電動車火災預警研究

李娟

(山西警察學院，山西太原 030000)

1 引言

火災的發(fā)生不僅會給人類賴以生存的居住環(huán)境帶來十分嚴重的危害，同時還會對人類的生命安全和財產(chǎn)帶來威脅[1-2]。為此，人類需要積極做好火災的預防工作，當火災發(fā)生時及時給出對應的治理措施?；馂氖且环N發(fā)展速度快且容易失去控制的危害[3]。當火勢嚴重時再進行撲滅，會導致人力和物力大幅度增加。為了最大程度降低火災所帶來的危害以及損失，對電動車火災預警同時采取相關的防護措施具有十分重要的科學意義。已有專家給出了一些較好的研究成果，Taylor J 等人提出特定指令增強火災語音警告方法[4]，研究探討語言警告和口語形式的火災疏散警告，并排列不同順序短語，實現(xiàn)語音火災警告。高建豐等人針對火災預警系統(tǒng)進行改進和分析[5]，組建基于量子粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡的火災智能預警算法，將溫度以及煙霧濃度等數(shù)據(jù)設定為神經(jīng)網(wǎng)絡的輸出，通過量子粒子群優(yōu)化算法隨機產(chǎn)生權值和閾值，最終輸出火災預警結果。上述兩種方法雖然取得較為滿意的研究成果，但是由于未考慮采集和預處理各項控制因素，導致預警延時增加，預警精度較低。為此，提出一種電動車火災預警方法，能夠有效降低預警延時和預警費用，獲取較為理想的預警效果。

2 貝葉斯網(wǎng)絡方法

2.1 拓撲結構的確定

通過貝葉斯數(shù)據(jù)融合方法對已有的電動車失火火勢觀測值Z進行預警，獲取n維狀態(tài)向量X的后驗概率，并且構建目標函數(shù)p(Z|X)。

設定X代表先驗信息概率p=(X=x)獨立分布于p(Z|X)中；當Z=x時，X=x的后驗分布條件如公式(1)所示：

分析公式(1)可知，分母主要是利用節(jié)點探測得到的，而分子則是采用最大化后驗進行預測。設定探測位置包括兩個節(jié)點模塊，則公式(1)能夠轉(zhuǎn)換為：

其中正態(tài)分布模型函數(shù)能夠表示為：

上式中，σ代表火勢探測值的不確定度。

在上述分析的基礎上，設定兩個節(jié)點位置的似然函數(shù)，經(jīng)過融合后的最大后驗估計能夠表示為：

通過推理可以得到：

假設公式(5)中并不存在先驗信息，通過數(shù)據(jù)融合能夠獲取加權平均偏差比r=σ1/σ2，則后驗分布均值能夠表示為：

在多源狀態(tài)下，經(jīng)常會發(fā)生數(shù)據(jù)融合異常的情況，各個測量數(shù)據(jù)之間也存在十分明顯的差異[6-8]。在相同時間段內(nèi)的感煙、感溫以及CO傳感器間數(shù)據(jù)均表示為相遇的現(xiàn)實情況，對兩種不同類型的節(jié)點進行融合。貝葉斯網(wǎng)絡主要是利用無環(huán)圖對概率關系對應的網(wǎng)絡進行描述。需要及時采集電動車周邊不同的物理信息量，以下主要通過貝葉斯網(wǎng)絡確定唯一變量集合，即：

貝葉斯網(wǎng)絡的建立需要完成以下兩項準備：

(1)優(yōu)先尋找一個能夠通過某種測度進行數(shù)據(jù)匹配的網(wǎng)絡結構。

(2)在網(wǎng)絡確定的狀態(tài)下，分別確定不同變量的條件概率分布表。

網(wǎng)絡結構的確定需要結合研究對象的實際情況進行分析。通常情況下，主要通過還原燃燒過程，確定起火和爆炸的先后順序，尋找起火點，認定起火原因，事物間的關系和客觀觀測數(shù)據(jù)對網(wǎng)絡進行學習，最終獲取各個變量之間的因果關系，進而得到相互影響的關系圖[9]。以下主要通過高斯模型確定網(wǎng)絡結構，根據(jù)對高斯模型中協(xié)方差矩陣的分析，獲取節(jié)點之間的獨立分布關系，其中隨機的二維向量能夠表示為：

由于各個控制變量X1和X2兩者之間是相互獨立的，并不存在任何關聯(lián)。同理可知，在多維變量之間，各個變量的協(xié)方差為0時，則說明各個節(jié)點之間是相互獨立的。

當貝葉斯網(wǎng)絡的拓撲結構確定以后，需要進一步確定網(wǎng)絡的參數(shù)，即已知節(jié)點在父母節(jié)點的影響下確定各個節(jié)點的條件概率分布表。一般情況下，CPT是通過實際觀測獲取的數(shù)據(jù)來確定的。

