CN102013148B - 多信息融合火灾探测方法 - Google Patents
多信息融合火灾探测方法 Download PDFInfo
- Publication number
- CN102013148B CN102013148B CN2010105293087A CN201010529308A CN102013148B CN 102013148 B CN102013148 B CN 102013148B CN 2010105293087 A CN2010105293087 A CN 2010105293087A CN 201010529308 A CN201010529308 A CN 201010529308A CN 102013148 B CN102013148 B CN 102013148B
- Authority
- CN
- China
- Prior art keywords
- fire
- detection signal
- fire detection
- sequence
- hazard detection
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Landscapes
- Fire Alarms (AREA)
Abstract
本发明公开了一种多信息融合火灾探测方法,包括以下步骤:对从现场周期采样得到的火灾探测信号序列进行预处理,排除由于正常环境变化产生的不合理数据;根据预处理后的原始火灾探测信号序列进行灰色模型GM(1,1)建模,对后续时间点的火灾探测信号数据进行预测,以得到等维的新信息灰色预测模型;利用原始火灾探测信号序列对预测得到的火灾探测信号数据进行后验差检验,以检验利用灰色预测模型预测生成的火灾探测信号数据是否合格;以及利用诊断神经网络对合格的火灾探测信号时间序列数据进行诊断,以得到火灾探测结果检测。本发明能够提供可靠的故障诊断以及降低火灾探测结果的误报率。
Description
技术领域
本发明属于火灾探测技术领域,具体涉及多信息融合的火灾识别方法,特别涉及贫信息、弱信息场景的火灾识别。
背景技术
火灾的发生具有双重性,既有它的随机性一面,又有它的确定性一面。因此火灾探测信号检测是一种十分困难的信号检测,它要求信号处理算法能够适应各种环境条件的变化,自动调整参数以达到既能快速探测火灾,又有很低的误报率。因此需要一种数值化的和非数学模型的函数估计和动力学***来实现火灾探测。
利用神经网络及其与模糊***融合方法来进行火灾探测在90年由于其自学习、自适应性、自组织特性,引起了消防工程界的极大关注并得到了长足的发展。其中日本的Y.Okayama提出一种三层前馈BP神经网络的火灾探测算法,具有一定得自学习和自适应性,但是它对传感器信号的特点考虑不够全面,而且仅仅采用简单的门限直接进行判决,不利于减少火灾的误报率。S.Nakanishi等人利用模糊逻辑方法处理烟气温度、烟气浓度和CO(一氧化碳)浓度的复合信号,***的调节还采用了神经网络算法,实际结果显示误报率减低了50%,火灾报警时间还有所提前。但其并没有引入灰色算法和阈值算法,使得该算法的抗环境干扰和提前报警的能力受到局限。
现有火灾探测***的缺陷是,探测灵敏度低和误报警率高,缺乏智能性,并且针对某些弱信息、贫信息的场所不能起到应有的作用,甚至产生不报警的情况。因此,需要一种方法解决上述问题。
发明内容
本发明的目的旨在至少解决现有技术中的上述问题之一,特别是解决漏报、误报和针对弱信息、贫信息火灾场景火灾探测问题。
为此,本发明的实施例提出一种准确、可靠的多信息融合火灾探测方法。
根据本发明的一个方面,本发明实施例提出了一种多信息融合火灾探测方法,所述方法包括以下步骤:对从现场周期采样得到的火灾探测信号序列进行预处理,排除由于正常环境变化产生的不合理数据;根据预处理后的原始火灾探测信号序列进行灰色模型GM(1,1)建模,对后续时间点的火灾探测信号数据进行预测,以得到等维的新信息灰色预测模型;利用原始火灾探测信号序列对预测得到的火灾探测信号数据进行后验差检验,以检验利用所述灰色预测模型预测生成的火灾探测信号数据是否合格;以及利用诊断神经网络对合格的火灾探测信号时间序列数据进行诊断,以得到火灾探测结果检测。
根据本发明进一步的实施例,对不合格的时间序列数据建立残差模型修正,进而进行预测直至合格,其中建立残差模型修正的步骤包括:根据火灾探测信号序列的采样时序获得与火灾探测信号序列对应的时序残差序列;对所述时序残差序列进行灰色模型GM(1,1)建模,以得到对应的时序残差序列预测值;以及利用所述时序残差序列预测值得到,以对不合格的时间序列数据进行修正。
根据本发明进一步的实施例,所述灰色GM(1,1)建模的步骤包括:对所述火灾探测信号序列进行一次累加;在一次累加后的序列基础上建立白化形式的微分方程;根据该微分方程求解出一次累加后的序列对应的下一时刻的预测值;以及对所述预测值进行一次累减运算,得到对应下一时刻的火灾探测信号数据预测值。
根据本发明进一步的实施例,所述后验差检验步骤包括:计算采集的原始火灾探测信号序列的第一平均值和第一方差;计算每个原始火灾探测信号与其对应预测值之间残差,以及整个原始火灾探测信号序列对应的所有残差的第二平均值和第二方差;以及利用所述第一方差与所述第二方差得到后验差比值,以及利用所述残差、所述第二平均值以及所述第一方差得到小误差频率,以进行后验差检验。
