基于多传感器数据融合的火灾预警系统

分享到:

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

    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。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。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:
    (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H2O、CO、CO2、H2和O2,由于环境中湿度的影响,通常不把H2O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CO2在空气中的含量较低,正常大气环境中CO含量在10 ppm以下,CO2含量大约为360 ppm。从表1中可以看到,绝大多数试验火的CO含量均在20 ppm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可知,各种不同材质在燃烧时,CO2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2.5~6.5 ppm/s。因此,将气体作为早期报警探测对象具有明显优势,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、CO2的浓度变化率、环境温度三者作为探测火灾的特征参量。

a.JPG

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。

b.JPG
    系统通过不同传感器对CO浓度、CO2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
3.1 D-S证据理论
    数据融合的方法很多,其中Dempster-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。
    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 probability 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:

c.JPG

     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。

 

d.JPG
    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。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。

e.JPG
    当CO浓度超过10 ppm时,确定发生火灾的概率较小;当超出20 ppm时,确定为火灾的准确率可高达85%。从我校实验室CO2监测数据来看,即使浓度高达1 500 ppm以上,也有可能是房间人数突然增多导致的,所以只从CO2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CO2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2.5~6.5 ppm/s,因此本系统将CO2的变化率作为数据融合对象。同样,随着温度值变高,能断定是火灾的概率也越大。以CO含量为15~20ppm,CO2变化率是2.0~4.0 ppm/s,温度为40~50℃这个情况为例,用D-S方法进行数据融合,从表3可以看出,不确定性的概率下降到了可以忽略的程度,即系统的不确定性明显降低;并且原来的单个传感器不能准确判定是否发生火灾,融合后正确判断的概率增大,即对来自3个不同传感器的数据融合提高了系统的判别火灾能力。

f.JPG

4 结语
    传感器在采集信息过程中受多种因素的影响,不确定性是普遍存在的。Dempster-Sharer合并规则较好地解决了这种不确定性问题,将多个传感器获得的信息准确地合成为对目标(是否火灾)判定的一致性,增加了系统的正确决策能力。但是,这种方法的使用仍然存在一些局限性。即每一传感器对目标判决的概率赋值,需要依靠经验和数据积累不断进行更准确的设置。