火灾报警系统算法

1、摘 要火灾自动报警系统是主动防火的核心部分，它直接关系到能否将火灾扑灭在萌芽状态，是实现起火不成灾的关键。它的主要部件有火灾探测器、火灾报警控制器。对于探测器，火灾信号处理算法至关重要，更为科学的算法对减少误报和漏报的具有十分重要的意义。本文论述了火灾自动报警系统的各部分组成，而重点是火灾信号的识别算法。对火灾信号处理算法的研究对于提高火灾探测器乃至整个火灾自动报警系统可靠性的作用是不容置疑的。早期，针对某些火灾参量，出现众多算法，但对非线性、非结构化的火灾信号，包括趋势算法在内的各种算法仍难以适应千变万化的具体场景。模糊系统与人工神经网络都属于一种数值化的和非数学模型的函数估计和动力学系统，

2、它们都能以一种不精确的方式处理不精确的信息，并获得相对精确的结果。MLP方法是采用MLP对各种传感器信号进行判决处理并报警的火灾探测方法。随着复合探测器的出现，融合多种方法的模糊神经网络算法必将在火灾信息处理中发挥重要作用。目前，围绕如何更早期地快速而准确地发现火灾，减少火灾损失，在火灾报警及城市联动灭火等各方面的技术都在迅速的发展当中。目 录1 绪论11.1火灾的危害11.2燃烧的要素和类型11.3 火灾特征及火灾参量11.4我国火灾自动报警系统的现状和未来22 火灾信号的识别算法32.1可变窗特定趋势算法32.2智能识别算法52.2.1 模糊逻辑在火灾探测中的应用52.2.2 神经网络算法

3、92.2.3 模糊神经网络算法1123131 绪论1.1火灾的危害火的应用，让人类取得了巨大的成就，但往往失去控制的火，吞食着人们的生命和财富，破坏了生态环境，这种在时间和空间上失去人为控制，给人类造成灾害的燃烧现象，称为火灾（Fire）。在水灾、旱灾、地震、风灾等众多灾害中，火灾造成的直接损失约为地震的5倍，而发生的频率位居各灾种之首。据公安部消防局统计，2014年全国共接报火灾39.5万起，死亡1817人，受伤1493人，直接财产损失43.9亿元。刚进入2015年，在1月2日，哈尔滨市北方南勋陶瓷大市场仓库发生火灾，造成了5名消防战士牺牲，14人受伤，549户2000多名居民以及部分的临街

4、商户受灾。1月3日，云南大理州巍山县南诏镇发生火灾，这座始建于明洪武二十三年（1390年），距今已有600多年的历史的拱辰楼被烧坏，造成不可挽回的巨大损失。5月25日20时左右，河南省鲁山县城西琴台办事处三里河村的一个老年康复中心发生火灾，亡38人、伤6人。6月25日凌晨，郑州市西关虎屯小区发生火灾，事故已造成13人死亡、4人受伤。火灾不仅吞食了类的生命和财富，破坏人类赖以生存的环境和社会的稳定，而且是常见、多发、人为因素为主的灾害。1.2燃烧的要素和类型燃烧现象，是可燃物与氧化剂发生相互作用的一种氧化还原反应，所以产生火灾的必要条件有可燃物、氧化剂和着火源，这称为燃烧三要素。可燃物发生着火的

5、最低温度称为着火点或燃点。可燃物质着火点（）可燃物质着火点（）可燃物质着火点（）甲烷537甲醇385乙炔305乙烷472乙醇363汽油390以上乙烯450一氧化碳609天燃气530榉木426甲醛463焦炉煤气500表1.1 空气中某些可燃物的着火点燃烧的类型闪燃：在一定温度下，液体可以蒸发成蒸汽或少量固体如樟脑、聚乙烯、聚苯乙烯等表面上能产生足够的可燃蒸汽，遇到火源能产生一闪即灭的现象。着火：可燃物质发生持续燃烧的现象。自燃：可燃物在空气中没有外来火源，靠自热和外热而发生的燃烧现象。爆炸：由于物质极具氧化或是分解反应产生温度、压力分别增加或是同时增加的现象。1.3 火灾特征及火灾参量火灾是失去

