CN104766433A

CN104766433A - 基于数据融合的电气火灾报警系统

Info

Publication number: CN104766433A
Application number: CN201510196651.7A
Authority: CN
Inventors: 余琼芳; 张晓辉; 余琼霞
Original assignee: Henan University of Technology
Current assignee: Henan University of Technology
Priority date: 2015-04-23
Filing date: 2015-04-23
Publication date: 2015-07-08

Abstract

本发明涉及基于数据融合的电气火灾报警系统；方案是，包括信息层、特征层和决策层，还包括电弧检测装置，电弧检测装置检测到电弧信号时，将检测到的电弧信号经过信号预处理装置、信号传输装置之后分别输送给预警系统实现系统的预警，同时启动特征层对传感器采集的火灾特征信号进行融合处理，当没有电弧产生时，特征层实时采集信息层的数据进行电气火灾的监控；本发明中利于电气火灾电弧发生超前于火灾信号的产生，因此通过对电弧信号的检测实现系统的预警功能，在采用神经网络算法的同时，引入模糊逻辑能够很大程度上弥补神经网络不易理解的不足，神经网络可以对已有的火灾数据进行精确拟合，模糊逻辑可以利用已知的少量火灾数据进行模糊推理。

Description

基于数据融合的电气火灾报警系统

技术领域

本发明涉及火灾报警系统，尤其是一种基于数据融合的电气火灾报警系统。

背景技术

信息融合技术，也可称为多传感器信息融合技术或数据融合技术，是对人脑综合处理复杂问题方式的功能模拟。其利用计算机技术按照一定准则对多时空传感器采集到的信息进行自动分析和优化组合，从而得到对被检测目标的一致性完整解释与描述，完成所需逻辑处理与决策。

多源信息的多层次处理一般分为信息层融合、特征层融合和决策层融合。每一层信息融合都对原始数据进行了一定程度的抽象。低层的信息融合对信息的抽象程度低；高层的信息融合对信息的抽象程度高，因此对原始信息的细节要求就低(数据处理层次为：数据-信息层融合-特征层融合-决策层融合)。

火灾是在时间和空间上失去人力控制并形成一定灾害的燃烧过程。火灾发生的基本条件是可燃物、助燃物、点火源以及三者之间的相互作用。助燃剂通常是指空气中的氧气(或氧化剂)，为了维持燃烧，可燃物要有一定的数量，其以固态、气态和液态三种形态存在。根据可燃性气体在燃烧过程中与空气不同的混合方式，可以分为预混燃烧和扩散燃烧。预混燃烧是指可燃气体与空气均匀混合进行的燃烧；扩散燃烧是指可燃气体在燃烧区一边与空气混合一边燃烧。而液态和固态是凝聚态物质，在受到外界加热时，液体蒸发成可燃蒸汽，固体发生热分解(熔化、蒸发)析出可燃气体，从而发生气相扩散燃烧。

凝聚态物质在发生燃烧时产生的可燃性气体(CO，H₂等)、颗粒直径较大的分子团、灰烬以及未完全燃烧的物质颗粒悬浮在空气中，这些物质的直径通常在0.01μm左右，被总称为气溶胶，同时也会产生离子直径为0.01～10μm的液体或固体颗粒，即为烟雾。火灾是可燃物和助燃剂在满足一定的条件下产生的强烈的化学反应，并在燃烧过程中伴有发热和发光的物理化学现象。此外还会产生燃烧波。火灾过程中产生的特殊现象与物质如气溶胶、烟雾、光、热以及燃烧波等都被称为火灾参量，火灾探测就是通过这些火灾参量的测量和分析，来确定火灾的过程。

根据火灾燃烧过程的不同，可分为慢速阴燃、明火以及快速发展火焰等。阴燃是指在稀疏物质或颗粒环境中进行的缓慢热分解和氧化反应，能较长时间地自我保持或扩散，并在条件允许的情况下转化为明火或自行熄灭，是引发火灾的重要因素；明火是指燃烧时迸发出火焰并释放出可燃气体，从而进一步使燃烧扩散；快速发展火焰是指燃烧火焰的扩散速度极快，这种情况通常发生在燃烧火焰周围分布有大量的可燃气体。

由于火灾早期特征状态的不稳定以及火灾事件的偶然性，传感器输出信号x(t)是事先未知或不能确定的信号，且由于外界环境如气候、灰尘、湿度、电子噪声等对x(t)的影响，使得火灾信号具有以下特征：(1)人们对火灾表象十分清楚并能做出准确判断与应对，但若要用数字语言进行精确地表达却十分困难；(2)以往的火灾范例可以提供参考或研究；(3)通过联想可以进行正确识别。因此，火灾检测相比于其他典型信号检测来说是一种十分困难的信号检测问题。火灾的检测信号特征有以下特点：(1)可检测到的火灾信号均为随机信号，其统计特性随时间或环境的改变而改变；(2)火灾现象与正常现象相比出现的几率很小，探测器基本上都是工作在正常情况下；(3)检测环境中的噪声特征与检测信号特征有时十分相似，因此很容易影响到辨识结果。虽然检测火灾特征信号x(t)比较困难，但x(t)还是有一定的规律可循，或者说其还是表现出了火灾发生的一些特点，如x(t)的时间和频谱特性，x(t)一般被认为是一种非平稳随机过程，用函数表达即为：

x (t) = \{\begin{matrix} x_{f} (t) + x_{n} (t) \\ x_{n} (t) \end{matrix}

式中x_f(t)为火灾特征参量信号；x_n(t)为其它所有非火灾因素引起的火灾信号(统称为噪声信号)。x_f(t)与x_n(t)互补影响，火灾发生时x_f(t)与x_n(t)未必独立存在，而在正常情况下，x_n(t)却有可能产生类似x_f(t)的变化。

