丁承君, 趙澤羽, 朱雪宏, 馮玉伯

(河北工業(yè)大學(xué) 機(jī)械工程學(xué)院，天津 300130)

0 引 言

當(dāng)前的火災(zāi)探測(cè)裝置大多僅利用一種傳感器來進(jìn)行檢測(cè),其檢測(cè)信號(hào)信息的不充分性以及誤差率，導(dǎo)致了探測(cè)裝置檢測(cè)效率低下，經(jīng)常出現(xiàn)漏報(bào)誤報(bào)等情況[1]。

目前，火災(zāi)探測(cè)智慧化已經(jīng)成為研究的重點(diǎn)[2]。如韓菁等人[3]用神經(jīng)網(wǎng)絡(luò)算法對(duì)專家知識(shí)庫中火災(zāi)發(fā)生時(shí)的一氧化碳(CO)體積分?jǐn)?shù)和溫度等特征數(shù)據(jù)進(jìn)行融合，該方法過分依賴專家知識(shí)庫中數(shù)據(jù)的可靠性和準(zhǔn)確性；何南南等人[4]用模糊神經(jīng)網(wǎng)絡(luò)算法建立了火災(zāi)檢測(cè)模型，但其算法中存在易陷入局部最小值的缺點(diǎn)，模型探測(cè)效率不高。國(guó)外，Kosterev A A等人[5]提出了將溫度和煙霧探測(cè)結(jié)合的雙傳感器火災(zāi)檢測(cè)方法；Collins G[6]提出了一種使用視頻感煙探測(cè)器的火災(zāi)檢測(cè)技術(shù)， 通過圖像識(shí)別技術(shù)監(jiān)控火焰和煙霧，以此判別火災(zāi)是否發(fā)生。其火災(zāi)探測(cè)裝置大多利用了2種傳感器共同實(shí)現(xiàn)。

基于此，本文采用了基于改進(jìn)的反向傳播(back propagation,BP)神經(jīng)網(wǎng)絡(luò)技術(shù)的智能火災(zāi)探測(cè)模型，并利用Softmax函數(shù)建立火災(zāi)探測(cè)系統(tǒng)，將火災(zāi)狀態(tài)分為無火、陰燃火以及明火3種狀態(tài)，最終判斷輸出火災(zāi)當(dāng)前處于何種狀態(tài)。

1 數(shù)據(jù)融合系統(tǒng)

1.1 火災(zāi)探測(cè)參量確定

探測(cè)參量的確定對(duì)探測(cè)系統(tǒng)的可靠性 、靈敏度及提早報(bào)警程度起著至關(guān)重要的作用[7]?；馂?zāi)的起因可分為明火和陰燃火，當(dāng)由明火引起的火災(zāi)時(shí)，前期伴隨著溫度和CO濃度顯著增加，煙霧濃度增長(zhǎng)緩慢，后期則伴隨著煙霧濃度顯著增加，溫度有下降趨勢(shì)；當(dāng)由陰燃火引起的火災(zāi)時(shí)，前期伴隨著煙霧和CO濃度顯著增加，溫度增長(zhǎng)緩慢，后期則煙霧和CO濃度呈下降趨勢(shì)，整個(gè)過程中溫度變化并不明顯。因此，可根據(jù)前期探測(cè)量的變化趨勢(shì)準(zhǔn)確判斷是否發(fā)生火災(zāi)，避免了傳統(tǒng)的單傳感器僅針對(duì)某一特定量進(jìn)行報(bào)警的缺陷。因此，確定以溫度、煙霧和CO濃度作為探測(cè)系統(tǒng)的探測(cè)量。

