数据的融合方法中的不确定性可以直接用模糊逻辑来表示,然后通过模糊推理来完成数据融合处理。

在该系统中,用u代表明火火灾概率,A(u)代表有火模糊集,B(u)代表无火模糊集。给定一个神经网络的输出火灾概率u值,要判决出是否有火,只要比较A(u)和B(u)的大小就可以确定。那么关键的问题就是如何来确定隶属函数的问题。笔者参阅了大量有关的文献,发现对于隶属函数的确定问题多采用神经网络方法,其他一些比较常用的方法也可以取得很好的效果[9-11]。根据文献提供的经验和对火灾数据的统计分析,笔者采用了如下形式的正态分布作为A(u)和B(u)隶属函数,其中有火模糊集A(u)为偏大型的正态分布函数,B(u)为偏小型的正态分布函数。

在神经网络输出得到2个火灾概率,即明火火灾概率和阴燃火火灾概率,用模糊推理判别的时候,取二者最大的值,即u=max{O1,O2}。表2列举了在神经网络输出为0.5左右的取值,以及利用最大隶属度原则判断的结果。

表2 利用最大隶属度原则前后对照表Tab.2 Comparison table by meansof maximum membership p rincip le

从表2中可以看出,通过使用模糊推理中的最大隶属度原则,可以判断神经网络输出值概率在0.5附近的火灾的情况,同时经过和仿真输入的火灾数据的验证表明,结果是正确的。

3 结 论

针对一些中小型建筑应用研究了一种基于数据融合和现场总线技术的火灾报警系统,在火灾报警系统中将二者综合应用。实验及仿真结果表明,采用现场总线技术实现了现场和总控制室之间的通信,数据准确性高,实时性好,采用数据融合技术有效降低了火灾报警系统中容易出现的误报问题,提高了火灾报警的准确程度,有效降低了误报率。

[1]阳宪惠.现场总线技术及其应用[M].北京:清华大学出版社,2008.

[2]宋中才.智能建筑中火灾自动报警系统的设计[J].重庆邮电学院学报(自然科学版)(Journal of Chongqing University of Posts and Telecommunications(Natural Science Edition)),2004,16(4):97-100.

[3]张铁壁,吴并臻.基于CAN总线的智能压力节点的设计[J].仪表技术与传感器(Instrument Technique and Sensor),2004(9):37-38.

[4]王 祈,聂 伟.数据融合与智能传感系统[J].自动化仪表(Process Automation Instrumentation),2002(8):22-25.

[5]李永伟,王震宇,于国庆,等.信息融合技术在高压电气设备温变故障诊断中的应用[J].河北工业科技(Hebei Journalof Industrial Science and Technology),2007,24(6):366-368.

[6]郭英军,孙丽华,孙会琴,等.电压变压器热故障的在线诊断技术[J].河北科技大学学报(Journal of Hebei University of Science and Technology),2007,28(2):147-149.

[7]刘 彬,冉蜀阳.采用多传感器数据融合技术的消防报警系统[J].中国测试技术(China M easurement Technology),2006(6):132-134.

[8]李占峰,韩芳芳,郑德忠.基于BP神经网络的电机转子故障诊断的研究[J].河北科技大学学报(Journal of Hebei University of Science and Technology),2001,22(3):23-26.

[9]何 友,王国宏.多传感器信息融合及其应用[M].北京:电子工业出版社,2007.

[10]权太范.信息融合[M].北京:国防工业出版社,2002.

[11]刘同明,夏祖勋,解洪成.数据融合技术及其应用[M].北京:国防工业出版社,1998.

App lication study on fire alarm system based on data fusion technology

ZHOU Bing-chen1,2,ZHANG Tie-bi2,3,ZHANG Xue-jun2
(1.School of Electrical Engineering and Automation,Hebei University of Technology,Tianjin 300130,China;2.Department of Electrical Engineering,Hebei Engineering and Technical College,Cangzhou Hebei061001,China;3.School of Information Engineering,Beijing University of Science and Technology,Beijing 100083,China)

The study p roposed a multisenso r data fusion technology,w hich is based on neural netwo rk and fuzzy reasoning technologies and fieldbus.It described in detail the data fusion technology.The imitation results with actual input information confirmed that themultisensor data fusion technology using BP neural network and fuzzy reasoning can accurately forecast fires and effectively lower false alarm rate,and has reached the expected goal.

data fusion;neural network;fuzzy reasoning;fieldbus;fire alarm

TP277

A

1008-1542(2010)02-0120-04

2009-06-29;

2009-10-16;责任编辑:李 穆

周炳臣(1972-),男,河北盐山人,工程师,硕士,主要从事电工理论与智能化仪表方面的研究。