基于多传感器数据融合的火灾预警系统
基于融合算法的火灾远程监控报警系统设计
融 合 中心根据 各个 局部决 策作 出系统最 后 的整体决 策 。 多 传感 器融合 原理 为 ：
， 、
信息 。 文基 于多传 感器 信息融 合技术 ， 本 集传感 器技术 、 警技 报
术及测 控技术 于一 身 ， 同时利 用Ｇ Ｍ网络 的短信 功 能实现 对火 Ｓ 灾远 程监 控和 报警 。西 门子公 司研 发 的Ｔ ３ ｉ Ｓ Ｃ ５Ｇ Ｍ无 线通 信核 心模块 ， 数据采 集 、 集 数据传 输及 短信 息服务 于一 身。该无 线远 程 监测 系统 可监测数 十 公里 以外的现 场设 备 ；具有 早期 发现 、 准确性 高 、 成本低 、 用范 围广 等优点 ， 适 即使 在 系统局部 失效 的 情 况下 也能得 出正 确 的判 断 ， 十分 可靠 。
Ｔ Ｓ ４ ２ 电阻 式半 导体 气 体传 感器 ， Ｇ ２４ 属 驱动 电路分 为加 热 回路 和测 试 回路 两 个部分 。Ｖ （ 热 回路 电压 ） 加 的一周 期为 １ ， ｓ
占空 比为７５０ 续 方 波 ， Ｖ （ 路层 的 电压） 周 期也 为 ｌ， ／０连 而 回 的 ｓ 占 空 比为 １ ２０ 监 测 脉 冲方 波 。 本 设 计 中传 感 器 信 号 在 Ｖ 脉 ／０ 的
合 有效 地降低 了火 灾的误报 率 ， 高 了准确 率 ； 提 同时 利用Ｇ Ｍ网络 的短 信 平 台 ， 端 手机 可接 收报 警信 息 和发 送控 Ｓ 终 制指令 。 实现 了对现 场 的实时监视 和控 制。 该 系统 结构 简单 、 作 方便 、 能 可靠 。 操 性
关键词 ： 多传 感器信 息融合 ； 单片机 ；Ｃ ５｝ ； Ｔ ３ｉ ￥￣ 火灾监控
第７ 第７ 卷 期
２ ｏ 年 ７月 ｏ８
软 件 导 刊
基于多传感器信息融合的火灾探测和自动化预警系统设计
基于多传感器信息融合的火灾探测和自动化预警系统设计刘阔;刘文元;曾会彬;宋岩
【期刊名称】《自动化与仪表》
【年(卷),期】2024(39)5
【摘要】火灾探测和自动化预警,是保证火灾进行可靠应急救援的依据,因此,设计基于多传感器信息融合的火灾探测和自动化预警系统。
采用自适应加权算法,以传感器的自相关函数和互相关函数为依据,融合温度传感器、一氧化碳传感器、烟雾传感器的感知数据,采用基于TOPSIS法优化的DKmeans算法,聚类融合后多传感数据,并计算火灾概率结果,依据概率计算结果判断火灾类别,并进行火灾预警。
测试结果显示,该系统能够完成多传感器数据融合,获取可靠、全面的火灾数据;数据聚类效果良好,单点轮廓系数均在0.947以上,可依据火灾概率结果,判断火灾类别,并完成火灾预警。
【总页数】5页(P89-93)
【作者】刘阔;刘文元;曾会彬;宋岩
【作者单位】福建宁德核电有限公司
【正文语种】中文
【中图分类】TP212
【相关文献】
1.基于多传感器信息融合的电气火灾预警研究
2.多传感器信息融合的汽车火灾探测报警系统设计研究
3.基于多传感器信息融合的电缆火灾预警建模与仿真
4.基于人工智能与多传感器信息融合的电缆火灾预警算法
因版权原因，仅展示原文概要，查看原文内容请购买。
基于信息融合技术的火灾报警方法研究
文章编号:100721385(2008)022*******基于信息融合技术的火灾报警方法研究路海娟 程乃伟 刘晓光(沈阳航空工业学院安全工程学院,辽宁沈阳 110034)摘 要:根据当今火灾探测的现状和实现火灾早期报警的需求,将多传感器数据融合技术应用在火灾报警系统中。
在分析了信息融合系统的三级结构及火灾报警信息非结构特性的基础上,以感温、感烟和气体的火灾报警模拟量为输入,利用粗糙集和神经网络对多传感器信号进行融合,设计出一种快速、准确和有效的火灾探测系统,达到了提早报警和降低误报警频次的目的。
关键词:信息融合;粗糙集;神经网络;火灾探测中图分类号:X932文献标识码:A 单一参数火灾探测器不能有效地探测各类火情,故人们根据不同的场所可能发生的火灾类型来合理地选择火灾探测器。
现实中的火灾多种多样,具有较大的偶然性和不稳定性,使早期火灾现象和虚假火灾现象常常混杂在一起,很难及时做出准确的判断。
信息融合智能火灾探测系统不是原有单一参数火灾探测器的简单组合,而是实施多元同步探测,应用智能算法,对多传感器的火灾参数进行融合,以判断是否存在火灾危险[6]。
这样不但大幅度地提高了辨别真实与虚假火灾的能力,而且对不同类型的火灾都具有较高的灵敏度。
将多元信息融合技术应用到火灾探测中的一个主要问题就是确定信息融合的算法。
信息融合的算法很多,如模糊集理论法、De mp ster-shaf e r 证据推理法、神经网络法及卡尔曼滤波法等[1,4]。
本文提出一种基于粗糙集-神经网络的信息融合算法,实现了早期报警和降低误报警的功能。
1 信息融合的火灾探测原理1.1 火灾探测信号的特征选取在对火灾数据进行信息融合时,选择火情参数是火灾探测中的一个重要内容。
