CN106355812A - 基于温度场的火灾隐患预测方法 - Google Patents

Abstract

本发明公开了一种基于温度场的火灾隐患预测方法，首先，利用MLX90614传感器构成3*3点阵的远程红外温度检测探头，实现点阵式温度远程测量；其次将点阵式温度探头置于水平、垂直的二维旋转平台上，能够对检测区域进行360度不间断的24小时扫描，获得检测区域的温度场数据，通过激光测距、布谷鸟LS‑SVM回归算法，进行温度实时校正，并通过以太网传送至服务器，生成温度场图像数据；最后针对检测区域的温度分布变化，将检测区域分割成若干子温度场，利用基于时间序列的LS‑SVM回归算法，对下一时刻温度进行预测，将各坐标的历史温度与预测温度，作为输入样本，采用LS‑SVM分类算法对子温度场进行火灾隐患识别，从而实现对被检测区域的火灾隐患的检测和预防。

Description

基于温度场的火灾隐患预测方法

技术领域

本发明涉及火灾的预测与预防领域，尤其涉及一种将被测区域温度场分割为若干个子温度场，从根据温度趋势及温度场的座标与温度分布情况预测火灾隐患的一种方法。

背景技术

火灾检测一直是消防安全的一项重要内容，尤其在重要的工业领域与安全生产领域尤为重要。近些年来我国发生了几起非常严重的火灾，造成了极为严重的不必要损失，究其原因之根本没有提前预测到火灾隐患的发生，导致火灾蔓延，无法及时扑救，从而造成了无法估量的社会财产损失，甚至大量人员的伤亡，因此火灾隐患预测与预防就显得格外重要，能够将隐患与事故消灭在萌芽中。

目前我国市面上较常用的火灾检测装置主要是火灾发生后的检测设备，包括烟雾传感器、温度传感器等，这类传感器虽然价格便宜，但只能检测到火灾的发生，而无法提前预测火灾是否发生，且这类传感器的检测范围有限。基于摄像头的图像处理技术，可以进行火灾的检测判断，检测范围广，但只局限于火灾形成的图像特征，如火焰、烟雾等，且稳定性一般，不具备提前预测技术。热成像技术可以用于火灾的预测预报，但也需要算法的支持，同时其价格昂贵，使用环境要求较高，不适合普遍推广。因此，一种不但能够提前预测火灾，且检测范围广、成本低、环境适应性强的火灾预测技术显得极为必要。

根据火灾预测的技术要求，本发明采用高物距比的红外温度检测传感器构成点阵式温度检测探头，同时利用二维旋转机构实现对检测区域的扫描覆盖，通过激光测距检测被测目标与温度检测探头的距离，将布谷鸟算法与LS-SVM结合，对温度检测结果进行校正，同时利用图像分割技术对检测区域的温度场进行分割，分割成若干子温度场，并对子温度场的温度趋势进行预测，并根据温度的点阵座标与温度值利用LS-SVM分类算法，对子温度场的火灾隐患是否存在进行识别，从而达到提前对火灾隐患的预测，该方法不但能对火灾提前预测，同时还具有成本低，适应性强，检测范围广的特点。

发明内容

本发明的目的在于提供一种火灾隐患预测方法与检测手段，不但能够提前对火灾是否会发生进行预判，而且具有成本低，适应性强、检测范围广的特点，为了达到上述要求，本发明的研究解决方案是：

一种基于温度场的火灾隐患预测方法，包括以下步骤(1)～(5)：

(1)采用9个物距比为1:12的红外温度检测传感器MLX90614，构成3*3温度的温度检测探头，并借助于由两个步进电机构成的二维旋转平台，实现被检测区域的360度水平与垂直扫描。

(2)MLX90614检测温度与被测目标的距离相关，因此利用激光测距模块对被测目标进行测距，并以距离参数、被测目标的介质系数、检测温度作为输入，以实际温度作为输出，利用基于布谷鸟算法的LS-SVM进行温度校正进行建模，并根据建立的温度校正模型，实时对MLX90614的检测温度进行校正，提高温度检测精度。

