CN105758450B - 基于多传感器应急机器人的消防预警感知系统构建方法 - Google Patents

Abstract

基于多传感器应急机器人的消防预警感知系统构建方法，将消防应急机器人上安装有火焰传感器、烟雾传感器、温度传感器、CCD图像传感器、气压传感器、GPS定位模块和声光报警模块，各个传感器及模块之间采用无线数据技术传输，由至少一个消防应急机器人共同构成消防应急机器人系统且设置一个总的上位机主控PC中心，通过监控界面进行操作；各个传感器的数据采集和处理，采用粗糙集+支持向量机+D‑S证据理论的算法，实现实时准确上传，使其具有感知性；最终实现多个消防机器人数据分析处理和实时动态显示、曲线绘制；本发明准确率高抗干扰性强。

Description

基于多传感器应急机器人的消防预警感知系统构建方法

技术领域

本发明属于大空间应急消防技术领域，特别涉及基于多传感器应急机器人的消防预警感知系统构建方法，通过在消防机器人身上安装多种消防传感器构成消防机器人的感知系统，消防传感器数据融合提高消防预警的准确性和实时性，应用于无消防设施的较大空间，也可与已有的消防系统进行联网构成消防系统的一个子系统。

背景技术

对于大空间应急消防的难点主要在于其应急性，且范围大，要求高灵敏度、高准确性、低误报率、低漏报率的火灾探测和定位。消防机器人作为特种机器人的一种，在灭火和抢险救援中愈加发挥举足轻重的作用。因此，通过对固定消防炮的技术改造，增加一些相应的功能，升级成了“消防机器人”，来解决大空间消防的问题。但是，固定消防炮没有感知、感觉的智能性，很大程度上不能解决应急消防的需求。目前，消防机器人从感觉功能上可分为视觉消防机器人、嗅觉消防机器人、温感消防机器人、烟感消防机器人和触觉消防机器人等，基本上是单一功能的消防机器人，没有感知能力。

固定消防炮适用于石油化工企业、储罐区、飞机库、仓库、港口码头等场所。将光学火焰探测技术应用于消防炮，可以快速对火灾做出响应，较好的做到火灾的预警。但是单一火灾传感器很难较为准确的预报火灾的发生！因此，人们想到了CCD传感器，将CCD影像进行图像处理，分析特征点的频闪、纹理、增长、色谱、稳定性等特性，以进一步确定火灾的发生。两种传感器的共同使用很大程度上提高了火灾报警的准确性，降低了误报率和漏报率。对大空间应急消防来说，该消防机器人需要固定安装，但是固定消防炮的安装较为复杂，同时该机器人没有对火灾现场的感知能力，不能很好给出较多的环境信息。这些环境信息对优化消防调度，尽可能扑灭火灾，挽救生命和财产安全有着很重要的作用。

分析火灾的发生过程，可以发现火灾发生过程中，周围环境会发生较大的变化，比如环境温度、空间的气压、空间的烟雾以及火焰的形成等。这些变化，我们人完全可以感知，可以定位，可以知道火焰的大小等。对于单一功能的消防机器人显然很难做到对火灾的全面信息的收集和分析。

发明内容

为了克服上述现有技术的缺陷，本发明的目的在于提供一种基于多传感器应急机器人的消防预警感知系统构建方法，构建的系统主要针对大空间应急消防设计，将火焰传感器、CCD图像传感器、烟雾传感器、GPS、气压传感器和温度传感器综合应用于其中，利用智能算法实现消防机器人的感知功能，完成感知系统的构建，能较多的收集现场信息，利用GPS确定消防机器人的位置信息。

为了达到上述目的，本发明的技术方案为：

基于多传感器应急机器人的消防预警感知系统构建方法，包括以下步骤：

步骤一、首先将消防应急机器人的本体采用四轮结构，前轮控制行进方向、后轮提供行进动力，均由直流电动机提供，消防应急机器人上还安装有火焰传感器、烟雾传感器、温度传感器、CCD图像传感器、气压传感器、GPS定位模块和声光报警模块，各个传感器及模块之间采用无线数据技术传输，由至少一个消防应急机器人共同构成消防应急机器人系统且设置一个总的上位机主控PC中心，通过监控界面进行操作；

步骤二、在消防应急机器人系统中，利用GPS定位模块，完成消防应急机器人的位置确定；利用火焰传感器、烟雾传感器、温度传感器、CCD图像传感器探测火灾和定位；各个传感器的数据采集和处理，采用粗糙集+支持向量机+D-S证据理论的算法，实现实时准确上传，使其具有感知性；

