一种火警态势分析方法技术

本发明专利技术公开了一种火警态势分析方法，包括步骤：步骤1，将多个传感器采集的数据通过卡尔曼滤波进行平滑处理，之后送入模糊推理系统中，从而改善系统的测量精度，使其能够更准确地进行预报和决策；步骤2，在模糊推理的自适应噪声调整处理模块中，需要对测量值进行验真，判断并替换坏值；步骤3，而后根据模糊规则和隶属度函数给出调整后的测量噪声；步骤4，最后将处理后的每个传感器的数据送入全局最优融合模块，基于联合卡尔曼滤波方式获得最优的融合结果；将全局最优融合结果反馈送入到每个传感器数据处理单元，以备后续的数据融合处理。该方法中设计了模糊化与解模糊化过程、模糊规则、模糊推理方法，并最终使得测量噪声更接近于真实噪声。

A fire situation analysis method

The invention discloses a fire situation analysis method, including the steps of: 1, multiple sensor data smoothing by Calman filter, and then into the fuzzy inference system, so as to improve the measurement accuracy of the system, so that it can more accurately forecast and decision making; step 2, the adaptive fuzzy inference adjust the noise processing module, the need for measurement test, judgment and replace bad value; step 3, and then according to the fuzzy rules and membership function are adjusted measurement noise; step 4, then each sensor of the processed data to the global optimal fusion module, obtain the optimal fusion result with Calman filter based on the global optimal fusion result; feedback is sent to the data processing unit of each sensor, with subsequent data fusion processing preparation. In this method, defuzzification and defuzzification process, fuzzy rule and fuzzy inference method are designed, and the measurement noise is closer to the real noise.

