基于HMM的鋰電池倉火災預測算法研究*

張緒祥，高揚

?

基于HMM的鋰電池倉火災預測算法研究*

張緒祥，高揚

（長安大學 汽車學院，陜西 西安 710000）

針對電動車鋰電池倉環境監測困難以及引起火災因素復雜導致預測火災不準確的問題，提出一種基于隱馬爾可夫模型的火災預測方法。該方法將鋰電池倉的溫度場特征作為隱馬爾可夫模型的觀測變量，運用極大似然估計法建立用于預測火災狀態的隱馬爾可夫模型。實驗結果表明該方法在解決鋰電池倉火災預測的問題上具有較高的準確性。

鋰電池倉；火災預測；隱馬爾可夫模型

前言

電動汽車作為汽車產業的主要發展方向之一，其使用價值在人類生活中發揮的作用將越來越重要，隨之而來的電池安全問題也越來越受到人們的關注，由于車輛鋰電池倉環境復雜，難以實施有效監控，容易引發火災事故，若發生火災或引發爆炸，勢必將造成巨大財產損失，造成較大的社會影響。因此，研制一個能在火災發生初期，對車輛安全沒有造成嚴重傷害時，就能夠及時的發現火情的智能監控系統對車輛安全來說是十分重要的。

目前國內已有大量研究針對公共交通的防火問題，大多數是應用于大型建筑、船艙以及飛機艙內部的環境監控與火災預測[1-3]，并未對鋰電池倉這一特殊環境的火災預測問題進行有針對性的研究。

在研究方法上，目前的火災預測方法主要基于對環境信息的監測[4]，當監測到環境特征異常時即刻進行報警。主要方法包括：多傳感器數據融合法、圖像識別法、神經網絡法。如傅劍鋒等采用數據融合的三層結構，對明火的特征識別[5]；楊娜娟等提出一種基于向量機的圖像型火災預測放法，避免了所需樣本較多帶來的實驗和計算復雜的問題[6]；楊幫華等建立了串聯型神經網絡，將神經網絡運用到火災識別中[7]。此類研究有效地提高火災預測的準確性，但數據融合法和神經網絡法在一定程度依賴大量的數據集，圖像法成本較高，實時性較差，同時，由于鋰電池在工作過程中自身會產生熱量，此類方法在區分明火和熱源的研究上還存在不足。

本文將隱馬爾可夫模型（Hidden Markov Model，HMM）應用于鋰電池倉火災預測的研究中。HMM作為一種統計分析模型，創立于20世紀70年代，被廣泛應用于語音識別、機械故障診斷等領域[8]。在火災預測中最關鍵的是HMM參數的估計的問題，其中觀測狀態轉移概率矩陣描述了觀測變量與狀態變量之間的概率關系。本文就鋰電池火災預測問題提出一種HMM參數的訓練方法，實驗結果證明，該方法能較大的提高火災預測的準確性。

1 基于隱馬爾可夫模型的火災預測

1.1 隱馬爾可夫模型簡介

HMM屬于雙隨機過程，它既能反映對象的隨機性，又能反映對象的潛在聯系，用來描述一個含有隱含未知參數的馬爾可夫過程。HMM的參數用λ={,,,,}表示。它用來解決三個基本問題：

（1）概率計算問題，已知模型參數，計算出現當前觀測序列的最大概率，其公式為：

（2）最優問題，已知模型參數，尋找出現當前的觀測序列的狀態序列，其公式為：

（3）參數估計問題，已知觀測序列，估計模型參數，其公式為：

1.2 基于HMM的火災預測

1.2.1 觀測變量分析

由于鋰電池倉是一個相對封閉的環境，無法直接觀察到倉內的情況，因此需要通過采集倉內的溫度、煙霧等信息來判斷。就火災的發展過程而言，火災發生初期的溫度場特征為各點溫度分布不均勻，為了能準確的識別火災，本文對火災發生初期的溫度場特征進行分析，但由于溫度場特征計算過于復雜，本文提出了一種由參數來描述溫度場特征的方法。

本文按同等比例創建了鋰電池的空間幾何簡化模型，模擬鋰電池倉的火災發生的情況。根據鋰電池倉的大小，分別設置了了明火（如圖1）和熱源（如圖1）來模擬火災和鋰電池工作發熱。

圖1 火災模擬

將式中的兩個參數歸一化得到參數的表達式：

由于明火和熱源這兩種溫度特征和兩個溫差系數不是一一對應的關系，具有一定的不確定性，參數可以描述某溫度場特征是明火溫度場特征的程度。當為1時，該溫度場最大程度上為明火溫度場，當為0時，該溫度場最大程度上為熱源溫度場。

