基于多传感器数据融合技术的隧道火灾预警控制方法及其系统的制作方法.docx

基于多传感器数据融合技术的隧道火灾预警控制方法及其系统的制作方法专利名称：基于多传感器数据融合技术的隧道火灾预警控制方法及其系统的制作方法技术领域：本发明涉及隧道火警预警方法及其系统背景技术：隧道是一种相对特殊的建筑物，一旦发生火灾，逃生和救援工作相当困难因此，高效的隧道火灾预警系统对于消除火灾隐患、保护人民群众的生命和财产安全具有重要的意义目前，常用的隧道火灾报警系统主要采用热敏合金线式、光纤式和双波长火焰探测器式等探测和检测方式而随着传感器技术的发展，多传感器数据融合技术逐步应用到隧道火灾预警系统中与传统火灾探测相比，多传感器数据融合技术能够有效地降低火灾预警系统的漏报率但是，现有文献报道的采用多传感器数据融合技术的隧道火灾预警系统只是将各个独立的传感器做简单的并列、叠加处理如《一种新型隧道火灾预警系统及控制方法》(公开号:CN200610025959.6)仅将火焰传感器、温度传感器、烟雾传感器并列分布在预警系统上各个传感器只是独立的检测对应的信号，然后系统将采集自传感器的信号值与固定阈值进行比较以判断是否有火灾发生这种方法的不足之处在于预警系统无法感知环境参数的变化有些隧道火灾预警系统考虑到了环境参数变化对系统性能的影响，如《城市长隧道监控系统中的多传感器融合方法》(公开号:CN200710052839.X)。

但是这种方法将环境因素与火灾报警分开考虑，用于不同的报警模块，而并未将两者有机的结合在一起，达到精确火灾预警的目的发明内容本发明要解决现有隧道火灾预警系统中传感器设置结构单一、系统感知环境参数变化性能不足、系统报警阈值无法根据环境参数变化调整的缺点，提出了一种新型的基于多传感器数据融合技术的隧道火灾预警控制方法及系统1.基于多传感器数据融合技术的隧道火灾预警系统控制方法包括:I)主传感器组历史数据记录，数据处理装置以5分钟为时间间隔记录过去24小时内的主传感器组数据；2)定时读取副传感器组数据，数据处理装置以60分钟为时间间隔定时读取副传感器组数据；3)神经网络，指数据处理装置通过预置的一种运算规则，以主传感器组历史数据和副传感器组数据作为输入数据，计算得到当前环境参数下的主传感器组火灾阈值；4)计算结果回传，指数据处理装置将当前环境参数下的主传感器组火灾阈值传输到现场检测装置5)由现场检测装置执行的控制，包括:5.1)主传感器组火灾阈值修正，指现场检测装置将数据处理装置的回传结果设置为当前的主传感器组火灾阈值；5.2)火灾发生判断，指现场检测装置将当前主传感器组的信号量与火灾阈值进行比较。

如果连续3次检测到当前主传感器组的信号量超出火灾阈值，那么判定火灾发生；否则，判定没有火灾发生2.如权利要求1所述的方法，其特征在于:所述的步骤3)神经网络，包括ー种复合神经网络模型，所述的复合神经网络模型分为两大部分:主神经网络和辅神经网络；所述辅神经网络根据辅神经网络输入和权值决定并输出主神经网络中隐含层和输出层的各个权值，所述主神经网络根据主神经网络的输入和权值决定和输出火灾阈值；其中，主神经网络和辅神经网络通过主神经网络的权值和辅神经网络的输出相联系；对于复合式BP神经网络隐含层节点个数，通过改变隐含层节点数，找出网络误差的极小值，从而确定该网络隐含层节点数3.如权利要求2所述的方法，其特征在于:复合神经网络模型的应用过程分为:A.权值嵌套的复合式BP神经网络的具体训练，复合BP神经网络每半年进行一次训练，训练数据除原有数据外，还增加半年内该隧道记录数据日常值嵌套的复合式BP神经网络的具体计算，神经网络通过学习和训练得到最終总输入输出关系，半年内火灾预测情况由该输入输出关系得到，最终输出为火灾阀值4.如权利要求3所述的方法，其特征在于:步骤A所述权值嵌套的复合式BP神经网络的具体训练步骤如下:Al初始化，置辅助网络的权值系数为随机数；A2将传感器数据尺度变换，得到的主辅神经网络的输入；A3通过辅助网络得到输出，将输出数据尺度变换，得到主神经网络的各个权值；A4主神经网络根据网络的权值计算出最终输出；A5计算主神经网络输出和期望的误差，并反向传播回主神经网络，得到调整后的权值；A6将主神经网络调整后的权值尺度变换后作为辅神经网络的输出期望，并计算辅神经网络输出与期望的误差；A7反向传播回辅神经网络，调整网络的权值，并返回计算步骤4)，直到误差满足要求。

