數(shù)據(jù)融合技術(shù)在火災(zāi)報(bào)警系統(tǒng)中的應(yīng)用研究

周炳臣,張鐵壁,張學(xué)軍

(1.河北工業(yè)大學(xué)電氣與自動化學(xué)院,天津 300130;2.河北工程技術(shù)高等專科學(xué)校電氣系,河北滄州 061001;3.北京科技大學(xué)信息工程學(xué)院,北京 100083)

數(shù)據(jù)融合技術(shù)在火災(zāi)報(bào)警系統(tǒng)中的應(yīng)用研究

周炳臣1,2,張鐵壁2,3,張學(xué)軍2

(1.河北工業(yè)大學(xué)電氣與自動化學(xué)院,天津 300130;2.河北工程技術(shù)高等專科學(xué)校電氣系,河北滄州 061001;3.北京科技大學(xué)信息工程學(xué)院,北京 100083)

提出了一種基于現(xiàn)場總線的神經(jīng)網(wǎng)絡(luò)和模糊推理的多傳感器數(shù)據(jù)融合技術(shù),對所采用的數(shù)據(jù)融合技術(shù)進(jìn)行了詳細(xì)介紹。模擬實(shí)際輸入信號的仿真結(jié)果證明,采用神經(jīng)網(wǎng)絡(luò)BP算法和模糊推理的多傳感器數(shù)據(jù)融合技術(shù)能夠準(zhǔn)確預(yù)報(bào)火災(zāi),有效降低誤報(bào)率,達(dá)到了預(yù)期效果。

數(shù)據(jù)融合;神經(jīng)網(wǎng)絡(luò);模糊推理;現(xiàn)場總線;火災(zāi)報(bào)警

火災(zāi)是危害人類生命財(cái)產(chǎn)災(zāi)害中非常常見的一種。因此早期預(yù)報(bào)火情、及時報(bào)警、防火于未燃是火災(zāi)探測系統(tǒng)完成的任務(wù)[1]。目前火災(zāi)探測器中采用的大多是閾值比較法 ,是傳統(tǒng)的火災(zāi)檢測數(shù)據(jù)處理方式,簡單明了而且易于實(shí)現(xiàn),但對環(huán)境適應(yīng)性和抗干擾能力較差;而一些大型的火災(zāi)報(bào)警系統(tǒng)復(fù)雜、成本高。人們對火災(zāi)智能報(bào)警系統(tǒng)的很大期望是早期發(fā)現(xiàn)火災(zāi)、消除誤報(bào)和降低系統(tǒng)的總成本,這些因素是相互制約的[2]。發(fā)生這些情況的主要原因就是沒有將各傳感器獲得的數(shù)據(jù)在一定準(zhǔn)則下加以綜合分析,因此很有必要將多傳感器的數(shù)據(jù)進(jìn)行加工處理,即采用多傳感器數(shù)據(jù)融合技術(shù)。它利用多個傳感器獲得的各種信息,得出環(huán)境或?qū)ο筇卣鞯娜妗⒄_的認(rèn)識。因此,筆者設(shè)計(jì)了一種在現(xiàn)場采用CAN總線技術(shù)和上位機(jī)之間進(jìn)行數(shù)據(jù)通信傳輸,上位機(jī)采用神經(jīng)網(wǎng)絡(luò)和模糊推理技術(shù),對多傳感器數(shù)據(jù)進(jìn)行融合的火災(zāi)報(bào)警系統(tǒng)。

1 系統(tǒng)組成

系統(tǒng)由2個部分構(gòu)成,一是總控制室的上位機(jī)系統(tǒng);另一個是可以和總控制室上位機(jī)通信的CAN現(xiàn)場總線來構(gòu)成系統(tǒng)的底層通信網(wǎng)絡(luò)亦即分布在現(xiàn)場的報(bào)警系統(tǒng)。該系統(tǒng)整體網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)如圖1所示。上位機(jī)系統(tǒng)和底層網(wǎng)絡(luò)通信主要依靠相應(yīng)的CAN接口卡來完成,它承擔(dān)著上位機(jī)和底層CAN智能節(jié)點(diǎn)之間的數(shù)據(jù)轉(zhuǎn)發(fā)任務(wù),即收集各個CAN節(jié)點(diǎn)上的數(shù)據(jù)轉(zhuǎn)發(fā)給上位機(jī),同時把上位機(jī)的命令和數(shù)據(jù)轉(zhuǎn)發(fā)到各個節(jié)點(diǎn)[3]。

