CN2785052Y - 一种地铁火灾智能监测预警预报装置 - Google Patents

Abstract

本实用新型提供一种地铁火灾智能监测预警预报装置，包括火灾信号探测器、数据管理器、火灾报警控制器、CCD摄像机、监视器、报警设备，数据管理器通过模数转换器与火灾信号探测器连接，通过信号传递装置与火灾报警控制器连接，其还与监视器连接，火灾报警控制器通过数模转换器与报警设备连接，CCD摄像机与数据管理器、火灾报警控制器分别连接。本装置结合应用多种探测手段，运用非线性火灾理论和模糊神经网络技术预测火警级别，并具有自学习能力，实现高容错性和智能化，能准确及时地监测、预报地铁火灾。

Description

一种地铁火灾智能监测预警预报装置

                          技术领域

本实用新型涉及地铁火灾监测预警预报装置，具体是指一种具有自学习功能的地铁火灾智能监测预警预报装置。

                          背景技术

近年来，我国城市轨道交通建设得到快速发展。随着地铁线路长度和客运量不断增长，地铁火灾事故也不断发生，据不完全统计，我国地铁自1969年相继投入运行以来，因变电所、地铁车辆内的电气设备和线路出现故障以及违章电焊和电气设备误操作等，共发生火灾156起，其中重大火灾3起，特大火灾1起。地铁是人员密度比较集中的区域，火灾一旦发生，人员疏散困难，容易引起群死群伤重大事故，因此，使用优质先进的火灾监测预警预报装置，准确判断起火部位，以及准确预测火源是否会发展成火灾，并对火灾级别和发展程度进行预测，便于进行及时的扑救，对确保地铁运营安全尤其重要。

传统的火灾监测预警预报装置是对一种或者多种与火灾相关联的物理、化学现象进行连续或者间隔的监测，通常采用感烟、感温、气体型和感光型等传感方式，其工作原理是：通过这些感应元件探测到有关的温度、浓度、光度等物理信号，经中间传递、放大元件，将物理信号转化为电信号，与设定的某一阈值或阈值区域相比较，判断是否有火灾发生。这种机械式的阈值报警装置在很大程度上依赖于传感器的灵敏度，且易受偶尔出现的其它信号的干扰，误报、漏报率较高。

在目前的地铁火灾监测预警预报装置中，通常采用单一的感烟型传感器、感温光缆或CCD(计算机控制显示摄像机)，其缺点是：对地铁结构和火灾特点针对性不强，监测手段单一，可靠性差，如感烟型传感器无法探测酒精燃烧产生的火焰，感温传感器则不易发现阴燃火，CCD摄像机无法辨别移动高温物体与火灾的差别，从而可能产生漏报警；同时，现有的感光、感烟、感温型探测技术，只能探测火焰或者是火灾发生在某些探测区域内，而无法确定火灾发生的确切部位。

                          发明内容

本实用新型的目的是克服现有地铁火灾监测预警预报装置存在的缺陷与不足，提供一种准确、高效，并具有自学习功能的地铁火灾智能监测预警预报装置。

本实用新型的目的通过下述技术方案实现：本地铁火灾智能监测预警预报装置包括火灾信号探测器、数据管理器、火灾报警控制器、CCD摄像机、监视器、报警设备，所述数据管理器通过模数转换器与所述火灾信号探测器连接，通过信号传递装置与火灾报警控制器连接，其还与监视器连接，所述火灾报警控制器通过数模转换器与报警设备连接，所述CCD摄像机与数据管理器、火灾报警控制器分别连接。

所述数据管理器通过计算机来实现，所述数据管理器包括数据库、数据处理器两部分。数据库部分具有数据存储、查询、分析以及知识发现等功能，存储的数据包括：信号探测器采集的火灾信号、CCD视频信号，经大量实验、调研、调试获得的地铁灾情中温度、压力、气流速度、建筑特点、气候条件、可燃物成分、热解特性、着火特性、燃烧特性等数据和火灾模型，以及特定火灾模式下建议采用的扑救措施。所述数据库与数据处理器两部分之间进行数据传输交换，所述数据库为数据处理器提供评判火灾灾情的参照模式、人工神经网络的样本集和判别规则。

