模糊神經網絡在火災探測中的應用

楊幫華 董 崢 張永懷

(上海大學機電工程與自動化學院自動化系上海市電站自動化技術重點實驗室1，上海 200072;河南漢威電子股份有限公司2，河南 鄭州 450000)

0 引言

火災是可燃物和助燃物在一定條件下發生的劇烈化學反應。火災發生過程中生成的燃燒產物主要有氣溶膠、煙霧、光、熱和燃燒波等［1］。由于火災發生的隨機性、使用環境的多樣性和火災信號的非結構性，導致火災誤報頻頻發生。因此，采用合適的火災信號處理算法、建立有效的識別模型預報火情是火災探測的關鍵。

目前，火災探測領域主要采用以下幾種識別算法。①傳統算法:20世紀90年代前期，火災探測算法可歸納為閾值法和持續時間算法。閾值法是將火災信號幅度與設定的門限進行比較，超過門限時判斷發生火災。持續時間算法將火災信號分為高頻部分和低頻部分，當發生火災時，傳感器信號低頻部分超過預定門限的持續時間比正常情況下多。火災信號通過與正常或干擾情況下的信號激勵條件進行比對輸出報警信號，達到火災識別的目的［2－3］。②人工智能算法:20世紀90年代后，火災探測算法與人工智能、自動控制和信號處理等技術相互融合［4］，能夠根據現場自動調整運行參數，即具有自學習功能和自適應能力，更適合對具有突發性和時變性的火災信號進行識別處理［5］。

本文建立的火災探測系統主要應用于電站、變壓器間和配電室等室內封閉空間。當發生火災時，室內產生高溫以及高強度的火焰輻射，系統前端采用溫度-火焰復合探測器進行構建，將探測到的溫度及火焰輻射通過一定的信號預處理電路進行放大、濾波和A/D轉換，得到的數字信號送入微處理器中進行分析判斷。為了采用智能算法進行火災識別，依據特種火災探測器國家標準進行了多次試驗，通過上位機軟件獲取了大量的試驗數據，并根據獲取的數據，重點研究了模糊神經網絡(fuzzy neural network，FNN)在火災探測中的應用。

1 火災探測硬件系統

1.1 系統結構

火災探測系統由溫度-火焰復合探測器、放大濾波、A/D轉換、微處理器識別和數據輸出五部分組成，系統結構如圖1所示。

圖1 火災探測系統結構框圖Fig.1 Block diagram of fire detection system

系統通過溫度-火焰探測器對火災信號進行探測。其中，溫度探測器同時探測目標溫度和環境溫度，火焰探測器探測波長為4.3 μm 和 3.8 μm 的紅外輻射，探測角度為120°。伴隨著起火過程，環境溫度會逐漸升高，紅外輻射強度會發生大幅變化，通過對兩種火災信號的綜合處理，可增強火災檢測的可靠性。放大濾波部分將火災信號進行適當放大，并進行濾波處理，以去除信號噪聲和毛刺，使信號更平滑、更易識別。A/D轉換部分將模擬信號轉換為數字信號，輸出的數字信號在微處理器中通過信號處理算法進行識別處理。最后，單片機中處理的結果通過數據輸出部分輸出報警信號，由火災報警燈進行顯示。

在火災探測系統中，需要全面權衡報警信號的靈敏度和精度。因此，針對微處理器識別算法的選擇與設計這一核心問題，本文重點研究了基于模糊邏輯和神經網絡理論的火災信號識別算法，旨在保證在一定靈敏度的基礎上提高系統的探測精度。

1.2 數據獲取

基于上述探測系統，在室外27℃微風的環境下，將探測器固定在1.5 m高處，依據特種火災探測器國家標準GB 15631-2008，進行I級(25 m)、Ⅱ級(17 m)、Ⅲ級(12 m)靈敏度試驗。數據獲取過程如下。

① 將2000 g無水乙醇(濃度95%)倒入厚2 mm、底面尺寸為33 cm×33 cm、高為5 cm的鋼板容器中;

②采用火焰點火方式;

③在探測器距火源中心12 m處，點燃乙醇火，記錄有火狀態下的數據30 s，然后用擋板擋住探測器5 s，記錄對應的無火情況下試驗數據5 s，重復以上操作，記錄整個過程的試驗數據;

④在探測器距火源17 m處，重復步驟③，記錄整個過程的試驗數據;

⑤在探測器距火源25 m處，重復步驟③，記錄整個過程的試驗數據。

通過上述數據采集過程，最終得到分別距火源中心12、17、25(單位:m)的試驗數據上千組，為應用模糊神經網絡進行信號識別打下基礎。

2 火災探測軟件算法

2.1 模糊邏輯與火災探測

模糊理論是由美國學者、加利福尼亞大學著名教授Zadeh于1965年首先提出的。1974年英國的Mamdani將模糊理論用于工業控制，取得了良好效果。模糊邏輯主要具有如下特點:

①在設計系統時不需建立被控對象的數學模型，只要求掌握現場操作人員或專家經驗和操作數據;

②由工業過程的定性認識出發，建立語言變量控制規則方便快捷;

③算法簡單，執行快，實現方便，容易普及和推廣［6－7］。

將模糊邏輯應用于火災探測報警技術，首先須建立相應的輸入輸出規則關系庫，這是整個算法的關鍵。但由于火災是一個非常復雜的非線性結構對象，存在燃燒產物、燃燒環境等一系列不確定因素，因此，單純依靠模糊邏輯很難建立全面準確的模糊規則庫，不能達到理想的辨識效果。

2.2 神經網絡與火災探測

誤差反向(back-propagation，BP)、徑向基函數(radial-basis function，RBF)和概率神經網絡(probabilistic neural network，PNN)三種算法廣泛應用于火災探測。其中，PNN網絡較為靈活，但隱層節點數量大，儲存量大，執行速度較慢。RBF是一個局部逼近的神經網絡，網絡實現簡單，訓練速度快，但隱含層神經元較多［8］。BP網絡是最廣泛應用的模型，經過訓練網絡可以更好地適應環境，速度適中。因此，本文采用BP網絡構建火災探測模型。

然而，將神經網絡應用于火災探測技術，僅憑借有限的現場數據和試驗數據來構造規則是遠遠不夠的。由于試驗環境與現場環境是有差別的，而火災信號檢測不可能多次現場重復試驗以獲得所有狀態的樣本。因此，單純依靠神經網絡同樣不能達到理想的效果［9］。

2.3 模糊神經網絡與火災探測

在火災探測中，單純依靠模糊邏輯或神經網絡都存在一定的局限性，不能達到理想的辨識效果，如將兩者結合則具有廣闊的前景。因此，本文采用模糊神經網絡進行火災信號的識別。

2.3.1 基本結構

本文建立的模糊神經網絡采用串聯型結構，模糊神經網絡的基本結構如圖2所示。

圖2 模糊神經網絡的基本結構框圖Fig.2 Basic structure of fuzzy neural network

圖2中，模糊神經網絡各層的作用如下。

①輸入層，溫度-火焰復合探測器的輸出信號(即目標溫度、環境溫度和紅外輻射等信號)作為網絡的輸入數據。

②信號預處理，對網絡的輸入數據進行放大、濾波和A/D轉換。需要指出的是，對輸入量進行歸一化處理，可以防止小數值被大數值淹沒而影響網絡校正進程。

③預測層，通過輸入訓練樣本來調節連接權值。

④模糊推理層，完成對網絡輸出的有火概率和無火概率的模糊推理。

⑤輸出層，最終的輸出為火災概率。對火災概率應用門限法進行判斷，將閾值設為0.5，即火災概率大于0.5時輸出報警信號，判斷有火災發生。

2.3.2 模糊神經網絡構建過程

對前端傳感器的輸出信號(目標溫度、環境溫度和紅外輻射等火災信號)進行信號預處理，獲得較為理想的數據，從而根據獲取的數據，進行模糊神經網絡構建，構建過程如下。

①建立一個三輸入、兩輸出、隱含層為七層的三層BP神經網絡，輸入信號為目標溫度、環境溫度和紅外輻射，輸出為有火概率和無火概率。將現場采集的試驗數據分成兩部分，200組作為訓練樣本，200組作為檢驗樣本。通過誤差反向傳播算法對訓練樣本進行訓練，修改權值達到預定的目標誤差，然后對檢驗樣本進行仿真，得到200組輸出，包括有火概率和無火概率。

由此可以看到，當有火概率大于0.8時，可以肯定發生了火災;而當有火概率小于0.2時，可以認為沒有發生火災。但當門限定為0.5，而網絡輸出為0.49和0.51時，則很難做出判斷。因此，須采用模糊推理對神經網絡輸出作進一步處理。

②模糊推理的進一步處理包括輸入量和輸出量的模糊量化和標定、建立控制規則表以及精確化過程。

輸入量為神經網絡輸出的有火概率和無火概率P1、P2，輸出量為火災發生的概率P。首先將它們轉化為模糊量，并給出 P1、P2和 P的上下限(均為［0，1］)作為論域U。

根據經驗和火災數據統計，神經網絡輸出P1、P2分成三級，即大(PL)、中(PM)、小(PS)，火災發生概率P分成二級，即大(PL)、小(PS)，均采用高斯函數作為隸屬函數。