探测量的数目选择过少,无法区分不同性质的火源和非火源;探测量的数目过多,尽管可以提高探测器的灵敏度,减少误报率,但同时也增加了算法的复杂程度。
火灾气体产物作为火灾探测的主要特征之收稿日期22作者简介路海娟(2),女,内蒙赤峰人,硕士在读一,具有适合于早期探测及抗干扰等优势。
采用多传感器数据融合技术的消防报警系统
维普资讯
第 Ｏ２卷第 月 ２３ 年 １６期 ｏ ６ １
Ｃ Ｉ Ａ ＭＥ Ｓ Ｒ ＭＥ 技术 Ｈ Ｏ ０ Ｙ Ｈ Ｎ Ａ中国测试Ｎ Ｅ Ｎ Ｌ Ｇ ＵＥ ＴＴＣ
Ｖ １２ Ｎ ． ｏ． ｏ ３ ６
Ｎ ｖ２ ｏ ｏ ．ｏ ６
采用 多传 感器数据 融合技 术的消 防报警 系统
Ｌ Ｕ Ｂｎ ， Ｒ ｈ － ａ ｇ Ｉ ｉ ＡＮ Ｓ ｕ ｙ ｎ ２
（． ｈｏ ｏ ｌｃ ｉａ Ｅ ｇｎｅｉｇ ａｄ Ｉｆｒ ａ ｏ ，ｉｈａ ｎｖｒｉ 。ｈ ｎｄ １０ ５ Ｃ ｉａ １ ｃ ｏｌ ｆＥｅｔｃｌ ｎｉｅｒ ｎ ｎｏｍ ｔ ｎＳｃ ｕｎ Ｕ ｉ ｓ ｙＣ ｅｇ ｕ ６ ０ ６ 。 ｈｎ ； Ｓ ｒ ｎ ｉ ｅ ｔ ２Ｓ ｈｏ ｏ ｉａ ｃ ｄ ｃｔ ｎＳｃ ｕ ｎ Ｕ ｉｅ ｉ ， ｈｎ ｄ １０ ５Ｃ ｉａ ．ｃｏｌ ｆＤｓ ｎｅＥ ｕａ ｏ ，ｉｈ ａ ｎ ｒｔ Ｃ ｅ ｇｕ ６ ０ ６ ， ｈｎ ） ｔ ｉ ｖ ｓｙ
Ｔ ｅ ｂ ｉ ｆ ｍｅ ｆｒ ｔｅ ｆｒ ａａｍ ｂ ｓ ｄ ｏ ｅ ｈ ａ ｃ ｒ ｏ ｅ ｌ ｒ ｓ ａ ｈ ｉ ａｅ ｎ ｔ ｍｕｔ－ ｅ ｓ ｒ ｄ ｔ ｕ ｉｎ ａ ａｓ Ｓｖ ｎＦｎ ｌ ｍｅ ｏ ｒ ｔｅ ｈ ｌ ｓ ｎ ｏ ａａ ｆ ｓｏ Ｗ ｉ ｓ ｌ ｏ ｉｅ ．ｉａｌ ｙ， ｔ ｄ ｆ ｈ ｏ ｈ ｍｕｔ ｓｎ ｏ ａａ ｆ ｓ ｎ ａ ｄ ｈｅ ｉ ｌｍｅ ｔｔ ｎ ｏ ｎ ｇ ｓ ｎ ｌ ｉｃ ｓｅ ． ｌ－ ｓ ｒｄ ｔ ｕ ｉ ｎ ｔ ｍｐｅ ｎａｉ ｆｍａ ａ ｅ ｗａ ｆ ａ ｙ ｄｓｕ ｓ ｄ ｉ ｅ ｏ ｏ ｉ ｌ Ｋｅ ｒ ｓ Ｍｕｔ ｓ ｎ ｏ ；ｉｇｅ ｃ ａａ ｔｒＡｒｈ ｔ ； ｔ ｕ ｉｎ Ｆｒ ｌｒ ； ｉ ｏ ｔ ｌｍａ ａ ｅ ｎ ｙ ｗｏ ｄ ： ｌ － ｅ ｓ ｒＳｎ ｌ ｈ ｒｃｅ ； ｉ ｍｅ ｃ Ｄａａ ｆｓｏ ； ｉ ａａｍ Ｆｒ ｃ ｎｒ ｎ ｇ ｍｅ ｔ ｉ ｔ ｉ ｅ ｅ ｏ
高层建筑火灾预警系统的智能化趋势是什么
高层建筑火灾预警系统的智能化趋势是什么随着城市化进程的加速，高层建筑如雨后春笋般涌现。
然而，高层建筑的火灾风险也日益凸显。
为了保障人们的生命财产安全，火灾预警系统的重要性不言而喻。
近年来，随着科技的不断进步，高层建筑火灾预警系统正朝着智能化的方向发展，呈现出一系列新的趋势。
一、多传感器融合技术的广泛应用传统的火灾预警系统往往依赖单一类型的传感器，如烟雾传感器或温度传感器。
然而，这种单一传感器的检测方式存在一定的局限性。
例如，烟雾传感器可能会受到环境中灰尘、水蒸气等因素的干扰，而温度传感器在火灾初期升温较慢时可能无法及时响应。
智能化的高层建筑火灾预警系统则采用了多传感器融合技术。
通过整合烟雾、温度、气体、图像等多种类型的传感器，能够更全面、准确地监测火灾的发生和发展。
这些传感器相互补充、验证，大大提高了火灾预警的可靠性和准确性。
例如，图像传感器可以实时捕捉火灾现场的图像信息，通过图像分析技术判断是否有火焰、烟雾的出现以及火势的大小和蔓延方向。
气体传感器则可以检测到火灾产生的各种有害气体，如一氧化碳、二氧化碳等，为判断火灾的严重程度提供重要依据。
二、智能数据分析与处理能力的提升随着传感器数量的增加和监测数据的丰富，如何对这些海量数据进行有效的分析和处理成为了关键。
智能化的火灾预警系统具备强大的数据分析能力，能够运用先进的算法和模型对数据进行实时处理和挖掘。
系统可以通过对历史数据的学习和分析，建立火灾特征模型。
当实时监测数据与模型匹配时，能够快速准确地判断是否发生火灾，并及时发出警报。
同时，系统还能够对数据进行趋势分析，预测火灾的发展态势，为消防救援提供决策支持。
此外，智能数据分析还能够实现对火灾误报的有效识别和排除。
通过对环境因素、传感器状态等多方面数据的综合分析，系统可以判断出是真正的火灾还是由于外界干扰导致的误报，从而减少不必要的恐慌和资源浪费。
三、无线通信技术的深度融入在高层建筑中，布线是一个复杂且成本高昂的问题。
基于多传感器数据融合的火灾报警系统设计
由主控器对多个传感器的信息进行分析 ，判断时根据不同传感器在一定时间间隔 内对烟雾 的不同反应 ，拓
展 了探 测 范 围 ，提高 了灵 敏 度 ，降低 了误 报率 。由于智 能探 测 器 能针 对探 测 器所 处 的特 定 安装 地点 进行 编 程 ，使探 测器 与探 测 环境 互 相 匹配 ，从 而 使探 测 器达 到最 佳 的探 测效 果 ；同时 通过 相 应 的编程 也可 以使探
