張 冉，吳云韜*，于寶成，徐文霞

1. 智能機(jī)器人湖北省重點(diǎn)實(shí)驗(yàn)室（武漢工程大學(xué)），湖北 武漢 430205；

2. 武漢工程大學(xué)計(jì)算機(jī)科學(xué)與工程學(xué)院，湖北 武漢 430205

機(jī)房作為數(shù)據(jù)中心，各領(lǐng)域?qū)ζ洵h(huán)境穩(wěn)定性的要求日益提高，若不及時(shí)處理由設(shè)備故障引起的火災(zāi)，將會(huì)導(dǎo)致火勢(shì)變大，給機(jī)房帶來巨大損失，為此，在火災(zāi)發(fā)生初期進(jìn)行準(zhǔn)確識(shí)別并給出相應(yīng)警報(bào)預(yù)警，對(duì)無人值守機(jī)房的安全維護(hù)尤為重要。在火災(zāi)發(fā)生初期，周圍環(huán)境中的氣體、溫度都會(huì)發(fā)生相應(yīng)變化，并且參數(shù)相互關(guān)聯(lián)，機(jī)房傳統(tǒng)的檢測(cè)通過單一參量變化無法確定火災(zāi)是否發(fā)生，情況復(fù)雜時(shí)，易發(fā)生誤報(bào)、漏報(bào)情況。因此，學(xué)者們的研究熱點(diǎn)逐漸集中于基于多傳感器的火災(zāi)檢測(cè)。鄭皓天等［1］通過遺傳算法對(duì)誤差逆?zhèn)鞑ィ╞ack propagation，BP）神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，提出了基于3 種不同特征參量的火災(zāi)識(shí)別算法。蘇醒等［2］利用復(fù)合數(shù)字濾波法以及模糊推理技術(shù)，并結(jié)合多傳感器數(shù)據(jù)融合技術(shù)，實(shí)現(xiàn)了對(duì)火災(zāi)的預(yù)測(cè)。Zervas 等［3］通過多傳感器數(shù)據(jù)融合技術(shù)研究火災(zāi)早期情況，并通過參考溫度、濕度和視覺傳感器覆蓋的區(qū)域等特征，結(jié)合Dempster/Shafer（D-S）證據(jù)理論推斷火災(zāi)發(fā)生可能性。Liang 等［4］通過BP 神經(jīng)網(wǎng)絡(luò)對(duì)溫度、CO 濃度、煙霧濃度進(jìn)行融合，實(shí)現(xiàn)了火災(zāi)的早期預(yù)警。

上述火災(zāi)探測(cè)方法不同，因此適應(yīng)的對(duì)象和范圍也有差異，人工神經(jīng)網(wǎng)絡(luò)（如BP 神經(jīng)網(wǎng)絡(luò)）具有自適應(yīng)性等優(yōu)點(diǎn)，但需要較大的訓(xùn)練樣本，訓(xùn)練時(shí)間比較長(zhǎng)［5］。 支持向量機(jī)（support vector machine，SVM）對(duì)解決小樣本有著特殊優(yōu)勢(shì)，算法較簡(jiǎn)單，但需要設(shè)置大量參數(shù)，不合理的參數(shù)設(shè)置會(huì)使算法性能變得很糟糕［6］，且參數(shù)的設(shè)置對(duì)算法的精確度有較大影響［7］。由于極限學(xué)習(xí)機(jī)（extreme learning machine，ELM）泛化能力強(qiáng)，且學(xué)習(xí)速率快［8］，為此針對(duì)機(jī)房火災(zāi)檢測(cè)，本文采用麻雀搜索算法（sparrow search algorithm，SSA）優(yōu)化ELM 并結(jié)合模糊推理的數(shù)據(jù)融合算法，將環(huán)境特征（如溫度、煙霧濃度、CO 濃度）與火災(zāi)持續(xù)時(shí)間、設(shè)備保護(hù)等級(jí)等信息進(jìn)行數(shù)據(jù)融合，最終決策出火災(zāi)警報(bào)等級(jí)，實(shí)現(xiàn)對(duì)機(jī)房火災(zāi)探測(cè)與維護(hù)。

