CN110570616B - 一种基于物联网的多点火灾预警系统 - Google Patents

Abstract

本发明公开了一种基于物联网的多点火灾预警系统，所述系统由基于ZigBee网络的加油站油罐区环境参数采集平台和加油站油罐区环境多点火灾预警子系统构成；所述加油站油罐区环境多点火灾预警子系统由多个参数检测单元和多个HRFNN模糊递归神经网络火灾预警分类器组成；本发明有效解决了现有加油站油罐区环境监控系统没有根据加油站油罐区环境参数变化的非线性、大滞后和加油站油罐区环境参数变化复杂等特点，对加油站油罐区环境参数精确进行检测和火灾进行预警，从而提高预测加油站火灾参数和火灾准确度问题。

Description

一种基于物联网的多点火灾预警系统

技术领域

本发明涉及油气环境自动化监测和预警装备的技术领域，具体涉及一种基于物联网的多点火灾预警系统。

背景技术

加油站油罐区环境主要存储着油品存储容器或者管道如果发生泄漏，就会产生易燃液体蒸汽，当蒸汽压较高时，就会产生燃烧爆炸的危险，而可燃液体具有流淌性，在常温下遇到火源就会起火燃烧，如果存储容器发生泄漏就会在流淌的过程中不断蒸发可燃蒸汽，一旦接触火源，哪怕是最微小的火花，都会引起燃烧。加油站油罐区环境场地都具有极大的爆炸危险性，如果消防安全管理不善，极易引发大范围火灾事故造成重大的人身伤亡以及财产损失。因此，加强消防安全管理，即时检测引起火灾的油气泄露浓度，消除安全事故隐患，避免火灾事故发生是加油站油罐区环境火灾消防安全管理最重要的工作。当存储罐发生泄漏，遇到火星，引发火灾，如果扑救措施不及时，就会引起一系列的连锁反应，造成更大的损失，产生连续性爆炸，产生冲击波力量巨大可以在瞬间摧毁设备和厂房，破坏力极强。汽车加油站油罐区环境是加油站涉及油品最多的区域，油品均属于易燃液体，发生火灾、爆炸事故的概率较大，而且一旦发生事故，后果相当严重。汽加油站油罐区环境发生火灾事故不仅对人及周围设备、设施产生危害，当蒸气浓度升高时，如达到汽油爆炸浓度极限时，将可能引发爆炸事故。从加油站油罐区环境的事故类型分析来看，泄漏和火灾爆炸事故是加油站油罐区环境安全防范的重点。加油站油罐区环境发生池火灾是由于可燃液体泄漏到地面，遇到点火源形成的火灾。本发明的目的是提供一种基于物联网的多点火灾预警系统，该系统由基于ZigBee网络的加油站油罐区环境参数采集平台和加油站油罐区环境多点火灾预警子系统构成，实现对加油站油罐区环境火灾因油气泄露造成的火灾进行预警，提高加油站油罐区环境火灾的防范能力，提高加油站火灾防范性能力。

发明内容

本发明提供了一种基于物联网的多点火灾预警系统，本发明有效解决了现有加油站油罐区环境监控系统没有根据加油站油罐区环境参数变化的非线性、大滞后和加油站油罐区环境参数变化复杂等特点，对加油站油罐区环境参数精确进行检测和火灾进行预警，从而提高预测加油站火灾参数和火灾准确度问题。

本发明通过以下技术方案实现：

一种基于物联网的多点火灾预警系统，由基于ZigBee网络的加油站油罐区环境参数采集平台和加油站油罐区环境多点火灾预警子系统构成两部分组成，基于ZigBee网络的加油站油罐区环境参数采集平台实现对加油站油罐区环境油气浓度、温度和烟雾的检测和火灾预测，加油站油罐区环境多点火灾预警子系统由多个参数检测单元和多个HRFNN模糊递归神经网络火灾预警分类器组成，实现对加油站油罐区环境多点参数智能化处理和预警加油站火灾危险程度，提高预测加油站油罐区环境火灾的精确度、可靠性和鲁棒性。

本发明进一步技术改进方案是：

基于ZigBee网络的加油站油罐区环境参数采集平台由检测节点和现场监控端组成，它们以自组织方式通过ZigBee通信模块CC2530构建成加油站油罐区环境参数采集与智能预测平台。检测节点分别由传感器组模块、单片机MSP430和ZigBee通信模块CC2530组成，传感器组模块负责检测加油站油罐区环境的温度、油气浓度和烟雾等加油站油罐区环境参数，由单片机控制采样间隔并通过ZigBee通信模块CC2530发送给现场监控端；现场监控端由一台工业控制计算机组成，实现对检测节点检测加油站油罐区环境参数进行管理和对加油站油罐区环境多点火灾进行预警。基于ZigBee网络的加油站油罐区环境参数采集平台见图1所示。

本发明进一步技术改进方案是：

加油站油罐区环境多点火灾预警子系统由多个参数检测单元和多个HRFNN模糊递归神经网络火灾预警分类器组成，实现对加油站油罐区环境多点参数智能化检测与预测和加油站火灾危险程度的预警。加油站油罐区环境多点火灾预警子系统原理参见图2所示。

