模糊神經(jīng)網(wǎng)絡(luò)在火災(zāi)探測中的應(yīng)用

楊幫華 董 崢 張永懷

(上海大學(xué)機電工程與自動化學(xué)院自動化系上海市電站自動化技術(shù)重點實驗室1，上海 200072;河南漢威電子股份有限公司2，河南 鄭州 450000)

0 引言

火災(zāi)是可燃物和助燃物在一定條件下發(fā)生的劇烈化學(xué)反應(yīng)?；馂?zāi)發(fā)生過程中生成的燃燒產(chǎn)物主要有氣溶膠、煙霧、光、熱和燃燒波等［1］。由于火災(zāi)發(fā)生的隨機性、使用環(huán)境的多樣性和火災(zāi)信號的非結(jié)構(gòu)性，導(dǎo)致火災(zāi)誤報頻頻發(fā)生。因此，采用合適的火災(zāi)信號處理算法、建立有效的識別模型預(yù)報火情是火災(zāi)探測的關(guān)鍵。

目前，火災(zāi)探測領(lǐng)域主要采用以下幾種識別算法。①傳統(tǒng)算法:20世紀(jì)90年代前期，火災(zāi)探測算法可歸納為閾值法和持續(xù)時間算法。閾值法是將火災(zāi)信號幅度與設(shè)定的門限進行比較，超過門限時判斷發(fā)生火災(zāi)。持續(xù)時間算法將火災(zāi)信號分為高頻部分和低頻部分，當(dāng)發(fā)生火災(zāi)時，傳感器信號低頻部分超過預(yù)定門限的持續(xù)時間比正常情況下多?；馂?zāi)信號通過與正?；蚋蓴_情況下的信號激勵條件進行比對輸出報警信號，達到火災(zāi)識別的目的［2－3］。②人工智能算法:20世紀(jì)90年代后，火災(zāi)探測算法與人工智能、自動控制和信號處理等技術(shù)相互融合［4］，能夠根據(jù)現(xiàn)場自動調(diào)整運行參數(shù)，即具有自學(xué)習(xí)功能和自適應(yīng)能力，更適合對具有突發(fā)性和時變性的火災(zāi)信號進行識別處理［5］。

本文建立的火災(zāi)探測系統(tǒng)主要應(yīng)用于電站、變壓器間和配電室等室內(nèi)封閉空間。當(dāng)發(fā)生火災(zāi)時，室內(nèi)產(chǎn)生高溫以及高強度的火焰輻射，系統(tǒng)前端采用溫度-火焰復(fù)合探測器進行構(gòu)建，將探測到的溫度及火焰輻射通過一定的信號預(yù)處理電路進行放大、濾波和A/D轉(zhuǎn)換，得到的數(shù)字信號送入微處理器中進行分析判斷。為了采用智能算法進行火災(zāi)識別，依據(jù)特種火災(zāi)探測器國家標(biāo)準(zhǔn)進行了多次試驗，通過上位機軟件獲取了大量的試驗數(shù)據(jù)，并根據(jù)獲取的數(shù)據(jù)，重點研究了模糊神經(jīng)網(wǎng)絡(luò)(fuzzy neural network，F(xiàn)NN)在火災(zāi)探測中的應(yīng)用。

1 火災(zāi)探測硬件系統(tǒng)

1.1 系統(tǒng)結(jié)構(gòu)

火災(zāi)探測系統(tǒng)由溫度-火焰復(fù)合探測器、放大濾波、A/D轉(zhuǎn)換、微處理器識別和數(shù)據(jù)輸出五部分組成，系統(tǒng)結(jié)構(gòu)如圖1所示。