1 多傳感器數(shù)據(jù)融合原理及設(shè)計(jì)

為實(shí)現(xiàn)對(duì)火災(zāi)更準(zhǔn)確、快速地探測(cè)，本文采用多傳感器數(shù)據(jù)融合技術(shù)，結(jié)合環(huán)境特征及其他特征參數(shù)進(jìn)行綜合決策，火災(zāi)探測(cè)融合算法結(jié)構(gòu)主要流程為：通過對(duì)火災(zāi)現(xiàn)場(chǎng)中傳感器采集到的信息數(shù)據(jù)進(jìn)行特征融合，并結(jié)合火災(zāi)現(xiàn)場(chǎng)的其他參數(shù)信息進(jìn)行決策層綜合分析，最終得到可以判斷火災(zāi)是否發(fā)生的預(yù)警信息。

信息層選用3 種傳感器（CO 傳感器、溫度傳感器、煙霧傳感器）完成對(duì)火災(zāi)的探測(cè)，并對(duì)信息進(jìn)行預(yù)處理，特征層對(duì)特征參量進(jìn)行特征數(shù)據(jù)提取，并對(duì)提取的數(shù)據(jù)進(jìn)行特征融合，分析出火災(zāi)發(fā)生概率，決策層將火災(zāi)發(fā)生概率與火災(zāi)現(xiàn)場(chǎng)的其他多特征參數(shù)信息進(jìn)行融合判斷分析，其中多特征參數(shù)信息包括火災(zāi)延續(xù)時(shí)間、不同氣候（溫度和濕度等環(huán)境影響）影響下的各類不同設(shè)備保護(hù)等級(jí)，最終決策出火災(zāi)是否發(fā)生。

2 多傳感器數(shù)據(jù)融合火災(zāi)檢測(cè)算法

2.1 信息層實(shí)現(xiàn)

本文采用多種傳感器對(duì)環(huán)境信息進(jìn)行收集，用來判斷火災(zāi)的發(fā)生，由于不同類型的傳感器收集信息的特征參量范圍、大小都不相同，需進(jìn)行歸一化處理，歸一化公式見式（1）。

對(duì)于式（1），c表示傳感器采集CO 濃度、煙霧濃度、溫度等數(shù)據(jù)的參量個(gè)數(shù)，Ac表示輸入c個(gè)參量后歸一化后的值，Xc表示由實(shí)驗(yàn)數(shù)據(jù)確定的c個(gè)參量的輸入值，Xmin和Xmax分別為選取參量的最小輸入值和最大輸入值。

2.2 特征層數(shù)據(jù)融合處理

2.2.1 極限學(xué)習(xí)機(jī) ELM 是由高瀅等［9］提出的一種新型神經(jīng)網(wǎng)絡(luò)算法，ELM 與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)相比，具有參數(shù)設(shè)置更少、學(xué)習(xí)效率更高、泛化能力更強(qiáng)等優(yōu)點(diǎn)。ELM 的網(wǎng)絡(luò)結(jié)構(gòu)由輸入層、隱含層、輸出層3 部分組成，是一種新式的前饋神經(jīng)網(wǎng)絡(luò)，通過對(duì)隱含層神經(jīng)元數(shù)目進(jìn)行設(shè)定，利用解方程的方法得到輸出權(quán)值。ELM 網(wǎng)絡(luò)結(jié)構(gòu)如圖1 所示。圖1 中X1~X3為輸入神經(jīng)元節(jié)點(diǎn)；Wij為第i個(gè)神經(jīng)元與隱含層神經(jīng)元j之間的連接權(quán)值；bjk為隱含層神經(jīng)元j與輸出層第k個(gè)神經(jīng)元之間的連接權(quán)值；Y1~Y3為模型輸出。

圖1 ELM 網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 ELM network structure

本次ELM 網(wǎng)絡(luò)結(jié)構(gòu)模型中，X、Y分別為輸入值和輸出值，其數(shù)學(xué)模型如式（1-3）所示。

式中：w為輸入層和隱含層之間的連接權(quán)值矩陣，l為隱含層中的神經(jīng)元數(shù)目，n為輸入層神經(jīng)元數(shù)，wln為輸入層和隱含層之間的l層n列的連接權(quán)值。

