专利名称：多信息融合火灾探测方法
技术领域：
本发明属于火灾探测技术领域，具体涉及多信息融合的火灾识别方法，特别涉 及贫信息、弱信息场景的火灾识别。
背景技术：
火灾的发生具有双重性，既有它的随机性一面，又有它的确定性一面。因此火 灾探测信号检测是一种十分困难的信号检测，它要求信号处理算法能够适应各种环境条 件的变化，自动调整参数以达到既能快速探测火灾，又有很低的误报率。因此需要一种 数值化的和非数学模型的函数估计和动力学系统来实现火灾探测。利用神经网络及其与模糊系统融合方法来进行火灾探测在90年由于其自学习、 自适应性、自组织特性，引起了消防工程界的极大关注并得到了长足的发展。其中日本 的Y.Okayama提出一种三层前馈BP神经网络的火灾探测算法，具有一定得自学习和自适 应性，但是它对传感器信号的特点考虑不够全面，而且仅仅采用简单的门限直接进行判 决，不利于减少火灾的误报率。S.Nakanishi等人利用模糊逻辑方法处理烟气温度、烟气 浓度和CO (—氧化碳)浓度的复合信号，系统的调节还采用了神经网络算法，实际结果 显示误报率减低了 50%，火灾报警时间还有所提前。但其并没有引入灰色算法和阈值算 法，使得该算法的抗环境干扰和提前报警的能力受到局限。现有火灾探测系统的缺陷是，探测灵敏度低和误报警率高，缺乏智能性，并且 针对某些弱信息、贫信息的场所不能起到应有的作用，甚至产生不报警的情况。因此， 需要一种方法解决上述问题。
发明内容
本发明的目的旨在至少解决现有技术中的上述问题之一，特别是解决漏报、误 报和针对弱信息、贫信息火灾场景火灾探测问题。为此，本发明的实施例提出一种准确、可靠的多信息融合火灾探测方法。根据本发明的一个方面，本发明实施例提出了一种多信息融合火灾探测方法， 所述方法包括以下步骤对从现场周期采样得到的火灾探测信号序列进行预处理，排除 由于正常环境变化产生的不合理数据；根据预处理后的原始火灾探测信号序列进行灰色 模型GM(1，1)建模，对后续时间点的火灾探测信号数据进行预测，以得到等维的新信 息灰色预测模型；利用原始火灾探测信号序列对预测得到的火灾探测信号数据进行后验 差检验，以检验利用所述灰色预测模型预测生成的火灾探测信号数据是否合格；以及利 用诊断神经网络对合格的火灾探测信号时间序列数据进行诊断，以得到火灾探测结果检 测。根据本发明进一步的实施例，对不合格的时间序列数据建立残差模型修正，进 而进行预测直至合格，其中建立残差模型修正的步骤包括根据火灾探测信号序列的采 样时序获得与火灾探测信号序列对应的时序残差序列；对所述时序残差序列进行灰色模型GM(1，1)建模，以得到对应的时序残差序列预测值；以及利用所述时序残差序列预 测值得到毛(<))，以对不合格的时间序列数据进行修正。根据本发明进一步的实施例，所述灰色GM(1，1)建模的步骤包括对所述火 灾探测信号序列进行一次累加；在一次累加后的序列基础上建立白化形式的微分方程； 根据该微分方程求解出一次累加后的序列对应的下一时刻的预测值；以及对所述预测值 进行一次累减运算，得到对应下一时刻的火灾探测信号数据预测值。根据本发明进一步的实施例，所述后验差检验步骤包括计算采集的原始火灾 探测信号序列的第一平均值和第一方差；计算每个原始火灾探测信号与其对应预测值之 间残差，以及整个原始火灾探测信号序列对应的所有残差的第二平均值和第二方差；以 及利用所述第一方差与所述第二方差得到后验差比值，以及利用所述残差、所述第二平 均值以及所述第一方差得到小误差频率，以进行后验差检验。