(3)将被检测区域的温度场数据通过以太网上传至服务器，根据温度场中点阵温度的座标与温度数据生成二维温度场图像。由于着火的特征必须要有着火点，在检测区域中由于存在各类设备或目标，会形成不同的温度区域，因此利用边缘图像分割算法对整个温度场图像进行分割，生成若干个子温度场。

(4)对子温度场中各坐标的时间序列温度数据进行相空间重构，获得新的数据样本，并利用基于时间序列的LS-SVM算法，对子温度场的各坐标温度趋势进行预测，生成未来时刻的温度场数据。

(5)每个子温度场都可能是一个着火点，因此必须对所有的子温度场进行火灾隐患判识。根据火灾发生的温度与座标特征，利用LS-SVM分类算法建立火灾隐患的坐标与温度模型，以子温度场座标与温度作为样本输入，代入由LS-SVM分类算法构建的火灾预测模型进行模式识别，最终得到模型的输出，来判断是否会发生火灾。

附图说明

图1是温度场检测系统结构框图；

图2是温度场数据采集流程图；

图3是基于温度场的火灾预测算法流程；

具体实施方式

下面结合附图对本发明的技术方案进行详细说明。

如图1所示，温度场的数据采集方案原理为：

根据图1基于温度场的火灾隐患预测方法的结构图可知，将9块MLX90614温度检测芯片组合排列构成一个3*3的方阵实现对面的温度扫描，由于扫描距离并不相等，故而再增设激光测距芯片对不同检测距离采集的温度进行补偿，实现其精准采集数据温度，通过两个步进电机进行二维旋转方向的精确控制，使MLX90614温度检测芯片构成3*3温度场可以水平和垂直两维方向的旋转，达到全方位不间断的扫描设定区域的目的，从而实现整个指定区域空间的温度采集，并上传至服务器。

如图2所示,温度场数据采集原理为：

如图2数据采集方案所示，根据被测量区域的长宽，设置MLX90614的水平与垂直扫描角度，对被测区域进行扫描，采集扫描点的温度与距离数据，由于影响温度测量精度的因素较多，因此需要将将采集的温度数据进行校正，并将采集点的坐标及该坐标对应的校正温度打包上传至服务器，并在服务器生成温度场图像

测量温度的校正原理为：利用MLX90614的测量数据、目标距离、介质系数、实际温度四个参数构建数据样本，其中将MLX90614的测量数据、目标距离、介质系数作为样本的输入、实际温度作为样本的输出，构建数据样本，将布谷鸟算法与模糊LS-SVM算法结合，对MLX90614采集的数据利用基于布谷鸟的LS-SVM算法进行温度数据校正，获得正确的温度场的温度数据，具体步骤为：

设MLX90614的测量数据、目标距离、介质系数、实际温度四个参数1～k时刻的时间序列数据分别为{s_i}为模糊隶属度，样本的输入为 样本的输出为

(1)组织MLX90614的测量数据、目标距离、介质系数、实际温度数据，令模糊隶属度{s_i}全部等于1，以和模糊隶属度作为输入，以作为输出，构成LS-SVM学习训练样本数据集{(X_i，Y_i，S_i)}；

(2)确定核函数的径向基参数σ²和正则化因子γ的取值范围，以及每次训练剪除样本数据的比率为10％；

(3)利用CS搜索算法对核函数参数进行寻优，根据最优鸟巢位置x_b ^(t)所对应的径向基参数σ²和正则化因子γ作为最优参数，对样本数据集进行LS-SVM训练；

(4)得到训练样本数据的Lagrange乘子并按绝对值的大小对数据集{(X_i，Y_i，S_i)}进行排序，按10％的比例剪除小部分|α_i|较小的数据；

(5)对剩余样本数据重新计算其模糊隶属度{s_i}，构造新的数据集{(X_i，Y_i，S_i)}；

(6)对样本数据的训练结果进行评估，若温度校正精度下降，则停止训练，此时所建的校正模型最优，否则返回到第(3)步继续进行训练；

(7)最终得到MLX90614的测量温度、目标距离、介质系数与实际温度的模型，并利用该模型对MLX90614的测量结果进行实时校正。

如图3所示，温度场火灾预测算法原理为：

采用基于时间序列的最小二乘法对采集的时间温度数据进行预测，通过不同区域随时间变化的温度趋势，来预测下一时刻或下一段时间内的温度变化趋势，来预测是否有放生火灾的可能，从而达到实现指定区域的火灾隐患检测和预防，具体实施方法如下：

