基于多傳感器信息融合的火災(zāi)探測

竇甜華 / 張 強（山東同圓設(shè)計集團有限公司，山東 濟南 250101）

引言

隨著經(jīng)濟的發(fā)展及人們生活水平的提高，火災(zāi)發(fā)生的幾率也更高了。人們對居住環(huán)境不僅要求便利，而且要安全。智能建筑由多種服務(wù)的子系統(tǒng)集成，其中最重要的一個子系統(tǒng)就是火災(zāi)探測子系統(tǒng)?；馂?zāi)探測最主要的研究問題之一是在短時間內(nèi)對火災(zāi)實現(xiàn)低誤報率的檢測。傳統(tǒng)的單物理量火災(zāi)探測器采用閾值法判別火災(zāi)，閾值設(shè)置過高發(fā)生火災(zāi)而不報警，造成漏報；閾值設(shè)置過低，容易受廚房煙霧、香煙等干擾，造成誤報。因此，由多傳感器構(gòu)成的多模式/多判據(jù)智能火災(zāi)探測器被廣泛研究應(yīng)用。

1 火災(zāi)探測器的分類

火災(zāi)發(fā)生時，會產(chǎn)生煙霧、高溫、火焰及可燃性氣體等現(xiàn)象，火災(zāi)探測器按其探測火災(zāi)不同的理化現(xiàn)象而分為四大類：感煙探測器、感溫探測器、感光探測器及可燃性氣體探測器；按探測器結(jié)構(gòu)可分為點型和線型。其中感煙探測器主要分兩種：離子感煙探測器和光電感煙探測器。離子感煙式探測器適用于點型火災(zāi)探測。根據(jù)探測器內(nèi)電離室的結(jié)構(gòu)形式，又可分為雙源和單源感煙式探測器。感溫式探測器根據(jù)其對溫度變化的響應(yīng)可分為定溫和差溫探測器。

值得注意的是：在火災(zāi)初期，氣體比煙霧粒子上升快，氣體傳感器的應(yīng)用有助于火災(zāi)探測速度和可靠性的提高，且金屬氧化物氣體傳感器具有低成本、微系統(tǒng)集成及壽命長等特點。據(jù)證明CO傳感器能區(qū)分火災(zāi)的煙霧、烹飪蒸汽或香煙煙霧等。在空氣中多灰塵、水汽和油物的場合經(jīng)常干擾光電傳感器，這個問題也可以通過CO傳感器部分解決；因此，CO傳感器在火災(zāi)探測中的應(yīng)用越來越廣泛。美國研究學(xué)者采用煙霧傳感器與CO和CO2氣體傳感器相結(jié)合的方法用于對飛機貨倉內(nèi)的火災(zāi)探測。使用煙霧和CO傳感器，煙霧和CO2傳感器測量的上升率算法降低了干擾報警率和報警反應(yīng)時間[1]。此外，使用各種氣體傳感器陣列構(gòu)成的智能火災(zāi)氣體探測器電子鼻具有較高的智能性和可靠性，能更精確地對火源進行分類[2]。

新的探測技術(shù)和新材料也被引入火災(zāi)探測，如：光纖溫度傳感技術(shù)適用于大范圍內(nèi)多點溫度測量，為礦井、高速公路隧道等大范圍火災(zāi)監(jiān)測尋求了新的技術(shù)途徑；感溫材料TiNi（鈦鎳）形狀記憶合金做成的熱探測器不僅能實現(xiàn)早期探測，也可開啟粉塵、氣體、泡沫等滅火系統(tǒng)，比較適用于帶有易燃物的全封閉的機艙或車內(nèi)；且在高密度高頻電磁場區(qū)域，相對傳統(tǒng)傳感器工作性能更可靠。

2 火災(zāi)探測器的選型

火災(zāi)探測器的選用涉及到的因素主要有火災(zāi)的類型、火災(zāi)形成的規(guī)律、建筑物的特點以及環(huán)境條件等。

2.1 按火災(zāi)地類型選用探測器

火災(zāi)是一個失去控制的燃燒過程，根據(jù)它的表現(xiàn)形式可分為：慢速陰燃火、明火和快速燃燒。慢速陰燃火出現(xiàn)在火災(zāi)發(fā)生的最初階段，由于它發(fā)展時間長且趨向模糊，因此是三種形式中最難檢測的。慢速陰燃火產(chǎn)生大量煙和少量熱，火光輻射很弱，常選用感煙式探測器探測。

