今日頭條
官方微信
官方抖音
案例頻道
1 引言
火災屬于電廠中的重大惡性事故之一，嚴重影響了電力生產的正常運行。特別是隨著機組容量的不斷增大，電源線和各種控制線路越來越龐雜，再加上有的部位會出現煤粉沉積，極易發生火災事故。火災探測是一個非結構性的問題，它與火災種類、材料結構、環境等因素密切相關，因此，單一傳感器或多傳感器僅采用簡單的信號處理方法想要迅速的區別火災和環境干擾信號是極其困難的。
模糊模式識別[1,2]、神經網絡[3,4]等智能算法的采用，不僅使系統及數據可能性更高，性能上大大超過依靠單一傳感器的系統，而且系統能響應多種的火災現象特征。由于單獨采用模糊方式提取完整可靠的模式識別規則是非常困難的，而神經網絡具有自學習、自適應的能力，但是受到訓練樣本數量的限制。
為此，本文將基于D-S證據理論的多傳感器信息融合技術引入到火災探測領域，D-S證據推理作為Bayes估計的推廣，可以更為有效和合理地處理不確定性推理的問題，而將之用于信息融合，可以有效的處理傳感器所得信息的不確定性，從而大大提高了火災檢測的準確程度。
2 火災檢測方法及傳感器特性分析
火災檢測以物質燃燒過程中產生的各種火災現象為依據，以實現早期發現火災為前提。分析普通可燃物的火災特點，以物質燃燒過程中發生的能量轉換和物質轉換為基礎，可形成不同火災檢測方法。
煙霧是火災的早期現象，利用感煙式火災檢測器可以最早感受火災信號，即火災參數，所以感煙式傳感器是目前世界上應用較普及、數量較多的火災檢測器。據了解，感煙式傳感器可以檢測 70% 以上的火災。最常用的感煙式火災檢測器是離子感煙式傳感器和光電感煙式傳感器。
另外，溫升也是火災發生的重要特征之一，根據物質燃燒所釋放出的熱量引起的環境溫度升高或其變化率的大小，通過熱敏元件與電子線路來探測火災，可在火災陰燃階段的中后期及火焰燃燒階段和有較大溫度變化的火災危險環境下實現有效的火災探測。所以溫度傳感器也是一種有效的火災探測器。
因此，根據這些傳感器的不同特性（如表1所示），實現優勢互補，該多傳感器系統的現場數據采集部分由溫度傳感器、離子感煙傳感器和光電感煙傳感器構成（如圖1所示）。
表1 不同種類火災檢測傳感器特性
3 多傳感器信息融合算法
將D-S證據理論應用于多傳感器信息融合，從以上三個傳感器獲得的相關輸出就是該理論中的證據，它可構成待識別目標模式的信度函數分配，表示每個目標模式假設的可信程度，每一傳感器形成一個證據組。所謂多傳感器信息融合，就是通過 D-S聯合規則聯合幾個證據組形成一個新的綜合證據組，即用D-S聯合規則聯合每個傳感器的信度函數分配形成融合的信度函數分配，從而為目標模式的決策提供準確的綜合信息，如圖1所示。
圖1 基于D-S證據理論的多傳感器融合算法
3.1 信度函數基本概念
證據理論的論域成為識別框架，記為θ；其中包括有限個基本命題，記為{u0，u1，…，ui}；對應于概率論中的基本事件成為基元，它在火災檢測中對應著火災的有/無/不確定三種模式狀態。
設θ為識別框架，如果集合函數m：2θ [0,1]（2θ為θ的冪級）滿足
則稱m為框架θ上的基本概率分配。此處Φ為空集，對于u∈θ，m(u)稱為u的基本概率分配函數。當m(u)≠0時，則稱為焦元，u的基本概率分配函數值反映了對u信任度的大小，即確切地分配到u上的基本概率賦值。
3.2 基本概率分配函數的獲取
基本概率分配表示對目標模式假設的可信程度，是人的一種判斷。這種判斷受各種因素的影響，不同的想法會構成不同的信度函數分配方案，具有一定的主觀性。這里以模糊數學中隸屬函數的形式給出。目標命題模式共有3個，分別為有火災發生、無火災發生、不確定狀態。圖2顯示了某個傳感器（證據）對上述三個目標模式的基本概率賦值。
圖2 基本概率分配函數
3.3 基本概率分配函數的確定
隸屬度函數主要由傳感器本身的工作特性及被測參數的特性而確定。以本文中提到的溫度傳感器（第k條證據）為例，當外界環境正常，無火災發生時，溫度會在一定范圍（T－∞，T1）內變動；有火災發生時，溫度的變化區間變為（T2，T＋∞）。結合文獻[6]的隸屬函數待定系數法和具體實驗結果，定義該各個證據的基本概率分配函數如下：
(3)
(4)
mk3(x)＝1－uk1(x)－uk2(x) T-∞<x<T＋∞ (5)
其中：k=1,2,…,N，其中N為傳感器總數；R為溫度傳感器的可靠度；u1，u2，u3分別對應著有火災發生、無火災發生和不確定三種模式。
3.4 D-S融合算法
根據D-S聯合規則，設m1和m2分別對應于同一識別框架θ上的基本概率分配，焦元分別為A1,…,Ak和B1,…,Bk。設
，則由下式定義的函數m：2θ→[0,1]：
