舒 適，季行健，董紅召

(浙江工業(yè)大學(xué)機(jī)械工程學(xué)院，浙江 杭州 310014)

基于非線性支持向量機(jī)的公交車自燃檢測研究

舒 適，季行健，董紅召

(浙江工業(yè)大學(xué)機(jī)械工程學(xué)院，浙江 杭州 310014)

針對近年來公交車自燃事故頻發(fā)、實(shí)時火災(zāi)檢測困難的問題，引入非線性支持向量機(jī)判別公交車自燃的方法，建立了公交車自燃仿真模型，并通過仿真數(shù)據(jù)對非線性支持向量機(jī)進(jìn)行了訓(xùn)練和驗(yàn)證。驗(yàn)證表明：當(dāng)公交車發(fā)動機(jī)艙室內(nèi)有自燃情況發(fā)生時，該方法能夠迅速、準(zhǔn)確地進(jìn)行識別，對自燃初始階段具有良好的辨別能力。

自燃檢測；公交車；非線性支持向量機(jī)；火災(zāi)仿真

隨著城市公交車保有量和城市高溫天氣增多以及公交車電控系統(tǒng)的復(fù)雜化、集成化不斷加強(qiáng)，公交車在運(yùn)行時發(fā)生自燃事故也不斷增多[1]。近年來國內(nèi)外由于公交車自燃導(dǎo)致的人員傷亡事故屢見不鮮[2]，公交車自燃嚴(yán)重威脅公共安全。因此，研究公交車自燃危險檢測方法，對有效預(yù)防公交車自燃、減少乘客生命財(cái)產(chǎn)損失有著重要的意義。

目前國內(nèi)外針對公交車自燃危險檢測的研究還比較少，對火災(zāi)危險的檢測和預(yù)警主要依靠固定開關(guān)量火災(zāi)報(bào)警器，例如感煙型、感溫型、感光型火災(zāi)探測器[3]。由于公交車運(yùn)行時發(fā)動機(jī)艙室內(nèi)粉塵大、溫度高、噪聲干擾強(qiáng)，傳統(tǒng)閾值比較法難以達(dá)到公交車火災(zāi)檢測的要求，而采用智能化學(xué)習(xí)算法可以提高預(yù)警的準(zhǔn)確率[4]，但缺乏大量的用于自學(xué)習(xí)的數(shù)據(jù)樣本。此外，由于發(fā)生自燃的隨機(jī)性大[5]，已有的火災(zāi)判別方法應(yīng)用時具有反應(yīng)速度慢、不能識別自燃苗頭、使用環(huán)境單一等缺陷。

為解決以上難題，本文引入了非線性支持向量機(jī)對公交車自燃危險進(jìn)行檢測，采用FDS (fire dynamics simulator)軟件模擬不同工況下公交車發(fā)動機(jī)艙燃燒情況，并對此檢測方法的效果進(jìn)行驗(yàn)證。

1 非線性支持向量機(jī)

支持向量機(jī)(SVM)[6]是一種新型的智能學(xué)習(xí)方法，對于二類分類問題線性可分時，該方法通過對樣本集進(jìn)行學(xué)習(xí)，尋找最優(yōu)分類超平面。當(dāng)把此平面作為分類決策面時，它能對不同類別的新樣本做盡可能正確的劃分；當(dāng)樣本非線性可分時，支持向量機(jī)通過非線性映射F：x→Φ(x)將樣本映射到一個高維特征空間，使訓(xùn)練樣本在這個高維空間實(shí)現(xiàn)線性可分。該方法通過選取合適的核函數(shù)，構(gòu)成非線性支持向量機(jī)，實(shí)現(xiàn)樣本從低維空間向高維空間的映射，可以有效解決低維空間數(shù)據(jù)的非線性分類問題，因此非線性支持向量機(jī)算法很適合于火災(zāi)自燃的判別。