个 系统 对处 理器 的要 求 。Ｎ ｎ ｌｓ ａ ｄＦａｈ里 固化 了 Ｌｎ ｘ的 Ｂ ｏ ｌａ ｅ、系统 内核 、文 件 系统 、应 用程 序 以及环 ｉｕ ｏｔｏｄ ｒ
境变量 和 系统配 置 文件 等 ；Ｓ ＲＡ 作 为 内存单 元 供 系统运 行 时使 用 。 Ｄ Ｍ 图 １ 系统 原理 方框 图 。 能 探 测 器 内置 多个 传感 器 ， 传感 器互 为 补 充 ， 为 智 各 采用 多 维参 数 的组合 判 断 ，
吴 晓 方 ， 张 志 刚
（ 黑龙江 省齐齐哈尔消 防支队 ，黑龙江 齐齐哈尔 １ １０ ６０ ０）
摘要 ：介绍 了基 于嵌入式 的多传感器数 据融合火灾报警 系统 的硬件及软件设计 方案 ，并利用数据 融合算法 ，对用 于探测火灾信息 的多传感 器 的数据 进行处理 ，使火 灾的判断具有较高 的准确性 和快 速性 。 关键词 ：多传感器 ；数据— ０ ＿
作 者简 介 ：吴 晓方 ，（９２ ） １７ 一，男 ，黑龙 江 齐齐 哈 尔人 ，工 程 师 ，学士 ，主要从 事火 灾监 测及 预 防方 面 的研 究 ，ｘ ｏ ｎｙｎ２０ ＠ｇ ａｌｏ 。 ｉ ｆ ｇｉ ０４ ｍ ｉ ｒ ａａ ｇ ．ｎ ｃ
广泛 应用 。随着火 灾 自动报 警 系统 中使 用 的探测 器 种类 和数 目的增 多 ，信 号 处 理 的难 度也 随之 大 幅增加 ，
多传感器信息融合技术在火灾报警系统的应用
多传感器信息融合技术在火灾报警系统的应用作者：魏宏飞赵慧来源：《现代电子技术》2013年第06期摘要：针对单一普通型火灾探测器的环境适应性和功能局限性，将多传感器信息融合技术应用于火灾报警系统，实施多个传感器同步探测，全面提取火灾信息。
同时，应用智能算法，对提取到的信息进行融合，实现信息的优化，完整地反映环境的信息，准确地预报火灾。
在此采用多传感器信息融合方法中的Bayes理论，给每类火灾探测器的探测结果分配相应的概率，然后运用Bayes理论，进行信息的融合，从而获得最终的判决结果。
有效地降低了误报率和漏报率，提高了整个火灾报警系统的可靠性。
关键词：多传感器信息融合；贝叶斯估计；火灾报警系统；同步探测中图分类号： TN919⁃34； TP277 文献标识码： A 文章编号： 1004⁃373X（2013）06⁃0139⁃02火的出现和使用对人类社会的进步起到极大的作用，没有火也就没有人类今天的繁荣和成就。
然而随着社会的发展和居民生活水平的提高，火，电，油，气使用越来越普遍，火灾的危险性，次数和损失也越来越大，据统计，2011年我国火灾已达12.54万起，造成多达18.8亿元的财产损失。
同时随着我国城镇化步伐的加快，城市的建筑物越来越密集，人口逐渐集中，城市中易燃易爆物品源点多、量大、面积广，带了更多的火灾隐患，一旦发生火灾，就会造成重大的人员伤亡和严重的经济损失以及重大的政治损失。
因此，早期预报火情，及时准确报警，防火于未然就显的极为重要。
火灾发生的时候伴有烟雾、高温、火光及可燃性气体等现象特征，火灾探测器通过检测和捕捉火灾中出现的烟雾、高温、火光及可燃性气体等物理现象和特征信号，获知火灾的发生[1]。
但是，传统的基于某一物理量检测的火灾探测器，有一定的环境适应性和功能局限性，不可避免地会受到周围环境的影响，发生误报和漏报。
针对这一现象，本文采用多传感器信息融合技术来提高火灾报警系统准确率和可靠性[2]。
多传感器数据融合技术在火灾报警中的应用
第39卷第4期河北工业大学学报2010年8月V ol.39No.4JOURNAL OF HEBEI UNIVERSITY OF TECHNOLOGYAugust 2010文章编号：1007-2373(2010)04-0035-04多传感器数据融合技术在火灾报警中的应用李光1，2，张铁壁3，4（1.河北工程技术高等专科学校安全稳定处，河北沧州061001；2.河北师范大学政法学院，河北石家庄050016；3.北京科技大学信息学院，北京100083；4.河北工程技术高等专科学校电力工程系，河北沧州061001）摘要针对目前火灾报警中存在的问题，提出了一种基于神经网络和D-S 证据理论的多传感器数据融合技术，并通过模拟实际输入信号的仿真结果进行了证明．这种采用神经网络BP 算法和D-S 证据理论的多传感器数据融合技术，能够显著提高火灾的识别能力，有效降低火灾误报率．