本发明进一步技术改进方案是：

多个参数检测单元实现对加油站多个检测点的油气浓度、烟雾和温度的同时检测与预测，每个参数检测单元包括3个传感器、3个时间序列三角模糊数神经网络和3个三角模糊数预测模块组成；油气浓度传感器的输出作为时间序列三角模糊数神经网络1的输入，时间序列三角模糊数神经网络1的输出作为三角模糊数预测模块1的输入，三角模糊数预测模块1的输出分别作为加油站油罐区环境多点油气浓度融合模型和HRFNN模糊递归神经网络火灾预警分类器1的输入；温度传感器的输出作为时间序列三角模糊数神经网络2的输入，时间序列三角模糊数神经网络2的输出作为三角模糊数预测模块2的输入，三角模糊数预测模块2的输出作为HRFNN模糊递归神经网络火灾预警分类器1的输入；烟雾传感器的输出作为时间序列三角模糊数神经网络3的输入，时间序列三角模糊数神经网络3的输出作为三角模糊数预测模块3的输入，三角模糊数预测模块3的输出作为HRFNN模糊递归神经网络火灾预警分类器1的输入。

本发明进一步技术改进方案是：

3个时间序列三角模糊数神经网络由时间序列三角模糊数神经网络1、时间序列三角模糊数神经网络2和时间序列三角模糊数神经网络3组成，每个时间序列三角模糊数神经网络由被检测参数传感器输出的一段常规时间序列值作为径向基神经网络的输入、径向基神经网络和被检测参数下一时刻的三角模糊数值作为径向基神经网络的输出组成，径向基神经网络输出的三角模糊数值分别表示检测点被检测参数度下限值、最大可能值和上限值；时间序列三角模糊数神经网络根据被检测参数的动态变化把检测点被检测参数的一段常规时间序列值转化下一时刻被检测参数的三角模糊值来表示更加符合被检测参数的动态变化规律。

本发明进一步技术改进方案是：

3个三角模糊数预测模块由三角模糊数预测模块1、三角模糊数预测模块2和三角模糊数预测模块3组成，每个三角模糊数预测模块由3个NARX神经网络预测模型和3个相空间重构技术的Elman神经网络预测模型组成，对应的时间序列三角模糊数神经网络输出的三角模糊数的下限值、最大可能值和上限值分别为NARX神经网络预测模型1、NARX神经网络预测模型2和NARX神经网络预测模型3的输入，对应的时间序列三角模糊数神经网络输出的三角模糊数的下限值、最大可能值和上限值分别与NARX神经网络预测模型1、NARX神经网络预测模型2和NARX神经网络预测模型3的输出的差分别为相空间重构技术的Elman神经网络预测模型1、相空间重构技术的Elman神经网络预测模型2和相空间重构技术的Elman神经网络预测模型3的输入，NARX神经网络预测模型1、NARX神经网络预测模型2和NARX神经网络预测模型3的输出分别与相空间重构技术的Elman神经网络预测模型1、相空间重构技术的Elman神经网络预测模型2和相空间重构技术的Elman神经网络预测模型3的输出相加和得到对应的时间序列三角模糊数神经网络输出的三角模糊数的预测值，三角模糊数预测模块1的三角模糊数输出作为该检测节点对应HRFNN模糊递归神经网络火灾预警分类器的输入。

本发明进一步技术改进方案是：

多个HRFNN模糊递归神经网络火灾预警分类器由每个检测点对应的每个HRFNN模糊递归神经网络火灾预警分类器组成，每个HRFNN模糊递归神经网络火灾预警分类器根据加油站火灾发生的工程实践经验和加油站火灾发生标准，将加油站被检测点油气浓度、温度和烟雾的3个三角模糊数预测值的大小对加油站火灾影响的动态程度量化为加油站火灾发生的5种程度分别为正常状态、有迹象、比较危险、很危险和非常危险，HRFNN模糊递归神经网络火灾预警分类器的输入是每组参数检测单元的三角模糊数预测模块1、三角模糊数预测模块2和三角模糊数预测模块3的输出，三角模糊数预测模块1、三角模糊数预测模块2和三角模糊数预测模块3的输出分别为检测点油气浓度、温度和烟雾的三角模糊值的预测值，HRFNN模糊递归神经网络火灾预警分类器的输出为代表检测单元处火灾风险度的三角模糊数。根据加油站火灾发生的5种程度分别为正常状态、有迹象、比较危险、很危险和非常危险对应不同的5个不同的三角模糊数，计算每个检测点HRFNN模糊递归神经网络火灾预警分类器的输出的三角模糊数与代表5种火灾不同程度的5个三角模糊数的距离，其中距离最小的三角模糊数对应的火灾危险度的火灾等级确定为该检测点火灾危险度。

本发明与现有技术相比，具有以下明显优点：

一、本发明技术方案针对加油站油罐区环境参数测量过程中，传感器精度误差、干扰和测量温度值异常等问题存在的不确定性和随机性，本发明将加油站油罐区环境参数的传感器测量的参数值通过时间序列三角模糊数神经网络模型转化为三角模糊数形式表示，有效地处理了加油站油罐区环境环境被检测参数传感器测量参数的模糊性、动态性和不确定性，提高了加油站油罐区环境参数检测传感器值检测参数的客观性和可信度。