步骤三、上位计算机上人机交互界面的实现，在上位计算机上，通过无线网络完成命令的下达和数据的接收，包括控制消防应急机器人的移动，采集数据和声光报警；在上位计算机的人机交互界面中，实现多个消防机器人数据分析处理和实时动态显示、曲线绘制；

步骤三具体包括：

(1)首先在消防应急机器人系统中设置用来采集各个传感器的数据、计算、处理，并与上位计算机进行实时通信；

(2)其次以个人计算机为核心的上位计算机数据处理系统完成数据分析、处理、计算，并将各种数据进行动态实时显示和曲线绘制；在上位计算机上通过设置消防应急机器人的前进后退或者转向，将其放置于消防现场的任何位置，位置确定后即可向上位计算机传送数据信息，同时对消防应急机器人的各个传感器的标定，可以通过无线网络实现，方便了操作，这样有效的保证了系统安装的便捷性提高了自动化程度；多个消防应急机器人同时工作时，利用无线网络传输技术，可以同时向上位计算机发送数据和接受命令利用现在无线网络技术，先进的数据采集方法、综合计算机数据处理技术、自动控制技术、数据库技术及图形图像技术等，实现了大空间应急消防系统的构建；该系统能够动态实时显示各个消防应急机器人上的各个传感器的数据信息，并能绘制成相应的曲线，整个监测过程可以形成历史数据存储，有利于以后进行数据分析和管理。整个系统具有功能强大，结构紧凑，运行可靠，人机界面简单直观，使用及维护简单方便，高精度与高效率，自动化与智能化等特点，对大空间应急消防和人身财物的安全有着重要作用。

所述的粗糙集+支持向量机+D-S证据理论的算法，先进行传感器配准和利用改进的卡尔曼滤波完成数据滤波，利用粗糙集+支持向量机的算法对数据进行分类，利用支持向量机分类结果作为独立证据进行D-S证据理论决策，具体如下：

(1)传感器配准

多个传感器在测量过程中，对多传感器的初始数据进行处理，也就是传感器的配准，选用的传感器的采样周期不同，分别进行时间配准和空间配准，在时间配准上采用了最小二乘规则配准方法，将各个传感器上传的不同步的数据同步到一个基准时间下；空间配准分为消防机器人平台内的配准和系统级配准，平台内各个传感器安装距离通常比较近，忽略各自偏差，等同于各个传感器的各个坐标系具有同一个原点，即空间配准变为了不同坐标系旋转到同一坐标系中；平台间通常有一定的距离，空间配准主要是将单平台融合得到的空间坐标系通过坐标变换融合到相应的坐标系，使得各个平台在系统中有相应的位置坐标。由时间和空间配准后，得到数据(T_i,S_i,ID_i,C_i)的数据组，其中T_i表示时间信息，S_i表示空间信息，ID_i表示机器人识别信息，C_i表示机器人ID_i的数据信息，C_i,j表示相应传感器采集数据，其中i＝1,2,3。定义C_i,1表示温度传感器数据信息，C_i,2表示火焰传感器数据信息，C_i,3表示烟雾传感器数据信息，C_i,4表示为CCD图像传感器数据信息，C_i,5表示为气压传感器数据信息，C_i,6表示为GPS传感器数据信息；

(2)卡尔曼滤波

对各个传感器采集的数据进行滤波，利用测量值方差信息，当前值等于前一时刻值加上调节系数乘以卡尔曼增益乘以测量值与前一时刻值的差，卡尔曼增益调节系数是利用在实验室中记录的各个传感器在明火和阴火发生过程中各个传感器当前测量值平方与前一时刻测量值的平方差的变化率建立模糊规则，形成相应的卡尔曼增益调节系数，通过实时修改卡尔曼增益，去除数据中的粗大值，进而调节滤波值，使其接近真实值；具体方法是在卡尔曼增益前增加调节系数，即X(k)＝X(k-1)+KuKg(k)(Z(k)-X(k-1))，Ku为其调节系数；该调节系数是利用在实验室中记录的各个传感器在明火和阴火发生过程中各个传感器当前测量值平方与前一时刻测量值的平方差的变化率建立模糊规则，形成相应的卡尔曼增益调节系数；

