基于LabVIEW的數(shù)據(jù)融合火災(zāi)識別模型應(yīng)用

王 晨, 張嘉琪, 王 麗， 王浩杰

(天津理工大學(xué) 環(huán)境科學(xué)與安全工程學(xué)院，天津 300384)

0 引 言

隨著城市化進(jìn)程的不斷加快，各類建筑的數(shù)量不斷增加，高度和規(guī)模不斷擴(kuò)大。火災(zāi)發(fā)生的頻率也逐漸增高，造成的人員傷亡和經(jīng)濟(jì)損失十分嚴(yán)重。對火災(zāi)進(jìn)行及時準(zhǔn)確的探測和預(yù)防至關(guān)重要。但現(xiàn)有的火災(zāi)預(yù)警系統(tǒng)存在諸多問題，火災(zāi)探測器的種類單一，僅僅依靠簡單的閾值判斷對監(jiān)測信息進(jìn)行識別，如通過監(jiān)測環(huán)境溫度、可燃?xì)怏w濃度等參數(shù)識別火災(zāi)[1-3]，但是實際火災(zāi)預(yù)警系統(tǒng)中采用的大都為高靈敏度傳感器，若采用單一閾值判斷，極易受到周圍環(huán)境的干擾，導(dǎo)致高虛警率。如果降低傳感器的靈敏度或者傳感器損壞，在應(yīng)用時傳感器反應(yīng)遲鈍或無反應(yīng)，則會導(dǎo)致高漏報率[4-6]。

傳統(tǒng)火災(zāi)預(yù)警系統(tǒng)無法滿足復(fù)雜火災(zāi)報警的需要，筆者提出基于多傳感器數(shù)據(jù)融合的火災(zāi)識別方法，選取煙霧、溫度、CO傳感器進(jìn)行火災(zāi)監(jiān)測，利用神經(jīng)網(wǎng)絡(luò)及引入可靠度作為數(shù)據(jù)權(quán)重的證據(jù)理論(Dempster-Shafer,D-S)等建立火災(zāi)識別模型，分別對各類傳感器進(jìn)行數(shù)據(jù)融合，具有高靈敏度和抗干擾能力。同時，采用LabVIEW虛擬儀器管理平臺開發(fā)采集、處理、識別功能，實現(xiàn)對采集多傳感器數(shù)據(jù)統(tǒng)一管理及識別系統(tǒng)的自動化，提高火災(zāi)識別的及時性、準(zhǔn)確性[7-8]。

1 火災(zāi)模型總體設(shè)計

火災(zāi)識別模型總體流程如圖1所示，對各傳感器數(shù)據(jù)進(jìn)行采集，首先判別是否為同類傳感器，若是同類傳感器采用BP神經(jīng)網(wǎng)絡(luò)先一步進(jìn)行數(shù)據(jù)融合，然后將得到的融合結(jié)果與其他異類傳感器數(shù)據(jù)用D-S進(jìn)行融合，由輸出結(jié)果判定是否發(fā)生火災(zāi)。

圖1 火災(zāi)識別模型總體設(shè)計

2 數(shù)據(jù)融合在虛擬儀器中的實現(xiàn)

2.1 LabVIEW虛擬儀器

LabVIEW是一種圖形化的編輯程序語言，用程序圖或框圖取代程序代碼，提供實現(xiàn)儀器編程和數(shù)據(jù)采集系統(tǒng)的便捷途徑，能根據(jù)用戶需要定義具備各種功能的儀器，圖片化的界面使整個程序井然有序，生動清晰，使用該技術(shù)設(shè)計、測試、研究、計算及實現(xiàn)儀器系統(tǒng)功能，可以提高工作效率[9]。

2.2 神經(jīng)網(wǎng)絡(luò)在虛擬儀器中的實現(xiàn)