二、本发明技术方案所采用NARX神经网络预测模型的输入包括被检测点的三角模糊数的下限值a、可能值b和上限值c的一段时间的输入和输出历史反馈,这部分反馈输入可以认为包含了一段时间的被检测的三角模糊数的状态历史信息参与被检测的三角模糊数的预测,对于一个合适的反馈时间长度,预测得到了很好的效果,本专利的NARX神经网络预测模式提供了一种有效的加油站油罐区环境参数的三角模糊数检测方法。

三、本发明技术方案所采用的NARX神经网络预测模型是一种能够有效对加油站被检测点参数的三角模糊数的下限值a、可能值b和上限值c的非线性、非平稳时间序列进行预测的动态神经网络模型，能够在时间序列非平稳性降低的情况下提高对加油站被检测点三角模糊数的时间序列的预测精度。与传统的预测模型方法相比，此方法具有处理非平稳时间序列效果好，计算速度快，准确率高的优点。通过对非平稳的油罐车油气泄漏浓度实验数据的实际对比，本专利验证了NARX神经网络预测模型对加油站被检测点的三角模糊数时间序列预测的可行性。同时，实验结果也证明了NARX神经网络预测模型在非平稳时间序列预测中比传统模型表现更加优异。

四、本发明技术方案利用NARX神经网络建立加油站被检测点的三角模糊参数预测模型，由于通过引入延时模块及输出反馈建立模型的动态递归网络，它将输入和输出向量延时反馈引入网络训练中，形成新的输入向量，具有良好的非线性映射能力，网络模型的输入不仅包括原始输入数据，还包含经过训练后的输出数据，网络的泛化能力得到提高，使其在非线性油罐车油气泄漏浓度时间序列预测中较传统的静态神经网络具有更好的预测精度和自适应能力。

五、本发明技术方案所采用的相空间重构技术的Elman神经网络预测模型实现对被检测点的参数三角模糊数的残差进行预测，该预测值作为被检测点的三角模糊数的补偿值，提高被检测点的三角模糊数检测的精确度，该Elman神经网络预测模型一般分为4层:输入层、中间层(隐含层)、承接层和输出层,其输入层、隐含层和输出层的连接类似于前馈网络,输入层的单元仅起信号传输作用,输出层单元起线性加权作用。隐含层单元的传递函数可采用线性或非线性函数,承接层又称为上下文层或状态层,它用来记忆隐含层单元前一时刻的输出值,可以认为是一个一次延时算子。Elman神经网络预测模型的特点是隐含层的输出通过承接层的延迟与存储,自联到隐含层的输入,这种自联方式使其对历史状态的数据具有敏感性,内部反馈网络的加入增加了网络本身处理动态信息的能力,从而达到了动态建模的目的。Elman神经网络预测模型回归神经元网络的特点是隐层的输出通过结构单元的延迟、存储自联到隐层的输入,这种自联方式使其对历史状态的数据具有敏感性,内部反馈网络的加入增加了网络本身处理动态信息的能力,有利于动态过程的建模；该模型利用关联层动态神经元的反馈连接,将未来预测网络和过去预测网络的信息进行融合,使网络对时间序列特征信息的记忆得到加强,从而提高被检测点的三角模糊数的预测精度。

六、本发明技术方案将相空间重构和Elman神经网络二者结合起来构建相空间重构的Elman神经网络预测模型影响火灾危险度的油气浓度、温度和烟雾的参数进行补偿预测，该预测模型将重构相空间能够估计出预测参数的一维时间序列的演化信息并把一维时间序列拓展为包含着多态信息的多维序列，从而使被预测参数的结果跟实际值更加吻合；另外，使用相空间重构的输出向量作为Elman神经网络的输入值避免了选取Elman神经网络输入参数时的随意性，采用相空间重构的Elman神经网络预测模型提高预测影响加油站火灾参数的准确性和可靠性，对准确预测加油站火灾危险有重要价值。

七、本发明技术方案的多个HRFNN模糊递归神经网络火灾预警分类器，采用加入交叉验证的梯度下降算法对神经网络的权值进行训练。HRFNN通过在反馈环节引入内部变量，将规则层的输出量加权求和后再反模糊化输出作为反馈量，并将反馈量与隶属度函数层的输出量一起作为规则层的下一时刻的输入。网络输出包含规则层激活强度和输出的历史信息，增强了HRFNN适应非线性动态系统的能力，多个HRFNN模糊递归神经网络火灾预警分类器的输入为加油站油罐区环境被检测参数的3个三角模糊数，输出为代表加油站火灾危险等级的三角模糊数，提高了HRFNN可以准确地动态地预测的加油站火灾等级的动态性能与可靠性。