5.如权利要求4所述的方法，其特征在于:步骤B所述日常值嵌套的复合式BP神经网络的具体计算步骤如下:BI置辅助网络的权值系数为训练得出的权值系数；B2将传感器数据尺度变换，得到的主辅神经网络的输入；B3通过辅助网络得到输出，将输出数据尺度变换，得到主神经网络的各个权值；B4主神经网络根据网络的权值和输入计算得出火灾阈值6.如权利要求5所述的方法，其特征在于:所述的神经网络模式引入温度主导的自动调整机制，以增强极端天气下的系统稳定性，具体方法如下:在保证初始阶段的复合BP神经网络的模式正确的基础上，传感器收集数据，然后通过复合BP神经网络计算输出结果；当结果属于无火势时，系统可以把温度传感器的数据传送到一个简单的判断处理器若系统一直显示无火，那么温度数据可以每隔30s传送判断一次；具体判断规则如下:O t30 0Ct是温度，f(t)是模式状态当f (t)=0时，复合神经网络的权值是在较低温的情况下训练出来的，所以系统能很好地在低温情况下反映计算出真实的外部火灾情况，这时的复合神经网络选择低温模式当f(t)=l时系统选择正常温度模式，这时的复合神经网络的权值是在正常温度的情况下训练出来的，这时系统能很好地拟合周围环境并输出正确的情况。

当f(t) >30度时，系统选择高温模式，这时的复合神经网络的权值是在温度较高的情况下训练出来的，这时系统能很好地拟合高温环境并输出正确的情况7.如权利要求1所述的方法的专用隧道火灾预警系统，其特征在于:由现场检测装置、数据处理装置以及报警显示装置构成；其中，现场检测装置用于收集隧道中的各类环境参数，根据主传感器组信号是否超出火灾阈值判断是否有火灾发生，并通知数据处理装置；数据处理装置用于根据副传感器组信号，调整主传感器组信号的火灾阈值，并且将调整后的火灾阈值回传到现场检测装置同时，在收到现场检测装置的报警信息后，数据处理装置将控制报警显示装置报警；报警显示装置由通用的报警灯、蜂鸣器等组成，用于向人们提供声、光报警信息；所述现场检测装置，包括主传感器组、副传感器组、信号调理电路、无线通讯模块和天线、微控制器、存储电路、复位电路、晶振电路、时钟电路和电源部分；其中所述主传感器组由多个烟雾传感器和多个火焰传感器组成，用于直接检测火灾发生的主要特征信息；所述副传感器组由一个温度传感器、一个光强度传感器和一个湿度传感器组成，用于检测隧道的环境参数信息；所述信号调理电路用于将主传感器组和副传感器组采集的信号做放大、滤波或者模拟-数字转换处理，以适合微控制系统进行各个传感器的信号收集；所述无线通讯模块和天线用于将信息以无线的方式进行收发处理；所述的微控制器、存储电路、复位电路、晶振电路、时钟电路构成一个完整的微控制系统，该系统可读取信号调理电路的输出信号、控制无线通讯模块的数据传输，并且具有改变主传感器组的火灾阈值、根据主传感器组的信号变化量是否超过火灾阈值判断火灾是否发生的功能；所述的电源部分用于向主传感器组、副传感器组、信号调理电路、无线通讯模块和微控制系统提供各自需要的稳定的电压或者电流；所述数据处理装置由嵌入式处理器、存储电路、复位电路、晶振电路、时钟电路、液晶显示电路、按键输入电路、报警装置驱动电路和电源部分组成；所述嵌入式处理器、存储电路、复位电路、晶振电路和时钟电路组成一个完整的高性能的嵌入式系统；该嵌入式系统能够根据现场检测装置发送来的报警信息控制报警装置驱动电路；同时，能够根据副传感器组的信号变化量调整主传感器组的火灾阈值，并将调整后的火灾阈值回传到现场检测装置；所述液晶显示电路用于显示嵌入式系统的参数信息。

