CN103325204B - 一种环境参量感知的火灾判定方法 - Google Patents

Abstract

一种环境参量感知的火灾判定方法，包括如下步骤：（1）建立三层前馈的BP神经网络和常数的T-S型模糊推理系统；（2）通过传感器采集被监测现场的红外、烟雾、温度、湿度、光强数据；（3）通过光强传感器计算出自然光中的红外数值，并对红外数值进行自然光引起的背景红外消除处理，得到处理后的红外数值；（4）将烟雾读数值、经步骤（3）处理后的红外数值输入到已训练好的三层前馈的BP神经网络中，输出火灾发生度；（5）将温度、湿度读数值输入到常数的T-S型模糊推理系统，输出火灾判决阈值；（6）火灾发生度与火灾判决阈值进行比较，当火灾发生大于火灾判决阈值，判定发生火灾。本发明具有环境参量感知功能、适应性良好。

Description

一种环境参量感知的火灾判定方法

技术领域

本发明适用于火灾预警领域，尤其是一种（报警）系统中的火灾判定方法。

背景技术

火灾的发展过程是一个随机的、不可预测的过程。在火灾判决器（或者火灾预警系统）的设计过程中，由于传感器种类单一、火灾判定阈值无法感知外界环境差异而引起的高漏报率和高误报率，已成为影响火灾判决器可靠性的重要难题。因此，设计一种高效的、环境参量感知的火灾判定方法，对于保护人民群众的生命和财产安全具有重要的意义。

目前，较为先进的火灾判定方法是基于数据融合技术的判定方法。即，将多种传感器采集到的火灾信号输入到一个数据融合模型中，数据融合模型将给出一个融合后的结果，再将融合出的结果与一个固定的常数进行比较（此常数即为火灾的判决阈值）。若融合后的结果为大于火灾阈值，最终结果判定为有火灾。与传统技术相比，这样的火灾判别方法可以有效地降低因传感器种类单一而引起的错报与误报情况。

但是，由于这种火灾判定方法的阈值为一个固定的常数，所以这种方法无法消除因外界环境差异而引起的火灾判别误差。因此，无法从根本上将火灾判别的漏报率与误报率降到最低。如《一种融合神经网络和模糊控制的电气火灾智能报警方法》（公开号：CN101986358A）结合神经网络与模糊计算作为数据融合模型，但是这种形式的数据融合仅是将神经网络与模糊计算形成一个串联式的排列，仅是通过串联的两次数据融合输出电气火灾发生概率。在最终判定时，仍需要将火灾发生概率与一个固定的阈值进行比较，并未考虑到外界环境对火灾阈值的影响。

发明内容

为了克服现有火灾判定方法中的火灾判定阈值固定、火灾判定过程不具备环境适应能力的缺点，本发明提出了一种具有环境参量感知功能、适应性良好的环境参量感知的火灾判定方法。

为了解决上述技术问题提出的技术方案为：

一种环境参量感知的火灾判定方法，所述火灾判定方法包括如下步骤：

（1）建立三层前馈的BP神经网络，所述BP神经网络的输入值为烟雾读数值和红外数值，所述BP神经网络的输出值为火灾发生度，在BP神经网络的训练阶段，将归一化处理后的光强传感器读数值作为训练的输出期望值；

同时建立常数的T-S型模糊推理系统，所述模糊推理系统的输入量为温度和湿度，所述模糊推理系统的输出量为火灾判决的阈值；

（2）通过传感器采集被监测现场的红外、烟雾、温度、湿度、光强数据，其中，红外、烟雾被设定为火灾特征传感器，分别用X₁，X₂表示其读数值；温度、湿度、光强为环境特征传感器，分别用x₃，x₄，L表示其读数值；

（3）通过光强传感器计算出自然光中的红外数值，并对红外数值进行自然光引起的背景红外消除处理，处理后的红外数值用x₁表示；

（4）将烟雾读数值、经步骤（3）处理后的红外数值输入到已训练好的三层前馈的BP神经网络中，所述神经网络计算输出火灾发生度；

（5）将温度、湿度读数值输入到常数的T-S型模糊推理系统，所述模糊推理系统计算输出当前环境参数条件下的火灾判决阈值；

（6）将步骤（4）中输出的火灾发生度与步骤（5）中输出的火灾判决阈值进行比较，当火灾发生大于所述火灾判决阈值，判定发生火灾。

进一步，所述步骤（3）中，所述红外消除处理的函数关系为：X’₁=X₁-0.43θ(L)，X’₁表示背景红外消除后的红外读数值，θ(L)表示光强单位量与红外单位量的换算函数，对X”₁归一化得到处理后的红外数值x₁。