八、本发明技术方案加油站火灾危险等级分类的科学性和可靠性，本专利的多个HRFNN模糊递归神经网络火灾预警分类器，加油站火灾危险等级根据加油站油罐区环境影响火灾危险等级的三角模糊数的大小，根据加油站火灾发生的工程实践经验和加油站火灾控制标准，通过HRFNN模糊递归神经网络火灾预警分类器将加油站被检测参数的油气浓度、温度和烟雾三角模糊数预测值的大小对加油站火灾影响的动态程度量化为加油站火灾发生的危险度，通过三角模糊数将加油站火灾发生的危险度分为五种情况，根据加油站火灾发生的5种程度分别为正常状态、有迹象、比较危险、很危险和非常危险对应不同的5个不同的三角模糊数，计算每个检测点HRFNN模糊递归神经网络火灾预警分类器的输出的三角模糊数与代表5种火灾不同程度的5个三角模糊数的距离，其中距离最小的三角模糊数对应的火灾危险度的火灾等级确定为该检测点火灾危险度，实现对加油站火灾危险等级分类的动态性能和科学分类。

附图说明

图1为本发明基于ZigBee网络的加油站油罐区环境参数采集平台；

图2为本发明加油站油罐区环境多点火灾预警子系统；

图3为本发明检测节点功能图；

图4为本发明现场监控端软件功能图；

图5时间序列三角模糊数神经网络模型；

图6为本发明加油站油罐区环境参数采集平台平面布置图。

具体实施方式

结合附图1-6，对本发明技术方案作进一步描述：

1、系统总体功能的设计

本发明加油站油罐区环境多点火灾预警系统实现对加油站油罐区环境因子参数进行检测和预测加油站多点火灾危险程度，该系统由基于ZigBee网络的加油站油罐区环境参数采集平台和加油站油罐区环境多点火灾预警子系统两部分组成。基于ZigBee网络的加油站油罐区环境参数采集平台包括加油站油罐区环境参数的检测节点1和现场监控2组成，它们以自组织方式构建成ZigBee监测网络来实现检测节点1和现场监控端2之间的ZigBee通信；检测节点1将检测的加油站油罐区环境参数发送给现场监控端2并对传感器数据进行初步处理；现场监控端2把控制信息传输到检测节点和预测加油站油罐区环境多点火灾危险程度等级。整个系统结构见图1所示。

2、检测节点的设计

采用大量基于ZigBee传感器网络的检测节点1作为加油站油罐区环境参数感知终端，检测节点1通过自组织ZigBee网络实现现场监控端2之间的信息相互交互。检测节点1包括采集加油站油罐区环境油气浓度、温度和烟雾参数的传感器和对应的信号调理电路、MSP430微处理器和ZigBee通信模块CC2530；检测节点的软件主要实现ZigBee通信和加油站油罐区环境参数的采集与预处理。软件采用C语言程序设计，兼容程度高，大大提高了软件设计开发的工作效率，增强了程序代码的可靠性、可读性和可移植性。检测节点结构见图3。

3、现场监控端软件

现场监控端3是一台工业控制计算机，现场监控端2主要实现对加油站油罐区环境参数进行采集、处理、预测和加油站火灾危险程度的预警，实现与检测节点1和现场监控端2的信息交互，现场监控端2主要功能为通信参数设置、数据分析与数据管理、加油站油罐区环境多点火灾预警告。该管理软件选择了Microsoft Visual++6.0作为开发工具，调用系统的Mscomm通信控件来设计通讯程序，现场监控端软件功能见图4。加油站油罐区环境多点火灾预警子系统由多个参数检测单元和多个HRFNN模糊递归神经网络火灾预警分类器组成，实现对加油站油罐区环境多点参数智能化检测与预测和加油站火灾危险程度的预警，加油站油罐区环境多点火灾预警子系统的设计过程如下：

⑴、多个参数检测单元设计

每个检测单元包括3个检测加油站油气浓度、温度与烟雾的传感器，3个时间序列三角模糊数神经网络模型和3个三角模糊数预测模块。3个油气浓度传感器、温度传感器和烟雾传感器输出时间序列油气、温度和烟雾参数分别作为时间序列三角模糊数神经网络模型1、时间序列三角模糊数神经网络模型2和时间序列三角模糊数神经网络模型3的输入，时间序列三角模糊数神经网络模型1、时间序列三角模糊数神经网络模型2和时间序列三角模糊数神经网络模型3的输出为分别代表传感器输出的下限值、可能值和上限值组成的三角模糊数；3个三角模糊数预测模块1、三角模糊数预测模块和三角模糊数预测模块3的输入分别为三角模糊数神经网络模型1、时间序列三角模糊数神经网络模型2和时间序列三角模糊数神经网络模型3的输出，3个三角模糊数预测模块1、三角模糊数预测模块和三角模糊数预测模块3的输出分别对检测点油气浓度、温度和烟雾传感器输出的下限值、可能值和上限值组成的三角模糊数的预测值。