所述按键输入电路用于设置嵌入式系统的工作参数所述报警装置驱动电路用来驱动报警显示装置；所述电源部分用来给嵌入式系统、液晶显示电路、按键输入电路和报警装置驱动电路提供稳定的电压或者电流与现有各类文献中提出的方法相比，本发明的突出优势在于:1)具有层次化的传感器设置结构，即将烟雾传感器和火焰传感器设置为主传感器组，将温度传感器、光强传感器和湿度传感器设置为副传感器组主传感器组用于检测火灾发生的主要特征；副传感器组用于检测隧道内环境參量的变化2)具有动态、灵活的火灾阈值调整方法，即采用神经网络计算的方法，对主传感器组的历史数据和副传感器组的当前数据进行分析，得到适合当前环境參数的火灾阈值并且用新的火灾阈值替换原有的火灾阈值本发明能够有效地降低因隧道环境变化而引起的火灾判定误差，降低隧道火灾预警系统的错报率与漏报率图1隧道火灾预警系统结构示意2现场检测装置结构示意3数据处理装置结构示意4权值嵌套的复合式BP神经网络模型图具体实施例方式參照附图:1.基于多传感器数据融合技术的隧道火灾预警系统控制方法包括:I)主传感器组历史数据记录，数据处理装置以5分钟为时间间隔记录过去24小时内的主传感器组数据；2)定时读取副传感器组数据，数据处理装置以60分钟为时间间隔定时读取副传感器组数据；3)神经网络，指数据处理装置通过预置的一种运算规则，以主传感器组历史数据和副传感器组数据作为输入数据，计算得到当前环境參数下的主传感器组火灾阈值；4)计算结果回传，指数据处理装置将当前环境參数下的主传感器组火灾阈值传输到现场检测装置。

5)由现场检测装置执行的控制，包括:5.1)主传感器组火灾阈值修正，指现场检测装置将数据处理装置的回传结果设置为当前的主传感器组火灾阈值；5.2)火灾发生判断，指现场检测装置将当前主传感器组的信号量与火灾阈值进行比较如果连续3次检测到当前主传感器组的信号量超出火灾阈值，那么判定火灾发生；否则，判定没有火灾发生2.如权利要求1所述的方法，其特征在于:所述的步骤3)神经网络，包括一种复合神经网络模型，所述的复合神经网络模型分为两大部分:主神经网络和辅神经网络；所述辅神经网络根据辅神经网络输入和权值决定并输出主神经网络中隐含层和输出层的各个权值，所述主神经网络根据主神经网络的输入和权值决定和输出火灾阈值；其中，主神经网络和辅神经网络通过主神经网络的权值和辅神经网络的输出相联系；对于复合式BP神经网络隐含层节点个数，通过改变隐含层节点数，找出网络误差的极小值，从而确定该网络隐含层节点数3.如权利要求2所述的方法，其特征在于:复合神经网络模型的应用过程分为:A.权值嵌套的复合式BP神经网络的具体训练，复合BP神经网络每半年进行一次训练，训练数据除原有数据外，还增加半年内该隧道记录数据日常值嵌套的复合式BP神经网络的具体计算，神经网络通过学习和训练得到最终总输入输出关系，半年内火灾预测情况由该输入输出关系得到，最终输出为火灾阀值。

4.如权利要求3所述的方法，其特征在于:步骤A所述权值嵌套的复合式BP神经网络的具体训练步骤如下:Al初始化，置辅助网络的权值系数为随机数；A2将传感器数据尺度变换，得到的主辅神经网络的输入；A3通过辅助网络得到输出，将输出数据尺度变换，得到主神经网络的各个权值；A4主神经网络根据网络的权值计算出最终输出；A5计算主神经网络输出和期望的误差，并反向传播回主神经网络，得到调整后的权值；A6将主神经网络调整后的权值尺度变换后作为辅神经网络的输出期望，并计算辅神经网络输出与期望的误差；A7反向传播回辅神经网络，调整网络的权值，并返回计算步骤4)，直到误差满足要求5.如权利要求4所述的方法，其特征在于:步骤B所述日常值嵌套的复合式BP神经网络的具体计算步骤如下:BI置辅助网络的权值系数为训练得出的权值系数；B2将传感器数据尺度变换，得到的主辅神经网络的输入；B3通过辅助网络得到输出，将输出数据尺度变换，得到主神。