式中：b為隱含層和輸出層之間的連接權(quán)值矩陣，m為輸出層神經(jīng)元數(shù)，blm為隱含層和輸出層之間的l層m列的連接權(quán)值。

式中：a為隱含層神經(jīng)元閾值矩陣，其中al表示隱含層中第l個(gè)神經(jīng)元的閾值。

ELM 網(wǎng)絡(luò)輸出模型為：

式中：T為輸出數(shù)據(jù)集，tm表示第m個(gè)訓(xùn)練樣本的網(wǎng)絡(luò)輸出值，tj為矩陣T的列向量集合，tmj表示第m個(gè)輸出神經(jīng)元對(duì)應(yīng)于隱含層神經(jīng)元j的輸出值，bim表示隱含層神經(jīng)元j對(duì)輸出神經(jīng)元m的連接權(quán)值，g(?)為隱含層神經(jīng)元激勵(lì)函數(shù)，xj為隱含層神經(jīng)元j的輸入樣本，wi為隱含層神經(jīng)元j對(duì)應(yīng)輸入樣本xj的權(quán)值，ai為隱含層神經(jīng)元j的閾值。

可將式（4）簡(jiǎn)寫為T′=Hb，其中T′為T的轉(zhuǎn)置矩陣，H為隱含層輸出矩陣，H的表達(dá)式為：

式中：wl表示隱含層第l個(gè)神經(jīng)元的權(quán)值，xQ表示輸入的第Q個(gè)數(shù)據(jù)樣本。

2.2.2 麻雀搜索算法 麻雀搜索算法［10］是一種新型的群智能優(yōu)化算法，主要受麻雀的覓食和反哺食等行為的啟發(fā)，具有尋優(yōu)性強(qiáng)、收斂速度快等特點(diǎn)，SSA 算法中，麻雀種群被分為發(fā)現(xiàn)者和加入者，麻雀搜索算法首先需對(duì)麻雀種群與適應(yīng)度進(jìn)行初始化，種群采用隨機(jī)生成位置的方法初始化麻雀種群的個(gè)體位置，數(shù)學(xué)表達(dá)式如式（6）所示。

式中：s為麻雀數(shù)量，d為要優(yōu)化的變量維度，xsd表示第s個(gè)麻雀對(duì)于第d個(gè)參數(shù)的取值，具有較好適應(yīng)度值的麻雀在覓食過程中，需對(duì)食物進(jìn)行迭代搜索，其位置變化采用式（7）更新：

式中：t為當(dāng)前迭代的次數(shù)；Xt,qr和X(t+1),qr分別表示第t次和第t+1 次迭代中，具有較好適應(yīng)度值的第q只麻雀在維度r上的位置；tmax為本次計(jì)算中最大的迭代次數(shù)；R2為預(yù)警值，R2∈［0，1］；F為安全值，F(xiàn)∈［0.5，1］；Q為隨機(jī)數(shù)，服從正態(tài)分布；a表示隨機(jī)數(shù)，a∈（0，1）；L為一個(gè)1×d的矩陣，其中所有元素值都為1；q=1，2，3，… ，s；r=1，2，3，…，d。

當(dāng)R2

式中：X(t+1),p為第t+1 次迭代后發(fā)現(xiàn)者的最優(yōu)位置，Xt,w為第t次迭代全局最差位置，A為1×d矩陣，每個(gè)元素隨機(jī)選取1 或-1，A+=AT(AAT)-1，當(dāng)q>s/2，說明適應(yīng)度較低的第q個(gè)加入者未得到食物，需飛往其他地方覓食。

一般情況，假設(shè)這些意識(shí)到危險(xiǎn)的麻雀占總數(shù)量的10%到20%，它們的初始位置在種群中隨機(jī)產(chǎn)生，其數(shù)學(xué)模型如式（9）所示：