①、时间序列三角模糊数神经网络模型1

设有加油站被检测点油气浓度值的时间序列为x(t),x(t-1),…,x(t-d+1),x(t-d)，根据加油站被检测点油气浓度参数一段常规时间序列值作为径向基神经网络的输入，径向基神经网络的输出为t+1时刻加油站被检测点油气浓度参数的三角模糊数值为S，S三角模糊数表示为[a,b,c]等于[s₁,s₂,s₃]，a表示被检测点油气浓度下限值，b表示被检测点油气浓度最大可能值，c表示被检测点油气浓度上限值，被检测参数的t+1时刻三角模糊数值大小依赖于被检测参数的前d个时刻的常规时间序列数值状态值，d为时间窗口，根据S与前d个时刻的被检测点油气浓度值参数时间序列数值存在函数依赖关系这一特点，通过被检测点油气浓度值参数的时间序列三角模糊数神经网络来建立被检测点油气浓度值参数的一段时间序列常规序列值预测被检测点油气浓度值参数的t+1时刻的被检测点油气浓度值参数的三角模糊数值之间的关系，被检测点油气浓度值参数的时间序列三角模糊数神经网络模型1结构图如5所示。神经网络的径向基向量为H＝[h₁,h₂,…,h_p]^T，h_p为基函数。径向基神经网络中常用的径向基函数是高斯函数，其表达式为：

式中X为被检测参数的传感器的时间序列输出，C为隐含层神经元高斯基函数中心点坐标向量，δ_j为隐含层第j个神经元高斯基函数的宽度；网络的输出连接权值向量为w_ij，时间序列三角模糊数神经网络模型输出表达式为：

被检测点油气浓度参数的时间序列三角模糊数神经网络模型1的关键就是要根据过去过去一段时间被检测点油气浓度值参数的d个时刻的被检测点油气浓度值数据和t+1时刻的被检测点油气浓度值参数的三角模糊数据来拟合出映射关系f，进而通过径向基神经网络前向传播得到检测点油气浓度值拟合函数的三角模糊数值S。被检测点油气浓度值参数的时间序列三角模糊数神经网络的数学模型可表示为：

S＝f(x(t),x(t-1),…,x(t-d+1),x(t-d)) (3)

检测点温度传感器对应的时间序列三角模糊数神经网络模型2和检测点烟雾传感器对应的时间序列三角模糊数神经网络模型3的设计方法类似于时间序列三角模糊数神经网络模型1。

②、三角模糊数预测模块设计

三角模糊数预测模块1包括3个NARX神经网络预测模型和3个相空间重构技术的Elman神经网络预测模型，3个NARX神经网络预测模型1、NARX神经网络预测模型2和NARX神经网络预测模型3分别对时间序列三角模糊数神经网络模型1输出S三角模糊数的被检测点参数下限值a、被检测点参数最大可能值b和对被检测点参数上限值c进行预测；3个相空间重构技术的Elman神经网络预测模型1、相空间重构技术的Elman神经网络预测模型2和相空间重构技术的Elman神经网络预测模型3分别对被检测点的三角模糊数S的下限值a与NARX神经网络预测模型1输出的残差、被检测点被检测点的三角模糊数S最大可能值b与NARX神经网络预测模型2输出的残差和对被检测点的被检测点的三角模糊数S上限值c与NARX神经网络预测模型3的输出的残差进行预测；3个NARX神经网络预测模型1、NARX神经网络预测模型2和NARX神经网络预测模型3的输出分别和3个相空间重构技术的Elman神经网络预测模型1、相空间重构技术的Elman神经网络预测模型2和相空间重构技术的Elman神经网络预测模型3的输出分别相加得到的和分别为被检测点的三角模糊数S油气浓度下限值a预测值、被检测点的被检测点的三角模糊数S油气浓度最大可能值b预测值和被检测点的油气浓度上限值c预测值，并构成了新的三角模糊数s'为[a',b',c']。3个相空间重构技术的Elman神经网络预测模型1、相空间重构技术的Elman神经网络预测模型2和相空间重构技术的Elman神经网络预测模型3对3个NARX神经网络预测模型1、NARX神经网络预测模型2和NARX神经网络预测模型3分别预测时间序列三角模糊数神经网络模型1输出S三角模糊数a、b和c进一步残差预测进行补偿，提高了预测a、b和c准确性。

Ⅰ、NARX神经网络预测模型1设计

本发明专利的3个NARX神经网络预测模型分别对3个时间序列三角模糊数神经网络模型1输出S三角模糊数的被检测点参数下限值a、被检测点参数最大可能值b和对被检测点参数上限值c进行预测，NARX神经网络(NonlinearAuto-Regression with Externalinput neural network)是一种动态的前馈神经网络，NARX神经网络是一个有着被预测输入参数的非线性自回归网络，它具有一个多步时延的动态特性，并通过反馈连接输入被输入参数的封闭网络的若干层，NARX回归神经网络是非线性动态系统中应用最广泛的一种动态神经网络，其性能普遍优于全回归神经网络。本专利的NARX神经网络预测模型由输入层、隐层、输出层及输入和输出延时延构成，在应用前一般要事先确定输入和输出的延时阶数、隐层神经元个数，NARX神经网络预测模型的当时输出不仅取决于过去的输出y(t-n)，还取决于当时的输入向量X(t)以及输入向量的延迟阶数等。NARX神经网络预测模型结构包括输入层、输出层、隐层和时延层，其中被被预测输入参数通过时延层传递给隐层，隐层对输入的信号进行处理后传递到输出层，输出层将隐层输出信号做线性加权获得最终的神经网络预测输出信号，时延层将网络反馈的信号和输入层输出的信号进行延时，然后输送到隐层。NARX神经网络预测模型具有非线性映射能力、良好的鲁棒性和自适应性等特点，适宜对输入参数进行预测。x(t)表示神经网络的外部输入，即时间序列三角模糊数神经网络模型1输出S三角模糊数的被检测点参数下限值a；m表示外部输入a的延迟阶数；y(t)是神经网络的输出，即a的预测值；n是输出延迟阶数；s为隐含层神经元的个数；由此可以得到第j个隐含单元的输出为：

