Abstract: According to the present situation of fire detection and the requirement of early detection of fire, this paper presents a multi-sensor fire detection system. The system uses multiple sensors to detect multiple parameters of the fire, to overcome the traditional single sensor deficiencies. So if we use single threshold method to monitor the probability of fire, it will lead to missing and false alarm. This paper uses multi-sensor detection.It detects fire comprehensively on the occurrence of early fire.it overcomes the shortcomings of single sensor detection and extends the range of time and space observation. The system adopts self-adaptive weighted fusion algorithm and BP neural network intelligent discriminant technology to enhance the system alarm output sensitivity and reliability, and makes it achieve alarm early .

Key words: Fire detection   Multi-sensor   Data fusion;

【中图分类号】TP212.4 【文献标识码】B  文章编号1606-5123（2018）01-0000-00

1 引言

随着社会经济的发展和生活水平的提高，各种场合的电子设备大多长期处于运行状态，电气设备过载、过热、短路的火灾隐患较多，同时火灾过程的复杂性和火灾的损失也越来越大。火灾自动探测报警系统作为早期探测火灾，将火灾遏制在萌芽状态的重要设备，是实现消防结合、预防为主的消防策略的重要手段。随着微电子技术、传感器技术、通信和网络技术的飞速发展，使火灾探测报警时间的提前、火灾探测报警可靠性的提高、火灾探测报警的网络化等都成为可能。用小的代价实现可靠的火灾探测报警，使火灾损失降到最低限度，是火灾探测报警追求的一个重要的性能指标。鉴于目前普通类型的感温、感烟火灾阈值探测报警已不能满足需求，必须采用智能火灾探测报警，适应不同的环境。实现火灾报警的智能化和火灾报警的可靠性，首先体现在采用多个传感器全面采集火灾发生前的各种异常信息，并用智能技术处理传感器提供的火灾信息。多传感器信息融合技术应用于火灾自动报警系统，可以大大提高整个系统的智能性，有效地提高火灾检测的灵敏度，从而实现火灾的早期预警。

2 多传感器数据融合

2.1 多传感器混合结构

多传感器数据融合就是综合利用多传感器信息，采用计算机技术对按时间序列获得的多传感器观测数据，在一定的准则下进行分析、综合、支配和使用，通过它们之间的协调和性能互补的优势，克服单个传感器的不确定性和局限性，提高整个传感器系统的有效性，获得对被测对象的一致性解释与描述，进而实现相应的决策与估计，使系统获得比它的组成成分更充分的信息。本系统通过采集火灾特征信号：CO浓度、烟雾浓度和环境温度，使用多个传感器分别采集火灾特征信号，利用经典的自适应加权算法第一次融合得到各个特征信号的值，然后通过BP神经网络融合CO浓度、烟雾浓度和环境的温度得到火灾的发生概率。信息融合采用串、并联混合结构信息融合，如图1所示。

2.2 多传感器层次结构

(1)多传感器数据融合分三种层次结构，即数据层、特征层、决策层融合。一般选择多个传感器是异质的(观测的数据不是同一个物理量)，数据只能在特征层或者决策层融合。多传感器数据融合过程如图2所示。

由于被测对象多为具有不同特征的非电量，首先将它们通过传感器转换成为电信号，经过A/D转换成能被微处理器识别的数字量。数字化后的电信号经过预处理，以滤除数据采集过程中现场环境下的干扰和噪声，经处理的目标信号作特征提取，根据所提取的特征信号进行数据融合，最终输出结果。多传感器融合系统具有以下优点：

(2)提高系统的鲁棒性和可靠性；

(3)扩展空间和时间上的观察范围；

(4)增强数据的可信度和系统的分辨能力。

3 自适应加权融合估计算法

本系统利用多个传感器检测火灾特征信号，将各个传感器采集到的信号自适应加权融合估算，得到准确的特征信号分量，为二次融合处理提高可靠的数据，它的算法模型如图3所示。

这种数据融合方法不要求知道传感器测量数据的任何先验知识，知识靠传感器提供的测量数据，就可以得到均方误差最小的数据融合值。

因为系统中不同的传感器都有相应的加权系数，在总均方误差最小这一最优条件下，根




本系统采用BP神经网络算法融合传感器采集到的CO浓度(C0)、烟雾浓度(S)和环境温度(T)。选用BP神经网络是因为它具有较强的容错能力、泛化能力和自学习能力。本系统的输入层为上述三个变量，隐藏层采用单层。BP神经网络拓扑结构如图4所示。

BP网络在正式对信息融合前，必须对其进行训练，提供学习样本。BP网络使用反向误差学习算法，属于有监督学习方式，对每一组输入都有一组学习评价标准的输出与之对应。首先在训练样本空间选出一组输入样本，计算得到实际输出与期望输出比较，根据反向误差调整网络参数，直到与期望输入逼近。然后选择下一组输入样本，直到所有的都加载完毕进行迭代，计算本次实际输出并与期望输出比较，若误差小于设计要求则停止，否则做相同的迭代直到达到学习精度。

4.2 梯度降解法网络参数调整

本系统采用经典的梯度下降法调整网络参数，其算法步骤如下：

在得到环境的信息后采用BP神经网络进行第二次数据融合，得到明火的概率、阴燃火的概率和无火的概率，系统以后可以采用模糊推理的方法决策，作出相应的判断。此系统克服了传统单一传感器的不足，多传感器加权融合可以得到准确的环境信息，神经网络融合环境的信息，可以有效的克服环境噪声和干扰。

6 结束语

本文设计了一种多传感器检测火灾的系统，克服了单一传感器受到环境噪声和干扰不能准确预报的缺点，提高了火灾报警的安全性和可靠性，能够有效的检测到火灾信息，提前预报。

参考文献

[1]张兢,路彦和,雷刚.基于多传感器数据融合的智能火灾预警系统[A].计算机工程与应用2006.6.

[2]窦晨超.基于多元信息融合方法的火灾检测系统的算法研究. TP202. 2013.03.

作者简介

王玉成 （1991-） 男 硕士研究生 研究方向：物联网方向