式中：Xt,b為第t次迭代后全局最優(yōu)位置；B為步長(zhǎng)控制參數(shù)，是一個(gè)服從均值0，方差1 的正態(tài)分布的隨機(jī)數(shù)；K為隨機(jī)數(shù)，K∈［-1，1］；ε為常數(shù)；fq為麻雀?jìng)€(gè)體的適應(yīng)度值；fg和fw分別為全局最好和最差適應(yīng)度值。

當(dāng)fq>fg，表明該麻雀處于全局危險(xiǎn)位置，大概率受到攻擊；當(dāng)fq=fg，表明該麻雀意識(shí)到自身大概率被捕食的危險(xiǎn)，需盡快移動(dòng)并與種群匯合。

2.2.3 基于SSA-ELM 特征層數(shù)據(jù)融合模型 算法模型步驟如下：

（1）數(shù)據(jù)進(jìn)行歸一化，并分配訓(xùn)練集和數(shù)據(jù)集。

（2）對(duì)麻雀優(yōu)化算法的迭代次數(shù)、種群、發(fā)現(xiàn)者以及加入者比例進(jìn)行初始化。

（3）構(gòu)建極限學(xué)習(xí)機(jī)網(wǎng)絡(luò)結(jié)構(gòu)，設(shè)置網(wǎng)絡(luò)參數(shù)。

（4）計(jì)算麻雀群體的適應(yīng)度值，并找到最佳適應(yīng)度值fg和最差適應(yīng)度值fw。

（5）根據(jù)式（7-9）更新發(fā)現(xiàn)者、加入者及意識(shí)到危險(xiǎn)麻雀的位置，若更新后的位置優(yōu)于先前的，則替換它。

（6）進(jìn)行迭代，不斷更新麻雀位置，達(dá)到tmax時(shí)停止，迭代過程中適應(yīng)度最低的麻雀為最優(yōu)解。

（7）迭代完成，將得到的最優(yōu)權(quán)值和閾值賦予極限學(xué)習(xí)機(jī)，構(gòu)建SSA-ELM 模型。

2.3 決策層數(shù)據(jù)融合模型

2.3.1 決策層模型構(gòu)建 決策層主要對(duì)各決策因子之間的關(guān)系進(jìn)行分析，并輸出分析結(jié)果。為更好判斷火災(zāi)發(fā)生概率對(duì)火災(zāi)是否發(fā)生的影響，在決策層采用模糊推理技術(shù)［11］進(jìn)行融合，本文引入4 種決策因子（明火概率、陰燃火概率、火災(zāi)延續(xù)時(shí)間、設(shè)備危險(xiǎn)等級(jí)）。

火災(zāi)延續(xù)時(shí)間T由式（10）判定。

式中，h表示當(dāng)前時(shí)間段，h+1 表示下一個(gè)時(shí)間段，Yi(x)表示從特征層輸出的明火、陰燃火概率，V（·）為階躍函數(shù)，Td為將要報(bào)警的閾值。

本文對(duì)機(jī)房火災(zāi)進(jìn)行預(yù)測(cè)，由不同設(shè)備所處的周圍環(huán)境決定其危險(xiǎn)等級(jí)，比如在機(jī)房門廊、過道等邊緣位置，設(shè)備危險(xiǎn)等級(jí)可表示為低；在不間斷電源（uninterruptible power supply，UPS）、電閘等設(shè)備所處的機(jī)房核心位置，其危險(xiǎn)等級(jí)應(yīng)表示為高，面對(duì)不同位置的設(shè)備根據(jù)實(shí)際情況確定其危險(xiǎn)等級(jí)。

決策層模型如圖2 所示，該模型通過結(jié)合各決策因子，結(jié)合模糊化處理，決策出最終結(jié)果。

圖2 決策層融合模型流程Fig.2 Decision level fusion model process

2.3.2 決策層信息融合 輸入/輸出量的模糊化：在決策層信息模糊化處理中，將輸入量（明火概率、陰燃火概率、火災(zāi)延續(xù)時(shí)間、設(shè)備危險(xiǎn)等級(jí)）進(jìn)行模糊化處理，模糊集劃分為正?。≒S）、正中（PM）、正大（PH），隸屬函數(shù)采用三角函數(shù)。輸出量模糊集劃分為無（PN）、?。≒S）、中（PM）、大（PB），隸屬函數(shù)采用三角函數(shù)。

