控制网

1  引言

    火灾属于电厂中的重大恶性事故之一，严重影响了电力生产的正常运行。特别是随着机组容量的不断增大，电源线和各种控制线路越来越庞杂，再加上有的部位会出现煤粉沉积，极易发生火灾事故。火灾探测是一个非结构性的问题，它与火灾种类、材料结构、环境等因素密切相关，因此，单一传感器或多传感器仅采用简单的信号处理方法想要迅速的区别火灾和环境干扰信号是极其困难的。

    模糊模式识别[1,2]、神经网络[3,4]等智能算法的采用，不仅使系统及数据可能性更高，性能上大大超过依靠单一传感器的系统，而且系统能响应多种的火灾现象特征。由于单独采用模糊方式提取完整可靠的模式识别规则是非常困难的，而神经网络具有自学习、自适应的能力，但是受到训练样本数量的限制。

    为此，本文将基于D-S证据理论的多传感器信息融合技术引入到火灾探测领域，D-S证据推理作为Bayes估计的推广，可以更为有效和合理地处理不确定性推理的问题，而将之用于信息融合，可以有效的处理传感器所得信息的不确定性，从而大大提高了火灾检测的准确程度。

2  火灾检测方法及传感器特性分析

    火灾检测以物质燃烧过程中产生的各种火灾现象为依据，以实现早期发现火灾为前提。分析普通可燃物的火灾特点，以物质燃烧过程中发生的能量转换和物质转换为基础，可形成不同火灾检测方法。

    烟雾是火灾的早期现象，利用感烟式火灾检测器可以最早感受火灾信号，即火灾参数，所以感烟式传感器是目前世界上应用较普及、数量较多的火灾检测器。据了解，感烟式传感器可以检测 70% 以上的火灾。最常用的感烟式火灾检测器是离子感烟式传感器和光电感烟式传感器。

    另外，温升也是火灾发生的重要特征之一，根据物质燃烧所释放出的热量引起的环境温度升高或其变化率的大小，通过热敏元件与电子线路来探测火灾，可在火灾阴燃阶段的中后期及火焰燃烧阶段和有较大温度变化的火灾危险环境下实现有效的火灾探测。所以温度传感器也是一种有效的火灾探测器。

    因此，根据这些传感器的不同特性（如表1所示），实现优势互补，该多传感器系统的现场数据采集部分由温度传感器、离子感烟传感器和光电感烟传感器构成（如图1所示）。
表1  不同种类火灾检测传感器特性

3  多传感器信息融合算法

    将D-S证据理论应用于多传感器信息融合，从以上三个传感器获得的相关输出就是该理论中的证据，它可构成待识别目标模式的信度函数分配，表示每个目标模式假设的可信程度，每一传感器形成一个证据组。所谓多传感器信息融合，就是通过 D-S联合规则联合几个证据组形成一个新的综合证据组，即用D-S联合规则联合每个传感器的信度函数分配形成融合的信度函数分配，从而为目标模式的决策提供准确的综合信息，如图1所示。

图1  基于D-S证据理论的多传感器融合算法

3.1  信度函数基本概念

    证据理论的论域成为识别框架，记为θ；其中包括有限个基本命题，记为{u0，u1，…，ui}；对应于概率论中的基本事件成为基元，它在火灾检测中对应着火灾的有/无/不确定三种模式状态。

设θ为识别框架，如果集合函数m：2θ     [0,1]（2θ为θ的幂级）满足
                         

    则称m为框架θ上的基本概率分配。此处Φ为空集，对于u∈θ，m(u)称为u的基本概率分配函数。当m(u)≠0时，则称为焦元，u的基本概率分配函数值反映了对u信任度的大小，即确切地分配到u上的基本概率赋值。

3.2  基本概率分配函数的获取

    基本概率分配表示对目标模式假设的可信程度，是人的一种判断。这种判断受各种因素的影响，不同的想法会构成不同的信度函数分配方案，具有一定的主观性。这里以模糊数学中隶属函数的形式给出。目标命题模式共有3个，分别为有火灾发生、无火灾发生、不确定状态。图2显示了某个传感器（证据）对上述三个目标模式的基本概率赋值。

图2   基本概率分配函数

3.3  基本概率分配函数的确定

    隶属度函数主要由传感器本身的工作特性及被测参数的特性而确定。以本文中提到的温度传感器（第k条证据）为例，当外界环境正常，无火灾发生时，温度会在一定范围（T－∞，T1）内变动；有火灾发生时，温度的变化区间变为（T2，T＋∞）。结合文献[6]的隶属函数待定系数法和具体实验结果，定义该各个证据的基本概率分配函数如下：
                                                                                            

      (3)
 
                                                                                           

     (4)

mk3(x)＝1－uk1(x)－uk2(x)   T-∞<x<T＋∞                                 (5)