目前市场上的火灾探测产品，对火灾的监测主要采用的是检测火灾发生初期的火灾特征参量，如温度、烟雾、压力、辐射等等。随着研究的深入和探测技术的发展，研究人员也逐渐意识到单一的特征参量的检测对火灾的辨识是十分局限的，存在着很大的误报和漏报。因此逐渐开始采用两或三个特征参量进行火灾辨识。多参量使得火灾的正确辨识得到提高，但对多参量的数据处理，目前大多还只是设置阈值的方法，这种方法比较粗糙，并不能真正利用多源参数的有用信息，并不能真正综合考虑多源信息而给出有效辨识，因此还会存在一定的误报和漏报率。火灾监测与报警中的误报率和漏报率一直以来都是火灾研究领域中的热点问题，研究人员通过多种方法希望能减少或避免火灾报警中的误报和漏报率。

电气火灾报警系统能否实现对火灾的准确辨识，火情参量的种类和个数的选取是第一要素，因为若参量数目选择的过少，则无法区分不同性质的火源以及非火源；若参量数目选择的过多，虽然能提高探测器的灵敏度，减少误报率，但同时也增加了算法的复杂程度；另外选择何种参量也应综合考虑，力求各个参量之间能够实现优势互补，提高整个系统抵御各种环境因素干扰的能力以及对火源性质的准确识别能力也是急需解决的问题。

火灾气体产物为火灾探测的主要特征之一，在火灾的早期探测中又具有抗干扰方面的优势，所以烟雾一直是火灾探测中首先考虑的特征信号。

火灾气体产物为火灾探测的主要特征之一，在火灾的早期探测中又具有抗干扰方面的优势，所以烟雾一直是火灾探测中首先考虑的特征信号。火灾在发生时会产生大量的CO和CO₂气体，但通过CO₂的上升速率来区分非火灾源与阴燃火不可行，因为在一个密闭的空间里，任何生物的呼吸都会增加CO₂的浓度，因此采用CO₂上升速率进行火灾识别具有很大的局限性，并且火灾早期的CO₂上升速率其特征不明显，会受到很多的干扰从而产生大量误报警。除棉花燃烧所引起的CO₂上升速率明显高于其它对比项外，非火宅源香烟、水雾可引起的CO₂上升速率与火灾源纸张、木材燃烧所引起的CO₂上升速率基本都在0.05～0.1×10^-6/s之间，区别并不明显。火灾早期的CO上升速率其特征就十分明显，非火宅源香烟、水雾引起的CO上升速率均在0.05×10^-6/s以下，而火灾源棉花、纸张和木材燃烧所引起的CO上升速率基本都在0.1×10^-6/s以上，非火灾源与火灾源的CO上升速率区别十分明显，而且生物的呼吸也不会影响到CO的浓度，因此，CO的上升速度可以作为本发明的火灾特征参数之一来进行火灾辨识。

火灾的发生一般也都伴随有温度的升高，因此，本系统选取的火灾特征参量为：烟雾、温度以及CO气体浓度。这三种特征参量之间也具有一定的优势互补关系：一般的，仅温度会对阴燃火不够敏感，并且探测温度会有响应速度慢且不能区分是火灾热还是空调热或是烹饪蒸汽热等缺点，因而增加烟雾探测；而温度和烟雾都不能很好地区分烟雾来源，例如是火灾烟还是烹饪烟或是香烟烟雾等等，因而增加CO气体浓度探测，CO浓度探测不但能够区别火灾源种类，而且还具有早期火灾探测的能力，因此可以极大降低各种环境因素的干扰，从而提高火灾辨识的准确度。

发明内容

针对上述情况，为克服现有技术之缺陷，本发明之目的就是提供一种基于数据融合的电气火灾报警系统，有效的解决背景技术中的火灾误报/漏报的技术问题。

本发明的技术方案是，包括信息层、特征层和决策层，还包括电弧检测装置，当电弧检测装置检测到电弧信号时，将检测到的电弧信号经过信号预处理装置、信号传输装置之后分别输送给预警系统实现系统的预警，同时启动特征层对传感器采集的火灾特征信号进行融合处理，当没有电弧产生时，特征层实时采集信息层的数据进行电气火灾的监控；信息层由烟雾传感器、温度传感器、CO气体浓度传感器和每个传感器连接的信号预处理器构成，特征层由神经网络特征器和模糊逻辑特征器并联的方式构成，每个传感器将检测到的火灾特征信号经信号预处理器处理后分别传输给神经网络特征器和模糊逻辑特征特征器进行火灾概率判断，分别输出火灾概率P1和P2，当P1和P2都大于0.5时，信号不进入信息层，直接输出报警信号，当P1与P2都小于0.5时，认为没有发生火灾，信号不进入决策层，当P1和P2其中一个大于或等于0.5另一个小于或等于0.5时，则将火灾概率P1和P2送入决策层进行最后的火灾辨识。

所述信息层采用变化率检测法，即：设被检测信号(即传感器组采集的温度、烟雾和CO气体浓度信号)经离散化采样后，信号的原始序列为X(n)，如果Y_n>Y_固定阀值，则a_i＝0；本系统中i＝1,2,3分别代表温度、烟雾和CO浓度传感器得到的数据，按照以上方法依次对温度、烟雾和CO浓度传感器得到的数据进行处理后：A＝a₁∪a₂∪a₃，当A＝1时，则表示多传感器采集的多位数据(温度、烟雾以及CO气体浓度信号数据)中有一个或多个数据发生了非平稳的变化，此时将该组信息送入特征层进行特征提取，并进行最终的火灾判断。

