張緒祥，高揚

?

基于HMM的鋰電池倉火災(zāi)預(yù)測算法研究*

張緒祥，高揚

（長安大學(xué) 汽車學(xué)院，陜西 西安 710000）

針對電動車鋰電池倉環(huán)境監(jiān)測困難以及引起火災(zāi)因素復(fù)雜導(dǎo)致預(yù)測火災(zāi)不準(zhǔn)確的問題，提出一種基于隱馬爾可夫模型的火災(zāi)預(yù)測方法。該方法將鋰電池倉的溫度場特征作為隱馬爾可夫模型的觀測變量，運用極大似然估計法建立用于預(yù)測火災(zāi)狀態(tài)的隱馬爾可夫模型。實驗結(jié)果表明該方法在解決鋰電池倉火災(zāi)預(yù)測的問題上具有較高的準(zhǔn)確性。

鋰電池倉；火災(zāi)預(yù)測；隱馬爾可夫模型

前言

電動汽車作為汽車產(chǎn)業(yè)的主要發(fā)展方向之一，其使用價值在人類生活中發(fā)揮的作用將越來越重要，隨之而來的電池安全問題也越來越受到人們的關(guān)注，由于車輛鋰電池倉環(huán)境復(fù)雜，難以實施有效監(jiān)控，容易引發(fā)火災(zāi)事故，若發(fā)生火災(zāi)或引發(fā)爆炸，勢必將造成巨大財產(chǎn)損失，造成較大的社會影響。因此，研制一個能在火災(zāi)發(fā)生初期，對車輛安全沒有造成嚴(yán)重傷害時，就能夠及時的發(fā)現(xiàn)火情的智能監(jiān)控系統(tǒng)對車輛安全來說是十分重要的。

目前國內(nèi)已有大量研究針對公共交通的防火問題，大多數(shù)是應(yīng)用于大型建筑、船艙以及飛機艙內(nèi)部的環(huán)境監(jiān)控與火災(zāi)預(yù)測[1-3]，并未對鋰電池倉這一特殊環(huán)境的火災(zāi)預(yù)測問題進行有針對性的研究。

在研究方法上，目前的火災(zāi)預(yù)測方法主要基于對環(huán)境信息的監(jiān)測[4]，當(dāng)監(jiān)測到環(huán)境特征異常時即刻進行報警。主要方法包括：多傳感器數(shù)據(jù)融合法、圖像識別法、神經(jīng)網(wǎng)絡(luò)法。如傅劍鋒等采用數(shù)據(jù)融合的三層結(jié)構(gòu)，對明火的特征識別[5]；楊娜娟等提出一種基于向量機的圖像型火災(zāi)預(yù)測放法，避免了所需樣本較多帶來的實驗和計算復(fù)雜的問題[6]；楊幫華等建立了串聯(lián)型神經(jīng)網(wǎng)絡(luò)，將神經(jīng)網(wǎng)絡(luò)運用到火災(zāi)識別中[7]。此類研究有效地提高火災(zāi)預(yù)測的準(zhǔn)確性，但數(shù)據(jù)融合法和神經(jīng)網(wǎng)絡(luò)法在一定程度依賴大量的數(shù)據(jù)集，圖像法成本較高，實時性較差，同時，由于鋰電池在工作過程中自身會產(chǎn)生熱量，此類方法在區(qū)分明火和熱源的研究上還存在不足。

本文將隱馬爾可夫模型（Hidden Markov Model，HMM）應(yīng)用于鋰電池倉火災(zāi)預(yù)測的研究中。HMM作為一種統(tǒng)計分析模型，創(chuàng)立于20世紀(jì)70年代，被廣泛應(yīng)用于語音識別、機械故障診斷等領(lǐng)域[8]。在火災(zāi)預(yù)測中最關(guān)鍵的是HMM參數(shù)的估計的問題，其中觀測狀態(tài)轉(zhuǎn)移概率矩陣描述了觀測變量與狀態(tài)變量之間的概率關(guān)系。本文就鋰電池火災(zāi)預(yù)測問題提出一種HMM參數(shù)的訓(xùn)練方法，實驗結(jié)果證明，該方法能較大的提高火災(zāi)預(yù)測的準(zhǔn)確性。