上式中，w_ji为第i个输入与第j个隐含神经元之间的连接权值，b_j是第j个隐含神经元的偏置值，NARX神经网络预测模型的输出y(t+1)代表a的预测值为：

y(t+1)＝f[y(t),y(t-1),…,y(t-n),x(t),x(t-1),…,x(t-m+1)；W] (4)

NARX神经网络预测模型2和NARX神经网络预测模型3分别对时间序列三角模糊数神经网络模型1输出S三角模糊数的被检测点参数最大可能值b和对被检测点参数上限值c进行预测，它们的设计方法与NARX神经网络预测模型1类似。

Ⅱ、相空间重构技术的Elman神经网络预测模型1设计

由相空间重构技术和Elman神经网络构成的3个相空间重构技术的Elman神经网络预测模型1、相空间重构技术的Elman神经网络预测模型2和相空间重构技术的Elman神经网络预测模型3分别对被检测点的三角模糊数S的下限值a与NARX神经网络预测模型1输出的残差、被检测点的三角模糊数S的最大可能值b与NARX神经网络预测模型2输出的残差和对被检测点的三角模糊数S的上限值c与NARX神经网络预测模型3输出的残差进行预测；3个相空间重构技术的Elman神经网络预测模型1、相空间重构技术的Elman神经网络预测模型2和相空间重构技术的Elman神经网络预测模型3分别用于对被检测点的三角模糊数S的下限值a、最大可能值b和的上限值c的残差进行预测，3个相空间重构技术的Elman神经网络预测模型经足够多的训练样本训练模拟出预测被检测点的三角模糊数S的下限值a、最大可能值b和的上限值c残差的变化量，从而实现对被检测点的三角模糊数S预测的补偿。3个相空间重构的Elman神经网络预测模型的预测方法的具体步骤如下：

第1步：收集被检测点传感器对应的时间序列三角模糊数神经网络模型1的输出三角模糊数S的的下限值a、最大可能值b和的上限值c分别和3个NARX神经网络预测模型1输出值、NARX神经网络预测模型2输出值和NARX神经网络预测模型3输出值的3个系列差，分别构成对应a、b和c的3个残差时间序列数据。

第2步：按照常规确定最优延时常数τ及嵌入维数m。

第3步：构建Elman神经网络预测模型，Elman神经网络预测模型是一个具有局部记忆单元和局部反馈连接的前向神经网络，关联层从隐层接收反馈信号,每一个隐层节点都有一个与之对应的关联层节点连接。关联层将上一时刻的隐层状态连同当前时刻的网络输入一起作为隐层的输入作为状态反馈。隐层的传递函数一般为Sigmoid函数,关联层和输出层为线性函数。设Elman神经网络预测模型的输入层、输出层和隐层的个数分别为m,n和r；w₁，w₂，w₃和w₄分别表示结构层单元到隐层、输入层到隐层、隐层到输出层、结构层到输出层的连接权矩阵,则网络的隐含层、关联层和输出层的输出值表达式分别为:

c_p(k)＝x_p(k-1) (6)

3个相空间重构技术的Elman神经网络预测模型1、相空间重构技术的Elman神经网络预测模型2和相空间重构技术的Elman神经网络预测模型3的输入数据为三角模糊数神经网络模型1的输出三角模糊数S的下限值a、最大可能值b和的上限值c分别和3个NARX神经网络预测模型1输出值、NARX神经网络预测模型2输出值和NARX神经网络预测模型3输出值的3个系列差构成的3个对应a、b和c的残差时间序列数据，3个相空间重构技术的Elman神经网络预测模型1、相空间重构技术的Elman神经网络预测模型2和相空间重构技术的Elman神经网络预测模型3的输出分别为a、b和c的预测补偿值。Elman神经网络预测模型输入维数等于嵌入维数m，每个输入数据之间时间相差τ个时间点，即将a、b和c的残差时间序列数据作为Elman神经网络预测模型的输入；隐含层取单层，个数按2m+1方法确定；输出层含有一个神经元，其输出即为要预测时间点的残差预测值。若其中一个残差时间序列数据是X(t₀),X(t₁),…,X(t_i),…,X(t_n)，首先使用MatlabR2012a编程对时间序列进行相空间重构，相空间重构的输出结果如下：