2.2 電動車火災預警

在進行火勢預警前期，需要對各項控制因素進行采集和預處理，具體的操作流程如圖1所示。

圖1 信息的采集和預處理

結合氣候以及火勢的相關信息，能夠判定影響火災發(fā)生的主要因素，主要包含：(1)地表濕度；(2)風速；(3)相對濕度等參數(shù)。

綜合上述分析，在數(shù)據(jù)采集的過程中，主要采集對象即為以上參數(shù)。對火災周圍環(huán)境的變量信息進行采集，同時還需要結合氣候指數(shù)對災前參數(shù)進行分析，分別確定不同類型的火險指數(shù)。

信息預處理也是信息融合過程中不可或缺的一部分，信息的質(zhì)量會直接后期的預警結果[10]。信息的預處理主要包括兩個方面，分別為：

(1)信息濾波；

(2)信息去噪。

以下主要利用小波變換對信息進行去噪處理，經(jīng)過小波變換處理的各個參數(shù)平滑可見，能夠更加清晰掌握火勢的變化情況，為后續(xù)的研究奠定堅實的基礎。

結合已經(jīng)采集到的參數(shù)將其作為融合對象，組建基于高斯貝葉斯網(wǎng)絡的火災預警模型，具體的操作流程如圖2所示。

圖2 火災預警模型的建立

預處理的基本原理主要是將多個信號按照一定的權值進行疊加，通過融合形成全新的信號，具體的計算公式如下：

在權值相等的情況下，當ωi=1/n，經(jīng)過融合后的狀態(tài)估計值能夠表示為：

當進行特征提取的過程中，需要優(yōu)先設定一個總體閾值V，根據(jù)該閾值將已經(jīng)融合數(shù)據(jù)信息判定為火災發(fā)生的可信值標記，具體的計算公式為：

由于貝葉斯網(wǎng)絡的學習過程是自上而下的，需要從根節(jié)點T、RH和w開始，分別對不同的風險指數(shù)節(jié)點進行離散變量條件概率學習，進而獲取火災節(jié)點的離散變量分布條件。當確定分布條件后，能夠通過測試數(shù)據(jù)對網(wǎng)絡進行測試。即輸入的數(shù)據(jù)為已知數(shù)據(jù)參數(shù)，明確火災發(fā)生的概率，將其和已知數(shù)據(jù)進行對比，判定網(wǎng)絡的準確性以及有效性。

在上述分析的基礎上，以下給出不同參數(shù)的具體學習步驟，即：

(1)明確值α和均值精度v對應的先驗值。

(2)對β對應的先驗值進行估計，其中：

(3)通過數(shù)據(jù)學習分別更新獲取各個參數(shù)的取值。

(4)利用數(shù)據(jù)學習更新獲取以下的精度矩陣，即：

進而獲取如下的協(xié)方差矩陣，即：

上式中，α 和β 分別代表協(xié)方差矩陣中的兩個參數(shù)。分析相關定理可知，如果協(xié)方差矩陣先驗分布處于未知的狀態(tài)時，則α*=M，β*=s；v代表均值向量的精度；T代表協(xié)方差矩陣的精度矩陣。給出各個參數(shù)的具體學習過程如圖3所示。

圖3 參數(shù)學習流程圖

經(jīng)過參數(shù)學習以及更新后，結合已經(jīng)建立的高斯貝葉斯網(wǎng)絡預警模型對火勢路徑進行決策判斷，進而達到預警的目的。

3 仿真實驗

為了驗證所提電動車火災預警方法的綜合有效性，通過Matlab軟件進行仿真實驗測試。

(1)預警結果：

為了驗證各個方法的優(yōu)越性，實驗選取平均預警誤差和絕對誤差作為測試指標，分別對不同狀態(tài)下的火勢路徑進行預警，具體的實驗對比結果如圖4和圖5所示。

分析圖4和圖5中的實驗數(shù)據(jù)可知，所提方法能夠獲取更加精準的預警結果，因為其采用貝葉斯數(shù)據(jù)融合技術對控制因素進行采集和預處理操作，有效濾除信號中的干擾因素，促使整個方法的預警結果更加理想。

圖4 不同方法的平均預警誤差對比結果

圖5 不同方法的絕對誤差對比結果

(2)預警延時/(ms)：

為了進一步判斷所提方法是否對火災的預警有效性，對比三種不同方法的預警延時結果如表1所示。

表1 不同方法的預警延時對比結果

分析表1中的實驗數(shù)據(jù)可知，所提方法的預警延時在三種方法中為最低；文獻[4]方法的預警延時次之；文獻[5]方法的預警延時最高。通過上述數(shù)據(jù)可知，所提方法通過貝葉斯網(wǎng)絡進行信息采集以及預處理是可行且正確的。

4 結束語

分析傳統(tǒng)方法存在的一系列問題，提出一種電動車火災預警方法。仿真實驗結果表明，所提方法能夠有效降低預警延時，同時還能夠獲取較高精度的預警結果。但是后續(xù)所提方法還需要進行更加深入的改善，以獲取更加有價值的信息。