1 基于隱馬爾可夫模型的火災(zāi)預(yù)測

1.1 隱馬爾可夫模型簡介

HMM屬于雙隨機過程，它既能反映對象的隨機性，又能反映對象的潛在聯(lián)系，用來描述一個含有隱含未知參數(shù)的馬爾可夫過程。HMM的參數(shù)用λ={,,,,}表示。它用來解決三個基本問題：

（1）概率計算問題，已知模型參數(shù)，計算出現(xiàn)當(dāng)前觀測序列的最大概率，其公式為：

（2）最優(yōu)問題，已知模型參數(shù)，尋找出現(xiàn)當(dāng)前的觀測序列的狀態(tài)序列，其公式為：

（3）參數(shù)估計問題，已知觀測序列，估計模型參數(shù)，其公式為：

1.2 基于HMM的火災(zāi)預(yù)測

1.2.1 觀測變量分析

由于鋰電池倉是一個相對封閉的環(huán)境，無法直接觀察到倉內(nèi)的情況，因此需要通過采集倉內(nèi)的溫度、煙霧等信息來判斷。就火災(zāi)的發(fā)展過程而言，火災(zāi)發(fā)生初期的溫度場特征為各點溫度分布不均勻，為了能準(zhǔn)確的識別火災(zāi)，本文對火災(zāi)發(fā)生初期的溫度場特征進行分析，但由于溫度場特征計算過于復(fù)雜，本文提出了一種由參數(shù)來描述溫度場特征的方法。

本文按同等比例創(chuàng)建了鋰電池的空間幾何簡化模型，模擬鋰電池倉的火災(zāi)發(fā)生的情況。根據(jù)鋰電池倉的大小，分別設(shè)置了了明火（如圖1）和熱源（如圖1）來模擬火災(zāi)和鋰電池工作發(fā)熱。

圖1 火災(zāi)模擬

將式中的兩個參數(shù)歸一化得到參數(shù)的表達式：

由于明火和熱源這兩種溫度特征和兩個溫差系數(shù)不是一一對應(yīng)的關(guān)系，具有一定的不確定性，參數(shù)可以描述某溫度場特征是明火溫度場特征的程度。當(dāng)為1時，該溫度場最大程度上為明火溫度場，當(dāng)為0時，該溫度場最大程度上為熱源溫度場。

1.2.2 火災(zāi)預(yù)測模型訓(xùn)練

其中，(1=)表示在初始時刻狀態(tài)變量為的數(shù)量，C表示從狀態(tài)轉(zhuǎn)移到狀態(tài)的數(shù)量，C表當(dāng)狀態(tài)為時，觀測狀態(tài)為的數(shù)量。

針對鋰電池倉明火和熱源兩種場景的識別進行隱馬爾可夫模型的訓(xùn)練，由于明火和熱源火這兩種狀態(tài)變量互相轉(zhuǎn)移的概率較小，因此初始狀態(tài)概率矩陣和狀態(tài)轉(zhuǎn)移概率a的初始設(shè)置對識別正確率的影響不是很大，狀態(tài)變量對應(yīng)的觀測變量的概率b的相對于其他兩組參數(shù)來說對結(jié)果的準(zhǔn)確率來說更重要，因此本文主要針對參數(shù)進行訓(xùn)練。將溫度值計算得到值，對這些值進行分類，識別它們屬于明火狀態(tài)還是熱源狀態(tài)，實質(zhì)上就是對溫度場的特征值進行分類[9]。具體的訓(xùn)練過程如下所示：