根据本发明进一步的实施例，利用诊断神经网络对合格的火灾探测信号时间序 列数据进行诊断的步骤包括利用预定数量的学习样本作为输入和输出样本对神经网络 进行离线训练，直至网络收敛以得到所述诊断神经网络，其中所述输入样本为包括烟气 温度、烟气浓度和一氧化碳CO浓度的火灾探测特征信号，所述输出样本包括定义好的与 所述输入样本对应的明火概率、火灾危险性和阴燃概率；以及将所述合格的火灾探测信 号时间序列数据输入到所述诊断神经网络。根据本发明进一步的实施例，还包括对诊断神经网络检测的火灾探测结果中的 模糊集的火灾概率进行模式识别的步骤，其中所述模式识别步骤包括分别计算火灾探 测结果的火灾模糊集和非火灾模糊集的正态分布隶属函数值；比较火灾模糊集的正态分 布隶属函数值与非火灾模糊集的正态分布隶属函数值大小；以及根据比较结果确定最终 火灾识别。本发明通过采用较低的阈值和趋势设定，排除了正常环境变化的干扰，由于等 维新信息灰色模型对后期火灾信号发展的预测，使得该算法适用于贫信息、弱信息的场 所，模糊神经网络的自适应性、学习能力、容错能力和并行处理能力，使得网络能够充 分利用给出的特征信号值，给出可靠的故障诊断，同时多信息融合的火灾探测技术减少 了误报率。因此，适用的范围更加广泛并能给出比其他火灾探测算法更早、更准确的报 警信号。本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中 变得明显，或通过本发明的实践了解到。
本发明的上述和/或附加的方面和优点从下面结合附图对实施例的描述中将变 得明显和容易理解，其中图1为本发明实施例的多信息融合火灾探测方法流程图。
具体实施例方式下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至 终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。现在参考图1，该图为本发明实施例的多信息融合火灾探测方法流程图。包括以 下步骤步骤102，对现场周期采集的火灾探测特征信号进行例如趋势和阈值判断的预处 理，排除由于正常环境变化产生的不合理数据。现场探测器采集的数据先经过阈值和趋势算法判定，这里阈值和趋势的设定要 远低于采用阈值型或者趋势型探测器报警值。此设定主要目的是过滤掉探测场所内由于 正常环境变化产生的不合理数据。步骤104，根据预处理后的原始火灾探测信号序列进行灰色模型GM(1，1)建 模，对后续时间点的火灾探测信号数据进行预测，以得到等维的新信息灰色预测模型。设剔除不合理数据后周期采集到的火灾探测信号序列为x(°) x(°)=丨x(°) (1)， x(°)(2)，…，x(0) (i),…，χ(0) (η)},对其进行一次累加(I-AGO)以生成序列χω χω =
{χ ⑴(1)，χ ⑴(2)，…，χ ⑴(i)，…，χ ⑴(n)}，其中 x(1)⑷二 i>(°)(0,k= 1，2，…，η。
(=1式中5 =
Yn= (χ(0) (2)，χ(0) (3)，…，χ(ω (η))τ,对于生成的序列χ⑴可以建立白化形式的微分方程，它成为一阶灰色微分
Λ·⑴
方程，记为GM(1，1):丨+ αχ(1) 二 u,其中&和1!为待定参数。该方程的解为
dt
χ⑴(A: +1) = 0(1) (1) — u / d)eak + w / α ,该式称为时间响应方程。记参数列为A = [a, uf,可以利用最小二乘法求解A A = (BtB)4BtYi^
权利要求