模糊邏輯推理：本文通過實(shí)際情況對(duì)火災(zāi)進(jìn)行辨識(shí)，從而建立模糊規(guī)則。根據(jù)馬達(dá)尼法推理規(guī)則推斷，模糊規(guī)則庫(kù)的數(shù)量可根據(jù)輸入量之間的關(guān)系來確定，本文在系統(tǒng)中有4 個(gè)輸入量，每個(gè)輸入量的模糊等級(jí)設(shè)定為3，即在模糊規(guī)則庫(kù)中建立了3×3×3×3=81 條模糊規(guī)則，其模糊規(guī)則形式為“IF（火災(zāi)概率is 正?。゛nd（火災(zāi)延續(xù)時(shí)間is 正?。゛nd（設(shè)備危險(xiǎn)等級(jí)is 正小）then（決策結(jié)果輸出is正?。薄?/p>

去模糊化：根據(jù)模糊規(guī)則輸出的結(jié)果也是模糊的，需進(jìn)行去模糊化操作。本文采用面積重心法去模糊化［12］，公式如式（11）所示。

式中，U表示去模糊化后得到的輸出值，用來進(jìn)一步分析，u（z）為輸出的隸屬函數(shù)，z為模糊規(guī)則的輸出變量。

對(duì)去模糊化后得到的U進(jìn)行多級(jí)別判斷，當(dāng)U<0.25 時(shí)，判定為無火情；當(dāng)0.25≤U<0.5 時(shí)，判定為警戒；當(dāng)0.5≤U<0.75 時(shí)，判定為報(bào)警；當(dāng)U≥0.75時(shí)，判定為嚴(yán)重報(bào)警。

3 火災(zāi)檢測(cè)算法仿真分析

若機(jī)房發(fā)生火災(zāi)，其周圍主要參數(shù)溫度、CO濃度、煙霧濃度會(huì)發(fā)生明顯變化，因此，采用標(biāo)準(zhǔn)試驗(yàn)火數(shù)據(jù)進(jìn)行仿真，分別對(duì)特征層、決策層進(jìn)行算法仿真分析。麻雀搜索算法參數(shù)如下：麻雀規(guī)模為30，最大迭代次數(shù)為50，發(fā)現(xiàn)者比例占種群總數(shù)70%，意識(shí)到危險(xiǎn)的麻雀占種群總數(shù)20%，安全閾值F為0.6。ELM 算法設(shè)置如下：隱含層個(gè)數(shù)為10，訓(xùn)練次數(shù)為1 000，學(xué)習(xí)速率為0.01，激活函數(shù)為Sigmod。BP 算法參數(shù)如下：訓(xùn)練次數(shù)為1 000，學(xué)習(xí)速率為0.01，最大迭代次數(shù)為50。

3.1 特征層SSA-ELM 模型仿真分析

本文從中國(guó)標(biāo)準(zhǔn)明火SH4、標(biāo)準(zhǔn)陰燃火SH1、廚房環(huán)境下標(biāo)準(zhǔn)干擾信號(hào)選取實(shí)驗(yàn)數(shù)據(jù)40 組［13］，選取30 組作為訓(xùn)練樣本，10 組作為測(cè)試樣本，進(jìn)行仿真實(shí)驗(yàn)分析。

圖3 為本算法SSA-ELM 模型的收斂過程，經(jīng)過第6 次迭代后模型達(dá)到最優(yōu)，可知本模型具有較高的收斂速度和精度。圖4（a）給出了各算法模型的預(yù)測(cè)結(jié)果，可知，經(jīng)過SSA 算法優(yōu)化的ELM 模型預(yù)測(cè)精度明顯高于ELM 模型，有著較強(qiáng)的泛化能力，通過SSA 算法對(duì)ELM 模型的權(quán)值和閾值進(jìn)行優(yōu)化，性能有較大提升，即SSA 算法有較強(qiáng)尋優(yōu)能力。