神經(jīng)網(wǎng)絡(luò)第1階段為訓(xùn)練階段，隨機(jī)選取大量樣本，將其作為神經(jīng)網(wǎng)絡(luò)的輸入和輸出。通過大量樣本，首先信號正向傳播，每層節(jié)點的輸出都只影響下層節(jié)點的輸入，選取Sigmoid型函數(shù)[10]作為神經(jīng)網(wǎng)絡(luò)內(nèi)部輸入層到隱層和隱層到輸出層之間的傳遞函數(shù):

Ct={exp[-(∑bj·Vjt-γt)·r]+1}-1

(1)

式中：bj為隱層各神經(jīng)元輸入；Vjt為隱層-輸出層連接權(quán)值；r為Sigmoid型函數(shù)的修正系數(shù);γt為輸出層的閾值;Ct為輸出值。圖2為隱層到輸出層的Sigmoid型函數(shù)在LabVIEW虛擬儀器中的實現(xiàn)。如果輸出層得出數(shù)據(jù)與期望輸出值的最大誤差大于設(shè)定允許誤差值則將反向計算，即相對誤差值沿原傳輸路徑返回，通過修改各神經(jīng)元的權(quán)值和閾值繼續(xù)訓(xùn)練，進(jìn)行輸出值與期望值的比較使誤差信號最小，最終小于系統(tǒng)設(shè)定的相對誤差值，或達(dá)到訓(xùn)練步數(shù)的設(shè)定值，則訓(xùn)練結(jié)束得到最終權(quán)值及閾值[11]。圖3為反向計算過程中權(quán)值和閾值修正過程在LabVIEW虛擬儀器中的實現(xiàn)。

圖2 隱層-輸出層傳遞程序圖

圖3 權(quán)值及閾值修正程序圖

第2階段為工作階段，可以設(shè)定訓(xùn)練樣本、訓(xùn)練次數(shù)、最大相對誤差等參數(shù)，能清楚地觀察到訓(xùn)練樣本的計算結(jié)果，也可根據(jù)訓(xùn)練好的結(jié)果輸入新的值，即可得到相對應(yīng)的輸出量。采用LabVIEW虛擬儀器開發(fā)的神經(jīng)網(wǎng)絡(luò)控制前面板如圖4所示。

圖4 神經(jīng)網(wǎng)絡(luò)控制前面板圖

2.3 基于可靠度的D-S證據(jù)在虛擬儀器中的實現(xiàn)

針對傳統(tǒng)D-S,若證據(jù)完全沖突時無法合成或高度沖突會導(dǎo)致出現(xiàn)與常理相悖結(jié)果的特點，引入可靠度的量化值作為權(quán)重[12]，對各基本概率分配進(jìn)行加權(quán)平均，再使用D-S融合規(guī)則進(jìn)行融合。

首先設(shè)定火災(zāi)發(fā)生所有情況的集合為識別框Ω，Ω={A1，A2，A3}，集合內(nèi)的每個元素代表火災(zāi)發(fā)生的一種情況，通常為有火災(zāi)、無火災(zāi)、不確定，集合內(nèi)的各個元素互斥。其次結(jié)合模糊理論，用高斯型隸屬度函數(shù)表示各個傳感器監(jiān)測值與火災(zāi)基本概率分配的信任度函數(shù)[13]，圖5為各傳感器信任度函數(shù)在LabVIEW虛擬儀器中的實現(xiàn)。

圖5 各個傳感器輸出信任度函數(shù)

然后引入可靠度作為權(quán)值。傳感器的可靠度通過數(shù)據(jù)監(jiān)相互支持度進(jìn)行量化，支持度是相似度的函數(shù)，一個傳感器基本概率分配與其他傳感器的相似度越高，則支持度越高[14]。

相似度可通過相關(guān)系數(shù)法得到，傳感器m1與mj傳感器間相似度為:

(2)

式中:Ai為火災(zāi)發(fā)生的第i種情況；mj(Ai)為第j個傳感器對第i種情況的基本概率分配。sim(m1,mi)為m1傳感器與mi傳感器之間的相似度。相似度的取值范圍為[0,1]，表示兩個傳感器基本概率分配完全相同或完全沖突。傳感器m1的支持度與可靠度[15]為

(3)

(4)