圖1 火災(zāi)探測系統(tǒng)結(jié)構(gòu)框圖Fig.1 Block diagram of fire detection system

系統(tǒng)通過溫度-火焰探測器對火災(zāi)信號進行探測。其中，溫度探測器同時探測目標(biāo)溫度和環(huán)境溫度，火焰探測器探測波長為4.3 μm 和 3.8 μm 的紅外輻射，探測角度為120°。伴隨著起火過程，環(huán)境溫度會逐漸升高，紅外輻射強度會發(fā)生大幅變化，通過對兩種火災(zāi)信號的綜合處理，可增強火災(zāi)檢測的可靠性。放大濾波部分將火災(zāi)信號進行適當(dāng)放大，并進行濾波處理，以去除信號噪聲和毛刺，使信號更平滑、更易識別。A/D轉(zhuǎn)換部分將模擬信號轉(zhuǎn)換為數(shù)字信號，輸出的數(shù)字信號在微處理器中通過信號處理算法進行識別處理。最后，單片機中處理的結(jié)果通過數(shù)據(jù)輸出部分輸出報警信號，由火災(zāi)報警燈進行顯示。

在火災(zāi)探測系統(tǒng)中，需要全面權(quán)衡報警信號的靈敏度和精度。因此，針對微處理器識別算法的選擇與設(shè)計這一核心問題，本文重點研究了基于模糊邏輯和神經(jīng)網(wǎng)絡(luò)理論的火災(zāi)信號識別算法，旨在保證在一定靈敏度的基礎(chǔ)上提高系統(tǒng)的探測精度。

1.2 數(shù)據(jù)獲取

基于上述探測系統(tǒng)，在室外27℃微風(fēng)的環(huán)境下，將探測器固定在1.5 m高處，依據(jù)特種火災(zāi)探測器國家標(biāo)準(zhǔn)GB 15631-2008，進行I級(25 m)、Ⅱ級(17 m)、Ⅲ級(12 m)靈敏度試驗。數(shù)據(jù)獲取過程如下。

① 將2000 g無水乙醇(濃度95%)倒入厚2 mm、底面尺寸為33 cm×33 cm、高為5 cm的鋼板容器中;

②采用火焰點火方式;

③在探測器距火源中心12 m處，點燃乙醇火，記錄有火狀態(tài)下的數(shù)據(jù)30 s，然后用擋板擋住探測器5 s，記錄對應(yīng)的無火情況下試驗數(shù)據(jù)5 s，重復(fù)以上操作，記錄整個過程的試驗數(shù)據(jù);

④在探測器距火源17 m處，重復(fù)步驟③，記錄整個過程的試驗數(shù)據(jù);

⑤在探測器距火源25 m處，重復(fù)步驟③，記錄整個過程的試驗數(shù)據(jù)。

通過上述數(shù)據(jù)采集過程，最終得到分別距火源中心12、17、25(單位:m)的試驗數(shù)據(jù)上千組，為應(yīng)用模糊神經(jīng)網(wǎng)絡(luò)進行信號識別打下基礎(chǔ)。

2 火災(zāi)探測軟件算法

2.1 模糊邏輯與火災(zāi)探測

模糊理論是由美國學(xué)者、加利福尼亞大學(xué)著名教授Zadeh于1965年首先提出的。1974年英國的Mamdani將模糊理論用于工業(yè)控制，取得了良好效果。模糊邏輯主要具有如下特點:

①在設(shè)計系統(tǒng)時不需建立被控對象的數(shù)學(xué)模型，只要求掌握現(xiàn)場操作人員或?qū)＜医?jīng)驗和操作數(shù)據(jù);

②由工業(yè)過程的定性認(rèn)識出發(fā)，建立語言變量控制規(guī)則方便快捷;

③算法簡單，執(zhí)行快，實現(xiàn)方便，容易普及和推廣［6－7］。

將模糊邏輯應(yīng)用于火災(zāi)探測報警技術(shù)，首先須建立相應(yīng)的輸入輸出規(guī)則關(guān)系庫，這是整個算法的關(guān)鍵。但由于火災(zāi)是一個非常復(fù)雜的非線性結(jié)構(gòu)對象，存在燃燒產(chǎn)物、燃燒環(huán)境等一系列不確定因素，因此，單純依靠模糊邏輯很難建立全面準(zhǔn)確的模糊規(guī)則庫，不能達到理想的辨識效果。

