(最新整理)火灾报警系统算法

1、(完整)火灾报警系统算法(完整)火灾报警系统算法 编辑整理：尊敬的读者朋友们：这里是精品文档编辑中心，本文档内容是由我和我的同事精心编辑整理后发布的，发布之前我们对文中内容进行仔细校对，但是难免会有疏漏的地方，但是任然希望（(完整)火灾报警系统算法）的内容能够给您的工作和学习带来便利。同时也真诚的希望收到您的建议和反馈，这将是我们进步的源泉，前进的动力。本文可编辑可修改，如果觉得对您有帮助请收藏以便随时查阅，最后祝您生活愉快 业绩进步，以下为(完整)火灾报警系统算法的全部内容。19摘 要火灾自动报警系统是主动防火的核心部分，它直接关系到能否将火灾扑灭在萌芽状态，是实现起火不成灾的关键.它的主要

2、部件有火灾探测器、火灾报警控制器。对于探测器，火灾信号处理算法至关重要，更为科学的算法对减少误报和漏报的具有十分重要的意义。本文论述了火灾自动报警系统的各部分组成,而重点是火灾信号的识别算法.对火灾信号处理算法的研究对于提高火灾探测器乃至整个火灾自动报警系统可靠性的作用是不容置疑的。早期，针对某些火灾参量，出现众多算法，但对非线性、非结构化的火灾信号,包括趋势算法在内的各种算法仍难以适应千变万化的具体场景.模糊系统与人工神经网络都属于一种数值化的和非数学模型的函数估计和动力学系统，它们都能以一种不精确的方式处理不精确的信息,并获得相对精确的结果。mlp方法是采用mlp对各种传感器信号进行判决处

3、理并报警的火灾探测方法。随着复合探测器的出现,融合多种方法的模糊神经网络算法必将在火灾信息处理中发挥重要作用。目前，围绕如何更早期地快速而准确地发现火灾,减少火灾损失，在火灾报警及城市联动灭火等各方面的技术都在迅速的发展当中.目 录1 绪论11。1火灾的危害11.2燃烧的要素和类型11.3 火灾特征及火灾参量11。4我国火灾自动报警系统的现状和未来22 火灾信号的识别算法32.1可变窗特定趋势算法32.2智能识别算法52.2.1 模糊逻辑在火灾探测中的应用52。2。2 神经网络算法92.2.3 模糊神经网络算法11231 绪论1。1火灾的危害火的应用,让人类取得了巨大的成就，但往往失去控制的火

4、，吞食着人们的生命和财富，破坏了生态环境,这种在时间和空间上失去人为控制，给人类造成灾害的燃烧现象,称为火灾（fire)。在水灾、旱灾、地震、风灾等众多灾害中，火灾造成的直接损失约为地震的5倍，而发生的频率位居各灾种之首.据公安部消防局统计，2014年全国共接报火灾39.5万起,死亡1817人,受伤1493人，直接财产损失43.9亿元。刚进入2015年，在1月2日，哈尔滨市北方南勋陶瓷大市场仓库发生火灾，造成了5名消防战士牺牲，14人受伤，549户2000多名居民以及部分的临街商户受灾。1月3日，云南大理州巍山县南诏镇发生火灾，这座始建于明洪武二十三年（1390年），距今已有600多年的历史的

5、拱辰楼被烧坏,造成不可挽回的巨大损失。5月25日20时左右，河南省鲁山县城西琴台办事处三里河村的一个老年康复中心发生火灾,亡38人、伤6人。6月25日凌晨,郑州市西关虎屯小区发生火灾，事故已造成13人死亡、4人受伤。火灾不仅吞食了类的生命和财富，破坏人类赖以生存的环境和社会的稳定，而且是常见、多发、人为因素为主的灾害.1。2燃烧的要素和类型燃烧现象，是可燃物与氧化剂发生相互作用的一种氧化还原反应，所以产生火灾的必要条件有可燃物、氧化剂和着火源，这称为燃烧三要素。可燃物发生着火的最低温度称为着火点或燃点。可燃物质着火点（）可燃物质着火点（)可燃物质着火点（）甲烷537甲醇385乙炔305乙烷47