关键词火灾报警；BP 神经网络；数据融合；D-S 证据理论中图分类号TP277文献标识码AThe Apply of a Fire Alarm System Basedon Mmultisensor Data Fusion TechnologyLI Guang 1，2，ZHANG Tie-bi 3，4(1.Office o f Security and Stability,Hebei Engin eerin g and Technical College,Hebei Cangzhou 061001,China; 2.College o f Law and Politics,Hebei Normal University ,Hebei Shijiazhuang 050016,China; 3.School of In formation,Un iversity of Science and Technology Beijing,Beijing 100083,China;4.Department of Power Engineering,Hebei Engineering and Technical College,Cangzh ou 061001,China )Abstra ct According to the problems in fire ala rm system,the paper proposed a multi-sensor data fusion technology ba sedon neural network and theory of evidence,and ga ve the proving through the simulation result of input signa l.The technology can greatly improve the fire discrimination capability,and reduce the false positive rate of fir e effectively .Proposed a mul-tisensor data fusion technology,which is based on neural network and D-S evidence theory,it thoroughly abstracts the data f usion technology.The simulated results of imitated really input information confirmed that the multise nsor data fus-ion technology is used BP neural network and D-S evidence theory can accurately forecast fire,effectivly lower false alar m rate,and it reached the expected better results.Key wor dsfire alarm;BP neur al network;data fusion;D-S evidence theory火灾是危害人类生命财产灾害中最常见的一种．因此早期预报火情、及时报警、防火于未燃是火灾探测系统完成的任务[1]．目前火灾探测器中采用的大多是阈值比较法，它也是传统的火灾检测数据处理方式，特点是简单明了而且易于实现，但环境适应性和抗干扰能力较差；人们对火灾智能报警系统的最大期望是：早期发现火灾、消除误报和降低系统的总成本，这些因素是相互制约的．发生这些情况的主要原因之一就是没有将各传感器获得的数据在一定准则下加以综合分析，因此很有必要将多传感器的数据进行加工处理，即采用多传感器数据融合技术．它利用多个传感器获得的各种信息，得出环境或对象特征的全面、正确的认识．因此，本文将神经网络技术和D-S 证据理论，对多传感器数据进行融合，从而提高识别火灾报警的概率．1数据融合数据融合技术是近年发展起来的一门新技术，并在许多领域获得巨大成功．神经网络作为一种基本的数据融合方法，目前应用较多[2]．它具有归纳、总结、抽取、记忆、联想和容错性，通过训练，获得有关的知识与信息，然后将实测数据与此信息进行模式匹配与比较；神经网络可以滤波出噪声及在有噪声情况下抽取收稿日期：5作者简介：李光（6），男（汉族），硕士生；导师简介：姜密（），女（汉族），副教授．2010-0-08197-1970-36河北工业大学学报第39卷事物本身内在特征，得出正确结论的能力．为克服神经网络的局限性，将其融合结果进一步采用D-S 证据理论进行融合．D-S 证据理论的关键在于证据的基本可信度分配问题，而目前的获取方法如专家经验法、模糊化法等都有不同长度的存在主观性[3,4]．因此为了更加客观地得到一个证据体对不同命题的可信度分配，可以将各个独立的低维神经网络的输出值处理后作为辨识框架上命题的基本可信度，经过证据理论的再次融合后得到最终的诊断结果．该方法理由在一定程度上提高辨识的准确率，消除单一数据源包含信息的不全面性以及模糊性等．本文将神经网络、D-S 证据理论等技术，成功应用在基于多传感器数据融合技术的火灾报警系统中．系统的结构图如图1所示，即首先将火灾传感器数据进行预处理，然后将处理后的数据送入神经网络模块进行初级判别火灾发生的概率，最后通过D-S 证据理论模块进行进一步决策，直到得出最终的结论．