刍议电气火灾报警系统及其信号处理

　　摘要：随着电气火灾在发生频率的不断增加，危害的不断加重，研发一种能同时监测电气火灾和常规火灾，将电气线路运行状态监控和报警功能集为一体的电气火灾监控报警系统显得日益重要。论文重点通过对电气火灾信号的特征进行分析得到各种电气火灾信号的处理方法，其中包括传统的电气火灾信号处理方法、用统计算法处理以及智能方法等。并通过各种方法对电气火灾信号进行具体的处理分析各种方法的优缺点，从而找到最适的方法。
　　关键词：电气火灾，报警系统，信号处理
　　
　　电气火灾除了损坏财产、破坏建筑物、导致人员伤亡以外，还将造成大范围、长时间的停电，给人民群众的生命财产带来更大的损失。由于存在触电的危险，电气火灾和爆炸的补救更加困难，这说明搞清楚电气火灾的起因与防范非常重要。随着高新技术的突飞猛进，面对发展的机遇和国际国内市场的竞争挑战，火灾探测报警技术正经历着从单一的探测报警向信息网络化的发展。如何把计算机数据通讯技术及时地运用到电气火灾探测报警系统，以便利用网络协议，充分享用社会信息资源，及时交换系统内部和外部之间的数据信息，从而构成一个动态发展的城市化、社区化的具有多层次功能的火灾探测报警、救援、管理、服务网络信息系统，将是新世纪城市、社区安全保障体系的组成部分，我们对此应有足够的思想准备。相信不久的将来，我国在火灾探测报警技术上将会有质的飞跃，并将在国民经济建设中发挥重要的作用。
　　1电气火灾检测系统设计
　　1.1早期的火灾探测报警
　　这项技术发展趋势针对近年来日益增多电气火灾而造成的高风险、高灾害高损失而提出的，在最开始都是采用开关量来判断火灾信息的。在这个时期一般使用的信号处理方法都是直观法，它是通过对单个传感器的信号进行观察，判断其有无火灾。通过设定一个门限值，凡是超过该门限的则被判断为有火灾，也可以通过电气火灾信号的变化率与门限的大小关系来判断有无火灾。
　　1.2电气火灾探测器报警的网络化
　　如何把计算机数据通讯技术及时地运用到电气火灾探测报警系统，以便利用网络协议，充分享用社会信息资源，及时交换系统内部和外部之间的数据信息，从而构成一个动态发展的城市化、社区化的具有多层次功能的火灾探测报警、救援、管理、服务网络信息系统，将是新世纪城市、社区安全保障体系的组成部分，我们对此应有足够的思想准备。
　　2电气火灾信号的基本特征及预处理
　　在对电气火灾信号进行处理之前，我们应该先了解电气火灾信号的特征。传感器通过对感知电气火灾发生时生成物的各种物理变化或者化学变化的特征来探测电气火灾是否发生，它们可以通过探测烟雾、温度、光辐射以及气体等，来感知电气火灾有没有产生。这样，我们就非常有必要了解电气火灾信号的特征。
　　1）随机性。首先，电气火灾信号存在着随机性，它的输出随着火灾的发展而发生变化，而且火灾的早期状态对于不同的火灾类型又有不同的表现形式。2)非结构性。电气火灾的难检测还在于它的非结构性，由于火灾探测到的信号都是随机信号，它们的统计特性随着时间和环境的变化而发生变化；并且由于火灾情况极少出现，火灾传感器平时探测到的都是非火灾情况下的信号，并且在非火灾情况下的背景噪声非常强，有时与火灾探测信号的特征十分相似。就会容易造成误判。3)趋势特征。通过长期的观测和实验，我们可以知道，电气火灾为未发生的时候传感器的输出信号具有明显的稳态值，而一旦发生了火灾，输出信号就会有明显的正向或者负向变化的趋势特征。
　　2.2电气火灾信号的预处理
　　1）一般滤波法。由于我们采集的火灾信号受到各个方面的影响，环境因素以及人为因素，而这些变化在很多情况下会影响到火灾特征的提取。因此，我们必须在作出火灾分析判断之前先对传感器采集的信号进行预处理，排除各种噪声的干扰。我们可以先通过分析信号的频谱来分析信号主要的频率范围，来滤去噪声。与前面的传感器输入相比较滤波以后仅除去了一些毛刺，结果仍然有很多毛刺，会影响后面的信号处理。所以我们考虑采用自适应滤波器对信号进行处理。
　　2）自适应滤波法。当输入信号的统计特性变化时，自适应滤波器可以自动地迭代来调节自身的滤波器参数，用来满足某种准则的要求，从而实现最好的滤波效果。自适应滤波器有很好的自我调节和自我跟踪能力。自适应滤波器主要分为线性自适应滤波器和非线性自适应滤波器。
　　3智能电气火灾信号处理方法
　　3.1模糊处理算法
　　模糊系统是建立在自然语言的基础上的，由于自然语言中常采用一些模糊的概念，如“温度偏高”，“年纪偏大”等。如何描述这些模糊的概念，并对它们进行分析和推理，这就是模糊集合与模糊逻辑所要解决的问题。考虑到火灾判断的准确性，我们至少需要两个或两个以上的输入变量，我们在这里采用两个传感器的输出信号作为输入，得到的输出是火灾发生的概率。