1.2 探測(cè)系統(tǒng)模型

如圖1所示為利用神經(jīng)網(wǎng)絡(luò)技術(shù)進(jìn)行數(shù)據(jù)處理的多傳感器火災(zāi)探測(cè)系統(tǒng)模型[8]。描述為：多個(gè)傳感器[9]對(duì)火災(zāi)現(xiàn)場(chǎng)進(jìn)行數(shù)據(jù)的采集及預(yù)處理、對(duì)火災(zāi)信號(hào)特征量的提取以及對(duì)信號(hào)的處理、識(shí)別和報(bào)警。數(shù)據(jù)采集由各傳感器完成，將采集的數(shù)據(jù)進(jìn)行預(yù)處理和特征提取，處理的數(shù)據(jù)經(jīng)過神經(jīng)網(wǎng)絡(luò)智能化分析后得到火災(zāi)的類別，最終做出相應(yīng)的應(yīng)急處理。文中火災(zāi)數(shù)據(jù)采集裝置包括CO氣體傳感器MQ—9(檢測(cè)CO氣體體積分?jǐn)?shù))、煙霧傳感器MQ—2(檢測(cè)煙霧體積分?jǐn)?shù))和溫度傳感器DHT11(檢測(cè)環(huán)境溫度)。

圖1 多傳感器火災(zāi)探測(cè)系統(tǒng)模型

2 實(shí)驗(yàn)研究

實(shí)驗(yàn)對(duì)明火、陰燃火以及無火3種情況下探測(cè)參量的濃度變化進(jìn)行了描述。

由3只傳感器組成的火焰探測(cè)系統(tǒng)安裝于實(shí)驗(yàn)室屋頂正中央，分別進(jìn)行木材明火和陰燃火實(shí)驗(yàn)，經(jīng)過多次相同條件下的實(shí)驗(yàn)結(jié)果，得到了在整個(gè)燃燒過程中煙霧、CO以及溫度傳感器所測(cè)得的數(shù)據(jù)，經(jīng)過曲線擬合得到圖2所示結(jié)果。

圖2 明火陰燃火曲線

從圖2(a)曲線可知，火源燃燒早期，CO氣體濃度迅速增加，溫度隨著燃燒緩慢增加，煙霧濃度變化并不明顯，當(dāng)可燃物將燃盡時(shí)，煙霧濃度迅速增加，CO氣體濃度增長(zhǎng)緩慢，溫度有下降趨勢(shì)。而環(huán)境的溫度在起始燃燒時(shí)達(dá)到最大值，約70℃。

從圖2(b)曲線可知，火源燃燒早期，煙霧濃度迅速增加，隨著燃燒的繼續(xù)，煙霧濃度達(dá)到一定值，CO氣體濃度增長(zhǎng)顯著，當(dāng)可燃物燃盡時(shí)，CO濃度和煙霧濃度明顯下降。整個(gè)過程中，溫度并未明顯變化。

3 神經(jīng)網(wǎng)絡(luò)的應(yīng)用

3.1 BP神經(jīng)網(wǎng)絡(luò)原理

采用的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)[10]如圖3所示。

圖3 BP神經(jīng)網(wǎng)絡(luò)的火災(zāi)預(yù)警結(jié)構(gòu)

隱含層采用S型函數(shù)[11]作為激活函數(shù)

(1)

輸出層采用Softmax回歸函數(shù)對(duì)其火災(zāi)數(shù)據(jù)進(jìn)行明火、陰燃火和無火的分類。

3.2 BP算法改進(jìn)

傳統(tǒng)的BP算法存在收斂速度慢，易于陷入局部最小值等問題，其僅使用最速下降法來完成對(duì)權(quán)值和閾值的不斷調(diào)整，容易產(chǎn)生振蕩而使收斂效果變差。本文采用了改進(jìn)的擬牛頓(limited-memory Broyden Fletcher Goldfarb Shanno,L-BFGS)算法來訓(xùn)練網(wǎng)絡(luò)，并將訓(xùn)練好的模型應(yīng)用于火災(zāi)探測(cè)系統(tǒng)中，仿真結(jié)果證明了其網(wǎng)絡(luò)訓(xùn)練速度遠(yuǎn)遠(yuǎn)超過梯度下降法。改進(jìn)算法的參數(shù)更新規(guī)則為

(2)

式中δk=ξk+1-ξk

(3)

(4)

Sk=wk+1-wk

(5)

(6)