第4步：Elman神经网络预测模型网络训练，从a、b和c的残差时间序列原始数据中选取部分数据，进行网络训练，直到训练达到要求为止。

第5步：从a、b和c的残差时间序列原始数据中选取测试样本，若达到要求，即可进入第6步进行预测，如测试误差较大，返回第4步重新训练，或返回第3步重新设计网络结构。

第6步：选取预测时间点，应用前面建立的Elman神经网络预测模型进行预测，可由下公式得到预测值：

Y＝f(X(t₀+mτ),X(t₁+mτ)…X(t_i+mτ)…X(t_n+τ)) (9)

⑵、多个HRFNN模糊递归神经网络火灾预警分类器

HRFNN模糊递归神经网络火灾预警分类器的输入是每组参数检测单元的三角模糊数预测模块1、三角模糊数预测模块2和三角模糊数预测模块3的输出，三角模糊数预测模块1、三角模糊数预测模块2和三角模糊数预测模块3的输出分别为检测点油气浓度、温度和烟雾的三角模糊值的预测值；HRFNN模糊递归神经网络火灾预警分类器的输出为代表检测单元处火灾风险度的三角模糊数。HRFNN模糊递归神经网络火灾预警分类器的输入和输出分别是油气浓度、温度和烟雾的3个三角模糊值的预测值和表示火灾危险度等级的1个三角模糊数的网络拓扑结构，HRFNN模糊递归神经网络火灾预警分类器由4层组成：输入层、成员函数层、规则层和输出层，该模型包含n为9个输入节点，其中每个输入节点对应m为3个条件节点，m代表规则数，nm个规则节点，3个输出节点。第Ⅰ层将输入引入网络；第Ⅱ层将输入模糊化，采用的隶属函数为高斯函数；第Ⅲ层对应模糊推理；第Ⅳ层对应去模糊化操作。用

分别代表第k层的第i个节点的输入和输出，则网络内部的信号传递过程和各层之间的输入输出关系可以描述如下。第Ⅰ层：输入层，该层的各输入节点直接与3个代表油气浓度、温度和烟雾预测值的三角模糊数的9个输入变量相连接，网络的输入和输出表示为：

式中

和

为网络输入层第i个节点的输入和输出，N表示迭代的次数。第Ⅱ层：成员函数层，该层的节点将输入变量进行模糊化，每1个节点代表1个隶属函数，采用高斯基函数作为隶属函数，网络的输入和输出表示为：

式中m_ij和σ_ij分别表示第Ⅱ层第i个语言变量的第j项高斯基函数的均值中心和宽度值，m为对应输入节点的全部语言变量数。第Ⅲ层：模糊推理层，即规则层，加入动态反馈，使网络具有更好的学习效率，反馈环节引入内部变量h_k，选用sigmoid函数作为反馈环节内部变量的激活函数。网络的输入和输出表示为：

式中ω_jk是递归部分的连接权值，该层的神经元代表了模糊逻辑规则的前件部分，该层节点对第Ⅱ层的输出量和第Ⅲ层的反馈量进行Π操作，

是第Ⅲ层的输出量，m表示完全连接时的规则数。反馈环节主要是计算内部变量的值和内部变量相应隶属函数的激活强度。该激活强度与第3层的规则节点匹配度相关。反馈环节引入的内部变量，包含两种类型的节点：承接节点，反馈节点。承接节点，使用加权求和来计算内部变量，实现去模糊化的功能；内部变量表示的隐藏规则的模糊推理的结果。反馈节点，采用sigmoid函数作为模糊隶属度函数，实现内部变量的模糊化。第Ⅳ层：去模糊化层，即输出层。该层节点对输入量进行求和操作。HRFNN模糊递归神经网络火灾预警分类器的输出为3个节点组成1个代表火灾风险程度的三角模糊数，HRFNN模糊递归神经网络火灾预警分类器的输出表示为：

公式中λ_j是输出层的连接权值，n为3。HRFNN模糊递归神经网络火灾预警分类器具有逼近高度非线性动态系统的性能，采用加入交叉验证的梯度下降算法对神经网络的权值进行训练。HRFNN模糊递归神经网络火灾预警分类器通过在反馈环节引入内部变量，将规则层的输出量加权求和后再反模糊化输出作为反馈量，并将反馈量与隶属度函数层的输出量一起作为规则层的下一时刻的输入。网络输出包含规则层激活强度和输出的历史信息，增强了HRFNN适应非线性动态系统的能力，HRFNN模糊递归神经网络火灾预警分类器可以准确地预测加油站的火灾风险度。根据加油站火灾发生的工程实践经验和加油站油罐区环境火灾控制标准，通过HRFNN模糊递归神经网络火灾预警分类器将加油站被检测参数的油气浓度、温度和烟雾三角模糊数预测值的大小对加油站火灾影响的动态程度量化为加油站火灾发生的危险度，HRFNN模糊递归神经网络火灾预警分类器输出的三角模糊数表示加油站发生火灾的危险程度；根据加油站火灾发生的5种程度分别为正常状态、有迹象、比较危险、很危险和非常危险对应不同的5个不同的三角模糊数，构建5种三角模糊数与加油站火灾发生的5种度危险程度的对应关系表，加油站火灾发生危险度与的对应关系如下，见表1。

