CN103116961B - 一种基于电子鼻技术的密闭空间火灾探测报警***及方法 - Google Patents

Abstract

一种基于电子鼻技术的密闭空间火灾探测报警***及方法，包括：采样管、过滤装置、三个气体传感器、温度传感器、传感器供电单元、传感器控制单元、信号采集单元、信号调理单元、监控主机、声光报警装置、流量计、真空泵、三通电磁阀和尾气处理装置。本发明能够实时在线分析、学习，智能判断，以便于在极早期发现火灾，并减少误报、漏报率，更大限度的减少火灾对密闭空间人员和设备的损害。

Description

一种基于电子鼻技术的密闭空间火灾探测报警***及方法

技术领域

本发明属于火灾探测技术领域，具体涉及基于电子鼻技术的密闭空间火灾探测报警***及方法。

背景技术

密闭空间是指进出口受限，自然通风不良，与外界相对隔离的非常规有限空间。常见的密闭空间主要包括某些配电柜、机房、物资货仓、飞机货舱和航天舱等。此类密闭空间一旦发生火灾，生成的烟雾、毒气和热量势必会在短时间内大量聚集，对人员和设备造成极大的损害。因此，早期的火灾探测报警显得尤为重要。

目前，在密闭空间内主要针对火灾时可见烟雾浓度的变化实现报警，比较容易受空气中粉尘、水汽等干扰产生误报、漏报。火灾特征气体产生于火灾发生极早期，先于可见烟雾的出现。并且，真实火灾产生的CO和CO₂等特征气体浓度变化非常有规律，利于探测。但是，气体传感器具有选择性（即对于多种气体交叉敏感），运用单一的传感器进行火灾特征气体探测报警容易受其它气体或环境因素的影响而引起误报。而利用电子鼻技术能够很好地解决这个问题。电子鼻技术主要由气体传感器阵列、信号预处理和模式识别三部分组成。目前应用于火灾探测领域的电子鼻技术采用的模式识别算法主要有BP神经网络、支持向量机（SVM）等。此类算法训练时间长，结构复杂，不利于在线更新网络模型，从而导致误报、漏报的发生。

发明内容

本发明技术解决问题：克服现有技术的不足，提供一种基于电子鼻技术的密闭空间火灾探测报警***及方法，提取火灾特征气体O₂、CO、CO₂变化规律，实时在线分析、学习，智能判断，以便于在极早期发现火灾，并减少误报、漏报率，更大限度的减少火灾对密闭空间人员和设备的损害。

本发明技术解决方案：一种基于电子鼻技术的密闭空间火灾探测报警***，其结构如图1所示，它由采样管、过滤装置、三个气体传感器、温度传感器、传感器供电单元、传感器控制单元、信号采集单元、信号调理单元、监控主机、声光报警装置、流量计、真空泵、三通电磁阀、尾气处理装置等构成。

气体传感器经采样管采集被监控现场的O₂、CO、CO₂等信号，经数据预处理后输入已经训练好的PNN网络模型，预测火灾发生概率U_i。若火灾发生概率大于给定阀值U_d1，则开始记录预警时间t(i)，反之则将数据输入PNN网络模型在线训练程序。进行二次判断，若火灾发生概率大于等于给定阀值U_d2，则直接开启声光报警装置并接通尾气处理装置；反之，则判断预警时间t(i)是否大于等于给定阀值t_d：是，则开启声光报警装置并接通尾气处理装置；否，则将数据输入PNN网络模型在线训练程序。图2为本发明中实时火灾识别算法流程图。

本发明基于电子鼻技术，采用三个对O₂、CO、CO₂交叉敏感的气体传感器及一个温度传感器组成传感器阵列采集数据，采用概率神经网络（PNN）作为其模式识别算法。为了减少模型复杂度及训练难度，在采样管末端加入过滤装置并采用流量计控制通过传感器的气体流速。过滤装置有两个目的：（1）过滤采样气体中的烟雾颗粒，延长传感器寿命；（2）干燥采样气体，减少水蒸气对气体传感器的影响。在确定最佳气体流速时，可配置多组O₂、CO、CO₂混合气体样本，改变流量，获取多流速下气体传感器响应曲线进行判断。