所述神经网络融合器采用多层感知机神经网络。

所述多层感知机由输入层、隐含层和输出层组成的前馈网络，每一层由若干神经元组成，权因子的调整采用反向传播学习算法，神经网络的层数为两层，输入节点为温度、烟雾和CO气体浓度三个信号，输入层为一个节点的火灾概率，该两层神经网络权值矩阵分别为w₁和w₂，中间层阈值矩阵为θ，输入向量为x，期望输出为T，神经网络的计算方法是：设有N个样本，输入层的个数为M，假设用其中的某样本P的输入/输出模式对(X和T)网络进行训练，隐含层的第i个样本P的作用下，其输入为：

{net}_{i}^{P} = Σ_{j = 1}^{M} w_{ij} o_{j}^{P} - θ_{i} = Σ_{j = 1}^{M} w_{ij} x_{j}^{P} - θ_{i}, (i = 1,2, . . ., 7)

隐含层第i个神经元的输出为：激活采用Sigmiod型函数，则隐含层第i个神经元的输出将通过权系数向前传播到输出层第K个神经元并作为其输入之一，而输出层的神经元的总输入为：

{net}_{k}^{P} = Σ_{i = 1}^{q} w_{kj} o_{i}^{P} - θ_{k}, (k = 1)

计算期望值与实际输出误差：

J_{P} = \frac{1}{2} Σ_{k = 1}^{L} {(t_{k}^{P} - o_{k}^{P})}^{2}

如果上值不在期限范围内，则将误差从输出端进行反向传播，并在传播过程中对加权系数反复调整，调整输出层加权系数：其中：

δ_{k}^{P} = O_{k}^{P} (1 - O_{k}^{P}) (t_{k}^{P} - o_{k}^{P})

调整隐含层的加权系数

w_{ij} (k + 1) = w_{ij} (k) + η δ_{i}^{P} o_{j}^{P}

其中返回计算输出层与隐含层各神经元的输出，直到输出层神经元上得到所需要的期望输出值为止。

所述模糊逻辑融合器的设计为：1)以温度输入信号为例进行设计，首先设定温度信号输入的上下限值，最为论域A[0,1]，将输入的精确量转化为模糊量；如果精确量x的实际变化范围为[a,b]，将[a,b]区间的精确量转换为[-n,+m]区间变化的变量y，采用如下公式：

y = \frac{(m + n) (x - \frac{a + b}{2})}{b - a}

由式得到y值若不是整数，将其四舍五入归为最接近于y的整数，系统中温度信号的实际变化范围为[70,200],将温度信号、烟雾信号、CO气体浓度信号以及输出概率的实际值进行归一化处理；将连续变化的实际输入变量，通过模糊化处理，离散为论域[0,1]之间的有限整数值，这样便于模糊推理的合成；之后给出模糊化等级，将温度、烟雾和CO气体浓度分别分为4挡：火情可能性大(PB)、火情可能性中(PM)、火情可能性小(PS)以及无可能性(ZO)，它们分别是论域A,B,C,D上的模糊集；然后建立这些模糊集的隶属函数，本系统采用三角隶属度函数u(x)，其公式为：

u (x) = \{\begin{matrix} \frac{x - a}{b - a} . . . a < x < b \\ \frac{x - c}{b - c} . . . b < x < c \end{matrix}

在应用中要将其论域离散化，每一个隶属函数表现为离散论域上的一组向量，由隶属函数可得出四中模糊变量赋值表，如下表所示(以温度信号为例)：

量化等级	ZO	PS	PM	PB
					0	1	0	0	0
0.167	0.5	0.5	0	0
					0.333	0	1	0	0
0.5	0	0.5	0.5	0
					0.667	0	0	1	0
0.834	0	0	0.5	0.5
					1	0	0	0	1

将模糊控制的其它参量即烟雾、CO浓度信号以及火灾概率，分别类似上述的模糊化处理，便构建出了四组模糊集{A_i}，{B_i}，{C_i}和{D_i}，分别对应着温度、烟雾浓度、CO浓度以及火灾概率的模糊量化等级；

2)建立控制规则表：假设本模糊系统中，T表示温度信号，S表示烟雾浓度信号，C表示CO浓度信号，P表示火灾概率，则控制规则表示为：“若T是A_i，且S是B_i，且C是C_i，则P是D_i，或简写成为“若A_i且B_i且C_i则D_i”；

3)建立控制推理关系：按照模糊推理的规定，第i条规则对应的推理关系R_i为：

所有n条规则对应于总的模糊推理关系R：

R = \cup_{i = 1}^{n} R_{i} = \cup_{i = 1}^{n} (A_{i} \times B_{i} \times C_{i} \times D_{i})

4)生成输入输出规则表：假设有一组输入信号：若温度信号T是A^*，烟雾浓度信号S是B^*，CO浓度信号是C^*，根据模糊关系R，进行模糊推理可得：

D^*＝(A^*×B^*×C^*)οR

得到的D^*为论域上的一个模糊集，D^*(u)是一个模糊算式，然后再通过最大隶属度法对D^*(u)进行模糊决断，得出最终结果；将制成的输入/输出对应关系的模糊逻辑表作为文件存储在计算机中，实时输出时可从文件中直接查询得到对应的输出值，本系统中根据输入对照表后最终可得到火灾概率P2。

所述决策层采用模糊逻辑推理来实现火灾信息的决策，为了减少噪声的干扰，引入火灾信号持续时间作为输入变量之一，定义为：

T(n)＝[T(n-1)+1]*u(P_i(x)-T_d)

T(n)＝[T(n-1)-1]*u(T_d-P_d(x))