【技术实现步骤摘要】
一种火警态势分析方法
本专利技术涉及一种消防领域，具体涉及一种火警态势分析方法。
技术介绍
火灾探测系统主要用于早期疏散、管理及消防部门的及时准确告警和火灾的早期扑灭。业主单位的楼宇内会部署大量的火警探测传感器，如烟感、温感、可燃气体探测器、手报等探测器等。当火灾发生时，火灾探测传感器检测到火灾会发生报警。但事实上，报警可能是真实火警，也可能会是误报。火灾误报警可能会导致城市管理中的灾难性后果：在商业建筑中，火灾报警可能导致建筑内人员的整体疏散，而误报不仅会对商业运营产生影响，而且会因为疏散过程的恐慌对建筑内人员造成伤害；在居民建筑内，反复的误报警的直接后果甚至会导致屏蔽报警系统，这样整栋建筑就会处于无报警系统的危险状况。此外，消防大队在无法确认火警的情况下出警会浪费大量的人力物力；即使消防大队联系联网单位确认火警，联网单位负责人也很难描述出火灾发展态势，无法确定出警人力多少。在多样化火灾探测环境的实际应用，根据单一的传感器种类判定火警很容易导致火灾误报警的发生。大量研究表明，多传感器火灾探测技术在提高火灾探测的灵敏度和可靠性方面已经取得了很好的成果。于是，在现有基础上发展多传感器火灾探测系统，从而提高火灾探测的灵敏度和可靠性是非常可行的。一般来说，多传感器火灾探测技术的核心是采用信息融合算法完成在多种传感器数据的决策。而决策过程是将实际接收的数据进行数据处理，并与先验知识和经验对比分析，从而进行合理的结果输出。很显然，这种通过不同传感器的数据处理后的结果，是单一传感器类型无法达到的探测准确度。与此同时，釆用信息融合技术后，系统能够有效地低误报率，提高抗干扰性，并在火灾的动态响应方面具有潜在的优势。目前对多传感器火灾探测中的信息融合技术有一些不同的分类，具体来说包括：(1)阈值判断或趋势融合算法。这是最简单的多传感器信息融合算法，它可针对不同传感器数据的阈值或变化趋势采用“AND/OR”的判断算法。但是，由于多种数据拟合决策算法的问题，此类算法在探测灵敏度和降低干扰源影响这两个方面的平衡上仍然存在一些困难。(2)多种传感器信号的关系式。该方案在多种传感器信息阈值判断或趋势值判断的基础上，将多种传感器信号的关系式用于火灾探测的可行性中进行了分析。虽然该方案在探测时间、干扰源区分等方面，比阈值判断算法有更好的性能，但关系式的参数需要依靠人为的经验进行判定。(3)人工神经网络。需要大量的数据来训练网络并调整网络结构、权重和阈值等参数，从而产生可靠的火灾探测结果。然而，该类方案采用特征提取算法，将不同传感器的阈值或趋势值作为神经网络的输入。但在实际应用中存在着数据的波动，这会干扰系统的鲁棒性，从而无法取得满意的结果。(4)模糊算法。一些研究对将模糊逻辑引入多传感器火灾探测进行了尝试。设计了基于灰度模糊算法探测系统，并且获得了满意的结果，将模糊逻辑与灰度预测进行了结合，但在探测效率方面没有明显的优势。
技术实现思路
本专利技术的目的即在于克服现有技术的不足，提供一种火警态势分析方法，该方法根据楼宇内多个探测器的报警信息，采用传统卡尔曼滤波与模糊推理相结合的方法联合分析判断该报警信息是否真实火警，改善系统的测量精度，使其能够更准确地进行预报和决策，掌握火灾发展的态势。本专利技术通过下述技术方案实现：一种火警态势分析方法，包括步骤：步骤1，将多个传感器采集的数据通过卡尔曼滤波进行平滑处理，之后送入模糊推理系统中，从而改善系统的测量精度，使其能够更准确地进行预报和决策；步骤2，在模糊推理的自适应噪声调整处理模块中，需要对测量值进行验真，判断并替换坏值；步骤3，而后根据模糊规则和隶属度函数给出调整后的测量噪声；步骤4，最后将处理后的每个传感器的数据送入全局最优融合模块，基于联合卡尔曼滤波方式获得最优的融合结果；将全局最优融合结果反馈送入到每个传感器数据处理单元，以备后续的数据融合处理。进一步的，所述步骤1，基于卡尔曼滤波算法的数据平滑处理：针对多个传感器采集的感知模块，对于第i个传感器来说，假设k时刻的观测值为Zi(k)，系统的测量控制矩阵为Hi(k)，测量误差序列为高斯白噪声型的Vi(k)，根据卡尔曼滤波可知，系统真实值Xi(k)与测量结果之间的关系如下所示：Zi(k)＝Hi(k)Xi(k)+Vi(k)(1)基于此，进一步使用真实值描述此多传感器线性系统，即Xi(k+1)＝Θ(k+1,k)Xi(k)+Wi(k)(2)上式中，Θi(k+1,k)表示此系统中第i个传感器的一步转移矩阵，即从第k时刻到第k+1时刻的转移值；此外，Wi(k)同样也是高斯白噪声型的误差值；基于公式(1)和(2)，通过第k-1时刻的估计值以及第k个测量值可以推导出第k个估计值其中，为滤波器增益系数，而则表示的方差；此外，为了获得更新后的系统估计值预测的系统状态估计通过下式得到：同样地，预测的估计协方差Pi(k|k-1)由公式(5)计算得到Pi(k|k-1)＝Θ(k,k-1)Pi(k-1)ΘT(k,k-1)+Qi(k-1)(5)由此，我们得到了传感器采集数据经过卡尔曼滤波处理之后的平滑结果。进一步的，所述步骤2：基于历史信息的坏点替换方法：在此过程中，对第i个通道的第k个时刻的残差ri(k)，采用其前5个值的平均值作为参考指标，即由于传感器采集的数据是连续变化的，因此当ri(k)≥3·rAVG时，判定当前测量值Zi(k)为坏点，此时系统使用上一时刻的测量值替代该坏点，即Zi(k)＝Zi(k-1)，在去除并替换测量坏点之后，系统进入到模糊推理算法。进一步的，所述步骤3：基于模糊推理的自适应噪声调整，对于第i个卡尔曼滤波通道在第k时刻的观测，其测量误差协方差的更新方法如下式所示。公式(6)说明了k时刻的误差协方差与前一时刻的值有关，且通过调整系数Si(k)进行优化。系统可以通过调整Si(k)的值，自适应的更新从而达到优化系统测量误差的目的；对于调整系数Si(k)，采取以下的方法自适应的更新；首先定义一个比值，该值由第i通道的第k个时刻观测的测量值和理论值之比得到，即上式中的分子部分为M大小的滑动平均窗口的残差平均值，而分母部分是第k个残差方差的理论值；通过公式(8)可知，的值直接受到SRi(k)的影响；即，随着数值的增大，SRi(k)的值将减小。考虑到公式(7)，将SRi(k)作为模糊推理系统的输入，则这一数值可以对Si(k)进行微调。也就是说，当SRi(k)<1的时候，设置Si(k)<1，从而减小进而影响到SRi(k)并使之增大，从而达到自适应的调整；这里SRi(k)的微调通过三个模糊子集进行，分别为●当SRi(k)∈[0.5,0.96)时，为小于1的子集，那么Si(k)也属于这个子集●当SRi(k)∈[0.6,1.4)时，为等于1的子集，那么Si(k)也属于这个子集●当SRi(k)∈[1.05,1.5)时，大于1的子集，那么Si(k)也属于这个子集通过这一规则，构建输入隶属度函数，而后采用Mamdani模糊推理方法得到相应的输出隶属度函数；最后使用中心平均法进行去模糊化，并最终得到Si(k)的输出清晰值，如下所示。其中，表示第j个模糊子集中心的，μj(S)表示其所对应的输出隶属度函数中的最大值。由此得到了更新后的Si(k)值，从而通过公式本文档来自技高网...

