劉 靜 劉瑞敏 沈 鑫

1 昆明理工大學信息工程與自動化學院 昆明 650500

2 云南電網(wǎng)有限責任公司研究生工作站 昆明 650217

3 云南電網(wǎng)有限責任公司電力科學研究院 昆明 650217

引言

智能化建筑多以高層和超高層為主，由于高層建筑設(shè)計復雜、建筑面積大、居住人員較多、可燃物多，存在著多種安全隱患，一旦發(fā)生火災將會造成巨大的損失。隨著現(xiàn)代科技的飛速發(fā)展，消防系統(tǒng)也在隨著系統(tǒng)中各種配置不斷進行優(yōu)化，對系統(tǒng)整體的靈敏度、準確率有更高的要求。系統(tǒng)需要結(jié)合現(xiàn)場的建筑特點以及工程實施的實際情況，依據(jù)相關(guān)的設(shè)計規(guī)范進行設(shè)計。所設(shè)計系統(tǒng)不僅要求在火災發(fā)生的初期探測和報警，而且還要根據(jù)現(xiàn)場火災狀態(tài)及其位置，啟動火災報警并啟動相應(yīng)的滅火設(shè)施[1]?，F(xiàn)有的火災報警系統(tǒng)主要采用有線技術(shù)來構(gòu)建多傳感器網(wǎng)絡(luò)，由于線路損壞及故障導致高誤報率、高漏報率，后期維護困難，需要耗費很多成本去維護，并且成效差。另外，由于多傳感器、多元探測自適應(yīng)性差，易受到極端環(huán)境因素的影響從而引起誤報(例如高溫)，系統(tǒng)中也存在一些不確定性，都給系統(tǒng)的穩(wěn)定性和靈敏度帶來了負面影響，并且不能夠準確實時判斷火災所處的階段，造成相應(yīng)的設(shè)備不能夠及時響應(yīng)來減少火災造成的損失。由于火災自動報警系統(tǒng)存在因為探測器的靈敏度不夠或者通信線路中斷造成的誤報和漏報，陳靜等人將無線傳感器網(wǎng)絡(luò)與人工智能相結(jié)合，在提高了系統(tǒng)準確性的同時，提高了系統(tǒng)的智能化程度，使系統(tǒng)具有自適應(yīng)性和自學習性。另外，火災自動報警系統(tǒng)的設(shè)計在運用相應(yīng)技術(shù)的同時，還需要依據(jù)相關(guān)的國家標準以及規(guī)范。除此以外，發(fā)展智能型火災自動報警系統(tǒng)成為今后的發(fā)展方向，對系統(tǒng)的智能化、網(wǎng)絡(luò)化、集成化提出了更高的要求[2-6]。近年來，基于無線通信的自動火災報警系統(tǒng)已受到國內(nèi)外廣泛關(guān)注。相比于有線火災報警系統(tǒng)的安裝過程會對建筑物造成損壞，雙總線系統(tǒng)的建設(shè)和布線已經(jīng)比較簡單，但仍然存在安裝和維護的高成本以及升級困難等問題。本文基于ELM算法，并結(jié)合無線傳感技術(shù)，對火災探測節(jié)點進行了研究及設(shè)計，所設(shè)計的新型火災探測節(jié)點能夠快速處理信息以及實現(xiàn)火災現(xiàn)場的實時監(jiān)測。

1 探測節(jié)點的原理及設(shè)計

1.1 火災自動報警系統(tǒng)結(jié)構(gòu)及原理

消防系統(tǒng)按所完成的任務(wù)和功能大致可以分為三部分：探測部分、信號處理部分和報警及滅火部分。探測部分主要是由一些專門的傳感器構(gòu)成，用來檢測與火災相關(guān)的數(shù)據(jù)，并傳送到信號處理部分，以判斷是否發(fā)生了火災。傳感器采集來的數(shù)據(jù)按照既定的程序進行處理，當判斷結(jié)果是有火災發(fā)生時，就向執(zhí)行機構(gòu)發(fā)送報警指令和滅火指令[7]。

火災探測與報警是火災自動報警系統(tǒng)的兩個重要組成部分?；馂奶綔y用于獲取火災發(fā)生的基本信息，從而把這種信息轉(zhuǎn)化為電信號進行處理[8]。報警與滅火系統(tǒng)作為一個執(zhí)行機構(gòu)，圖1是火災自動報警控制器的設(shè)計圖。

圖1 火災自動報警控制器設(shè)計圖

1.2 火災探測節(jié)點的結(jié)構(gòu)