其中，u(x)为阶跃函数T_d为报警门限，取T_d＝0.5，P_i(x)为BP神经网络特征器和模糊逻辑特征器得到的火灾概率P,火灾概率超过报警门限时开始计时；模糊逻辑推理的输入量、输出量分别为特征层所得到的P1、P2，火灾信号持续时间T和输出火灾概率U，首先需要将它们转化为模糊量；给出P1、P2、T和U的上下限分别为[0,1],[0,1],[0,10],[0,1],作为论域U，P1，P2的模糊化等级分为3级，火情可能性大(PB)、火情可能性中(PM)和火情可能性小(PS)；火灾信号持续时间T模糊化为两个等级，持续时间短(PS)和持续时间长(PB)，输出火灾概率U模糊化为2级，有(PB)和无(PS)，本设计中选用三角函数作为这些模糊集的隶属函数；经过论证，模糊推理的推理规则一共有17条：

模糊推理采用Mamdani推理法，解模糊化采用最大隶属度法；得到火灾概率U的数值后，若U≤0.5，判断无火灾，U＞0.5判别为有火灾，至此一次融合过程结束。

本发明中利于电气火灾电弧发生超前于火灾信号的产生，因此通过对电弧信号的检测实现系统的预警功能，在采用神经网络算法的同时，引入模糊逻辑能够很大程度上弥补神经网络不易理解的不足，神经网络可以对已有的火灾数据进行精确拟合，模糊逻辑可以利用已知的少量火灾数据进行模糊推理，使得系统做出正确的判断

附图说明

图1为本发明的融合系统结构图。

图2为模糊算法结构图。

图3为三角形函数图。

图4为特征层模糊逻辑规则表。

图5为温度、烟雾与火灾概率图。

图6为烟雾、CO气体浓度与火灾概率图。

图7为温度、CO气体浓度与火灾概率图。

图8为模糊逻辑推理规则表。

图9为P1、P2与火灾概率图。

图10为P1、T与火灾概率图。

图11为标准阴燃火SH1的烟雾、温度以及CO气体浓度信号的变化曲线。

图12为标准明火SH4的烟雾、温度以及CO气体浓度信号的变化曲线。

图13为厨房环境下的烟雾、温度以及CO气体浓度信号的变化曲线。

图14为BP神经网络仿真模型。

图15为神经网络仿真参数。

图16为神经网络训练参数。

图17为误差变化曲线。

图18a、b、c、d为神经网络训练的样本数据(100组)。

具体实施方式

以下结合附图对本发明的具体实施方式作进一步详细说明。

由图1给出，整个电气火灾报警系统的工作的情况为：在信息层的传感器组(即温度、烟雾及CO浓度传感器)按照采样周期实时采集所监控范围内的温度、烟雾及CO浓度，在信息层对传感器组信号进行判断，若没有出现异常，即不满足向特征层传递的要求，就返回继续采集；若出现异常，即达到向特征层传递的要求，信号就进入特征层进一步融合处理，直至火灾辨识；辨识完毕后，若判断为火灾发生，就启动报警且返回继续监控；若判断为没有火灾，则返回继续监控。

在任何时刻发现电弧电流信号异常，即判断电弧发生时，电弧信号启动预警，并同时启动信息融合模型的特征层，特征层向信息层发送指令，要求信息层的传感器组向上传送该时刻的传感器采集的信息，融合该时刻的传感器组信息，进行火灾辨识。同样，完成火灾辨识后返回继续监控。

融合模型中信息层的实现方法为采用变化率检测法；特征层为神经网络融合器与模糊逻辑融合器并联实现；决策层采用模糊逻辑推理法实现；并引入电弧信号随时启动特征层。

电气火灾发生后，由于电弧的发生超前于火灾信号的产生，电弧检测装置先检测到电弧形信号，将检测到的电弧信号经过信号预处理装置、信号传输装置之后分别输送给预警系统实现系统的预警和启动特征层对传感器采集的火灾特征信号进行融合处理，由于火灾周围温度升高的速率很大，烟雾和CO浓度的增加速率也十分迅速，因此在信号的局部处理上，本发明采用变化率检测法，即对信号的变化速率进行检测，观察其是否连续超过一定的量值从而判断火情，即：设被检测信号(即电弧电流信号)经离散化采样后，信号的原始序列为X(n)，

如果Y_n>Y_固定阀值，则a_i＝0本系统中i＝1,2,3分别代表温度、烟雾和CO浓度传感器得到的数据，按照以上方法依次对温度、烟雾和CO浓度传感器得到的数据进行处理后：A＝a₁∪a₂∪a₃，当A＝1时，则表示多传感器采集的多位数据(温度、烟雾以及CO信号数据)中有一个或多个数据发生了非平稳的变化，此时将改组信息送入特征层进行特征提取，并进行最终的火灾判断。

本系统特征层采用的是多层感知机神经网络，多层感知机是一种由输入层、隐含层和输出层组成的前馈网络，每一层都由若干神经元组成，权因子的调整采用反向传播学习算法；神经网络的层数选择为两层，输入节点为温度、烟雾、CO气体浓度三个信号，输出层为一个节点的火灾概率，该两层神经网络权值矩阵分别为w₁和w₂，中间层阈值矩阵为θ，输入向量为x，期望输出为T，神经网络的计算方法是：设有N个样本，输入层的个数为M，假设用其中的某样本P的输入/输出模式对(X和T)对网络进行训练，隐含层的第i个神经元在样本P的作用下，其输入为：

{net}_{i}^{P} = Σ_{j = 1}^{M} w_{ij} o_{j}^{P} - θ_{i} = Σ_{j = 1}^{M} w_{ij} x_{j}^{P} - θ_{i}, (i = 1,2, . . ., 7),

隐含层第i个神经元的输出为：若激活函数采用Sigmiod型函数，则隐含层第i个神经元的输出将通过权系数向前传播到输出层第K个神经元并作为其输入之一，而输出层的神经元的总输入为：

