基于非线性支持向量机的公交车自燃检测研究

舒 适，季行健，董红召

(浙江工业大学机械工程学院，浙江 杭州 310014)

基于非线性支持向量机的公交车自燃检测研究

舒 适，季行健，董红召

(浙江工业大学机械工程学院，浙江 杭州 310014)

针对近年来公交车自燃事故频发、实时火灾检测困难的问题，引入非线性支持向量机判别公交车自燃的方法，建立了公交车自燃仿真模型，并通过仿真数据对非线性支持向量机进行了训练和验证。验证表明：当公交车发动机舱室内有自燃情况发生时，该方法能够迅速、准确地进行识别，对自燃初始阶段具有良好的辨别能力。

自燃检测；公交车；非线性支持向量机；火灾仿真

随着城市公交车保有量和城市高温天气增多以及公交车电控系统的复杂化、集成化不断加强，公交车在运行时发生自燃事故也不断增多[1]。近年来国内外由于公交车自燃导致的人员伤亡事故屡见不鲜[2]，公交车自燃严重威胁公共安全。因此，研究公交车自燃危险检测方法，对有效预防公交车自燃、减少乘客生命财产损失有着重要的意义。

目前国内外针对公交车自燃危险检测的研究还比较少，对火灾危险的检测和预警主要依靠固定开关量火灾报警器，例如感烟型、感温型、感光型火灾探测器[3]。由于公交车运行时发动机舱室内粉尘大、温度高、噪声干扰强，传统阈值比较法难以达到公交车火灾检测的要求，而采用智能化学习算法可以提高预警的准确率[4]，但缺乏大量的用于自学习的数据样本。此外，由于发生自燃的随机性大[5]，已有的火灾判别方法应用时具有反应速度慢、不能识别自燃苗头、使用环境单一等缺陷。

为解决以上难题，本文引入了非线性支持向量机对公交车自燃危险进行检测，采用FDS (fire dynamics simulator)软件模拟不同工况下公交车发动机舱燃烧情况，并对此检测方法的效果进行验证。

1 非线性支持向量机

支持向量机(SVM)[6]是一种新型的智能学习方法，对于二类分类问题线性可分时，该方法通过对样本集进行学习，寻找最优分类超平面。当把此平面作为分类决策面时，它能对不同类别的新样本做尽可能正确的划分；当样本非线性可分时，支持向量机通过非线性映射F：x→Φ(x)将样本映射到一个高维特征空间，使训练样本在这个高维空间实现线性可分。该方法通过选取合适的核函数，构成非线性支持向量机，实现样本从低维空间向高维空间的映射，可以有效解决低维空间数据的非线性分类问题，因此非线性支持向量机算法很适合于火灾自燃的判别。

非线性核函数主要包括以下类型[7]。

1)多项式核函数：K(x,xi)=(x·xi)d，通过d阶的多项式实现样本到高维空间的映射。

3)Sigmoid核函数：K(x,xi)=tanh(a+r)，其中a是标量，r为位移参数。

非线性支持向量机的训练过程是通过求解如下目标函数来实现的：

式中：ω为最优分类超平面的法向量；ξi≥0是松弛变量；C为分类错误惩罚因子；xi∈Rd,yi∈{+1,-1},yi是输入向量xi的类别标签；b是分类超平面的截距，用于调整置信范围和经验误差之间的均衡。求解此目标函数是一个凸二次规划问题，它的局部最优解即为全局最优解，可以避免神经网络求解中存在的局部极小值问题。

通过训练样本完成对非线性支持向量机的训练后，可得样本的SVM判决的分类函数为：

式中：l是支持向量个数；ai为支持向量系数。

2 自燃火灾判别流程

基于非线性支持向量机的公交车发动机舱自燃判别过程分为2个阶段：一是训练阶段，通过已知的正常状态和火灾状态的特征样本对非线性支持向量机进行训练，寻得训练样本的支持向量，从而确定最优分类超平面；二是火灾判别阶段，通过训练所得的最优分类超平面对测试样本集作出分类决策。基于非线性支持向量机的公交车发动机舱自燃判别的步骤如图1所示。

3 公交车自燃火灾数值模拟

公交车发动机舱室是一个高度集成的复杂系统，各部件运行情况复杂，难以直接通过部件的运行状态表征舱室内有无自燃危险。由于公交车自燃具有极大的偶然性且获取自燃数据样本困难，因而采用公交车火灾仿真的方式对自燃检测问题进行研究。

FDS软件是美国国家技术标准局(NIST)火灾研究室研发的火灾场模拟软件，主要用于求解火灾过程中环境的状态参数(温度、烟雾、气体浓度等)随时间的变化情况。本文依据黄海牌某型12m公交车的实际尺寸和结构建立火灾仿真模型，如图2所示，模型中(包括发动机舱)各部件所处的位置与实际车辆各部件所处的位置相同。

在公交车发动机舱室系统自燃火灾检测中，为了尽量降低火灾自燃判别的误报率，选择最能反映火灾燃烧状况的指标(即温度、氧气体积分数、一氧化碳体积分数、烟雾质量分数)对自燃状况进行研究。

根据发动机舱室内可燃物类型和分布位置，将仿真条件设置为柴油在发动机风扇开启和关闭条件下以及聚氯乙烯颗粒在发动机风扇开启和关闭条件下共4种自燃工况，发动机满载运行，柴油、聚氯乙烯颗粒在10s时被瞬间火源触发燃烧。仿真实验结果如图3所示。