2多传感器数据的神经网络处理2.1神经网络结构确定在本火灾自动探测报警系统中，利用前向多层网络模型，采用BP 算法，通过调节权值使实际输出与期望输出的总均方差最小．为了使神经网络能够准确判断火灾，需要确定训练模式对，并对网络进行训练．模式对由输入信号和导师信号组成，它根据传感器对标准试验火和各种实际环境下获取的信号来确定．根据标准试验火以及由明火火灾概率和阴燃火火概率组成的导师信号，确定出了训练模式对，它由对应的火灾判决表表示，即神经网络的归一化处理，如图1所示，其转化范围在0和1之间．由选取的欧洲的4种标准不同环境下的火灾响应曲线[5]可以得到火灾判决表1，它描述了4个输入和两个输出组成的4种模式对．通过反向传播（即BP ）学习方法，将判决表1转化到神经网络的连接权矩阵中．这种转换具有信号处理、特征提取、自适应、分布式存储和延拓性．BP 神经网络结构如图2所示，采用了3层的网络结构．输入层的4个输入1，2，3，4分别来自离子感烟探测器、光电感烟探测器、模拟感温火灾探测器和模拟量气敏探测器；输入层与输出层之间的隐层选取了6个神经元节点1～6，输出层有两个节点1和2分别代表明火火灾概率和阴燃火火灾概率，值域为0~1．2.2神经网络仿真实验结果利用图2所示神经网络结构使用MA TLAB 语言对欧洲4种标准火数据和无火情况下的部分数据进行训练，分别选取了木柴明火和棉绳阴燃火两种情况进行实验仿真，训练模式数据结构如表1所示，共利用了100个典型的模式对，在具体神经网络训练中，需要对火灾数据多次测试，针对性地修正模式对结构表，以达到神经网络的输出正常为止．经过多次迭代运算，得到网络的参数包括第1层权系数、第2层权系数、隐层阈值和输出层阈值．图1神经网络和证据理论融合决策系统结构图Fig .1Fusion decisio n s y s tem construction o f neu ral network and D-S evidence theory被测对象四路传感器传感器数据的归一化处理BP 神经网络确定基本可信度分配证据合成决策输出表1对应欧洲标准火灾曲线的数据表Tab.1Corresponding data of Europe fire curve模式序号离子感烟探测量1光学感烟探测量2模拟感温探测量3模拟气敏传感器4明火火灾概率1阴燃火灾概率210.40.30.80.90.90.920.60.30.30.80.80.730.40.50.20.50.70.640.20.10.00.10.10.05图系统的神经网络结构F N f f y 输入层隐含层输出层1233IN1~6OUT 1火灾概率2阴燃概率2ig.2eural network rame o the s stem37李光，等：多传感器数据融合技术在火灾报警中的应用第4期=1.345 3.059 1.469 1.0450.0440.1180.017 1.2850.7670.953 1.5080.9830.358 1.4800.3270.0302.0610.9600.1570.4652.779 2.2481.683 3.923=1.3850.659 1.0720.1290.5420.5730.0060.9730.2800.0820.0911.362=0.7340.807由于所给的100个模式对都是富有代表性的孤立点，加上神经网络的强大学习功能和推广能力，神经网络基本能处理实验中遇到的各种输入，而且处理效果明显．模式对并不是一成不变的，需要对火灾数据不断测试，对于不合理的现象，针对性地修改模式表．直到神经网络输出正常为止．在求得以上权值和阈值后，又根据所选各传感器对火灾发生时响应的速度进行了现场火灾的模拟．表2为向已经训练好的BP 神经网络输入一组阴燃火数据．从识别结果可以看到，火灾最大的不确定度达到了0.13．这是因为在训练神经网络时，不可能穷尽所有的传感器样本；每个传感器获得的识别信息具有片面性和不精确性；而且每个传感器对火灾的敏感程度存在差异，因而每个传感器获得的识别结果的可靠性不同，有必要对输出火灾预警结果进行再次融合，以期获得更为准确的结果．3用D-S 证据理论实现传感器数据融合3.1D-S 证据理论基本概率赋值设为一识别框架，则函数2[0,1]在满足下列条件时1）=0；2）=1称为的基本概率值．表示对命题的精确信任程度，表示了对的直接支持．3.2信任函数和似然函数2[0,1]是上的基本概率赋值，定义函数B E L ：2[0,1]BEL=(1)称该函数是上的信任函数（Belief function ）．PL:2[0,1]，为PL=1BEL=（2）PL 称为似然（似真度）函数（plausibility function ）．3.3证据组合证据理论中的组合规则提供了组合两个证据的规则．设1，2是2上的两个相互独立的基本概率赋值，其组合后的基本概率赋值：=．