(3)应用粗糙集理论对数据样本进行预处理，构造支持向量集

将各个消防应急机器人的温度、烟雾、火焰、气压和GPS等传感器采集到的数据(T_i,S_i,ID_i,C_i)经过滤波后定义为非空集合U，任何子集称为U的一个概念；给出U的划分η的定义，η＝{X₁,X₂,...X_n}，X_I≠φ(φ表示空集)，对于i≠j，j＝1,2,...,n，则各个传感器的论域可以表达为U＝{x₁,x₂,...,x_n}，根据某一属性可以描述每个机器人的感知状态。设R是U上的一个等价关系，U/R表示R的所有等价类构成的集合，则分别用U/R_i表示其等价类。在保证决策表中条件属性与决策属性依赖关系不变的情况下删除冗余的属性，得到最佳约简；从简化后的数据样本中选取训练样本和测试样本，选取支持向量机的核函数，进行支持向量机参数优化，构建支持向量机，然后用测试样本检验建立的支持向量机，在实时消防检测过程中，由于使用的消防应急机器人数量不同，也有可能有的消防应急机器人出现故障，对消防应急机器人的采集数据进行等时间间隔的按照以上粗糙集约简方法进行循环数据约简和支持向量机的预测，以确保系统的准确度和减少漏报；

(4)根据支持向量机分类结果，运用D-S证据理论进行决策

根据阴火和明火中火焰、烟雾、温度和CCD图像的特征进行分类并对其数据进行归一化处理，然后用构建的支持向量机进行预测，但是支持向量机输出值的范围为{-1,1}，因此采用sigmoid函数把支持向量机输出映射到{0,1}上，构造证据体的基本概率分配；在支持向量机完成样本集的学习后，计算构造出的后验概率，然后利用支持向量机对每个样本进行测试，得到每个样本的识别准确率，则证据体的基本概率分配为后验概率与识别准确率的乘积，即该证据体的信度，判断规则为最大信度的类为目标类，但同时必须满足目标类与其他类信度差必须大于给定门限值，目标类的信度必须大于不确定性信度的指派值，不确定性信度指派小于给定门限值；这里的判决门限是根据多次试验得到的，最后进行支持向量机+D-S证据理论的融合决策，判断是否有火灾。

本发明基于粗糙集+支持向量机+D-S证据理论的算法，将粗糙集理论中的属性约束引入到支持向量机中，把粗糙集作为支持向量机的预处理器，应用支持向量机和D-S证据理论相结合的方法进行火灾识别，根据火焰、烟雾、温度、CCD图像传感器的数据信息，提取火灾发生时的特征，包括温度、烟雾、亮度的变化，火焰的颜色、形状和纹理等，分别以其特征的支持向量机分类结果作为独立证据构造基本概率指派，利用D-S证据组合规则进行决策，给出最终结果，具有以下明显优点：

(1)首先多传感器在消防机器人上的使用，使其具有感知能力，能够感知消防现场的火焰、烟雾、温度、气压等信息，对于火灾的探测和定位的准确性和漏报率都有所改善；

(2)将多个传感器采集的数据进行数据处理，采用了粗糙集+支持向量机+D-S证据理论的智能算法，提高了数据处理能力和机器人的感知智能性；

(3)大空间消防应急机器人使用两电动机驱动，一电动机控制行进方向，另一电动机提供行进动力，使用无线网络向上位计算机传输数据和接受命令，使用方便，无需布线安装等；

(4)使用非接触式温度传感器、气压传感器、烟雾传感器、火焰传感器均为独自进行数据采集的模块，它们与消防应急机器人控制中心的通信采用无线数传的方式进行，方便安装和调试；

(5)使用GPS明确消防机器人的绝对位置，对于火灾的探测和人员的逃离都有指导作用；

(6)上位计算机实时监控消防应急机器人的多个传感器的数据，并可以绘制成实时曲线，同时在上位计算机上具有和消防机器人同步的声光报警功能；

(7)两个或者两个以上的消防应急机器人协同工作时，它们可以自动组成无线网络，协同工作；

(8)在消防应急机器人确定火灾发生后，产生声光报警信号的同时自动规划灭火路线，进行灭火；

(9)该系统具有较强的鲁棒性，即当多个消防应急机器人协同工作时，由于火灾等原因其中一个或者几个被损坏，其余的仍可以继续进行火灾探测和定位，在上位计算机会出现被损坏机器人的信息和正在工作机器人的信息。