煙霧粒子較大時宜采用光電感煙式探測器[3,4]；煙霧粒子較小時由于對光的遮擋和散射能力較弱，光電式探測器靈敏度降低，宜采用離子式探測器。

火災(zāi)形成規(guī)模時，在產(chǎn)生大量煙霧的同時，光和熱的輻射也迅速增加，應(yīng)將感煙、感光及感溫式探測器組合使用。

對于過程短暫的爆炸性火災(zāi)，需要使用可燃氣體探測器進行災(zāi)前報警，或使用感光探測器對爆燃性火災(zāi)瞬間產(chǎn)生的強烈光輻射做出快速報警[5]。這類火災(zāi)沒有陰燃階段，燃燒過程中煙霧少，不適宜用感煙式探測器。燃燒過程中雖然有強熱輻射，但總的來說感溫式探測器的響應(yīng)速度偏慢，不能及時對爆燃性火災(zāi)做出報警反應(yīng)。

2.2 按建筑的特點和場合選用探測器

應(yīng)根據(jù)建筑物特點及場合的不同選用不同的探測器。建筑物室內(nèi)高度不同，對火災(zāi)探測器的選用有不同的要求。房間高度超過12m時，感煙探測器不適用；房間高度超過8m時，則感溫探測器不適用，適合采用感光探測器。對于較大庫房及貨場，宜用線型激光感煙探測器，而采用其他點型探測器則效率不高。在粉塵較多、煙霧較大的場所，感煙式探測器易出現(xiàn)誤報警，感光式探測器的鏡頭易受污染而導(dǎo)致探測器漏報，因此，在這種場合采用感溫探測器較合適。在較低溫度的場合，宜采用差溫或差定溫探測器，不宜采用定溫探測器。在溫度變化較大的場合，應(yīng)采用定溫探測器，不宜采用差溫探測器。風(fēng)速較大或氣流速度大于5m/s的場所不宜采用感煙探測器，使用感光探測器則無任何影響。

2.3 探測器的未來發(fā)展

上述探測器的選用分析，都是基于火災(zāi)發(fā)生時的局部信息做出的判定，當存在干擾時易出現(xiàn)誤判。隨著各種新工藝、新技術(shù)的涌現(xiàn)，復(fù)合智能型探測器應(yīng)運而生。為了排除干擾，更準確、高效的探測火災(zāi)，多物理量復(fù)合而成的傳感器得到越來越廣泛的應(yīng)用。

3 智能火災(zāi)探測器的構(gòu)成與應(yīng)用

智能火災(zāi)探測器由微處理器、火災(zāi)探測器及一些外圍電路組成，根據(jù)探測環(huán)境的不同選用多傳感器復(fù)合探測器。選用火災(zāi)傳感器時應(yīng)遵循探測區(qū)域內(nèi)火災(zāi)初期的形成及發(fā)展規(guī)律、誤報原因等，選用不同種類的傳感器。充分發(fā)揮各個傳感器的優(yōu)勢，取長補短，實現(xiàn)信息共享的多元探測。若把能檢測火災(zāi)特征的各種傳感器全部集成復(fù)合會使器件過于復(fù)雜，降低微處理器處理數(shù)據(jù)的速度，并且降低報警的準確率。目前，比較成熟的火災(zāi)探測器是兩種或三種傳感器復(fù)合，利用探測器內(nèi)置的微處理器對幾種探測源的數(shù)據(jù)進行綜合評估，最終決定是否報警。

圖1 多傳感器信息融合示意圖

圖2 智能火災(zāi)探測系統(tǒng)框圖

多傳感器之間的協(xié)調(diào)和性能互補的優(yōu)勢，克服了單個傳感器的不確定性和局限性，提高了整個傳感器系統(tǒng)的有效性能，獲得對被測對象的一致性解釋與描述，進而實現(xiàn)相應(yīng)的決策與估計，使系統(tǒng)獲得更充分的信息。圖1是多傳感器信息融合的示意圖，傳感器之間的冗余數(shù)據(jù)增強了系統(tǒng)的可靠性，傳感器之間的互補數(shù)據(jù)擴展了單個傳感器的性能。