根據(jù)鋰電池倉大小本文選擇6個溫度傳感器采集倉內(nèi)溫度數(shù)據(jù)作為一組溫度值，分別選出100組明火場景下采集的溫度數(shù)據(jù)和100組熱源場景下采集的溫度數(shù)據(jù)對模型的參數(shù)進行訓(xùn)練。其中每組溫度數(shù)據(jù)均轉(zhuǎn)化為值用以描述溫度場特征，計算得到200組值作為觀測變量統(tǒng)計得到在明火和熱源狀態(tài)下溫度場特征值的分布情況，如圖2所示：

圖2 θ值的分布

由圖2得知：明火狀態(tài)和熱源狀態(tài)的值的分布區(qū)別很大，在明火的狀態(tài)下，值的分布情況如表1：

表1 著火狀態(tài)θ值的分布

根據(jù)統(tǒng)計的結(jié)果，當(dāng)溫度度處于明火狀態(tài)時，有97%的值處于0.6和0.65之間，在熱源狀態(tài)下值均為0。

依據(jù)上述統(tǒng)計結(jié)果可得到隱馬爾可夫模型的參數(shù)，對于變量，存在2種狀態(tài)：明火狀態(tài)和熱源狀態(tài)；對于觀測狀態(tài)，存在2種值的分布情況：

處于0.6至0.65之間或者為0。即隱馬爾可夫參數(shù)可設(shè)置為：

式中矩陣的行向量表示明火與熱源2種狀態(tài)，矩陣的列向量表示值的2中分布區(qū)間。

那么對于明火的和熱源這兩種狀態(tài)來說，在這兩種狀態(tài)之間的轉(zhuǎn)變時鋰電池倉內(nèi)的溫度變化是一個持續(xù)的過程，所采集到的溫度在短時間內(nèi)都將維持它們原有狀態(tài)的值，從兩種狀態(tài)的開始發(fā)生轉(zhuǎn)移開始到轉(zhuǎn)移完成，中間所包含的屬于前一狀態(tài)的溫度特征值的組數(shù)在整個轉(zhuǎn)移過程中所有的特征值的組數(shù)中所占的比率既為兩種狀態(tài)的自轉(zhuǎn)移概率，根據(jù)是歷史數(shù)據(jù)可將隱馬爾可夫模型的參數(shù)可設(shè)置為：

式中矩陣的行向量和列向量都表示明火和熱源這2種狀態(tài)。

初始隱性狀態(tài)概率的值本文采用均值法，因此隱馬爾可夫模型的參數(shù)可設(shè)置為：

式中矩陣的列向量表示明火和熱源2種狀態(tài)。

1.2.3 火災(zāi)預(yù)測

對于火災(zāi)預(yù)測問題，在得到隱馬爾可夫模型的參數(shù)之后，利用維特比算法來計算在某一時刻的狀態(tài)變量的概率，而概率最大的狀態(tài)變量即認(rèn)為當(dāng)前時刻所處的狀態(tài)。

維特比算法首先運用遞推的方法求得在給定的模型參數(shù)的條件下，得到的觀測序列為=(1,2,…,θ)的概率，與之不同的是維特比算法需要記錄每一次遞推之后產(chǎn)生最大概率的狀態(tài)變量，并在遞推結(jié)束后輸出這些狀態(tài)變量序列[10]?？偟膩碚f，維特比算法的求解過程可描述為：輸入任意狀態(tài)下的溫度場特征值1,2,…,θ，輸出每個溫度特征值所隱含的著狀態(tài)是明火或者熱源，具體計算公式如下：

定義變量δ()表示在給定的模型參數(shù)的條件下，在時刻鋰電池倉里的狀態(tài)為，且溫度場特征值在某一個區(qū)間的最大概率，ψ()記錄了在-1時刻的狀態(tài)變量，該狀態(tài)在時刻轉(zhuǎn)移到其他狀態(tài)并使得此時值在某一區(qū)間的概率最大。具體過程描述如下：

初始化上述變量得到在初始時刻出現(xiàn)某溫度場特征值的最大概率，由于在初始時刻的前一時刻不存在任何狀態(tài)，因此此時記錄的狀態(tài)為0，具體公式為：