1.一种多信息融合火灾探测方法，其特征在于，所述方法包括以下步骤对从现场周期采样得到的火灾探测信号序列进行预处理，排除由于正常环境变化产 生的不合理数据；根据预处理后的原始火灾探测信号序列进行灰色模型GM(1，1)建模，对后续时间 点的火灾探测信号数据进行预测，以得到等维的新信息灰色预测模型；利用原始火灾探测信号序列对预测得到的火灾探测信号数据进行后验差检验，以检 验利用所述灰色预测模型预测生成的火灾探测信号数据是否合格；以及利用诊断神经网络对合格的火灾探测信号时间序列数据进行诊断，以得到火灾探测 结果检测。
2.如权利要求1所述的多信息融合火灾探测方法，其特征在于，对不合格的时间序列 数据建立残差模型修正，进而进行预测直至合格，其中建立残差模型修正的步骤包括根据火灾探测信号序列的采样时序获得与火灾探测信号序列对应的时序残差序列； 对所述时序残差序列进行灰色模型GM(1，1)建模，以得到对应的时序残差序列预 测值；以及利用所述时序残差序列预测值得到残差修正后的数值毛W，以对不合格的时间序列数 据进行修正。
3.如权利要求1所述的多信息融合火灾探测方法，其特征在于，所述灰色GM(1，1) 建模的步骤包括对所述火灾探测信号序列进行一次累加；在一次累加后的序列基础上建立白化形式的微分方程；根据该微分方程求解出一次累加后的序列对应的下一时刻的预测值；以及对所述预测值进行一次累减运算，得到对应下一时刻的火灾探测信号数据预测值。
4.如权利要求1所述的多信息融合火灾探测方法，其特征在于，所述后验差检验步骤 包括计算采集的原始火灾探测信号序列的第一平均值和第一方差； 计算每个原始火灾探测信号与其对应预测值之间残差，以及整个原始火灾探测信号 序列对应的所有残差的第二平均值和第二方差；以及利用所述第一方差与所述第二方差得到后验差比值，以及利用所述残差、所述第二 平均值以及所述第一方差得到小误差频率，以进行后验差检验。
5.如权利要求1所述的多信息融合火灾探测方法，其特征在于，利用诊断神经网络对 合格的火灾探测信号时间序列数据进行诊断的步骤包括利用预定数量的学习样本作为输入和输出样本对神经网络进行离线训练，直至网络 收敛以得到所述诊断神经网络，其中所述输入样本为包括烟气温度、烟气浓度和一氧化 碳CO浓度的火灾探测特征信号，所述输出样本包括定义好的与所述输入样本对应的明火 概率、火灾危险性和阴燃概率；以及将所述合格的火灾探测信号时间序列数据输入到所述诊断神经网络。
6.如权利要求1或5所述的多信息融合火灾探测方法，其特征在于，还包括对诊断神 经网络检测的火灾探测结果中的模糊集的火灾概率进行模式识别的步骤，其中所述模式 识别步骤包括分别计算火灾探测结果的火灾模糊集和非火灾模糊集的正态分布隶属函数值； 比较火灾模糊集的正态分布隶属函数值与非火灾模糊集的正态分布隶属函数值大 以及根据比较结果确定最终火灾识别。
全文摘要
本发明公开了一种多信息融合火灾探测方法，包括以下步骤对从现场周期采样得到的火灾探测信号序列进行预处理，排除由于正常环境变化产生的不合理数据；根据预处理后的原始火灾探测信号序列进行灰色模型GM(1，1)建模，对后续时间点的火灾探测信号数据进行预测，以得到等维的新信息灰色预测模型；利用原始火灾探测信号序列对预测得到的火灾探测信号数据进行后验差检验，以检验利用灰色预测模型预测生成的火灾探测信号数据是否合格；以及利用诊断神经网络对合格的火灾探测信号时间序列数据进行诊断，以得到火灾探测结果检测。本发明能够提供可靠的故障诊断以及降低火灾探测结果的误报率。
文档编号G08B17/00GK102013148SQ201010529308
公开日2011年4月13日 申请日期2010年10月28日 优先权日2010年10月28日
发明者张永明, 方俊, 王彦, 王进军 申请人:中国科学技术大学