式中：sup(mi)為mi傳感器的支持度，Dcrd(mi)為mj傳感器的可靠度。最后用D-S進(jìn)行融合。將可靠度作為傳感器的權(quán)值，對基本概率分配進(jìn)行加權(quán)平均，得到修正后的不同火災(zāi)情況的基本概率分配為{m′(A1),m′(A2),m′(A3)}。對修正后的基本概率分配進(jìn)行n-1次D-S數(shù)據(jù)融合，其融合規(guī)則如下式所示[16]:

(5)

(6)

最終得出融合結(jié)果，并判斷火災(zāi)是否發(fā)生。圖6為基本概率分配加權(quán)平均及融合過程在LabVIEW虛擬儀器中的實現(xiàn)。

(a) 基本概率分配修正程序圖

(b) D-S證據(jù)理論融合程序圖

3 應(yīng)用實例及結(jié)果分析

將由煙霧、溫度、CO等傳感器組成的兩套監(jiān)測系統(tǒng)安裝于實驗室左右屋頂正上方，在實驗室一角燃燒材料，主要分為明火燃燒和陰燃。經(jīng)過多次同等條件下的燃燒實驗，得到火災(zāi)初期其煙霧、CO、溫度等傳感器的測試數(shù)據(jù)，通過修正得到明火與陰燃實驗中傳感器響應(yīng)曲線，如圖7所示。由響應(yīng)曲線可以看出，明火情況下，火災(zāi)初期燃燒不充分，溫度最先開始上升，其次CO氣體和煙霧體積分?jǐn)?shù)迅速上升。隨著燃燒的繼續(xù)，CO氣體和煙霧體積分?jǐn)?shù)開始降低，而溫度持續(xù)上升。陰燃情況下，火災(zāi)特征不明顯，與明火情況相同溫度首先開始上升，其次煙霧體積分?jǐn)?shù)迅速上升，CO氣體變化不明顯。隨著燃燒的繼續(xù)，煙霧體積分?jǐn)?shù)趨于平穩(wěn)，CO體積分?jǐn)?shù)緩慢上升后下降，溫度持續(xù)上升。

(a) 煙霧傳感器響應(yīng)

(b) CO傳感器響應(yīng)

(c) 溫度傳感器響應(yīng)

圖7 明火及陰燃實驗中各傳感器響應(yīng)曲線

采用虛擬儀器根據(jù)信任度曲線得到明火和陰燃兩種情況下單一傳感器的火災(zāi)概率和使用多傳感器數(shù)據(jù)融合得出的火災(zāi)概率結(jié)果如圖8所示。從圖中可以看出，在閾值為0.5時，明火情況下煙霧傳感器、溫度傳感器、CO傳感器這3種單一傳感器最早能在40S識別火災(zāi)，融合后能在33S識別火災(zāi)；陰燃情況下，單一傳感器最早在143S識別火災(zāi)，融合后能在131S識別火災(zāi)，兩種火災(zāi)情況下，融合后的火災(zāi)識別都比單一傳感器火災(zāi)識別更靈敏；并且單一傳感器的變化對融合后的火災(zāi)識別有影響，但影響波動較小，若某一傳感器出現(xiàn)故障，仍能準(zhǔn)確識別火災(zāi)，抗干擾能力強(qiáng)。

(a) 明火情況下單一傳感器及融合火災(zāi)概率

(b) 陰燃情況下單一傳感器及融合火災(zāi)概率

4 結(jié) 語

本文采用神經(jīng)網(wǎng)絡(luò)和以可靠度為權(quán)值的D-S構(gòu)建的火災(zāi)識別模型解決了單一傳感器虛報率和漏報率高的問題，融合后的火災(zāi)識別模型更靈敏，能減少人為干擾造成的影響，采用虛擬儀器技術(shù)開發(fā)識別系統(tǒng)，實現(xiàn)了自主監(jiān)測、自主融合、自主預(yù)警的目標(biāo)，計算效率高、準(zhǔn)確率高、操作簡單，能滿足市場開發(fā)及使用的需求。