根据本发明进一步的实施例,利用诊断神经网络对合格的火灾探测信号时间序列数据进行诊断的步骤包括:利用预定数量的学习样本作为输入和输出样本对神经网络进行离线训练,直至网络收敛以得到所述诊断神经网络,其中所述输入样本为包括烟气温度、烟气浓度和一氧化碳CO浓度的火灾探测特征信号,所述输出样本包括定义好的与所述输入样本对应的明火概率、火灾危险性和阴燃概率;以及将所述合格的火灾探测信号时间序列数据输入到所述诊断神经网络。
根据本发明进一步的实施例,还包括对诊断神经网络检测的火灾探测结果中的模糊集的火灾概率进行模式识别的步骤,其中所述模式识别步骤包括:分别计算火灾探测结果的火灾模糊集和非火灾模糊集的正态分布隶属函数值;比较火灾模糊集的正态分布隶属函数值与非火灾模糊集的正态分布隶属函数值大小;以及根据比较结果确定最终火灾识别。
本发明通过采用较低的阈值和趋势设定,排除了正常环境变化的干扰,由于等维新信息灰色模型对后期火灾信号发展的预测,使得该算法适用于贫信息、弱信息的场所,模糊神经网络的自适应性、学习能力、容错能力和并行处理能力,使得网络能够充分利用给出的特征信号值,给出可靠的故障诊断,同时多信息融合的火灾探测技术减少了误报率。因此,适用的范围更加广泛并能给出比其他火灾探测算法更早、更准确的报警信号。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本发明实施例的多信息融合火灾探测方法流程图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
现在参考图1,该图为本发明实施例的多信息融合火灾探测方法流程图。包括以下步骤:
步骤102,对现场周期采集的火灾探测特征信号进行例如趋势和阈值判断的预处理,排除由于正常环境变化产生的不合理数据。
现场探测器采集的数据先经过阈值和趋势算法判定,这里阈值和趋势的设定要远低于采用阈值型或者趋势型探测器报警值。此设定主要目的是过滤掉探测场所内由于正常环境变化产生的不合理数据。
步骤104,根据预处理后的原始火灾探测信号序列进行灰色模型GM(1,1)建模,对后续时间点的火灾探测信号数据进行预测,以得到等维的新信息灰色预测模型。
设剔除不合理数据后周期采集到的火灾探测信号序列为x(0):x(0)={x(0)(1),x(0)(2),...,x(0)(i),...,x(0)(n)},对其进行一次累加(1-AGO)以生成序列x(1):x(1)={x(1)(1),x(1)(2),...,x(1)(i),...,x(1)(n)},其中k=1,2,...,n。
记参数列为A=[a,u]T,可以利用最小二乘法求解A:A=(BTB)-1BTYn。
式中:Yn=(x(0)(2),x(0)(3),…,x(0)(n))T,将得到的参数a和u代入时间响应方程,可以算得一次累加后生成数据列中第k项和第k+1项的估计值和。然后做累减生成,按下式计算原始火灾探测信号序列中第k+1项的估计值 当预测到下一时刻的值后,为保证序列的维数相等,需要去掉原始火灾探测信号序列的第一个数据,再建立GM(1,1)模型,预测下一时刻的值,依次递归,形成等维新信息灰色预测模型。
步骤106,利用原始火灾探测信号序列对预测得到的火灾探测信号数据进行后验差检验,以检验利用所述灰色预测模型预测生成的火灾探测信号数据是否合格。
表1后验差检验精度等级
步骤108,建立残差GM(1,1)模型进行修正。对不合格的时间序列数据建立残差模型修正,进而进行预测直至合格。
由于x(0)-GM(1,1)模型通常存在一定误差,一是因为模型本身精度不高;二是因为与时序t按等时距处理有关。x(0)-GM(1,1)式是一个连续函数形式,且是时序t的函数,因此给定任一时刻总能计算。如果假设不存在误差,即:所以假设时序t存在残差εt,才能满足这一要求。令tε=t+εt,则
再计算tε,则有
在某些情况下,通过上式求得的时序残差序列可能不适合直接建立GM(1,1)模型。这里有两种情况:第一种情况序列是非负的;第二种情况为时序残差序列中存在负的残差,通常适当加一常数b把列变为非负的,得到后再将其还原为,即
f1:
f2:
f3:
可以还原得到
在优选实施例中,为了进一步提高修正数据的精度,可以接着返回步骤106检验建立的残差模型的精度。
步骤110,检验合格后生成的火灾探测信号时间序列数据,被输入诊断神经网络进行多信息融合判决。
在本实施例中利用火灾探测特征信号为烟气温度、烟气浓度和CO(一氧化碳)浓度作为输入,以及定义好的对应的明火概率、火灾危险性及阴燃概率作为输出对神经网络进行离线训练。
给定样本模式(X,Y)后,神经网络的权值将被调整,使下列准则函数最小:式中,为网络的输出,且由梯度下降法,可求得E(W)的梯度来修正权值,即权向量的修正量可由下式求得:其中η为学习率;对于输出层M,各单元的一般化误差为对于其它层,各单元的一般化误差为l=1,2,…,M-1。
对于给定的样本按照上述过程不断反复地调整权值,使网络的输出接近所希望的输出。直到网络全局误差小于预先设定的一个极小值,即网络收敛。如果学习次数大于预先设定的值,网络就无法收敛。
