基于模糊神经网络的智能火灾报警系统

《自动化技术与应用》2003年第22卷第9期

控制理论与应用

Control Theary and Applications

基于模糊神经网络的智能火灾报警系统

姜国强,孟庆春,汪玉凤

(辽宁工程技术大学电气工程系,辽宁　阜新　123000)

摘要:本文介绍了基于模糊神经网络智能火灾报警系统,在系统中应用了模糊控制理论既提高了系统的精度又最大限度的减少了

系统的误报率,解决了火灾报警系统中长期存在的问题。结合具有自学习功能的神经网络算法,提高了系统的智能化程度,是现代智能控制理论在消防自动化系统中的应用。

关键词:神经网络;模糊控制;智能

中图分类号:TP277　文献标识码:B 　文章编号:100327241(2003)0920012203

Intelligent Fire Alarm System Ba sed on Fuzzy

Neural Networks

JIANG G uo -qiang ,MENG Q ing -chun ,WANG Yu -feng

(Electrical Engineering Department o f Liaoning Technical Univer sity ,Fuxin 123000,China )

Abstract :An intelligent fire alarm system based on fuzzy neural networks is introduced ,it increases the accuracy ,at the same time it reduces the misin 2

formation rate o f the system ,and solves the problem which have existed for a long time .By using the Neural network which have the function o f self -learning the intelligence o f the system is increased ,and it is an example o f using intelligence control in the automatic fire fight system .

K ey words :Neural network ;Fuzzy control ;Intelligence

1　引言

阜新市艺苑歌舞厅大火中死亡233人,烧伤20人,震惊全国。据悉公共娱乐场所的隐患并非艺苑歌舞厅一家,是普遍的。如何预防火灾一直是人们关注的问题,国内外也有许多种功能各异的火灾报警装置及防火监控系统,但由于火灾的发生与否、火灾的大小本身都没有明确的界限,传统的火灾报警系统对采用的传感器的处理也多采用简单的“与”或“非”的关系,作为判断火情的标准。这些对数据的处理方法缺少柔性,无法解决系统精度和误报率之间的矛盾。而模糊控制理论的优点是对一参量并不简单的“是”或“非”加以判断,它承认事物的中间过渡状态,能更好的把握火情的客观存在。神经网络具有自学习、自适

应功能,用它来调整各火灾探测器的权重系数,可以使系统的智能化程度提高。因此,本文提出了一种基于模糊神经网络的智能火灾报警系统。

2　控制算法

[1、6]

211　模糊变量

考虑到火情的发生可能会引起环境温度上升、引起烟雾或发出光亮,因此,采用以下三个模糊变量

T:温度　S:烟雾　L :光亮

212　模糊变量的论域及其隶属函数

上述三个模糊变量的模糊子集

2

1|Techniques of Automation &Applications 　

控制理论与应用

Control Theary and Applications

《自动化技术与应用》2003年第22卷第9期

{P B ,P M ,PS ,NP}

其中:P B :发生火灾可能性大　P M :发生火灾可能性中

PS:发生火灾可能性小　NP :火灾发生无可能。

论域:[0,100

]

图1　温度信号隶属函数

采用常用的三角形隶属函数

μ(x )=

(x -a )Π(b -a )　a <x <b (x -c )Π(b -c )　b <x <c

烟雾、光亮、213　模糊语言规则及Matlab 仿真

[2]

通过实践总结及专家经验得出对恒温环境下(即温度信号权重系数最大,烟雾次之,光亮最小)模糊语言控制规则,共64条。

(1)if (温度is NP )and (烟雾is NP )and (光亮is NP )then (火情is NP )

(2)if (温度is PS )and (烟雾is NP )and (光亮is NP )then (火情is PS )

(3)if (温度is P M )and (烟雾is NP )and (光亮is NP )then (火情is P M )

(4)if (温度is P B )and (烟雾is NP )and (光亮is NP )then (火情is P B )

(5)if (温度is NP )and (烟雾is PS )and (光亮is NP )then (火情is PS )

(6)if (温度is PS )and (烟雾is PS )and (光亮is NP )then (火情is PS )

(7)if (温度is P M )and (烟雾is PS )and (光亮is NP )then (火情is P M )

(8)if (温度is P B )and (烟雾is PS )and (光亮is NP )then

(火情is P B )

(64)if (温度is P

B )and (烟雾is P B )and (光亮is P B )then (火情is P B )