非線性核函數(shù)主要包括以下類型[7]。

1)多項(xiàng)式核函數(shù)：K(x,xi)=(x·xi)d，通過d階的多項(xiàng)式實(shí)現(xiàn)樣本到高維空間的映射。

3)Sigmoid核函數(shù)：K(x,xi)=tanh(a+r)，其中a是標(biāo)量，r為位移參數(shù)。

非線性支持向量機(jī)的訓(xùn)練過程是通過求解如下目標(biāo)函數(shù)來實(shí)現(xiàn)的：

式中：ω為最優(yōu)分類超平面的法向量；ξi≥0是松弛變量；C為分類錯誤懲罰因子；xi∈Rd,yi∈{+1,-1},yi是輸入向量xi的類別標(biāo)簽；b是分類超平面的截距，用于調(diào)整置信范圍和經(jīng)驗(yàn)誤差之間的均衡。求解此目標(biāo)函數(shù)是一個凸二次規(guī)劃問題，它的局部最優(yōu)解即為全局最優(yōu)解，可以避免神經(jīng)網(wǎng)絡(luò)求解中存在的局部極小值問題。

通過訓(xùn)練樣本完成對非線性支持向量機(jī)的訓(xùn)練后，可得樣本的SVM判決的分類函數(shù)為：

式中：l是支持向量個數(shù)；ai為支持向量系數(shù)。

2 自燃火災(zāi)判別流程

基于非線性支持向量機(jī)的公交車發(fā)動機(jī)艙自燃判別過程分為2個階段：一是訓(xùn)練階段，通過已知的正常狀態(tài)和火災(zāi)狀態(tài)的特征樣本對非線性支持向量機(jī)進(jìn)行訓(xùn)練，尋得訓(xùn)練樣本的支持向量，從而確定最優(yōu)分類超平面；二是火災(zāi)判別階段，通過訓(xùn)練所得的最優(yōu)分類超平面對測試樣本集作出分類決策?；诜蔷€性支持向量機(jī)的公交車發(fā)動機(jī)艙自燃判別的步驟如圖1所示。

3 公交車自燃火災(zāi)數(shù)值模擬

公交車發(fā)動機(jī)艙室是一個高度集成的復(fù)雜系統(tǒng)，各部件運(yùn)行情況復(fù)雜，難以直接通過部件的運(yùn)行狀態(tài)表征艙室內(nèi)有無自燃危險。由于公交車自燃具有極大的偶然性且獲取自燃數(shù)據(jù)樣本困難，因而采用公交車火災(zāi)仿真的方式對自燃檢測問題進(jìn)行研究。

FDS軟件是美國國家技術(shù)標(biāo)準(zhǔn)局(NIST)火災(zāi)研究室研發(fā)的火災(zāi)場模擬軟件，主要用于求解火災(zāi)過程中環(huán)境的狀態(tài)參數(shù)(溫度、煙霧、氣體濃度等)隨時間的變化情況。本文依據(jù)黃海牌某型12m公交車的實(shí)際尺寸和結(jié)構(gòu)建立火災(zāi)仿真模型，如圖2所示，模型中(包括發(fā)動機(jī)艙)各部件所處的位置與實(shí)際車輛各部件所處的位置相同。

在公交車發(fā)動機(jī)艙室系統(tǒng)自燃火災(zāi)檢測中，為了盡量降低火災(zāi)自燃判別的誤報(bào)率，選擇最能反映火災(zāi)燃燒狀況的指標(biāo)(即溫度、氧氣體積分?jǐn)?shù)、一氧化碳體積分?jǐn)?shù)、煙霧質(zhì)量分?jǐn)?shù))對自燃狀況進(jìn)行研究。

根據(jù)發(fā)動機(jī)艙室內(nèi)可燃物類型和分布位置，將仿真條件設(shè)置為柴油在發(fā)動機(jī)風(fēng)扇開啟和關(guān)閉條件下以及聚氯乙烯顆粒在發(fā)動機(jī)風(fēng)扇開啟和關(guān)閉條件下共4種自燃工況，發(fā)動機(jī)滿載運(yùn)行，柴油、聚氯乙烯顆粒在10s時被瞬間火源觸發(fā)燃燒。仿真實(shí)驗(yàn)結(jié)果如圖3所示。

