1  引言

火灾是当今社会所面临的主要灾难之一，火灾的发生对每个家庭来说都会造成巨大的经济损失，对火灾的准确预测可以成为预防火灾发生的有效方式^[1]。传统的火灾预测方法通过传感器采集环境信息，然后通过阈值判定得到有无火灾的发生。近几年，深度学习作为人工智能最新的发展方向已经成为数据分析的重要工具，深度学习已经广泛的应用到机器视觉和自然语言处理并取得了较好的效果。长短期记忆网络（LSTM）作为一种深度学习模型具有良好的处理时间序列数据的能力，对于火灾信息来说其也是有一连串的时间序列数据组成，通过LSTM神经网络进行火灾预测可以得到较好的预测效果^[2]。模糊控制系统是数据融合的一种方法，一种神经网络与模糊控制系统结合的预测方案可有效提高火灾预测可靠性。

2  火灾预测系统结构

火灾预测系统主要有两种：一种是非智能火灾预测系统，另一种是现代化的智能分布型火灾预测系统，主要是基于人工智能和机器学习的自动报警技术^[3-5]。其中，基于智能的自动化火灾预测技术是目前火灾预测发展的一个重要方向。

所提出的方案属于第二种火灾预测系统，该系统主要分为一次融合阶段和二次融合阶段。系统将传感器所检测到的环境的一氧化碳浓度、温度以及烟雾的浓度作为LSTM神经网络的特征输入，通过神经网络的反向误差传递，逐渐使期望输出与实际输出的差值变小，最后得到三个输出，分别为明火概率，阴燃火概率和无火概率。由于传感器检测的是实时信息，如果将所有的数据都输入火灾预测模型中会增加网络的计算负担，所以采用速率检测算法对火灾信息预处理。对于三种火灾信息，只有当三者全部为1时方可将该组数据输入，否则不输入。环境中的干扰信号不好预测但大多存在持续时间短，波动幅度较大等特征，为了达到更加高效准确的消防检测的效果，本系统将CO浓度信号的持续时间C(n)作为新的融合信息加入到融合系统中，将其与经神经网络模型得到的输出再次进行信息融合，采用模糊逻辑控制系统得到火灾发生的概率，分别是有火灾和无火灾。根据概率的大小输出某一特定状态，然后将该状态以通信的方式发送到控制系统，以指令形式实现火灾消防控制。多传感器信息融合系统结构如图1所示。

图1  火灾预测系统结构

3  LSTM神经网络

LSTM神经网络作为循环神经网络的一种特殊形式，克服了普通RNN(Recurrent Neural Network，循环神经网络)不能进行长时记忆信息的缺点，并且对时间序列具有良好的分析能力，能够分析时间序列隐藏的数据关系^[6]。原始的RNN神经网络只有H一个状态，能够对短期的输入信息进行准确判断，而LSTM神经网络在原始RNN的基础上增加了单元状态C，可以用来存储长期的信息，它是LSTM网络模型的关键，将信息从一个单元传输到下一个单元，以此循环，从而实现长短时数据信息的保存。根据LSTM神经网络以上特点，火灾特征信号正是一串时间序列，完全符合LSTM神经网络的要求，LSTM的基本结构图按时间序列展开如图2所示。

图2  LSTM神经网络结构

4  仿真实验

本实验所用到的数据集是根据中国标准试验火所选择，训练集为选用500组数据，测试集选用100组数据。所选用的仿真环境为MATLAB R2019a，LSTM神经网络的输入层神经元的个数为3，使用两个隐含层并且每一层的神经元个数为8，输出层神经元个数为3，最大训练次数为1000，收敛误差为0.00001，学习率为0.5。

将训练集输入网络进行训练，由图3所示，该网络训练至190次就达到了我们所需要的误差精度。

图3  LSTM神经网络loss曲线

将100组测试数据输入到已训练好的网络模型中，附表为明火，阴燃火和无火概率的实际输出与期望输出对比。

附表  网络测试性能对比

由附表可以看出该网络模型能较好地预测出三种火型的输出概率，能达到想要实现的效果，所以该网络模型的建立是可行的，但是从输出数据中可以看出仍有少量数据与期望输出数据存在较大的误差，为了建立更加精确的网络结构，该实验将三种火型的输出概率作为MATLAB中模糊逻辑系统的输入，并把CO信号的持续时间作为融合信号进行二次信息融合。该系统选用的隶属度函数为高斯函数，通过添加变量，设置论域以及建立模糊规则得到如图4所示的输出，由图4可以看出，当无火概率为0.0682，阴燃火概率为0.285，明火概率为0.886，CO信号持续时间为8.54的时候，火灾发生概率为0.813。

图4  模糊逻辑控制系统界面

5  结束语

针对传统的火灾信号的检测系统设计较为单一，其系统的抗干扰能力不强，容易出现误报等反预期的动作的问题，设计了一种基于LSTM神经网络和模糊控制系统的多源信息融合智能火灾预测方案，并在MATLAB R2019a仿真平台验证所提方案性能。仿真实验表明，该方案中神经网络融合能准确的完成对三种火型的预测实现对火灾信息的一次融合。模糊控制系统通过二次融合完成对有无火灾的准确判断。该方案具有较好的泛化性，对于森林火灾以及舰船火灾只需改变数据集进行训练即可，对当今社会火灾预测研究具有重要意义。

参考文献：

[1] 马文龙. 多传感器信息融合方法研究及在火灾预测中的应用[D]. 东北大学,2015.

[2] 张茜,李彦. 基于支持向量机的船舶机舱火灾温度快速预测[J]. 舰船科学技术,2018,40(01):148-152.

[3]赵月爱,秦佳宁. 基于TensorFlow的LSTM神经网络智能电气火灾预测研究[J]. 太原师范学院学报(自然科学版),2019,18(02):44-48.

[4] 张昭昭,乔俊飞,余文. 基于动态神经网络的瓦斯浓度实时预测方法[J]. 控制工程,2016,23(04):478-483.

[5]闫晓茹. 基于神经网络的舰船机舱火灾温度快速预测[J]. 舰船科学技术,2019,41(22):85-87.

[6] 窦晨超. 基于多源信息融合方法的火灾检测系统的算法研究[D]. 华东理工大学,201

[7]邱明月. 基于大数据的草原火险预报预警机制研究[J]. 科技与创新,2019(18):88-89.

作者简介：

乔元健 男 工学硕士 齐鲁工业大学（山东省科学院）研究方向：工业测控网络技术