2.2 神經(jīng)網(wǎng)絡(luò)與火災(zāi)探測

誤差反向(back-propagation，BP)、徑向基函數(shù)(radial-basis function，RBF)和概率神經(jīng)網(wǎng)絡(luò)(probabilistic neural network，PNN)三種算法廣泛應(yīng)用于火災(zāi)探測。其中，PNN網(wǎng)絡(luò)較為靈活，但隱層節(jié)點數(shù)量大，儲存量大，執(zhí)行速度較慢。RBF是一個局部逼近的神經(jīng)網(wǎng)絡(luò)，網(wǎng)絡(luò)實現(xiàn)簡單，訓(xùn)練速度快，但隱含層神經(jīng)元較多［8］。BP網(wǎng)絡(luò)是最廣泛應(yīng)用的模型，經(jīng)過訓(xùn)練網(wǎng)絡(luò)可以更好地適應(yīng)環(huán)境，速度適中。因此，本文采用BP網(wǎng)絡(luò)構(gòu)建火災(zāi)探測模型。

然而，將神經(jīng)網(wǎng)絡(luò)應(yīng)用于火災(zāi)探測技術(shù)，僅憑借有限的現(xiàn)場數(shù)據(jù)和試驗數(shù)據(jù)來構(gòu)造規(guī)則是遠遠不夠的。由于試驗環(huán)境與現(xiàn)場環(huán)境是有差別的，而火災(zāi)信號檢測不可能多次現(xiàn)場重復(fù)試驗以獲得所有狀態(tài)的樣本。因此，單純依靠神經(jīng)網(wǎng)絡(luò)同樣不能達到理想的效果［9］。

2.3 模糊神經(jīng)網(wǎng)絡(luò)與火災(zāi)探測

在火災(zāi)探測中，單純依靠模糊邏輯或神經(jīng)網(wǎng)絡(luò)都存在一定的局限性，不能達到理想的辨識效果，如將兩者結(jié)合則具有廣闊的前景。因此，本文采用模糊神經(jīng)網(wǎng)絡(luò)進行火災(zāi)信號的識別。

2.3.1 基本結(jié)構(gòu)

本文建立的模糊神經(jīng)網(wǎng)絡(luò)采用串聯(lián)型結(jié)構(gòu)，模糊神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)如圖2所示。

圖2 模糊神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)框圖Fig.2 Basic structure of fuzzy neural network

圖2中，模糊神經(jīng)網(wǎng)絡(luò)各層的作用如下。

①輸入層，溫度-火焰復(fù)合探測器的輸出信號(即目標(biāo)溫度、環(huán)境溫度和紅外輻射等信號)作為網(wǎng)絡(luò)的輸入數(shù)據(jù)。

②信號預(yù)處理，對網(wǎng)絡(luò)的輸入數(shù)據(jù)進行放大、濾波和A/D轉(zhuǎn)換。需要指出的是，對輸入量進行歸一化處理，可以防止小數(shù)值被大數(shù)值淹沒而影響網(wǎng)絡(luò)校正進程。

③預(yù)測層，通過輸入訓(xùn)練樣本來調(diào)節(jié)連接權(quán)值。

④模糊推理層，完成對網(wǎng)絡(luò)輸出的有火概率和無火概率的模糊推理。

⑤輸出層，最終的輸出為火災(zāi)概率。對火災(zāi)概率應(yīng)用門限法進行判斷，將閾值設(shè)為0.5，即火災(zāi)概率大于0.5時輸出報警信號，判斷有火災(zāi)發(fā)生。

2.3.2 模糊神經(jīng)網(wǎng)絡(luò)構(gòu)建過程

對前端傳感器的輸出信號(目標(biāo)溫度、環(huán)境溫度和紅外輻射等火災(zāi)信號)進行信號預(yù)處理，獲得較為理想的數(shù)據(jù)，從而根據(jù)獲取的數(shù)據(jù)，進行模糊神經(jīng)網(wǎng)絡(luò)構(gòu)建，構(gòu)建過程如下。

