基于多源感知数据融合的危化场所火灾预警与保护研究.docVIP

基于多源感知数据融合的危化场所火灾预警与保护研究 　　摘要：为贯彻“预防为主、防消结合”的消防方针，实现对危化场实时的监控，且当发生火灾时能够及时预警并灭火的目的，本文以油库为仿真背景，研究并设计了一个基于多源感知数据融合的危化场所火灾预警与保护系统。首先阐述了多源数据融合的相关内容，并从油品特性等方面分析了油库的危险性，其次分析了单一传感器在石油罐区安全监控中容易受到外界因素从而产生较大误差，验证了多源感知信息融合在危化场所应用的必要性，最后介绍该系统的整体软硬件设计，得到石油罐区安全监控数据融合模型，为进一步实践打下了基础。 　　关键词：多源数据 融合 危化场所 火灾 　　中图分类号： TP393 文献标识码：A 文章编号：1007-9416（2016）05-0000-00 　　传统对于危化场所区域的安全监控，如对场所内存储罐的液位、温度、压力和可燃气体等的监控和检测，都是通过单一的传感器完成的。单一传感器在复杂的罐区环境下很容易受到外界的干扰，或是由于设备的老化而导致测量上的误差，这样管理人员将很难判断出罐区的安全状态。此外，传统的监测方法未对消防设备的自检功能有所要求，这样可能因消防设备长时间不启动而造成腐蚀、老化等后果，为火灾埋下了安全隐患。所以将多源数据融合的技术应用于危化场所的火灾预警与保护的系统中，研究如何进一步提高油库消防系统的安全预警与应急保障能力，具有十分重要的现实意义。 　　1相关研究工作 　　1.1 多源数据融合 　　多源数据融合（multi-source data fusion）又称为多传感器信息融合（multi-sensor information fusion），是20世纪70年代提出来的。多源数据融合技术研究的是如何将多源的数据信息或相关的辅助数据整合在一起，以得到比用单一的数据更准确、可靠的结果。 　　多源数据融合按融合的层次分为数据级融合，特征级融合和决策级融合。本文中主要用到就是数据级的融合，首先利用多传感器采集油罐周围的环境信息，然后通过处理单元进行数据融合，提取目标的数据特征，得到属性信息，最后输出相应的决策信息并且驱动执行机构。特征级融合首先需要通过各个传感器收集原始信息，然后对于每一组信息都提取一组特征信息，形成特征矢量，在联合各个特征向量做出属性判决。决策级融合是高层次的融合，先由每个传感器基于自身所采集的数据作出决策，然后在融合中心完成的是局部决策的融合处理。 　　1.2 危化场所火灾预警与保护 　　在油库火灾预警与保护系统中，采用多源数据融合技术和自动化技术相结合，利用多个传感器采集油库信息，可以有效的减小误差，提高整个系统的可靠性和灵敏度。整个系统由以下几部分构成：火源自动检测部分、信息处理部分、监测部分、人机交互部分以及执行机构。分别起到检测火灾信息、对采集到的数据进行融合处理、实时显示油库情况、方便工作人员操控以及对火灾预警和消防的作用。 　　2多源感知数据融合模型 　　对于底层数据级的融合过程，本文采用目前对于原始数据进行预处理的最优加权平均法进行数据级的融合过程，最优加权平均法考虑了不同传感器所测量数据在最终决策过程中的重要性评价，同时对于整个多源数据融合系统的鲁棒性具有较好的提升与改进作用；此外，基于最优加权方法的数据融合过程对于多源测量信息数据的输入变量数量要求简单，一般以多源传感器测量噪声的方差进行估计模型的构建。考虑有个传感器对同一环境参数值进行协同感知过程，假设第个传感器的测量方差为：（），其中为待测参数的真实值，为测量的实际值，为测量的噪声值，其中测量噪声值的数学期望为0，方差为。令各个不同传感器的加权因子为权值矢量为，。通过构建加权均方差误差最小值方差，求得加权估计的均方误差为： 　　通过对上式可以看出，若测量噪声值的方差越小，则其对应的传感器的权值就越大，对应的测量数据在加权估计值中的比例就会高一些；反之，则其比例就会低一些，即就会越小。在二级数据融合过程中，采用基于PSO-BP神经网络进行建模过程，其中BP神经网络属于前馈式网络，其可以以任意的精度逼近任何非线性连续函数，同时其具有较好的自适应和容错能力而被广泛应用于故障诊断与非线性系统的建模与辨识中；PSO是经典的智能优化算法，在PSO-BP神经网络中用以优化BP神经网络的各个权值，以有效提升BP神经网络的建模精度。 　　3系统设计 　　本系统以油库为仿真背景，采用多传感器检测油库的各项环境数据，并通过多源数据融合技术进行数据处理，最后输出决策信息，能够实现对火灾预警和保护的目的，同时通过自动巡检，减轻并消除了传统的消防设备需要定期检修、保养，以及设备长期不使用而带来的潜在故障增加等问题。本系统主要分为前向通道、处理单元、后向通道和显示装置四大部分，系统框图