{net}_{k}^{P} = Σ_{i = 1}^{q} w_{kj} o_{i}^{P} - θ_{k}, (k = 1)

计算期望值与实际输出误差

J_{P} = \frac{1}{2} Σ_{k = 1}^{L} {(t_{k}^{P} - o_{k}^{P})}^{2}

如果上值不在期望范围内，则将误差从输出端进行反向传播，并在传播过程中对加权系数反复调整，调整输出层加权系数：其中：

δ_{k}^{P} = O_{k}^{P} (1 - O_{k}^{P}) (t_{k}^{P} - o_{k}^{P})

调整隐含层的加权系数

w_{ij} (k + 1) = w_{ij} (k) + η δ_{i}^{P} o_{j}^{P}

根据图2的模糊算法结构，设计火灾探测的模糊逻辑特征器，设计过程的步骤为：(1)输入量、输出量的模糊量化与标定

以温度输入信号为例进行设计，首先设定温度输入信号的上下限值，作为论域A，本系统输入量的论域均为[0,1]，将输入的精确量转化为模糊量。

如果精确量x的实际变化范围为[a,b]，将[a,b]区间的精确量转换为[-n,+m]区间变化的变量y，采用如下公式：

y = \frac{(m + n) (x - \frac{a + b}{2})}{b - a}

由式得到的y值若不是整数，可将其四舍五入归为最接近于y的整数，系统中温度信号的实际变化范围为[70,200]，方便起见，将温度信号、烟雾信号、CO浓度信号以及输出概率的实际值进行归一化处理。

将连续变化的实际输入变量，通过模糊化处理，离散为论域[0,1]之间的有限整数值，这样便于模糊推理的合成。

之后给出模糊化等级，将温度、烟雾和CO气体浓度分别分为4挡：火情可能性大(PB)、火情可能性中(PM)、火情可能性小(PS)以及无可能性(ZO)，它们分别是论域A,B,C,D上的模糊集。

然后建立这些模糊集的隶属函数，常见的隶属函数有三角形函数、高斯函数和棒型函数等，根据实践经验，语言变量的隶属函数的形状对模糊控制过程的影响不大，因此，为了方便起见，本系统选择常用的三角形隶属度函数u(x)，三角形函数图如图3所示，三角形隶属度函数公式为：

u (x) = \{\begin{matrix} \frac{x - a}{b - a} . . . a < x < b \\ \frac{x - c}{b - c} . . . b < x < c \end{matrix}

图3和上式表示时域连续的隶属函数，在应用中要将其论域离散化，每一个隶属函数表现为离散论域上的一组向量。由隶属度函数可得出四中模糊变量赋值表，如下表所示(以温度信号为例)：

将模糊控制的其它参量(烟雾、CO浓度信号以及火灾概率)分别类似上述的模糊化处理，便构建出了四组模糊集{A_i}，{B_i}，{C_i}和{D_i}，分别对应着温度、烟雾浓度、CO浓度以及火灾概率的模糊量化等级。

(2)建立控制规则表

模糊系统是利用控制规则进行信息处理的，因此控制规则是模糊系统的核心。假设本模糊系统中，T表示温度信号，S表示烟雾浓度信号，C表示CO浓度信号，P表示火灾概率，则控制规则通常可表示为：“若T是A_i，且S是B_i，且C是C_i，则P是D_i，或简写成为“若A_i且B_i且C_i则D_i”。比如："IF(温度为PS)AND(烟雾为ZO)AND(气体为PM)THEN(火情为PM)”就是一条完整的控制规则。控制规则的指定应注意系统实际以及现场经验的总结，控制规则经过合并以及矛盾删除等提炼处理后，不会过多。本系统最终确定的控制规则为64条，如图4。

(3)建立控制推理关系

一条模糊语句就表达一条推理规则，所有的规则就是一组多重合的模糊蕴含，按照模糊推理的规定，第i条规则对应的推理关系R_i为：

所有n条规则对应于总的模糊推理关系R：

R = \cup_{i = 1}^{n} R_{i} = \cup_{i = 1}^{n} (A_{i} \times B_{i} \times C_{i} \times D_{i})

模糊推理关系R是所有模糊推理规则的囊括，它成为模糊系统性能的决定因素。

(4)生成输入输出规则表

无论模糊系统的结构如何，模糊控制的最后一步均为查找规则表。假设有一组输入信号：

若温度信号T是A^*，烟雾浓度信号S是B^*，CO浓度信号是C^*，根据模糊关系R，进行模糊推理可得：

D^*＝(A^*×B^*×C^*)οR

得到的D^*为论域上的一个模糊集。D^*(u)依然是一个模糊算式，若要得出最终结果，还需进行非模糊化处理，即模糊决断，通常采用的方法为最大隶属度法、重心法，本系统采用的是最大隶属度法。

将制成的输入/输出对应关系的模糊逻辑表作为文件存储在计算机中，实时输出时可从文件中直接查询得到输入对应的输出值。本系统中根据输入对照查表后最终可得到火灾概率P2。

本系统的决策层，在特征层提取特征的基础上，决策层要完成最后的判决结果。本系统的决策层就是对特征层里的神经网络特征器所提取的火灾概率与模糊逻辑特征器所提取的火灾概率进行融合，做出最终的火灾判断。

特征层的输出是模糊逻辑融合系统得到的火灾概率P2和神经网络融合系统得到的火灾概率P1，两者之间会有一定的差别。本系统规定：当P1与P2都大于0.5时，认为必然发生火灾，信号不必进入决策层，直接输出报警信号；当P1与P2都小于0.5时，认为没有发生火灾，信号也不必进入决策层进行决策；最困难的是当两概率互相矛盾时，即一个小于或等于0.5，而另一个大于或等于0.5，此时无法做出最后的判决，则将信号送入决策层进行最后的火灾辨识。