所述数据管理器与地铁系统通风换热测量装置连接，获取地铁系统通风换热参数。

所述火灾信号探测器，可以是离子感烟、气体传感器或温度传感器，也可以是离子感烟、气体传感器或温度传感器的结合，其用于现场探测火灾信号。

所述CCD摄像机通过视频采集卡与所述数据管理器连接，其镜头前面设置有可见光滤光镜和滤光镜移动装置，所述滤光镜移动装置与所述火灾报警控制器连接。所述CCD摄像机可以实时摄入可视画面，监测火灾发生早期以及火灾发展过程中火焰的几何图形，并通过所述可见光滤光镜过滤探测景物中可见光成份，降低可见光谱昼夜交替以及灯光背景等辐射源的影响；被滤光镜过滤后的视频信号通过视频采集卡传输到所述数据管理器，在所述监视器的屏幕上形成影像，该视频信号同时在所述数据管理器中进行图像处理；火灾报警控制器通过控制所述滤光镜移动装置，实现CCD摄像机的摄像功能与监测功能的切换。

所述火灾报警控制器，用于接收数据管理器的输出火灾预测信号，对所述报警设备进行控制，其还包括手动报警按钮，用于手工触发火灾报警控制器，对报警设备做出有效控制动作。

所述报警设备包括地铁建筑中已经装备的消防联动、消防广播、火警电话、应急照明、报警记录、防排烟、通风空调、灭火控制装置等设备。

所述监视器用来显示所述CCD摄像机传输的图像信号和所述数据管理器输出的预警预报结果。

所述数据管理器对火灾灾情的判断采用模糊数学与人工神经网络相结合的方法。火灾灾情是一个由弱到强的连续过程，对火灾灾情进行明确的分界，将这一模糊概念处理成清晰现象，容易导致较大的误差。模糊逻辑理论较好地解决了传统的精确计算和布尔逻辑难以确定的复杂问题，较好地协调报警门限和报警延迟时间的关系。同时，人工神经网络具有自学习和自适应功能，对非线性现象的预测具有普遍的适应性。本实用新型采用模糊神经网络计算法，以火灾探测器的传感量及其变化趋势作为特征参数，采用Sigmoid隶属度函数，将函数斜率和函数中心设计为神经网络的权重，以所述数据管理器的数据库中的实验、调研、模型计算结果组织成学习样本集，根据学习样本自动训练和调整模糊系统的设计参数，实现模糊系统的自学习和自适应功能。

所述数据管理器对站厅、隧道、列车、设备用房和地铁商铺火灾发展情况的预测采用的火灾模型包括：挥发分热解与燃烧模型、可燃物轰燃模型、火焰传播模型、火灾蔓延模型、烟气羽流的混沌模型以及烟气蔓延的耦合映象格子模型。

所述数据管理器的数据库具有对神经网络知识库和规则自动更新的功能，每次数据管理器的数据处理器做出的火灾灾情判断和火警级别预测，都会反馈回所述数据管理器的数据库，人工神经网络技术对反馈的数据进行自学习，不断修正样本集和判别规则，完善地铁火灾参照模式。

所述数据管理器对火焰、火灾的判别需要设置合理的火焰判别阈值，该阈值可通过现场实验进行调试来确定。然而地铁建筑中存在广泛的干扰源，如可见光、日光灯、白炽灯、手电筒、闪光灯、高温物等经常出现的物体、现象，并且干扰源强度会随时间、温度、气候、人流量等发生变化，固定的判别阈值会引起误报或者漏报。为提高火焰判别的准确性，本实用新型对所述CCD摄像机与火灾探测器两种探测手段的预测结果进行对比，并结合监视器的定位探测和人工判别，实现火灾图像阈值的实时微调，满足地铁建筑、设施结构以及地铁运行中火灾、火焰预警预报的多样性和特殊性的要求。

本实用新型的工作原理是：

(1)根据用早期火灾图像特点，采用所述CCD摄像机与火灾信号探测器相结合的方法，实现两种监测手段的相互补充和弥补，用所述CCD摄像机(图像识别)监测火焰或火灾的发生，用所述火灾信号探测器(离子感烟、气体传感器或温度传感器等)实时采集现场温度、烟气浓度或气体成份信号，作为火灾发展程度的预测参数，实现火灾的同步监测、定位和预报。

