一种基于多传感器数据融合的火灾探测方法及系统

技术领域

本发明涉及多传感器数据融合技术领域，尤其涉及一种基于多传感器数据融合的火灾探测方法及系统。

背景技术

传统的火灾探测器多为单一的传感器，如温度等，但凭借一个数据源来检测结果并不是很理想，很容易造成误报和漏报。从原则上看，较之单个数据源，多数据源的传感器数据融合更加能够提高观测的准确度。多源传感器数据融合技术的基本原理是最大限度地利用多个传感器资源，对不同位置的多个同质或异质传感器提供的不完整数据进行整合，并根据特定基准补充在时间或空间上的冗余或互补信息，用来减少不确定性，形成相对完整的解释和描述。

近年来，不单单在军事领域发展迅速，多源传感器数据融合技术还在非军事领域里有了一席之地。在非军事领域应用中，主要包括设备监控、智慧医疗、智能家居、可穿戴设备、机器人、物联网等。多传感器数据融合可以帮助提高火情探测的准确性和可靠性，具有以下意义：

(1)提高火情探测的灵敏度：不同传感器可以针对不同的物理量进行探测，通过数据融合整合各类信息，提高火情探测的灵敏度。比如，红外传感器可以探测到火源的热辐射。

(2)增强火情探测的鲁棒性：单一传感器可能会受到环境噪声、干扰等因素的影响，而多传感器数据融合可以降低这种影响，提高火情探测的鲁棒性。比如，通过多个热传感器的数据融合可以减少温度梯度和热噪声的影响。

(3)提高火情识别的准确性：通过融合不同传感器的数据，可以获得更为全面、准确的火情信息，提高火情识别的准确性。

(4)优化火情监测的实时性：多传感器数据融合可以提高数据采集和处理的效率，加快火情信息的传输和处理速度，优化火情监测的实时性。

通常而言，在老旧小区居民楼走廊多为H型区域的环境中，已有的传感器定位方法主要集中为WiFi和测距RSSI。但运用两种方法操作较为繁琐，且需要在区域内布置大量的锚节点，对于老旧小区的走廊环境费时费力，且准确性不高，因此，基于多传感器数据融合结合使用基于WSN的路由节点度模型来进行老旧小区火灾探测是技术人员需要考虑的问题。

发明内容

针对现有技术中存在的技术问题，本发明提供一种基于多传感器数据融合的火灾探测方法及系统，目的是提供一种准确性高，具有实时探测功能的火灾探测方法，用于老旧小区环境下的火灾探测。

根据本发明的第一方面，本发明提供一种基于多传感器数据融合的火灾探测方法，包括以下步骤：

建立老旧小区居民楼模拟仿真三维模型，基于三维模型进行室内着火仿真模拟；

根据仿真得出的火灾蔓延规律，在房间内和走廊布置传感器，建立路由节点度模型；

基于路由节点度模型和距离无关定位算法得到传感器最佳布局，构建传感器网络；将传感器网络采集到的数据进行标准化处理，并删除置信度不足的误差数据；

利用自适应分布卡尔曼滤波器算法结合多个卡尔曼滤波器的数据，进行火灾探测系统的初步融合，得到最优的融合数据,利用模糊贝叶斯逻辑推理算法进行决策融合，再进行反模糊化处理，得到输出值判断火灾发生的情况。

在上述技术方案的基础上，本发明还可以作出如下改进。

可选的，所述老旧小区居民楼模拟火灾工况场景设置分为房内与走廊两大类进行仿真，设置房间内与走廊的不同起火点，选用火源类型为快速火；所述模拟过程为：模拟房间家具和走廊堆积老化的电线引发的火灾，将监测点分别设置在居民楼模型每层住户的门口和每一层的楼梯口和楼梯的拐角处，分别测量温度、能见度和CO浓度参数。

可选的，所述建立老旧小区居民楼模拟仿真三维模型包括：使用Pyrosim仿真软件建立老旧小区居民楼三维模型。

可选的，所述在房间内和走廊布置传感器包括：

在居民楼走廊布置少量的锚节点，并根据节点度，在走廊的两边均匀交错的布置普通路由节点，构成路由节点度模型，进而完成整个传感器网络的布置；所述锚节点为位置已知的路由节点，普通路由节点为位置未知的路由节点，所述节点度为路由节点的邻居路由节点的个数。

可选的，所述传感器包括：温度传感器、CO传感器、火焰传感器、烟雾传感器。

可选的，所述将传感器网络采集到的数据进行标准化处理包括：

选用Max-Min标准化方法，也称为离差标准化，对原始数据的线性变换，使结果值映射到[0，1]之间；转换函数为：

式中，x′

可选的，所述反模糊化处理包括:

