梁燕华+张传斌

摘 要 传统火灾的火灾预警系统是基于单一传感器参数进行监测，从而使火灾的误报、漏报的问题越来越突出。为了减少这种情况的发生，利用BP神经网络数据融合算法把几个体现火灾特征的参数数据进行相关组合，进而全面和精确地判断火灾是否发生，有效地降低误报率。

关键词 BP神经网络；数据融合；火灾预警

中图分类号 TP3 文献标识码 A 文章编号 1674-6708（2017）181-0011-02

火灾的发生是一个综合现象，包括温升、烟雾和气体浓度变化等等，单一类型传感器火灾监测已不能满足人们的需求，所以数据融合理论就应用在火灾监测领域。数据融合理论不是把表示火灾特征的几个参数（温度、烟雾、CO）进行随机组合，而是把这些参数的模拟量转换为数字信号送到火灾控制系统中利用数据融合理论算法进行判断是否发生火灾。本文将采用BP神经网络算法用于多传感器信息的融合，应用更新迭代校正不同传感元件的网络权值系数，获得经过的融合计算后的判定结论，可以快速、及时、准确预警火灾是否发生，进而减少了因火灾引起的经济损失，具有十分重要的现实意义。

1 火灾监测技术

1.1 火灾监测系统的组成

火灾监测系统是由火灾探测器和火灾报警控制系统两部分组成。火灾探测器主要作用是多传感器信息采集及数据处理。火灾报警控制系统的主要作用是接收火灾探测器处理后的信息，并判断火灾是否发生，反馈给工作人员。

1.2 火灾监测技术的工作原理

火灾发生发展的过程与周边的环境密切相关，在火灾发展的过程中火灾特征参数（温度、烟雾和CO浓度等）产生不同程度的变化，火灾监测技术就是根据这些特征参数的变化利用相关的传感器将表征这些参数的物理量（模拟信号）转化为电信号（数字信号），再通过火灾监测算法（本文采用BP神经网络数据融合算法）对数据进行处理，得出结论并判断火灾是否发生。

2 BP神经网络模型

本文所采用的BP神经网络模型，通过网络模型综合运算以及归一化运算过的3个检测参数数值（温度、烟雾、CO浓度）当作数据融合中心的3个输入变量；把火灾划分成明火、阴燃以及无火3类情形，它们各自发生的概率值作为数据融合中心的3个输出变量。具体结构如图1所示。

BP神经网络算法本质就是计算误差函数的最小数。它使用非线性计划中的梯度下降学习规则，依据误差函数的反梯度方向校正网络层的权系数。

3 结果与仿真对比

对所研究算法进行仿真测试，采用的火灾探测器，是使用现场检测装置，通过使用温度传感元件、烟雾浓度传感元件和CO浓度传感元件各自检测收集监测对象火灾现场的温度值、烟雾浓度和CO浓度信息。把这些收集的数据信息通过多传感器信息融合算法计算得到实际火灾发生的概率，判定监测对象是否存在火灾产生，再向火灾预警控制系统发出指令，控制系统的屏幕上将出现经算法判断后的结论，工作人员依据此结论进行下一步工作。

在模拟监测对象明火环境中，温度在3个火灾特征参数中数值最大并变化程度比较小，数据变动较小并趋于平稳，温度参数为验证是否产生明火的最核心参数；烟雾浓度数据值比较低并变动程度小，数据变动很小并趋向平稳；CO浓度数据变化程度比较大。在模拟监测对象火灾阴燃环境下，温度是这3种火灾特征参数中的数值比较小并变化很小；烟雾浓度参数变动波动比较大，表现出快速地上升的走向，烟雾浓度参数是检验是否是阴燃火灾的主要参考参数；CO浓度参数在这3种火灾特征参数中数值最大，数据变动幅度相对平稳，CO浓度参数是判断阴燃火灾的根本性参考参数。在模拟监测对象没有发生火灾的环境下，温度、烟雾、CO浓度的数值都相对较低，而且参数数据变化比较缓慢，相较于火灾的明火环境与阴燃环境下的火灾特征参数，在火灾的无火环境下火灾特征参数数据变动较为平稳。

在模拟监测对象火灾环境下取得的仿真測试数据样本，将测试样本数据通过火灾预警网络算法计算出火灾发生实际概率数值，再与火灾试验期望概率数值进行对比，判断基于多传感器数据融合的火灾预警算法的有效性与准确性。利用BP神经网络模型，计算出实际火灾发生的概率。结果如图2～图4所示。

图2为监测对象的明火环境下火灾产生期望概率输出值与计算得出的火灾产生实际概率输出值的比较图，依据图2可知，监测对象处于火灾的明火环境，火灾产生的概率输出值较高，火灾预警网络算法的火灾产生期望概率输出值与火灾产生实际概率输出值十分近似相等，系统误差值很小，精确度高，可以精确有效地判定明火火灾。

图3为阴燃环境中火灾发生期望概率值与计算得出的火灾发生实际概率值的比较图，依据图3可以看出，火灾预警网络算法的火灾产生期望概率输出值与火灾发生实际概率输出值十分近似相等。它说明了在监测对象火灾的阴燃环境下，火灾预警网络算法的火灾产生期望概率输出值与火灾产生实际概率输出值的曲线近似重合，误差值很小，效果明显，火灾预警网络算法能够快速富有成效地判别监测对象是否产生的是阴燃火灾，达到火灾初期预警的目标。

图4表示在监测对象的没有发生火灾环境下火灾产生期望概率输出值和计算得出的火灾产生实际概率输出值的对比图，依据图3可以了解，在监测对象的没有发生火灾环境下，火灾预警网络算法的火灾产生期望概率输出值与火灾产生实际概率输出值的曲线近似重合，两条曲线基本重合，火灾预警网络算法的实际概率输出值和期望概率输出值之间的误差值很小，说明了火灾预警网络算法有非常高的监测准确度，可以有效辨别监测对象没有发生火灾情形。

4 结论

火灾预警网络算法将在3种火灾环境下传感器系统收集到的测试样本数据做了记忆和处理并进行了归一化计算，然后用仿真曲线图直观地分析了这些参数数据（温度、烟雾、CO）在火灾不同阶段环境的变化趋势。经过基于BP神经网络融合算法进行运算，获得了在模拟火灾的3类环境下火灾的实际发生概率输出值，然后和对应的火灾的期望输出概率输出值进行对比和解析，仿真出火灾实际概率输出值与期望概率输出值的曲线对比图。曲线对比图说明火灾预警网络模型的实际概率输出值与期望概率输出值之间的误差值很小，此算法的准确性高，对监测对象发生火灾状况可以实时迅速地预警及报告，提升了火灾预警的精确度，有效地降低了漏报率及误报率。

参考文献

[1]樊雷松，强彦，赵涓涓，等.无线传感网络中基于BP神经网络的数据融合方法[J].自动化仪表，2014（1）：62-66.

[2]李光，张铁壁.多传感器数据融合技术在火灾报警中的应用[J].河北工业大学学报，2010，39（4）：35-38.

[3]康耀红.数据融合理论及应用[M].2版.西安：西安电子科技大学出版社，2006.