(2)所述数据管理器对所述CCD摄像机和火灾信号探测器传输的视频信号、火灾信号进行录入、处理和管理。视频信号转化为位图后，在所述数据管理器中处理为灰度信号，依据面积变化速度和移动速度判断火灾是否发生，并对火灾发生具体部位进行定位，将其显示在所述监视器的显示屏上。

(3)同时，所述数据管理器对火灾探测器的物理量信号值采用神经网络模糊判断，而且把火灾信号的变化率引入判断规则之中，将该信号及其变化过程与本发明所建立的地铁火灾参照规则对比，并结合地铁系统通风换热测量装置获取的地铁系统通风换热参数，一旦监测到灾情，进行火灾定位后，所述数据管理器进行模式比较，预测火警级别，给出火灾预警信号，同时将该预警信号传输给所述监视器、火灾报警控制器，所述火灾报警控制器对所述报警设备、CCD摄像机进行控制。

(4)所述数据管理器的数据处理器将做出的灾情判断和火警级别反馈回所述数据管理器的数据库，人工神经网络对反馈数据进行自学习，使装置具有自学习功能，提高地铁火灾预测预报火警的准确性和及时性。

(5)同时，所述数据管理器按照地铁建筑结构中站台、列车、隧道、设备用房和地铁商铺不同区域的各自特点，建立火灾发展的规则模式集，采用模糊识别与混沌、突变等非线性火灾模型模拟相结合的方法实现对不同区域火灾发生、发展程度的预测。

本实用新型与现有技术相比，具有如下优点和效果：

(1)应用火灾早期图像特点与传统探测器相结合的方法，多种探测手段的相互补充，提高预警系统的准确性。

(2)运用模糊神经网络技术预测地铁火灾发生的火警级别，将预测结果返回系统，利用神经网络的自学习能力，不断修正样本集和判别规则，实现系统的高容错性和智能化；

(3)引入非线性动力学对地铁火灾机理进行基础理论，建立不同结构特点中的地铁火灾模型，根据现场探测温度、气体流速、烟气浓度、压力等信号对火灾的复杂性和不确定性进行定量计算，分析当前火情以及火灾发展趋势，为救援和灭火工作提供强有力的理论基础，大大增强预警系统的可靠性和科学性。

                          附图说明

图1是本实用新型地铁火灾智能监测预警预报装置的结构示意图；

图2是图1所示数据处理器对火灾灾情判断的原理示意图；

图3是图1所示地铁火灾智能监测预警预报装置判断火灾是否发生和定位的原理示意图；

图4是图1所示地铁火灾智能监测预警预报装置预测灾情发展情况的非线性处理过程示意图。

                          具体实施方式

下面结合附图对本实用新型的具体实施方式作进一步详细的说明，但实施方式不限于此。

如图1所示，本实用新型地铁火灾智能监测预警预报装置，包括火灾信号探测器1、CCD摄像机2、模数转换器3、数据管理器4、监视器5、信号传递装置6、火灾报警控制器7、数模转换器8、报警设备9。

数据管理器4通过计算机来实现，其由数据处理器4-1、数据库4-2两部分相互连接组成；火灾信号探测器1可以是离子感烟、气体传感器或温度传感器，也可以是离子感烟、气体传感器或温度传感器的结合，数据处理器4-1通过模数转换器3与火灾信号探测器1连接，数据处理器4-1与监视器5、地铁系统通风换热测量装置10分别连接；数据处理器4-1还通过信号传递装置6与火灾报警控制器7连接，火灾报警控制器7通过数模转换器8与报警设备9连接，火灾报警控制器7设有手动报警按钮11，报警设备9包括地铁建筑中已经装备的消防联动9-1、消防广播9-2、火警电话9-3、应急照明9-4、报警记录9-5等设备；CCD摄像机2通过视频采集卡12与数据处理器4-2连接，其镜头前面设置有可见光滤光镜和滤光镜移动装置2-1，滤光镜移动装置2-1与火灾报警控制器7连接。火灾信号探测器1可以采用市面上购买的产品，如北京海利自动化系统工程有限公司的HST8110智能光电感烟探测器、HST8120智能感温控测器、HST8130智能感烟感温复合控测器、HST8140智能感烟感温CO复合控测器；CCD摄像机2可以是数码彩色摄像机，也可以是黑白摄像机。

