竇甜華 / 張 強（山東同圓設計集團有限公司，山東 濟南 250101）

引言

隨著經(jīng)濟的發(fā)展及人們生活水平的提高，火災發(fā)生的幾率也更高了。人們對居住環(huán)境不僅要求便利，而且要安全。智能建筑由多種服務的子系統(tǒng)集成，其中最重要的一個子系統(tǒng)就是火災探測子系統(tǒng)。火災探測最主要的研究問題之一是在短時間內(nèi)對火災實現(xiàn)低誤報率的檢測。傳統(tǒng)的單物理量火災探測器采用閾值法判別火災，閾值設置過高發(fā)生火災而不報警，造成漏報；閾值設置過低，容易受廚房煙霧、香煙等干擾，造成誤報。因此，由多傳感器構成的多模式/多判據(jù)智能火災探測器被廣泛研究應用。

1 火災探測器的分類

火災發(fā)生時，會產(chǎn)生煙霧、高溫、火焰及可燃性氣體等現(xiàn)象，火災探測器按其探測火災不同的理化現(xiàn)象而分為四大類：感煙探測器、感溫探測器、感光探測器及可燃性氣體探測器；按探測器結構可分為點型和線型。其中感煙探測器主要分兩種：離子感煙探測器和光電感煙探測器。離子感煙式探測器適用于點型火災探測。根據(jù)探測器內(nèi)電離室的結構形式，又可分為雙源和單源感煙式探測器。感溫式探測器根據(jù)其對溫度變化的響應可分為定溫和差溫探測器。

值得注意的是：在火災初期，氣體比煙霧粒子上升快，氣體傳感器的應用有助于火災探測速度和可靠性的提高，且金屬氧化物氣體傳感器具有低成本、微系統(tǒng)集成及壽命長等特點。據(jù)證明CO傳感器能區(qū)分火災的煙霧、烹飪蒸汽或香煙煙霧等。在空氣中多灰塵、水汽和油物的場合經(jīng)常干擾光電傳感器，這個問題也可以通過CO傳感器部分解決；因此，CO傳感器在火災探測中的應用越來越廣泛。美國研究學者采用煙霧傳感器與CO和CO2氣體傳感器相結合的方法用于對飛機貨倉內(nèi)的火災探測。使用煙霧和CO傳感器，煙霧和CO2傳感器測量的上升率算法降低了干擾報警率和報警反應時間[1]。此外，使用各種氣體傳感器陣列構成的智能火災氣體探測器電子鼻具有較高的智能性和可靠性，能更精確地對火源進行分類[2]。

新的探測技術和新材料也被引入火災探測，如：光纖溫度傳感技術適用于大范圍內(nèi)多點溫度測量，為礦井、高速公路隧道等大范圍火災監(jiān)測尋求了新的技術途徑；感溫材料TiNi（鈦鎳）形狀記憶合金做成的熱探測器不僅能實現(xiàn)早期探測，也可開啟粉塵、氣體、泡沫等滅火系統(tǒng)，比較適用于帶有易燃物的全封閉的機艙或車內(nèi)；且在高密度高頻電磁場區(qū)域，相對傳統(tǒng)傳感器工作性能更可靠。

2 火災探測器的選型

火災探測器的選用涉及到的因素主要有火災的類型、火災形成的規(guī)律、建筑物的特點以及環(huán)境條件等。

2.1 按火災地類型選用探測器

火災是一個失去控制的燃燒過程，根據(jù)它的表現(xiàn)形式可分為：慢速陰燃火、明火和快速燃燒。慢速陰燃火出現(xiàn)在火災發(fā)生的最初階段，由于它發(fā)展時間長且趨向模糊，因此是三種形式中最難檢測的。慢速陰燃火產(chǎn)生大量煙和少量熱，火光輻射很弱，常選用感煙式探測器探測。

煙霧粒子較大時宜采用光電感煙式探測器[3,4]；煙霧粒子較小時由于對光的遮擋和散射能力較弱，光電式探測器靈敏度降低，宜采用離子式探測器。

火災形成規(guī)模時，在產(chǎn)生大量煙霧的同時，光和熱的輻射也迅速增加，應將感煙、感光及感溫式探測器組合使用。

對于過程短暫的爆炸性火災，需要使用可燃氣體探測器進行災前報警，或使用感光探測器對爆燃性火災瞬間產(chǎn)生的強烈光輻射做出快速報警[5]。這類火災沒有陰燃階段，燃燒過程中煙霧少，不適宜用感煙式探測器。燃燒過程中雖然有強熱輻射，但總的來說感溫式探測器的響應速度偏慢，不能及時對爆燃性火災做出報警反應。