仿真實(shí)驗(yàn)表明：當(dāng)公交車發(fā)動機(jī)艙室內(nèi)發(fā)生自燃時，艙室內(nèi)的煙霧濃度、氧氣濃度、一氧化碳濃度、溫度在整個燃燒過程中變化響應(yīng)較快；溫度的反應(yīng)時間較氣體反應(yīng)時間有一定的滯后性，但是也能直接反映火災(zāi)的進(jìn)展情況；當(dāng)公交車發(fā)動機(jī)風(fēng)扇在車輛運(yùn)行時啟動，能顯著降低發(fā)動機(jī)艙內(nèi)的溫度和各項(xiàng)氣體濃度，同時由于風(fēng)扇產(chǎn)生的負(fù)壓作用，可以提高對風(fēng)扇處氣體濃度的響應(yīng)速度。因此，煙霧濃度、氧氣體積分?jǐn)?shù)、一氧化碳體積分?jǐn)?shù)、溫度適合作為判別是否自燃的參量，它們在自燃檢測時能更有效地抵抗環(huán)境的噪聲干擾。

4 自燃檢測仿真實(shí)驗(yàn)與結(jié)果分析

根據(jù)公交車不同材料不同工況的自燃仿真數(shù)據(jù)，將火災(zāi)檢測參量按照煙霧濃度、一氧化碳體積分?jǐn)?shù)、溫度、氧氣體積分?jǐn)?shù)的順序建立公交車自燃火災(zāi)探測向量n=[煙霧濃度，一氧化碳體積分?jǐn)?shù)，溫度，氧氣體積分?jǐn)?shù)]。在公交車火災(zāi)自燃進(jìn)展的過程中，各檢測參量波動較大，為了降低火災(zāi)誤報(bào)率，此處選擇檢測參量在仿真開始后0s到20s之間的150組數(shù)據(jù)為訓(xùn)練集，見表1。

非線性支持向量機(jī)中，選用不同的核函數(shù)會得到不同類型的非線性決策面。分別采用多項(xiàng)式核函數(shù)、徑向基(RBF)核函數(shù)和Sigmoid核函數(shù)對公交車發(fā)動機(jī)艙室火災(zāi)信息的采集樣本進(jìn)行訓(xùn)練，訓(xùn)練效果見表2。

選擇不同核函數(shù)對非線性支持向量機(jī)進(jìn)行訓(xùn)練會得到不同的支持向量個數(shù)和識別正確率。從表2可以看出，徑向基核函數(shù)產(chǎn)生的支持向量數(shù)量最少且識別正確率最高，能最好地進(jìn)行樣本的分類。

由于檢測參量受到發(fā)動機(jī)艙中噪聲的干擾，需要選擇合適的分類懲罰因子C，用于平衡信號噪聲導(dǎo)致的火災(zāi)危險誤判，提高系統(tǒng)整體的自燃探測正確率。將訓(xùn)練集數(shù)據(jù)輸入非線性支持向量機(jī)中進(jìn)行訓(xùn)練，通過非線性支持向量機(jī)的判別正確率驗(yàn)證，不斷調(diào)整懲罰因子C的取值。通過多次調(diào)整求得，當(dāng)C=2時，非線性支持向量機(jī)的分類準(zhǔn)確率最高，此時非線性支持向量機(jī)便是最優(yōu)模型。非線性支持向量機(jī)自燃檢測函數(shù)如下：

f(x)=sgn[a·K+b]

(3)

其中：a=[ 0.42 0.39 0.62 0.44 -0.73 -1.23];b= -0.55；

K=[K(x,x1)K(x,x2)K(x,x3)K(x,x4)K(x,x5)K(x,x6)]T;

當(dāng)f(x)>0時，判定為系統(tǒng)有自燃火災(zāi)；f(x)≤0時，判定系統(tǒng)安全。

用訓(xùn)練所得的非線性支持向量機(jī)模型對公交車自燃時的探測參量數(shù)據(jù)進(jìn)行判別，自燃發(fā)生后部分探測參量和判別結(jié)果見表3、表4。

