無線多傳感器數據融合的家庭火災檢測系統設計

程文彬，杜磊，劉依依

（1. 電子科技大學中山學院機械電子工程學院，廣東 中山 528400；2. 電子科技大學機械電子工程學院，四川 成都 611731；3. 東莞理工學院城市學院，廣東 東莞 523419）

無線多傳感器數據融合的家庭火災檢測系統設計

程文彬1，杜磊2，劉依依3

（1. 電子科技大學中山學院機械電子工程學院，廣東 中山 528400；2. 電子科技大學機械電子工程學院，四川 成都 611731；3. 東莞理工學院城市學院，廣東 東莞 523419）

針對現有火災檢測系統常出現的誤報警和漏報警情況以及傳統的有線火災檢測系統布線復雜、成本高、靈活性差等缺點，設計了一套基于無線多傳感器數據融合的家庭火災檢測系統，檢測廚房設備、電器線路或電器設備老化等造成的火災安全隱患。詳細介紹了多傳感器融合算法的設計、火災檢測系統硬件框架和軟件實現等。仿真結果表明，該方案具有準確度高、靈活性強的特點。

多傳感器數據融合；火災檢測；CC1101；神經網絡；模糊控制；STM32F407

1 引言

隨著我國經濟的飛速發展、人民生活水平的提高以及生活安全意識的增長，防火已經成為人們非常關心的問題[1]。據新華社報道，近年來中國每年發生火災數量幾十萬次，傷亡人員達到幾千人，直接造成的財產損失達幾十億元。然而，目前市場上的火災檢測裝置大多利用單一的傳感器來進行檢測，這種檢測裝置常出現誤報警或者漏報警情況；同時傳統的有線傳輸方式不僅導線布局麻煩、成本高，而且靈活性差，不便于擴展和維修。

針對現如今火災檢測普遍遇到的問題，本文設計了一套基于無線多傳感器融合技術的家庭火災檢測系統。考慮到家庭內部網絡低成本、近距離、低復雜度等需求，選用433 MHz射頻通信技術，它是一種簡單而成熟的無線通信技術，其傳輸距離較遠、穿透性強、功耗低、成本低，適合用于數據量不是很大、成本敏感的家庭火災檢測網絡[2]。近年來，研究者們利用人工智能技術融合多個傳感器的數據，進行火災自動檢測。如參考文獻[3,4]采用神經網絡算法對火災進行檢測，參考文獻[5]利用模糊控制算法來檢測火災，但是由于火災信號具有時變性，難以用精確的數學模型進行描述，因此，利用單一的神經網絡算法或模糊控制算法很難準確有效地對火災進行檢測。本文將神經網絡和模糊控制以串聯的方式有機地結合起來，利用神經網絡來構造模糊系統，用模糊規則對神經網絡的訓練進行指導，用神經網絡的自學習和自適應能力來調整模糊規則和隸屬函數。

2 火災檢測系統硬件框架

火災檢測系統硬件框架如圖1所示，主要包括數據融合中心和火災信息采集終端。針對火災發生初期的一些特點：一般先產生大量的煙霧和CO（carbon monoxide，一氧化碳）氣體，同時伴隨著溫度的升高，因此選用溫度傳感器、煙霧傳感器和CO傳感器作為火災檢測信息采集終端[3]。通過將傳感器采集的信息利用433 MHz射頻網絡傳送至由主控芯片 STM32F407和相關外設模塊構成的數據融合中心進行處理，在數據融合中心模塊上嵌入相應的多傳感器數據融合算法，對傳送來的數據進行融合處理，從而做出決策。當有火災發生時，開啟聲光報警，并向小區安保人員管理部門發送報警求救信息，同時向業主發送短信提示，倘若均未及時回應，則自動撥打“119”電話進行處理。

