基于模糊神經網絡的化工生產車間火災報警方法

季凱

(上海先幻高科新材料有限公司,上海 201417)

隨著現代科技的發展,工業生產、電力輸送、交通運輸、能源供應等方面對火災探測技術的要求越來越高。火災探測技術已成為預防和控制火災的關鍵,是目前各國研究的重要內容。火災探測器是由感煙、感溫、可燃氣體濃度探測器等組成,其中,感溫、可燃氣體探測器可分為手動式和自動式兩種。據統計,化工企業火災占各類火災總數的70%以上。化工企業的生產過程大多具有高溫、高壓、易燃易爆、有毒有害、腐蝕性強,事故危害大,起火后不易撲救等特點,加之化工行業點多面廣,企業管理水平、員工素質參差不齊,在防火工作上存在諸多問題。化工生產車間一旦發生火災,將會產生大量有毒有害氣體,危害極大。所以必須加強化工生產車間火災報警的設計研究,保障化工生產車間消防安全。

在化工生產車間內,經常采用可燃氣體探測器、火焰探測器和手動報警等多種方法來監測和控制火災。在一些傳統的化工車間火災報警方法中,對于無火起火和陰燃的報警靈敏性較差,因此本文提出了一種基于模糊神經網絡的火災報警方法。模糊神經網絡是將模糊推理和神經網絡相結合的一種智能計算方法,是一種基于模糊控制理論的非線性模式識別和控制算法。該方法應用在化工生產車間火災報警算法中,以期能夠提升報警精度。

1 化工生產車間火災報警方法研究

1.1 火災探測器抗干擾優化

化工生產車間火災報警系統通常由火災探測器、現場控制器、軟件三部分組成。火災探測器利用I/O口通過總線將信號傳輸給現場控制器,火災探測器將檢測信號傳給控制器處理,識別出火災信號。為了保證探測器工作過程中所獲取的數據干擾最小,需要優化火災探測器自身的抗干擾性能。整體的火災報警流程如圖1所示。

圖1 火災報警流程示意

1)火災探測器選型中,需要保證數據采集的準確性,且在傳輸過程中,受到外部干擾較小。由于化工生產車間環境比較惡劣,存在各種干擾源,火災探測器會受到周圍環境的影響,而且火災探測器本身也存在一定的噪聲,因此抗干擾優化設計至關重要。對于復雜的現場環境,需要進行抗干擾優化設計,獲取精準的環境數據,才能保證探測器正常穩定地運行。在火災探測器中加入數據采集電路,主要功能是將模擬信號轉換為數字信號,其優點在于抗干擾性強,精度高,處理和存儲方便,靈活性、可編程性以及可擴展性強等,以保證CO質量濃度、煙霧質量濃度與溫度信號采集精度。

2)對于CO質量濃度、煙霧質量濃度與溫度信號進行預處理后,將采集到的信號通過無線傳輸至處理軟件。

3)處理軟件可以從樣本數據中提取有用的特征,并根據特征的相關性和重要性進行選擇,以減少特征維度和提高模型效果。基于樣本數據構建模糊神經網絡模型,通過訓練算法對模型進行優化和調整。

4)現場控制器主要由主控板、數據采集器、通信器、電源和電池、外殼和接線端子組成。通過監測火災風險、采集和處理數據,觸發報警系統和控制其他設備,從而實現化工生產車間火災監測與報警。

在完成探測器自身的抗干擾優化后,為了減小由噪聲引起的誤報,還需要優化數據傳輸過程,本文使用ZigBee協議棧結構傳輸數據,結構如圖2所示。

圖2 ZigBee協議棧結構示意

在圖2的傳輸協議中,由于采集到的現場圖像具有噪聲大、復雜性高等特點,需對圖像進行降噪處理,否則數據大小不一。在訓練過程中,大數據將會掩蓋小數據,影響訓練結果,需要對采集到的圖像進行歸一化處理。過程如式(1)所示:

(1)

式中:xi——經過放大、濾波等處理后的數據信號;xmax——數據集中的最大數據;xmin——數據集中的最小數據。經過處理后,數據大小經過統一,為后續神經網絡訓練提供穩定的數據來源。

1.2 基于模糊神經網絡優化火災報警算法

模糊神經網絡(FNN)是一種新型的控制算法,該算法在一定程度上可以近似地描述一個具有非線性特征的系統,由輸入端和輸出端的模糊規則構成。其中,輸入端為模糊變量,輸出端為神經節點。因此,該網絡既可以采用模糊化方式來降低計算難度,又可以采用神經網絡的方法來逼近輸入變量。FNN模型主要有輸入層、隱含層和輸出層,其中隱含層包含一個傳遞函數,輸出層包含一個輸出量,FNN模型如圖3所示。