智能火災(zāi)探測系統(tǒng)硬件框圖如圖2所示，先通過信號調(diào)理對傳感器輸出信號進行整形、濾波、放大和A/D轉(zhuǎn)換，再送入微處理器進行信息融合處理，下面詳細介紹多傳感器信息融合算法。

4 智能火災(zāi)探測器信息融合算法

4.1 多傳感器數(shù)據(jù)融合的層次及功能

與經(jīng)典信號處理方法相比，多傳感器復(fù)合處理的信息具有更復(fù)雜的形式，且在不同層次上出現(xiàn)。多傳感器數(shù)據(jù)融合可分三個層次:信息層、特征層及決策層。如圖3所示，信息層主要完成原始數(shù)據(jù)的采集與處理；特征層利用信息層的輸出信號進行數(shù)據(jù)融合，找出早期火災(zāi)發(fā)生和發(fā)展的特征參量；決策層則充分利用特征層輸出的各類特征信息，采用適當?shù)娜诤霞夹g(shù)和判斷規(guī)則給出最終火災(zāi)結(jié)果。

圖3 復(fù)合火災(zāi)探測器信息融合結(jié)構(gòu)圖

一般選擇的多傳感器觀測的是多物理量，數(shù)據(jù)只能在特征層或決策層融合。數(shù)據(jù)融合技術(shù)用于火災(zāi)探測，是結(jié)合火災(zāi)特征，利用其獨特的三層結(jié)構(gòu)，更加清晰的處理火災(zāi)探測器采集的信息。在信息層里首先對單物理量傳感器采集的信息進行局部處理，這樣有利于發(fā)揮各個傳感器的優(yōu)勢，減輕融合中心數(shù)據(jù)處理的復(fù)雜度，具有并行分塊處理的優(yōu)點。

4.2 常用多傳感器數(shù)據(jù)融合算法

常用多傳感器數(shù)據(jù)融合算法有：加權(quán)平均法、卡爾曼濾波、貝葉斯估計、Dumpster-Shafer證據(jù)推理、模糊邏輯、神經(jīng)網(wǎng)絡(luò)、遺傳算法、粗糙集理論等，下面分別介紹：

（1）加權(quán)平均法最簡單、直接，這種方法從不同傳感器獲得權(quán)值信息，融合結(jié)果就是加權(quán)平均值。缺點是需要相當長的時間確保權(quán)值，而且很難得到最優(yōu)加權(quán)平均值。

（2）卡爾曼濾波適用于動態(tài)環(huán)境中的傳感器信息融合。使用測量模型中的遞歸統(tǒng)計方法，根據(jù)各方面的統(tǒng)計數(shù)據(jù)估計最優(yōu)融合數(shù)據(jù)。如果系統(tǒng)動態(tài)模型是線性系統(tǒng)，傳感器噪聲是高斯白噪聲，則卡爾曼濾波可以在數(shù)據(jù)統(tǒng)計方面提供最優(yōu)數(shù)據(jù)融合估計。由于遞歸的特點，這種算法的計算速度快，且需要較少的內(nèi)存空間。

（3）貝葉斯估計是用于靜態(tài)環(huán)境中低層次的多傳感器信息融合方法，它用概率分布法描述信息。貝葉斯估計用于處理帶有不穩(wěn)定的高斯噪聲的信息，這種算法被用于早期傳感器信息融合技術(shù)。

（4）Dempster-shafer（DS）證據(jù)推理是貝葉斯估計的推廣。當先前條件是相關(guān)的，貝葉斯很難保證一致估計。DS證據(jù)推理使用不穩(wěn)定時間間隔來確定不穩(wěn)定未知先驗概率，從而克服了貝葉斯估計的缺點。該方法成為解決多傳感器信息融合的理論依據(jù)。

（5）模糊邏輯在多傳感器信息融合過程中使用0～1間的數(shù)值直接表示不確定性。模糊邏輯不依賴于數(shù)學(xué)模型，所以它可以被用于模型不確定的系統(tǒng)。

