火灾早期探测分级预警系统研究

【摘要】：火灾信息具有无法预知、非结构性的特征。传统的探测方法大多通过采集单一的火灾特征参数信息进行识别和判断,但由于干扰因素多,误报率一直比较高。近年来,在探测器的灵敏度、可靠度方面做过许多技术改进,使火灾报警的准确度得到了一定的提高,但还不能满足火灾探测系统的自动化要求。只有对火灾信息尤其是火灾早期信号的固有特征,进行全面、准确的描述才能达到减少或消除误报的目的。因此,通过对火灾发展历程及火灾探测方法的研究,结合火灾探测系统的自身特点,提出了在火灾早期实施分级预警的理论及方法,主要通过采用多传感器数据融合技术及动态模糊神经网络的算法实现火灾早期的分级预警。 由于火灾早期特征信号不止一种,根据信号特点划分三级预警级别。同时,将气敏传感器、一氧化碳气体传感器以及光电感烟传感器相结合,构成多传感器系统,用作于火灾早期信号的提取、辨识、判断。利用动态模糊神经网络理论建立火灾早期信号探测系统模型,并进行模式的识别,根据特征气体及特征烟雾的浓度及变化率进行分级预警。 将动态模糊神经网络应用于火灾早期分级预警系统中,主要是基于动态模糊神经网络学习收敛速度较快,对网络结构具有动态变化的特点,它可以有效的进行系统建模。利用动态模糊神经网络建立火灾早期信号探测系统模型,对火灾早期信号进行提取辨识。通过MATLAB软件进行仿真模拟,得到网络模型输出与系统期望输出的逼近曲线。同时,通过对网络的训练,得到火灾阴燃早、中、晚期三个阶段的火灾发生概率并与RBF神经网络算法得到的结果进行误差对比,证明了利用动态模糊神经网络建立火灾早期信号探测系统模型的可行性,可以有效的实现对火灾早期信号快速、准确的辨识和融合。同时,网络测试的结果证明了利用动态模糊神经网络得到的网络分级输出火灾早期概率与期望概率的误差较小,可以实现火灾早期的分级预警。