圖1 火災檢測報警系統硬件框架

2.1 數據融合中心

數據融合中心主要用來收發傳感器端的數據，將接收的數據信息進行融合處理，根據處理后得到的決策結果做出相應的動作。圖2所示為數據融合處理中心的硬件框架，主控芯片選用的是STM32F407ZGT6，該芯片SRAM高達192 KB，工作主頻為168 MHz，具有豐富的外部資源，可以滿足設計需求。以太網接口模塊選用的芯片是DM9000AE，它是一款完全集成并符合成本效益的單芯片快速以太網 MAC控制器，它有一個一般處理接口、一個10/100 Mbit/s自適應的PHY和DWORD值的SRAM，具備成本低、速度快的優點，適合目前對嵌入式系統功耗低、性能高的要求。無線射頻通信模塊選用的是TI公司的CC1101，它是一款低功耗、集成度高、多通道的無線芯片，可設置的ISM頻段與SRD頻段為315 MHz、433 MHz、868 MHz 和915 MHz，空中傳輸速率最高可達500 kBaud，并且CC1101與MCU的采用 4線制的 SPI（serial peripheral interface，串行外設接口）。GSM（global system for mobile communication，全球移動通信系統）模塊選用的是SIM900A，可以實現SMS、數據、語音與信息的傳輸。

圖2 數據融合處理中心硬件框架

2.2 火災信息采集終端

火災信息采集終端主要實現環境數據的采集以及數據的發送，圖3所示為火災信息采集終端模塊結構框架，由輔助微處理器STM8S105K4、CC1101無線射頻模塊、溫度傳感器、煙霧傳感器、CO傳感器以及電源等組成。其中，溫度傳感器選用的是DS18B20，其具有抗干擾能力強、使用方便、精度高等優點，且不需要模擬數據輸出轉換。對于煙霧和CO，則利用MQ-2和MQ-7傳感器進行監測。傳感器采集到的信息借助微處理器和無線射頻傳輸模塊將其傳送到數據融合中心進行解析處理，從而判斷出火災發生的概率。其中考慮到處理傳感器終端的信息量不大，選擇 8 bit的STM8S105K4作為傳感器終端的微處理器，該8 bit單片機默認主頻2 MHz，滿足終端設備數據處理、狀態控制等需求，且具有UART和SPI，方便與傳感器和無線射頻模塊CC1101的連接。

圖3 傳感器終端模塊結構框架

3 數據融合結構與融合算法

3.1 數據融合結構

圖4所示為火災檢測數據融合的結構框架。整個火災檢測過程從傳感器采集端開始，將傳感器采集到的環境數據進行預處理，然后進行本地決策，根據本地決策的結果決定是否將傳感器采集終端的數據傳送到由神經網絡和模糊控制有機結合的數據融合中心，最后根據數據融合中心的決策結果得到火災發生的概率。

3.1.1 預處理

根據不同傳感器采集到的火災數據信號，分別對其進行放大、濾波和A/D轉換，然后對數據信號進行歸一化處理，從而防止小數值被大數值淹沒而影響網絡的校正。

3.1.2 本地決策

在家庭環境中，火災事件是一個偶然事件，大部分情況下傳感器端都是在正常情況下采集數據。因此，當采集到的3種傳感器數據均為正常范圍內數據時，為了減小系統功耗和主控芯片負擔，則不需要將傳感器采集到的環境數據通過無線射頻模塊傳到數據融合中心，做進一步處理分析，這相比于將傳感器采集到的數據實時地傳輸數據融合中心進行處理而言，大大減小了系統功耗。

圖4 數據融合結構框架

3.2 數據融合算法

火災發生過程中存在含糊性、不精確性和復雜性，且沒有成熟的檢測數學模型。因此，單純地依靠神經網絡或模糊控制都存在一定的局限性，不能達到最理想的辨識效果。模糊控制和神經網絡都屬于不需要數學公式建模的信息處理方法，其中模糊控制是利用專家經驗來建立模糊集、隸屬函數和模糊推理規則，但由于專家知識的局限性及環境的可變性，任何一個專家都無法得到一個最佳的規則或最優的隸屬度函數，而神經網絡則擅長于在海量數據中尋找特定的模式，可以用神經網絡來辨別因果關系，通過在輸入和輸出數據中找出模式而生成模糊邏輯規則，這兩種技術具有一定的互補性[6]。