采用面积中心法来进行反模糊化处理，即求出模糊集合隶属函数曲线和横坐标包围区域面积的中心，中心对应的横坐标值作为模糊集合的代表值，表达式如下：

其中,U为输出的火灾概率，M(uj)为输出的隶属度函数，u

可选的，所述得到输出值判断火灾发生的情况包括：根据老旧小区居民楼的火灾情况分析和需要采取的消防措施，对输出值U进行判断：

当U≤0.2时，表示无火灾发生；

当0.2

当0.5

当U>0.7时，表示有严重的火灾发生，需要立即采取措施。

根据本发明的第二方面，提供一种基于多传感器数据融合的火灾探测系统，包括：

仿真三维模型建立模块，用于建立老旧小区居民楼模拟仿真三维模型，基于三维模型进行室内着火仿真模拟；

传感器布置模块，用于根据仿真得出的火灾蔓延规律，在房间内和走廊布置传感器，建立路由节点度模型；

传感器网络构建模块，用于基于路由节点度模型和距离无关定位算法得到传感器最佳布局，构建传感器网络；将传感器网络采集到的数据进行标准化处理，并删除置信度不足的误差数据；

决策融合模块，用于利用自适应分布卡尔曼滤波器算法结合多个卡尔曼滤波器的数据，进行火灾探测系统的初步融合，得到最优的融合数据,利用模糊贝叶斯逻辑推理算法进行决策融合，再进行反模糊化处理，得到输出值判断火灾发生的情况。

本发明提供的一种基于多传感器数据融合的火灾探测方法及系统，具有以下技术效果和优点：

1、基于火焰蔓延规律，运用节点度模型和传感器定位算法实现在老旧小区复杂的走廊空间下低成本的实现传感器网络的定位与优化布局，为构建多传感器检测系统打下基础；

2、在火焰蔓延规律和传感器系统的基础上，构建一个适用于火灾探测的多源传感器数据融合模型，在决策层上采用模糊逻辑推理作最后的决策分析，有效提高火灾探测的准确性，及时性；

3、本发明所述的方法具有准确性高，大大的减少了误报和漏报，对类似于老旧小区的复杂环境有很好的适用性，维护费用低。

附图说明

图1是本发明实施例提供的基于多传感器数据融合的火灾探测方法的模型示意图；

图2是本发明实施例提供的基于多传感器数据融合的火灾探测方法采用的路由节点度模型示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

可以理解的是，基于背景技术中的缺陷，本发明实施例提出了一种基于多传感器数据融合的火灾探测方法，具体如图1所示，包括以下步骤：

步骤1：建立老旧小区居民楼三维模型，进行室内着火模拟，获取发生火灾时的火焰蔓延规律情况；

具体地，使用Pyrosim仿真软件建立老旧小区居民楼三维模型，将火灾工况场景分为房内与走廊两大类进行仿真，分别设置房间内与走廊的不同起火点，模拟房间家具和走廊堆积老化的电线引发火灾，其中，选用火源类型为快速火。

老旧小区居民楼走廊多为H型区域的环境，由火焰蔓延规律的研究可知，室内火灾对于走廊的影响较小，但是室内火灾对房间内的影响较大，所以对于室内火灾在房间内布置有传感器即可，走廊传感器的布置另需着重关注。

因此，在建立仿真模型之后，将监测点分别设置在居民楼模型每层住户的门口和每一层的楼梯口和楼梯的拐角处，分别测量温度，能见度，CO浓度参数。

步骤2：根据仿真得出的火灾蔓延规律，在房间内和走廊布置传感器，建立路由节点度模型；

根据老旧小区的结构特点和火灾发生时的火焰蔓延规律，使用基于WSN的路由节点度模型(Routing Node Degree Model，RNDM)，将居民楼的走廊WSN节点分为锚节点，普通路由节点和未知节点。其中，锚节点为位置已知的路由节点，普通路由节点为位置未知的路由节点；未知节点为随机分布的检测节点；在居民楼走廊布置少量的锚节点，并根据节点度，在走廊的两边均匀交错的布置普通路由节点，建立路由节点度模型。然后采用多种传感器包括烟雾传感器、温度传感器、CO传感器和火焰传感器等。