火灾是一种具有多变性、不确定性的非线性过程，实际探测到的信号并不可能与预定的火灾模式规则完全吻合，这就要求模式识别过程具有较强的模糊类比、识别和容错能力。本实用新型采用模糊神经网络，利用探测器、调研、实验、理论计算得到的火灾信号组成训练样本集，在模糊神经网络技术进行训练，形成具有高容错性、复杂模式分类和辩识的火灾智能预警装置。如图2所示，本实用新型的模糊神经网络为含有6层结构的ANN网络，A为输入层，B、C、D为模糊化层，E为决策层，包含了9个模式规则(rule 1，rule 2…rule9)，F为输出层。训练采用改进后的误差反向传播算法(BP)，输入变量为火灾信号探测器1的输出信号值X(如烟浓度)和火灾信号的变化率ΔX，信号变化率ΔX采用最小二乘法进行拟合，输出信号为火警级别，分为小、中、大三级。输入信号的模糊化也分为三级，X分为低、中、高，ΔX分为降低、平缓、增加。其隶属度函数采用Sigmoid函数，如下所示：

$f_1\left(X\right)=\frac{-1}{1+\exp (-W_{s1}(X-W_{c1}))}+1$

$f_2\left(X\right)=\frac{1}{1+\exp (-W_{s1}(X-W_{c1}))}+\frac{-1}{1+\exp (-W_{s1}(X-W_{c2}))}$

$f_3\left(X\right)=\frac{1}{1+\exp (-W_{s1}(X-W_{c2}))}$

$f_1\left(\mathrm{\ΔX}\right)=\frac{-1}{1+\exp (-W_{s2}(\mathrm{\ΔX}-W_{c3}))}+1$

$f_2\left(\mathrm{\ΔX}\right)=\frac{1}{1+\exp (-W_{s2}(\mathrm{\ΔX}-W_{c3}))}+\frac{-1}{1+\exp (-W_{s2}(\mathrm{\ΔX}-W_{c4}))}$

$f_3\left(\mathrm{\ΔX}\right)=\frac{1}{1+\exp \left({-W}_{s2}(\mathrm{\ΔX}-W_{c4})\right)}$

其中，Wc为函数的函数中心，Ws为函数的斜率。模糊系统的隶属函数依靠经验选择，难以达到自动设计和自适应调整，本实用新型采用神经网络系统的学习方法，将函数的设计参数(函数中心和函数斜率)设计为神经网络中的权重，根据输入输出样本自动设计和调整模糊系统的设计参数，实现模糊系统的自学习和自适应功能。

如图3所示，火灾信号(如烟、温等)探测数值经数模转换器3转换，进入数据处理器4-1的模糊神经网络计算模块4-1-1，进行火情大小的模糊识别，识别结果输出是否会发生火灾的判断信号B(0或者1)；另一方面，CCD摄像机2监测的视频信号通过视频采集卡12传输给数据处理器4-1的视频信号处理模块4-1-2转化为位图后，进行灰度变化和图像处理。在火灾发生的早期，火焰面积呈现连续的、扩展性的增加，并且随着火焰的发展，旧燃烧物燃尽、新燃烧物被点燃，火焰不断进行连续的移动，因此，本实用新型根据灰度信号的面积变化和移动速度来判断是否有火灾发生。面积可通过取阈值后统计图像的亮点(灰度值大于阈值)数来实现，然后对图像上的每个目标与前一帧中目标进行匹配，获得目标的连续变化规律，如果探测到面积逐渐增大，则进入下一级移动速度判别指标中，否则判断为干扰信号，并输出判断信号B(布尔值为0)。对面积移动速度在设定范围内的图像，输出火灾发生判断信号A(布尔值为1)，否则判断为干扰信号，并输出判断信号A(布尔值为0)。