可以看出，L-BFGS算法雖然在迭代過程中利用了Hession矩陣信息，但是未計(jì)算二階導(dǎo)數(shù)，僅計(jì)算一階導(dǎo)數(shù)。

3.3 Softmax回歸模型

Softmax回歸模型用于解決多分類問題，其類標(biāo)簽y可以取k個(gè)不同的值(而不僅是2個(gè)值)，本文火災(zāi)類型分為3類，即：明火、陰燃火和無火，故此本文采用Softmax回歸模型對(duì)其進(jìn)行分類。

Softmax回歸算法的一般代價(jià)函數(shù)為

(7)

式中1{·}為示性函數(shù)，其取值規(guī)則為：

1{值為真的表達(dá)式}=1；1{值為假的表達(dá)式}=0。

但此時(shí)代價(jià)函數(shù)并不是一個(gè)嚴(yán)格的凸函數(shù)，在利用L-BFGS優(yōu)化算法時(shí)往往會(huì)存在數(shù)值問題，故對(duì)代價(jià)函數(shù)添加一個(gè)權(quán)重衰減項(xiàng)來改進(jìn)代價(jià)函數(shù)使其變成一個(gè)嚴(yán)格的凸函數(shù)，改進(jìn)后的代價(jià)函數(shù)

(8)

此時(shí)Hession矩陣變?yōu)榭赡婢仃?，并且因?yàn)镴(θ)變?yōu)閲?yán)格的凸函數(shù)使得L-BFGS優(yōu)化算法保證了全局收斂到最優(yōu)解。通過求解J(θ)導(dǎo)數(shù)的最小值實(shí)現(xiàn)一個(gè)可用的Softmax回歸模型。求得其導(dǎo)數(shù)

(9)

通過最小化J(θ)，即可建立Softmax回歸模型。

4 仿真結(jié)果分析

采集了無火、陰燃和明火狀態(tài)下的一氧化碳傳感器、溫度傳感器和煙霧傳感器的數(shù)據(jù)共1200組。利用其中900個(gè)樣本對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，并利用另外300個(gè)樣本對(duì)訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行測(cè)試。采用MATLAB仿真軟件對(duì)數(shù)據(jù)進(jìn)行分析[12]，分別測(cè)試了L-BFGS優(yōu)化算法，有動(dòng)量的梯度下降(gradient descent momentum,GDM)算法的收斂速度和性能。在測(cè)試時(shí)，需要網(wǎng)絡(luò)根據(jù)傳感器數(shù)據(jù)正確分類為“無火”，“陰燃”和“明火”狀態(tài)。圖4為L(zhǎng)-BFGS算法神經(jīng)網(wǎng)絡(luò)收斂速度和性能測(cè)試。從圖4(a)可以看出：利用L-BFGS對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，只需要4個(gè)回合，即使得訓(xùn)練錯(cuò)誤率降低到0.01以下，最終收斂?jī)H需35次迭代。分類結(jié)果表明：其正確率為98%。圖5為GDM算法下的神經(jīng)網(wǎng)絡(luò)收斂速度和測(cè)試性能。共進(jìn)行了6000次迭代，正確率為96%。相比L-BFGS，在精度上和收斂速度上均有明顯差距。

圖4 L-BFGS優(yōu)化神經(jīng)網(wǎng)絡(luò)測(cè)試結(jié)果

圖5 GDM優(yōu)化神經(jīng)網(wǎng)絡(luò)測(cè)試

圖4(b)和圖5(b)中火情類別分為3類：“1”代表無火；“2”代表陰燃火；“3”代表明火。L-BFGS算法優(yōu)化和GDM算法優(yōu)化數(shù)據(jù)直觀對(duì)比如表1所示。

表1 2種算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)測(cè)試火情識(shí)別結(jié)果