发明的效果

1)多传感器同时进行数据采集，采用智能算法进行数据处理，使消防应急机器人具有了一定感知能力。

2)非接触烟雾传感器、温度传感器、GPS、气压高度计的使用使消防应急机器人掌握了消防现场环境信息。

3)消防监控界面设计内容丰富，操作方便，各个消防应急机器人的各个传感器数据均可以实时显示，监测数据通过图形或表格的形式直观给出。

4)对于不同的空间进行消防布置灵活方便。

5)一次传输多个传感器数据信息，应用wifi网络传输，速度快，准确。

6)多个消防应急机器人协同工作时，可以得到消防现场多个点的环境信息，火灾发生时，可以更全面了解现场信息。

7)反应速度快：采用高速无线网络和新型传感器，使消防应急机器人的反应速度加快，这极大的提高了现场消防的安全性。

8)准确度高：采用先进的智能数据处理方法，进行了多数据融合，降低了火灾的漏报率和误报率。

9)在上位计算机上可采用不同的命名方式对采集数据进行记录储存，存储格式与常用文档格式兼容，回放调用处理方便，便于后续分析比较，数据可以多种方式输出。

10)鲁棒性：具有消防应急机器人工作状态进行监视的功能。

11)抗干扰性强：各个传感器采集模块均有相应的抗干扰措施，保证了数据的真实性。

12)稳定性：采用电源电压稳定度高，温升低，热损耗小，热稳定性好。在使用时间内，仪器零点漂移和跨度漂移小。

13)可靠性：该系统电路结构合理，采用质量高的元器件，并进行严格筛选，另外还配有过流.短路保护和急停开关。

附图说明

图1是本发明系统结构图。

图2是本发明控制电路框图。

图3是实施例中消防监控界面显示图。

图4是大空间应急消防监控过程图。

具体实施方式

下面结合附图对本发明做详细叙述。

基于多传感器应急机器人的消防预警感知系统构建方法，包括以下步骤：

步骤一、首先将消防应急机器人的本体移动采用四轮结构，前轮控制行进方向、后轮提供行进动力，均由直流电动机提供，消防应急机器人上还安装有火焰传感器、烟雾传感器、温度传感器、CCD图像传感器、气压传感器、GPS定位模块和声光报警模块，各个传感器及模块之间采用无线数据技术传输，参照图1，由至少一个消防应急机器人共同构成消防应急机器人系统且设置一个总的上位机主控PC中心，通过监控界面进行操作；

步骤二、参照图2，在消防应急机器人系统中，利用GPS定位模块，完成消防应急机器人的位置确定；利用火焰传感器、烟雾传感器、温度传感器、CCD图像传感器探测火灾和定位；各个传感器的数据采集和处理，采用粗糙集+支持向量机+D-S证据理论的算法，实现实时准确上传，使其具有感知性；

步骤三、上位计算机上人机交互界面的实现，在上位计算机上，通过无线网络完成命令的下达和数据的接收，包括控制消防应急机器人的移动，采集数据和声光报警；在上位计算机的人机交互界面中，实现多个消防机器人数据分析处理和实时动态显示、曲线绘制；

步骤三具体为：

(1)首先在消防应急机器人系统中设置用来采集各个传感器的数据、计算、处理，并与上位计算机进行实时通信；

(2)其次以个人计算机为核心的上位计算机数据处理系统完成数据分析、处理、计算，并将各种数据进行动态实时显示和曲线绘制，参照图3。

在上位计算机上通过设置消防应急机器人的前进后退或者转向，将其放置于消防现场的任何位置，位置确定后即可向上位计算机传送数据信息，同时对消防应急机器人的各个传感器的标定，可以通过无线网络实现，方便了操作，这样有效的保证了系统安装的便捷性提高了自动化程度。多个消防应急机器人同时工作时，利用无线网络传输技术，可以同时向上位计算机发送数据和接受命令。利用现在无线网络技术，先进的数据采集方法、综合计算机数据处理技术、自动控制技术、数据库技术及图形图像技术等，实现了大空间应急消防系统的构建。该系统能够动态实时显示各个消防应急机器人上的各个传感器的数据信息，并能绘制成相应的曲线，整个监测过程可以形成历史数据存储，有利于以后进行数据分析和管理。整个系统具有功能强大，结构紧凑，运行可靠，人机界面简单直观，使用及维护简单方便，高精度与高效率，自动化与智能化等特点，对大空间应急消防和人身财物的安全有着重要作用。

所述的粗糙集+支持向量机+D-S证据理论的算法，先进行传感器配准和利用改进的卡尔曼滤波完成数据滤波，利用粗糙集+支持向量机的算法对数据进行分类，利用支持向量机分类结果作为独立证据进行D-S证据理论决策，具体如下：