6、2乙醇363汽油390以上乙烯450一氧化碳609天燃气530榉木426甲醛463焦炉煤气500表1.1 空气中某些可燃物的着火点燃烧的类型闪燃：在一定温度下，液体可以蒸发成蒸汽或少量固体如樟脑、聚乙烯、聚苯乙烯等表面上能产生足够的可燃蒸汽，遇到火源能产生一闪即灭的现象.着火：可燃物质发生持续燃烧的现象。自燃:可燃物在空气中没有外来火源，靠自热和外热而发生的燃烧现象。爆炸：由于物质极具氧化或是分解反应产生温度、压力分别增加或是同时增加的现象。1.3 火灾特征及火灾参量火灾是失去控制的燃烧现象.燃烧是可燃物与氧化剂作用发生的放热反应，通常伴有火焰、发光和(或）发烟的现象，所以放热、发光和生成新物

7、质是火灾三个主要特征。此外火灾还产生电磁波、亚声波等。表征这些特征的参量称为火灾参量（fire parameter）。如：烟雾、高温、火焰及气体成分等.1.4我国火灾自动报警系统的现状和未来20年前，我国消防报警产品刚刚起步，无论产品技术含量、产品系列完整性、使用性，还是社会影响程度都是相当低的。国外的产品和品牌一统天下,占领中国的大部分市场。2001年12月3日，强制性产品认证管理规定发布,消防产品作为强制认证，2005年开始，出台了ccc认证产品各种标准。中华人民共和国消防法已由中华人民共和国第十一届全国人民代表大会常务委员会第五次会议于年月日修订通过，自年月日起施行。改革开放以来，我国的

8、火灾自动报警系统经历了从无到有、从简单到复杂的发展过程，其智能化程度也越来越高.虽然应用的时间并不长,但据不完全统计，准确报警事例已达数千次.从上世纪90年代后期才开始进入快速的发展时期.作为消防行业的一部分,消防自动报警行业是消防行业中技术含金量较高的一部分，并且还是发展最快的一部分，国际上各种消防报警设备我国消防报警行业都已能生产.根据慧聪网及慧聪消防网联合调查显示，目前国内消防自动报警系统的生产厂家超过100家。市场集中度较高，排名前5的企业占到市场整体份额的25%左右，但整体上企业规模仍是以中小企业为主，市场销售规模保持在每年10-15%的增长率,这说明了消防报警行业仍在成长期。在这一

9、时期，行业内的竞争将刺激优胜劣汰的进程,加速了产品结构、企业结构乃至产业结构的改造和调整，极大地促进消防报警行业的快速发展。消防自动报警行业未来仍将保持较高的增长速度根据慧聪网预测，2013-2015年,消防报警市场仍将持续较快增长,复合增长率约在20%左右，到2015年市场规模将达到230亿元.随着现代科技的发展，火灾探测与报警技术也在不断提高。目前我国消防报警产品发展迅速且市场前景可观，随着其弊端的攻克以及技术的进一步完善，必将迎来更加广阔的发展空间.作为一门多专业、多学科的综合性火灾探测与报警技术,近几年得到了迅速发展,向着高可靠、智能化、网络化的超早期火灾探测报警技术发展。目前具有消防

10、报警产品生产能力的企业有海湾安全技术有限公司、北京利达华信电子有限公司、北大青鸟环宇消防设备股份有限公司、上海松江飞繁电子有限公司、深圳市泛海三江电子有限公司、深圳市泰和安科技有限公司等企业,从整个消防报警市场来看,仍是海湾安全技术有限公司，市场占有率达到13。08。 火灾报警行业经过市场竞争、国内国际经济环境因素、国家消防标准要求的提高等原因，在全国市场上作为活跃的国内品牌有海湾、利达、青鸟、松江等;在局部市场较为活跃的有久远、泰和安、泛海三江等。进口企业有霍尼韦尔、西门子、爱德华（est)等。目前市场上，中低端产品国内企业占据垄断地位，国外产品集中在高端产品需求上.整体市场占有率上国内产品

