基于极限学习机的火灾探测节点的研究及设计

刘 静 刘瑞敏 沈 鑫

1 昆明理工大学信息工程与自动化学院 昆明 650500

2 云南电网有限责任公司研究生工作站 昆明 650217

3 云南电网有限责任公司电力科学研究院 昆明 650217

引言

智能化建筑多以高层和超高层为主，由于高层建筑设计复杂、建筑面积大、居住人员较多、可燃物多，存在着多种安全隐患，一旦发生火灾将会造成巨大的损失。随着现代科技的飞速发展，消防系统也在随着系统中各种配置不断进行优化，对系统整体的灵敏度、准确率有更高的要求。系统需要结合现场的建筑特点以及工程实施的实际情况，依据相关的设计规范进行设计。所设计系统不仅要求在火灾发生的初期探测和报警，而且还要根据现场火灾状态及其位置，启动火灾报警并启动相应的灭火设施[1]。现有的火灾报警系统主要采用有线技术来构建多传感器网络，由于线路损坏及故障导致高误报率、高漏报率，后期维护困难，需要耗费很多成本去维护，并且成效差。另外，由于多传感器、多元探测自适应性差，易受到极端环境因素的影响从而引起误报(例如高温)，系统中也存在一些不确定性，都给系统的稳定性和灵敏度带来了负面影响，并且不能够准确实时判断火灾所处的阶段，造成相应的设备不能够及时响应来减少火灾造成的损失。由于火灾自动报警系统存在因为探测器的灵敏度不够或者通信线路中断造成的误报和漏报，陈静等人将无线传感器网络与人工智能相结合，在提高了系统准确性的同时，提高了系统的智能化程度，使系统具有自适应性和自学习性。另外，火灾自动报警系统的设计在运用相应技术的同时，还需要依据相关的国家标准以及规范。除此以外，发展智能型火灾自动报警系统成为今后的发展方向，对系统的智能化、网络化、集成化提出了更高的要求[2-6]。近年来，基于无线通信的自动火灾报警系统已受到国内外广泛关注。相比于有线火灾报警系统的安装过程会对建筑物造成损坏，双总线系统的建设和布线已经比较简单，但仍然存在安装和维护的高成本以及升级困难等问题。本文基于ELM算法，并结合无线传感技术，对火灾探测节点进行了研究及设计，所设计的新型火灾探测节点能够快速处理信息以及实现火灾现场的实时监测。

1 探测节点的原理及设计

1.1 火灾自动报警系统结构及原理

消防系统按所完成的任务和功能大致可以分为三部分：探测部分、信号处理部分和报警及灭火部分。探测部分主要是由一些专门的传感器构成，用来检测与火灾相关的数据，并传送到信号处理部分，以判断是否发生了火灾。传感器采集来的数据按照既定的程序进行处理，当判断结果是有火灾发生时，就向执行机构发送报警指令和灭火指令[7]。

火灾探测与报警是火灾自动报警系统的两个重要组成部分。火灾探测用于获取火灾发生的基本信息，从而把这种信息转化为电信号进行处理[8]。报警与灭火系统作为一个执行机构，图1是火灾自动报警控制器的设计图。

图1 火灾自动报警控制器设计图

1.2 火灾探测节点的结构

探测节点原理结构如图2所示，探测模块用于采集燃烧产生的烟雾、热量、火焰等信号，并将其转换为电信号。该信号经过处理后传输给控制器，之后触发火灾自动报警器的执行机构[9]。近年来，国内外许多研究学者主要针对火警处理模块以及通信模块进行了不断改进，也取得了突出的成绩。Zigbee技术在火灾自动报警系统中的应用使得温度和烟雾信号能够及时准确地传输给系统。其中，为了保证数据的快速处理与传输以及对长时间大量数据的存储，采用双RAM结构，在传输这些数据的时候提供适当的通道，建立一个缓冲电路，来实现数据流的无缝缓存和处理，提高系统的处理速度和性能。该缓存电路将输入数据流通过输入数据选择单元同时将数据流分配到两个RAM缓冲区。配合一片eMMC，解决长时间数据的储存问题。

图2 探测节点原理结构框图

2 火灾燃烧特征

火灾过程当中，最明显的特点就是温度的变化，依据温度的变化将火灾的燃烧过程分为阴燃阶段、明火阶段、熄灭阶段三个阶段。在阴燃阶段，起火部位及周围的可燃物开始燃烧，燃烧范围小，局部高温，温度差别大，且平均温度低，不易被探测，但由于该阶段其发展速度较慢且火势不稳定，因此该阶段是灭火的最有利时机，有利于灭火工作的进行。在明火阶段，火灾范围迅速扩大，并且聚积了大量的可燃气体(主要是一氧化碳)，当室内温度达到一定值时，产生轰燃现象，突然起火，可燃物大面积被点燃，且燃烧很猛烈，温度快速升高。火焰、高温烟气从房间的开口大量喷出，火灾迅速蔓延。随着室内可燃物的挥发物质以及数量不断减少，燃烧速度温度呈现递减趋势。当平均温度降到温度最高值的80%时，则认为进入熄灭阶段。随后，全部可燃物逐渐被烧光，温度开始明显下降，直至室内外温度趋于一致，火灾结束。另外，火灾的燃烧持续时间点易受火源、可燃物质性质和分布、通风条件等因素的影响。