本系统采用模糊逻辑推理来实现火灾探测融合系统的决策层。

为了减少噪声的干扰，引入火灾信号持续时间作为输入变量之一，定义为：

T(n)＝[T(n-1)+1]*u(P_i(x)-T_d)

T(n)＝[T(n-1)-1]*u(T_d-P_i(x))

其中，u(x)为阶跃函数，T_d为报警门限，取T_d＝0.5，P_i(x)为神经网络特征器和模糊逻辑特征器得到的火灾概率P，火灾概率超过报警门限时开始计时。

模糊逻辑推理的输入、输出量分别为特征层所得到的P1,P2、火灾信号持续时间T和输出火灾概率U，首先需要将它们转化为模糊量。给出P1,P2,T和U的上下限分别为[0,1],[0,1],[0,10],[0,1]，作为论域U。

由于本决策层含义的特殊性，当无火灾时不可能进入决策层，因此P1,P2的模糊化等级只分为3级，火情可能性大(PB)、火情可能性中(PM)和火情可能性小(PS)。火灾信号持续时间T模糊化为两个等级：持续时间短(PS)和持续时间长(PB)，由于做最终的火情判断，所以输出火灾概率U模糊化为2级，有(PB)和无(PS)，由于对语言变量的隶属函数形状并不敏感，为了简单方便，仍选用三角函数作为这些模糊集的隶属函数。

经过反复论证，模糊逻辑推理的推理规则一共17条，图8有详细列出。仿真结果如图9～10所示：其中图9为P1、P2与火灾概率图，图10为P1、T与火灾概率图，P2、T与火灾概率图与P1、T与火灾概率图相同，不再罗列。

模糊推理采用Mamdani推理法，即MIN-MAX重心法；解模糊化采用最大隶属度法，即取隶属度最大的概率作为输出结果。

得到火灾概率U的数值后，若U≤0.5，判断为无火灾；U>0.5判别为有火灾，至此一次融合过程结束。

以下为本系统的具体构建与仿真实验：

(1)MATLAB下神经网络的构建与训练

在MATLAB环境下进行了神经网络的构建与仿真训练。为了使所设计的融合器更贴近实际情况，从中国标准阴燃火SH1、标准明火SH4和厨房环境下典型干扰信号的变化曲线上(图11、图12、图13所示)选取100组数据，其中标准明火40组，标准阴燃火和典型干扰各30组，作为训练样本对神经网络进行训练，并另选15组数据对神经网络的有效性进行检验。样本数据参见图18a、18b和18c。

从标准火的变化曲线上选取的数据，在进行神经网络的训练及验证前应先归一化处理，归一化处理的公式为：

\overset{&OverBar;}{x_{i}} = \frac{x_{i} - x_{\min}}{x_{\max} - x_{\min}}

经过反复多次训练，最终确定当网络隐含层神经元数目为14时，网络模型收敛速度快，检验的精度和灵敏度高，拟合均方误差小，泛化能力强。因此，本文的BP网络结构选定为3-14-1。其仿真模型如图14所示。

神经网络各参数的选择如图15所示，其中，训练函数(training function)选定为trainlm(Levenberg-Marquardt优化算法)，其对于中等规模的BP神经网络具有最快的收敛速度，非常适用于火灾探测；权值学习函数采用learngdm，即带动量的最速下降法，为网络提供更快的收敛速度；转移函数选用TANSIG，即双曲正切S型(sigmoid)函数，保证规则层连续可微并使网络具有较好的容错性；输出层采用线性激活函数pureline，不限制输出范围，提高网络的收敛速度。误差性能函数选为均方误差mse。

将附录一中的100组学习样本输入仿真模型，进行网络的学习与训练。训练参数的选取如图16所示：期望误差goal设定为0.001，最大训练周期epochs设定为1000。经过346步后，BP网络的训练误差Performance达到了0.00098644，达到预设误差精度要求，网络停止训练。网络训练误差变化曲线如图17所示。

训练后的权值矩阵为：

W1＝[10.6249 -5.3207 4.6325；-1.1727 5.9426 -2.9444；-1.3814 8.3199-17.8423；

-12.7143 11.5616 29.0056；13.3952 -12.2652 -30.1702；6.2476 19.252216.6063；-9.5814 -24.7282 7.77；-9.1451 3.751 -5.3614；0.98444 -0.60222 6.096；1.198 -5.7767 2.2273；3.1673 -8.1301 -4.241；14.7621 -13.8827 10.5211；1.2569-1.6939 6.2591；10.327 -4.9911 -17.5831]

W2＝[-7.9013 8.2864 -4.2029 7.8991 7.6003 -0.8269 -0.8528 -8.0907 9.84219.89 -1.3371 2.0073 -14.451 -5.3552]

阈值矩阵为：

θ₁＝[-7.6457；1.128；-0.041706；-4.8359；4.9169；-23.1528；12.945；7.1522；-1.2721；-0.66281；2.7844；-0.60537；-1.0267；10.761]

θ₂＝[3.9296]

网络训练完毕后，将15组验证数据前向送入网络进行检验，检验结果如表1所示。

表1 检验结果

检验数据15组，其中1-5组为标准明火上选取的数据，6-10组为标准阴燃火上选取的数据，11-15为典型干扰上选取的数据。从融合结果可以看到，神经网络输出的火灾概率与预期概率基本相同，误差都比较小，只有第11组数据误差略大，但是从数值上看，因为第11组数据为典型干扰，只要概率在0.5以下即为正确，所以从网络输出的火灾概率来看，是能够做出正确判断的。