关于神经网络的训练可以参考现有的BP神经网络技术,这里不再赘述。
经过上述步骤则形成了诊断神经网络。当现场周期采集到的三个火灾探测信号参量归一化被输入该神经网络后,对应的明火概率、火灾危险性及阴燃概率被检测输出。
经过上述神经网络的输出能够初步判断发生火灾的可能性有多大。
步骤112,利用模式识别进行模糊逻辑火灾判决。。
在一些情况下,根据上述诊断神经网络的输出结果,很容易看出,当明火概率大于0.8时,可以肯定发生了火灾。而当明火概率小于0.2,且阴燃火概率也很小时,可以认为没有火出现。
当明火概率在0.5附近则可能比较难于判读,因为这时火灾概率的模糊度最大。因此在本发明的优选上述例中,可以进一步包括步骤112,以对模糊集火灾概率进行模式识别。
以明火概率为例,其它两个参数类似。设x为明火概率,A代表火灾模糊集,B代表非火灾模糊集。给定一个x值,要判决出是否有火,只需要比较μA(x)和μB(x)的大小即可。根据经验和对火灾数据的统计分析,采用一种正态分布作为A、B的隶属函数。经过多次的比较、修改,λ和τ分别定义为0.2和0.4。A和B的隶属函数分别如下两式。 通过运算比对最终给出明确的火灾识别。
步骤114,给出火警/非火警判决。
根据模糊逻辑判断结果,得出火警/非火警的火灾识别。
本发明通过采用较低的阈值和趋势设定,排除了正常环境变化的干扰,由于等维新信息灰色模型对后期火灾信号发展的预测,使得该算法适用于贫信息、弱信息的场所,模糊神经网络的自适应性、学习能力、容错能力和并行处理能力,使得网络能够充分利用给出的特征信号值,给出可靠的故障诊断,同时多信息融合的火灾探测技术减少了误报率。因此,适用的范围更加广泛并能给出比其他火灾探测算法更早、更准确的报警信号。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同限定。
Claims (6)
1.一种多信息融合火灾探测方法,其特征在于,所述方法包括以下步骤:
对从现场周期采样得到的火灾探测信号序列进行预处理,排除由于正常环境变化产生的不合理数据;
根据预处理后的原始火灾探测信号序列进行灰色模型GM(1,1)建模,对后续时间点的火灾探测信号数据进行预测,以得到等维的新信息灰色预测模型;
利用原始火灾探测信号序列对预测得到的火灾探测信号数据进行后验差检验,以检验利用所述灰色预测模型预测生成的火灾探测信号数据是否合格;
利用残差模型对不合格的火灾探测信号时间序列数据进行修正;以及
利用诊断神经网络对合格的火灾探测信号时间序列数据进行诊断,以得到火灾探测结果检测。
3.如权利要求1所述的多信息融合火灾探测方法,其特征在于,所述灰色GM(1,1)建模的步骤包括:
对所述火灾探测信号序列进行一次累加;
在一次累加后的序列基础上建立白化形式的微分方程;
根据该微分方程求解出一次累加后的序列对应的下一时刻的预测值;以及
对所述预测值进行一次累减运算,得到对应下一时刻的火灾探测信号数据预测值。
4.如权利要求1所述的多信息融合火灾探测方法,其特征在于,所述后验差检验步骤包括:
计算采集的原始火灾探测信号序列的第一平均值和第一方差;
计算每个原始火灾探测信号与其对应预测值之间残差,以及整个原始火灾探测信号序列对应的所有残差的第二平均值和第二方差;以及
利用所述第一方差与所述第二方差得到后验差比值,以及利用所述残差、所述第二平均值以及所述第一方差得到小误差频率,以进行后验差检验。
5.如权利要求1所述的多信息融合火灾探测方法,其特征在于,利用诊断神经网络对合格的火灾探测信号时间序列数据进行诊断的步骤包括:
利用预定数量的学习样本作为输入和输出样本对神经网络进行离线训练,直至网络收敛以得到所述诊断神经网络,其中所述输入样本为包括烟气温度、烟气浓度和一氧化碳CO浓度的火灾探测特征信号,所述输出样本包括定义好的与所述输入样本对应的明火概率、火灾危险性和阴燃概率;以及
将所述合格的火灾探测信号时间序列数据输入到所述诊断神经网络。
6.如权利要求1或5所述的多信息融合火灾探测方法,其特征在于,还包括对诊断神经网络检测的火灾探测结果中的模糊集的火灾概率进行模式识别的步骤,其中所述模式识别步骤包括:
分别计算火灾探测结果的火灾模糊集和非火灾模糊集的正态分布隶属函数值;
比较火灾模糊集的正态分布隶属函数值与非火灾模糊集的正态分布隶属函数值大小;以及
根据比较结果确定最终火灾识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010105293087A CN102013148B (zh) | 2010-10-28 | 2010-10-28 | 多信息融合火灾探测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010105293087A CN102013148B (zh) | 2010-10-28 | 2010-10-28 | 多信息融合火灾探测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102013148A CN102013148A (zh) | 2011-04-13 |
CN102013148B true CN102013148B (zh) | 2012-06-27 |
