基于燃燒狀態信息的火災燃燒物識別方法

,,

(浙江工業大學 信息工程學院,浙江 杭州 310023)

火災一直威脅著人類生命財產安全。目前火災探測技術主要包括吸氣式[1]、紅外光束[2]和圖像視頻技術[3]等,這些技術存在布線復雜且性價比低、結構不靈活等缺點。隨著無線局域網(Wireless local area network, WLAN)[4]的發展,無線網絡已經廣泛部署于各種室內場合,如學校、醫院、餐廳和小區等。如果能充分利用這些網絡資源來實現火災檢測,將大大降低系統成本。在火災信號處理算法方面,國內一些學者針對多傳感器數據融合和智能化或者進行深入研究,周曉琳采用多傳感器數據融合技術實現對火災特征信息的采集與處理,然后提出了一種新的神經網絡算法,建立BP網絡火災預警模型[5]。但BP神經網絡訓練速度慢,易出現過擬合情況。Andrew等利用PEN3電子鼻工具和協方差k-最近鄰近概率神經網絡算法,根據火災燃燒的氣味進行早期火災檢測[6],響應速度快。Chen等闡述了火災報警和火災燃燒過程中的理化特性之間的關系,并提出了基于貝葉斯網絡的火災預警模型[7]。但貝葉斯網絡訓練過程復雜,需要的數據多。Cheng等分析了火災的燃燒過程,選擇溫度、一氧化碳、煙霧作為神經網絡的輸入,利用神經網絡的自學習特性,該方法具有較強的容錯性和抗干擾能力,提高了早期火災探測能力[8],但無法解決訓練耗時長的問題。Sowah等提出利用Arduino控制器采集火焰傳感器、煙霧傳感器和溫度傳感器數據,并結合模糊邏輯算法判斷火災,將其用于車內火災檢測[9]。但Arduino相當于在一般的單片機上進行了一層屏蔽底層的封裝,從而導致代碼的執行效率比傳統單片機開發低,不適合實際的嵌入式開發項目。

現在火災檢測只是單一判斷火災是否發生,還鮮有學者對火災燃燒物種類進行判斷。張智軼提出基于圖像處理的火災燃燒物識別[10],通過提取火焰的溫度特征和形體特征,來識別火災燃燒物種類,但該方法只能在有火焰產生時才能檢測出火災燃燒種類,而且火災發生過程中會產生大量煙霧,造成圖像質量低,對火焰特征提取造成干擾。早期火災發生是伴隨著煙、光和熱的化學和物理過程,同時伴隨釋放氣體燃燒產物,包括氧(O2)、一氧化碳(CO)、二氧化碳(CO2)、甲烷(CH4)、乙炔(C2H2)和一氧化氮(NO)。不同可燃物產生的火災煙霧顆粒的粒徑分布、平均粒徑、形狀、組分和質量濃度等參量不同[11],這些特性為識別不同燃燒物提供判斷依據。因此,筆者選取顆粒濃度傳感器、甲烷傳感器、可燃氣體傳感器以及一氧化碳傳感器等提取不同燃燒物的特征,提出一種將燃燒狀態信息和極限學習機結合的識別方法。采用ESP8266無線模塊發送數據,經過濾波處理后以此作為極限學習網絡的輸入,對燃燒物種類進行預測,從而為火災撲救工作提供參考,達到防災、減災和減少損失的目的。

1 STM32F無線網絡采集系統的設計

1.1 傳感器的選擇

不同燃燒物在燃燒過程中會伴隨不同的產物,但一些信息只有火災發生很長一段時間后才會被檢測出來,像火焰、燃燒音和固態高溫產物等。經過實驗發現溫度在火災初始階段變化不明顯,早期火災以釋放出煙霧和一些氣體為主,因此選擇MQ4甲烷傳感器、MQ5可燃氣體傳感器和MQ7一氧化碳傳感器。此外不同可燃物在燃燒過程中產生的顆粒濃度、組分會有差別,這也成為區分不同燃燒物的重要特征。筆者選取PMS5003顆粒物濃度傳感器,該傳感器利用光的散射原理,通過采集火災環境中的懸浮顆粒物,然后統計不同粒徑顆粒物質量濃度,并以數字形式輸出。該傳感器可以檢測氣體中PM1.0,PM2.5,PM10的濃度。無線采集模塊如圖1所示。