同初始化過程相同，依次計算不同時刻的最大概率值并記錄相應(yīng)的狀態(tài)變量：

計算至最后時刻終止：

至此，對整個馬爾可夫鏈進行了遞推計算，并且每一次遞推求得的概率都是最大的，接下來通過狀態(tài)變量序列回溯路徑得到所有的狀態(tài)變量序列：

2 實驗驗證

2.1 傳感器采集系統(tǒng)的設(shè)計

傳感器信息采集采用模塊化設(shè)計[11]，溫度采集模塊選用智能巡回檢測儀，它集成了包括溫度傳感器和AD轉(zhuǎn)換模塊，并且提供了RS232串口用于向中央控制器傳輸采集到的信息，串口通訊模塊的型號為MXA3232[11]，為了方便處理實驗數(shù)據(jù)和實時觀察數(shù)據(jù)，加入了SD卡采集模塊和液晶屏顯示模塊。中央處理器選用STM32F103開發(fā)板，該開發(fā)板上的UART接口用于中央處理模塊與執(zhí)行模塊之前的通信，并能夠及時處理傳入的溫度信息。實驗如圖3所示：

圖3 實驗硬件

2.2 檢驗隱馬爾可夫模型火災(zāi)預(yù)測的準(zhǔn)確性

在得到符合該模型的隱馬爾可夫參數(shù)之后，利用該模型對鋰電池的火災(zāi)情況進行預(yù)測。在這里本文同樣使用大小和鋰電池倉相近的試驗箱模擬明火和熱源場景。選取100組明火實驗的數(shù)據(jù)和100組熱源實驗的數(shù)據(jù)，利用Python編程實現(xiàn)對著200組數(shù)據(jù)的識別判斷，同時針對鋰電池倉溫度多變的情況設(shè)計了冷熱環(huán)境實驗，將溫度傳感器分別放置在2~8攝氏度的冷室和60~70攝氏度的熱室并交換放置多次，同樣選擇100組數(shù)據(jù)利用該模型進行識別判斷，此時判斷為不著火為判斷正確，這三種實驗環(huán)境數(shù)據(jù)的識別結(jié)果如表2所示：

表2 預(yù)測結(jié)果

其中，在100組明火實驗的數(shù)據(jù)中，能正確識別的組數(shù)為96組，正確率為96%，在100組熱源實驗的數(shù)據(jù)中，能正確識別100組，正確率為100%，在100組冷熱環(huán)境實驗的數(shù)據(jù)中，能正確識別92組，正確率為92%。

除了以上所做的模擬鋰電池倉環(huán)境實驗，本文還進行了實車環(huán)境實驗，使用實車采集到的環(huán)境溫度數(shù)據(jù)進行識別。各傳感器在鋰電池倉的安裝位置如圖4所示。將采集一天的數(shù)據(jù)進行識別判斷，由于在實驗階段實車并沒有發(fā)生著火，因此判斷為不著火為正確判斷。

圖4 實車安裝

將采集一天的數(shù)據(jù)進行識別判斷，由于在實驗階段實車并沒有發(fā)生著火，因此判斷熱源為正確判斷。將正確的判斷記為1，錯誤的判斷記為0，實驗結(jié)果如圖5所示。

圖5 實車測試結(jié)果

在這一天的測試中，將近46400組數(shù)據(jù)，其中也僅僅有200組數(shù)據(jù)識別錯誤，這些錯誤的數(shù)據(jù)相對比較集中。由模擬實驗和實車實驗可以看出，模擬實驗制造了一種惡劣的的溫度易突變的環(huán)境，在這種情況下判斷的正確率較低，而在實車實驗中的溫度穩(wěn)定的情況下，判斷的正確率較高。

3 總結(jié)