從圖1可以看出,整個系統(tǒng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)為總線型,通信介質(zhì)采用屏蔽雙絞線。上位機(jī)負(fù)責(zé)與下位機(jī)的通信,并完成根據(jù)現(xiàn)場多傳感器數(shù)據(jù)融合的結(jié)果進(jìn)行控制室報(bào)警,并動態(tài)顯示各現(xiàn)場傳感器的工作狀態(tài)和重要的現(xiàn)場參數(shù)以及報(bào)警信息等,并對各現(xiàn)場節(jié)點(diǎn)的控制參數(shù)、運(yùn)行參數(shù)進(jìn)行整定和修改,根據(jù)融合結(jié)果判斷是否發(fā)生火災(zāi),如果有火災(zāi)發(fā)生,現(xiàn)場和總控制室同時報(bào)警。現(xiàn)場是基于A T89C51為核心的單片微處理器系統(tǒng),其功能主要來完成CAN總線的初始化和通信、現(xiàn)場參數(shù)、報(bào)警信息設(shè)定、顯示等工作。

圖1 系統(tǒng)組成框圖Fig.1 System block diagram

2 數(shù)據(jù)融合

多傳感器數(shù)據(jù)融合技術(shù)是近年發(fā)展起來的一門新技術(shù),并在許多領(lǐng)域獲得巨大成功。筆者是將基于總線的神經(jīng)網(wǎng)絡(luò)和模糊推理的多傳感器數(shù)據(jù)融合技術(shù)應(yīng)用在火災(zāi)報(bào)警系統(tǒng)中,其基本原理是將火災(zāi)傳感器輸出信號送入火災(zāi)報(bào)警控制器中,由控制器實(shí)現(xiàn)數(shù)據(jù)記憶、存儲、計(jì)算、分析和統(tǒng)計(jì)處理,即采取一定的方法對采集來的多傳感器數(shù)據(jù)進(jìn)行融合,該方法可以提高系統(tǒng)的故障自診斷和自排除能力,以有效降低誤報(bào)率和漏報(bào)率,提高系統(tǒng)報(bào)警的準(zhǔn)確性。系統(tǒng)可以在現(xiàn)場和總控制室兩地控制,它們之間的通信由總線來完成。

2.1 多傳感器數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)處理

2.1.1 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)確定

在本火災(zāi)自動探測報(bào)警系統(tǒng)中,利用前向多層網(wǎng)絡(luò)模型,采用BP算法,通過調(diào)節(jié)權(quán)值使實(shí)際輸出與期望輸出的總均方差最小。網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示,采用了三層網(wǎng)絡(luò)結(jié)構(gòu)。輸入層的4個輸入量X1,X2,X3,X4分別來自離子感煙探測器、光電感煙探測器、模擬感溫火災(zāi)探測器和模擬量氣敏探測器;輸入層與輸出層之間的隱層選取了6個神經(jīng)元節(jié)點(diǎn)M1—M6,輸出層有2個節(jié)點(diǎn)O1和O2分別代表明火火災(zāi)概率和陰燃火火災(zāi)概率 ,值域?yàn)?～1。