11、不断地在增长。2 火灾信号的识别算法火灾探测器利用火灾物理和化学变化过程中的各种特征参量信号的变化规律，实现检测、识别的目的。烟雾、高温等火灾参量信号易受周围环境干扰，电子线路本身往往有电子噪声，为减少误报，就须更好地对这些特征参量设计更好的算法。火灾信号处理算法对于提高火灾探测器乃至整个火灾自动报警系统可靠性的作用是至关重要的。早期火灾探测器为开关量型火灾探测器，且主要针对火灾某一个物理参量如温度、烟雾等进行检测，当传感器获取数值超过预设的阈值时，则发出报警信号。这种识别算法使得电路简单,易于实现和维护，但抗干扰能力弱,误报率高,主要用的是直观阈值法，包括固定门限检测法、变化率检测法等。后来

12、，人们发现火灾输出信号具有明显的上升或下降的趋势，因此用这种特征对火灾信号进行处理，出现了kendall趋势算法、复合kendall趋势算法、特定趋势算法、可变窗特定趋势算法、复合特定趋势算法。这些算法较复杂，探测可靠性更高,但无法定量确定信号变化趋势的急剧程度，变化速率不同的两个信号对应的趋势值很可能相等。为此引入了斜率算法。此外，火灾信号还具备另外一个特征，即信号变化的相对持续性,这是火灾信号区分于同样具有上升与下降变化趋势的瞬时脉冲等干扰信号的重要判据，因此用这一特点构建了基于持续时间算法的火灾探测器。这就出现了单输入偏置滤波算法，随着多传感器或复合传感器技术的发展，综合处理多个信号复合

13、偏置滤波算法也发展起来了。火灾的复杂性使得火灾参量是随着空间和时间的变化而变化，很难建立一种或几种数学模型进行精确描述,人工神经网络与模糊系统都属于一种数值化的各非数学模型的函数估计和动力学系统，它们都能以一种不精确的方式处理不精确的信息，并获得相对精确的结果.尤其是将采用模糊与神经网络结合的智能算法，可大大减少火灾探测误报与漏报的可能.下面两部分内容，其一重点介绍可变窗特定趋势算法，其它趋势算法基本都包含在内了。其二探讨模糊神经网络算法。2.1可变窗特定趋势算法如图2.1,曲线为火灾发生时传感器的烟雾或温度的间隔抽样输出信号x(t），t是离散时间变量。表2.1是图2.1中曲线对应的离散值x(

14、t)t图2。1 某信号的变化趋势特征t01234567891011121314x(t）11.31。41。61。92.02。32。92。82。52。73.23.84.25.8表2。1上图曲线对应的离散值可见，虽然t=7-10区间信号略有下降，但总体上有明显的上升趋势.kendall-趋势算法最常用,首先求出kendall值y（n）如下： (2。1）式中，n是用于观测数据的窗长，u(x)为单位阶跃函数，如式2。2所示.ux=1， x00，x00, x=0-1, xkxin, |xin-min-1|kmin-1-k, xin-min-1s0, -sxs-1, x10, -1x1-1, x0 kn+1

15、ust-yn, st0。5, 判断为火灾，延迟10s；若隶属度0.5，判断为非火灾,延迟20s-50s.（4）在判断延迟期间，采用非模糊逻辑方法判断，如果输入信号减小，则输出非火灾，如果输入信号增大，则输出火灾。当延迟结束时,输入信号仍维持报警水平，则发出报警信号.5 复合火灾量算法的模糊处理设输入烟雾信号为xr(n）,温度信号为xt(n),火灾量计算门限为srb，对于烟雾信号火灾量计算，有 brn=brn-1+xrn-srb, srbxrn 0, srbxrn （2.9)设温度火灾量计算门限为str，考虑到一般使用暖气等人为因素造成的温度变化十分缓慢,因此温度的火灾量计算应该在一段区间内考虑