【技术保护点】
一种火警态势分析方法，其特征在于，包括步骤：步骤1，将多个传感器采集的数据通过卡尔曼滤波进行平滑处理，之后送入模糊推理系统中；步骤2，在模糊推理的自适应噪声调整处理模块中，需要对测量值进行验真，判断并替换坏值；步骤3，而后，根据模糊规则和隶属度函数给出调整后的测量噪声；步骤4，最后，将处理后的每个传感器的数据送入全局最优融合模块，基于联合卡尔曼滤波方式获得最优的融合结果；将全局最优融合结果反馈送入到每个传感器数据处理单元，以备后续的数据融合处理。

【技术特征摘要】
1.一种火警态势分析方法，其特征在于，包括步骤：步骤1，将多个传感器采集的数据通过卡尔曼滤波进行平滑处理，之后送入模糊推理系统中；步骤2，在模糊推理的自适应噪声调整处理模块中，需要对测量值进行验真，判断并替换坏值；步骤3，而后，根据模糊规则和隶属度函数给出调整后的测量噪声；步骤4，最后，将处理后的每个传感器的数据送入全局最优融合模块，基于联合卡尔曼滤波方式获得最优的融合结果；将全局最优融合结果反馈送入到每个传感器数据处理单元，以备后续的数据融合处理。2.根据权利要求1所述的一种火警态势分析方法，其特征在于，所述步骤1，基于卡尔曼滤波算法的数据平滑处理：针对多个传感器采集的感知模块，对于第i个传感器来说，假设k时刻的观测值为Zi(k)，系统的测量控制矩阵为Hi(k)，测量误差序列为高斯白噪声型的Vi(k)，根据卡尔曼滤波可知，系统真实值Xi(k)与测量结果之间的关系如下所示：Zi(k)＝Hi(k)Xi(k)+Vi(k)(1)基于此，进一步使用真实值描述此多传感器线性系统，即Xi(k+1)＝Θ(k+1,k)Xi(k)+Wi(k)(2)上式中，Θi(k+1,k)表示此系统中第i个传感器的一步转移矩阵，即从第k时刻到第k+1时刻的转移值；此外，Wi(k)同样也是高斯白噪声型的误差值；基于公式(1)和(2)，通过第k-1时刻的估计值以及第k个测量值可以推导出第k个估计值其中，为滤波器增益系数，而则表示的方差；此外，为了获得更新后的系统估计值预测的系统状态估计通过下式得到：同样地，预测的估计协方差Pi(k|k-1)由公式(5)计算得到Pi(k|k-1)＝Θ(k,k-1)Pi(k-1)ΘT(k,k-1)+Qi(k-1)(5)由此，我们得到了传感器采集数据经过卡尔曼滤波处理之后的平滑结果。3.根据权利要求1所述的一种火警态势分析方法，其特征在于，所述步骤2：基于历史信息的坏点替换方法：在此过程中，对第i个通道的第k个时刻的残差ri(k)，采用其前5个值的平均值作为参考指标，即由于传感器采集的数据是连续变化的，因此当ri(k)≥3·rAVG时，判定当前测量值Zi(k)为坏点，此时系统使用上一时刻的测量值替代该坏点，即Zi(k)＝Zi(k-1)，在去除并替换测量坏点之后，系统进入到模糊推理算法。4.根据权利要求1所述的一种火警态势分析方法，其特征在于，所述步骤3：基于模糊推理的自适应噪声调整，对于第i个卡尔曼滤波通道在第k时刻的观测，其测量误差协方差的更新方法如下式所示。公式(6)说明了k时刻的误差协方差与前一时刻的值有关，且通过调整系数Si(k)进行优化。系统可...

【专利技术属性】
技术研发人员：刘卓华，何云华，孙春梁，
申请(专利权)人：北京富邦智慧物联科技有限公司，
类型：发明
国别省市：北京,11