(2)模糊逻辑融合器的构建

通过(1)输入量、输出量的模糊量化与标定，将输入量及输出量进行量化等级的划分；(2)建立控制规则表，控制规则的指定需注意系统实际以及现场经验的总结，控制规则经过合并以及矛盾删除等提炼处理后，不会过多。本系统最终确定的控制规则为64条，如图4。仿真结果如图5～7所示，其中图5为温度、烟雾与火灾概率图，图6为烟雾、CO气体浓度与火灾概率图，图7为温度、CO气体浓度与火灾概率图；(3)建立控制推理关系，(4)生成输入输出规则表，其中的模糊决断采用的是最大隶属度法。

仿真实验所采用的燃火数据，均来自于国家标准明火SH4、标准阴燃火SH1以及典型干扰环境信号。

(1)标准明火仿真实验及数据分析

从标准明火SH4中随机选取10组燃火数据，归一化后分别送入神经网络特征器和模糊逻辑特征器，分别得到火灾概率P1及P2，若P1、P2的结果有矛盾而使系统无法做出正确的判断，则进入决策层进行决策并做出最后的火情判断。实验数据如表2所示。

本系统规定概率≥0.5的即认为火灾发生，一般默认明火概率能够达到0.7以上，从数据上可以看到，随机选取的10组数据，其概率输出P1与P2全部都在0.5以上，此时系统直接发出火灾报警信号而不必进入决策层进行决策。

另外，由于是明火组数据，可以看到P1、P2的数据都比较高，基本都达到了0.7以上，基本符合本系统默认的明火概率在0.7以上的规定，虽然模糊逻辑特征器的输出P2上有个别数据略低于0.7，但这并不影响正确的火情输出，因此，明火实验的效果是十分理想的。

表2 标准明火实验数据

(2)标准阴燃火仿真实验及数据分析

从标准阴燃火SH1中随机选取10组数据，同实验(1)进行仿真，若系统在特征层能够完成火情判断则直接输出；若不能，则进入决策层进行火情的最终判断。实验数据如表3所示。

首先将10组数据进行归一化处理，将归一化后的数据送入特征层的神经网络特征器和模糊逻辑特征器进行特征层融合，分别得到火灾概率P1和P2。观察数据发现10组中7组数据得到的P1、P2均≥0.5，此时系统能够得出火情判断，认定火灾发生，直接启动报警。

而第4，6，9组数据出现了矛盾，则将这三组数据的P1和P2以及火灾信号持续时间T送入决策层进行决策层融合，由于火灾信号持续时间T的隶属度函数的性质，将T＝0.5作为考察对象，可以看到在决策层融合后的火灾概率均超过了0.5，则系统认定火灾发生，进行报警；另外，为了检验决策层融合的准确性，又考察了火灾信号持续时间T在其整个论域上变化时的决策层输出，数据显示，无论T怎么选取，这三组在特征层判断矛盾的数据经过决策层的融合后，输出必然大于0.5，即系统必然认定为火灾发生，启动报警。

表3 标准阴燃火实验数据

为了再次验证所设计的融合系统的准确性，随机选择另外三组数据即第5,7,8组数据，将经过特征层处理后得到的火灾概率P1和P2送入决策层进行火灾识别。从结果中可以看到，这三组数据经过特征层的数据处理后即可得出正确的判别结果，即P1>0.5且P2>0.5，而如果继续进行决策层的判决，依然会得到正确的火灾辨识结果，即火灾概率P>0.5。

观察实验数据可知：由于本次实验选择的都是阴燃火数据，相对于明火而言其特征不是特别突出，因此在特征层进行融合时整体的火灾概率都不如在实验(1)中的高，并且10组数据中出现了3组矛盾结果，不过由于系统设计的是三层融合结构，3组矛盾数据在决策层融合时又得到了正确的辨识结果，因此，虽然进行了最高层的融合，但最终结果是系统能够做出正确的判断，这也从另一个角度说明本火灾检测系统的三层融合结构设计是十分必要的，它能够使火灾检测的准确性大大提高，有效地减免了火灾报警的误报率。

为了进一步验证系统的正确性，又追加了4组特征信号不明显的阴燃火数据对本系统再一次进行验证，实验结果为表3中的第11-14组数据。从数据中可以看到，经过融合处理，系统最终都能得出正确的火灾辨识结果，做出正确的报警响应，因此，可以认定本融合系统设计是正确的，其辨识的结果是可以信赖的。

(3)典型干扰仿真实验及数据分析

从典型干扰曲线中随机选取10组数据，归一化后分别送入神经网络特征器和模糊逻辑特征器，分别得到火灾概率P1及P2，若P1、P2均<0.5，则系统认定无火灾，不报警，返回继续监控；若P1、P2的结果有矛盾(即一个>0.5而另一个<0.5)而使系统无法做出正确的判断，则进入决策层进行决策并做出最后的火情判断。实验数据如表4所示。

首先将10组数据进行归一化处理，将归一化后的数据送入特征层的神经网络特征器和模糊逻辑特征器进行特征层融合，分别得到火灾概率P1和P2。观察数据发现10组中9组数据得到的P1、P2均<0.5，此时系统能够得出火情判断，认定无火灾，则返回继续监控。

而第3组数据出现了矛盾，特征层得到的P1＝0.037而P2＝0.668，即P1>0.5而P2<0.5；此时系统无法做出正确的火情判断，则将该P1、P2以及火灾信号持续时间T送入决策层进行决策层融合，与实验(2)同样的道理，将T设置为0.5进行考察。可以看到决策层融合后，其最终的火灾概率P＝0.48，则系统认为无火灾，返回监控；另外，为了检验决策层融合的准确性，又考察了火灾信号持续时间T在其整个论域上变化时的决策层输出，数据显示，无论T怎么选取，第3组在特征层判断矛盾的数据经过决策层的融合后，输出范围为0.415～0.48，即总是小于0.5，即系统必然认定无火灾，返回监控。