為了使神經(jīng)網(wǎng)絡(luò)能夠準(zhǔn)確判斷火災(zāi),需要確定訓(xùn)練模式對,并對網(wǎng)絡(luò)進(jìn)行訓(xùn)練。模式對由輸入信號和導(dǎo)師信號組成,它根據(jù)傳感器對標(biāo)準(zhǔn)試驗(yàn)火和各種實(shí)際環(huán)境下獲取的信號來確定。神經(jīng)網(wǎng)絡(luò)輸入、輸出數(shù)值應(yīng)是歸一化的數(shù)值,神經(jīng)網(wǎng)絡(luò)神經(jīng)元及輸入、輸出間變換函數(shù)的值的區(qū)間可以有多種,可以在-1和1之間,也可以在0和1之間等。根據(jù)這些標(biāo)準(zhǔn)試驗(yàn)火以及由明火火災(zāi)概率和陰燃火火災(zāi)概率組成的導(dǎo)師信號,可以確定出訓(xùn)練模式對,它由對應(yīng)的火災(zāi)判決表表示,即神經(jīng)網(wǎng)絡(luò)的歸一化數(shù)值。根據(jù)各傳感器在火災(zāi)發(fā)生過程中的模擬輸出值,其轉(zhuǎn)化范圍在0和1之間[4-6]。由選取的歐洲的4種標(biāo)準(zhǔn)不同環(huán)境下的火災(zāi)響應(yīng)曲線可以得到火災(zāi)判決表1,它描述了4個輸入和2個輸出組成的3種模式對。通過反向傳播(即BP)學(xué)習(xí)方法,可以將其轉(zhuǎn)化到神經(jīng)網(wǎng)絡(luò)的連接權(quán)矩陣中。這種轉(zhuǎn)換具有信號處理、特征提取、自適應(yīng)、分布式存儲和延拓性等特性。

圖2 系統(tǒng)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 System for neural network structure

這樣就可以自適應(yīng)地表示輸入的各種情況并給出接近期望值的結(jié)果,在定義輸入、輸出之間的關(guān)系時,只需考慮重要的樣點(diǎn),而不必定義輸入、輸出模式的所有組合。重要的樣點(diǎn)包括:對于輸入的很小變化即引起輸出的很大的變化,要在細(xì)節(jié)上描述的樣點(diǎn),或最大值和最小值樣點(diǎn)所在的區(qū)域。具體體現(xiàn)在一些關(guān)鍵的轉(zhuǎn)折點(diǎn),比如火災(zāi)發(fā)生前后,傳感器的模擬輸出都有相應(yīng)較大的變化,在火災(zāi)發(fā)生前期和后期傳感器輸出的值基本上是穩(wěn)定的。根據(jù)實(shí)際應(yīng)用,調(diào)整判決表的定義可更加精確地判決并進(jìn)行火災(zāi)類型估計(jì)。

2.1.2 神經(jīng)網(wǎng)絡(luò)實(shí)驗(yàn)結(jié)果

利用圖2所示神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)使用MA TLAB語言對歐洲4種標(biāo)準(zhǔn)火數(shù)據(jù)[7-8]和無火情況下的部分?jǐn)?shù)據(jù)進(jìn)行訓(xùn)練,分別選取了木柴明火和棉繩陰燃火2種情況進(jìn)行實(shí)驗(yàn)仿真,訓(xùn)練模式數(shù)據(jù)結(jié)構(gòu)表如表1所示,共利用了65個典型的模式對,在具體神經(jīng)網(wǎng)絡(luò)訓(xùn)練中,需要對火災(zāi)數(shù)據(jù)不斷測試,針對性地修正模式對結(jié)構(gòu)表,以達(dá)到神經(jīng)網(wǎng)絡(luò)的輸出正常為止。經(jīng)過10 000次迭代運(yùn)算,得到了網(wǎng)絡(luò)的參數(shù)包括第1層權(quán)系數(shù)W ij、第2層權(quán)系數(shù)V kj、隱層閾值θj和輸出層閾值θk。

表1 對應(yīng)歐洲標(biāo)準(zhǔn)火災(zāi)曲線的數(shù)據(jù)表Tab.1 Table of fire curve corresponding to European standard

所給的65個模式對都是富有代表性的孤立點(diǎn),加上神經(jīng)網(wǎng)絡(luò)的強(qiáng)大學(xué)習(xí)功能和推廣能力,神經(jīng)網(wǎng)絡(luò)已能足以處理實(shí)驗(yàn)中遇到的各種輸入,而且處理效果非常好。模式對并不是一成不變的,需要對火災(zāi)數(shù)據(jù)不斷測試,發(fā)現(xiàn)不合理的現(xiàn)象后,針對性地修改模式表,直到適應(yīng)網(wǎng)絡(luò)輸出正常為止。在求得以上權(quán)值和閾值后,又根據(jù)所選各傳感器對火災(zāi)發(fā)生時響應(yīng)的速度進(jìn)行了現(xiàn)場火災(zāi)的模擬。在火災(zāi)發(fā)生前的十幾秒以及火災(zāi)發(fā)生后期,各傳感器輸出的值相對穩(wěn)定。所以選取的數(shù)據(jù)大多為20～40 s時,模擬傳感器輸出急劇變化的值。