探測節(jié)點原理結(jié)構(gòu)如圖2所示，探測模塊用于采集燃燒產(chǎn)生的煙霧、熱量、火焰等信號，并將其轉(zhuǎn)換為電信號。該信號經(jīng)過處理后傳輸給控制器，之后觸發(fā)火災自動報警器的執(zhí)行機構(gòu)[9]。近年來，國內(nèi)外許多研究學者主要針對火警處理模塊以及通信模塊進行了不斷改進，也取得了突出的成績。Zigbee技術(shù)在火災自動報警系統(tǒng)中的應(yīng)用使得溫度和煙霧信號能夠及時準確地傳輸給系統(tǒng)。其中，為了保證數(shù)據(jù)的快速處理與傳輸以及對長時間大量數(shù)據(jù)的存儲，采用雙RAM結(jié)構(gòu)，在傳輸這些數(shù)據(jù)的時候提供適當?shù)耐ǖ?，建立一個緩沖電路，來實現(xiàn)數(shù)據(jù)流的無縫緩存和處理，提高系統(tǒng)的處理速度和性能。該緩存電路將輸入數(shù)據(jù)流通過輸入數(shù)據(jù)選擇單元同時將數(shù)據(jù)流分配到兩個RAM緩沖區(qū)。配合一片eMMC，解決長時間數(shù)據(jù)的儲存問題。

圖2 探測節(jié)點原理結(jié)構(gòu)框圖

2 火災燃燒特征

火災過程當中，最明顯的特點就是溫度的變化，依據(jù)溫度的變化將火災的燃燒過程分為陰燃階段、明火階段、熄滅階段三個階段。在陰燃階段，起火部位及周圍的可燃物開始燃燒，燃燒范圍小，局部高溫，溫度差別大，且平均溫度低，不易被探測，但由于該階段其發(fā)展速度較慢且火勢不穩(wěn)定，因此該階段是滅火的最有利時機，有利于滅火工作的進行。在明火階段，火災范圍迅速擴大，并且聚積了大量的可燃氣體(主要是一氧化碳)，當室內(nèi)溫度達到一定值時，產(chǎn)生轟燃現(xiàn)象，突然起火，可燃物大面積被點燃，且燃燒很猛烈，溫度快速升高。火焰、高溫煙氣從房間的開口大量噴出，火災迅速蔓延。隨著室內(nèi)可燃物的揮發(fā)物質(zhì)以及數(shù)量不斷減少，燃燒速度溫度呈現(xiàn)遞減趨勢。當平均溫度降到溫度最高值的80%時，則認為進入熄滅階段。隨后，全部可燃物逐漸被燒光，溫度開始明顯下降，直至室內(nèi)外溫度趨于一致，火災結(jié)束。另外，火災的燃燒持續(xù)時間點易受火源、可燃物質(zhì)性質(zhì)和分布、通風條件等因素的影響。

根據(jù)火災三個階段的特點可以看出，對可燃氣體的濃度、室內(nèi)煙霧濃度以及溫度的探測能夠作為主特征來實現(xiàn)對火災的判別，并且針對每個階段應(yīng)采取不同的措施，才能更有效地控制火災現(xiàn)場狀況，阻止火災的進一步發(fā)展，在這個過程中，一方面要準確判斷出火災，另一方面要及時判斷出火災所處的階段。并且對信息處理的結(jié)果要能夠立即傳輸出去，使得消防系統(tǒng)中的其他設(shè)備能夠及時響應(yīng)。從而結(jié)合機器學習以及無線通信技術(shù)實現(xiàn)對火災快速準確的判斷，采取相應(yīng)的措施，解決系統(tǒng)的實時性與準確性的問題。

3 ELM的仿真分析

3.1 極限學習機(Extreme Learning Machine，ELM)

傳統(tǒng)神經(jīng)網(wǎng)絡(luò)學習算法(如BP算法)通過將誤差反向傳播，使誤差分攤給各層所有單元來獲得誤差信號，來進一步調(diào)整權(quán)值。在該過程中，由于屬貪婪算法，易陷入局部最優(yōu)，且訓練次數(shù)多，需做大量運算導致學習效率低下，收斂速度慢；參數(shù)設(shè)定繁瑣且需要對參數(shù)進行優(yōu)化。2004年，黃廣斌提出了一種針對前饋神經(jīng)網(wǎng)絡(luò)設(shè)計的極限學習機，由輸入層、隱含層和輸出層三部分組成，由于該方法是在學習過程輸入權(quán)重隨機產(chǎn)生的，通過求解線性方程得到輸出權(quán)值，因此具有學習效率高和泛化能力強的優(yōu)點[10]。給定N個訓練樣本，其中輸入樣本xi＝[xi1，xi2，…，xin]T∈Rn，輸出樣本ti＝[ti1，ti2，…，tim]T∈Rm，具有個隱藏節(jié)點和激活函數(shù)為G(wj,bj,xi)的SLFNs輸出為：

要使得具有個隱層神經(jīng)元和激活函數(shù)為的SLFNs 能夠零誤差逼近這N個樣本，等同于成立，即，存在βj、wj和bj使得下式成立：

式(2)的N個方程可以簡寫為：

式(3)中：

H稱為神經(jīng)網(wǎng)絡(luò)的隱層輸出矩陣；H的第j列表示第j個隱層節(jié)點關(guān)于的輸出矩陣。大多數(shù)情況下，隱層節(jié)點數(shù)目遠遠小于訓練樣本數(shù)目，即此時H是非方陣，也就不存在滿足根據(jù)廣義逆引理，上述線性系統(tǒng)的最小范數(shù)最小二乘解為：是矩陣H的Moore-Penrose廣義逆。