本发明采用概率神经网络模型（PNN）进行模式识别。PNN基于贝叶斯分类理论决策，利用Parzen窗方法来估计概率密度函数，具有许多优良的性能：（1）PNN训练速度快，利于实时应用；（2）决策可以实现贝叶斯最优；（3）容错能力强；（4）添加新的训练样本时，不必对网络进行重新训练。

在采用PNN网络模型前需对其进行离线训练。离线训练流程如图3所示。首先对密闭空间现场火灾隐患进行调查，并以此进行模拟火灾实验。通过气体传感器及温度传感器获得模拟火灾现场数据。由于本发明致力于实时监控，因此只能选取气体传感器响应值S_i、气体传感器变化率ΔS_i和温度响应值T_i作为相应特征进行预处理。数据预处理方法也直接影响着***的工作特性。采用阵列归一化可以达到很好的效果，计算公式为：

$X_{i,j}^{\′}=X_{i,j}/{\left(\frac{1}{n}\underset{i}{\mathrm{\Σ}}{X}_{i,j}^2\right)}^{1/2}$

其中，X_i,j代表第i次测量时第j个特征值，代表变换后的值。将归一化后的数据进行PCA主成分分析，通过降维，寻找N(N＜j)个正交特征变量，即主成分，使之反映数据的主要特征，压缩原有数据矩阵的规模。当前N个主成分贡献率达到90%时，则认为该N个主成分可以反映的主要特征，用来拟合原数据。利用前N个主成分，即特征参数，组成新的样本集X＝{x_i,n|n＝1,2,…,N}，并应用于新建PNN网络模型的训练。当输出期望满足要求时，终止训练，将形成的PNN网络模型输入到监控主机中。

本发明在实时在线监控的同时，可以将获得的数据写入PNN网络模型训练样本，对其进行再训练，从而优化PNN网络模型。在线训练流程如图4所示。监控现场数据经过火灾判断后，送入在线训练程序。对于在线程序，当***长时间稳定时，写入训练样本的数据不断趋于相同，而浪费存储空间，降低模型的范化能力。因此，需对***是否处于稳态进行判断。设定阀值θ，当满足：

‖X(i+1)-X(i)‖＜θ

则认为***进入稳态，从而停止在线训练，维持PNN网络模型不变。当***并未处于稳态时，则将火灾监控主程序的输出作为该样本的期望输出，加入PNN网络模型的训练样本集进行在线训练，直到测试样本期望输出满足条件为止。得到的新的PNN网络模型重新写入监控主机，进行后续监控。

当火灾发生概率在0.5附近时，直接判断是否发生火灾不合理。本发明引入预警时间对火灾概率进行智能判决，增加报警可靠度。预警时间定义如下：

$t\left(i\right)=\left\{\begin{array}{cc}t(i-1)+1,& U_i>U_{d1}\\ t(i-1)\·u[t(i-1)-t(i-p)],& U_i\≤U_{d1}\end{array}\right.$

u(·)表示单位阶跃信号，i∈[0,T)。T为周期时间，当i=T时，重置预警时间。当火灾发生概率U_i大于U_d1时，启动预警时间计时t(i)。若U_i大于U_d2，则直接启动声光报警，接通尾气处理装置并重置预警时间t(i)；否，则需进一步判断。判断预警时间t(i)是否大于等于给定阀值t_d，若是，则启动报警，记录并重置预警时间t(i)；否，则将数据输入在线训练程序并重置预警时间t(i)。

一种基于电子鼻技术的密闭空间火灾探测报警方法，其特征在于实现步骤如下：

（1）首先对密闭空间进行火灾事故调查，找出其主要火灾风险，并针对这几种主要风险进行模拟实验。

（2）根据模拟实验所得数据，对PNN网络模型进行离线训练。对数据归一化后，进行PCA主成分分析，并应用于新建PNN网络模型的训练。当输出期望满足要求时，终止训练，将形成的PNN网络模型输入到监控主机中。

（3）将训练好的PNN网络模型写入监控主机。将***采样管置于待监测密闭空间，三通电磁阀接通空气，开启传感器供电单元和控制单元，打开真空泵开始抽气，并启动监控主机。从监控现场采集的数据通过PNN网络模型获得火灾发生概率，结合预警时间判断机制进行实时火灾识别。