構造模糊集{Ai}、{Bi}和{Ci}，其中 Ai、Bi分別表示神經網絡的輸出P1、P2在隸屬度函數作用下的值域范圍，Ci表示火災概率P在隸屬度函數作用下的值域范圍，i表示建立的模糊規則數，本文建立了三條模糊規則，因此 i∈［1，3］。

建立控制規則是模糊邏輯判決的核心。模糊邏輯推理方法主要有Zadeh法、Mamdani法和Larsen法等，本文采用Mamdani法來實現模糊邏輯推理。以兩個輸入(有火概率P1和無火概率P2)和一個輸出(火災概率P)的辨識系統為例，其規則一般可表示為“P1是Ai且 P2是 Bi，則 P 是 Ci”，即“若有火概率為 0.6，且無火概率為 0.4，則火災概率為 0.7”。

在推理得到的模糊集合中，取一個能代表這個模糊推理結果可能性的精確值的過程稱為精確化過程。常用的精確化方法主要有最大隸屬度函數法、中位數和重心法，本文選用重心法進行精確化。

采用Mam-dani的Min-Max-COA法進行模糊推理后，通過加權平均進行反模糊化，準確的火災概率輸出量為:

2.3.3 訓練結果

首先，在采集獲取的數據中，選取200組數據作為訓練樣本進行網絡模型構建。初始學習率設定為0.1，誤差極限設定為0.001，訓練步數設定為3000。對訓練樣本集重復強化訓練，直到誤差極限達到設定值即完成網絡構建，從而用于系統仿真。神經網絡誤差收斂曲線如圖3所示。

圖3 誤差收斂曲線Fig.3 Error convergence curve of neural network

在Matlab中建立模糊推理系統，確定有火概率和無火概率的模糊控制規則，建立如下模糊規則。

if(有火概率P1is PS)and(無火概率P2is PL)then(火災概率P is PS);

if(有火概率P1is PM)and(無火概率P2is PM)then(火災概率P is PL);

if(有火概率P1is PL)and(無火概率P2is PS)then(火災概率P is PL)。

然后，再選取200組樣本作為檢驗樣本，按模糊神經網絡的構建過程進行仿真計算。對200組檢驗樣本進行了20次仿真計算，每次分別使用神經網絡(NN)和模糊神經網絡(FNN)兩種方法進行仿真。

通過NN和FNN兩種方法，分別得到的誤報樣本數及識別正確率如表1所示。

表1 仿真結果Tab.1 Comparison of simulation results

表1中，NN誤報數表示在每次重復試驗中，應用神經網絡方法(NN)對200組樣本進行識別產生的誤報組數，即將有火識別為無火或將無火識別為有火。NN正判率由式(2)計算得到;模糊神經網絡(FNN)誤報數及其正判率也可由同樣的方法得到。

最后，即得到神經網絡(NN)和模糊神經網絡(FNN)經過20次試驗后的火災識別正確率。對20次的識別正確率進行平均，得到應用模糊神經網絡方法達到的識別正確率為90%，與采用BP神經網絡算法相比，火災識別率提高了3%。

3 結束語

本文將溫度-火焰復合探測系統應用于電站、變壓器間、配電室等室內封閉空間進行火災識別，并采用FNN智能算法進行火災識別，具有自學習、并行處理、容錯能力強和充分利用專家經驗等優點。與采用NN算法相比，采用FNN提高了3%的識別率，在一定程度上提高了火災探測系統的識別精度，為進一步的火災探測研究打下了基礎。

［1］曉京.火災探測報警技術的發展趨勢［J］.安徽消防，2003(3).

［2］吳龍標，方俊，謝啟源.火災探測與信息處理［M］.北京:化學工業出版社，2006:192－193.

［3］李國勇.神經模糊控制理論及應用［M］.北京:電子工業出版社，2009:240－241.

［4］FlieB T，Jentschel H J，Lenkheit K.A new synthesis method for signals for testing of flame-detection algorithms［J］.Fire Safety Journal，2002，37(2):151 －164.

［5］姚偉祥，吳龍標，盧結成.用模糊神經網絡進行火災探測［J］.信號處理，2000，16(1):43 －46.

［6］王利清，魏學業，尹進才.模糊神經網絡在火災信號探測系統中的應用研究［J］.電子測量與儀器應用學報，2001(2):8－11.

［7］姜國強，孟慶春，汪玉鳳.基于模糊神經網絡的智能火災報警系統［J］.自動化技術與應用，2003，16(9):13 －16.

［8］王士同.神經模糊系統及其應用［M］.北京:北京航空航天大學出版社，2005.

［9］蔣宗禮.人工神經網絡導論［M］.北京:高度教育出版社，2001:240－241.