此外，基于火焰蔓延规律研究，在考虑经济成本和保证稳定性的前提下，研究路由节点布置问题：

(1)两个走廊边界与楼梯口的相交部分是烟气和CO等有毒气体蔓延必经之处，应当在这些地方布置路由节点；

(2)走廊的每条边界都应该至少有一个路由节点。

通过上述设置少量的锚节点，使用基于多跳和测距无关的RFLC-SVR定位方法，普通路由节点可以得到位置信息，进而晋升为锚节点。当普通路由节点的位置信息得到后，区域内锚节点覆盖率将显著提高。进一步使用RFLC-PB算法来定位未知节点，根据路由节点、未知节点的定位和对每个路由节点的degree的调节形成的基于WSN的路由节点度模型，从而完成对走廊传感器的布置。

图2为本发明的探测方法采用的路由节点度模型示意图，如图2所示，在H型区域的环境，将路由节点进行均匀交错布置，其中，h是H型走廊的宽度，r是节点的通信半径，l是同一边界上相邻节点之间的间距，c为将一节点投影到另一边界后，投影点的最短节点间距，称为交错距离；

设居民楼走廊WSN路由节点的r相同且h已知，对于节点度模型网络中的节点，其通信半径内的其他节点称为邻居节点，路由节点的邻居路由节点个数称为路由节点度(degree)。h、l、r、c参数的变化会影响到每个路由节点的degree，从而形成不同的传感器网络。

以degree为指标，建立路由节点度模型；为了保证节点度模型的顺利建立，则必须满足

当路由节点的通信半径r和走廊宽度h为已知条件，根据实际情形调整参数l和c，就能完成对每个路由节点的degree的调节，进而建立路由节点度模型，实现对传感器布局的设计；

当degree<2时，参数条件为

当degree＝2时，参数条件为

当degree＝3时，参数条件为

当degree＝4时，参数条件为

当degree>4时，参数条件为

步骤3：基于运用路由节点度模型和RFLC节点定位算法得到的传感器最佳布局，构建传感器网络；将传感器网络采集到的数据进行标准化处理，并删除置信度不足的误差数据；

需要进行说明的是，适用于居民楼走廊WSN的RFLC节点定位算法(即距离无关定位算法)分为基于支持向量回归的普通路由节点定位和基于区域分割的未知节点定位两个阶段：

第一阶段，依据少量锚节点信息，采用RFLC-SVR算法定位普通路由节点，进而将这些普通路由节点晋升为锚节点，从而间接增加锚节点的数量和覆盖率；

第二阶段，使用分布式定位算法RFLC-PB定位走廊内部的未知节点。

构建传感器网络系统之后，将温度传感器、CO传感器、火焰传感器、烟雾传感器采集到的数据首先进行标准化(归一化)处理，使各指标处于同一数量级，并删除置信度不足的误差数据，进行综合评价。

所述数据标准化选用Max-Min标准化方法，也称为离差标准化，对原始数据的线性变换，使结果值映射到[0，1]之间。转换函数为：

式中，f

考虑传感器损坏的情况，通过搜索不同传感器之间的隐藏空间寻找异质传感器的共同特性，线性算子代表传感器之间的共享信息。

为了减少由于约束条件的数量而导致的计算复杂性，为每个特征找到独立的隐藏空间，引入线性算子：Z1,Z2,…,ZL。

然后，Zl将从第l个传感器观察到的数据Xl转换到隐藏空间H中；表示现有一个独立的隐藏空间来描述每个特征Fkl，使得独立优化的代价函数的数量相当于感兴趣的特征的总数ΣKl。

为确保线性算子之间成对交换，需使所有的运算矩阵都为方形矩阵，引入随机抽样矩阵Ul。由于Ul是一个随机投影，在学习过程中保持不变，所以关于变换的信息(ZlUl)Xl，仍在Zl范围内。则可以转化为：

其中：

式中，ξ为松弛变量的向量，C为常数；W为权重向量；Z为线性算子；C为常数，U为随机抽样矩阵。

并通过以下公式得到最优的

其中，i表示迭代次数，μ为学习率，Z为线性算子，W为权重向量。

如果第m个传感器被损坏，该传感器的隐藏空间将从可用的传感器集合中恢复；表示为：

其中：ψ＝{1，...，L}/m，|ψ|是ψ的基数。

步骤4：利用自适应分布卡尔曼滤波器算法结合多个卡尔曼滤波器的数据，进行火灾探测系统的初步融合，得到最优的融合数据；最后利用模糊贝叶斯逻辑推理算法进行决策融合，再进行反模糊化处理，得到输出值判断火灾发生的情况。