（4）利用获得的监控现场实时数据对PNN网络模型进行在线训练。首先对***是否处于稳态进行判断。当***处于稳态时，停止在线训练，维持PNN网络模型不变；当***并未处于稳态时，则将数据加入PNN网络模型的训练样本集进行在线训练，得到新的PNN网络模型，并重新写入监控主机，以便进行后续监控。

本发明与现有技术相比的优点在于：

（1）本发明利用电子鼻技术处理火灾时先于烟雾产生的气体浓度变化，报警时间先于密闭空间常规使用的常规烟雾探测器和视频烟雾探测器，并降低了误报、漏报率。

（2）本发明采用容错率更强、更利于在线训练的PNN网络模型，并引入稳态判断，实现密闭空间火灾实时监控和在线更新。

（3）本发明引入预警时间判断机制，使该方法更加智能化，增加报警的可靠度。

附图说明

图1为本发明基于电子鼻技术的密闭空间火灾探测报警***的结构示意图；

图2为本发明中实时火灾识别算法流程图；

图3为本发明中概率神经网络（PNN）离线训练流程图；

图4为本发明中概率神经网络（PNN）在线训练流程图。

具体实施方式

如图1所示，本发明基于电子鼻技术的密闭空间火灾探测报警***包括；采样管、过滤装置、三个气体传感器、温度传感器、传感器供电单元、传感器控制单元、信号采集单元、信号调理单元、监控主机、声光报警装置、流量计、真空泵、三通电磁阀和尾气处理装置；在采样管末端加入过滤装置并采用流量计控制通过三个气体传感器的气体流速。

传感器供电单元为三个气体传感器和温度传感器提供电源，其输出端连接传感器；传感器控制单元控制三个气体传感器和温度传感器的开启、关闭，其输出端连接传感器；三个传感器分别为O₂传感器、CO传感器和CO₂传感器；信号采集单元用来采集三个气体传感器和温度传感器的数据，其输入端与传感器连接，输出端与信号调理单元连接；信号调理单元可以对采集到的信号进行放大、滤波，其输入端与信号采集单元连接，输出端与监控主机连接；监控主机设置有火灾监控主程序和PNN神经网络在线训练算法，能够实时识别火灾并给出报警、在线更新PNN神经网络和储存数据，其输出端连接声光报警装置和三通电磁阀。

采样管采集、输送密闭空间现场气体数据，其一端至于密闭空间中，另一端连接过滤装置；过滤装置过滤气体中的水蒸气和烟颗粒，减少对传感器的影响，其一端连接采样管，另一端经管路连接气体分析腔；气体分析腔用来放置三个气体传感器和温度传感器，其另一端经管路连接流量计；流量计控制管路中的流速，其另一端经管路连接真空泵；真空泵抽气，为***采样提供动力，其另一端经管路连接三通电磁阀；三通电磁阀控制尾气的流向，其另一端经管路连接尾气处理装置；尾气处理装置可处理采样气体中的CO、CO₂等有害气体，防止污染。

正常状态下，三通电磁阀连通空气，流量计控制真空泵抽气速度，密闭空间的气体通过采样管，经过滤装置进入气体分析腔。气体分析腔中放置3个气体传感器和一个温度传感器，由供电单元和控制单元保证其正常工作。四个传感器采集的信号经信号采集单元和信号调理单元处理后，送入监控主机进行分析。发生火灾时，电磁阀接通尾气处理装置，监控主机控制声光报警装置进行报警。

本发明的方法应用于某些设备机房，步骤如下：

（1）首先对该类密闭空间进行火灾事故调查，发现主要火灾风险为其中的线缆、电路板等非金属材料过热或短路。因此，可针对这几种情况进行模拟实验。

（2）对PNN网络模型离线训练，如图3所示。通过气体传感器及温度传感器获得模拟火灾现场数据。选取气体传感器响应值S_i、气体传感器变化率ΔS_i和温度响应值T_i作为相应特征进行预处理。采用阵列归一化可以达到很好的效果，计算公式为：

$X_{i,j}^{\′}=X_{i,j}/{\left(\frac{1}{7}\underset{i}{\mathrm{\Σ}}{X}_{i,j}^2\right)}^{1/2}$

其中，X_i,j代表第i次测量时第j个特征值，代表变换后的值。将归一化后的数据进行PCA主成分分析。前3个主成分贡献率达到90%，可以用来拟合原数据。利用前3个主成分，即特征参数，组成新的样本集X＝{x_i,n|n＝1,2,3}，并应用于新建PNN网络模型的训练。当输出期望满足要求时，终止训练，将形成的PNN网络模型输入到监控主机中。