圖1 STM32F無線采集模塊Fig.1 STM32F wireless acquisition module

1.2 采集控制器的選擇

系統采用STM32F429處理器完成傳感器數據采集,此芯片擁有3個12位ADC,其中ADC1擁有16條復用通道,對于模擬信號的傳感器擁有很好的兼容性,便于對MQ系列傳感器的數據采集。同時該處理器擁有8個串口資源,能夠同時滿足數據采集和通信。基于以上優點,該芯片也廣泛應用于工業生產中[12]。系統軟件的設計基于UC/OS Ⅲ嵌入式操作系統,該操作系統的移植有大量的參考資料,移植十分方便。無線模塊采用ESP8266模塊,該模塊采用WIFI芯片作為無線通信的載體,能夠充分兼容現有的無線網絡,能夠使系統具有更加強大的兼容性能,能夠在任何一個擁有WIFI的地方接入互聯網,也可以使用任何具有無線功能的終端接入該系統。這樣就可以利用現存的WIFI網絡進行火災檢測。天線方面使用簡單的PCB天線即可達到空曠環境下400 m的傳輸距離。使用編寫好的PC客戶端程序,可以通過TCP/IP協議對已經接入網的控制平臺進行訪問,讀取控制臺數據。

2 燃燒狀態信息及極限學習機分類方法

傳統火災檢測系統基于單一傳感器,但單一傳感器檢測存在可靠性差,容易受到環境干擾等缺點。不同燃燒物特性不同,單一傳感器無法準確判斷火災種類。多傳感器信息融合能有效克服單一傳感器帶來的不足,綜合各類傳感器信息,對燃燒物進行更細粒度分析,實現火災燃燒物識別。在實際測量中,監控點(Monitor point, MP)接收從接入點(Access point, AP)發來的數據包分組,同時將各個傳感器狀態信息數據記錄到一個txt文件中。txt文件中的數據由多個數據包構成,而每個數據包代表燃燒物在某時刻各個傳感器值。

2.1 傳感器數據預處理

在對不同燃燒物數據進行極限學習機分類前,需要進行數據的預處理,實驗環境中,燃燒物和傳感器有一定距離,傳感器的輸出值很容易受到周圍環境影響,包含各種噪。圖2(a)為紙張燃燒過程中甲烷傳感器信號輸出,從圖2可以看出:輸出信號中含有許多噪聲分量,噪聲可能來源于環境和元器件電磁干擾。

圖2 噪聲數據和濾波后的數據Fig.2 Noise data and data after filter

采用加權移動平均濾波從測量信號中濾除噪聲,保留反映真實情況的樣本數據。在某個時段傳感器接收的數據可以表示為{x1,x2,…,xt},濾波后t時刻值為

(1)

式中:m為移動窗的大小;xt為t時刻濾波后的值。由式(1)可以看出:加權移動平均濾波器不同地對待移動期內的各個數據。對近期數據給予較大的權數,對較遠的數據給予較小的權數。圖2(b)為窗寬度為10時濾波后的波形圖,經濾波處理后能有效濾除信號中噪聲部分。

數據預處理第二步就是歸一化,歸一化是指將每一維度的數據轉換到(0,1)的范圍內,這就防止樣本中某些取值過大的特征對其他特征產生影響,歸一化方法為

(2)

式中:Xnew,Xold分別為歸一化之前和處理后的樣本數據;Xmin,Xmax分別為訓練數據中的最小值和最大值。從式(2)可以看出:若采集數據中存在噪聲,就會對歸一化產生干擾,因為噪聲值可能為訓練數據中的最大值或最小值,這樣導致歸一化失敗,這也是在歸一化之前先進行濾波的原因。

2.2 燃燒狀態信息

火災燃燒物分類關鍵在于:不同燃燒物在陰燃或燃燒狀態產生的燃燒產物是有區別的,并對傳感器產生不同影響。因此燃燒物的識別要求傳感器對不同燃燒物要具有一定區分度。

為了驗證這一條件,選取了顆粒濃度傳感器、可燃氣體傳感器和一氧化碳傳感器等對紙張、布料、木材、蠟燭和香煙5種可燃物響應,結果如圖3所示,橫坐標為時間,縱坐標為傳感器輸出的值,由圖3可以看出:火災燃燒初始階段火災環境特征變化較小,發展階段隨著氣體釋放,燃燒物各種氣體體積分數增高,煙氣量開始增加,傳感器輸出變化明顯。相對其他燃燒物,蠟燭燃燒過程中釋放煙霧較少,各傳感器變化較為平緩。由于不同燃燒物是獨立燃燒,并且傳感器有誤差范圍,所以不同傳感器初始值不同。從圖3可以看出:不同燃燒物在不同時刻的燃燒狀態具有一定的區分度,可以分辨出燃燒物的種類。

2.3 極限學習機分類原理

利用多傳感器對可燃物進行識別最終歸結為分類問題,采用機器學習中一個新分類算法——極限學習機網絡。極限學習機[13-14]是一種單隱層前饋神經網絡。網絡的輸入層權重和隱藏層偏置是隨機產生的,輸出層權重利用Moore-Penrose廣義逆計算得到,因此網絡的學習速率有很大的提高。

圖3 傳感器響應曲線Fig.3 Response curves of sensors

給定一個樣本集(Xi,ti),i=1,2,…,N,其中ti=(ti1,ti2,…,tim)∈Rm,網絡隱含層具有L個單隱層節點,激勵函數為g(x),則ELM網絡實際輸出為