圖3所示的是對于模擬木柴明火火災(zāi)的神經(jīng)網(wǎng)絡(luò)輸出,可以看出在火災(zāi)發(fā)生40 s的時候火災(zāi)的概率迅速增大;圖4是模擬棉繩陰燃火火災(zāi)的神經(jīng)網(wǎng)絡(luò)輸出,在20 s時出現(xiàn)振蕩,也是到40 s左右的時候神經(jīng)網(wǎng)絡(luò)的輸出迅速增加。

從神經(jīng)網(wǎng)絡(luò)的輸出可以看出,在這2種模擬情況下,神經(jīng)網(wǎng)絡(luò)的的輸出響應(yīng)均能正確反映發(fā)生火災(zāi)的概率,綜合明火火災(zāi)和陰燃火火災(zāi)的概率輸出情況就可以正確判斷火災(zāi)的發(fā)生與否。

2.2 模糊推理

神經(jīng)網(wǎng)絡(luò)的輸出是發(fā)生火災(zāi)的概率,也只能說明發(fā)生的可能性有多大。如果知道火災(zāi)概率為0.9時,可以判斷是發(fā)生了火災(zāi),如果火災(zāi)概率是0.5左右,這時發(fā)生火災(zāi)的模糊性就非常大。那么如何來解決這個問題,在此又引入了模糊推理進(jìn)行判決。

模糊推理也是數(shù)據(jù)融合技術(shù)的一個重要部分。模糊理論對于數(shù)據(jù)融合的實(shí)際價值在于它外延到模糊邏輯,通過模糊命題的表示,用綜合規(guī)則建立起演繹推理,并在模糊推理中使用模糊概念,從而方便建立模糊邏輯。模糊邏輯是一多值邏輯,隸屬程度可視為一個數(shù)據(jù)真值的不確定表示。因此多個數(shù)據(jù)的融合方法中的不確定性可以直接用模糊邏輯來表示,然后通過模糊推理來完成數(shù)據(jù)融合處理。

在該系統(tǒng)中,用u代表明火火災(zāi)概率,A(u)代表有火模糊集,B(u)代表無火模糊集。給定一個神經(jīng)網(wǎng)絡(luò)的輸出火災(zāi)概率u值,要判決出是否有火,只要比較A(u)和B(u)的大小就可以確定。那么關(guān)鍵的問題就是如何來確定隸屬函數(shù)的問題。筆者參閱了大量有關(guān)的文獻(xiàn),發(fā)現(xiàn)對于隸屬函數(shù)的確定問題多采用神經(jīng)網(wǎng)絡(luò)方法,其他一些比較常用的方法也可以取得很好的效果[9-11]。根據(jù)文獻(xiàn)提供的經(jīng)驗(yàn)和對火災(zāi)數(shù)據(jù)的統(tǒng)計(jì)分析,筆者采用了如下形式的正態(tài)分布作為A(u)和B(u)隸屬函數(shù),其中有火模糊集A(u)為偏大型的正態(tài)分布函數(shù),B(u)為偏小型的正態(tài)分布函數(shù)。

在神經(jīng)網(wǎng)絡(luò)輸出得到2個火災(zāi)概率,即明火火災(zāi)概率和陰燃火火災(zāi)概率,用模糊推理判別的時候,取二者最大的值,即u=max{O1,O2}。表2列舉了在神經(jīng)網(wǎng)絡(luò)輸出為0.5左右的取值,以及利用最大隸屬度原則判斷的結(jié)果。

表2 利用最大隸屬度原則前后對照表Tab.2 Comparison table by meansof maximum membership p rincip le

從表2中可以看出,通過使用模糊推理中的最大隸屬度原則,可以判斷神經(jīng)網(wǎng)絡(luò)輸出值概率在0.5附近的火災(zāi)的情況,同時經(jīng)過和仿真輸入的火災(zāi)數(shù)據(jù)的驗(yàn)證表明,結(jié)果是正確的。

