引入新數(shù)據(jù)源的D-S 融合檢測方法

林水生，衛(wèi)伯言，楊海芬*，熊 勇，朱磊基，于 良

（1. 電子科技大學(xué)信息與通信工程學(xué)院 成都 611731；2. 中國科學(xué)院上海微系統(tǒng)與信息技術(shù)研究所 上海 長寧區(qū) 201899）

隨著社會發(fā)展，城市人口愈發(fā)密集，火災(zāi)發(fā)生數(shù)量逐年增加?；馂?zāi)造成財產(chǎn)損失和人員傷亡，給社會帶來不可估量的傷害，因此如何及時準確地探測火災(zāi)至關(guān)重要。

傳統(tǒng)檢測火災(zāi)的傳感器，使用了煙霧探測器。煙霧探測器根據(jù)探測原理可分為兩類：基于電離的探測器和基于光電的探測器?；诠怆姷臒熿F探測器利用煙霧粒子影響光的散射來探測煙霧；基于電離的煙霧探測器則利用煙霧顆粒的存在會導(dǎo)致電極之間的電流下降來檢測煙霧。但是單一信號判別火災(zāi)易受到環(huán)境影響，產(chǎn)生虛警，準確率不高。為了提升火災(zāi)探測準確率，需要使用多傳感器探測火災(zāi)，因此選取合適的探測數(shù)據(jù)源、合理融合多傳感器信息成為了探測火災(zāi)的關(guān)鍵。

目前用于判別火災(zāi)的數(shù)據(jù)源多來自CO 濃度、CO2濃度、煙霧濃度、溫濕度和光照強度。而融合多傳感器信息方法則多種多樣。如文獻[1-2]使用模糊邏輯融合溫度、火焰強度、煙霧濃度信息；文獻[3]使用模糊邏輯融合煙霧、溫度、濕度、CO濃度信息；文獻[4]先使用卡爾曼濾波對溫度、濕度和煙霧信息進行預(yù)處理，再通過模糊邏輯判別室外火災(zāi)。模糊邏輯雖然可以模擬人的思考判斷方式，但是模糊規(guī)則多由人為經(jīng)驗確定，不具有客觀性。文獻[5-6]使用反向傳播（back propagation, BP）神經(jīng)網(wǎng)絡(luò)訓(xùn)練CO、溫度和煙霧來提升火災(zāi)探測準確率；文獻[7]使用卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural networks, CNN）訓(xùn)練數(shù)據(jù)檢測火災(zāi)，但是神經(jīng)網(wǎng)絡(luò)需要大量的訓(xùn)練數(shù)據(jù)，而火災(zāi)數(shù)據(jù)不易采集。文獻[8-14]提出了基于圖像、視頻處理等方法檢測火災(zāi)的方法，但是計算資源消耗過大，所用時間較長。文獻[15]使用D-S 證據(jù)理論融合溫度、煙霧和光照強度信息，并且規(guī)定沖突因子K小于閾值來判別火災(zāi)；文獻[16]則單純使用D-S 證據(jù)理論融合溫度和煙霧濃度，但是D-S 證據(jù)理論沒有充分考慮證據(jù)之間的相互關(guān)系，容易造成信任悖論，產(chǎn)生不可能發(fā)生的情況或者與事實相反的情況。目前對于D-S 證據(jù)理論的改進，可分為3 類：1） 為數(shù)據(jù)源分配權(quán)重，對其改進[17-19]；2） 對合成規(guī)則的改進[20-21]；3） 既修改證據(jù)源，也改進合成規(guī)則[22]。

本文使用溫度、煙霧濃度、CO 濃度、O2濃度、熱釋放速率作為數(shù)據(jù)源，使用火災(zāi)判別概率函數(shù)計算每個數(shù)據(jù)源對應(yīng)的火災(zāi)判別概率向量P，結(jié)合Jousselme 距離為各個數(shù)據(jù)源分配權(quán)重，最后通過D-S 證據(jù)理論對多傳感器判別信息融合，得到最終的火災(zāi)判別概率。本方法充分考慮了各個信號之間的關(guān)系，仿真結(jié)果表明，在保證準確率的基礎(chǔ)上，可提前檢測出火災(zāi)，有效提升火災(zāi)探測及時性。

1 數(shù)據(jù)源選擇及其對火災(zāi)判別

火災(zāi)檢測信號的選擇對火災(zāi)檢測至關(guān)重要。本文通過數(shù)據(jù)分析與多次仿真驗證對比確定火災(zāi)探測信號，并且使用模糊邏輯隸屬度函數(shù)構(gòu)建各個信號的火災(zāi)判別概率函數(shù)。

1.1 數(shù)據(jù)源選擇

由于火災(zāi)數(shù)據(jù)不易采集，本文采用軟件PyroSim仿真火災(zāi)，模擬開放房間中沙發(fā)燃燒并且引燃整個房間的情景，選擇燃燒反應(yīng)為WOOD_OAK，環(huán)境、燃燒速率等因素均設(shè)置為默認。其中，氣體濃度（PPM）單位為mol/mol，熱釋放速率（HRR）單位為kW/h，燃燒時間設(shè)定為600 s，包含從沒有火災(zāi)到火災(zāi)開始并最終結(jié)束的整個過程。各數(shù)據(jù)源的量化信號隨時間變化曲線如圖1 所示。

