張 冉，吳云韜*，于寶成，徐文霞

1. 智能機器人湖北省重點實驗室（武漢工程大學），湖北 武漢 430205；

2. 武漢工程大學計算機科學與工程學院，湖北 武漢 430205

機房作為數(shù)據(jù)中心，各領域?qū)ζ洵h(huán)境穩(wěn)定性的要求日益提高，若不及時處理由設備故障引起的火災，將會導致火勢變大，給機房帶來巨大損失，為此，在火災發(fā)生初期進行準確識別并給出相應警報預警，對無人值守機房的安全維護尤為重要。在火災發(fā)生初期，周圍環(huán)境中的氣體、溫度都會發(fā)生相應變化，并且參數(shù)相互關聯(lián)，機房傳統(tǒng)的檢測通過單一參量變化無法確定火災是否發(fā)生，情況復雜時，易發(fā)生誤報、漏報情況。因此，學者們的研究熱點逐漸集中于基于多傳感器的火災檢測。鄭皓天等［1］通過遺傳算法對誤差逆?zhèn)鞑ィ╞ack propagation，BP）神經(jīng)網(wǎng)絡進行優(yōu)化，提出了基于3 種不同特征參量的火災識別算法。蘇醒等［2］利用復合數(shù)字濾波法以及模糊推理技術，并結(jié)合多傳感器數(shù)據(jù)融合技術，實現(xiàn)了對火災的預測。Zervas 等［3］通過多傳感器數(shù)據(jù)融合技術研究火災早期情況，并通過參考溫度、濕度和視覺傳感器覆蓋的區(qū)域等特征，結(jié)合Dempster/Shafer（D-S）證據(jù)理論推斷火災發(fā)生可能性。Liang 等［4］通過BP 神經(jīng)網(wǎng)絡對溫度、CO 濃度、煙霧濃度進行融合，實現(xiàn)了火災的早期預警。

上述火災探測方法不同，因此適應的對象和范圍也有差異，人工神經(jīng)網(wǎng)絡（如BP 神經(jīng)網(wǎng)絡）具有自適應性等優(yōu)點，但需要較大的訓練樣本，訓練時間比較長［5］。 支持向量機（support vector machine，SVM）對解決小樣本有著特殊優(yōu)勢，算法較簡單，但需要設置大量參數(shù)，不合理的參數(shù)設置會使算法性能變得很糟糕［6］，且參數(shù)的設置對算法的精確度有較大影響［7］。由于極限學習機（extreme learning machine，ELM）泛化能力強，且學習速率快［8］，為此針對機房火災檢測，本文采用麻雀搜索算法（sparrow search algorithm，SSA）優(yōu)化ELM 并結(jié)合模糊推理的數(shù)據(jù)融合算法，將環(huán)境特征（如溫度、煙霧濃度、CO 濃度）與火災持續(xù)時間、設備保護等級等信息進行數(shù)據(jù)融合，最終決策出火災警報等級，實現(xiàn)對機房火災探測與維護。

1 多傳感器數(shù)據(jù)融合原理及設計

為實現(xiàn)對火災更準確、快速地探測，本文采用多傳感器數(shù)據(jù)融合技術，結(jié)合環(huán)境特征及其他特征參數(shù)進行綜合決策，火災探測融合算法結(jié)構(gòu)主要流程為：通過對火災現(xiàn)場中傳感器采集到的信息數(shù)據(jù)進行特征融合，并結(jié)合火災現(xiàn)場的其他參數(shù)信息進行決策層綜合分析，最終得到可以判斷火災是否發(fā)生的預警信息。

信息層選用3 種傳感器（CO 傳感器、溫度傳感器、煙霧傳感器）完成對火災的探測，并對信息進行預處理，特征層對特征參量進行特征數(shù)據(jù)提取，并對提取的數(shù)據(jù)進行特征融合，分析出火災發(fā)生概率，決策層將火災發(fā)生概率與火災現(xiàn)場的其他多特征參數(shù)信息進行融合判斷分析，其中多特征參數(shù)信息包括火災延續(xù)時間、不同氣候（溫度和濕度等環(huán)境影響）影響下的各類不同設備保護等級，最終決策出火災是否發(fā)生。

2 多傳感器數(shù)據(jù)融合火災檢測算法

2.1 信息層實現(xiàn)

本文采用多種傳感器對環(huán)境信息進行收集，用來判斷火災的發(fā)生，由于不同類型的傳感器收集信息的特征參量范圍、大小都不相同，需進行歸一化處理，歸一化公式見式（1）。

對于式（1），c表示傳感器采集CO 濃度、煙霧濃度、溫度等數(shù)據(jù)的參量個數(shù)，Ac表示輸入c個參量后歸一化后的值，Xc表示由實驗數(shù)據(jù)確定的c個參量的輸入值，Xmin和Xmax分別為選取參量的最小輸入值和最大輸入值。

2.2 特征層數(shù)據(jù)融合處理

2.2.1 極限學習機 ELM 是由高瀅等［9］提出的一種新型神經(jīng)網(wǎng)絡算法，ELM 與傳統(tǒng)神經(jīng)網(wǎng)絡相比，具有參數(shù)設置更少、學習效率更高、泛化能力更強等優(yōu)點。ELM 的網(wǎng)絡結(jié)構(gòu)由輸入層、隱含層、輸出層3 部分組成，是一種新式的前饋神經(jīng)網(wǎng)絡，通過對隱含層神經(jīng)元數(shù)目進行設定，利用解方程的方法得到輸出權(quán)值。ELM 網(wǎng)絡結(jié)構(gòu)如圖1 所示。圖1 中X1~X3為輸入神經(jīng)元節(jié)點；Wij為第i個神經(jīng)元與隱含層神經(jīng)元j之間的連接權(quán)值；bjk為隱含層神經(jīng)元j與輸出層第k個神經(jīng)元之間的連接權(quán)值；Y1~Y3為模型輸出。