其实现步骤如下：

(1)假设座标x_i，y_i的k时刻的温度为t_i，其1～k时刻的时间序列数据分别为为预测k+1时刻的温度，则相空间重构的状态向量为n＝k₀,k₀+1,...,k，k₀＝max{(m_l-1)τ_l+1}，τ_l、m_l分别为延迟时间间隔和嵌入维数，其中l＝1,2,3,4。

(2)确定τ_l、m_l的取值范围分别为1≤τ_l≤100，1≤m_l≤100，且均为正整数，并给定初始值τ_l,0＝1、m_l,0＝1，其中l＝1,2,3,4；

(3)采用最小二乘支持向量回归算法对座标x_i，y_i时间序列温度t_i数据进行相空间重构，获取状态空间演化方程x_n+1＝G(x_n)，其中x_n+1为n+1时刻相空间重构的状态向量；

(4)对步骤(3)中由训练好的LSSVM所建立的状态空间演化方程x_n+1＝G(x_n)，以x_k-1为输入，可获取LSSVM输出值利用布谷鸟搜索算法，进行参数寻优，并得获取最小误差下的τ_l、m_l值，记为τ_l,p、m_l,p，建立子温度场内坐标k+1时刻温度的预测；

(5)将1～k时刻及k+1时刻的每个子温度场的座标及温度数据作为样本，以座标分布、温度值为样本输入，以0和1作为输出，其中0表示不会发生火灾，1表示会发生火灾，利用LS-SVM的分类算法，进行火灾的隐患判断，来预测该温度场内是否有起火的趋势。

Claims (7)

1.一种基于温度场的火灾隐患预测方法，其特征在于，包含以下几个方面：

(1)利用物距比为1:12的MLX90614红外测温传感器组成3*3的点阵温度测量探头，并采用两个步进电机构成水平与垂直可旋转的旋转平台，点阵测温探头置于该平台上，实现扫描测温。

(2)利用激光测距模块，测量被测目标与测温探头的距离，实现对温度检测结果的补偿，同时将离线的距离参数、介质参数、实际温度构成数据样本，利用模糊LS-SVM算法进行回归运算建模，得到距离、被测介质类型、测量温度与实际温度的模型，从而实现测量温度的校正，使温度测量的精度提高。

(3)利用二维旋转平台进行水平与垂直扫描，监测范围能够完全覆盖被检测区域，并实现不间断的24小时扫描，获得检测区域的温度场数据，并将温度场数据通过以太网传送至服务器，在服务器上生成温度场图像。

(4)根据图像的温度场数据，对检测区域的不同坐标的温度场进行图像分割，并对温度数据序列进行相空间重构，利用基于时间序列的LS-SVM算法对分割出的不同检测区域进行火灾隐患识别，来预测该区域是否有发生火灾的可能。

2.如权利要求1所述基于温度场的火灾隐患预测方法，其特征在于，所述温度场的火灾隐患预测方法中通过I²C总线实现9个物距比为1:12的MLX90614与数据处理器STM32F030F4芯片进行信息传递，构成3*3的点阵式测量模块，即一次能测量九个点的温度数据。

3.如权利要求1所述基于温度场的火灾隐患预测方法，其特征在于，MLX90614测量的温度会由被测对像的距离、介质变化而变化，因此利用MLX90614的测量数据、目标距离、介质系数、实际温度四个参数构建数据样本，其中将MLX90614的测量数据、目标距离、介质系数作为样本的输入、实际温度作为样本的输出，构建数据样本，将布谷鸟算法与模糊LS-SVM算法结合，对数本样本进行训练，得到MLX90614测量校正模型，实现测量温度的实时校正，提高MLX90614的测量精度。