1.2.2 火災預測模型訓練

其中，(1=)表示在初始時刻狀態變量為的數量，C表示從狀態轉移到狀態的數量，C表當狀態為時，觀測狀態為的數量。

針對鋰電池倉明火和熱源兩種場景的識別進行隱馬爾可夫模型的訓練，由于明火和熱源火這兩種狀態變量互相轉移的概率較小，因此初始狀態概率矩陣和狀態轉移概率a的初始設置對識別正確率的影響不是很大，狀態變量對應的觀測變量的概率b的相對于其他兩組參數來說對結果的準確率來說更重要，因此本文主要針對參數進行訓練。將溫度值計算得到值，對這些值進行分類，識別它們屬于明火狀態還是熱源狀態，實質上就是對溫度場的特征值進行分類[9]。具體的訓練過程如下所示：

根據鋰電池倉大小本文選擇6個溫度傳感器采集倉內溫度數據作為一組溫度值，分別選出100組明火場景下采集的溫度數據和100組熱源場景下采集的溫度數據對模型的參數進行訓練。其中每組溫度數據均轉化為值用以描述溫度場特征，計算得到200組值作為觀測變量統計得到在明火和熱源狀態下溫度場特征值的分布情況，如圖2所示：

圖2 θ值的分布

由圖2得知：明火狀態和熱源狀態的值的分布區別很大，在明火的狀態下，值的分布情況如表1：

表1 著火狀態θ值的分布

根據統計的結果，當溫度度處于明火狀態時，有97%的值處于0.6和0.65之間，在熱源狀態下值均為0。

依據上述統計結果可得到隱馬爾可夫模型的參數，對于變量，存在2種狀態：明火狀態和熱源狀態；對于觀測狀態，存在2種值的分布情況：

處于0.6至0.65之間或者為0。即隱馬爾可夫參數可設置為：

式中矩陣的行向量表示明火與熱源2種狀態，矩陣的列向量表示值的2中分布區間。

那么對于明火的和熱源這兩種狀態來說，在這兩種狀態之間的轉變時鋰電池倉內的溫度變化是一個持續的過程，所采集到的溫度在短時間內都將維持它們原有狀態的值，從兩種狀態的開始發生轉移開始到轉移完成，中間所包含的屬于前一狀態的溫度特征值的組數在整個轉移過程中所有的特征值的組數中所占的比率既為兩種狀態的自轉移概率，根據是歷史數據可將隱馬爾可夫模型的參數可設置為：

式中矩陣的行向量和列向量都表示明火和熱源這2種狀態。

初始隱性狀態概率的值本文采用均值法，因此隱馬爾可夫模型的參數可設置為：

式中矩陣的列向量表示明火和熱源2種狀態。

1.2.3 火災預測

對于火災預測問題，在得到隱馬爾可夫模型的參數之后，利用維特比算法來計算在某一時刻的狀態變量的概率，而概率最大的狀態變量即認為當前時刻所處的狀態。

維特比算法首先運用遞推的方法求得在給定的模型參數的條件下，得到的觀測序列為=(1,2,…,θ)的概率，與之不同的是維特比算法需要記錄每一次遞推之后產生最大概率的狀態變量，并在遞推結束后輸出這些狀態變量序列[10]。總的來說，維特比算法的求解過程可描述為：輸入任意狀態下的溫度場特征值1,2,…,θ，輸出每個溫度特征值所隱含的著狀態是明火或者熱源，具體計算公式如下：

定義變量δ()表示在給定的模型參數的條件下，在時刻鋰電池倉里的狀態為，且溫度場特征值在某一個區間的最大概率，ψ()記錄了在-1時刻的狀態變量，該狀態在時刻轉移到其他狀態并使得此時值在某一區間的概率最大。具體過程描述如下：

初始化上述變量得到在初始時刻出現某溫度場特征值的最大概率，由于在初始時刻的前一時刻不存在任何狀態，因此此時記錄的狀態為0，具體公式為：

同初始化過程相同，依次計算不同時刻的最大概率值并記錄相應的狀態變量：

計算至最后時刻終止：

至此，對整個馬爾可夫鏈進行了遞推計算，并且每一次遞推求得的概率都是最大的，接下來通過狀態變量序列回溯路徑得到所有的狀態變量序列：

2 實驗驗證

2.1 傳感器采集系統的設計

傳感器信息采集采用模塊化設計[11]，溫度采集模塊選用智能巡回檢測儀，它集成了包括溫度傳感器和AD轉換模塊，并且提供了RS232串口用于向中央控制器傳輸采集到的信息，串口通訊模塊的型號為MXA3232[11]，為了方便處理實驗數據和實時觀察數據，加入了SD卡采集模塊和液晶屏顯示模塊。中央處理器選用STM32F103開發板，該開發板上的UART接口用于中央處理模塊與執行模塊之前的通信，并能夠及時處理傳入的溫度信息。實驗如圖3所示：

圖3 實驗硬件

2.2 檢驗隱馬爾可夫模型火災預測的準確性

在得到符合該模型的隱馬爾可夫參數之后，利用該模型對鋰電池的火災情況進行預測。在這里本文同樣使用大小和鋰電池倉相近的試驗箱模擬明火和熱源場景。選取100組明火實驗的數據和100組熱源實驗的數據，利用Python編程實現對著200組數據的識別判斷，同時針對鋰電池倉溫度多變的情況設計了冷熱環境實驗，將溫度傳感器分別放置在2~8攝氏度的冷室和60~70攝氏度的熱室并交換放置多次，同樣選擇100組數據利用該模型進行識別判斷，此時判斷為不著火為判斷正確，這三種實驗環境數據的識別結果如表2所示：