(6)
當A=Φ時，有
m(A)＝0，
(7)
針對本火災檢測模型，焦元A1,…,Ak和B1,…,Bk對應于前述待識別火災模式u1，u2，u3，而m(A)是融合之后分配到各個待檢測的火災模式的基本概率賦值。
4 火災檢測仿真實例
目前的火災檢測系統只能判斷溫度或煙霧濃度是否達到了某種閾值，用于判斷的準則是一個溫度和煙霧濃度的火災靈敏度表，因此智能程度極其低下。將D-S證據理論引入火災檢測，采用上述三個傳感器從不同角度探測，再進行D-S信息融合，以判斷火災的有無，這種方法極大的提高了智能化程度和判別準確度。
4.1 基本概率分配函數具體實現
上面已經給出了一個信度函數分配的例子，結合大量專家經驗以及發生火災事故大量經驗的總結，下面給出所用到的三類傳感器對不同目標模式的基本概率賦值mij(x)。
根據給出的溫度傳感器的例子，設定T－∞＝0，T1＝70，T2＝30，T＋∞＝100，R＝0.95，由公式(3)(4)(5)得到溫度傳感器的基本概率分配函數。
另外兩種感煙式傳感器輸出均為布爾量，檢測到煙霧時的輸出為1，否則為0。同理結合實際經驗和傳感器本身性質，根據選定的閾值，也給出了這兩類傳感器的基本概率賦值。
4.2 決策規則
對應用D-S合成規則得到的最后基本概率賦值至今尚無一個統一的方法，必須具體問題具體分析。在解決此類火災檢測問題時，可采用基于基本概率賦值的決策。即火災類別應用最大的BPA，火災類別BPA和其他類別BPA的差值必須大于某一閾值，不確定區間的程度小于某一閾值。具體描述如下：
假設
滿足：
(8)
(9)
若有
(10)
則A1即為最終決策結果, 其中ε1，ε2為預先設定的閾值。
4.3 多傳感器信息融合實例
為了檢驗信息融合的有效性和正確性，筆者進行了模擬測試實驗。收集各種老化的廢舊電纜進行焚燒，虛擬火災線場，將火災探測器置于火點1000mm的正上方。假設在某一環境條件下，根據各個傳感器的輸出計算出實際的基本概率分配，再按照D-S信息融合算法進行融合，然后分別對單個傳感器和融合結果應用相同的決策規則進行判決（表3）。
由此，可以看出結果的不確定度大大降低，判別準確度獲得了較大的提高。
表2 多傳感器信息融合結果
表3 D-S理論信息融合算法的可靠性檢驗
為了檢驗該火災單元的可靠性，假設靈敏度較高但工作不太穩定的離子感煙傳感器傳感器發生錯誤，但是融合結果并沒有因此而改變，如表3所示。
5 結論
本文針對火災檢測問題，將D-S證據理論應用于多傳感器信息融合。從實驗結果可以看出，只要基本概率分配函數選得合適，并且信號能夠被準確采集，該方法能夠非常準確得出正確結論，系統工作的可靠性得到大幅提升。實際上對于D-S證據理論而言，當融合方法一定時，實際的結果只取決于這三個傳感器輸出對目標模式的基本概率賦值。因此根據專家經驗設計出合理的基本概率分配函數是系統能夠做出準確判斷的關鍵，也是一個值得繼續探討和研究的問題。
其他作者
李洪黨，1998年畢業于河北理工大學工業自動化專業，工程師。
參考文獻
[1] 馬良玉,王兵樹,等. 對分式凝汽器典型故障模式及其神經網絡診斷[J]. 華北電力大學學報,2001,28(2): 40-45.
[2] 唐曉軍,崔波,等. 基于BP神經網絡的凝汽器故障診斷方法研究[J]. 華東電力,2002,(1): 9-11.
[3] Ma Liangyu, Wang Bingshu, ete. Research on Fault Sample Knowledge Abstraction and Fault Fuzzy Diagnosis for Large
Power Station Havling-style Condenser[A]. Power System Technology, 2000. Proceedings. Power Con 2000. International Conference on 2000[C]. 2000. 351-356.
[4] 王培紅,朱玉娜,等. 模糊模式識別在凝汽器故障診斷中的應用[J]. 中國電機工程學報,1999,19(10): 46-49.
[5] 陳虹. 樓宇自動化技術與應用[M]. 北京: 機械出版社, 2003.
[6] 朱大奇. 航空電子設備故障診斷新技術研究[D]. 南京: 南京航空航天大學, 2002.
[7] 孫建業,王輝. BP神經網絡算法的改進[J]. 計算機應用,1995(5):31-32.
[8] 田亮,曾德良,劉鑫屏. 數據融合方法在火災監測系統中的應用[J]. 傳感器技術,2003,22(9):58-59.
北京市公安局海淀分局備案號：11010802023656號