16、,既有btn=btn-1+xtn-xtn-1, tpo的系统，由于变量太多，往往难以正确的描述系统的动态，161616161616161616161616161616161616161616161616161616161616161616161616161616161616161616161616161616161616161616161616161616161616161616161616161616161616161616161616161616161616161616161616xtn-xtn-1 stb0, xtn-xtn-1 stb （2.10)计算区间条件为xtn-k-xtn-k-

17、10,0kl ，l为区间长度。对于火灾量大小的判断采用模糊集定义方法,选定烟雾和温度信号火灾量“大”的隶属函数分别如图2-4和2-5所示。图2-4中定义了两种烟雾火灾量隶属函数12，相当于两级火灾报警处理。 图2-4 烟雾火灾量“大”的隶属函数 图2-5 温度火灾量“大”的隶属函数 设最后的火灾报警门限为s，模糊逻辑输出:zn=maxmin1brn,tbtn,2brn （ 2. 11）当经过模糊逻辑运算后所得结果z(n）超过门限s时，探测器输出火灾警报.2.2。2 神经网络算法bp（back propagation）网络是一种按误差逆向传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型

18、之一。bp网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法,通过反向传播来不断调整网络的权值和阈值,使网络的误差平方和最小。bp神经网络模型拓扑结构包括输入层、隐含层和输出层。输入层各神经元负责接收来自外界的输入信息，并传递给中间层各神经元；中间层是内部信息处理层，负责信息变换，根据信息变化能力的需求，中间层可以设计为单隐含层或者多隐含层结构；最后一个隐含层传递到输出层各神经元的信息，经进一步处理后，完成一次学习的正向传播处理过程，由输出层向外界输出信息处理结果。当实际输出与期望输出不符时,进入误差的反向传播阶段。误差通过输出

19、层,按误差梯度下降的方式修正各层权值，向隐含层、输入层逐层反传。周而复始的信息正向传播和误差反向传播过程，是各层权值不断调整的过程，也是神经网络学习训练的过程，此过程一直进行到网络输出的误差减少到可以接受的程度，或者预先设定的学习次数为止.1 bp神经网络的结构及算法bp网络可以有多层，但为叙述简捷以三层为例导出计算公式。设bp网络为三层网络，输入神经元以i编号,隐蔽层神经元以j编号，输出层神经元以k编号,示意图如图2-3所示，其具体形式在下面给出，隐蔽层第j个神经元的输入为：，第j个神经元的输出为，输出层第k个神经元的输入为,相应的输出为,式中g为sigmoid型函数，g(x）=,式中为阈值

20、或偏置值。0则使sigmoid曲线沿横坐标左移,反之则右移。因此,各神经元的输出应为、输入层隐蔽层输出层 图23 神经网络结构图bp网络学习过程中的误差反向传播过程是通过使一个目标函数(实际输出与希望输出之间的误差平方和）最小化来完成的，可以利用梯度下降法导出计算公式。在学习过程中，设第k个输出神经元的希望输出为，而网络输出为，则系统平均误差为，为了表示方便，省去下标p，平均误差可写成，式中平均误差e也称为目标函数。bp网络的学习算法的具体步骤是：从训练本集中取某一样本，把它的输入信息输入到网络中，由网络正向计算出各层节点的输出,计算网络的实际输出与期望输出的误差，从输入层起始反向计算到第一个隐层,按一定原则向减小误差方向调整网络的各个联接权值，对训练样本集中的每一个样本重复以上步骤,直到对整个训练样本集的误差达到要求为止。2 bp网络的优缺点多层前向bp网络的优点： 网络实质上实现了一个从输入到输出的映射功能，而数学理论已证明它具有实现任何复杂非线性映射的功能。这使得它特别适合于