圖3 SSA-ELM 適應(yīng)度曲線Fig.3 SSA-ELM fitness curve

圖4 仿真預(yù)測(cè)結(jié)果：（a）火災(zāi)概率仿真，（b）測(cè)試集預(yù)測(cè)誤差Fig.4 Simulation prediction results：（a）fire probability simulation，（b）test set prediction error

模型經(jīng)過訓(xùn)練，各模型誤差曲線如圖4（b）所示，可以明顯看出SSA-ELM 模型的誤差曲線較為平穩(wěn)，其他模型誤差起伏較大?？梢?，SSA-ELM模型檢測(cè)精度較高，可以有效降低火災(zāi)探測(cè)的誤差率，提高火災(zāi)預(yù)測(cè)的準(zhǔn)確率。

為進(jìn)一步評(píng)價(jià)算法檢測(cè)結(jié)果的優(yōu)劣性，選取平均絕對(duì)誤差（mean absolute error，MAE）、均方誤差（mean-square error，MSE）和均方根誤差（root mean square error，RMSE）作為預(yù)測(cè)評(píng)價(jià)指標(biāo)，將優(yōu)化后的算法重復(fù)執(zhí)行30 次后，記錄相關(guān)指標(biāo)如表1 所示。

表1 性能對(duì)比Tab.1 Performance comparison

經(jīng)對(duì)比發(fā)現(xiàn)，在本文采用的MAE、MSE、RMSE 3 個(gè)指標(biāo)上，SSA-ELM 算法的預(yù)測(cè)精度最高?？芍?，通過SSA 優(yōu)化ELM 權(quán)值和閾值的火災(zāi)檢測(cè)算法的預(yù)測(cè)精度更高，大大提高了火災(zāi)檢測(cè)的準(zhǔn)確率。

3.2 決策層模糊推理仿真分析

由特征層仿真分析可知，SSA-ELM 模型可準(zhǔn)確識(shí)別火災(zāi)發(fā)生的概率，決策層將多特征參數(shù)信息進(jìn)行融合，更直接地給出警報(bào)決策。并且將特征層明火、陰燃火概率仿真結(jié)果與火災(zāi)延續(xù)時(shí)間、設(shè)備危險(xiǎn)等級(jí)等信息輸入決策層，通過仿真輸出報(bào)警決策結(jié)果。

決策層仿真采用30 組經(jīng)特征層輸出的明火、陰燃火概率，通過決策層融合輸出，驗(yàn)證決策層有效性。仿真結(jié)果如圖5 所示。

圖5 決策層仿真結(jié)果：（a）概率輸入，（b）決策輸出Fig.5 Decision layer simulation result：（a）probability input，（b）decision output

由圖5 可以看出，通過對(duì)明火、陰燃火概率的輸出，結(jié)合附加信息的決策層可以做出準(zhǔn)確的決策輸出，對(duì)機(jī)房?jī)?nèi)不同危險(xiǎn)等級(jí)的設(shè)備，可以做到明顯的識(shí)別，滿足對(duì)機(jī)房火災(zāi)的準(zhǔn)確預(yù)警。

4 結(jié) 論

針對(duì)傳統(tǒng)機(jī)房火災(zāi)檢測(cè)的不足，本文采用了基于多傳感器數(shù)據(jù)融合的火災(zāi)檢測(cè)算法，在特征層中提出了一種基于SSA 算法優(yōu)化ELM 權(quán)值和閾值的火災(zāi)探測(cè)模型，經(jīng)研究發(fā)現(xiàn)，模型的泛化能力和檢測(cè)精度提升明顯，可有效提高火災(zāi)檢測(cè)的準(zhǔn)確率；在決策層中采用模糊推理技術(shù)，結(jié)合機(jī)房環(huán)境多特征信息，根據(jù)設(shè)備的危險(xiǎn)程度靈活給出警報(bào)信息，分析不同的警報(bào)等級(jí)給出準(zhǔn)確的火災(zāi)識(shí)別結(jié)果，極大提高了火災(zāi)檢測(cè)系統(tǒng)的準(zhǔn)確性和靈活性。