基于声音信号室内火灾分级预警系统

沈晓波， 王留留， 刘 音

(淮南师范学院 电子工程学院, 安徽 淮南 232038)

0 引 言

随着人们生活水平提高，室内物品逐年增多，尤其是电、气、热三个方面设备，在给生活带来便利的同时埋藏了火灾隐患，室内火灾发生的原因多为电器设备老化、短路、操作违规、燃气泄漏、环境高温干燥等，防火、灭火工作是当前火警工作的重点，火灾一旦发生，100 s是关键，但实际室内环境中往往缺乏灭火设备，难以做到及时灭火，造成大量的人员伤亡和财产损失。如何充分利用火灾发生前的关键30 s，做好预警就成了当务之急的事情，目前室内环境多数采用传统的烟雾、燃气、温度、光强、离子探测方式，少数采用图像识别探测方式，缺少价格合理的智能化预警系统。

传统火灾探测设备均要求火灾前期达到一定程度后才开始报警，与实际发生火灾时间贴近，缺少预警及时性；近年来,国内智能火灾探测系统发展迅速，由江苏安科瑞、北大青鸟、深圳泛海三江、霍尼韦尔、西门子等公司研发的新一代智能探测系统，能够实现远程网络管理，性价比不高，多数仅考虑集中化、远程化操作，未考虑实际预警需求和多种发生因素统一性。为此文中依据电、气、热三种设备火灾隐患的共同因素声音信号作为研究对象，燃气泄漏会产生声波信号，阴燃会产生燃烧音声波信号，监测声音信号变化，利用智能识别算法分类识别，实现低成本、人性化、智能化的火灾预警系统。

1 系统整体设计

火灾分级预警系统分为五部分：分别是智能控制系统、CAN总线、电脑管理系统、WiFi通信系统、手机端接收系统。整体系统框图如图1所示。

图1 系统框图

其中声音传感器矩阵数量依据监控空间大小而定，声音信号经处理器程控放大和处理，依据算法进行传感器高低度调整，将声音采样数据通过CAN总线上传给电脑管理系统，电脑管理系统实时对数据进行模式识别分类，显示各房间预警状态，电脑管理系统可以人工操作向各房间智能控制系统发送指令，实现远程集中控制，同时可以通过WiFi通信系统将预警状态发送给附近的工作人员，避免工作人员长期面对电脑劳累或者是临时有事错过关键30 s的情况发生。

2 系统硬件设计

2.1 传感器矩阵设计

传感器矩阵如图2所示。

由图2可知，设定室内空间长宽高为x，y,z，定义入门处为0点坐标，为安装方便，传感器安装在空间顶部，矩阵行列数量依据探测精度而定，取x,y的m，n个均分点交汇处作为初始定位点，计算出总传感器数量为N,每个声音传感器位置坐标为：

i=0,1,2，…,m；j=0,1,2，…,n

图2 传感器矩阵示意图

因为室内声音传播为一个非线性变换过程，考虑系统的工程特性，本系统的高度z仅依据声音传感器检测到的声强I大小和检测阈值θ决定，具体由下式推算决定：

(1)

(2)

其中，P为有效声压，ρ0为空气密度，c为声音在空气中的速度，P0为基准声压，K为转换系数。由实验数据推算而定，主控系统通过电机上下调动吊绳高度z，可改变全部或部分传感器检测声音强度，使声音信号最为清晰，达到检测阈值θ的要求，考虑系统成功率，本次声音传感器采用高精度澄科AWA14421声级计。

2.2 主控通信系统设计

主控系统采用主流STM32作为微处理器，使用LC型5阶巴特沃斯滤波器无源滤波器进行滤波，OPA847固定增益放大器和VCA821可变放大器级联实现0～40 dB程控放大，AD8361完成有效值采样，TJA1040实现 CAN收发通信，具体如图3和图4所示。