根据火灾三个阶段的特点可以看出，对可燃气体的浓度、室内烟雾浓度以及温度的探测能够作为主特征来实现对火灾的判别，并且针对每个阶段应采取不同的措施，才能更有效地控制火灾现场状况，阻止火灾的进一步发展，在这个过程中，一方面要准确判断出火灾，另一方面要及时判断出火灾所处的阶段。并且对信息处理的结果要能够立即传输出去，使得消防系统中的其他设备能够及时响应。从而结合机器学习以及无线通信技术实现对火灾快速准确的判断，采取相应的措施，解决系统的实时性与准确性的问题。

3 ELM的仿真分析

3.1 极限学习机(Extreme Learning Machine，ELM)

传统神经网络学习算法(如BP算法)通过将误差反向传播，使误差分摊给各层所有单元来获得误差信号，来进一步调整权值。在该过程中，由于属贪婪算法，易陷入局部最优，且训练次数多，需做大量运算导致学习效率低下，收敛速度慢；参数设定繁琐且需要对参数进行优化。2004年，黄广斌提出了一种针对前馈神经网络设计的极限学习机，由输入层、隐含层和输出层三部分组成，由于该方法是在学习过程输入权重随机产生的，通过求解线性方程得到输出权值，因此具有学习效率高和泛化能力强的优点[10]。给定N个训练样本，其中输入样本xi＝[xi1，xi2，…，xin]T∈Rn，输出样本ti＝[ti1，ti2，…，tim]T∈Rm，具有个隐藏节点和激活函数为G(wj,bj,xi)的SLFNs输出为：

要使得具有个隐层神经元和激活函数为的SLFNs 能够零误差逼近这N个样本，等同于成立，即，存在βj、wj和bj使得下式成立：

式(2)的N个方程可以简写为：

式(3)中：

H称为神经网络的隐层输出矩阵；H的第j列表示第j个隐层节点关于的输出矩阵。大多数情况下，隐层节点数目远远小于训练样本数目，即此时H是非方阵，也就不存在满足根据广义逆引理，上述线性系统的最小范数最小二乘解为：是矩阵H的Moore-Penrose广义逆。

式(4)中

综上，给定一个训练样本集，激活函数G(x)，隐层节点数目为，ELM 学习算法步骤如下所示。

1)随机指定输入权值wi和隐层偏差bi，

2)计算隐层输出矩阵H。

3)计算输出权值β。

3.2 模型的评价

一个模型的好坏需要从预测偏差和模型的泛化偏差两个方面去分析。由于训练模型所使用的数据个数是有限的，在这里使用交叉验证法来进行模型的性能评价，这样的话可以充分利用所有的数据，进而选择一个比较好的模型[11-13]。本文使用的是5折交叉验证法，将数据随机均匀地分成5组，每次训练的时候其中的4组作为训练样本，剩下的一组作为测试集。具体的交叉验证步骤如下。

1)将所有的数据随机均匀分成1～k，5组数据。

2)初始化神经网络的初始权值取值在-0.5～0.5。

3)fori=1tok(从学习数据中一次取出k-1组数据作为训练集，剩下的一组作为测试集，完成步骤4到5)。

4)对读入的4组数据进行训练，结束后得到一个训练模型。

5)将剩余的一组测试集带入训练得到的模型，得到一个测试误差ei。

6)循环5次后得到5个测试误差e，将这5个测试误差相加然后求其平均值，得到该模型的平均误差EE。

7)改变ELM神经网络的超参数(激励函数中的参数)，文中选用的激励函数是当改变超参数，则会得到一个新的模型，的取值为1～5这5个整数。

9)通过比较5个模型的平均误差EE，选用误差最小的作为最终的模型。

10)将所有的数据作为训练样本，带入步骤9中选择的模型中进行重新训练，训练结束后得到所需的火灾预测模型。

表1是探测器所采集经过预处理后的部分数据，图3是采用ELM所建立的仿真模型，通过MATLAB仿真实验，如图4、5、6所示，将实际输出的无火、阴燃和明火概率值与期望值进行对比，ELM输出的拟合曲线与实际输出曲线基本吻合，初步判断ELM的训练基本成功。进一步地，为了防止过度拟合，测试其泛化能力，选取28组校验样本的测试集对ELM模型进行测试；由图7、8、9可知，通过将测试样本输入到训练好的网络，获得实际的输出，二者进行比对，拟合曲线与实际输出曲线基本吻合，证明测试样本的实际输出的概率值与期望值相差不大，因此可以判断训练后的ELM网络模型具有良好的泛化能力，适用性较强。另外，采用64位Intel(R) Core(TM)i3-7100T CPU @ 3.40GHz的处理器，4.00GB的RAM，该算法耗时为0.961秒，由仿真的结果可以看出，ELM的预测和拟合效果很好，因此其在实时采集直接预测方面更加敏捷。

表1 探测器所采集的部分数据

为了避免外部电磁干扰的影响以及火灾发生时，通信、控制以及警报线路因损坏造成的中断，传输线路和控制、通信以及警报线路应采取相应的保护[14]。

图3 ELM神经网络结构图

图4 训练集无火预测输出

图5 训练集阴燃预测输出

图6 训练集明火预测输出

图7 测试集无火预测输出

图8 测试集阴燃预测输出

图9 测试集明火预测输出

4 结论

本文主要研究了消防系统中的探测节点，针对探测器的灵敏度差异大以及不能及时在阴燃阶段及时检测出火灾的发生等问题，采用无线节点网络技术以及人工智能的方法使系统能够及时准确地检测出火灾信号，并对火灾现场状态实时监测。经相关测试证明，所设计的探测节点能够根据所探测的火灾信号快速、有效地判断火灾的发生，以及对火灾状态进行判断。在工程实践中，由于不同系统的系统结构、控制对象和工作条件存在许多不确定性，Zigbee技术的应用、多传感器网络和人工智能结合能够使系统具有适应性和自学习功能。