6、控制的燃烧现象。燃烧是可燃物与氧化剂作用发生的放热反应，通常伴有火焰、发光和（或）发烟的现象，所以放热、发光和生成新物质是火灾三个主要特征。此外火灾还产生电磁波、亚声波等。表征这些特征的参量称为火灾参量（Fire parameter）。如：烟雾、高温、火焰及气体成分等。1.4我国火灾自动报警系统的现状和未来20年前，我国消防报警产品刚刚起步，无论产品技术含量、产品系列完整性、使用性，还是社会影响程度都是相当低的。国外的产品和品牌一统天下，占领中国的大部分市场。2001年12月3日，强制性产品认证管理规定发布，消防产品作为强制认证，2005年开始，出台了CCC认证产品各种标准。中华人民共和国消防

7、法已由中华人民共和国第十一届全国人民代表大会常务委员会第五次会议于年月日修订通过，自年月日起施行。改革开放以来，我国的火灾自动报警系统经历了从无到有、从简单到复杂的发展过程，其智能化程度也越来越高。虽然应用的时间并不长，但据不完全统计，准确报警事例已达数千次。从上世纪90年代后期才开始进入快速的发展时期。作为消防行业的一部分，消防自动报警行业是消防行业中技术含金量较高的一部分，并且还是发展最快的一部分，国际上各种消防报警设备我国消防报警行业都已能生产。根据慧聪网及慧聪消防网联合调查显示，目前国内消防自动报警系统的生产厂家超过100家。市场集中度较高，排名前5的企业占到市场整体份额的25%左右，

8、但整体上企业规模仍是以中小企业为主，市场销售规模保持在每年10%-15%的增长率，这说明了消防报警行业仍在成长期。在这一时期，行业内的竞争将刺激优胜劣汰的进程，加速了产品结构、企业结构乃至产业结构的改造和调整，极大地促进消防报警行业的快速发展。消防自动报警行业未来仍将保持较高的增长速度根据慧聪网预测，2013-2015年，消防报警市场仍将持续较快增长，复合增长率约在20%左右，到2015年市场规模将达到230亿元。随着现代科技的发展，火灾探测与报警技术也在不断提高。目前我国消防报警产品发展迅速且市场前景可观，随着其弊端的攻克以及技术的进一步完善，必将迎来更加广阔的发展空间。作为一门多专业、多学

9、科的综合性火灾探测与报警技术，近几年得到了迅速发展，向着高可靠、智能化、网络化的超早期火灾探测报警技术发展。目前具有消防报警产品生产能力的企业有海湾安全技术有限公司、北京利达华信电子有限公司、北大青鸟环宇消防设备股份有限公司、上海松江飞繁电子有限公司、深圳市泛海三江电子有限公司、深圳市泰和安科技有限公司等企业，从整个消防报警市场来看，仍是海湾安全技术有限公司，市场占有率达到13.08%。     火灾报警行业经过市场竞争、国内国际经济环境因素、国家消防标准要求的提高等原因，在全国市场上作为活跃的国内品牌有海湾、利达、青鸟、松江等；在局部市场较为活跃的有久

10、远、泰和安、泛海三江等。进口企业有霍尼韦尔、西门子、爱德华（EST）等。目前市场上，中低端产品国内企业占据垄断地位，国外产品集中在高端产品需求上。整体市场占有率上国内产品不断地在增长。2 火灾信号的识别算法火灾探测器利用火灾物理和化学变化过程中的各种特征参量信号的变化规律，实现检测、识别的目的。烟雾、高温等火灾参量信号易受周围环境干扰，电子线路本身往往有电子噪声，为减少误报，就须更好地对这些特征参量设计更好的算法。火灾信号处理算法对于提高火灾探测器乃至整个火灾自动报警系统可靠性的作用是至关重要的。早期火灾探测器为开关量型火灾探测器，且主要针对火灾某一个物理参量如温度、烟雾等进行检测，当传感器获