（3）本发明中实时火灾识别算法，如图2所示，气体传感器经采样管采集被监控现场的O₂、CO、CO₂等信号，经数据预处理后输入已经训练好的PNN网络模型，预测火灾发生概率U_i。若火灾发生概率大于给定阀值U_d1=0.4，则开始记录预警时间t(i)，反之则将数据输入PNN网络模型在线训练程序。进行二次判断，若火灾发生概率大于等于给定阀值U_d2=0.6，则直接开启声光报警装置并接通尾气处理装置；反之，则判断预警时间t(i)是否大于等于给定阀值t_d=15：是，则开启声光报警装置，接通尾气处理装置，并将数据输入PNN网络模型在线训练程序；否，则将数据输入PNN网络模型在线训练程序。

预警时间定义如下：

$t\left(i\right)=\left\{\begin{array}{cc}t(i-1)+1,& U_i>U_{d1}\\ t(i-1)\·u[t(i-1)-t(i-p)],& U_i\≤U_{d1}\end{array}\right.$

u(·)表示单位阶跃信号，i∈[0,T)。T=20为周期时间，当i=T时，重置预警时间。取p=5，即表示若连续4个U_i均小于等于U_d1，则重置预警时间t(i)。

（4）对PNN网络模型在线训练，如图4所示。监控现场数据经过火灾监控主程序判断后，送入在线训练程序。对***是否处于稳态进行判断时，设定阀值θ=0.01，当满足：

‖X(i+1)-X(i)‖＜θ

认为***进入稳态，从而停止在线训练，维持PNN网络模型不变。当***并未处于稳态时，则将火灾监控主程序的输出作为该样本的期望输出，加入PNN网络模型的训练样本集进行在线训练，直到测试样本期望输出满足条件为止。得到的新的PNN网络模型重新写入监控主机，进行后续监控。

总之，本发明利用电子鼻技术处理火灾时气体浓度变化，报警时间更短，并降低了误报、漏报率；采用PNN网络模型，并引入稳态判断，实现实时监控和在线更新；引入预警时间判断机制，更加智能、可靠。本发明可应用于配电柜、机房、物资货仓、飞机货舱和航天舱等密闭空间的火灾探测报警。

本发明说明书未详细阐述部分属于本领域技术人员的公知技术。

以上所述，仅为本发明中的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可理解想到的变换或替换，都应涵盖在本发明的包含范围之内，因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (4)

1.一种基于电子鼻技术的密闭空间火灾探测报警***，其特征在于包括：采样管、过滤装置、三个气体传感器、温度传感器、传感器供电单元、传感器控制单元、信号采集单元、信号调理单元、监控主机、声光报警装置、流量计、真空泵、三通电磁阀和尾气处理装置；

传感器供电单元为三个气体传感器和温度传感器提供电源，其输出端连接传感器；传感器控制单元控制三个气体传感器和温度传感器的开启、关闭，其输出端连接传感器；三个传感器分别为O₂传感器、CO传感器和CO₂传感器；信号采集单元用来采集三个气体传感器和温度传感器的数据，其输入端与传感器连接，输出端与信号调理单元连接；信号调理单元对采集到的信号进行放大、滤波，其输入端与信号采集单元连接，输出端与监控主机连接；监控主机设置有火灾监控主程序和PNN神经网络在线训练算法，能够实时识别火灾并给出报警、在线更新PNN神经网络和储存数据，其输出端连接声光报警装置和三通电磁阀；

采样管采集、输送密闭空间现场气体数据，其一端至于密闭空间中，另一端连接过滤装置；过滤装置过滤气体中的水蒸气和烟颗粒，减少对传感器的影响，其一端连接采样管，另一端经管路连接气体分析腔；气体分析腔用来放置三个气体传感器和温度传感器，其另一端经管路连接流量计；流量计控制管路中的流速，其另一端经管路连接真空泵；真空泵抽气，为***采样提供动力，其另一端经管路连接三通电磁阀；三通电磁阀控制尾气的流向，其另一端经管路连接尾气处理装置；尾气处理装置可处理采样气体中的CO、CO₂有害气体，防止污染；