經(jīng)驗(yàn)證，基于非線性支持向量機(jī)模型的公交車自燃判別方法，在不同引燃材料和不同工況下皆能正確檢測公交車發(fā)動機(jī)艙是否有自燃發(fā)生。此方法基本能保證在公交車發(fā)動機(jī)艙自燃發(fā)生20s內(nèi)被檢測出來，正確率近100%，能為公交車自燃火災(zāi)提供更多處理時間。

5 結(jié)束語

本文引入的基于非線性支持向量機(jī)模型的自燃檢測方法，能夠在公交車發(fā)動機(jī)艙室內(nèi)有自燃情況發(fā)生時，迅速、準(zhǔn)確地進(jìn)行識別。由于火災(zāi)發(fā)生是一個瞬變的過程，而檢測參量的變化是一個漸變的過程，在自燃發(fā)生初始的10s內(nèi)，檢測參量的變化不能明顯區(qū)分是火災(zāi)導(dǎo)致的還是噪聲導(dǎo)致的，因而利用多檢測參量間的相互驗(yàn)證作用，可有效降低檢測時瞬時噪聲導(dǎo)致的誤報(bào)、漏報(bào)，使檢測速度更快、更高效，增加了公交車發(fā)動機(jī)艙室內(nèi)自燃初始階段的識別能力。

[1] 董紅召,張飛,季行健. 公交車發(fā)動機(jī)艙室內(nèi)自燃火災(zāi)檢測預(yù)警系統(tǒng)設(shè)計(jì)[J]. 機(jī)電工程,2013(2):240-244.

[2] 陳潔. 大型客車火災(zāi)蔓延規(guī)律數(shù)值模擬研究[D].長沙：中南大學(xué),2014.

[3] 張紅蘭.基于傳感器融合技術(shù)的智能火災(zāi)報(bào)警系統(tǒng)的設(shè)計(jì)[D].廣州：廣東工業(yè)大學(xué),2009.

[4] 王志強(qiáng),李立君,黃雁,等. 基于模糊最小二乘支持向量機(jī)的火災(zāi)信號辨識[J]. 中南大學(xué)學(xué)報(bào)：自然科學(xué)版，2013(1):202-207.

[5]LIUXingpeng,ZHANGJiquan,CAIWeiying,etal.Informationdiffusion-basedspatio-temporalriskanalysisofgrasslandfiredisasterinnorthernChina[J].Knowledge-BasedSystems, 2010,23(1):53-60.

[6]BouhoucheS,YazidLL,HocineS,etal.Evaluationusingonlinesupport-vector-machinesandfuzzyreasoning.Applicationtoconditionmonitoringofspeedsrollingprocess[J].ControlEngineeringPractice, 2010, 18(9):1060-1068.

[7] 徐紅敏.基于支持向量機(jī)理論的水環(huán)境質(zhì)量預(yù)測與評價方法研究[D].長春：吉林大學(xué),2007.

[8]JoachimsT.LearningtoClassifyTextUsingSupportVectorMachines:Methods,TheoryandAlgorithms[M].Norwell,MA：KluwerAcademicPublishers, 2002.

The detection of judging bus self-igniting fire based on nonlinear support vector machines

SHU Shi, JI Xingjian, DONG Hongzhao

(School of Mechanical Engineering, Zhejiang University of Technology, Zhejiang Hangzhou, 310014, China)

There is no effective method of judging bus self-igniting fire presently. This paper introduces a nonlinear support vector machines (NSVM) to judge self-igniting fire. It establishes a bus self-igniting fire simulation model to train and test the NSVM. The test shows that when bus self-igniting occurs, this method can quickly and accurately identify the status. It still has a good ability to detect the initial phase in the development of bus self-igniting fire.

detection of self-igniting; bus; nonlinear support vector machines; fire simulation

10.3969/j.issn.2095-509X.2015.05.018

2015-03-23

國家自然科學(xué)基金資助項(xiàng)目(61174176，61273240)；浙江省科技計(jì)劃項(xiàng)目(2013C33086)

舒適(1988—)，男，湖北鄂州人，浙江工業(yè)大學(xué)碩士研究生，主要研究方向?yàn)橹悄芙煌ㄑ芯俊?/p>

TP24

A

2095-509X(2015)05-0078-04