判断信号A和B首先进入“或”门，如果两种判别信号都显示不发生火灾(即A+B＝0)，则数据处理器4-1的计算返回到初始程序；否则进入“与”门，如果两种判别信号均指示发生火灾(即A&B＝1)，则数据处理器4-1将该信号传输给信号传递装置6，火灾报警控制器7对报警设备9进行控制，并通过滤光镜移动装置2-1移去CCD摄像机2前面的可见光滤光镜，将CCD摄像机2切换为通常的摄像功能，使可视化图像显示在监视器5屏幕上，指示火灾发生的具体部位，实现火灾的定位和显示；同时，此信号连同模糊神经网络计算模块4-1-1对火情的预测结果反馈回数据库4-2保存，补充人工神经网络技术自学习样本集。

如果A+B＝1，且A&B＝0，两种判别结果之间存在差异，数据处理器4-1发出“判别报警”，在监视器5上定位产生误差的目标图像，并发指令给火灾报警控制器7，通过滤光镜移动装置2-1移去CCD摄像机2前面的可见光滤光镜，采用人工监视判别。人工判别结果通过数据处理器4-1的接口输入，并反馈给数据库4-2，作为神经网络训练和学习的样本集；对判别结果为“发生火灾”的情况，数据处理器4-1发信号给信号传递装置6，通过火灾报警控制器7实现报警控制。

地铁中气候、热流量、自然光等环境因素的变化会干扰监测仪器的判别结果，其中由于神经网络计算误差导致的判别输出信号A和B之间差异，本实用新型采用神经网络对人工监视判别结果的学习得到改进，实现自学习和自适应功能；视频信号判别的误差则可以通过微调视频信号处理模块4-1-2的判别阈值，然后重新处理图像，达到两种判别手段判别结果一致。

地铁火灾一方面是一个受多种因素影响的，复杂的非线性特征，火灾中热解、另一方面，尽管受到众多热灾害因素的影响，体现出复杂性，但是，在相似的环境和条件下，火灾的发生和发展过程却又能体现出相似的规律。地铁建筑通常可分为设备用房、列车、隧道、地下商铺和站台这几类空间，各类空间中建筑材料、构造、空间特征、换热换气系统都按照其标准要求设计，从而同类空间具有相似的燃烧环境。基于对地铁建筑特点和燃烧过程的认识，本实用新型采用非线性模型和模式识别相结合的方法，对地铁中火灾的发展进行预测。依据地铁不同类型空间建筑特点，建立挥发分热解与燃烧模型、可燃物轰燃模型、火焰传播模型、火灾蔓延模型、烟气羽流的混沌模型以及烟气蔓延的耦合映象格子模型，从而构造出考虑各种相关因素的火灾预测模型。分别针对不同类型空间，对基础研究、实验室实验、现场调研以及数值模拟，积累起相关特点，构成火灾发展模式集，存储于火灾的基础数据，进行归类，提取其火灾数据库4-2中。

如图4所示，火灾信号探测器1获得的模拟信号通过模数转换器3传输给数据处理器4-1的火灾发展预测模块4-1-3，地铁系统通风换热测量装置10测得的通风换热参数，也通过数据接口传输给火灾发展预测模块4-1-3。当数据处理器4-1探测到火灾发生时，通过对监测信号的寻址，获得火灾发生的具体位置，并将定位信号传输给火灾发展预测模块4-1-3。火灾发展预测模块4-1-3通过该定位信号，表征当前火灾发展程度的探测信号：温度、压力、烟气浓度、气体成份以及通风条件，在数据库4-2中查询该类型地铁空间火灾参照模式集，进行模式比较，分析当前火灾是属于阴燃、火灾初期或者是属于大火范畴。然后将这些探测信号传入相应的非线性预测计算模型，通过挥发分热解与燃烧模型、可燃物轰燃模型、火焰传播模型、火灾蔓延模型、烟气羽流的混沌模型以及烟气蔓延的耦合映象格子模型，对火灾的发展进行实时预测。模式比较和火灾发展的预测结果，以及数据库4-2事先存储的相应处理决策都显示在监视器5上。同时，当前火灾特征信号以及火灾的发展程度反馈给数据库4-2，补充参照模式集。

