基于模糊神經網絡的火災自動報警研究

(武漢理工大學自動化學院 湖北 武漢 430070)

一、概述

火災燃燒時溫度、煙霧、CO都會發生明顯變化，目前生活中火災自動報警采用的火災探測器都是單一類型的探測器，只對溫度、煙霧、CO中的某一個特征量作為探測對象，且采用的火災算法都是閾值法，當探測到的信息數據值超過設定的值時就會發出報警信號。在火災發生初期，這些現象變化都不夠明顯，探測器往往會探測不到以至于錯過最佳報警救援時機，造成更多的財產損失，而且在不同環境下，火災燃燒時表現出的信息變化也不一樣，所以單一的火災探測器并不能有效的探測到所有火災[1]。

二、信息收集

火災發生時其燃燒原理一樣，都伴隨著熱量、煙霧和氣體的產生，將這些特征信息合并在一個探測器上檢測，會使火災發生前期判斷時更加準確。復合探測就是將這些特征信號收集處理并綜合分析的一種方式。單一的火災探測器只有一個傳感器，只監測溫度或煙霧濃度或CO氣體濃度并傳達信號，多元復合探測器有多個傳感器，可以同時檢測多個特征信號[2]。一般性多元復合探測器只復合三種探測信息，太多會增加制造成本和難度，因此本文使用光電感煙探測、感溫探測和CO氣體探測三種探測方式進行火災復合探測。

本文利用傳感器檢測技術，設計將感煙、感溫、感CO三種傳感器安裝在一個火災探測器中，能夠對煙霧濃度、溫度、CO氣體濃度這三個特征信號同時進行探測，對監控現場進行實時檢測。由于傳感器輸出的信號基本上為模擬信號，在傳輸過程中容易受到外界環境干擾，致使接收源接收到的不是最原始的信息，對信息的辨別產生比較大的影響，給火災自動報警帶來誤報。

三、信息分析處理

式中，yi為經過歸一化后的數值，xi為經過放大、濾波和A/D轉換等處理后的數值。

(二)模糊推理。模糊控制將火災發生時煙霧濃度、溫度、CO濃度這三個信號分別模糊化為對應火災而言的四種遞進層次：無火、小火、中火、大火，為方便更加清楚直接的觀察它們之間的關系，分別將這四種遞進層次用字母A、B、C、D表示，溫度為X、煙霧濃度為Y、CO濃度為Z，即X的大小可以分為A、B、C、D四種情況，Y、Z同理[4]。輸入特征信號模糊化后，進入模糊邏輯推理，邏輯推理根據專家的經驗知識來判斷。在本模糊系統中，輸入有三個特征信號，因此規則形式為：IF…AND…AND…THEN…，本系統有三個輸入，每個輸入有四個模糊子集，因此該系統有43條模糊規則。

模糊推理規則中，根據專家經驗和實際情況判斷火災發生概率是一個模糊化過程，但是我們需要得到的是一個準確的結果，所以需要對輸出信息進行反模糊化處理。這里我們將發生火災概率為A、B的情況定義為無火災發生，將發生火災概率為C、D的情況定義為有火災發生。“1”表示屬于，“0”表示不屬于。

通過MATLAB模糊推理工具箱，可以得到最終火災發生的概率。

(三)人工神經網絡仿真。本文根據實際輸入輸出情況，建立一個三層的BP神經網絡模型。BP神經網絡是一種按照誤差逆向傳播算法訓練的多層前饋神經網絡，在訓練樣本下進行訓練學習，反復調整權值和閾值，直到誤差達到設定的范圍內[5]。

本文通過火災數據樣本對初始化的神經網絡模型進行訓練學習，最終得到訓練結果，如圖1所示。

圖1 神經網絡訓練結果

將3組檢測數據輸入到神經網絡模型中，得到的實際輸出與期望輸出的對照發現實際輸出和期望輸出基本上相同，可以確定本文神經網絡火災自動報警系統能夠準確預測火災。

(四)決策層輸出。由于樣本數據不夠龐大，不能夠涵蓋所有火災的情況，神經網絡的泛化能力有限，邏輯推理所用到的專家經驗和知識不夠完善，單一憑一種決策方法模糊控制系統或神經網絡系統均不能夠最大程度的降低火災報警的誤報率和漏報率，具有一定的局限性，因此本研究結合兩種系統，采用決策層的推理系統，在神經網絡的參照下，結合模糊控制系統，對火災報警進行綜合決策。本文采用如下策略對火災進行最終判決：①當神經網絡輸出發生明火或者陰燃火的概率不小于0.6且模糊控制器輸出發生火災的概率不小于0.3，則認為發生火災。②當神經網絡輸出發生無火的概率不小于0.7且模糊控制器輸出發生火災的概率小于0.3，則認為沒有火災發生。

通過三組數據測試，可以得出本文基于模糊神經網絡火災自動報警系統對火災判斷的準確性高、漏報率低。

四、結論

本文提出了基于模糊神經網絡的火災自動報警系統，相對于傳統的單一特征信號探測報警，加入了模糊推理和神經網絡算法。實驗使用標準火災數據作為樣本，采用基于模糊神經網絡的火災自動報警運行，最終發現準確性高、漏報率低，相對于傳統探測報警有所提升。