基于arm与多传感器信息融合的机车报警灭火系统(编辑修改稿)

基于arm与多传感器信息融合的机车报警灭火系统(编辑修改稿)内容摘要：

处理器对各路传感器采集到的信号进行预处理，归一化为相应特征量，采用模式识别实现各传感器多元特征向量的关联与分类，实现火灾特征的识别。 着火有明火与阴燃两种情况，明火往往伴有大量火焰，火灾现场温度会比较高，同时有一定量的CO气体与烟雾产生；而阴燃着火，一般现场温度没有多少变化，但会产生烟雾和CO等气体，一定的外界程度会可能使阴燃转化为明火，所以阴燃火情也是人们需要引起注意的火灾，其存在很大的火灾隐患。 这两种火情有显著的差别，所以本文将它们分别作为识别目标对象。 火灾具有双重性规律。 一方面火灾具有确定性，因此可以从一个实例中获得确定的火灾特征参数，如温度、CO浓度等方面的变化曲线，这样就可以用这些特征参数曲线当作学习的范例，将实时探测到的信号与学习的范例进行对比。 另一方面，火灾有存在的随机性，在各式各样的环境中，实际情况的不断变化使学习范例不能全部包含，所以火灾探测算法需要根据已知有限的知识推测更多的情况。 而且为了满足火灾探测的实时性，能及时的报警，所以在火灾探测中要求算法能有较快的处理速度。 通过对火灾规律的分析，针对火灾的特性，可以总结出本文采用的识别算法具有以下三要素：（1）具备自主学习能力；（2）有比较好的联想、自适应能力；（3）有较快的数据处理速度而神经网络的优势就是不需要对象的精确数学模型；具有较强的学习及联想能力，能够使系统能够适应周边环境的变化和信息的不完全性；它的并行计算能力使得处理信息的速度比较快，很适合信息融合中数据的实时处理。 所以采用神经网络算法实现火灾识别比较不错的选择。 本文采用神经网络与模糊推理两种算法相串联的方式对火灾信号进行综合处理，：传感器的数据先进行预处理和归一化，处理结束后输出T、S、C三种数据，作为神经网络的三个不同的输入，在特征层采用神经网络BP算法，把传感器的数据进行特征提取，融合输出为明火概率X与阴燃概率Y，在决策层采用模糊推理对明火与阴燃再进一步融合处理，作出判决，为火灾报警系统最终判断提供依据。 多传感器信息融合模型 传感器信息的预处理环境温度的不断上升、CO2气体、CO气体等燃烧气体的产生、烟雾、火焰的产生是发生火灾的显著特点，但是具备这些特点也不一定就是火灾。 因为有一些干扰信号往往也具备这些物理特性，比如机车随地点的改变引起环境温度的变化，香烟、电焊等均有可能引起误报警。 因此探测系统首先对各种传感器采集到的单一信号进行预处理，当传感器采集到的数据，变化程度比较大，则说明很有可能发生火灾，应该把数据进行归一化后输入到下一级进行再一次融合。 考虑到火灾时烟雾、CO气体等浓度和温度的上升往往速度较快，因此本文采用速率检测法，给定一个原始序列，用数学表达式表示为： ()上式中， 分别为温度、烟雾和CO传感器采集到的数据。 设定一个累加函数，令其为，取其为某一传感器多次累加相邻数据的差值之和，用数学公式表示为： ()则数据局部决策结果为： ()式中为单位阶跃函数，；，为其中一种传感器的数据层决策结果，而则为局部的基准门限。 如果数据局部决策结果任意一个输出为1时，、温度或CO气体信号有一种出现了非平稳的变化，表明有发生火灾的可能存在。 继续采集传感器数据，并把数据送入下一级别进行再一次融合，如果中均为0，则说明探测到的信号比较地稳定，即没有火灾隐患。 这种数据预处理采用分块处理的决策方式，在低层次先进行数据分析与处理，这种判断方式大大减轻了特征级的数据处理工作。 特征量的归一化处理所谓归一化，就是把有量纲的表达式转化为无量纲的表达式。 使某一数值的绝对值变成相对值，能简化计算，例如系统中的传感器采集到的信号经过A/D后需要进行归一化后送入特征级进行融合。 同理，在火灾探测算法中，各种传感器采集到的特征量集中的区域也会不一样，为使特征量统一到一个范围内便于处理，所以也需要进行归一化处理，一般把传感器数据映射到[0,1]范围之内，方便后期处理。 常见的线性函数转换是比较典型的归一化处理，数学表达式为： ()式中，分别为某一传感器归一化前后的值，分别为温度传感器、烟雾传感器和CO传感器，分别为特征量的最大值与最小值。 