（6）基于神經(jīng)、網(wǎng)絡(luò)的信息融合是不確定性的推理過程。最佳利用外界環(huán)境信息，這種算法通過大量的學(xué)習(xí)和推理把不確定性的復(fù)雜系統(tǒng)融合成易理解的信號，具有兼容性和計算快等優(yōu)點。目前神經(jīng)網(wǎng)絡(luò)以其很強的環(huán)境適應(yīng)性、學(xué)習(xí)能力、容錯能力和并行處理能力在火災(zāi)探測系統(tǒng)中被廣泛應(yīng)用，使信號處理過程更接近人的思維活動，使火災(zāi)探測具有智能化。

（7）遺傳算法(GA)具有較強的全局搜索能力，且簡單通用、魯棒性強，但擬合度函數(shù)變化較大, 局部搜索能力較弱, 且要求擬合度函數(shù)必須收斂于最小誤差。

（8）粗糙集理論是一種刻畫不完整性和不確定性的工具, 能有效地分析和處理不精確、不一致及不完整等各種不完備信息, 并從中發(fā)現(xiàn)隱含的知識，揭示潛在的規(guī)律。利用粗糙集進行信息融合, 主要利用它對不完整數(shù)據(jù)進行分析和推理，發(fā)現(xiàn)數(shù)據(jù)間的關(guān)系、提取有用特征和簡化信息的能力來融合多源復(fù)雜信息, 以提高融合速度和進行最優(yōu)化融合算法的選擇, 增強系統(tǒng)的決策能力。

4.3 各種數(shù)據(jù)融合算法的結(jié)合使用

為彌補各算法的不足，用于火災(zāi)探測的多傳感器數(shù)據(jù)融合算法一般采取上述幾種方法相結(jié)合，例如文獻[7]描述了一種基于GA的徑向基函數(shù)RBF（Radial Basis Function）神經(jīng)網(wǎng)絡(luò)算法用于火災(zāi)檢測，GA算法用于使RBF神經(jīng)網(wǎng)絡(luò)的參數(shù)和結(jié)構(gòu)最優(yōu)化，增強子網(wǎng)絡(luò)的自適應(yīng)能力。為了避免常用的多層前饋網(wǎng)絡(luò)BP（back propagation）神經(jīng)網(wǎng)絡(luò)算法在訓(xùn)練時容易陷入局部極小點，收斂速度慢等問題，在算法訓(xùn)練中常引入適合求取全局最優(yōu)解的遺傳算法GA（Genetic Algorithm），梯度下降法與高斯牛頓法結(jié)合的LM（Levenberg Marquardt）算法等。例如文獻[8]介紹的交替使用GA和LM優(yōu)化神經(jīng)網(wǎng)絡(luò)，不僅增強了遺傳算法的局部搜索能力，而且避免了神經(jīng)網(wǎng)絡(luò)訓(xùn)練陷入局部極小點。

采用不同的數(shù)據(jù)融合算法，最后輸出結(jié)果也不同。如：采用加窗最小二乘法提取CO濃度上升速度加速度和CO2的濃度上升速度作為火災(zāi)辨識的過程特征信息，決策層采用概率神經(jīng)網(wǎng)絡(luò)算法，輸出結(jié)果為明火/陰燃火/無火災(zāi)[6]；采用模糊神經(jīng)網(wǎng)絡(luò)算法形成火災(zāi)預(yù)報模型，神經(jīng)網(wǎng)絡(luò)的輸出再經(jīng)過模糊判斷，最終得到火災(zāi)發(fā)生概率。

因為模糊邏輯和神經(jīng)網(wǎng)絡(luò)具有一定的互補性，在火災(zāi)多信息融合算法中人們常將兩種方法相結(jié)合，模糊神經(jīng)網(wǎng)絡(luò)提高了模糊邏輯的自適應(yīng)性和神經(jīng)網(wǎng)絡(luò)的魯棒性。其中神經(jīng)網(wǎng)絡(luò)理論用于火災(zāi)探測的常用方法有：多層前饋網(wǎng)絡(luò)BP（back propagation）、徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)RBF (Radical Basis Function)等。模 糊邏輯常采用“If-then”模糊邏輯推理方法，模糊聚類方法等。根據(jù)模糊邏輯和人工神經(jīng)網(wǎng)絡(luò)連接的形式和使用功能，兩者融合的形態(tài)可歸納成以下五類：松散型、并聯(lián)型、串聯(lián)型、網(wǎng)絡(luò)學(xué)習(xí)型及結(jié)構(gòu)等價型。