3.2.1 BP神經網絡

將經過本地決策后的傳感器終端采集到的數據傳入事先訓練好的BP（back propagation）神經網絡中，從而得到明火概率、陰燃火概率和無火概率。圖5所示為BP神經網絡結構，分為輸入層、隱藏層和輸出層。其中，輸入層的3個節點分別為溫度信號、煙霧濃度信號和 CO濃度信號；隱藏層設置有7個節點；以明火概率、陰燃火概率和無火概率作為輸出層的3個節點。

圖5 BP神經網絡結構

樣本訓練學習過程[9]具體實現如下：設輸入的數目為I，其中任意一個用i表示；隱藏層記為J，包含J個神經元，其中任意一個神經元用j表示，對應的閾值用θj表示；輸出層記為K，其中任意一個用k表示，對應的閾值用θk。輸入層與隱藏層之間的權值記為wij，表示從輸入層第i個神經元輸出到隱藏層第 j個神經元之間的權值；隱藏層與輸出層之間的權值記為wjk。神經元的輸入記為u，輸出記為v，所有的神經元傳遞函數均為Sigmoid函數。訓練樣本集為X=[X1,X2,…,XN]，其中任意一個訓練樣本Xm都是一個I維矢量，即Xm=[Xm1,Xm2,…,XmI]，m=1,2,…,N；期望響應為tm=[tm1,tm2,…,tmK]T，實際輸出為Ym=[Ym1,Ym2,…,YmK]T，設 n為迭代次數，權值、閾值和實際輸出都是n的函數。首先初始化所有的權值和閾值，然后開始訓練網絡。

隱藏層第j個神經元的輸入為：

輸出為：

輸出層第k個神經元輸入為：

輸出（即網絡輸出）為：

輸出層第k個神經元的輸出誤差為：

輸出層的所有神經元的誤差能量總和為：

誤差與信號相反，從后向前傳播，在反向傳播過程中，逐層修正權值和偏差。

隱藏層節點與輸出層節點之間的權值和閾值的修正如下。

BP算法中，權值的調整量與相對于期望響應的誤差能量對權值的偏微分大小成正比，符號相反，則此偏微分的值為：

由誤差能量定義以及各變量之間的關系可知：

則此偏微分的值為：

定義局部梯度為：

根據梯度下降學習規則，wjk(n)的修正量為：

其中，η為學習步長，則wjk(n)的迭代值為：

而閾值θk的修正計算式為：

輸入層節點與隱藏層節點之間的權值的修正如下。

同理：

則輸入層與隱藏層的權值為：

而閾值θj的修正計算式為：

一直重復上述步驟對網絡進行訓練，直到滿足輸出層所有誤差總能量E(n)＜ε為止。

3.2.2 模糊控制

將通過BP神經網絡得到的結果信息作為模糊控制的輸入，進行進一步的融合處理，從而提高火災探測的精確度。模糊控制的融合結構框架如圖6所示，BP神經網絡的輸出作為模糊控制的輸入，然后通過模糊化、模糊邏輯推理和去模糊化得到火災發生的概率，需要注意的是，當判斷出的火災發生概率＞0.75或＜0.25時比較好判斷火災情況，但是概率在0.5左右時，就很難準確判斷火災情況。而火災發生的早期，即陰燃階段，煙霧是一個重要的信號量。考慮到干擾信號會引起較大的誤差輸出，但一般時間較短，為了盡快發現火災，需要提高火災的抗干擾能力和檢測的精確度，在模糊控制的決策輸出引入了煙霧持續時間函數 d(n)[11,12]，其中，其中，u[]為單位階躍函數，Tm為判斷門限，可根據具體情況設定，當煙霧持續時間超過預先設定的門限值Tm，則d(n)累加，否則d(n)=0。

圖6 模糊邏輯推理融合結構框架

模糊化：輸入量被限制在[0,1]區間內，將輸入量明火概率、陰燃火概率和無火概率進行模糊化，分為4個模糊級：無（W）、小（X）、中（Z）和大（D），模糊集的隸屬函數采用高斯函數。

模糊邏輯推理：模糊規則是模糊邏輯推理的核心，并且模糊推理系統采用Mamdani方法，推理規則是基于信號特征之間的實際關系，根據實際火災的需求以及專家領域經驗知識得到了64條模糊規則。