再进一步，所述步骤（1）中，所述BP神经网络中隐层的节点由“试凑法”确定，隐层节点数为5。

所述步骤（1）中，所述的BP神经网络的训练分为正向传播和误差反向传播。

所述步骤（1）中，所述常数的T-S型模糊推理系统中，模糊规则如下：

$\begin{array}{cccccccccc}\mathrm{if}& x_3& \mathrm{is}& A_1^i& \mathrm{and}& x_4& \mathrm{is}& A_2^i& \mathrm{then}& y_i\end{array}=k_i---\left(1.12\right)$

其中，x₃、x₄表示温度和湿度输入量， 表示模糊集，y_i表示第i条规则的输出值，k_i表示输出值y_i为常数；

每条规则的权重由两个输入量属于各自的模糊集的隶属度相乘得到，其值代表了这两个输入量满足这条规则的程度，表达式如下：

${\mathrm{\ω}}_i=A_1^i\left(x_3\right)A_2^i\left(x_4\right)---\left(1.13\right)$

模糊系统的最终输出为九条规则的加权平均，即：

$O=\underset{i=1}{\overset{9}{\mathrm{\Σ}}}{\mathrm{\ω}}_i{y}_i---\left(1.14\right)$

O表示当前环境参数条件下的火灾判定阈值，y_i表示第i条规则的输出值。

与现有同类火灾判定方法相比，本发明的有益效果表现如下：

1）提出一种神经网络与模糊系统并行计算的算法模型。神经网络只需要处理烟雾和红外传感器的读数值；模糊系统只需要处理湿度和温度传感器的读数值。2）利用光强传感器进行背景红外消除处理和提供神经网络所需的训练的输出期望值。3）火灾判定方法具有环境参量感知能力，即火灾判定阈值能够随湿度、温度等环境参量的变化而动态调整。

附图说明

图1为环境参量感知的火灾判定方法结构图。

具体实施方式

下面结合附图对本发明做进一步说明。

参照图1，一种环境参量感知的火灾判定方法，所述火灾判定方法包括如下步骤：

（1）建立三层前馈的BP神经网络，所述BP神经网络的输入值为烟雾读数值和红外数值，所述BP神经网络的输出值为火灾发生度，在BP神经网络的训练阶段，将归一化处理后的光强传感器读数值作为训练的输出期望值；

同时建立常数的T-S型模糊推理系统，所述模糊推理系统的输入量为温度和湿度，所述模糊推理系统的输出量为火灾判决的阈值；

（2）通过传感器采集被监测现场的红外、烟雾、温度、湿度、光强数据，其中，红外、烟雾被设定为火灾特征传感器，分别用X₁，X₂表示其读数值；温度、湿度、光强为环境特征传感器，分别用x₃，x₄，L表示其读数值；

（3）通过光强传感器计算出自然光中的红外数值，并对红外数值进行自然光引起的背景红外消除处理，处理后的红外数值用x₁表示；

（4）将烟雾读数值、经步骤（3）处理后的红外数值输入到已训练好的三层前馈的BP神经网络中，所述神经网络计算输出火灾发生度；

（5）将温度、湿度读数值输入到常数的T-S型模糊推理系统，所述模糊推理系统计算输出当前环境参数条件下的火灾判决阈值；

（6）将步骤（4）中输出的火灾发生度与步骤（5）中输出的火灾判决阈值进行比较，当火灾发生大于所述火灾判决阈值，判定发生火灾。

图1为本发明提出的火灾判定方法的结构图。该方法由3个主要的功能模块组成，包括神经网络模块、模糊系统模块和火灾判定模块。其中，模糊系统模块与神经网络模块采取并行结构，输出结果分别为火灾判定阈值和火灾发生度。利用光强传感器读数值消除背景红外的换算函数关系为：X’₁=X₁-0.43θ(L)，其中，X’₁表示背景红外消除后的红外读数值，θ(L)表示光强单位量与红外单位量的换算函数，对X”₁归一化得到处理后的红外数值x₁。

所述神经网络模块采用了一种三层前馈的BP神经网络结构。其中神经网络的输入层有两个节点，分别用于输入红外值和烟雾值。神经网络的输出层有一个节点，用于输出火灾发生度。神经网络中隐层的节点由“试凑法”确定。本发明中隐层节点数为5。在此条件下的神经网络有较好的拟合能力和泛化能力。在神经网络的训练阶段，本发明将归一化处理后的光强传感器的读数值作为训练的输出期望值。