数据级融合 数据级融合是往往是对同质传感器采集的原始数据进行融合，这部分也叫局部决策模块，这种融合方法可以解决单个传感器的局限性与不确定性。 ： 数据层融合模型自适应加权数据融合估计算法是该层融合比较常见的经典算法，为了权衡各传感器采集到数据的相对重要程度，在此引入权数，对每个数据乘以相应权数进行平均处理。 在总均方误差这一最优条件下,根据每个传感器采集到的数据按自适应的方式寻找相对应的权数,可使融合后的达到最优。 设个传感器的方差分别为,各传感器的测量值分别为,它们彼此相互独立,加权因子分别为,引入加权因子后,传感器数据的融合值为: （）其中，各权值满足： （）总均方差为： （）由于是相互独立的，而且是的无偏估计，可知： （）从而可以推出： （），其最小值的求取就是加权因子满足归一化约束条件的多元函数极值的求取。 根据多元函数求极值理论，当加权因子为 （）则： （）上述方法为各传感器在同一时刻采集到的数据进行融合，当估计真值为常量时，可按照各传感器历史数据的均值来进行估计，具体方法如下，设： （）估计值为： （）总均方误差为： （）由于为无偏估计，因此，也是的无偏估计，所以有： （）可以看出，并且随的增加，随着的增加而逐渐减小。 特征级融合火灾的发生是伴随着温度、烟雾、气体等物理因素展现出来的，通过各种性质的传感器能把这些物理因素转化为一定的特征量，因为神经网络有很好的非线性映射能力，对能上述火灾发生的复杂因素能够相应地反映出来，处理速度快，满足系统探测的高实时性的要求，比较适合运用在火灾探测中。 神经网络的输入层分别为各传感器的特征量，输出为火灾的明火可能性与阴燃可能性，在火灾探测中的设计应用详见第五章。 决策级融合在火灾报警灭火系统中，特征层的神经网络输出结果明火概率或阴燃火概率较大时，虽然可以明确判断是否有火灾，但在设定的阈值附近时，系统就不能很好地判断是否有火灾。 为了避免上述情况，本文采用模糊推理方法对BP神经网络输出实现信息融合进行决策，最终实现火灾判决。 设计一个模糊控制器须要对其输入量与输出量进行模糊化，然后建立模糊规则表。 在火灾探测中算法的实现详见第五章。 本章小结本章对传统火灾探测器各种类型作了比较全面地比较，并对目前火灾报警系统的各种误报警作了一定的分析，由此提出基于多传感器信息融合的火灾探测方法，并对其融合结构与过程作了介绍，对融合的每个层次作了分析，最终给出了本课题采用的算法，即BP神经网络与模糊推理。 第三章 火灾报警灭火系统的总体结构设计 本系统的总体结构框图本文设计的火灾报警灭火系统主要由火灾复合探测器、ARM控制器、灭火装置、键盘显示模块和声光报警模块五部分构成。 复合智能探测器由温度传感器、CO气体传感器、烟雾传感器及ARM处理单元等组成。 探测器的设计及与ARM控制器的通信关系到整个系统的可靠准确性，探测器的有效探测在整个报警系统中起基础与核心作用；ARM控制器则是数据信息处理、声光报警控制，灭火控制的核心，各路探测器与ARM总控制器的信息传送用CAN总线进行通讯。 系统结构框图由框图可知该系统可分为现场层和控制层。 现场层主要由复合探测器和灭火装置组成：ARM处理器和三种传感器组合成一个火灾复合智能探测器。 主要负责对烟雾、温度、CO气体信号的采集和处理，能够减轻控制层中ARM控制器的负担。 控制层主要由ARM控制器、报警装置、键盘显示模块组成。 现场各路探测器通过CAN总线和ARM控制器进行信息交流。 ARM处理器对各路探测器进行巡回检测，判断探测器探测到的数据，是否发生火情或发生故障，并根据处理结果决定是否声光报警和起动联动装置进行灭火。 系统的工作过程及主要优点各路火灾探测器安装在机车防护区，主要的工作是ARM处理器通过A/D采集传感器的信息，数据预处理与归一化后再进行数据融合和算法处理，最后进行决策判断，将判断结果通过CAN总线发送到ARM控制器，并存储于选定的内存单元中，各路探测器和ARM控制器之间需要时刻保持通讯联系，若ARM控制器接受到某路探测器的报警信号时，ARM控制器上的蜂鸣器开始鸣叫，相应机车室的LED从闪亮到常亮，司乘人员可以在液晶显示器看到发生火情所在位置及报警时间，系统还能将报警信息存入存储器，还可以通过按键操作启动相应地点的灭火装置实现灭火。 