(1)传感器配准

多个传感器在测量过程中，为保证精度和发挥多传感器的优越性，需要对多传感器的初始数据进行处理，也就是传感器的配准，选用的传感器的采样周期不同，分别进行时间配准和空间配准，由时间和空间配准后，得到数据(T_i,S_i,ID_i,C_i)的数据组，其中T_i表示时间信息，S_i表示空间信息，ID_i表示机器人识别信息，C_i表示机器人ID_i的数据信息，C_i,j表示相应传感器采集数据，其中i＝1,2,3。定义C_i,1表示温度传感器数据信息，C_i,2表示火焰传感器数据信息，C_i,3表示烟雾传感器数据信息，C_i,4表示为CCD图像传感器数据信息，C_i,5表示为气压传感器数据信息，C_i,6表示为GPS传感器数据信息；在时间配准上采用了最小二乘规则配准方法，将各个传感器上传的不同步的数据同步到一个基准时间下；空间配准分为消防机器人平台内的配准和系统级配准，平台内各个传感器安装距离通常比较近，忽略各自偏差，等同于各个传感器的各个坐标系具有同一个原点，即空间配准变为了不同坐标系旋转到同一坐标系中；平台间通常有一定的距离，空间配准主要是将单平台融合得到的空间坐标系通过坐标变换融合到相应的坐标系，使得各个平台在系统中有相应的位置坐标。

(2)卡尔曼滤波

对各个传感器采集的数据进行滤波，采用改进的卡尔曼滤波方法进行。经典的卡尔曼滤波为X(k)＝X(k-1)+Kg(k)(Z(k)-X(k-1))，X(k)表示当前值，X(k-1)表示前一时刻值，Kg(k)为卡尔曼增益，Z(k)表示测量值；卡尔曼滤波的结果与状态噪声和观测噪声的统计特性密切相关，在滤波过程中，如果状态噪声和观测噪声的协方差矩阵估计的不够准确，那就容易产生误差累计，导致滤波器发散，本发明通过实时修改卡尔曼增益，去除数据中的粗大值，进而调节滤波值，使其接近真实值；具体方法是在卡尔曼增益前增加调节系数，即X(k)＝X(k-1)+KuKg(k)(Z(k)-X(k-1))，Ku为其调节系数。该调节系数是利用在实验室中记录的各个传感器在明火和阴火发生过程中各个传感器当前测量值平方与前一时刻测量值的平方差的变化率建立模糊规则，形成相应的卡尔曼增益调节系数。因此利用测量值方差信息，当前值等于前一时刻值加上调节系数乘以卡尔曼增益乘以测量值与前一时刻值的差，卡尔曼增益调节系数是利用在实验室中记录的各个传感器在明火和阴火发生过程中各个传感器当前测量值平方与前一时刻测量值的平方差的变化率建立模糊规则，形成相应的卡尔曼增益调节系数，应用模糊理论进行推理，实时改变测量方差值，使其理论值和实际值更加相接近，从而提高滤波器的稳定性和准确性。

(3)应用粗糙集理论对数据样本进行预处理，构造支持向量机

应用粗糙集利用进行数据分析不需要任何先验知识，利用数据自身的信息，能够在保留关键信息的前提下对数据属性进行约简。支持向量机算法适合小样本的机器学习，泛化能力强，但是对数据的冗余不能很好确定。利用粗糙集理论对数据进行预处理，然后送入支持向量机中处理；两个算法的结合，取长补短，利用粗糙集理论减少了数据信息表达的属性量和火灾诊断的规则数，是支持向量机输入端数据量减小，提高了系统的处理速度；支持向量机模型的核函数选用径向基函数，惩罚参数和核参数利用交叉验证的方法确定。

将各个消防应急机器人的温度、烟雾、火焰、气压和GPS等传感器采集到的数据(T_i,S_i,ID_i,C_i)经过滤波后定义为非空集合U，任何子集称为U的一个概念。给出U的划分η的定义，η＝{X₁,X₂,...X_n}，X_I≠φ(φ表示空集)，对于i≠j，j＝1,2,...,n，则各个传感器的论域可以表达为U＝{x₁,x₂,...,x_n}，根据某一属性可以描述每个机器人的感知状态。设R是U上的一个等价关系，U/R表示R的所有等价类构成的集合，则分别用U/R_i表示其等价类。根据样本数据信息进行区间离散化，建立决策表，找出所有属性不可分辨关系的等价类，在保证决策表中条件属性与决策属性依赖关系不变的情况下删除冗余的属性，得到最佳约简。