(3)

(4)

由矩陣表示為

Hβ=T

(5)

其中:

H(W1,W2,…,WL,b1,b2,…,bL,X1,X2,…,XN)=

則式(5)中β由最小二乘法解得

β=H+T

(6)

式中H+為隱含層輸出矩陣的廣義逆。

從ELM算法過程可知:在設定合適的隱藏層神經元后,隨機為輸入權重和偏差賦值,在計算隱藏層矩陣后,通過最小二乘法得到輸出權重,這樣就一次完成該問題的求解過程,不需迭代,降低網絡模型訓練時間。

3 可燃物分類實驗及結果分析

3.1 實驗平臺

實驗平臺主要分為接入點(AP)和監控點(MP),其中AP是由STM32F429處理器、傳感器和無線模塊采用ESP8266模塊構成的采集系統,MP安裝了自己用C#編寫桌面端軟件筆記本電腦,操作系統為Windows 7。在采集數據時,燃燒點放置在房間內某個位置,MP接收來自AP的數據包,并從中提取出燃燒物數據,數據中包含了不同傳感器信息。

3.2 實驗環境及參數設置

為采集火災環境數據,選取1間長寬高為2.4 m×1.8 m×2.9 m房間。因為燃燒點位置不同,煙霧飄向會有所不同,為研究燃燒點對采集器和算法的影響,在房間選取4個數據集點,燃燒點之間距離為1.2 m,燃燒點距AP距離為1 m,AP高度為30 cm。選取香煙、紙張、木材、蠟燭和布料5種材料作為可燃物進行分類,如圖4所示。

3.3 實驗結果分析

對于每個測試點選取200個數據作為訓練數據,50個為測試數據。記錄每個燃燒點測試數據的分類結果,畫出其混淆矩陣,如圖5所示,橫縱坐標1,2,3,4,5分別代表香煙、紙張、木材、蠟燭和布料。

圖4 火災數據采集點分別Fig.4 Distribution of fire date collecting points

其中,顏色灰度條表示分類效果,色塊顏色越黑表明分類到該類的樣本數量越多。每個色塊的顏色深淺表示該類燃燒物分類到某個燃燒物的數量。對角線的顏色越黑,表明該燃燒物的分類效果越好。

圖5 極限學習機分類效果Fig.5 Performance of ELM

由于不同測試點煙霧飄向不同,造成分類結果會存在一定差異,少數樣本分類錯誤,從圖5中可以看出:大部分結果都集中在對角線的位置,即獲得了正確的分類,因此也表明本方法受煙霧飄向的影響較小。

為了檢測方法的有效性,在每個火災試驗點隨機選取250個樣本作為訓練樣本.50個樣本作為測試樣本。將極限學習機和傳統的分類算法BP神經網絡[15]、Nbyes[16]作比較,BP神經網絡和Nbyes采用Matlab自帶工具箱,其中BP神經網絡利用LM規則訓練前向網絡。每種算法單獨運行20次,統計平均值如表1所示。

表1 測試集分類結果Table 1 Classification results of the test set %

從表1可以看出:Nbyes方法識別正確率差別較大,紙張、木材和香煙3種燃燒物的正確率較低,識別正確率只有44.7%,42.4%,46.5%。因為Nbyes模型假設屬性之間相互獨立,而火災環境中的特征量很難保證是完全獨立的,這給Nbyes模型的正確分類帶來了一定影響。BP神經網絡和極限學習機ELM對5種燃燒物都能達到較高正確率,ELM在布料和木材正確率達到99%以上。

表2為3種算法的性能分析,因為ELM網絡結構簡單,無需迭代進行學習,所以訓練和測試所需時間最少,遠少于BP神經網絡,BP神經網絡由于需要進行反饋，學習訓練時間較長,Nbyes方法和極限學習機訓練時間短,BP神經網絡訓練時間是極限學習機的幾十倍,極限學習機在達到較高正確率的同時能大大降低訓練時間。

表2 3種算法性能比較Table 2 Performance comparison of three algorithms

4 結 論

利用搭建的STM32無線數據采集平臺進行燃燒物數據采集,實驗平臺靈活,不受環境限制。研究發現不同燃燒物的燃燒狀態信息具有一定區分度,對燃燒物分類是可行的。以顆粒質量濃度、可燃氣體、一氧化碳和甲烷作為樣本特征向量,在算法上利用極限學習識別精度高和建模速度快的優點,完成火災燃燒物種類識別方案,并將結果與BP神經網絡和Nbyes網絡對比,相對于BP神經網絡,極限學習機在建模速度上更快,識別準確率高于Nbyes網絡，實現了對火災燃燒物種類的判斷,能夠為火災現場處理提供參考。本方法在某些方面還存在改進地方,如討論燃燒物量對各個觀察特征的影響,針對有風環境等更復雜的情況則需要進一步的深入研究,以提供更多的技術支持。