本系统是集火灾探测、智能报警、自动灭火于一体的一个的综合系统，具体有以下几个优点：（1）多传感器信息融合火灾探测本系统设计的一个显著特点是利用多传感器各自的特点和使用范围，先进行预处理，当某一传感器的信息出现非平稳状态时，对相应的各传感器数据归一化后送入融合中心进行数据融合，各传感器互为补偿，基于神经网络BP算法和模糊推理，由ARM处理器对多个传感器信息进行处理分析，综合信息决策判断作结果，使结果更加精确，使灵敏度大大提高、能有效降低了系统的误报和漏报。 （2）实时取得和充分利用传感器的数据本系统采用智能复合火灾探测器，由于信号处理和数据融合部分在在各个探测器中完成，控制层上的处理器信号处理的负担大大减少，只要实时接受各探测器发送到CAN总线上的简单开关输出信号来判断即可。 （3）可靠的通讯系统通过CAN现场总线来进行信息通讯，大幅提高了系统的通讯能力，在信息传输的安全性和实时性方面达到了更可靠的保障。 通过CAN总线ARM控制器可以实时查询各路探测器的工作状态和实时信息，当探测器发生各种故障时也可以将信息发送到ARM控制器。 探测器内部通过ARM处理单元对信息进行初步处理后，在总线上发送的信息量已经大大减少[6]，即通过开关信号量就能满足可靠通讯的目的，而无须复杂的纠错算法和硬件电路。 （4）良好的人机交互功能机车司机室内配有TG12864E液晶显示器、LED和蜂鸣器等声光报警模块作为输出，为机车工作人员提供可靠实时信息；同时配上按键控制，形成一个操作性高的人机界面。 多传感器智能探测器的设计 传感器类型的选择当发生火灾时，燃烧的物体常常伴随有火焰、烟雾、异常气体等综合现象的发生，同时也使周围环境的温度不断上升。 每种传感器有其自身特点、使用范围和精度，利用这些来分别探测局部现象和信息，再做出综合性的判断，能为最终决策提供比较可靠的信息。 目前用来探测火灾的传感器类型繁多，由第二章探测器的分类小节中可知现在有烟雾传感器、温度传感器、火焰感光传感器、气体传感器等众多种类。 在选择火灾传感器时，应分析出传感器所在防护区可能引起火灾的物质与其燃烧的特点来确定传感器的类型。 火焰也是明火产生的一个显著特点，另外，还伴有大量的光辐射，典型的有红外和紫外辐射，火焰传感器响应速度较快，探测距离远。 往往能很好的辨识火灾情况，但火焰传感器一般较其他传感器要昂贵的多，而且本文的识别对象为明火与阴燃火，火焰传感器具有单一性，所以在本系统不采用火焰传感器。 通常情况下，CO气体在空气中的含量极低，但一旦发生火灾，每种物质基本都含有碳的成分，燃烧均要产生CO气体，在阴燃阶段的火灾表现更为明显，因此CO气体是极早期火灾的重要标志，而且虚假火源通常不会产生CO气体或其量值极小，因此CO传感器是探测火情的有效方法。 综合考虑，在机车内的火灾常伴有烟雾产生，温度往往也会不断上升，本系统选择CO传感器、温度传感器和烟雾传感器三种作为火灾探测的工具。 智能探测器总体设计该探测器以内置ARM处理器为处理核心，通过温度传感器、烟雾传感器和CO气体传感器对机车现场进行数据采集，通过预处理先对其进行判断，当有可能发生火灾时再结合神经网络BP算法和模糊推理进行信息融合，自主决策和分辩真假火情。 各路火灾探测器与ARM控制器之间通过CAN总线协议交互式通讯。 各路传感器通过处理器的A/D模块转换为数字信号，最后处理器进行数据融合处理。 探测器结构框图 嵌入式处理器的选择目前嵌入式比较常用的微控制器主要有单片机、ARM和DSP等三种类型，单片机硬件技术相对比较成熟，软件编程也比较简单，不涉及操作系统。 但是数据处理能力不强，结构尺寸相比也会较大。 DSP，即数字信号处理器，专用于信号处理方面，在指令算法上的设计较为特殊，编译效率高，指令的执行速度比较快，且其体积较小，有利于电路板布局；不过DSP在中断处理、位处理不如单片机与ARM，专用性强，通用性没有ARM广泛。 如下表所示为三种处理器的比较。 三种常见处理器的比较类型C51单片机ARMDSP位数8位、16位。