目前已有文獻中，用于判別火災(zāi)的數(shù)據(jù)源多來自CO 濃度、CO2濃度、煙霧濃度、溫濕度、光照強度。而由圖1 可以看出，在火災(zāi)發(fā)生過程中，因為燃燒反應(yīng)產(chǎn)物等原因，會產(chǎn)生一定水分，所以水分并未大量減少。而CO2在實際環(huán)境中受到的影響因素較多，會對火災(zāi)判別產(chǎn)生干擾；此外，火災(zāi)發(fā)生過程中，光照強度的變化來自于煙霧濃度的變化。因而本文不選用常用的濕度、CO2濃度和光照強度作為數(shù)據(jù)源。

從圖1 可以看出，CO 濃度、煙霧濃度、溫度、O2濃度和熱釋放速率會隨著火災(zāi)的發(fā)展趨勢而變化。圖2 給出了加入O2濃度和熱釋放速率相對于常規(guī)CO 濃度、煙霧濃度、溫度等判別火災(zāi)的概率增益，可以看出加入O2濃度和熱釋放速率后對判斷火災(zāi)發(fā)生和熄滅階段提升效果更為明顯。因此本文采取CO 濃度、煙霧濃度、溫度、O2濃度差值和熱釋放速率作為火災(zāi)檢測數(shù)據(jù)源。

圖2 不同數(shù)據(jù)源仿真結(jié)果對比

1.2 數(shù)據(jù)源的火災(zāi)判別概率函數(shù)

本文CO 濃度、煙霧濃度、溫度、O2濃度差值和熱釋放速率的火災(zāi)判別概率函數(shù)的構(gòu)建，采用模糊邏輯隸屬度函數(shù)方法[23]，具體使用三角形與梯形結(jié)合的形式，將火災(zāi)狀態(tài)分為：“無火”“陰燃火”“明火”3 種。經(jīng)過試驗獲取，函數(shù)構(gòu)造如圖3所示。將各數(shù)據(jù)源通過其對應(yīng)的火災(zāi)判別概率函數(shù)得到各自的火災(zāi)判別概率向量P。

圖3 火災(zāi)判別概率函數(shù)

2 D-S 證據(jù)理論融合多傳感器判別方法

2.1 D-S 證據(jù)理論算法基本構(gòu)建

2.2 D-S 證據(jù)理論算法改進

針對經(jīng)典D-S 證據(jù)理論沒有考慮證據(jù)之間的差異，引起信任悖論的現(xiàn)象，本文使用Jousselme 距離[24]評估證據(jù)源之間差異，進而為各個證據(jù)源分配權(quán)重。

首先，構(gòu)建距離矩陣DM 如下：

式中，mi是 每個數(shù)據(jù)源對應(yīng)的判別概率向量；m′是各個證據(jù)源融合后的判別概率向量。

最后，對m′進行n-1 次D-S 證據(jù)理論融合，得到最終的判別概率P(Ii)。式（4）可簡化為：

具體算法如圖4 所示，過程如下：1）獲取5 種火災(zāi)信號：CO 濃度、煙霧濃度、溫度、O2濃度差值和熱釋放速率，作為數(shù)據(jù)源；2） 將數(shù)據(jù)源通過圖3 火災(zāi)判決概率函數(shù)，分別得到各個數(shù)據(jù)源的火災(zāi)判別概率；3） 構(gòu)建距離矩陣，通過式（6）～式（11）計算各個數(shù)據(jù)源權(quán)重并且修改證據(jù)源；4） 融合后的證據(jù)源進行4 次證據(jù)理論融合，得到最終火災(zāi)發(fā)生概率；5） 將陰燃火和明火概率相加作為火災(zāi)發(fā)生概率，若大于0.8，則判定為火災(zāi)發(fā)生。

圖4 算法框圖

3 仿真及結(jié)果分析

3.1 仿真條件及結(jié)果

本文使用軟件PyroSim 仿真火災(zāi)發(fā)生情況得到火災(zāi)數(shù)據(jù)，后經(jīng)Matlab 處理數(shù)據(jù)得到火災(zāi)判別概率。仿真兩個燃燒場景來進行判別結(jié)果對比，采樣頻率為2 Hz。第一個場景模擬明火過程。開放房間內(nèi)，上方沙發(fā)起火，然后燃燒整個房間至火災(zāi)結(jié)束，其中火災(zāi)發(fā)生時，火焰從沙發(fā)升起時間較短，并且發(fā)出明顯亮光，反應(yīng)了火災(zāi)發(fā)生時的明火現(xiàn)象。第二個場景模擬陰燃火過程。燃燒點先發(fā)出大量黑煙，之后產(chǎn)生火光。其余燃燒設(shè)置均為軟件默認。仿真中，假定將首次發(fā)出明顯亮光時刻作為火災(zāi)起始時間，而將火焰熄滅時刻作為火災(zāi)結(jié)束時間；算法中則將最終判別概率＞0.8 時，判斷為火災(zāi)發(fā)生。