11、取数值超过预设的阈值时，则发出报警信号。这种识别算法使得电路简单，易于实现和维护，但抗干扰能力弱，误报率高，主要用的是直观阈值法，包括固定门限检测法、变化率检测法等。后来，人们发现火灾输出信号具有明显的上升或下降的趋势，因此用这种特征对火灾信号进行处理，出现了Kendall-趋势算法、复合Kendall-趋势算法、特定趋势算法、可变窗特定趋势算法、复合特定趋势算法。这些算法较复杂，探测可靠性更高，但无法定量确定信号变化趋势的急剧程度，变化速率不同的两个信号对应的趋势值很可能相等。为此引入了斜率算法。此外，火灾信号还具备另外一个特征，即信号变化的相对持续性，这是火灾信号区分于同样具有上升与下降变

12、化趋势的瞬时脉冲等干扰信号的重要判据，因此用这一特点构建了基于持续时间算法的火灾探测器。这就出现了单输入偏置滤波算法，随着多传感器或复合传感器技术的发展，综合处理多个信号复合偏置滤波算法也发展起来了。火灾的复杂性使得火灾参量是随着空间和时间的变化而变化，很难建立一种或几种数学模型进行精确描述，人工神经网络与模糊系统都属于一种数值化的各非数学模型的函数估计和动力学系统，它们都能以一种不精确的方式处理不精确的信息，并获得相对精确的结果。尤其是将采用模糊与神经网络结合的智能算法，可大大减少火灾探测误报与漏报的可能。下面两部分内容，其一重点介绍可变窗特定趋势算法，其它趋势算法基本都包含在内了。其二探讨

13、模糊神经网络算法。2.1可变窗特定趋势算法如图2.1，曲线为火灾发生时传感器的烟雾或温度的间隔抽样输出信号x(t)，t是离散时间变量。表2.1是图2.1中曲线对应的离散值X(t)t图2.1 某信号的变化趋势特征t01234567891011121314x(t)11.31.41.61.92.02.32.92.82.52.73.23.84.25.8表2.1上图曲线对应的离散值可见，虽然t=710区间信号略有下降，但总体上有明显的上升趋势。Kendall-趋势算法最常用，首先求出Kendall-值y(n)如下： （2.1）式中，N是用于观测数据的窗长，u(x)为单位阶跃函数，如式2.2所示。ux=1

14、， x00，x<0 （2.2）N是一个非常重要的参数，它值的选择直接影响信号趋势计算的效果。窗长短，趋势值对信号变化很敏感，窗长短，则计算出的趋势值较平滑。为了能同时表征并计算信号的正、负两种变化趋势，定义一个符号函数如下式2.3：sqnx=1, x>00, x=0-1, x<0 (2.3)为了在趋势计算中让体现阶跃变化的信号，如火灾时剧烈增加的颗粒浓度、温度等，将两个传感器的输出信号xi(h)(i=1,2)进行映射变换，如2.4式min=,min-1+k, xin-mi(n-1)>kxin, |xin-min-1|kmin-1-k, xin-min-1<-k （

15、2.4）参数k决定了信号变化的最大（或最小）上升（或下降）速率。综合以上2.3和2.4式，得到复合探测器的Kendall-值如下yn=N-1i=0N-2j=iN-1sqnm1n-i-m1n-j*sqnm2n-i-m2n-j （2.5）这里m1(n)与m2(n)可以是烟雾与温度信号，也可以是其它信号，多种信号检测增加了可靠性与准确性。以上的趋势检测算法没有考虑信号的稳态值，未能区分信号变化位于稳定值上方还是下方。根据探测器输出在稳态值以上的正趋势或稳态值以下的负趋势进行判断是否发生火灾的算法，称为特定趋势算法。这就有必要引入信号的稳态值（记作RW），为克服趋势探测器抗干扰较弱的缺点，有必要定义两