设B L 和B L 是同一识别框架上的两个信任度函数，，分别是其对应的基本概率赋值，焦元分表2模拟火灾输入数据BP 神经网络检测结果Tab.2Mesurement results of fire imitated input data by BP neural network模式序号离子感烟探测量1光学感烟探测量2模拟感温探测量3模拟气敏传感器4明火火灾概率1阴燃火灾概率2不确定度10.540.450.870.930.810.100.0920.670.380.390.870.780.120.1030.550.570.340.740.250.620.1312E 1E 21238河北工业大学学报第39卷别为1，…，和1，…，，又设1=,=12<1(3)则=,=1211(4)式中：若11，则确定为一个基本概率值；若1=1，则认为1，2矛盾，不能对基本概率进行组合．对于多个证据组合，可对证据进行两两组合．3.4基于D-S证据理论融合决策在用D-S证据理论进行融合决策时，以明火和阴燃火为D-S证据理论的识别框架，将神经网络的输出结果处理后作为D-S证据的基本概率赋值．设第个证据的第个输出值为，则有==1(5)=1=1,2,,(6)式中：为第个证据对状态证据的概率分配；为不确定性的基本概率分配函数；为每个证据可靠性系数，表示对专家决策结果的信任度．将表2数据，又经过D-S证据理论融合后的结果如表3所示．对比表2与表3可以看到，用BP神经网络的输出结果不确定度较高，有时甚至不能准确识别火灾．相比而言，利用多个证据体的融合信息，可以使得分类结果更加准确，不确定度也大大降低，从而提高了系统的识别能力．4结论本文研究了一种基于数据融合技术的火灾报警系统，根据火灾发生时环境的复杂性，利用多种传感器组探测火灾特征信号，在数据进行处理时，采用了BP神经网络进行仿真，然后将BP神经网络仿真结果进一步采用D-S证据理论融合算法，结果证明：该技术不仅减少了数据的不确定性，而且增加了系统工作的可靠性，从而大大提高了火灾探测系统的智能化水平．另外，还有效降低了火灾报警系统中容易出现的误报问题，提高了处理数据的速度，并为火灾智能报警系统提供了一个有力的工具，因而具有良好的应用前景．参考文献：[1]高金辉，陈玉珠，汪晓晨．多传感器信息融合技术在智能火灾报警系统中的应用[J]．传感器世界，2008（6）：41-44．[2]路海娟，程乃伟，刘晓光．基于多传感器数据融合的智能火灾预警系统[J]．计算机工程与应用，2006（6）：206-209．[3]杨福平，白振兴．BP神经网络和D-S证据理论的目标识别[J]．火力与指挥控制，2006，31（10）：80-88．[4]张丽莉，储江伟．基于神经网络和D-S证据理论的汽车电控系统故障融合诊断[J]．公路交通科技，2009（9）：141-144．[5]Haha R K D．Self-learning Fuzzy Neural Networks and Computer Visio n for Con trol of Pulsed GTAW[J]．IVD Technology，2005（5）：201-209．[6]王润生．信息融合[M]．北京：科学技术出版社，2007．[7]康耀红．数据融合理论及应用[M]．第二版．西安：西安电子科技大学出版社，2006．[8]杨万海．多传感器数据融合及其应用[M]．西安：西安电子科技大学出版社，2004．[]D L．M T q M D F[M]．L B：，．[责任编辑张颖志]表3D-S证据理论融合结果Tab.3Results of D-S evidence the ory fusion模式序号离子感烟探测量1光学感烟探测量2模拟感温探测量3模拟气敏传感器4明火火灾概率1阴燃火灾概率2不确定度10.540.450.870.930.8720.1040.02420.670.380.390.870.8140.0840.02230.550.570.340.740.2520.7250.0239Hal athematical echni ues in ultisensor ata usion ondon oston Artech House2008。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于多传感器数据融合的火灾预警系统赵 英,陈淑娟(北京化工大学,北京 100029)摘 要:为避免火灾造成的严重损失,实现火灾早期报警,本系统通过对火灾发生过程和产物的研究比较,采用多种传感器对火灾发生初期火灾特征较明显的几个参数进行监测,并实时反馈回采集的数据。
系统利用D S 证据理论对多传感器数据进行融合分析,实现对同一目标的判断;本系统通过利用D S 证据理论对多传感器数据融合的方法,不仅弥补了采用单一传感器的不足,而且很大程度上降低系统判断结果的不确定性,提高了系统预警的准确性和可靠性。