2.2 按建筑的特點和場合選用探測器

應根據(jù)建筑物特點及場合的不同選用不同的探測器。建筑物室內(nèi)高度不同，對火災探測器的選用有不同的要求。房間高度超過12m時，感煙探測器不適用；房間高度超過8m時，則感溫探測器不適用，適合采用感光探測器。對于較大庫房及貨場，宜用線型激光感煙探測器，而采用其他點型探測器則效率不高。在粉塵較多、煙霧較大的場所，感煙式探測器易出現(xiàn)誤報警，感光式探測器的鏡頭易受污染而導致探測器漏報，因此，在這種場合采用感溫探測器較合適。在較低溫度的場合，宜采用差溫或差定溫探測器，不宜采用定溫探測器。在溫度變化較大的場合，應采用定溫探測器，不宜采用差溫探測器。風速較大或氣流速度大于5m/s的場所不宜采用感煙探測器，使用感光探測器則無任何影響。

2.3 探測器的未來發(fā)展

上述探測器的選用分析，都是基于火災發(fā)生時的局部信息做出的判定，當存在干擾時易出現(xiàn)誤判。隨著各種新工藝、新技術的涌現(xiàn)，復合智能型探測器應運而生。為了排除干擾，更準確、高效的探測火災，多物理量復合而成的傳感器得到越來越廣泛的應用。

3 智能火災探測器的構成與應用

智能火災探測器由微處理器、火災探測器及一些外圍電路組成，根據(jù)探測環(huán)境的不同選用多傳感器復合探測器。選用火災傳感器時應遵循探測區(qū)域內(nèi)火災初期的形成及發(fā)展規(guī)律、誤報原因等，選用不同種類的傳感器。充分發(fā)揮各個傳感器的優(yōu)勢，取長補短，實現(xiàn)信息共享的多元探測。若把能檢測火災特征的各種傳感器全部集成復合會使器件過于復雜，降低微處理器處理數(shù)據(jù)的速度，并且降低報警的準確率。目前，比較成熟的火災探測器是兩種或三種傳感器復合，利用探測器內(nèi)置的微處理器對幾種探測源的數(shù)據(jù)進行綜合評估，最終決定是否報警。

圖1 多傳感器信息融合示意圖

圖2 智能火災探測系統(tǒng)框圖

多傳感器之間的協(xié)調(diào)和性能互補的優(yōu)勢，克服了單個傳感器的不確定性和局限性，提高了整個傳感器系統(tǒng)的有效性能，獲得對被測對象的一致性解釋與描述，進而實現(xiàn)相應的決策與估計，使系統(tǒng)獲得更充分的信息。圖1是多傳感器信息融合的示意圖，傳感器之間的冗余數(shù)據(jù)增強了系統(tǒng)的可靠性，傳感器之間的互補數(shù)據(jù)擴展了單個傳感器的性能。

智能火災探測系統(tǒng)硬件框圖如圖2所示，先通過信號調(diào)理對傳感器輸出信號進行整形、濾波、放大和A/D轉換，再送入微處理器進行信息融合處理，下面詳細介紹多傳感器信息融合算法。

4 智能火災探測器信息融合算法

4.1 多傳感器數(shù)據(jù)融合的層次及功能

與經(jīng)典信號處理方法相比，多傳感器復合處理的信息具有更復雜的形式，且在不同層次上出現(xiàn)。多傳感器數(shù)據(jù)融合可分三個層次:信息層、特征層及決策層。如圖3所示，信息層主要完成原始數(shù)據(jù)的采集與處理；特征層利用信息層的輸出信號進行數(shù)據(jù)融合，找出早期火災發(fā)生和發(fā)展的特征參量；決策層則充分利用特征層輸出的各類特征信息，采用適當?shù)娜诤霞夹g和判斷規(guī)則給出最終火災結果。

圖3 復合火災探測器信息融合結構圖

一般選擇的多傳感器觀測的是多物理量，數(shù)據(jù)只能在特征層或決策層融合。數(shù)據(jù)融合技術用于火災探測，是結合火災特征，利用其獨特的三層結構，更加清晰的處理火災探測器采集的信息。在信息層里首先對單物理量傳感器采集的信息進行局部處理，這樣有利于發(fā)揮各個傳感器的優(yōu)勢，減輕融合中心數(shù)據(jù)處理的復雜度，具有并行分塊處理的優(yōu)點。

4.2 常用多傳感器數(shù)據(jù)融合算法

常用多傳感器數(shù)據(jù)融合算法有：加權平均法、卡爾曼濾波、貝葉斯估計、Dumpster-Shafer證據(jù)推理、模糊邏輯、神經(jīng)網(wǎng)絡、遺傳算法、粗糙集理論等，下面分別介紹：