式(4)中

綜上，給定一個訓練樣本集，激活函數(shù)G(x)，隱層節(jié)點數(shù)目為，ELM 學習算法步驟如下所示。

1)隨機指定輸入權(quán)值wi和隱層偏差bi，

2)計算隱層輸出矩陣H。

3)計算輸出權(quán)值β。

3.2 模型的評價

一個模型的好壞需要從預測偏差和模型的泛化偏差兩個方面去分析。由于訓練模型所使用的數(shù)據(jù)個數(shù)是有限的，在這里使用交叉驗證法來進行模型的性能評價，這樣的話可以充分利用所有的數(shù)據(jù)，進而選擇一個比較好的模型[11-13]。本文使用的是5折交叉驗證法，將數(shù)據(jù)隨機均勻地分成5組，每次訓練的時候其中的4組作為訓練樣本，剩下的一組作為測試集。具體的交叉驗證步驟如下。

1)將所有的數(shù)據(jù)隨機均勻分成1～k，5組數(shù)據(jù)。

2)初始化神經(jīng)網(wǎng)絡(luò)的初始權(quán)值取值在-0.5～0.5。

3)fori=1tok(從學習數(shù)據(jù)中一次取出k-1組數(shù)據(jù)作為訓練集，剩下的一組作為測試集，完成步驟4到5)。

4)對讀入的4組數(shù)據(jù)進行訓練，結(jié)束后得到一個訓練模型。

5)將剩余的一組測試集帶入訓練得到的模型，得到一個測試誤差ei。

6)循環(huán)5次后得到5個測試誤差e，將這5個測試誤差相加然后求其平均值，得到該模型的平均誤差EE。

7)改變ELM神經(jīng)網(wǎng)絡(luò)的超參數(shù)(激勵函數(shù)中的參數(shù))，文中選用的激勵函數(shù)是當改變超參數(shù)，則會得到一個新的模型，的取值為1～5這5個整數(shù)。

9)通過比較5個模型的平均誤差EE，選用誤差最小的作為最終的模型。

10)將所有的數(shù)據(jù)作為訓練樣本，帶入步驟9中選擇的模型中進行重新訓練，訓練結(jié)束后得到所需的火災預測模型。

表1是探測器所采集經(jīng)過預處理后的部分數(shù)據(jù)，圖3是采用ELM所建立的仿真模型，通過MATLAB仿真實驗，如圖4、5、6所示，將實際輸出的無火、陰燃和明火概率值與期望值進行對比，ELM輸出的擬合曲線與實際輸出曲線基本吻合，初步判斷ELM的訓練基本成功。進一步地，為了防止過度擬合，測試其泛化能力，選取28組校驗樣本的測試集對ELM模型進行測試；由圖7、8、9可知，通過將測試樣本輸入到訓練好的網(wǎng)絡(luò)，獲得實際的輸出，二者進行比對，擬合曲線與實際輸出曲線基本吻合，證明測試樣本的實際輸出的概率值與期望值相差不大，因此可以判斷訓練后的ELM網(wǎng)絡(luò)模型具有良好的泛化能力，適用性較強。另外，采用64位Intel(R) Core(TM)i3-7100T CPU @ 3.40GHz的處理器，4.00GB的RAM，該算法耗時為0.961秒，由仿真的結(jié)果可以看出，ELM的預測和擬合效果很好，因此其在實時采集直接預測方面更加敏捷。

表1 探測器所采集的部分數(shù)據(jù)

為了避免外部電磁干擾的影響以及火災發(fā)生時，通信、控制以及警報線路因損壞造成的中斷，傳輸線路和控制、通信以及警報線路應(yīng)采取相應(yīng)的保護[14]。

圖3 ELM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

圖4 訓練集無火預測輸出

圖5 訓練集陰燃預測輸出

圖6 訓練集明火預測輸出

圖7 測試集無火預測輸出

圖8 測試集陰燃預測輸出

圖9 測試集明火預測輸出

4 結(jié)論

本文主要研究了消防系統(tǒng)中的探測節(jié)點，針對探測器的靈敏度差異大以及不能及時在陰燃階段及時檢測出火災的發(fā)生等問題，采用無線節(jié)點網(wǎng)絡(luò)技術(shù)以及人工智能的方法使系統(tǒng)能夠及時準確地檢測出火災信號，并對火災現(xiàn)場狀態(tài)實時監(jiān)測。經(jīng)相關(guān)測試證明，所設(shè)計的探測節(jié)點能夠根據(jù)所探測的火災信號快速、有效地判斷火災的發(fā)生，以及對火災狀態(tài)進行判斷。在工程實踐中，由于不同系統(tǒng)的系統(tǒng)結(jié)構(gòu)、控制對象和工作條件存在許多不確定性，Zigbee技術(shù)的應(yīng)用、多傳感器網(wǎng)絡(luò)和人工智能結(jié)合能夠使系統(tǒng)具有適應(yīng)性和自學習功能。