Family
ID=43843307
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2010105293087A Expired - Fee Related CN102013148B (zh) | 2010-10-28 | 2010-10-28 | 多信息融合火灾探测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102013148B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102298816B (zh) * | 2011-05-17 | 2012-11-28 | 杭州电子科技大学 | 一种多源融合船舶机舱火灾预警方法 |
CN102682560B (zh) * | 2012-05-22 | 2013-10-30 | 哈尔滨工程大学 | 一种船舶舱室火灾连锁报警等级评估装置 |
CN102842199B (zh) * | 2012-08-30 | 2014-10-08 | 广州中国科学院工业技术研究院 | 火灾识别方法和*** |
CN103778339A (zh) * | 2014-01-26 | 2014-05-07 | 上海交通大学 | 绗磨加工绗磨条磨损寿命预测方法 |
CN105488730A (zh) * | 2015-12-30 | 2016-04-13 | 郑州光力科技股份有限公司 | 一种采空区易发火点火情风险监测方法 |
CN107230217A (zh) * | 2017-04-26 | 2017-10-03 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 一种基于图像及灰色预测的输电线路山火预警方法 |
CN107331132B (zh) * | 2017-08-04 | 2019-04-23 | 深圳航天智慧城市***技术研究院有限公司 | 一种城市火灾隐患动态预测监控的方法及*** |
CN109410502A (zh) * | 2018-10-09 | 2019-03-01 | 北京建筑大学 | 火灾预警方法及装置 |
CN109686036B (zh) * | 2019-01-09 | 2020-12-22 | 深圳市中电数通智慧安全科技股份有限公司 | 一种火灾监控方法、装置及边缘计算装置 |
CN111311869B (zh) * | 2020-02-14 | 2021-04-27 | 清华大学合肥公共安全研究院 | 一种基于区域报警模型的消防安全监控方法、***、云平台 |
CN113096342B (zh) * | 2021-03-29 | 2022-11-08 | 中国人民解放军陆军工程大学 | 一种建筑bim运维平台消防误报警的判定方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101504790A (zh) * | 2008-11-07 | 2009-08-12 | 清华大学 | 红外光束型火灾烟雾探测器及其检测方法 |
CN101577032A (zh) * | 2009-06-02 | 2009-11-11 | 汕头大学 | 早期火灾识别的无线火灾探测器 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7034701B1 (en) * | 2000-06-16 | 2006-04-25 | The United States Of America As Represented By The Secretary Of The Navy | Identification of fire signatures for shipboard multi-criteria fire detection systems |
-
2010
- 2010-10-28 CN CN2010105293087A patent/CN102013148B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101504790A (zh) * | 2008-11-07 | 2009-08-12 | 清华大学 | 红外光束型火灾烟雾探测器及其检测方法 |
CN101577032A (zh) * | 2009-06-02 | 2009-11-11 | 汕头大学 | 早期火灾识别的无线火灾探测器 |
Non-Patent Citations (1)
Title |
---|
赵建华等.基于神经网络的火灾烟雾识别方法.《光学学报》.2003,第23卷(第9期),1086-1089. * |
Also Published As
Publication number | Publication date |
---|---|
CN102013148A (zh) | 2011-04-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102013148B (zh) | 多信息融合火灾探测方法 | |