进一步，所述的神经网络的训练分为正向传播和误差反向传播。

所述正向传播过程如下：

（1）输入层到隐层：

x₁为背景红外消除后的红外读数值X’₁归一化后的数值，x₂为烟雾数值X₂归一化的数值。

${\mathrm{net}}_j=\underset{i=1}{\overset{2}{\mathrm{\Σ}}}{v}_{\mathrm{ij}}{x}_i,j=\mathrm{1,2}...5---\left(1.1\right)$

y_j＝f(net_j)j＝1,2...5(1.2)

（2）隐层到输出层：

$\mathrm{net}=\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{w}_j{y}_j---\left(1.3\right)$

F＝f(net)(1.4)

（1.4）中转移函数f(x)均为双极性Sigmoid函数：

$f\left(x\right)=\frac{1-e^{-x}}{1+e^{-x}}---\left(1.5\right)$

并且v_ij，w_j分别为隐层和输出层的权值。

所述误差反向传播过程如下：

当神经网络的输出与期望D不等时，存在误差E，定义如下

$E=\frac{1}{2}\underset{k=1}{\overset{l}{\mathrm{\Σ}}}{(F-D)}^2---\left(1.6\right)$

网络输入误差是各层权值w、v的函数，因此调整权值可以改变误差E。

本发明采用最速梯度下降法调整权值，具体调整公式为

$\mathrm{\Δ}{w}_j=-\mathrm{\η}\frac{\∂E}{\∂w_j}=-\mathrm{\η}\frac{\∂E}{\∂\mathrm{net}}\frac{\∂\mathrm{net}}{\∂w_j},j=\mathrm{1,2}...5---\left(1.7\right)$

$\mathrm{\Δ}{v}_{\mathrm{ij}}=-\mathrm{\η}\frac{\∂E}{\∂x_{\mathrm{ij}}}=-\mathrm{\η}\frac{\∂E}{\∂{\mathrm{net}}_j}\frac{\∂{\mathrm{net}}_j}{\∂v_{\mathrm{ij}}},i=\mathrm{1,2},j=\mathrm{1,2}...5---(1.8)$

其中η是学习率。

神经网络的新权值：

w_j(t+1)＝w_j(t)+Δw_jj＝1,2...5（t为迭代次数）(1.9)

v_ij(t+1)＝v_ij(t)+Δv_iji＝1,2j＝1,2...5（t为迭代次数）(1.10)

反复进行正向传播和误差反向传播，直到输出的误差小于预定误差后，结束训练。最后，用火灾样本集对神经网络进行检测。

所述模糊系统采用输出为常数的T-S型模糊推理系统，输入为温度值和湿度值，分别用x₃、x₄表示。输出为火灾判决阈值。

本发明将输入变量划分到Large（大）、Medium（中）、Small（小）三个模糊集，对应的隶属度函数如下：

$\mathrm{\μ}=\left\{\begin{array}{cc}\frac{1}{1+e^{{\mathrm{\σ}}_1(x-c_1)}}& \mathrm{Small}\\ e^{-\frac{{(x-c_2)}^2}{{\mathrm{\σ}}_2^2}}& \mathrm{Medium}\\ \frac{1}{1+e^{-{\mathrm{\σ}}_3(x-c_3)}}& L\arg e\end{array}\right.---\left(1.11\right)$

式(1.11)中的σ和c为根据实际情况确定的常量参数。

本发明采用的模糊规则如下：

$\begin{array}{cccccccccc}\mathrm{if}& x_3& \mathrm{is}& A_1^i& \mathrm{and}& x_4& \mathrm{is}& A_2^i& \mathrm{then}& y_i\end{array}=k_i---\left(1.12\right)$

其中，x₃、x₄表示温度和湿度输入量，表示模糊集，y_i表示第i条规则的输出值，k_i表示输出值y_i为常数。所述模糊规则的具体表述如下表所示：

每条规则的权重由两个输入量属于各自的模糊集的隶属度相乘得到，其值代表了这两个输入量满足这条规则的程度，表达式如下：

${\mathrm{\ω}}_i=A_1^i\left(x_3\right)A_2^i\left(x_4\right)---\left(1.13\right)$

模糊系统的最终输出为九条规则的加权平均，即：

$O=\underset{i=1}{\overset{9}{\mathrm{\Σ}}}{\mathrm{\ω}}_i{y}_i---\left(1.14\right)$