设MLX90614的测量数据、目标距离、介质系数、实际温度四个参数1～k时刻的时间序列数据分别为{s_i}为模糊隶属度，样本的输入为 样本的输出为

(3.1)组织MLX90614的测量数据、目标距离、介质系数、实际温度数据，令模糊隶属度{s_i}全部等于1，以和模糊隶属度作为输入，以作为输出，构成LS-SVM学习训练样本数据集{(X_i，Y_i，S_i)}；

(3.2)确定核函数的径向基参数σ²和正则化因子γ的取值范围，以及每次训练剪除样本数据的比率为10％；

(3.3)利用CS搜索算法对核函数参数进行寻优，根据最优鸟巢位置x_b ^(t)所对应的径向基参数σ²和正则化因子γ作为最优参数，对样本数据集进行LS-SVM训练；

(3.4)得到训练样本数据的Lagrange乘子并按绝对值的大小对数据集{(X_i，Y_i，S_i)}进行排序，按10％的比例剪除小部分|α_i|较小的数据；

(3.5)对剩余样本数据重新计算其模糊隶属度{s_i}，构造新的数据集{(X_i，Y_i，S_i)}；

(3.6)对样本数据的训练结果进行评估，若温度校正精度下降，则停止训练，此时所建的校正模型最优，否则返回到(3.3)继续进行训练；

(3.7)最终得到MLX90614的测量温度、目标距离、介质系数与实际温度的模型，并利用该模型对MLX90614的测量结果进行实时校正。

4.如权利要求1所述基于温度场的火灾隐患预测方法，其特征在于，利用二个步进电机构成水平、垂直二维旋转平台，能够对被测区域进行不间断的，全方位的扫描，检测区域无盲点覆盖。

5.如权利要求1所述基于温度场的火灾隐患预测方法，其特征在于，由点阵式温度检测探头进行被测区域温度扫描检测，形成被测区域的温度场数据，并将数据通过以太网传送到服务器，并在服务器生成温度场图像。

6.如权利要求1所述基于温度场的火灾隐患预测方法，其特征在于，根据边缘分割理论，对权利要求5中的温度场图像进行区域分割，将被测区域分成若干模块，形成若干个子温度场。

7.如权利要求1所述基于温度场的火灾隐患预测方法，其特征在于，对权利要求5中的每个子温度场，对温度场内的坐标及温度分布情况进行数据处理，利用基于时间序列的

LS-SVM算法，对该温度场内的座标温度变化趋势进行预测；同时利用LS-SVM分类算法，以温度场内的温度及座标作为样本输入，来预测该区域内是否符合起火的发展趋势，进而来预测是否有放生火灾的可能，从而达到实现指定区域的火灾隐患检测和预防。

其实现步骤如下：

(7.1)假设座标x_i，y_i的k时刻的温度为t_i，其1～k时刻的时间序列数据分别为为预测k+1时刻的温度，则相空间重构的状态向量为n＝k₀,k₀+1,...,k，k₀＝max{(m_l-1)τ_l+1}，τ_l、m_l分别为延迟时间间隔和嵌入维数，其中l＝1,2,3,4。

(7.2)确定τ_l、m_l的取值范围分别为1≤τ_l≤100，1≤m_l≤100，且均为正整数，并给定初始值τ_l,0＝1、m_l,0＝1，其中l＝1,2,3,4；

(7.3)采用最小二乘支持向量回归算法对座标x_i，y_i时间序列温度t_i数据进行相空间重构，获取状态空间演化方程x_n+1＝G(x_n)，其中x_n+1为n+1时刻相空间重构的状态向量；

(7.4)对步骤(7.3)中由训练好的LSSVM所建立的状态空间演化方程x_n+1＝G(x_n)，以x_k-1为输入，可获取LSSVM输出值利用布谷鸟搜索算法，进行参数寻优，并得获取最小误差下的τ_l、m_l值，记为τ_l,p、m_l,p，建立子温度场内座标下一时刻温度的预测；

(7.5)将1～k时刻及k+1时刻的每个子温度场的座标及温度数据作为样本，以座标分布、温度值为样本输入，以0和1作为输出，其中0表示不会发生火灾，1表示会发生火灾，利用LS-SVM的分类算法，进行火灾的隐患判断，来预测该温度场内是否有起火的趋势。