将各个消防应急机器人的温度、烟雾、火焰、气压和GPS等传感器采集到的数据作为数据样本，其中如果有数据缺失则补全缺失数据信息，通常对缺失信息用专用符号代替，使所有样本数据具有属性；根据样本数据信息进行区间离散化，建立决策表，找出所有属性不可分辨关系的等价类，在保证决策表中条件属性与决策属性依赖关系不变的情况下删除冗余的属性，得到最佳约简。从简化后的数据样本中选取训练样本和测试样本，选取支持向量机的核函数，进行支持向量机参数优化，构建支持向量机，然后用测试样本检验建立的支持向量机，在实时消防检测过程中，由于使用的消防应急机器人数量不同，也有可能有的消防应急机器人出现故障，对消防应急机器人的采集数据进行等时间间隔的按照以上粗糙集约简方法进行循环数据约简和支持向量机的预测，以确保系统的准确度和减少漏报。

(4)根据支持向量机分类结果，运用D-S证据理论进行决策

根据阴火和明火中火焰、烟雾、温度和CCD图像的数据特征变化进行分类并对其数据进行归一化处理，然后用构建的支持向量机进行预测，构造证据体的基本概率分配。在支持向量机完成样本集的学习后，计算构造出的后验概率，然后利用支持向量机对每个样本进行测试，得到每个样本的识别准确率，则证据体的基本概率分配为后验概率与识别准确率的乘积，即该证据体的信度，判断规则为最大信度的类为目标类，但同时必须满足目标类与其他类信度差必须大于给定门限值，目标类的信度必须大于不确定性信度的指派值，不确定性信度指派小于给定门限值。这里的判决门限是根据多次试验得到的，最后进行支持向量机+D-S证据理论的融合决策，判断是否有火灾。从简化后的数据样本中选取训练样本和测试样本，首先对数据样本进行归一化处理，选取支持向量机的核函数，进行支持向量机参数优化，构建支持向量机，进行预测，用测试样本检验建立的支持向量机。但是支持向量机输出值的范围为{-1,1}，因此采用sigmoid函数把支持向量机输出映射到{0,1}上，构造证据体的基本概率分配BPA。在支持向量机完成样本集的学习后，计算构造出的后验概率P_j，然后利用支持向量机对每个样本进行测试，得到每个样本的识别准确率r_j，则证据体的基本概率分配为后验概率与识别准确率的乘积，也就是BPA函数为m_j(A)＝P_jr_j，即该证据体的信度。其他证据联合作用的信度可以用各个信度进行正交得到，即判断规则为最大信度的类为目标类，但同时必须满足目标类与其他类信度差必须大于给定门限值，目标类的信度必须大于不确定性信度的指派值，不确定性信度指派小于给定门限值。这里的判决门限是根据多次试验得到的。

在实时消防检测过程中，由于使用的消防应急机器人数量不同，也有可能有的消防应急机器人出现故障，对消防应急机器人的采集数据进行等时间间隔的按照以上粗糙集约简方法进行循环数据约简和支持向量机的预测，在预测结果符合要求后再进行DS证据理论决策，这样确保系统的准确度和减少漏报。

实施例一

参见图1～4依照本发明的技术方案，本实施例的技术路线是：整个系统结构组成如图1所示，在现有消防机器人的基础上，设计多传感器融合的大空间消防应急机器人，每个机器人个体都可以独自工作，2个以上机器人可以组成无线网络，相互协调。每个大空间消防应急机器人都可以向上位计算机传输数据和报警信息，根据火灾发生和发展的初期，综合利用多个传感器，利用支持向量机算法分析处理数据，有效的发现可能出现的火灾。消防应急机器人的微型处理器与上位计算机构成整个系统，该系统由硬件和软件两部分组成。

硬件系统包括有控制电路板以及火焰、CCD图像、GPS、气压和温度传感器，电动机，辅助电源控制装置组成。系统32位ARM处理技术和无线网络技术，进行信号处理及与火灾报警主机器通讯，保证系统可靠性工作。通过采样电路采集火焰、温度、压力、GPS信号、电动机运转信号，ARM输出的控制信号给驱动电路控制电动机动作和声光报警开关，完成与上位计算机的数据通信。系统的电源由主电源经过普通AC/DC开关电源来提供，同时提供各传感器所需的各种电平。

软件系统包括有消防应急机器人的ARM多传感器数据采集及控制程序和上位计算机监控报警软件组成。ARM多传感器数据采集及控制程序主要完成火焰、CCD、GPS、温度和压力传感器的数据采集和处理和电动机的驱动，以及火灾的探测和定位，并将采集的数据通过无线网络上传到上位计算机。上位计算机监控报警软件主要实现多个消防应急机器人的数据收集及数据处理和实时显示，火灾报警判断，把各个消防应急机器人的多个传感器的真实值在监控界面上实时显示，完成火灾早期判断和报警功能。