观察实验数据可知：典型干扰的确对火灾的识别有一定的干扰因素，使得特征层的模糊逻辑特征器判断失误，但在决策层上的最终判断结果是正确的，这也从另一个角度说明本火灾检测系统具有一定的抗干扰能力，其能够有效避免干扰信号对火灾正确辨识的影响。

为了进一步验证系统的正确性，又随机选取了3组典型干扰数据对系统再一次进行验证，实验结果为表4中的第11-13组数据。从数据上看，这3组数据有2组在特征层即可完成本次火灾的判断，1组需进入决策层做最终判断。无论怎样，3组数据的火灾最终辨识都是正确的，系统并未受到干扰因素的影响，系统的判断是正确的，其辨识结果是值得信赖的。

表4 典型干扰实验数据

Claims

1.一种基于数据融合的电气火灾报警系统，包括信息层、特征层和决策层，其特征在于，还包括电弧检测装置，当电弧检测装置检测到电弧信号时，将检测到的电弧信号经过信号预处理装置、信号传输装置之后分别输送给预警系统实现系统的预警，同时启动特征层对传感器采集的火灾特征信号进行融合处理，当没有电弧产生时，特征层实时采集信息层的数据进行电气火灾的监控；信息层由烟雾传感器、温度传感器、CO气体浓度传感器和每个传感器连接的信号预处理器构成，特征层由神经网络特征器和模糊逻辑特征器并联的方式构成，每个传感器将检测到的火灾特征信号经信号预处理器处理后分别传输给神经网络特征器和模糊逻辑特征特征器进行火灾概率判断，分别输出火灾概率P1和P2，当P1和P2都大于0.5时，信号不进入信息层，直接输出报警信号，当P1与P2都小于0.5时，认为没有发生火灾，信号不进入决策层，当P1和P2其中一个大于或等于0.5另一个小于或等于0.5时，则将火灾概率P1和P2送入决策层进行最后的火灾辨识。

2.根据权利要求1所述的基于数据融合的电气火灾报警系统，其特征在于，所述信息层采用变化率检测法，即：设被检测信号经离散化采样后，信号的原始序列为X(n)，如果Y_n>Y_固定阀值，则a_i＝0；本系统中i＝1,2,3分别代表温度、烟雾和CO浓度传感器得到的数据，按照以上方法依次对温度、烟雾和CO浓度传感器得到的数据进行处理后：A＝a₁∪a₂∪a₃，当A＝1时，则表示多传感器采集的多位数据中有一个或多个数据发生了非平稳的变化，此时将该组信息送入特征层进行特征提取，并进行最终的火灾判断。

3.根据权利要求1所述的基于数据融合的电气火灾报警系统，其特征在于，所述神经网络融合器采用多层感知机神经网络。

4.根据权利要求3所述的基于数据融合的电气火灾报警系统，其特征在于，所述多层感知机由输入层、隐含层和输出层组成的前馈网络，每一层由若干神经元组成，权因子的调整采用反向传播学习算法，神经网络的层数为两层，输入节点为温度、烟雾和CO气体浓度三个信号，输入层为一个节点的火灾概率，该两层神经网络权值矩阵分别为w₁和w₂，中间层阈值矩阵为θ，输入向量为x，期望输出为T，神经网络的计算方法是：设有N个样本，输入层的个数为M，假设用其中的某样本P的输入/输出模式对(X和T)网络进行训练，隐含层的第i个样本P的作用下，其输入为：

{net}_{i}^{P} = Σ_{j = 1}^{M} w_{ij} o_{j}^{P} - θ_{i} = Σ_{j = 1}^{M} w_{ij} x_{j}^{P} - θ_{i}, (i = 1,2, . . ., 7)

{net}_{k}^{P} = Σ_{i = 1}^{q} w_{kj} o_{i}^{P} - θ_{k}, (k = 1)

计算期望值与实际输出误差：

J_{P} = \frac{1}{2} Σ_{k = 1}^{L} {(t_{k}^{P} - o_{k}^{P})}^{2}

δ_{k}^{P} = O_{k}^{P} (1 - O_{k}^{P}) (t_{k}^{P} - o_{k}^{P})

调整隐含层的加权系数

w_{ij} (k + 1) = w_{ij} (k) + η δ_{i}^{P} o_{j}^{P}

5.根据权利要求1所述的基于数据融合的电气火灾报警系统，其特征在于，所述模糊逻辑融合器的设计为：1)以温度输入信号为例进行设计，首先设定温度信号输入的上下限值，最为论域A[0,1]，将输入的精确量转化为模糊量；如果精确量x的实际变化范围为[a,b]，将[a,b]区间的精确量转换为[-n,+m]区间变化的变量y，采用如下公式：

y = \frac{(m + n) (x - \frac{a + b}{2})}{b - a}

u (x) = \{\begin{matrix} \frac{x - a}{b - a} . . . a < x < b \\ \frac{x - c}{b - c} . . . b < x < c \end{matrix}

所有n条规则对应于总的模糊推理关系R：

R = \cup_{i = 1}^{n} R_{i} = \cup_{i = 1}^{n} (A_{i} \times B_{i} \times C_{i} \times D_{i})

6.根据权利要求1所述的基于数据融合的电气火灾报警系统，其特征在于，所述决策层采用模糊逻辑推理来实现火灾信息的决策，为了减少噪声的干扰，引入火灾信号持续时间作为输入变量之一，定义为：

T(n)＝[T(n-1)+1]*u(P_i(x)-T_d)

T(n)＝[T(n-1)-1]*u(T_d-P_d(x))