圖3 FNN模型示意

圖3所示的模型中,K表示隱含層中模糊集群的數量,FNN模型輸入為環境溫度、ρ(煙霧)及ρ(CO),輸出為火災的狀態特征,即明火、陰燃火以及無火。BP算法是一種具有高度非線性、局部尋優能力強、收斂速度快的算法,但是BP算法的收斂速度受初始權值、閾值及網絡參數調整等影響很大,不利于火災報警系統的快速反應。為了解決該問題,本文提出了一種基于FNN優化火災報警算法。該方法將模糊邏輯與神經網絡相結合,采用改進的BP算法對系統模型進行訓練和學習,將輸入分為環境溫度、ρ(煙霧)以及ρ(CO)數據三個部分。在訓練時首先將輸入數據模糊化后分別輸入到訓練好的網絡中進行訓練,最后根據網絡輸出值判斷是否發生火災,從而實現火災報警功能。該模型具有高度的非線性能力和對輸入變量的強適應能力,在訓練過程中,各層神經元之間存在大量的隱含層連接權值和隱含層激活函數。其中的激勵函數如式(2)所示:

(2)

式(2)中的激勵函數定義域為(-∞, +∞),在該范圍內可導,值域為(0, 1)。輸入量的模糊化處理中,能夠將輸入量精準映射成模糊集合。本文FNN模型的輸出是一個給定的量,即明火、陰燃火以及無火判斷結果。采用模糊神經網絡來處理模糊控制系統中產生的問題具有較好的優越性。在模糊控制系統中,通常將輸入量分為兩部分,一部分為輸入數據X,X∈1～n,另一部分為數據X的隸屬度。當系統處于模糊化狀態時,其輸出為一個隸屬度函數,本文選擇三角型隸屬函數,在訓練過程中的收斂速度較快。三角型隸屬函數曲線如圖4所示。

圖4 三角型隸屬函數曲線示意

按照隸屬度函數的輸出進行模糊化處理,三角型隸屬函數如式(3)所示:

(3)

采用自組織特征映射(SOM)算法建立模糊規則,同時引入自適應調整學習率來提高收斂速度和穩定性。在學習過程中,通過模糊推理系統(FIS)可以對輸入數據進行學習;通過提取煙霧和火焰等不同火災特征,實現對煙霧和火焰的有效識別。模糊邏輯技術通過建立模糊規則和隸屬度函數來表達火災特征信息和火災發展情況;神經網絡則是通過輸入變量之間的非線性關系,建立訓練數據與預測結果之間的映射關系。兩者結合起來進行模糊推理、在線學習,實現對化工生產車間火災的報警。

2 仿真測試

2.1 仿真環境設計

為驗證本文設計的報警方法在實際應用中的有效性,選擇在化工生產車間仿真環境中進行測試。選擇某真實化工廠生產車間作為仿真對象,該區域為一個8 m×8 m的正方形,其布局結構如圖5所示。

圖5 某化工廠生產車間布局示意

在圖5所示的車間中部署火災探測器,保證所有區域都在探測器的監控之下,同時在全范圍覆蓋的基礎上,盡量減少探測器的數量以節約成本。仿真測試探測器的選擇: 溫度探測器4個,監測半徑為3.6 m;煙霧探測器1個,監測半徑為5.8 m;CO探測器4個,監測半徑為3.5 m。仿真化工生產車間探測器布署如圖6所示。

圖6 仿真化工生產車間探測感應器部署示意

在該仿真環境下對報警方法進行訓練,訓練集數據使用的是SH3聚氨酯塑料火數據,經過預處理之后,得到的樣本數據見表1所列。

表1 化工生產車間火災樣本數據

在表1數據集下,分別使用本文設計的基于FNN的化工生產車間火災報警方法和基于CAN總線的火災報警方法進行測試,并對比分析仿真結果。

2.2 實驗結果對比與分析

在該仿真環境下,對兩種報警方法進行訓練,得到兩種方法的收斂結果如圖7所示。

圖7 兩種報警方法訓練收斂結果示意

圖7中為兩種報警方法的訓練后的收斂結果,由圖7可以看出,本文報警方法在訓練過程中收斂速度快,最后的均方誤差更低。兩種方法的仿真訓練結果見表2所列。

表2 兩種報警方法仿真訓練結果

從表2的數據可以看出,與期望輸出的概率相比,本文方法輸出的結果精度更高,說明本文設計的基于FNN的化工生產車間火災報警方法性能更好,對于保障化工生產車間安全穩定生產起到很好的效果。

3 結束語

本文針對傳統火災報警對于不同起火類型的局限性,將FNN算法應用在火災報警方法中。基于多種環境數據來分析火災特征,利用FNN算法對火災情況進行訓練,仿真實驗的結果,也驗證了本文方法在化工生產車間不同火災類型下具有較高的報警精度。