去模糊化：為了將由模糊規則輸出的模糊集轉化為精確的數值，需要對模糊集進行去模糊化，由于重心法運算簡單且考慮全面，故采用重心法進行去模糊化操作。

決策輸出：當決策輸出概率＞0.75或＜0.25時，分別可判斷為有火災和無火災情況，而當輸出概率介于兩者之間時，若 d(n)＞0，則可判斷為有火災；若d(n)=0，輸出警告信號，需要延時Tm再進行判斷。

4 火災檢測系統軟件實現

火災檢測系統主要包括傳感器采集終端模塊和數據融合處理中心模塊兩大部分。傳感器環境數據采集終端模塊主要實現溫度、煙霧含量和CO含量的數據采集、處理與分析以及數據的無線傳輸；數據融合處理中心模塊主要實現對環境數據采集終端數據的接收、處理、融合與決策。

4.1 傳感器采集終端實現

傳感器采集到的溫度、煙霧濃度和 CO濃度數據通過串口傳輸到微控制器進行預處理，將處理后的數據結果與各對應傳感器預先設置好的閾值進行比較，當傳感器采集到的環境值大于預先通過專家經驗設置好的閾值，并且維持了一段時間，判斷為警告狀態，則調用數據傳輸子程序，將采集到的溫度、煙霧和 CO信息通過無線射頻模塊 CC1101傳送給數據融合中心進行進一步的處理；相反，倘若3種傳感器采集到的值均小于各自對應的閾值，則不作任何處理，判斷為正常狀態并繼續對環境進行監測，這樣大大減少整個系統的功耗和負擔，具體流程如圖7所示。

圖7 傳感器環境數據采集模塊程序流程

4.2 數據融合中心實現

數據融合處理中心是火災檢測系統的核心，圖8所示為數據融合處理中心的程序流程，當接收到無線傳感器環境數據采集終端傳送來的3種傳感器的信息時，利用預先在主控芯片上移植好的數據融合算法對3種傳感器的數據信息進行融合處理，從而判斷是否處于火災狀態，當判斷為發生火災時，控制中心調用報警子程序，向小區安保部門和用戶發送報警信息，倘若未在一段時間內收到相應人員的響應，則直接撥打“119”電話，并發送語言報警信號，告訴消防局火災發生的具體位置。

圖8 數據融合中心程序流程

5 測試仿真與分析

神經網絡的訓練樣本數據主要依據現有國內外的標準、國內外核心期刊以及碩士學位論文的數據。從中選取了40組典型的樣本數據進行網絡訓練，樣本數據包括不同燃燒物的燃燒情況，其中包括20組明火數據、10組陰燃數據和10組無火數據。然后，將學習率設為0.5，目標誤差為0.01，利用 MATLAB工具進行網絡的仿真訓練和測試。圖9所示為Levenberg-Marquardt算法下訓練的結果。

圖9 神經網絡訓練誤差曲線

表1為BP神經網絡部分的仿真結果。

表1 神經網絡部分仿真結果

同樣使用MATLAB模糊邏輯工具箱進行仿真測試，并建立起64組模糊規則，選取6組火災數據進行測試，其中包括陰燃火和明火，測試結果見表2。從表2中可以看出，實際輸出與期望輸出不大，其中最大誤差的百分比也只有 2.2%，滿足火災檢測的要求。表2中的數值都是經過歸一化的。

表2 模糊邏輯仿真結果

6 結束語

火災發生過程具有復雜性和不確定性的特點，且很難建立起數學模型，所以為了提高火災檢測系統的精準性，本文通過將 BP神經網絡和模糊邏輯推理技術以串聯的方式結合來判斷火災發生的概率，正是利用模糊邏輯推理技術和神經網絡優缺點的互補性，從而提高了整個報警系統的精準性。這相對于現如今利用單傳感器對火災進行檢測與判斷而言，大大提高了火災檢測的精準性。仿真測試結果顯示，該火災檢測系統具有良好的穩定性與準確性。在未來的研究工作中，主要會加強對火災檢測算法的研究，提高家居環境的安全性，減少不必要的損失。

[1] JIANG L, JIN J X, WANG Y X. Multi-sensor fireproof alarm system[C]//International Conference on Applied Superconductivity and Electromagnetic Devices, Dec 14-16, 2011, Sydney, NSW, Australia. New Jersey: IEEE Press, 2011: 248-251.