①建立一個三輸入、兩輸出、隱含層為七層的三層BP神經(jīng)網(wǎng)絡(luò)，輸入信號為目標(biāo)溫度、環(huán)境溫度和紅外輻射，輸出為有火概率和無火概率。將現(xiàn)場采集的試驗數(shù)據(jù)分成兩部分，200組作為訓(xùn)練樣本，200組作為檢驗樣本。通過誤差反向傳播算法對訓(xùn)練樣本進行訓(xùn)練，修改權(quán)值達到預(yù)定的目標(biāo)誤差，然后對檢驗樣本進行仿真，得到200組輸出，包括有火概率和無火概率。

由此可以看到，當(dāng)有火概率大于0.8時，可以肯定發(fā)生了火災(zāi);而當(dāng)有火概率小于0.2時，可以認(rèn)為沒有發(fā)生火災(zāi)。但當(dāng)門限定為0.5，而網(wǎng)絡(luò)輸出為0.49和0.51時，則很難做出判斷。因此，須采用模糊推理對神經(jīng)網(wǎng)絡(luò)輸出作進一步處理。

②模糊推理的進一步處理包括輸入量和輸出量的模糊量化和標(biāo)定、建立控制規(guī)則表以及精確化過程。

輸入量為神經(jīng)網(wǎng)絡(luò)輸出的有火概率和無火概率P1、P2，輸出量為火災(zāi)發(fā)生的概率P。首先將它們轉(zhuǎn)化為模糊量，并給出 P1、P2和 P的上下限(均為［0，1］)作為論域U。

根據(jù)經(jīng)驗和火災(zāi)數(shù)據(jù)統(tǒng)計，神經(jīng)網(wǎng)絡(luò)輸出P1、P2分成三級，即大(PL)、中(PM)、小(PS)，火災(zāi)發(fā)生概率P分成二級，即大(PL)、小(PS)，均采用高斯函數(shù)作為隸屬函數(shù)。

構(gòu)造模糊集{Ai}、{Bi}和{Ci}，其中 Ai、Bi分別表示神經(jīng)網(wǎng)絡(luò)的輸出P1、P2在隸屬度函數(shù)作用下的值域范圍，Ci表示火災(zāi)概率P在隸屬度函數(shù)作用下的值域范圍，i表示建立的模糊規(guī)則數(shù)，本文建立了三條模糊規(guī)則，因此 i∈［1，3］。

建立控制規(guī)則是模糊邏輯判決的核心。模糊邏輯推理方法主要有Zadeh法、Mamdani法和Larsen法等，本文采用Mamdani法來實現(xiàn)模糊邏輯推理。以兩個輸入(有火概率P1和無火概率P2)和一個輸出(火災(zāi)概率P)的辨識系統(tǒng)為例，其規(guī)則一般可表示為“P1是Ai且 P2是 Bi，則 P 是 Ci”，即“若有火概率為 0.6，且無火概率為 0.4，則火災(zāi)概率為 0.7”。

在推理得到的模糊集合中，取一個能代表這個模糊推理結(jié)果可能性的精確值的過程稱為精確化過程。常用的精確化方法主要有最大隸屬度函數(shù)法、中位數(shù)和重心法，本文選用重心法進行精確化。

采用Mam-dani的Min-Max-COA法進行模糊推理后，通過加權(quán)平均進行反模糊化，準(zhǔn)確的火災(zāi)概率輸出量為:

2.3.3 訓(xùn)練結(jié)果

首先，在采集獲取的數(shù)據(jù)中，選取200組數(shù)據(jù)作為訓(xùn)練樣本進行網(wǎng)絡(luò)模型構(gòu)建。初始學(xué)習(xí)率設(shè)定為0.1，誤差極限設(shè)定為0.001，訓(xùn)練步數(shù)設(shè)定為3000。對訓(xùn)練樣本集重復(fù)強化訓(xùn)練，直到誤差極限達到設(shè)定值即完成網(wǎng)絡(luò)構(gòu)建，從而用于系統(tǒng)仿真。神經(jīng)網(wǎng)絡(luò)誤差收斂曲線如圖3所示。