仿真实验表明：当公交车发动机舱室内发生自燃时，舱室内的烟雾浓度、氧气浓度、一氧化碳浓度、温度在整个燃烧过程中变化响应较快；温度的反应时间较气体反应时间有一定的滞后性，但是也能直接反映火灾的进展情况；当公交车发动机风扇在车辆运行时启动，能显著降低发动机舱内的温度和各项气体浓度，同时由于风扇产生的负压作用，可以提高对风扇处气体浓度的响应速度。因此，烟雾浓度、氧气体积分数、一氧化碳体积分数、温度适合作为判别是否自燃的参量，它们在自燃检测时能更有效地抵抗环境的噪声干扰。

4 自燃检测仿真实验与结果分析

根据公交车不同材料不同工况的自燃仿真数据，将火灾检测参量按照烟雾浓度、一氧化碳体积分数、温度、氧气体积分数的顺序建立公交车自燃火灾探测向量n=[烟雾浓度，一氧化碳体积分数，温度，氧气体积分数]。在公交车火灾自燃进展的过程中，各检测参量波动较大，为了降低火灾误报率，此处选择检测参量在仿真开始后0s到20s之间的150组数据为训练集，见表1。

非线性支持向量机中，选用不同的核函数会得到不同类型的非线性决策面。分别采用多项式核函数、径向基(RBF)核函数和Sigmoid核函数对公交车发动机舱室火灾信息的采集样本进行训练，训练效果见表2。

选择不同核函数对非线性支持向量机进行训练会得到不同的支持向量个数和识别正确率。从表2可以看出，径向基核函数产生的支持向量数量最少且识别正确率最高，能最好地进行样本的分类。

由于检测参量受到发动机舱中噪声的干扰，需要选择合适的分类惩罚因子C，用于平衡信号噪声导致的火灾危险误判，提高系统整体的自燃探测正确率。将训练集数据输入非线性支持向量机中进行训练，通过非线性支持向量机的判别正确率验证，不断调整惩罚因子C的取值。通过多次调整求得，当C=2时，非线性支持向量机的分类准确率最高，此时非线性支持向量机便是最优模型。非线性支持向量机自燃检测函数如下：

f(x)=sgn[a·K+b]

(3)

其中：a=[ 0.42 0.39 0.62 0.44 -0.73 -1.23];b= -0.55；

K=[K(x,x1)K(x,x2)K(x,x3)K(x,x4)K(x,x5)K(x,x6)]T;

当f(x)>0时，判定为系统有自燃火灾；f(x)≤0时，判定系统安全。

用训练所得的非线性支持向量机模型对公交车自燃时的探测参量数据进行判别，自燃发生后部分探测参量和判别结果见表3、表4。

经验证，基于非线性支持向量机模型的公交车自燃判别方法，在不同引燃材料和不同工况下皆能正确检测公交车发动机舱是否有自燃发生。此方法基本能保证在公交车发动机舱自燃发生20s内被检测出来，正确率近100%，能为公交车自燃火灾提供更多处理时间。

5 结束语

本文引入的基于非线性支持向量机模型的自燃检测方法，能够在公交车发动机舱室内有自燃情况发生时，迅速、准确地进行识别。由于火灾发生是一个瞬变的过程，而检测参量的变化是一个渐变的过程，在自燃发生初始的10s内，检测参量的变化不能明显区分是火灾导致的还是噪声导致的，因而利用多检测参量间的相互验证作用，可有效降低检测时瞬时噪声导致的误报、漏报，使检测速度更快、更高效，增加了公交车发动机舱室内自燃初始阶段的识别能力。

[1] 董红召,张飞,季行健. 公交车发动机舱室内自燃火灾检测预警系统设计[J]. 机电工程,2013(2):240-244.

[2] 陈洁. 大型客车火灾蔓延规律数值模拟研究[D].长沙：中南大学,2014.

[3] 张红兰.基于传感器融合技术的智能火灾报警系统的设计[D].广州：广东工业大学,2009.

[4] 王志强,李立君,黄雁,等. 基于模糊最小二乘支持向量机的火灾信号辨识[J]. 中南大学学报：自然科学版，2013(1):202-207.

[5]LIUXingpeng,ZHANGJiquan,CAIWeiying,etal.Informationdiffusion-basedspatio-temporalriskanalysisofgrasslandfiredisasterinnorthernChina[J].Knowledge-BasedSystems, 2010,23(1):53-60.

[6]BouhoucheS,YazidLL,HocineS,etal.Evaluationusingonlinesupport-vector-machinesandfuzzyreasoning.Applicationtoconditionmonitoringofspeedsrollingprocess[J].ControlEngineeringPractice, 2010, 18(9):1060-1068.

[7] 徐红敏.基于支持向量机理论的水环境质量预测与评价方法研究[D].长春：吉林大学,2007.

[8]JoachimsT.LearningtoClassifyTextUsingSupportVectorMachines:Methods,TheoryandAlgorithms[M].Norwell,MA：KluwerAcademicPublishers, 2002.

The detection of judging bus self-igniting fire based on nonlinear support vector machines

SHU Shi, JI Xingjian, DONG Hongzhao

(School of Mechanical Engineering, Zhejiang University of Technology, Zhejiang Hangzhou, 310014, China)

There is no effective method of judging bus self-igniting fire presently. This paper introduces a nonlinear support vector machines (NSVM) to judge self-igniting fire. It establishes a bus self-igniting fire simulation model to train and test the NSVM. The test shows that when bus self-igniting occurs, this method can quickly and accurately identify the status. It still has a good ability to detect the initial phase in the development of bus self-igniting fire.

detection of self-igniting; bus; nonlinear support vector machines; fire simulation

10.3969/j.issn.2095-509X.2015.05.018

2015-03-23

国家自然科学基金资助项目(61174176，61273240)；浙江省科技计划项目(2013C33086)

舒适(1988—)，男，湖北鄂州人，浙江工业大学硕士研究生，主要研究方向为智能交通研究。

TP24

A

2095-509X(2015)05-0078-04