根據(jù)鋰電池倉內(nèi)著火前期倉內(nèi)溫度場特征，提出了一種用參數(shù)描述溫度場特征的計算方法，利用隱馬爾可夫模型具有雙重隨機這一特質(zhì)，找出了鋰電池倉內(nèi)明火這一狀態(tài)和倉內(nèi)溫度場的特征存在著概率關(guān)系，研究建立了基于溫度場特征的火災(zāi)預(yù)測方法，有效的預(yù)測出隱含在溫度信息下的狀態(tài)信息，并依托隱馬爾可夫模型的學(xué)習(xí)訓(xùn)練能力對歷史數(shù)據(jù)進行整理歸納，使得預(yù)測的結(jié)果更準(zhǔn)確。

[1] 沈雄,林榕.高層建筑的智能防火系統(tǒng)[J].上海海運學(xué)院學(xué)報,2001 (02):21-23+28.

[2] 王燕,顧冬華,姚瑤.貝葉斯網(wǎng)絡(luò)在艦船安全性評估模型中的應(yīng)用[J].艦船科學(xué)技術(shù),2016,38(18):157-159.

[3] 景宏令,陳龍,匡勇.飛機發(fā)動機艙滅火劑用量試驗驗證與優(yōu)化研究[J].火災(zāi)科學(xué),2016,25(04):204-207.

[4] 陳濤,翁文國,孫占輝,蘇國鋒,袁宏永.基于火災(zāi)模型的消防應(yīng)急平臺架構(gòu)和功能分析[J].清華大學(xué)學(xué)報(自然科學(xué)版),2007(06):863- 866.

[5] 傅劍鋒,雍靜.基于數(shù)據(jù)融合技術(shù)的火災(zāi)探測算法[J].低壓電器, 2007(12):22-24+48.

[6] 楊娜娟,王慧琴,馬宗方.基于支持向量機的圖像型火災(zāi)探測算法[J].計算機應(yīng)用,2010,30(04):1129-1131+1140.

[7] 楊幫華,董崢,張永懷.模糊神經(jīng)網(wǎng)絡(luò)在火災(zāi)探測中的應(yīng)用[J].自動化儀表,2011,32(10):48-51.

[8] Yuan Lichi. Improved hidden Markov model for speech recognition and POS tagging[J].Journal of Central South University,2012,19 (02):511-516.

[9] 張明衛(wèi),朱志良,劉瑩,張斌.一種大數(shù)據(jù)環(huán)境中分布式輔助關(guān)聯(lián)分類算法[J].軟件學(xué)報,2015,26(11):2795-2810.

[10] 徐超穎,楊國安,石永光,鄭南寧.卷積碼及其維特比譯碼算法的軟件實現(xiàn)[J].西安交通大學(xué)學(xué)報,2003(02):151-154.

[11] 張燕波,沈廣平,董自強,秦明,黃慶安.基于微控制器的風(fēng)速風(fēng)向傳感器系統(tǒng)設(shè)計[J].儀器儀表學(xué)報,2009,30(10):2144-2149.

Research on Fire Prediction algorithm of Lithium Battery Warehouse based on HMM*

Zhang Xuxiang, Gao Yang

( School of Automobile, Chang'an University, Shaanxi Xi'an 710000)

Aiming at the difficulty of environmental monitoring of lithium-battery storage in electric vehicles and the inaccuracy of fire prediction caused by complex fire factors, a fire prediction method based on hidden Markov model is proposed. In this method, the temperature field of the lithium battery bunker is taken as the observed variable of the hidden Markov model, and the hidden Markov model for predicting the fire state is established by using the maximum likelihood estimation method. The experimental results show that the method is accurate in solving the fire prediction of lithium battery bunker.

Lithium battery bunker;fire prediction;hidden Markov model

U469.72

B

1671-7988(2018)21-05-05

U469.72

B

1671-7988(2018)21-05-05

張緒祥，長安大學(xué)碩士研究生。

國家自然科學(xué)基金 61503043，陜西省自然科學(xué)基金項目2015JQ6214中央高校基金(310822172204)，Shaanxi Natural Science Foundation (2017JM7016)。

10.16638/j.cnki.1671-7988.2018.21.003