CN106872657B (zh) | 一种多变量水质参数时序数据异常事件检测方法 | |
Han et al. | Out-of-distribution detection-assisted trustworthy machinery fault diagnosis approach with uncertainty-aware deep ensembles | |
Cook et al. | Anomaly detection for IoT time-series data: A survey | |
Xu et al. | Predicting pipeline leakage in petrochemical system through GAN and LSTM | |
Feng et al. | A new belief rule base model with attribute reliability | |
Romano et al. | Automated detection of pipe bursts and other events in water distribution systems | |
US20200241514A1 (en) | Method and systems for fault detection and identification | |
CN109766583A (zh) | 基于无标签、不均衡、初值不确定数据的航空发动机寿命预测方法 | |
CN112131212A (zh) | 基于集成学习技术面向混合云场景的时序数据异常预测方法 | |
CN107949812A (zh) | 用于检测配水***中的异常的组合方法 | |
CN103974311A (zh) | 基于改进高斯过程回归模型的状态监测数据流异常检测方法 | |
CN109767351A (zh) | 一种电力信息***日志数据的安全态势感知方法 | |
Zhang et al. | Remaining Useful Life Prediction of Rolling Bearings Using Electrostatic Monitoring Based on Two‐Stage Information Fusion Stochastic Filtering | |
Si et al. | Fault prediction model based on evidential reasoning approach | |
Qin et al. | Remaining useful life prediction for rotating machinery based on optimal degradation indicator | |
Zhang et al. | A real-time anomaly detection algorithm/or water quality data using dual time-moving windows | |
Lv et al. | Non-iterative T–S fuzzy modeling with random hidden-layer structure for BFG pipeline pressure prediction | |
CN113516837A (zh) | 一种基于多源信息融合的城市火灾判断方法、***及其存储介质 | |
CN111191855B (zh) | 一种基于管网多元水质时序数据的水质异常事件识别预警方法 | |
Ou et al. | A deep sequence multi-distribution adversarial model for bearing abnormal condition detection | |
Zhou et al. | A hidden fault prediction model based on the belief rule base with power set and considering attribute reliability | |
Ismail et al. | Adaptive neural network prediction model for energy consumption | |
Tang et al. | Dual attention bidirectional generative adversarial network for dynamic uncertainty process monitoring and diagnosis | |
Alestra et al. | Application of rare event anticipation techniques to aircraft health management |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20120627 Termination date: 20151028 |
|
EXPY | Termination of patent right or utility model |