（1）加權平均法最簡單、直接，這種方法從不同傳感器獲得權值信息，融合結果就是加權平均值。缺點是需要相當長的時間確保權值，而且很難得到最優(yōu)加權平均值。

（2）卡爾曼濾波適用于動態(tài)環(huán)境中的傳感器信息融合。使用測量模型中的遞歸統(tǒng)計方法，根據(jù)各方面的統(tǒng)計數(shù)據(jù)估計最優(yōu)融合數(shù)據(jù)。如果系統(tǒng)動態(tài)模型是線性系統(tǒng)，傳感器噪聲是高斯白噪聲，則卡爾曼濾波可以在數(shù)據(jù)統(tǒng)計方面提供最優(yōu)數(shù)據(jù)融合估計。由于遞歸的特點，這種算法的計算速度快，且需要較少的內(nèi)存空間。

（3）貝葉斯估計是用于靜態(tài)環(huán)境中低層次的多傳感器信息融合方法，它用概率分布法描述信息。貝葉斯估計用于處理帶有不穩(wěn)定的高斯噪聲的信息，這種算法被用于早期傳感器信息融合技術。

（4）Dempster-shafer（DS）證據(jù)推理是貝葉斯估計的推廣。當先前條件是相關的，貝葉斯很難保證一致估計。DS證據(jù)推理使用不穩(wěn)定時間間隔來確定不穩(wěn)定未知先驗概率，從而克服了貝葉斯估計的缺點。該方法成為解決多傳感器信息融合的理論依據(jù)。

（5）模糊邏輯在多傳感器信息融合過程中使用0～1間的數(shù)值直接表示不確定性。模糊邏輯不依賴于數(shù)學模型，所以它可以被用于模型不確定的系統(tǒng)。

（6）基于神經(jīng)、網(wǎng)絡的信息融合是不確定性的推理過程。最佳利用外界環(huán)境信息，這種算法通過大量的學習和推理把不確定性的復雜系統(tǒng)融合成易理解的信號，具有兼容性和計算快等優(yōu)點。目前神經(jīng)網(wǎng)絡以其很強的環(huán)境適應性、學習能力、容錯能力和并行處理能力在火災探測系統(tǒng)中被廣泛應用，使信號處理過程更接近人的思維活動，使火災探測具有智能化。

（7）遺傳算法(GA)具有較強的全局搜索能力，且簡單通用、魯棒性強，但擬合度函數(shù)變化較大, 局部搜索能力較弱, 且要求擬合度函數(shù)必須收斂于最小誤差。

（8）粗糙集理論是一種刻畫不完整性和不確定性的工具, 能有效地分析和處理不精確、不一致及不完整等各種不完備信息, 并從中發(fā)現(xiàn)隱含的知識，揭示潛在的規(guī)律。利用粗糙集進行信息融合, 主要利用它對不完整數(shù)據(jù)進行分析和推理，發(fā)現(xiàn)數(shù)據(jù)間的關系、提取有用特征和簡化信息的能力來融合多源復雜信息, 以提高融合速度和進行最優(yōu)化融合算法的選擇, 增強系統(tǒng)的決策能力。

4.3 各種數(shù)據(jù)融合算法的結合使用

為彌補各算法的不足，用于火災探測的多傳感器數(shù)據(jù)融合算法一般采取上述幾種方法相結合，例如文獻[7]描述了一種基于GA的徑向基函數(shù)RBF（Radial Basis Function）神經(jīng)網(wǎng)絡算法用于火災檢測，GA算法用于使RBF神經(jīng)網(wǎng)絡的參數(shù)和結構最優(yōu)化，增強子網(wǎng)絡的自適應能力。為了避免常用的多層前饋網(wǎng)絡BP（back propagation）神經(jīng)網(wǎng)絡算法在訓練時容易陷入局部極小點，收斂速度慢等問題，在算法訓練中常引入適合求取全局最優(yōu)解的遺傳算法GA（Genetic Algorithm），梯度下降法與高斯牛頓法結合的LM（Levenberg Marquardt）算法等。例如文獻[8]介紹的交替使用GA和LM優(yōu)化神經(jīng)網(wǎng)絡，不僅增強了遺傳算法的局部搜索能力，而且避免了神經(jīng)網(wǎng)絡訓練陷入局部極小點。

采用不同的數(shù)據(jù)融合算法，最后輸出結果也不同。如：采用加窗最小二乘法提取CO濃度上升速度加速度和CO2的濃度上升速度作為火災辨識的過程特征信息，決策層采用概率神經(jīng)網(wǎng)絡算法，輸出結果為明火/陰燃火/無火災[6]；采用模糊神經(jīng)網(wǎng)絡算法形成火災預報模型，神經(jīng)網(wǎng)絡的輸出再經(jīng)過模糊判斷，最終得到火災發(fā)生概率。