仿真步骤:在command windows 中输入fuzzy ,回车后便可打开FIS 的编辑界面。设计输入输出变量参数,然后双击输入输出隶属函数图标进行隶属函数编辑。接下来,双击FIS 编辑器中间图标进入规则编辑器,将上述规则添加到其中,最后,打开

View 菜单中的子菜单Surface 选项,生成如下仿真结果。仿真结

果表明曲面光滑平整,模糊规则设计合理。

图2　烟雾、

光亮仿真曲线

图3　烟雾、温度仿真曲线

图4　光亮、温度仿真曲线

214　传感器信息权重的神经网络自调整

[1、5]

在实际监控现场,环境的温度、光强和烟雾浓度等因素往往是随着季节、昼夜的变化而变化的。例如夜里,光亮较稳定,发生火灾光亮是最明显的,因此,应赋予感光传感器最大的权重系数。为了提高系统智能化程度,利用构造三层神经网络来调整系统赋予各种探测器的权重系数。这里,我们选用了BP 神经网络BP 算法,即误差反向传播算法,它是一种最常见的神经网络算法,其思想是:使用梯度搜索原理,以使网络实际输出的均方差达最小。

3

1　Techniques of Automation &Applications |

《自动化技术与应用》2003年第22卷第9期

控制理论与应用

Control Theary and Applications

构造三层神经网络来调整传感器的权重系数,输入为各传感器采集的精确信号值,输出为对应传感器的权重系数。如图5

。

图5　权重BP 网络模型

BP 算法执行步骤

[5]

:(1)对权系数ωij 置初值,对各层权系

数ωij 置一个较小的非零随机数。(2)输入所有样本X 以及对应期望输出Y 。(3)计算各层输出。(4)输出与期望值之差。(5)判断全部误差是否满足要求,是,则结束学习,否则,进行下一步。(6)修正权系数ωij 和阈值θi ;转第三步。

215　Matlab 神经网络仿真

针对BP 网络训练过程仿真

仿真步骤[3、

4]

(1)网络初始化

　在M AT LAB 中设计BP 网络时,当知道了

输入向量、各层神经元数及其传递函数,就可利用initff 函数对网络进行初始化。此时,需用new ff 函数构造一网络。

(2)网络学习　利用learnbp 函数可计算出网络权值和阈值

的修正值。

(3)网络训练　利用神经网络工具箱trainbp 可对BP 网络进

行训练。

网络训练800次的结果如图6。

图6　神经网络训练过程(前800次)

3　系统硬件结构

系统以一台IPC —610工控机作为主机,若干台MCS —51系列中的8751作为下位机,组成主从式集散监控系统。主机巡回监视从机的状态,对从机采集到的数据进行智能化处理。

4　结论

仿真及实验结果表明本系统将模糊理论应用在火灾报警系统中,很好的解决了系统精度和误报率之间的矛盾,将神经网络

引入系统算法中充分发挥了它的自学习、自适应能力,使系统的灵敏度提高,同时又提高了系统的智能化程度。将现场获得的

50对样本人工输入到建立的智能算法模型中进行模拟仿真实

验,系统报警准确率为98%、误报率为0。该结果说明系统达到了预期的要求。

5　参考文献:

[1]　张青,王殊.模糊神经网络在火灾探测中的应用[J ].

电路与系统学报,1997,(2):51-55

[2]　施阳,李俊.M AT LAB 语言工具箱—T OO LBOX 实用指

南[M].西安:西北工业大学出版社,1998:189-257

[3]　丛爽.面向M AT LAB 工具箱的神经网络理论与应用[M].合肥:中国科学技术大学出版社,1998:45-62

[4]　黄文梅,杨勇,熊桂林.系统分析与仿真—M AT LAB 语

言及应用[M].长沙:国防科技大学出版社,1999:172-201

[5]　孙增圻,等.

智能控制理论与技术[M].北京:清华大

学出版社,广西科学技术出版社,1997:125-237

[6]　王红旗,等.汽仓水位的模糊神经网络预测模型研究[J ].自动化技术与应用,2003,22(2):1-3

作者简介:姜国强(1977-),男,辽宁工程技术大学电气工程系控制理论与控制工程专业硕士研究生,目前主要从事计算机控制与自动化技术的研究工作。

4

1|Techniques of Automation &Applications 　

本文来源：https://www.bwwdw.com/article/d19j.html