监控主机实现过程：被监控现场的O₂、CO、CO₂和温度信号，经数据预处理后输入已经训练好的PNN神经网络模型，预测火灾发生概率并进行预警时间判断，如果判断发生火灾，则开启声光报警装置，接通尾气处理装置，并将数据输入已经训练好的PNN网络模型在线训练程序；如果判断未发生火灾，则继续监控，并将数据输入PNN网络模型在线训练程序；进行在线训练前，进行稳态判断，如果判断处于稳态，则返回火灾监控主程序；如果否，则将样本加入PNN神经网络模型的训练，得到新的PNN网络模型，并写入火灾监控主程序；

所述已经训练好的PNN网络模型采用离线训练方式，离线训练过程为：首先对密闭空间现场火灾隐患进行调查，并以此进行模拟火灾实验；通过气体传感器及温度传感器获得模拟火灾现场数据，选取气体传感器响应值S_i、气体传感器变化率△S_i和温度响应值T_i作为相应特征进行预处理，数据预处理方法采用阵列归一化方法，计算公式为：

$X_{i,j}^{\′}=X_{i,j}/{\left(\frac{1}{n}\underset{i}{\mathrm{\Σ}}{X}_{i,j}^2\right)}^{1/2}$

其中，X_i,j代表第i次测量时第j个特征值，X_i'_,j代表变换后的值；

将归一化后的数据X_i'_,j进行PCA主成分分析，通过降维，寻找N(N<j)个正交特征变量，即主成分，使之反映数据X_i'_,j的主要特征，压缩原有数据矩阵的规模；当前N个主成分贡献率达到90％时，则认为该N个主成分能够反映X_i'_,j的主要特征，用来拟合原数据；利用前N个主成分，即特征参数，组成新的样本集X＝{x_i,n|n＝1,2,…,N}，并应用于新建PNN网络模型的训练；当输出期望满足要求时，终止训练，将形成的PNN网络模型写入监控主机。

2.根据权利要求1所述的基于电子鼻技术的密闭空间火灾探测报警***，其特征在于：所述PNN网络模型在线训练程序实现为：对***是否处于稳态进行判断；设定阀值θ，当满足：

||X(i+1)-X(i)||<θ

认为***进入稳态，从而停止在线训练，维持PNN网络模型不变；当***并未处于稳态时，则将火灾监控主程序的输出作为该样本的期望输出，加入PNN网络模型的训练样本集进行在线训练，直到测试样本期望输出满足条件为止；得到的新的PNN网络模型重新写入监控主机，进行后续监控。

3.根据权利要求1所述的基于电子鼻技术的密闭空间火灾探测报警***，其特征在于：所述预警时间t(i)定义如下：

$t\left(i\right)=\left\{\begin{array}{cc}t(i-1)+1,& U_i>U_{d1}\\ t(i-1)u[t(i-1)-t(i-p)],& U_i\&le;U_{d1}\end{array}\right.$

u(·)表示单位阶跃信号，i∈[0,T)，T为周期时间，当i＝T时，重置预警时间t(i)，U_i为火灾发生概率。

4.一种基于电子鼻技术的密闭空间火灾探测报警方法，其特征在于实现步骤如下：

(1)首先对密闭空间进行火灾事故调查，找出其主要火灾风险，并针对这几种主要风险进行模拟实验；

(2)根据模拟实验所得数据，对PNN网络模型进行离线训练；

对数据归一化后，进行PCA主成分分析，并应用于新建PNN网络模型的训练；当输出期望满足要求时，终止训练，将形成的PNN网络模型输入到监控主机中；

(3)将训练好的PNN网络模型写入监控主机；

将***采样管置于待监测密闭空间，三通电磁阀接通空气，开启传感器供电单元和控制单元，打开真空泵开始抽气，并启动监控主机，从监控现场采集的数据通过PNN网络模型获得火灾发生概率，结合预警时间判断机制进行实时火灾识别；

(4)利用获得的监控现场实时数据对PNN网络模型进行在线训练；

首先对***是否处于稳态进行判断；当***处于稳态时，停止在线训练，维持PNN网络模型不变；当***并未处于稳态时，则将数据加入PNN网络模型的训练样本集进行在线训练，得到新的PNN网络模型，并重新写入监控主机，以便进行后续监控。