圖3 誤差收斂曲線Fig.3 Error convergence curve of neural network

在Matlab中建立模糊推理系統(tǒng)，確定有火概率和無火概率的模糊控制規(guī)則，建立如下模糊規(guī)則。

if(有火概率P1is PS)and(無火概率P2is PL)then(火災(zāi)概率P is PS);

if(有火概率P1is PM)and(無火概率P2is PM)then(火災(zāi)概率P is PL);

if(有火概率P1is PL)and(無火概率P2is PS)then(火災(zāi)概率P is PL)。

然后，再選取200組樣本作為檢驗樣本，按模糊神經(jīng)網(wǎng)絡(luò)的構(gòu)建過程進行仿真計算。對200組檢驗樣本進行了20次仿真計算，每次分別使用神經(jīng)網(wǎng)絡(luò)(NN)和模糊神經(jīng)網(wǎng)絡(luò)(FNN)兩種方法進行仿真。

通過NN和FNN兩種方法，分別得到的誤報樣本數(shù)及識別正確率如表1所示。

表1 仿真結(jié)果Tab.1 Comparison of simulation results

表1中，NN誤報數(shù)表示在每次重復(fù)試驗中，應(yīng)用神經(jīng)網(wǎng)絡(luò)方法(NN)對200組樣本進行識別產(chǎn)生的誤報組數(shù)，即將有火識別為無火或?qū)o火識別為有火。NN正判率由式(2)計算得到;模糊神經(jīng)網(wǎng)絡(luò)(FNN)誤報數(shù)及其正判率也可由同樣的方法得到。

最后，即得到神經(jīng)網(wǎng)絡(luò)(NN)和模糊神經(jīng)網(wǎng)絡(luò)(FNN)經(jīng)過20次試驗后的火災(zāi)識別正確率。對20次的識別正確率進行平均，得到應(yīng)用模糊神經(jīng)網(wǎng)絡(luò)方法達到的識別正確率為90%，與采用BP神經(jīng)網(wǎng)絡(luò)算法相比，火災(zāi)識別率提高了3%。

3 結(jié)束語

本文將溫度-火焰復(fù)合探測系統(tǒng)應(yīng)用于電站、變壓器間、配電室等室內(nèi)封閉空間進行火災(zāi)識別，并采用FNN智能算法進行火災(zāi)識別，具有自學(xué)習(xí)、并行處理、容錯能力強和充分利用專家經(jīng)驗等優(yōu)點。與采用NN算法相比，采用FNN提高了3%的識別率，在一定程度上提高了火災(zāi)探測系統(tǒng)的識別精度，為進一步的火災(zāi)探測研究打下了基礎(chǔ)。

［1］曉京.火災(zāi)探測報警技術(shù)的發(fā)展趨勢［J］.安徽消防，2003(3).

［2］吳龍標(biāo)，方俊，謝啟源.火災(zāi)探測與信息處理［M］.北京:化學(xué)工業(yè)出版社，2006:192－193.

［3］李國勇.神經(jīng)模糊控制理論及應(yīng)用［M］.北京:電子工業(yè)出版社，2009:240－241.

［4］FlieB T，Jentschel H J，Lenkheit K.A new synthesis method for signals for testing of flame-detection algorithms［J］.Fire Safety Journal，2002，37(2):151 －164.

［5］姚偉祥，吳龍標(biāo)，盧結(jié)成.用模糊神經(jīng)網(wǎng)絡(luò)進行火災(zāi)探測［J］.信號處理，2000，16(1):43 －46.

［6］王利清，魏學(xué)業(yè)，尹進才.模糊神經(jīng)網(wǎng)絡(luò)在火災(zāi)信號探測系統(tǒng)中的應(yīng)用研究［J］.電子測量與儀器應(yīng)用學(xué)報，2001(2):8－11.

［7］姜國強，孟慶春，汪玉鳳.基于模糊神經(jīng)網(wǎng)絡(luò)的智能火災(zāi)報警系統(tǒng)［J］.自動化技術(shù)與應(yīng)用，2003，16(9):13 －16.

［8］王士同.神經(jīng)模糊系統(tǒng)及其應(yīng)用［M］.北京:北京航空航天大學(xué)出版社，2005.

［9］蔣宗禮.人工神經(jīng)網(wǎng)絡(luò)導(dǎo)論［M］.北京:高度教育出版社，2001:240－241.