表1加油站火灾发生危险度与三角模糊数对应关系表

序号	火灾危险度	三角模糊数
			1	正常状态	(0.00，0.00，0.25)
2	有迹象	(0.00，0.25，0.50)
			3	比较危险	(0.25，0.50，0.75)
4	很危险	(0.50，0.75，1.00)
			5	非常危险	(0.75，1.00，1.0)

计算每个检测点HRFNN模糊递归神经网络火灾预警分类器的输出的三角模糊数与代表5种火灾不同程度的5个三角模糊数的距离，其中距离最小的三角模糊数对应的火灾危险度的火灾等级确定为该检测点火灾危险度。

4、加油站油罐区环境参数采集平台的设计举例

根据加油站油罐区环境的状况，系统布置了检测节点1和现场监控端2的平面布置安装图，其中检测节点1均衡布置在被检测加油站油罐区环境中，整个系统平面布置见图6，通过该系统实现对加油站油罐区环境参数的采集与加油站油罐区环境多点火灾预警。

本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段，还包括由以上技术特征任意组合所组成的技术方案。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (3)

1.一种基于物联网的多点火灾预警系统，其特征在于：所述系统由基于ZigBee网络的加油站油罐区环境参数采集平台和加油站油罐区环境多点火灾预警子系统构成；所述加油站油罐区环境多点火灾预警子系统由多个参数检测单元和多个HRFNN模糊递归神经网络火灾预警分类器组成；

所述参数检测单元包括油气浓度传感器、烟雾传感器、温度传感器、时间序列三角模糊数神经网络以及三角模糊数预测模块；油气浓度传感器、烟雾传感器、温度传感器的输出分别作为对应时间序列三角模糊数神经网络的输入，时间序列三角模糊数神经网络的输出分别作为对应三角模糊数预测模块的输入，三角模糊数预测模块的输出分别作为对应加油站油罐区环境多点油气浓度融合模型和HRFNN模糊递归神经网络火灾预警分类器的输入；

所述时间序列三角模糊数神经网络由被检测参数传感器输出的一段常规时间序列值作为径向基神经网络的输入、径向基神经网络和被检测参数下一时刻的三角模糊数值作为径向基神经网络的输出组成，径向基神经网络输出的三角模糊数值分别表示检测点被检测参数值下限值、最大可能值和上限值；时间序列三角模糊数神经网络根据被检测参数的动态变化把检测点被检测参数的一段常规时间序列值转化下一时刻被检测参数的三角模糊值来表示更加符合被检测参数的动态变化规律；

所述三角模糊数预测模块由NARX神经网络预测模型和相空间重构技术的Elman神经网络预测模型组成，对应的时间序列三角模糊数神经网络输出的三角模糊数的下限值、最大可能值和上限值分别为相应NARX神经网络预测模型的输入，对应的时间序列三角模糊数神经网络输出的三角模糊数的下限值、最大可能值和上限值分别与相应NARX神经网络预测模型的输出的差分别为相应相空间重构技术的Elman神经网络预测模型的输入，相应NARX神经网络预测模型的输出分别与相应相空间重构技术的Elman神经网络预测模型的输出相加和得到对应的时间序列三角模糊数神经网络输出的三角模糊数的预测值，三角模糊数预测模块的三角模糊数输出作为该检测点对应HRFNN模糊递归神经网络火灾预警分类器的输入。

2.根据权利要求1所述的一种基于物联网的多点火灾预警系统，其特征在于：所述HRFNN模糊递归神经网络火灾预警分类器由每个检测点对应的每个HRFNN模糊递归神经网络火灾预警分类器组成，每个HRFNN模糊递归神经网络火灾预警分类器根据加油站火灾发生的工程实践经验和加油站火灾发生标准，将加油站被检测点油气浓度、温度和烟雾的三个三角模糊数预测值的大小对加油站火灾影响的动态程度量化为加油站火灾发生的五种程度分别为正常状态、有迹象、比较危险、很危险和非常危险，HRFNN模糊递归神经网络火灾预警分类器的输入是每组参数检测单元的三角模糊数预测模块的输出，三角模糊数预测模块的输出分别为检测点油气浓度、温度和烟雾的三角模糊值的预测值，HRFNN模糊递归神经网络火灾预警分类器的输出为代表检测单元处火灾风险度的三角模糊数，根据加油站火灾发生的五种程度分别对应五个不同的三角模糊数，计算每个检测点HRFNN模糊递归神经网络火灾预警分类器的输出的三角模糊数与代表五种火灾不同程度的五个三角模糊数的距离，其中距离最小的三角模糊数对应的火灾危险度的火灾等级确定为该检测点火灾危险度。

3.根据权利要求1或2所述的一种基于物联网的多点火灾预警系统，其特征在于：所述基于ZigBee网络的加油站油罐区环境参数采集平台由多个检测点和现场监控端组成，通过ZigBee网络实现它们之间的信息通信；检测点由传感器组模块、单片机和ZigBee通信模块CC2530组成，负责检测加油站油罐区环境的油气浓度、温度和烟雾的实际值，现场监控端实现对加油站油罐区环境参数进行管理和对加油站油罐区环境多个检测点检测参数的管理与预测、预警加油站火灾危险的等级。

Images