5 結(jié)論

火災(zāi)發(fā)展的過程是一個隨機的不可預(yù)測的過程，為降低單一傳感器引起的漏報和誤報，提高火災(zāi)探測的可靠性，多傳感器復(fù)合探測已成為火災(zāi)探測器發(fā)展的趨勢。隨著微電子、單片機技術(shù)的發(fā)展，火災(zāi)探測器正朝著小型化方向發(fā)展。多傳感器火災(zāi)探測又促使多信息融合算法具有自學(xué)習(xí)、自適應(yīng)、自組織以及容錯能力等功能，各種信息融合算法雖有互補性，但將多個方法結(jié)合又會增加算法的復(fù)雜度，降低信息處理的效率，因此高效的信息融合算法有待研究。

隨著各種通信協(xié)議的產(chǎn)生，無線傳感器網(wǎng)絡(luò)得到越來越廣泛的應(yīng)用?；跓o線傳感器網(wǎng)絡(luò)的火災(zāi)報警系統(tǒng)可解決布線困難及線路易老化、腐蝕、鼠咬及磨損等問題，目前用于火災(zāi)報警系統(tǒng)的無線通信協(xié)議主要有藍牙、ZigBee等，但存在通信距離短，可靠性不高等缺點。HART通信基金會HCF已在2007年6月向其會員單位發(fā)布無線HART協(xié)議的正式文本HART7。此標準是全球第一個獲得這一級別國際認證的工業(yè)無線通訊技術(shù)。如今無線HART協(xié)議以其可靠性、安全保密及有效的電源管理等優(yōu)點得到了廣泛的關(guān)注，用于火災(zāi)探測指日可待。此外，無線傳感器網(wǎng)絡(luò)中的火災(zāi)定位問題也備受研究者的關(guān)注，如何降低無線傳感器網(wǎng)絡(luò)火災(zāi)定位誤差，已成為研究的熱點。

[1]Shin-Juh Chen, David C．Hovde, Kristen A．Peterson,Andre W．Marshall．Fire detection using smoke and gas sensors[J]．Fire Safety Journal 2007 (42): 507–515．

[2]Bancha Charumpom, Michifumi Yoshioka, Tom Fujinaka,Sigeru Omatu．Early Stage Fire Detection Using Reliable Metal Oxide Gas Sensors and Artificial Neural Networks[C]．//IEEE Proceedings of the International Joint Conference．2003 (4):3185–3188．

[3]路海娟．基于信息融合技術(shù)的火災(zāi)報警方法研究[D]．沈陽航空工業(yè)學(xué)院．2008．

[4]侯杰，錢稼茹，趙作周，潘鵬．高大空間建筑火災(zāi)探測及撲救技術(shù)發(fā)展思考[J]．華中科技大學(xué)學(xué)報(城市科學(xué)版)．2008, 25(4): 196-201．

[5]李小亞．基于人工智能的數(shù)據(jù)融合技術(shù)在火災(zāi)探測中的應(yīng)用研究[D]．廣東工業(yè)大學(xué)．2005．

[6]仲啟樹，張認成，杜建華．數(shù)據(jù)融合技術(shù)在火災(zāi)早期探測中的應(yīng)用[J]．華僑大學(xué)學(xué)報(自然科學(xué)版)．2008,29(1):11-13．

[7]Hairong Wang, Weiguo Yang, Huiling Jiang, Yun Wang．Application of Distributed GA-based RBF Neural Network in Fire Detection[C]．// IEEE Proceedings of the 4th International Conference on Natural Computation．2008:398-402．

[8]張長勝, 歐陽丹彤, 岳娜, 張永剛．一種基于遺傳算法和LM算法的混合學(xué)習(xí)算法[J]．吉林大學(xué)學(xué)報(理學(xué)版)．2008, 46(4):675-680．

[9]張兢，路彥和， 雷剛．基于多傳感器數(shù)據(jù)融合的智能火災(zāi)預(yù)警系統(tǒng)[J]．計算機工程與應(yīng)用．2006: 206-208．

[10]劉靜．基于ZigBee技術(shù)的無線火災(zāi)報警信息傳輸系統(tǒng)的設(shè)計[D]．中南大學(xué)．2007（5）．

[11]董廣軍，張永生，戴晨光，范永弘．基于粗糙集的多源信息融合處理技術(shù)[J]．儀器儀表學(xué)報．2005, 26(8):570-571．