　　3.2神经网络算法
　　人工神经网络是由一些简单的处理单元组织的大规模并行网络，它是在现代神经生物学和认知科学对人类信息处理研究的成果基础上提出的对人的神经系统的简化、抽象和模拟的模型，在信息处理机制上和传统的数字计算机有着根本的不同，它具有大规模并行模拟处理、连续时间动力学和网络全局作用等特点，信息的存储方式体现在神经元之间联接的分布上，存储区和操作区合二为一。它具有很强的自适应性、学习能力、容错能力和并行处理能力，使得信号的处理过程更加接近人类的思维活动。
　　互联型神经网络是指任意两个神经元之间都可能有连接，也就是说输入信号从某一初始状态开始要在神经元之间反复传递，经过多次变化，直到达到一个稳定状态或者周期振荡状态。互联神经网络可以分为联想存储模型和用于模式识别以及优化的网络。联想存储器是指根据内容进行检索，类似于人的记忆方式。我们可以把下面的数据作为神经网络的输入数据，这样我们可以定义输入向量的格式为:
　　P=[0.21，0.23，0.27，0.29，0.31，0.34，0.61，0.70，0.76;0.21，0.22，0.26，0.29，0.32，0.37，0.73，0.78，0.80]:
　　T=[0.95，0.90，0.70，0.35，0.10，0.05，0.05，0.05，0.05:0.025，0.05，0.20，0.55，0.75，0.85，0.40，0.25，0.15:0.025，0.05，0.10，0.10，0.15，0.15，0.55，0.75，0.80]:
　　即前面的是两个输入神经元，后面的是三个输出神经元。通过比较和经验，我们选择中间层神经元选择12个。训练步数3000，权系数取0.05，0.051上面的随机数，学习率为0.05，最终误差为0.00001。这样我们就可以建立一个期望输出与实际输出的图形来分析神经网络的结果，我们就可以得到下面的图形，其中横坐标为期望输出，纵坐标为网络实际输出，图中的直线是X=Y。
　　              
　　图1神经网络的预期和结果的误差
　　火灾的趋势越来越明显，它很好的描述了从无火灾到阴燃到明火整个火灾发生的过程。从结果可以看出，神经网络是一种很好电气火灾信号的处理方法。但它只提出了火灾发生的概率，并不能直接判断有无火灾，所以仍然需要人为的判断何时发生了火灾。
　　3.3模糊神经网络算法
　　由于模糊系统是以模糊逻辑为基础。但是模糊系统的规则集和隶属函数等设计参数只能靠经验来选择，很难自动设计和调整。神经网络则以生物神经网络模拟为基础，在模拟推理以及自动学习等方面向前发展一步。因此可以用神经网络来构造模糊系统，用神经网络的学习方法，根据输入输出样本自动设计和调整模糊系统的设计参数，实现模糊系统的自学习和自适应能力。模糊系统和神经网络的融合方法，主要有以下几种:(1)松散型，系统中，凡是可以用逻辑规则表示的都用模糊系统描述，其他的用神经网络实现，二者没有直接联系;(2)并联型，模糊系统和神经网络按照并联的方式进行连接;(3)串联型，模糊系统和神经网络按照串联的方式进行连接，两者的前后顺序可以按实际情况确定;(4)网络学习型，这个系统采用模糊系统，只是它的隶属函数通过神经网络的学习来生成和调整;
　　4各种信号处理方法的比较与总结
　　首先，对于传统的火灾信号处理的方法，由于它们一般只是抓住某个火灾信号的特征对火灾情况进行判断，所以必然会忽略很多因素而受到环境噪声等多方面的影响，所以现在一般不再单独采用这些方法进行火灾报警了。所以我们可以采用模糊逻辑和神经网络，它们都是采用一种不精确的方式来处理不精确的信息。比如，我们可以采用代表火灾特征的信息来作为神经网络的输入来训练它，使得它能辨认火灾特征，就可以判断有无火灾了。所以，智能的信号处理方法与前面的方法相比较，可以同时抓住多个火灾信号的特征，大大减少了信号的误判率。最后，我们还采用了神经网络与模糊逻辑相结合的方法，可以看到，结果就可以很明确的得到火灾报警与非火灾信息，这样就可以减少主观判断带来的误差了。
　　参考文献：
　　[1]何建华，杨宗凯，王殊.基于模糊逻辑和神经网络的智能火灾探测.华中理工大学学报，1999，27(6):60~62
　　[2]周长春，陈勇刚.基于人工神经网络的城市火灾事故的预测方法，中国安全科学学报，2005
　　[3]王利清，魏学业.基于模糊神经网络的火灾信号探测方法研究，仪器仪表学报，2001