图3 主控系统框图

图4 检波器电路图

主控系统有被控、主控两种工作模式。被控模式时，主控系统仅执行电脑端管理系统指令，调整声音传感器位置、执行报警动作，可通过模式选择键退出；主控模式时，各房间主控系统可独立通过声音传感器监测声强，通过电机调整传感器高度，声强达到算法约定超过阈值次数后，通过继电器开启报警、灭火系统。

2.3 WiFi通信系统设计

WiFi通信由ESP8266模块实现无线通信数据不失真传输，该模块可将用户的物理设备连接到WiFi无线网络上，进行互联网通信，实现短距离通信功能。

3 系统软件设计

本系统软件设计分为STM32主程序设计、电脑管理软件设计、手机MB终端应用程序设计三部分。主程序利用C语言在RealViewMDK工具下开发，电脑管理软件利用Matlab语言完成，手机MB终端应用程序采用JAVA语言完成。

3.1 主程序流程图

系统主控程序流程如图5所示。

主程序通过查询的方法接收数据，采用中断方式发送数据。

3.2 电脑管理系统算法设计

3.2.1 火灾声音特征量AR模型提取

室内安静环境下声音信号为平稳随机信号，设定智能控制器采样值为x(n),n=0,1,…,N-1,采用8阶AR模型提取特征参数，利用Yule-Walker自相关算法计算系数，依据基本公式为最小平方时间平均准则：

(3)

(4)

(5)

式中：ε——预测误差功率；

a——AR[p]模型参数。

3）对应精控压裂能够解决薄差油层难以动用的问题，该井通过加大压裂规模，穿透比达到20%～25%，压后井组注采井距缩小至80 m，有效保证了薄差层建立驱替关系，并应用新型压裂管柱、采取水井超前压裂注水、压后及时调整等手段，措施后增油效果明显。

依据每秒采集N个样本，形成输入样本xk。

3.2.2 分级预警等级设定

依据室内火灾预防标准，本次分4级预警，分别为00代表正常，01代表预警，10代表警告，11代表火警。

图5 主程序流程图

3.2.3 分级预警算法设计

1)对原数据矩阵进行平移和标准差变换，形成样本数据，具体如下：

(6)

(7)

(8)

式中：xik1——每种输入数据在不同时段的Z分数；

sk——标准差。

(9)

其中i=1,2,…,n；k=1,2,…,m,得到0≤xik2≤1，xik2为新的样本数据矩阵。

2)确定主体BP神经网络类型，分别训练，误差的反向传播过程系统对P个训练样本的总误差准则函数为：

(10)

式中：ok——输出层K节点输出;

Tk——输出层K节点目标输出。

3)确定激励网络，单独训练。

4)将集成网络输出进行聚类，得到最终预警分级结果。聚类准则依据J(U,V)最小值计算。

(11)

式中：dik——欧式距离,dik=‖xk-ci‖ ；

uik——隶属度。

对于未知的采样样本用贴近度来判别属于哪一类。

4 系统测试

4.1 测试环境

100 m2房间安静环境，排除干扰因素，检测火灾前中后声音信号。

4.2 测试对象

依据室内火灾源种类，文中选择天然气泄漏作为火灾预警测试对象。

4.3 测试样本

学习、检验样本各100个，依据燃烧物和室内火灾国家标准制定C类火灾预警测试数据范围，进行AR模型参数提取，部分数据见表1。

表1 部分AR系数向量

4.4 测试方法

首先分析单种神经网络预警正确率，然后统计集成主体网络预警正确率，最后为加入激励网络的整体BNNG网络的预警正确率，具体数据见表2。

表2 系统测试结果

由表2数据可以看出,本系统最低正确预警率可以达到90%，误警率控制在10%以内，仿生态神经网络群算法正确率高于单一神经网络，说明集成网络在平稳随机信号模式识别中具有一定的优势。

5 结 语

依据火灾产生过程中的声音信号进行分级预警，经过模拟测试，安静室内环境火灾预警精度能够达到要求，但在复杂声音环境的预警识别率存在不确定性，后期将会在声音特征量提取，预警模型方面做出新的改进，为智能化火灾预警设备研制提供经验支持。