因為模糊邏輯和神經(jīng)網(wǎng)絡具有一定的互補性，在火災多信息融合算法中人們常將兩種方法相結合，模糊神經(jīng)網(wǎng)絡提高了模糊邏輯的自適應性和神經(jīng)網(wǎng)絡的魯棒性。其中神經(jīng)網(wǎng)絡理論用于火災探測的常用方法有：多層前饋網(wǎng)絡BP（back propagation）、徑向基函數(shù)神經(jīng)網(wǎng)絡RBF (Radical Basis Function)等。模 糊邏輯常采用“If-then”模糊邏輯推理方法，模糊聚類方法等。根據(jù)模糊邏輯和人工神經(jīng)網(wǎng)絡連接的形式和使用功能，兩者融合的形態(tài)可歸納成以下五類：松散型、并聯(lián)型、串聯(lián)型、網(wǎng)絡學習型及結構等價型。

5 結論

火災發(fā)展的過程是一個隨機的不可預測的過程，為降低單一傳感器引起的漏報和誤報，提高火災探測的可靠性，多傳感器復合探測已成為火災探測器發(fā)展的趨勢。隨著微電子、單片機技術的發(fā)展，火災探測器正朝著小型化方向發(fā)展。多傳感器火災探測又促使多信息融合算法具有自學習、自適應、自組織以及容錯能力等功能，各種信息融合算法雖有互補性，但將多個方法結合又會增加算法的復雜度，降低信息處理的效率，因此高效的信息融合算法有待研究。

隨著各種通信協(xié)議的產(chǎn)生，無線傳感器網(wǎng)絡得到越來越廣泛的應用?；跓o線傳感器網(wǎng)絡的火災報警系統(tǒng)可解決布線困難及線路易老化、腐蝕、鼠咬及磨損等問題，目前用于火災報警系統(tǒng)的無線通信協(xié)議主要有藍牙、ZigBee等，但存在通信距離短，可靠性不高等缺點。HART通信基金會HCF已在2007年6月向其會員單位發(fā)布無線HART協(xié)議的正式文本HART7。此標準是全球第一個獲得這一級別國際認證的工業(yè)無線通訊技術。如今無線HART協(xié)議以其可靠性、安全保密及有效的電源管理等優(yōu)點得到了廣泛的關注，用于火災探測指日可待。此外，無線傳感器網(wǎng)絡中的火災定位問題也備受研究者的關注，如何降低無線傳感器網(wǎng)絡火災定位誤差，已成為研究的熱點。

[1]Shin-Juh Chen, David C．Hovde, Kristen A．Peterson,Andre W．Marshall．Fire detection using smoke and gas sensors[J]．Fire Safety Journal 2007 (42): 507–515．

[2]Bancha Charumpom, Michifumi Yoshioka, Tom Fujinaka,Sigeru Omatu．Early Stage Fire Detection Using Reliable Metal Oxide Gas Sensors and Artificial Neural Networks[C]．//IEEE Proceedings of the International Joint Conference．2003 (4):3185–3188．

[3]路海娟．基于信息融合技術的火災報警方法研究[D]．沈陽航空工業(yè)學院．2008．

[4]侯杰，錢稼茹，趙作周，潘鵬．高大空間建筑火災探測及撲救技術發(fā)展思考[J]．華中科技大學學報(城市科學版)．2008, 25(4): 196-201．

[5]李小亞．基于人工智能的數(shù)據(jù)融合技術在火災探測中的應用研究[D]．廣東工業(yè)大學．2005．

[6]仲啟樹，張認成，杜建華．數(shù)據(jù)融合技術在火災早期探測中的應用[J]．華僑大學學報(自然科學版)．2008,29(1):11-13．

[7]Hairong Wang, Weiguo Yang, Huiling Jiang, Yun Wang．Application of Distributed GA-based RBF Neural Network in Fire Detection[C]．// IEEE Proceedings of the 4th International Conference on Natural Computation．2008:398-402．

[8]張長勝, 歐陽丹彤, 岳娜, 張永剛．一種基于遺傳算法和LM算法的混合學習算法[J]．吉林大學學報(理學版)．2008, 46(4):675-680．

[9]張兢，路彥和， 雷剛．基于多傳感器數(shù)據(jù)融合的智能火災預警系統(tǒng)[J]．計算機工程與應用．2006: 206-208．

[10]劉靜．基于ZigBee技術的無線火災報警信息傳輸系統(tǒng)的設計[D]．中南大學．2007（5）．

[11]董廣軍，張永生，戴晨光，范永弘．基于粗糙集的多源信息融合處理技術[J]．儀器儀表學報．2005, 26(8):570-571．