3 結(jié) 論

針對一些中小型建筑應(yīng)用研究了一種基于數(shù)據(jù)融合和現(xiàn)場總線技術(shù)的火災(zāi)報(bào)警系統(tǒng),在火災(zāi)報(bào)警系統(tǒng)中將二者綜合應(yīng)用。實(shí)驗(yàn)及仿真結(jié)果表明,采用現(xiàn)場總線技術(shù)實(shí)現(xiàn)了現(xiàn)場和總控制室之間的通信,數(shù)據(jù)準(zhǔn)確性高,實(shí)時性好,采用數(shù)據(jù)融合技術(shù)有效降低了火災(zāi)報(bào)警系統(tǒng)中容易出現(xiàn)的誤報(bào)問題,提高了火災(zāi)報(bào)警的準(zhǔn)確程度,有效降低了誤報(bào)率。

[1]陽憲惠.現(xiàn)場總線技術(shù)及其應(yīng)用[M].北京:清華大學(xué)出版社,2008.

[2]宋中才.智能建筑中火災(zāi)自動報(bào)警系統(tǒng)的設(shè)計(jì)[J].重慶郵電學(xué)院學(xué)報(bào)(自然科學(xué)版)(Journal of Chongqing University of Posts and Telecommunications(Natural Science Edition)),2004,16(4):97-100.

[3]張鐵壁,吳并臻.基于CAN總線的智能壓力節(jié)點(diǎn)的設(shè)計(jì)[J].儀表技術(shù)與傳感器(Instrument Technique and Sensor),2004(9):37-38.

[4]王 祈,聶 偉.數(shù)據(jù)融合與智能傳感系統(tǒng)[J].自動化儀表(Process Automation Instrumentation),2002(8):22-25.

[5]李永偉,王震宇,于國慶,等.信息融合技術(shù)在高壓電氣設(shè)備溫變故障診斷中的應(yīng)用[J].河北工業(yè)科技(Hebei Journalof Industrial Science and Technology),2007,24(6):366-368.

[6]郭英軍,孫麗華,孫會琴,等.電壓變壓器熱故障的在線診斷技術(shù)[J].河北科技大學(xué)學(xué)報(bào)(Journal of Hebei University of Science and Technology),2007,28(2):147-149.

[7]劉 彬,冉蜀陽.采用多傳感器數(shù)據(jù)融合技術(shù)的消防報(bào)警系統(tǒng)[J].中國測試技術(shù)(China M easurement Technology),2006(6):132-134.

[8]李占峰,韓芳芳,鄭德忠.基于BP神經(jīng)網(wǎng)絡(luò)的電機(jī)轉(zhuǎn)子故障診斷的研究[J].河北科技大學(xué)學(xué)報(bào)(Journal of Hebei University of Science and Technology),2001,22(3):23-26.

[9]何 友,王國宏.多傳感器信息融合及其應(yīng)用[M].北京:電子工業(yè)出版社,2007.

[10]權(quán)太范.信息融合[M].北京:國防工業(yè)出版社,2002.

[11]劉同明,夏祖勛,解洪成.數(shù)據(jù)融合技術(shù)及其應(yīng)用[M].北京:國防工業(yè)出版社,1998.

App lication study on fire alarm system based on data fusion technology

ZHOU Bing-chen1,2,ZHANG Tie-bi2,3,ZHANG Xue-jun2
(1.School of Electrical Engineering and Automation,Hebei University of Technology,Tianjin 300130,China;2.Department of Electrical Engineering,Hebei Engineering and Technical College,Cangzhou Hebei061001,China;3.School of Information Engineering,Beijing University of Science and Technology,Beijing 100083,China)

The study p roposed a multisenso r data fusion technology,w hich is based on neural netwo rk and fuzzy reasoning technologies and fieldbus.It described in detail the data fusion technology.The imitation results with actual input information confirmed that themultisensor data fusion technology using BP neural network and fuzzy reasoning can accurately forecast fires and effectively lower false alarm rate,and has reached the expected goal.

data fusion;neural network;fuzzy reasoning;fieldbus;fire alarm

TP277

A

1008-1542(2010)02-0120-04

2009-06-29;

2009-10-16;責(zé)任編輯:李 穆

周炳臣(1972-),男,河北鹽山人,工程師,碩士,主要從事電工理論與智能化儀表方面的研究。