O表示当前环境参数条件下的火灾判定阈值，y_i表示第i条规则的输出值。

所述火灾判定模块将(1.4)式表示的火灾发生度F与(1.14)表示的火灾判定阈值O进行比较。其中，F与O是关于时间的连续数值。最后，根据式(1.15)判定火灾是否发生：

$A=\left\{\begin{array}{cc}1& (F>O)\\ 0& (F<O)\end{array}\right.---\left(1.15\right)$

A=1表示发生火灾，A=0表示没有火灾。

本实施例的火灾判定方法，火灾报警阈值能够随环境参量的变化而动态调整。因此，火灾的判定过程能够充分考虑当前的环境参量条件，从而有效地提高火灾预警的准确率，降低系统的误报率和漏报率。本发明适用于旅店、隧道、仓库、学校等室内场所的火灾预警。在实际应用过程中，只需在原有红外、烟雾火灾探测数据的基础上，导入温度、湿度、光强探测数据，即可对被监测场所进行具有环境参数感知能力的智能火灾判断。

Claims (3)

1.一种环境参量感知的火灾判定方法，其特征在于：所述火灾判定方法包括如下步骤：

(1)建立三层前馈的BP神经网络，所述BP神经网络的输入值为烟雾读数值和红外数值，所述BP神经网络的输出值为火灾发生度，在BP神经网络的训练阶段，将归一化处理后的光强传感器读数值作为训练的输出期望值；

同时建立输出为常数的T-S型模糊推理系统，所述模糊推理系统的输入量为温度和湿度，所述模糊推理系统的输出量为火灾判决阈值；

所述常数的T-S型模糊推理系统中，模糊规则如下：

$\begin{array}{cccccccccc}\mathrm{if}& x_3& \mathrm{is}& A_1^i& \mathrm{and}& x_4& \mathrm{is}& A_2^i& \mathrm{then}& y_i=k_i\end{array}---\left(1.12\right)$

其中，x₃、x₄表示温度和湿度输入量，表示模糊集，y_i表示第i条规则的输出值，k_i表示输出值y_i为常数；

每条规则的权重由两个输入量属于各自的模糊集的隶属度相乘得到，其值代表了这两个输入量满足这条规则的程度，表达式如下：

${\mathrm{\&omega;}}_i=A_1^i\left(x_3\right)A_2^i\left(x_4\right)---\left(1.13\right)$

模糊系统的最终输出为九条规则的加权平均，即：

$O=\underset{i=1}{\overset{9}{\mathrm{\&Sigma;}}}{\mathrm{\&omega;}}_i{y}_i---\left(1.14\right)$

O表示当前环境参数条件下的火灾判决阈值，y_i表示第i条规则的输出值；

(2)通过传感器采集被监测现场的红外、烟雾、温度、湿度、光强数据，其中，红外、烟雾被设定为火灾特征传感器，分别用X₁，X₂表示其读数值；温度、湿度、光强为环境特征传感器，分别用x₃，x₄，L表示其读数值；

(3)通过光强传感器计算出自然光中的红外数值，并对红外数值进行自然光引起的背景红外消除处理，处理后的红外数值用x₁表示；

所述红外消除处理的函数关系为：X’_1＝X₁-0.43θ(L)，X’₁表示背景红外消除后的红外读数值，θ(L)表示光强单位量与红外单位量的换算函数，对X’₁归一化得到处理后的红外数值x₁；

(4)将烟雾读数值、经步骤(3)处理后的红外数值输入到已训练好的三层前馈的BP神经网络中，所述神经网络计算输出火灾发生度；

(5)将温度、湿度读数值输入到常数的T-S型模糊推理系统，所述模糊推理系统计算输出当前环境参数条件下的火灾判决阈值；

(6)将步骤(4)中输出的火灾发生度与步骤(5)中输出的火灾判决阈值进行比较，当火灾发生度大于所述火灾判决阈值，判定发生火灾。

2.如权利要求1所述的一种环境参量感知的火灾判定方法，其特征在于：所述步骤(1)中，所述BP神经网络中隐层的节点由“试凑法”确定，隐层节点数为5。

3.如权利要求1或2所述的一种环境参量感知的火灾判定方法，其特征在于：所述步骤(1)中，所述的BP神经网络的训练分为正向传播和误差反向传播。