本发明具体工作原理：

根据消防现场的空间大小选定需要使用的消防应急机器人数量，规划其位置，确保无消防死角。打开消防应急机器人电源开关，各个传感器通电后进行初始化，同时可以通过无线网络向上位计算机进行数据传输。消防应急机器人的四轮驱动机械结构和无线网数据传输使其安装和使用方便灵活。

火焰、烟雾、温度、气压、GPS和CCD传感器的使用，通过粗糙集+支持向量机+D-S证据理论进行数据处理，探测和定位火灾。支持向量机是统计学习理论中实用的新型机器学习算法，其优点为分类能力强、模型简单、操作方便。将消防应急机器人的多个传感器数据作为样本数据进行记录，并进行滤波和应用粗糙集理论预处理，然后进行数据的归一化，构造支持向量机训练样本，进行支持向量机分类，将分类结果送入D-S证据理论规则中，进行决策。

多个传感器的数据以及电动机的驱动信号，声光报警开关信号经消防应急机器人控制板采集处理后通过无线网络向上位计算机传送，经过上位计算机处理后完成火灾的探测和定位，声光报警，数据显示，曲线显示、历史数据查询分析等功能。

在上位计算机开发监控软件，软件界面有控制按钮区，通过无线网向消防应急机器人发送控制命令，消防应急机器人得到上位机发送的控制命令后经过接口电路控制驱动电动机和多个传感器进行数据采集，这些动作仅需鼠标在上位计算机监控界面上点击便可完成。

大空间消防应急监控界面如图3所示。

一次完整的大空间应急消防监控过程如图4所示。

Claims (2)

1.基于多传感器应急机器人的消防预警感知系统构建方法，其特征在于，包括以下步骤：

步骤一、首先将消防应急机器人的本体采用四轮结构，前轮控制行进方向、后轮提供行进动力，均由直流电动机提供，消防应急机器人上还安装有火焰传感器、烟雾传感器、温度传感器、CCD图像传感器、气压传感器、GPS定位模块和声光报警模块，各个传感器及模块之间采用无线数据技术传输，由至少一个消防应急机器人共同构成消防应急机器人系统且设置一个总的上位机主控PC中心，通过监控界面进行操作；

步骤二、在消防应急机器人系统中，利用GPS定位模块，完成消防应急机器人的位置确定；利用火焰传感器、烟雾传感器、温度传感器、CCD图像传感器探测火灾和定位；各个传感器的数据采集和处理，采用粗糙集+支持向量机+D-S证据理论的算法，实现实时准确上传，使其具有感知性；

步骤三、上位计算机上人机交互界面的实现，在上位计算机上，通过无线网络完成命令的下达和数据的接收，包括控制消防应急机器人的移动，采集数据和声光报警；在上位计算机的人机交互界面中，实现多个消防机器人数据分析处理和实时动态显示、曲线绘制；

所述的步骤三具体包括：

(1)首先在消防应急机器人系统中设置用来采集各个传感器的数据、计算、处理，并与上位计算机进行实时通信；

(2)其次以个人计算机为核心的上位计算机数据处理系统完成数据分析、处理、计算，并将各种数据进行动态实时显示和曲线绘制；在上位计算机上通过设置消防应急机器人的前进后退或者转向，将其放置于消防现场的任何位置，位置确定后即可向上位计算机传送数据信息，同时对消防应急机器人的各个传感器的标定，可以通过无线网络实现，操作方便；多个消防应急机器人同时工作时，利用无线网络传输技术，可以同时向上位计算机发送数据和接受命令；利用现有无线网络技术、数据采集方法、综合计算机数据处理技术、自动控制技术、数据库技术及图形图像技术，实现了大空间应急消防系统的构建；该系统动态实时显示各个消防应急机器人上的各个传感器的数据信息，并绘制成相应的曲线，整个监测过程可以形成历史数据存储和回放，便于数据分析和处理。

2.根据权利要求1所述的基于多传感器应急机器人的消防预警感知系统构建方法，其特征在于，所述的粗糙集+支持向量机+D-S证据理论的算法，先进行传感器配准和利用改进的卡尔曼滤波完成数据滤波，利用粗糙集+支持向量机的算法对数据进行分类，利用支持向量机分类结果作为独立证据进行D-S证据理论决策，具体如下：