16、个新的符号函数sqn1(x)和sqn2(x)sqn1x=1, x>S0, -SxS-1, x<-Ssqn2x=1, x>10, -1x1-1, x<-1 （2.6）另外，为使趋势计算随信号的不同特征而变化，将窗长N分为两部分，一部分取固定的较小值，以便快速检测到信号，另一部分为变化值，随信号趋势而逐渐增大，需要引入累加函数k(n)k(n+1)=kn+1uyn-st, st>0 kn+1ust-yn, st<0 （2.7）式中，st为预警值，u(x)为单位阶跃函数。因此，趋势计算中总的计算窗长为N=N+k(n)下面就是以 N为窗长的可变窗长特定趋势算法，计算式

17、为：yn=i=0N+k(n-1)-2j=iN+kn-1-1sqn2sqn1xn-i-xn-j+sqn1xn-i-RW（2.8）2.2智能识别算法火灾的复杂性除了事件的随机性特征，还在于相同的材料在不同的环境下具有不同的着火温度，相同的环境不同的材料，着火条件也不一样，人类的活动以及环境的变化事先也无法确定，所以实际的火灾参量是随着空间和时间的变化而变化着的，很难建立一种或几种数学模型进行精确描述。模糊系统与人工神经网络都属于一种数值化的、非数学模型的函数估计和动力学系统。利用火灾多种信号作为输入，采用智能算法，可大大减少火灾探测误报与漏报的可能。2.2.1 模糊逻辑在火灾探测中的应用 1 模糊

18、控制的概述在传统的控制领域里，控制系统动态模式的精确与否是影响控制优劣的最主要关键，系统动态的信息越详细，则越能达到精确控制的目的。然而，对于复杂的系统，由于变量太多，往往难以正确的描述系统的动态。换言之，传统的控制理论对于明确系统有强而有力的控制能力，但对于过于复杂或难以精确描述的系统，则显得无能为力了。因此便尝试着以模糊数学来处理这些控制问题。“模糊”是人类感知万物，获取知识，思维推理，决策实施的重要特征。“模糊”比“清晰”所拥有的信息容量更大，内涵更丰富，更符合客观世界。模糊逻辑控制(Fuzzy Logic Control)简称模糊控制(Fuzzy Control)，是以模糊集合论、模糊

19、语言变量和模糊逻辑推理为基础的一种计算机数字控制技术。1965年，美国的L.A.Zadeh创立了模糊集合论；1973年他给出了模糊逻辑控制的定义和相关的定理。1974年，英国的E.H.Mamdani首次根据模糊控制语句组成模糊控制器，并将它应用于锅炉和蒸汽机的控制，获得了实验室的成功。这一开拓性的工作标志着模糊控制论的诞生。模糊控制实质上是一种非线性控制，从属于智能控制的范畴。模糊控制的一大特点是既有系统化的理论，又有大量的实际应用背景。模糊控制的发展最初在西方遇到了较大的阻力；然而在东方尤其是日本，得到了迅速而广泛的推广应用。近20多年来，模糊控制不论在理论上还是技术上都有了长足的进步，成为

20、自动控制领域一个非常活跃而又硕果累累的分支。其典型应用涉及生产和生活的许多方面，例如在家用电器设备中有模糊洗衣机、空调、微波炉、吸尘器、照相机和摄录机等；在工业控制领域中有水净化处理、发酵过程、化学反应釜、水泥窑炉等；在专用系统和其它方面有地铁靠站停车、汽车驾驶、电梯、自动扶梯、蒸汽引擎以及机器人的模糊控制。模糊控制是以模糊集合论、模糊语言变量及模糊推理为基础的一种计算机数字控制。它基于被控系统的物理特性，模拟人的思维方式和人的控制经验来实现的一种智能控制。经典控制理论对那些复杂、不能精确建立数字模型的被控对象经常是无能为力的，所以很多人一直在思考，对于这一类被控过程，能否让计算机模拟人的思维

21、方式，接受人的操作规则去进行控制呢？回答是可能的，模糊控制正式源于这种朴素的思想。2 模糊控制的结构与算法模糊控制系统的原理框图如图2-2所示。 图2-2 模糊控制原理框图可以看出其结构与一般计算机数字控制系统基本类似。只是其控制器为模糊控制器。模糊控制系统由以下几部分组成：输入输出接口、执行机构、检测装置、被控对象及模糊控制器。模糊控制器是模糊控制系统的核心，也是模糊控制系统区别于其他自动控制系统的主要标志，下面对模糊控制器三个主要阶段做简要的介绍：第一，输入模糊化。模糊化是把系统输入的精确量转化为模糊控制器中所需的模糊量的过程，为了完成输入的模糊化，我们必须知道输入精确值对模糊集的隶属函数