关键词:D S 证据理论;多传感器;数据融合;火灾预警中图分类号:T N919 34;T P212.9 文献标识码:A 文章编号:1004 373X(2010)24 0173 03Fire Early Alarm System Based on Mu lti sensor Data FusionZH A O Y ing,CH EN Shu juan(Beijing U niversity of Chem i cal Technolog y,Beiji ng 100029,China)Abstract :Fire early alarm system is used to prev ent damages caused by fire.T he system uses many kinds o f a ppro pr iate sensor s t o monito r several par ameters which have the o bv ious fire characterist ic accor ding to the research o n fire process,and to feedback the data r eal timely.T he sy stem realizes the multi sensor data fusion using the D S evidence theo ry to determine the tar get.T he method no t only makes up insufficiency of sing le senso r,but also reduces the uncertainty of judg ment result and enhances the accur acy and r eliability of the fir e ea rly ala rm system.Keywords :Dempster Shafter evidence theor y;multi senso r;data fusio n;fir e ear ly alar m收稿日期:2010 07 17火灾探测是关系人民生命财产安全的重大课题。
随着火灾探测技术的不断发展,人们对火灾的认识也越来越深入,不断涌现出新的探测手段。
然而现有的大多数火灾探测器只能在火灾发生到难以控制的形势下才发出报警信号[1]。
而那些由于长期运行导致设备过载、过热、短路产生火灾的场所,如计算机机房、精密仪器实验中心、网络数据中心等,需要对火灾进行严格控制,确保在火灾发生初期就能及时发现火情并进行扑灭,否则造成的损失燃烧物都很少,因此如何能在火灾处于萌芽状态时,准确实现火灾早期探测,避免严重损失是目前亟待解决的一个重大问题。
火灾的早期探测难题主要集中在探测对象难以选择、探测方法单一及准确预警概率低[2]。
本系统针对这些问题,在对火灾发生的过程和产物作了详细了解以后,选择适当的传感器对具有明显火灾特征的几个参数进行监测,再利用D S 证据理论对所有监测数据进行融合处理得到更为准确的判定结果。
1 火灾探测对象的选定在火灾探测过程中,可以利用的火灾信息很多[3 4]:(1)固态高温产物:来源于可燃物中的杂质,以及高温状态下可燃物热裂解所形成的物质。
(2)燃烧音:燃烧过程中产生的高温,加热周围空气,使之膨胀,产生一种频率仅在数赫兹左右的压力声波,即是燃烧音。
(3)火焰光谱:主要由炽热微粒的光谱辐射和燃烧气体的特征辐射所构成。
(4)气态燃烧产物:气态燃烧产物的主要成分为H 2O 、CO 、CO 2、H 2和O 2,由于环境中湿度的影响,通常不把H 2O 作为火灾探测参数。
由于前三点火灾信息都是在火灾已经发生很严重的情况下才产生的,且以火焰光谱进行火灾探测,虽然可以有效避免环境中大部分干扰因素的影响,但为了进一步消除相关干扰因素的影响,还需要利用火焰的闪烁特征。
然而,CO 和CO 2在空气中的含量较低,正常大气环境中CO 含量在10ppm 以下,CO 2含量大约为360ppm 。
从表1中可以看到,绝大多数试验火的CO 含量均在20ppm 以上。
根据火灾特性,在火灾初期阴燃时,CO 含量更是达到最高。
由图1[5]可知,各种不同材质在燃烧时,CO 2含量也在不断增加,且在初始成长期间,曲线斜率的变化范围是2.5~6.5ppm/s 。
因此,将气体作为早期报警探测对象具有明显优势[3],针对以上2种气体进行监测,将会在很大程度上反映出环境中有无燃烧现象的产生。
本系统将CO 的浓度、CO 2的浓度变化率、环境温度三者作为探测火灾的特征参量。
现代电子技术 2010年第24期总第335期新型元器件表1 欧洲实验火结束时CO 浓度实验火TF1T F2T F3TF4TF5T F6TF7CO 浓度/ppm3810523045231831图1 U L268中标准试验火焰的CO 2浓度2 系统总体结构本系统是基于多传感器数据融合的火灾预警系统,采用C/S 结构,通过网络实现监控室服务器端与校园多个楼宇中的客户端远程实时监控各房间火灾情况,目前该系统已经在我校试运行。