表2 預測結果

其中，在100組明火實驗的數據中，能正確識別的組數為96組，正確率為96%，在100組熱源實驗的數據中，能正確識別100組，正確率為100%，在100組冷熱環境實驗的數據中，能正確識別92組，正確率為92%。

除了以上所做的模擬鋰電池倉環境實驗，本文還進行了實車環境實驗，使用實車采集到的環境溫度數據進行識別。各傳感器在鋰電池倉的安裝位置如圖4所示。將采集一天的數據進行識別判斷，由于在實驗階段實車并沒有發生著火，因此判斷為不著火為正確判斷。

圖4 實車安裝

將采集一天的數據進行識別判斷，由于在實驗階段實車并沒有發生著火，因此判斷熱源為正確判斷。將正確的判斷記為1，錯誤的判斷記為0，實驗結果如圖5所示。

圖5 實車測試結果

在這一天的測試中，將近46400組數據，其中也僅僅有200組數據識別錯誤，這些錯誤的數據相對比較集中。由模擬實驗和實車實驗可以看出，模擬實驗制造了一種惡劣的的溫度易突變的環境，在這種情況下判斷的正確率較低，而在實車實驗中的溫度穩定的情況下，判斷的正確率較高。

3 總結

根據鋰電池倉內著火前期倉內溫度場特征，提出了一種用參數描述溫度場特征的計算方法，利用隱馬爾可夫模型具有雙重隨機這一特質，找出了鋰電池倉內明火這一狀態和倉內溫度場的特征存在著概率關系，研究建立了基于溫度場特征的火災預測方法，有效的預測出隱含在溫度信息下的狀態信息，并依托隱馬爾可夫模型的學習訓練能力對歷史數據進行整理歸納，使得預測的結果更準確。

[1] 沈雄,林榕.高層建筑的智能防火系統[J].上海海運學院學報,2001 (02):21-23+28.

[2] 王燕,顧冬華,姚瑤.貝葉斯網絡在艦船安全性評估模型中的應用[J].艦船科學技術,2016,38(18):157-159.

[3] 景宏令,陳龍,匡勇.飛機發動機艙滅火劑用量試驗驗證與優化研究[J].火災科學,2016,25(04):204-207.

[4] 陳濤,翁文國,孫占輝,蘇國鋒,袁宏永.基于火災模型的消防應急平臺架構和功能分析[J].清華大學學報(自然科學版),2007(06):863- 866.

[5] 傅劍鋒,雍靜.基于數據融合技術的火災探測算法[J].低壓電器, 2007(12):22-24+48.

[6] 楊娜娟,王慧琴,馬宗方.基于支持向量機的圖像型火災探測算法[J].計算機應用,2010,30(04):1129-1131+1140.

[7] 楊幫華,董崢,張永懷.模糊神經網絡在火災探測中的應用[J].自動化儀表,2011,32(10):48-51.

[8] Yuan Lichi. Improved hidden Markov model for speech recognition and POS tagging[J].Journal of Central South University,2012,19 (02):511-516.

[9] 張明衛,朱志良,劉瑩,張斌.一種大數據環境中分布式輔助關聯分類算法[J].軟件學報,2015,26(11):2795-2810.

[10] 徐超穎,楊國安,石永光,鄭南寧.卷積碼及其維特比譯碼算法的軟件實現[J].西安交通大學學報,2003(02):151-154.

[11] 張燕波,沈廣平,董自強,秦明,黃慶安.基于微控制器的風速風向傳感器系統設計[J].儀器儀表學報,2009,30(10):2144-2149.

Research on Fire Prediction algorithm of Lithium Battery Warehouse based on HMM*

Zhang Xuxiang, Gao Yang

( School of Automobile, Chang'an University, Shaanxi Xi'an 710000)

Aiming at the difficulty of environmental monitoring of lithium-battery storage in electric vehicles and the inaccuracy of fire prediction caused by complex fire factors, a fire prediction method based on hidden Markov model is proposed. In this method, the temperature field of the lithium battery bunker is taken as the observed variable of the hidden Markov model, and the hidden Markov model for predicting the fire state is established by using the maximum likelihood estimation method. The experimental results show that the method is accurate in solving the fire prediction of lithium battery bunker.

Lithium battery bunker;fire prediction;hidden Markov model

U469.72

B

1671-7988(2018)21-05-05

U469.72

B

1671-7988(2018)21-05-05

張緒祥，長安大學碩士研究生。

國家自然科學基金 61503043，陜西省自然科學基金項目2015JQ6214中央高校基金(310822172204)，Shaanxi Natural Science Foundation (2017JM7016)。

10.16638/j.cnki.1671-7988.2018.21.003