基于神經網絡數據融合實現火災預警

梁燕華+張傳斌

摘 要 傳統火災的火災預警系統是基于單一傳感器參數進行監測，從而使火災的誤報、漏報的問題越來越突出。為了減少這種情況的發生，利用BP神經網絡數據融合算法把幾個體現火災特征的參數數據進行相關組合，進而全面和精確地判斷火災是否發生，有效地降低誤報率。

關鍵詞 BP神經網絡；數據融合；火災預警

中圖分類號 TP3 文獻標識碼 A 文章編號 1674-6708（2017）181-0011-02

火災的發生是一個綜合現象，包括溫升、煙霧和氣體濃度變化等等，單一類型傳感器火災監測已不能滿足人們的需求，所以數據融合理論就應用在火災監測領域。數據融合理論不是把表示火災特征的幾個參數（溫度、煙霧、CO）進行隨機組合，而是把這些參數的模擬量轉換為數字信號送到火災控制系統中利用數據融合理論算法進行判斷是否發生火災。本文將采用BP神經網絡算法用于多傳感器信息的融合，應用更新迭代校正不同傳感元件的網絡權值系數，獲得經過的融合計算后的判定結論，可以快速、及時、準確預警火災是否發生，進而減少了因火災引起的經濟損失，具有十分重要的現實意義。

1 火災監測技術

1.1 火災監測系統的組成

火災監測系統是由火災探測器和火災報警控制系統兩部分組成。火災探測器主要作用是多傳感器信息采集及數據處理。火災報警控制系統的主要作用是接收火災探測器處理后的信息，并判斷火災是否發生，反饋給工作人員。

1.2 火災監測技術的工作原理

火災發生發展的過程與周邊的環境密切相關，在火災發展的過程中火災特征參數（溫度、煙霧和CO濃度等）產生不同程度的變化，火災監測技術就是根據這些特征參數的變化利用相關的傳感器將表征這些參數的物理量（模擬信號）轉化為電信號（數字信號），再通過火災監測算法（本文采用BP神經網絡數據融合算法）對數據進行處理，得出結論并判斷火災是否發生。

2 BP神經網絡模型

本文所采用的BP神經網絡模型，通過網絡模型綜合運算以及歸一化運算過的3個檢測參數數值（溫度、煙霧、CO濃度）當作數據融合中心的3個輸入變量；把火災劃分成明火、陰燃以及無火3類情形，它們各自發生的概率值作為數據融合中心的3個輸出變量。具體結構如圖1所示。

BP神經網絡算法本質就是計算誤差函數的最小數。它使用非線性計劃中的梯度下降學習規則，依據誤差函數的反梯度方向校正網絡層的權系數。

3 結果與仿真對比

對所研究算法進行仿真測試，采用的火災探測器，是使用現場檢測裝置，通過使用溫度傳感元件、煙霧濃度傳感元件和CO濃度傳感元件各自檢測收集監測對象火災現場的溫度值、煙霧濃度和CO濃度信息。把這些收集的數據信息通過多傳感器信息融合算法計算得到實際火災發生的概率，判定監測對象是否存在火災產生，再向火災預警控制系統發出指令，控制系統的屏幕上將出現經算法判斷后的結論，工作人員依據此結論進行下一步工作。

在模擬監測對象明火環境中，溫度在3個火災特征參數中數值最大并變化程度比較小，數據變動較小并趨于平穩，溫度參數為驗證是否產生明火的最核心參數；煙霧濃度數據值比較低并變動程度小，數據變動很小并趨向平穩；CO濃度數據變化程度比較大。在模擬監測對象火災陰燃環境下，溫度是這3種火災特征參數中的數值比較小并變化很小；煙霧濃度參數變動波動比較大，表現出快速地上升的走向，煙霧濃度參數是檢驗是否是陰燃火災的主要參考參數；CO濃度參數在這3種火災特征參數中數值最大，數據變動幅度相對平穩，CO濃度參數是判斷陰燃火災的根本性參考參數。在模擬監測對象沒有發生火災的環境下，溫度、煙霧、CO濃度的數值都相對較低，而且參數數據變化比較緩慢，相較于火災的明火環境與陰燃環境下的火災特征參數，在火災的無火環境下火災特征參數數據變動較為平穩。

在模擬監測對象火災環境下取得的仿真測試數據樣本，將測試樣本數據通過火災預警網絡算法計算出火災發生實際概率數值，再與火災試驗期望概率數值進行對比，判斷基于多傳感器數據融合的火災預警算法的有效性與準確性。利用BP神經網絡模型，計算出實際火災發生的概率。結果如圖2～圖4所示。

圖2為監測對象的明火環境下火災產生期望概率輸出值與計算得出的火災產生實際概率輸出值的比較圖，依據圖2可知，監測對象處于火災的明火環境，火災產生的概率輸出值較高，火災預警網絡算法的火災產生期望概率輸出值與火災產生實際概率輸出值十分近似相等，系統誤差值很小，精確度高，可以精確有效地判定明火火災。

圖3為陰燃環境中火災發生期望概率值與計算得出的火災發生實際概率值的比較圖，依據圖3可以看出，火災預警網絡算法的火災產生期望概率輸出值與火災發生實際概率輸出值十分近似相等。它說明了在監測對象火災的陰燃環境下，火災預警網絡算法的火災產生期望概率輸出值與火災產生實際概率輸出值的曲線近似重合，誤差值很小，效果明顯，火災預警網絡算法能夠快速富有成效地判別監測對象是否產生的是陰燃火災，達到火災初期預警的目標。

圖4表示在監測對象的沒有發生火災環境下火災產生期望概率輸出值和計算得出的火災產生實際概率輸出值的對比圖，依據圖3可以了解，在監測對象的沒有發生火災環境下，火災預警網絡算法的火災產生期望概率輸出值與火災產生實際概率輸出值的曲線近似重合，兩條曲線基本重合，火災預警網絡算法的實際概率輸出值和期望概率輸出值之間的誤差值很小，說明了火災預警網絡算法有非常高的監測準確度，可以有效辨別監測對象沒有發生火災情形。

4 結論

火災預警網絡算法將在3種火災環境下傳感器系統收集到的測試樣本數據做了記憶和處理并進行了歸一化計算，然后用仿真曲線圖直觀地分析了這些參數數據（溫度、煙霧、CO）在火災不同階段環境的變化趨勢。經過基于BP神經網絡融合算法進行運算，獲得了在模擬火災的3類環境下火災的實際發生概率輸出值，然后和對應的火災的期望輸出概率輸出值進行對比和解析，仿真出火災實際概率輸出值與期望概率輸出值的曲線對比圖。曲線對比圖說明火災預警網絡模型的實際概率輸出值與期望概率輸出值之間的誤差值很小，此算法的準確性高，對監測對象發生火災狀況可以實時迅速地預警及報告，提升了火災預警的精確度，有效地降低了漏報率及誤報率。

參考文獻

[1]樊雷松，強彥，趙涓涓，等.無線傳感網絡中基于BP神經網絡的數據融合方法[J].自動化儀表，2014（1）：62-66.

[2]李光，張鐵壁.多傳感器數據融合技術在火災報警中的應用[J].河北工業大學學報，2010，39（4）：35-38.

[3]康耀紅.數據融合理論及應用[M].2版.西安：西安電子科技大學出版社，2006.