图2为多传感器数据融合火灾预警系统结构图,客户端主要由传感器模块、数据采集模块、数据处理融合模块、报警模块和通信模块组成;服务器端主要由数据处理模块、报警模块、参数修改模块组成。
图2 火灾预警系统结构系统通过不同传感器对CO 浓度、CO 2浓度、温度这3个参数进行监测和数据采集。
本文主要介绍在数据处理过程中,如何利用D S 数据融合技术进行数据分析,实现火灾提前预警、且减少漏报误报概率、提高系统可靠性和准确性。
3 火灾预警中的数据融合3.1D S 证据理论数据融合的方法很多,其中Dem pster Shafer 证据理论是应用得最多的一种。
它是一种处理不确定性的推理方法。
证据理论可处理由不知道所引起的不确定性。
它采用信任函数而不是概率作为度量,通过对一些事件的概率加以约束以建立信任函数而不必说明精确的难以获得的概率[6]。
定义1 设D 为辨别框架,由一完备且互不相容的命题集合组成幂集2D ,在其上定义基本信任指派函数(basic pro bability assignment,BPA):m(A) [0,1],A 代表辨别框架中任一子集,m(A )表示证据支持命题A 发生的程度,m(A )满足如下条件:m( )=0;A Dm(A)=1(1)式中:m(A )称为A 的基本数[7]。
定义2 信任函数(belief function)[8 9]Bel(A )表示决策者对命题A 的总信任度,其定义为:Bel:2D [0,1]Bel (A )= B Am(B)A D,B (2)由定义可知:m( )=0;m(D)=0定义3 若A D 且A 0,称A 为m 的一个焦元(focal elem ent)。
Dempster 合成法则(dempster s rule of combina tio n)是反映证据的联合作用的一个法则。
可概括如下:设有基于判别框架上D 的2个证据体m 1,m 2,并分别含有焦元A 1,A 2, ,A n 和B 1,B 2, ,B n 。
它们的组合运算为正交和m =m 1⊕m 2,m 为组合产生新的证据体。
m(A )=m 1(B)⊕m 2(C)=K -1B iC j=Am (B i )m(C j ),A(3)式中:K =1-B iC j=m (B i )m(C j )(4)式中:K 表示2个证据体矛盾的程度,Dempster 组合规则的结果根据K 值进行归一化,如果K =1,则表示几个证据体完全矛盾,不能应用Dempster 组合规则,如果K =0,则不用归一化。
对于多个信度函数的合成,m 1,m 2, ,m n 为2D 上的n 个BPA ,正交和m =m 1⊕m 2⊕ ⊕m n 为:m( )=0;m(A)=K -1A i=A1 i n(A i) A =(5)式中:K =1-A i=1 i nm (A i)(6)传感器技术赵 英等:基于多传感器数据融合的火灾预警系统从上面2个式子可以看出,多个证据的结合与次序无关,多个证据结合的计算可以用2个证据结合的计算递推得到。
3.2 D S 证据理论数据融合方法在多传感器火灾早期探测上的应用多传感器数据融合的实质是在同一鉴别框架下,利用Dempster 合并规则将各个证据体合并成一个新的证据体,而产生的新的证据体就表示了融合所得的信息,然后根据决策规则进行决策。
用D S 理论实现多传感器数据融合方法见图3。
图3 用D S 理论实现多传感器数据融合方法在多传感器数据融合系统中,首先初始给一次基本可信度的分配[10]。
然后,每当收到一次传感器的信息,就进行一次基本可信度的分配,随着信息的不断传回,再不断地对基本可信度进行分配。
最后,依据决策规则得出决策结果。
本系统探测的3个对象,根据探测值不同,对断定是否发生火灾的可信度值也不同。
表2中对各个探测对象在不同范围内的值,赋予了不同的信任值,这些信任值不是精确得到的概率值,而是由经验和我校实验室火灾统计数据得到的。
表2 各参数不同范围值的信任值数值范围确定其他不确定CO 含量/ppm10~150.30.30.415~200.60.10.320以上0.850.050.1CO 2变化率/(ppm /s)2.0以下0.10.70.22.0~4.00.40.50.14.0~6.00.70.10.26.0以上0.80.10.1温度/40~500.30.30.450~600.60.20.260以上0.90.050.05当CO 浓度超过10ppm 时,确定发生火灾的概率较小;当超出20ppm 时,确定为火灾的准确率可高达85%。
从我校实验室CO 2监测数据来看,即使浓度高达1500ppm 以上,也有可能是房间人数突然增多导致的,所以只从CO 2的含量探测数值来断定火灾,会有很大误差。
但根据图1的结果得知,火灾发生时CO 2含量是一直在递增的,且在火灾初始成长期间,曲线斜率(即增长速度)的变化范围是2.5~6.5ppm/s,因此本系统将CO 2的变化率作为数据融合对象。