CN102013148B - 多信息融合火灾探测方法 - Google Patents

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

多信息融合火灾探测方法

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。

对于生成的序列x⁽¹⁾可以建立白化形式的微分方程，它成为一阶灰色微分方程，记为GM(1，1)：

其中a和u为待定参数。该方程的解为

该式称为时间响应方程。

记参数列为A＝[a，u]^T，可以利用最小二乘法求解A：A＝(B^TB)^-1B^TY_n。

式中：Y_n＝(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。

为检验按灰色模型预测的可信性，需要进行后验查检验。原始火灾探测信号序列的实际数据的平均值

和方差s₁ ²分别为：

&

k＝1，2...n

把第k项数据的原始数据值x⁽⁰⁾(k)与计算的估计值

之差q(k)称作第k项残差

则整个数据列所有数据项的残差的平均值

和方差s₂ ²分别为

&

k＝1，2...n。

通过计算后验差比值c和小误差频率p来进行后验差检验，并对比表1给出判断。其中

k＝1，2...n。

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ε_t，才能满足这一要求。令t_ε＝t+ε_t，则

${\hat{x}}^{\left(0\right)}=x^{\left(0\right)}\⇒{\hat{x}}^{\left(1\right)}\left(t_{\mathrm{\ϵ}}\right)=x^{\left(1\right)}\left(t\right);$

${\hat{x}}^{\left(1\right)}\left(t_{\mathrm{\ϵ}}\right)=(x^{\left(0\right)}\left(1\right)-\frac{u}{a})e^{-a(t_e-1)}+\frac{u}{a}$

再计算t_ε，则有 $t_{\mathrm{\ϵ}}=1+\frac{1}{a}\ln \frac{x^{\left(0\right)}\left(1\right)-\frac{u}{a}}{x^{\left(1\right)}\left(t\right)-\frac{u}{a}}$

所以ε_t＝t_ε-t，得时序残差序列

，利用GM(1，1)建模方法建立时序残差序列

的GM(1，1)模型，在这里称之为

模型。即：

${\widehat{\mathrm{\ϵ}}}_t^{\left(1\right)}\left(k\right)=|{\mathrm{\ϵ}}_t^{\left(0\right)}\left(1\right)-\frac{u_t}{a_t}|e^{-a_t(k-1)}+\frac{u_t}{a_t};$

${\widehat{\mathrm{\ϵ}}}_t^{\left(0\right)}\left(k\right)={\widehat{\mathrm{\ϵ}}}_t^{\left(1\right)}\left(k\right)-{\widehat{\mathrm{\ϵ}}}_t^{\left(1\right)}(k-1)$

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： ${\mathrm{\ϵ}}_t^{\left(0\right)}\→{{\mathrm{\ϵ}}_{t_1}}^{\left(0\right)}\{{{\mathrm{\ϵ}}_{t_1}}^{\left(0\right)}={\mathrm{\ϵ}}_t^{\left(0\right)}+b\};$

f₂： ${{\mathrm{\ϵ}}_{t_1}}^{\left(0\right)}={{\mathrm{\ϵ}}_{t_1}}^{\left(0\right)}-\mathrm{GM}\left(\mathrm{1,1}\right)\→{{\widehat{\mathrm{\ϵ}}}_{t_1}}^{\left(0\right)};$

f₃： ${{\widehat{\mathrm{\ϵ}}}_{t_1}}^{\left(0\right)}\→{\widehat{\mathrm{\ϵ}}}_t^{\left(0\right)}\{{\widehat{\mathrm{\ϵ}}}_t^{\left(0\right)}={{\widehat{\mathrm{\ϵ}}}_{t_1}}^{\left(0\right)}-b\}$

然后利用时序残差预测值

求得残差修正后的数值

，以对不合格的时间序列数据进行修正。

由于所以将

代入x⁽⁰⁾-GM(1，1)求解公式：

${\hat{x}}_{\mathrm{\ϵ}}^{\left(1\right)}\left({\hat{t}}_{\mathrm{\ϵ}}\left(t\right)\right)=|x^{\left(0\right)}\left(1\right)-\frac{u}{a}|e^{-a({\hat{t}}_{\mathrm{\ϵ}}\left(t\right)-1)}+\frac{u}{a}$

可以还原得到 ${\hat{x}}_{\mathrm{\ϵ}}^{\left(0\right)}\left(t\right)={\hat{x}}_{\mathrm{\ϵ}}^{\left(1\right)}\left({\hat{t}}_{\mathrm{\ϵ}}\left(t\right)\right)-{\hat{x}}_{\mathrm{\ϵ}}^{\left(1\right)}\left({\hat{t}}_{\mathrm{\ϵ}}(t-1)\right).$

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。

设网络共有m层(不包括输入层)，第l层的节点数为n_l，

表示第l层节点k的输出，且由下式表示：

式中

为连接层第l-1层节点到第l层节点k的权向量；Y⁽⁰⁾＝X。

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μ_A(x)和μ_B(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。

2.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，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残差修正后的数值

，以对不合格的时间序列数据进行修正。

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。

Images