22、（这里不作说明）。模糊集的个数可根据被控对象的不同而不同，例如，可分成正大，正中，正小，零，负小，负中，负大七种。隶属函数的形状可根据实际情况而定，要求不高的一般可取三角形或梯形。第二，模糊推理决策。模糊控制器的主要工作是依据语言规则进行模糊推理决策。因此在进行模糊规则推理之前，先要指定好语言控制规则。实际上控制规则是根据操作者或专家的经验知识来确定的，它们也可以在试验过程中不断进行修正和完善。规则的形式很像计算机程序设计语言常用到的条件语句“IFTHEN”。模糊控制规则随着模糊控制器的输入输出维数的不同采用不同的形式。（1）单输入单输出型：其控制规则为 IF X=A, THEN Y=B。（2

23、) 多输入单输出型：其控制规则为 IF X1=A1,AND(OR) X2=A2,AND(OR)XN=AN,THEN Y=B。（3) 多输入多输出型：IF X1=A1, AND(OR) X2=A2,AND(OR)XN=AN,THEN Y=B1，AND(OR)Y2=B2,AND(OR)YN=BN。这里的AND和OR在模糊推理中相应于“交”“并”运算。第三，逆模糊化。输出逆模糊化就是将语言表达的模糊量恢复到精确的数值，也就是根据输出模糊子集的隶属度计算出确定的数值。下面介绍三种主要的方法（1）最大隶属度法：这种方法就是选取模糊子集隶属度最大的元素作为控制量。如果最大点有几个，则取它们的平均值。例如有

24、两个模糊子集分别为， ,在U1中，元素1的隶属度最大，则取u=1为输出量；而在U2中，元素0和1的隶属度都为最大，则取u=(0+1)/2=0.5作为输出量。选择最大隶属度方法简单易行，算法实时性好，但它利用的信息量较少，会引起一定的不确定性。(2）加权平均法：此法又称重心法，有两种形式。第一种是普通加权平均法，其控制量的精确值u由下式决定：.第二种是算术加权平均法，其控制量的精确值u由下式求出: ,其中k的选择可根据实际情况来决定。（3）取中位法：为了充分利用所有信息，求出将模糊集隶属函数曲线与横坐标之间的面积平分为两等的数，用此数作为逆模糊化的结果。模糊控制的算法步骤(1) 根据当前采样得到

25、的系统的输出值，计算所选择的系统的输入变量。(2) 将输入变量的精确值变为模糊量，即模糊化处理。(3）根据输入模糊变量及模糊控制规则，按模糊推理合成规则计算控制模糊量，即进行推理决策。(4）由上述得到的控制模糊量计算精确的控制量，即模糊化处理。 模糊控制在检测系统中的应用模糊数学模仿人脑逻辑思维的特点进行分析判断，具有对不确定性，不完全模糊信息的处理能力，能获取并融合多源信息。对于涉及人的自身知识和经验测量问题，传统的检测难以进行，而模糊检测则显示出其独特的优越性。传统的测量通过试验和计算直接给出被测量的数值描述，但在工程实际中会存在不确定性和复杂性，一些重要的信息难以通过传感器直接测出或通过

26、函数关系间接求出，而只能根据人们的先验知识并经过人脑的推理过程才能得出正确的结论。4 单输入火灾探测信号的模糊处理使用模糊逻辑方法进行火灾信号处理，首先应定义判断规则。以模糊处理烟雾探测信号为例，模糊逻辑可以对一定时间内的烟雾浓度信号进行火灾和非火灾的判断识别，以控制报警延迟时间，图2-3显示了对某光电烟雾探测器输出信号的延迟时间控制。图2-3烟感输出信号的延迟时间为了实现其控制过程，定义输入变量表如表2-2所示。X定义1减光率从1.0%上升到5.0%2从5.0%上升到10.0%（报警）3报警前1min的烟雾平均浓度4报警前3min的烟雾平均浓度5报警前1min内前30s和后30s的平均烟雾浓