從表1的對(duì)比可以看出:利用L-BFGS算法對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，在300次火情實(shí)驗(yàn)中，錯(cuò)誤分類次數(shù)有6次，正確率達(dá)98 %；利用GDM算法對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，300次火情實(shí)驗(yàn)中，錯(cuò)誤分類次數(shù)達(dá)到了11次，正確率為96 %。由此進(jìn)一步證明了利用L-BFGS算法優(yōu)化后的神經(jīng)網(wǎng)絡(luò)對(duì)火災(zāi)火情類別的識(shí)別正確率較高，達(dá)到了期望的效果，同時(shí)降低了漏報(bào)率和誤報(bào)率，提高了火災(zāi)探測(cè)系統(tǒng)的可靠度。

5 結(jié) 論

火災(zāi)探測(cè)是一個(gè)非常復(fù)雜而又難以用精確數(shù)學(xué)模型描述的問題，本文采用的神經(jīng)網(wǎng)絡(luò)方法最終是將其轉(zhuǎn)換凸優(yōu)化問題對(duì)檢測(cè)結(jié)果進(jìn)行處理，結(jié)合火災(zāi)探測(cè)參量得出系統(tǒng)模型的最優(yōu)解；通過仿真結(jié)果得出，基于L-BFGS算法的神經(jīng)網(wǎng)絡(luò)火災(zāi)探測(cè)模型有效準(zhǔn)確，與傳統(tǒng)的火災(zāi)探測(cè)系統(tǒng)相比，其網(wǎng)絡(luò)結(jié)構(gòu)的預(yù)測(cè)速度更快，具有更高的實(shí)時(shí)性；同時(shí)，提高了火災(zāi)探測(cè)的精度和可靠性，數(shù)據(jù)表明，預(yù)測(cè)模型精度高達(dá)98 %，達(dá)到了預(yù)期的目標(biāo)。

[1] 佟瑞鵬，高 平，劉 欣，等.大型活動(dòng)事故風(fēng)險(xiǎn)評(píng)價(jià)模型與方法研究[J].中國(guó)安全科學(xué)學(xué)報(bào)，2014,24(3)：150-155.

[2] 陳 倬.淺談火災(zāi)自動(dòng)報(bào)警控制系統(tǒng)組成及發(fā)展[J].科技資訊,2009(21): 254.

[3] 韓 菁.多傳感器數(shù)據(jù)融合技術(shù)在火災(zāi)探測(cè)中的應(yīng)用研究[D].重慶:重慶科技大學(xué),2011.

[4] 何南南.多傳感器信息融合技術(shù)在火災(zāi)探測(cè)中的應(yīng)用[D].西安：長(zhǎng)安大學(xué)，2012.

[5] Kosterev A A,Dong L,Thomay D,et al.QWPAS for chemical analysis of multi-component gas mixtures[J].Applied Physics B:Lasers and Optics,2010,101(3):649-659.

[6] Collins G.Detecting the right technology[J].International Fire Protection,2010,42(5):39-45.

[7] 郭 鍵,王汝琳,李 寧,等.神經(jīng)網(wǎng)絡(luò)在礦井膠帶機(jī)火災(zāi)探測(cè)中的應(yīng)用[J].西安石油大學(xué)學(xué)報(bào),2004,19(2):67-70.

[8] 史增芳，姜巖蕾.多傳感器信息融合火災(zāi)探測(cè)器的研究[J].自動(dòng)化技術(shù)與應(yīng)用,2016(9):8-10.

[9] 姚 暢，錢盛友，候周國(guó).基于神經(jīng)網(wǎng)絡(luò)的多傳感器火災(zāi)預(yù)測(cè)數(shù)據(jù)處理[J].傳感器技術(shù)，2005，24(11):68-70.

[10] Ding Y,Weng F,Yu J.Applying BP neural network in high-rising buildings fire risk assessment[C]∥International Conference on Advanced Computer Cotrol，IEEE,2011:265-268.

[11] 高 雋.人工神經(jīng)網(wǎng)絡(luò)原理及仿真實(shí)例[M].北京:機(jī)械工業(yè)出版社,2007.

[12] MATLAB技術(shù)聯(lián)盟，劉 冰，郭海霞.Matlab神經(jīng)網(wǎng)絡(luò)超級(jí)學(xué)習(xí)手冊(cè)[M].北京：人民郵電出版社，2014.