[2] 葛陽, 李大剛. 智能家居433 MHz射頻通信協議棧設計與網關實現[J]. 電信科學, 2015, 31(9): 130-136. GE Y, LI D G. Design of 433 MHz communication protocol and implementation of gateway in intelligence home[J]. Telecommunications Science, 2015, 31(9): 130-136.

[3] LIANG Y H, TIAN W M. Multi-sensor fusion approach for fire alarm using BP neural network[C]//International Conference on Intelligent Networking and Collaborative Systems, Sept 7-9, 2016, Ostrawva, Czech Republic. New Jersey: IEEE Press, 2016: 7-9.

[4] JIANG L, JIN J X, WANG Y X. Multi-sensor fireproof alarm system[C]//International Conference on Applied Superconductivity and Electromagnetic Devices, Dec 14-16, 2011, Sydney,NSW, Australia. New Jersey: IEEE Press, 2011: 248-251.

[5] 谷建榮, 杜成寶. 模糊控制技術在模擬量火災報警系統中的應用[J]. 原子能科學技術, 2000, 34(5): 439-444. GU J R, DU C B. Application of control in the analogue fire alarm system[J]. Atomic Energy Science and Technology, 2000, 34(5): 439-444.

[6] 趙庶旭, 黨建武, 張振海, 等. 神經網絡—理論、技術、方法及應用[M]. 北京: 中國鐵道出版社, 2013. ZHAO S X, DANG J W, ZHANG Z H, et al. Neural network-theory, technology, method and application[M]. Beijing: China Railway Press, 2013.

[7] 朱凱, 王正林. 精通 MATLAB神經網絡[M]. 北京: 電子工業出版社, 2010. ZHU K, WANG Z L. Proficient in MATLAB neural networks[M]. Beijing: Electronics Industry Press, 2010.

[8] 龔利英. 基于模糊神經網絡的智能家居防火系統研究[D].廣州: 華南理工大學, 2012. GONG L Y. Study on the smart household fire prevention system based on fuzzy-neural network[D]. Guangzhou: South China University of Technology, 2012.

[9] 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. WU L B, FANG J, XIE Q Y. Fire detection and information processing[M]. Beijing: Chemical Industry Press, 2006.

Design of home fire detection system based on wireless multi-sensor data fusion

CHENG Wenbin1, DU Lei2, LIU Yiyi3
1. School of Mechatronics Engineering, Zhongshan Institute, University of Electronic Science and Technology of China, Zhongshan 528400, China 2. School of Mechatronics Engineering, University of Electronic Science and Technology of China, Chengdu 611731, China 3. City College of Dongguan University of Technology, Dongguan 523419, China

Aiming at the shortcomings of false alarm and leakage alarm in the existing fire detection system and the complicated wiring, high cost and poor flexibility of the traditional wired fire detection system, a set of home fire detection system based on wireless multi-sensor data fusion was designed, to detect the fire safety hazards caused by kitchen equipment aging, electrical wiring aging or electrical equipment aging. The design of multi-sensor data fusion algorithm, fire detection system hardware framework and software implementation were described in detail. The simulation results show that the scheme has the characteristics of high accuracy and flexibility.

multi-sensor data fusion, fire detection, CC1101, neural network, fuzzy control, STM32F407

TP393

：A

10.11959/j.issn.1000-0801.2017231

程文彬（1965-），男，電子科技大學中山學院機械電子工程學院副教授，主要研究方向為計算機應用及物聯網工程。

杜磊（1991-），男，電子科技大學機械電子工程學院碩士生，主要研究方向為物聯網智能家居。

劉依依（1986-），女，東莞理工學院城市學院講師，主要研究方向為應用數學、密碼安全。

2017-05-24；

：2017-07-25

杜磊，695742727@qq.com