    其中：k=1,2,…,N，其中N为传感器总数；R为温度传感器的可靠度；u1，u2，u3分别对应着有火灾发生、无火灾发生和不确定三种模式。

3.4  D-S融合算法

    根据D-S联合规则，设m1和m2分别对应于同一识别框架θ上的基本概率分配，焦元分别为A1,…,Ak和B1,…,Bk。设
，则由下式定义的函数m：2θ→[0,1]：

 (6)
当A=Φ时，有
m(A)＝0，(7)

    针对本火灾检测模型，焦元A1,…,Ak和B1,…,Bk对应于前述待识别火灾模式u1，u2，u3，而m(A)是融合之后分配到各个待检测的火灾模式的基本概率赋值。

4  火灾检测仿真实例

    目前的火灾检测系统只能判断温度或烟雾浓度是否达到了某种阈值，用于判断的准则是一个温度和烟雾浓度的火灾灵敏度表，因此智能程度极其低下。将D-S证据理论引入火灾检测，采用上述三个传感器从不同角度探测，再进行D-S信息融合，以判断火灾的有无，这种方法极大的提高了智能化程度和判别准确度。

4.1 基本概率分配函数具体实现

    上面已经给出了一个信度函数分配的例子，结合大量专家经验以及发生火灾事故大量经验的总结，下面给出所用到的三类传感器对不同目标模式的基本概率赋值mij(x)。

    根据给出的温度传感器的例子，设定T－∞＝0，T1＝70，T2＝30，T＋∞＝100，R＝0.95，由公式(3)(4)(5)得到温度传感器的基本概率分配函数。

    另外两种感烟式传感器输出均为布尔量，检测到烟雾时的输出为1，否则为0。同理结合实际经验和传感器本身性质，根据选定的阈值，也给出了这两类传感器的基本概率赋值。

4.2 决策规则

    对应用D-S合成规则得到的最后基本概率赋值至今尚无一个统一的方法，必须具体问题具体分析。在解决此类火灾检测问题时，可采用基于基本概率赋值的决策。即火灾类别应用最大的BPA，火灾类别BPA和其他类别BPA的差值必须大于某一阈值，不确定区间的程度小于某一阈值。具体描述如下：

假设 满足：
(8)
 (9)
若有
                                                                                           
(10)

    则A1即为最终决策结果, 其中ε1，ε2为预先设定的阈值。

4.3  多传感器信息融合实例

    为了检验信息融合的有效性和正确性，笔者进行了模拟测试实验。收集各种老化的废旧电缆进行焚烧，虚拟火灾线场，将火灾探测器置于火点1000mm的正上方。假设在某一环境条件下，根据各个传感器的输出计算出实际的基本概率分配，再按照D-S信息融合算法进行融合，然后分别对单个传感器和融合结果应用相同的决策规则进行判决（表3）。
由此，可以看出结果的不确定度大大降低，判别准确度获得了较大的提高。

    为了检验该火灾单元的可靠性，假设灵敏度较高但工作不太稳定的离子感烟传感器传感器发生错误，但是融合结果并没有因此而改变，如表3所示。

5 结论

    本文针对火灾检测问题，将D-S证据理论应用于多传感器信息融合。从实验结果可以看出，只要基本概率分配函数选得合适，并且信号能够被准确采集，该方法能够非常准确得出正确结论，系统工作的可靠性得到大幅提升。实际上对于D-S证据理论而言，当融合方法一定时，实际的结果只取决于这三个传感器输出对目标模式的基本概率赋值。因此根据专家经验设计出合理的基本概率分配函数是系统能够做出准确判断的关键，也是一个值得继续探讨和研究的问题。

其他作者

    李洪党，1998年毕业于河北理工大学工业自动化专业，工程师。

参考文献

[1] 马良玉,王兵树,等. 对分式凝汽器典型故障模式及其神经网络诊断[J]. 华北电力大学学报,2001,28(2): 40-45.

[2] 唐晓军,崔波,等. 基于BP神经网络的凝汽器故障诊断方法研究[J]. 华东电力,2002,(1): 9-11.

[3] Ma Liangyu, Wang Bingshu, ete. Research on Fault Sample Knowledge Abstraction and Fault Fuzzy Diagnosis for Large
Power Station Havling-style Condenser[A]. Power System Technology, 2000. Proceedings. Power Con 2000. International Conference on 2000[C]. 2000. 351-356.

[4] 王培红,朱玉娜,等. 模糊模式识别在凝汽器故障诊断中的应用[J]. 中国电机工程学报,1999,19(10): 46-49.

[5] 陈虹. 楼宇自动化技术与应用[M]. 北京: 机械出版社, 2003.

[6] 朱大奇. 航空电子设备故障诊断新技术研究[D]. 南京: 南京航空航天大学, 2002.

[7] 孙建业,王辉.  BP神经网络算法的改进[J]. 计算机应用,1995(5):31-32.

[8] 田亮,曾德良,刘鑫屏. 数据融合方法在火灾监测系统中的应用[J]. 传感器技术,2003,22(9):58-59.