进一步考虑通过寻找隐藏空间解决传感器出现损坏时，出现的误报和漏报的问题。为在更高的容错程度下提高与融合系统中所有独立传感器数据的单一卡尔曼滤波器相同的性能，利用自适应分布卡尔曼滤波器算法结合多个卡尔曼滤波器的数据，进行火灾探测系统的初步融合。

以老旧小区居民楼内所有的温度传感器为例进行初步融合，设系统的状态变量为X

X

Z

其中，A，B，H为状态变化矩阵,Z

令E(W

其中，

通过(14)(15)得到：

其中，K为卡尔曼增益，ε为残差。

得到估计值为：

其中，I表示单位矩阵。

对q(t)，Q(t)，r(t)，R(t)进行更新的公式如下：

根据式(1)-(12)可得到温度传感器的初步融合值；CO、烟雾、火焰传感器的初步融合值由此类推得到。

令G表示初步融合得到的特征向量，G＝[Gi,i＝1,2,…,n]，n为特征向量总数。定义温度指数集合为T＝[ti,i＝1,2,…,n]，CO浓度指数集合为R＝[ri,i＝1,2,…,n]，烟雾浓度指数集合定义为Z＝[zi,i＝1,2,…,n]，光辐射指数集合定义为J＝[ji,i＝1,2,…,n]。设L表示具有k个输入的系统的输入集合，L＝[Vt,t＝1,2,…,k]，其中Vt是输入子集。当k＝4时，模糊输入如下：

V

V

V

V

其中，V1，V2，V3，V4分别为温度、CO浓度、烟雾浓度和光辐射的模糊集。

从输入到输出的非线性映射通过一组基于IF-THEN规则的模糊系统规执行。IF前件表示基于初步融合的特征向量的输入，THEN后件表示不同类别目标特征的输出。火灾发生情况的集合为B＝[Sj,j＝1,2,…,m]，其中，m表示不同火灾状况的种类。选取无火情，有火情但不严重以及严重火情三种火灾状况，其中，B集合和Sj子集都为模糊集。

输入集的不同符号及其所使用的数值范围如表1所示。基于IF-THEN规则法，提出了共81种模糊控制规则，选取其中的10组描述，如表2所示。

表1输入参数及数值范围

表2模糊规则输入与输出

采用面积中心法来进行反模糊化处理，即求出模糊集合隶属函数曲线和横坐标包围区域面积的中心，中心对应的横坐标值作为模糊集合的代表值，表达式如下：

其中，U为输出的火灾概率，M(uj)为输出的隶属度函数，u

根据老旧小区居民楼的火灾情况分析和需要采取的消防措施，由反模糊化处理的结果U进行判断。当U≤0.2时，表示无火灾发生；当0.20.7时，表示有严重的火灾发生，需要立即采取措施。

实验验证

决策融合的输入量化为V1，V2，V3，V4四个模糊集，输出量同样为四个模糊集。利用模糊贝叶斯推理算法，对初步融合的数据进行决策融合，进而对火灾状况做出判断，融合结果如表3所示。

表3特征融合结果

对比期望输出值和实际输出值发现，输出的判断结果虽存在误差如组别18，但判断准确率达到95％。

因此，本发明实施例所述的方法构建适用于火灾探测的多源传感器数据融合模型，在决策层上采用模糊逻辑推理作最后的决策分析，能够有效提高火灾探测的准确性，及时性。

根据本发明实施例的第二方面，提供一种基于多传感器数据融合的火灾探测系统，包括：

仿真三维模型建立模块，用于建立老旧小区居民楼模拟仿真三维模型，基于三维模型进行室内着火仿真模拟；

传感器布置模块，用于根据仿真得出的火灾蔓延规律，在房间内和走廊布置传感器，建立路由节点度模型；

传感器网络构建模块，用于基于路由节点度模型和距离无关定位算法得到传感器最佳布局，构建传感器网络；将传感器网络采集到的数据进行标准化处理，并删除置信度不足的误差数据；

决策融合模块，用于利用自适应分布卡尔曼滤波器算法结合多个卡尔曼滤波器的数据，进行火灾探测系统的初步融合，得到最优的融合数据,利用模糊贝叶斯逻辑推理算法进行决策融合，再进行反模糊化处理，得到输出值判断火灾发生的情况。

可以理解的是，本发明提供的基于多传感器数据融合的火灾探测系统与前述各实施例提供的基于多传感器数据融合的火灾探测方法相对应，基于多传感器数据融合的火灾探测系统的相关技术特征可参考基于多传感器数据融合的火灾探测方法的相关技术特征，在此不再赘述。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。