27、度差表2-2 模糊逻辑变量函数处理过程为：(1) 首先判断输入信号的大小，根据其大小做出火灾或非火灾的，对于大和小的隶属函数可采用梯形分布。(2) 做火灾或非火灾的逻辑判断，由输入变量进行模糊逻辑“与”运算，得到输出变量的隶属度，然后对隶属度进行判断，即模糊化处理。(3）根据输入隶属度确定延迟时间的长短。若隶属度>0.5, 判断为火灾，延迟10s；若隶属度0.5，判断为非火灾，延迟20s-50s。(4）在判断延迟期间，采用非模糊逻辑方法判断，如果输入信号减小，则输出非火灾，如果输入信号增大，则输出火灾。当延迟结束时，输入信号仍维持报警水平，则发出报警信号。5 复合火灾量算法的模糊处理设输

28、入烟雾信号为XR(n),温度信号为XT(n)，火灾量计算门限为SRB,对于烟雾信号火灾量计算，有 BRn=BRn-1+XRn-SRB, SRB<XRn 0, SRB<XRn （2.9)设温度火灾量计算门限为STR，考虑到一般使用暖气等人为因素造成的温度变化十分缓慢，因此温度的火灾量计算应该在一段区间内考虑，既有BTn=BTn-1+XTn-XTn-1, tpo的系统，由于变量太多，往往难以正确的描述系统的动态，1010101010101010101010101010101010101010101010101010101010101010101010101010101010101010

29、10101010101010101010101010101010101010101010101010101010101010101010101010101010101010101010101010101010XTn-XTn-1 STB0, XTn-XTn-1 STB （2.10)计算区间条件为XTn-k-XTn-k-10,0k<L ，L为区间长度。对于火灾量大小的判断采用模糊集定义方法，选定烟雾和温度信号火灾量“大”的隶属函数分别如图2-4和2-5所示。图2-4中定义了两种烟雾火灾量隶属函数12，相当于两级火灾报警处理。 图2-4 烟雾火灾量“大”的隶属函数 图2-5 温度火灾量“大”的

30、隶属函数 设最后的火灾报警门限为S，模糊逻辑输出：Zn=maxmin1BRN,tBTN,2BRN （ 2. 11）当经过模糊逻辑运算后所得结果Z(n)超过门限S时，探测器输出火灾警报。2.2.2 神经网络算法BP（Back Propagation）网络是一种按误差逆向传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层、隐含层和输出层。输入层各神经元负责接收来自外界

31、的输入信息，并传递给中间层各神经元；中间层是内部信息处理层，负责信息变换，根据信息变化能力的需求，中间层可以设计为单隐含层或者多隐含层结构；最后一个隐含层传递到输出层各神经元的信息，经进一步处理后，完成一次学习的正向传播处理过程，由输出层向外界输出信息处理结果。当实际输出与期望输出不符时，进入误差的反向传播阶段。误差通过输出层，按误差梯度下降的方式修正各层权值，向隐含层、输入层逐层反传。周而复始的信息正向传播和误差反向传播过程，是各层权值不断调整的过程，也是神经网络学习训练的过程，此过程一直进行到网络输出的误差减少到可以接受的程度，或者预先设定的学习次数为止。1 BP神经网络的结构及算法BP网络可以有多层，但为叙述简捷以三层为例导出计算公式。设BP网络为三层网络，输入神经元以i编号，隐蔽层神经元以j编号，输出层神经元以k编号，示意图如图2-3所示，其具体形式在下面给出，隐蔽层第j个神经元的输入为：，第j个神经元的输出为，输出层第k个神经元的输入为，相应的输出为，式中g为sigmoid型函数，g(x)=,式中为阈值或偏置值。0则使sigmoid曲线沿横坐标左移，反之则右移。因此，各神经元的输出应为、输入层隐蔽层输出层 图2-3 神经网络结构图BP网络学习过