(1)传感器配准

多个传感器在测量过程中，对多传感器的初始数据进行处理，也就是传感器的配准，选用的传感器的采样周期不同，分别进行时间配准和空间配准，在时间配准上采用了最小二乘规则配准方法，将各个传感器上传的不同步的数据同步到一个基准时间下；空间配准分为消防机器人平台内的配准和系统级配准，平台内各个传感器安装距离通常比较近，忽略各自偏差，等同于各个传感器的各个坐标系具有同一个原点，即空间配准变为了不同坐标系旋转到同一坐标系中；平台间通常有一定的距离，空间配准主要是将单平台融合得到的空间坐标系通过坐标变换融合到相应的坐标系，使得各个平台在系统中有相应的位置坐标；由时间和空间配准后，得到数据(T_i,S_i,ID_i,C_i)的数据组，其中T_i表示时间信息，S_i表示空间信息，ID_i表示机器人识别信息，C_i表示机器人ID_i的数据信息，C_i,j表示相应传感器采集数据，其中i＝1,2,3；定义C_i,1表示温度传感器数据信息，C_i,2表示火焰传感器数据信息，C_i,3表示烟雾传感器数据信息，C_i,4表示为CCD图像传感器数据信息，C_i,5表示为气压传感器数据信息，C_i,6表示为GPS传感器数据信息；

(2)卡尔曼滤波

对各个传感器采集的数据进行滤波，利用测量值方差信息，当前值等于前一时刻值加上调节系数乘以卡尔曼增益乘以测量值与前一时刻值的差，卡尔曼增益调节系数是利用在实验室中记录的各个传感器在明火和阴火发生过程中各个传感器当前测量值平方与前一时刻测量值的平方差的变化率建立模糊规则，形成相应的卡尔曼增益调节系数，通过实时修改卡尔曼增益，去除数据中的粗大值，进而调节滤波值，使其接近真实值；具体方法是在卡尔曼增益前增加调节系数，即X(k)＝X(k-1)+KuKg(k)(Z(k)-X(k-1))，Ku为其调节系数；该调节系数是利用在实验室中记录的各个传感器在明火和阴火发生过程中各个传感器当前测量值平方与前一时刻测量值的平方差的变化率建立模糊规则，形成相应的卡尔曼增益调节系数；

(3)应用粗糙集理论对数据样本进行预处理，构造支持向量机

将各个消防应急机器人的温度、烟雾、火焰、气压和GPS传感器采集到的数据(T_i,S_i,ID_i,C_i)经过滤波后定义为非空集合U，任何子集称为U的一个概念；给出U的划分η的定义，η＝{X₁,X₂,...X_n}，X_I≠φ(φ表示空集)，对于i≠j，j＝1,2,...,n，则各个传感器的论域可以表达为U＝{x₁,x₂,...,x_n}，根据某一属性可以描述每个机器人的感知状态；设R是U上的一个等价关系，U/R表示R的所有等价类构成的集合，则分别用U/R_i表示其等价类；在保证决策表中条件属性与决策属性依赖关系不变的情况下删除冗余的属性，得到最佳约简；从简化后的数据样本中选取训练样本和测试样本，选取支持向量机的核函数，进行支持向量机参数优化，构建支持向量机，然后用测试样本检验建立的支持向量机，在实时消防检测过程中，由于使用的消防应急机器人数量不同，也有可能有的消防应急机器人出现故障，对消防应急机器人的采集数据进行等时间间隔的按照以上粗糙集约简方法进行循环数据约简和支持向量机的预测，以确保系统的准确度和减少漏报；

(4)根据支持向量机分类结果，运用D-S证据理论进行决策

根据阴火和明火中火焰、烟雾、温度和CCD图像的数据特征进行分类并对其数据进行归一化处理，然后用构建的支持向量机进行预测，利用sigmoid函数把支持向量机输出值由{-1,1}映射到{0,1}上，构造证据体的基本概率分配；在支持向量机完成样本集的学习后，计算构造出的后验概率，然后利用支持向量机对每个样本进行测试，得到每个样本的识别准确率，则证据体的基本概率分配为后验概率与识别准确率的乘积，即该证据体的信度；判断规则为最大信度的类为目标类，但同时必须满足目标类与其他类信度差必须大于给定门限值，目标类的信度必须大于不确定性信度的指派值，不确定性信度指派小于给定门限值；这里的判决门限是根据多次试验得到的，最后进行支持向量机+D-S证据理论的融合决策，判断是否有火灾。