由于火灾现象具有多变性，某些物理量受到环境其他因素的影响，瞬时值表现出一定的随机性，从而使实际探测到的信号难以和给出模式完全吻合，因此，本实用新型中模式比较采用了模糊识别的方法，通过待监测对象与已知模式的贴近度大小进行判断。

综上所述，本实用新型的地铁火灾监测预警预报装置的工作过程是：

(1)火灾信号探测器1现场探测和调查得到的温度、压力、烟气、气体成份等数据经模数转换器3输入数据处理器4-1，同时，CCD摄像仪2实时监测的视频信号通过视频采集卡12也传输给数据处理器4-1；

(2)数据处理器4-1中视频信号处理模块4-1-2对图像信号灰度化后，通过面积变化和面积移动速度两个指标判别火情，输出火灾判断信号A(布尔值)；

(3)数据处理器4-1中模糊神经网络计算模块4-1-1则对探测信号及其变化速度模糊化后采用BP算法进行处理，输出火警级别的模糊值，并给出火灾判断信号B(布尔值)；

(4)通过两个火灾判断信号A、B的综合分析，做出火灾是否发生的判断；

(5)判断有火警之后，数据处理器4-1将火警信号和火警级别显示在监视器5上，并将火警信号经信号传递装置6，传输给火灾报警控制器7实现对报警设备9的控制，消防部门收到报警后开展扑救工作，同时，火灾报警控制器7通过滤光镜移动装置2-1移去CCD摄像机2前面的可见光滤光镜，将CCD摄像机2切换为通常的摄像功能，使可视化图像显示在监视器5屏幕上，指示火灾发生的具体部位，实现火灾的定位和录像。火灾的预警也可以通过手动报警按钮11人为地对火灾报警控制器7做出动作，使警报有效地实施。

(6)判断有火警之后，数据处理器4-1中火灾发展预测模块4-1-3通过当前监测信号与数据库4-2中火灾参照模式集进行模式比较，分析当前火灾范畴；然后通过非线性模型计算预测火灾的发展，将模式比较结果、火灾发展的预测结果，以及数据库4-2存储的相应处理决策都显示在监视器5上，供操作人员参考。

(7)数据处理器4-1将每次做出的灾情判断和火警级别反馈回数据库4-2保存，并利用人工神经网络技术将反馈的数据进行自学习，不断修正样本集和判别规则；

(8)同时，火灾物理信号、模式比较和非线性预测计算获得的当前火灾模式及其发展趋势也反馈回数据库4-2，补充参照模式集，作为以后火灾发展预测的基础数据。

如上所述，即可较好地实现本实用新型。

Claims (7)

1、一种地铁火灾智能监测预警预报装置，其特征在于：包括火灾信号探测器、数据管理器、火灾报警控制器、CCD摄像机、监视器、报警设备，所述数据管理器通过模数转换器与所述火灾信号探测器连接，通过信号传递装置与火灾报警控制器连接，其还与监视器连接，所述火灾报警控制器通过数模转换器与报警设备连接，所述CCD摄像机与数据管理器、火灾报警控制器分别连接。

2、根据权利要求1所述一种地铁火灾智能监测预警预报装置，其特征在于：所述数据管理器是计算机，其包括数据库、数据处理器两部分。

3、根据权利要求1所述一种地铁火灾智能监测预警预报装置，其特征在于：所述数据管理器与地铁系统通风换热测量装置连接。

4、根据权利要求1所述一种地铁火灾智能监测预警预报装置，其特征在于：所述火灾信号探测器，包括离子感烟、气体传感器或温度传感器，或者是离子感烟、气体传感器或温度传感器的结合。

5、根据权利要求1所述一种地铁火灾智能监测预警预报装置，其特征在于：所述CCD摄像机通过视频采集卡与所述数据管理器连接，其镜头前面设置有可见光滤光镜和滤光镜移动装置，所述滤光镜移动装置与所述火灾报警控制器连接。

6、根据权利要求1所述一种地铁火灾智能监测预警预报装置，其特征在于：所述火灾报警控制器还包括手动报警按钮。

7、根据权利要求1所述一种地铁火灾智能监测预警预报装置，其特征在于：所述报警设备包括消防联动、消防广播、火警电话、应急照明、报警记录设备。

Images