經(jīng)過仿真發(fā)現(xiàn)，僅使用D-S 證據(jù)理論算法[13]或加上歸一化因子K[12]融合CO 濃度、煙霧濃度、溫度判別，在某些時刻會產(chǎn)生0/0，即NaN 現(xiàn)象，無法檢測出火災(zāi)，如圖5 所示。而通過計算Jousselme距離分配數(shù)據(jù)源權(quán)重可以解決此問題, 因此本文不再進行D-S 證據(jù)理論和本文算法的對比。僅比較使用本文算法與選取煙霧濃度、溫度、CO 濃度的方法，具體從陰燃火、明火兩種場景進行比較。仿真對比如下。

圖5 僅使用D-S 證據(jù)理論

場景①：明火場景場景

如圖6，該場景于3.7 s 出可以看到明顯亮光。算法仿真結(jié)果如圖7 所示，可以看出，本文方法在X=18，即t=9 s 處檢測出火災(zāi)；早于對比方法在X=28，即t=14 s 處檢測出火災(zāi)。

圖6 明火場景

圖7 明火場景火災(zāi)發(fā)生概率對比

場景②：陰燃火災(zāi)場景

如圖8，該場景先大量散發(fā)煙霧，于17 s 處可看到火光。仿真結(jié)果如圖9 所示，可以看出，本文方法最早在X=34，即t=17 s 處檢測出火災(zāi)；早于對比方法在X=41，即t=20.5 s 處檢測出火災(zāi)。

圖8 陰燃火場景

圖9 陰燃火場景火災(zāi)發(fā)生概率對比

總之，在使用同樣Jousselme 距離改進D-S 證據(jù)理論方法情況下，本文方法相比于目前傳統(tǒng)方法，明火場景可提前5 s 檢測出來；陰燃火情況提前3.5 s 檢測出來。此外，本文方法還解決了文獻[12-13]在融合過程中產(chǎn)生的NaN 現(xiàn)象。

3.2 未能更早判別火災(zāi)原因分析

本節(jié)分析了在火災(zāi)發(fā)生初期，未能檢測出火災(zāi)的原因。

情景①：由圖6 可以看出，該場景于3.7 s時，有明顯亮光；而由圖7 可以看出，本文方法在X=18，t=9 s，即延時5.3 s 才可檢測出火災(zāi)。選取火災(zāi)檢測信號CO 濃度、溫度、煙霧濃度、O2濃度以及熱釋放速率在0～30 s 的變化曲線，如圖10 所示。由圖可以看出：本場景的CO 濃度、煙霧濃度、溫度、O2濃度在X=12，t=6 s 之前，與初始濃度相比無變化，在t=6 s 之后開始逐漸增長；熱釋放速率于X=8，t=4 s 之后開始增長。

分析其原因，火災(zāi)信號的變化需要一定時間，在火災(zāi)發(fā)生初期，信號變化緩慢，數(shù)值較小，經(jīng)過對應(yīng)火災(zāi)判別概率函數(shù)，得到陰燃火概率與明火概率較小，因此不能檢測火災(zāi)發(fā)生。經(jīng)過一定時間積累，檢測信號發(fā)生明顯變化，才可檢測出火災(zāi)。故而需要一定延時方可檢測出火災(zāi)。

情景②：同樣的選取火災(zāi)檢測信號0～30 s 的變化曲線，如圖11 所示。由圖8 可知，該場景在17 s時，有明顯亮光；而圖8 顯示本文方法在X=34，t=17 s，檢測出火災(zāi)，即該場景在火光發(fā)生時可以準確檢測。分析其原因，由圖10 可以看出：本場景的CO 濃度、煙霧濃度、溫度、O2濃度、熱釋放速率在X=34，t=17 s 時，檢測信號已有明顯變化，數(shù)值較大，通過對應(yīng)火災(zāi)判別概率函數(shù)，得到陰燃火概率與明火概率較大，因此可以檢測火災(zāi)發(fā)生。

圖10 場景①：信號隨時間變化

圖11 場景②：信號隨時間變化

4 結(jié) 束 語

本文針對目前火災(zāi)檢測性能的不足，引入新的火災(zāi)探測數(shù)據(jù)源，研究了將模糊邏輯和D-S 證據(jù)理論融合應(yīng)用于火災(zāi)探測的方法，避免了單純使用信號閾值判別火災(zāi)易造成誤判的缺陷。同時綜合考慮溫度、煙霧濃度、CO 濃度、O2濃度與環(huán)境初始濃度差值、以及熱釋放速率等信息，彌補了單一傳感器判別易受外界影響、造成虛警的不足。仿真結(jié)果表明，本文方法提前了火災(zāi)探測時間，提升了火災(zāi)探測及時性。