圖1 ELM 網(wǎng)絡結(jié)構(gòu)Fig.1 ELM network structure

本次ELM 網(wǎng)絡結(jié)構(gòu)模型中，X、Y分別為輸入值和輸出值，其數(shù)學模型如式（1-3）所示。

式中：w為輸入層和隱含層之間的連接權(quán)值矩陣，l為隱含層中的神經(jīng)元數(shù)目，n為輸入層神經(jīng)元數(shù)，wln為輸入層和隱含層之間的l層n列的連接權(quán)值。

式中：b為隱含層和輸出層之間的連接權(quán)值矩陣，m為輸出層神經(jīng)元數(shù)，blm為隱含層和輸出層之間的l層m列的連接權(quán)值。

式中：a為隱含層神經(jīng)元閾值矩陣，其中al表示隱含層中第l個神經(jīng)元的閾值。

ELM 網(wǎng)絡輸出模型為：

式中：T為輸出數(shù)據(jù)集，tm表示第m個訓練樣本的網(wǎng)絡輸出值，tj為矩陣T的列向量集合，tmj表示第m個輸出神經(jīng)元對應于隱含層神經(jīng)元j的輸出值，bim表示隱含層神經(jīng)元j對輸出神經(jīng)元m的連接權(quán)值，g(?)為隱含層神經(jīng)元激勵函數(shù)，xj為隱含層神經(jīng)元j的輸入樣本，wi為隱含層神經(jīng)元j對應輸入樣本xj的權(quán)值，ai為隱含層神經(jīng)元j的閾值。

可將式（4）簡寫為T′=Hb，其中T′為T的轉(zhuǎn)置矩陣，H為隱含層輸出矩陣，H的表達式為：

式中：wl表示隱含層第l個神經(jīng)元的權(quán)值，xQ表示輸入的第Q個數(shù)據(jù)樣本。

2.2.2 麻雀搜索算法 麻雀搜索算法［10］是一種新型的群智能優(yōu)化算法，主要受麻雀的覓食和反哺食等行為的啟發(fā)，具有尋優(yōu)性強、收斂速度快等特點，SSA 算法中，麻雀種群被分為發(fā)現(xiàn)者和加入者，麻雀搜索算法首先需對麻雀種群與適應度進行初始化，種群采用隨機生成位置的方法初始化麻雀種群的個體位置，數(shù)學表達式如式（6）所示。

式中：s為麻雀數(shù)量，d為要優(yōu)化的變量維度，xsd表示第s個麻雀對于第d個參數(shù)的取值，具有較好適應度值的麻雀在覓食過程中，需對食物進行迭代搜索，其位置變化采用式（7）更新：

式中：t為當前迭代的次數(shù)；Xt,qr和X(t+1),qr分別表示第t次和第t+1 次迭代中，具有較好適應度值的第q只麻雀在維度r上的位置；tmax為本次計算中最大的迭代次數(shù)；R2為預警值，R2∈［0，1］；F為安全值，F(xiàn)∈［0.5，1］；Q為隨機數(shù)，服從正態(tài)分布；a表示隨機數(shù)，a∈（0，1）；L為一個1×d的矩陣，其中所有元素值都為1；q=1，2，3，… ，s；r=1，2，3，…，d。

當R2

式中：X(t+1),p為第t+1 次迭代后發(fā)現(xiàn)者的最優(yōu)位置，Xt,w為第t次迭代全局最差位置，A為1×d矩陣，每個元素隨機選取1 或-1，A+=AT(AAT)-1，當q>s/2，說明適應度較低的第q個加入者未得到食物，需飛往其他地方覓食。

一般情況，假設這些意識到危險的麻雀占總數(shù)量的10%到20%，它們的初始位置在種群中隨機產(chǎn)生，其數(shù)學模型如式（9）所示：

式中：Xt,b為第t次迭代后全局最優(yōu)位置；B為步長控制參數(shù)，是一個服從均值0，方差1 的正態(tài)分布的隨機數(shù)；K為隨機數(shù)，K∈［-1，1］；ε為常數(shù)；fq為麻雀個體的適應度值；fg和fw分別為全局最好和最差適應度值。

當fq>fg，表明該麻雀處于全局危險位置，大概率受到攻擊；當fq=fg，表明該麻雀意識到自身大概率被捕食的危險，需盡快移動并與種群匯合。

2.2.3 基于SSA-ELM 特征層數(shù)據(jù)融合模型 算法模型步驟如下：

（1）數(shù)據(jù)進行歸一化，并分配訓練集和數(shù)據(jù)集。

（2）對麻雀優(yōu)化算法的迭代次數(shù)、種群、發(fā)現(xiàn)者以及加入者比例進行初始化。

（3）構(gòu)建極限學習機網(wǎng)絡結(jié)構(gòu)，設置網(wǎng)絡參數(shù)。

（4）計算麻雀群體的適應度值，并找到最佳適應度值fg和最差適應度值fw。

（5）根據(jù)式（7-9）更新發(fā)現(xiàn)者、加入者及意識到危險麻雀的位置，若更新后的位置優(yōu)于先前的，則替換它。

（6）進行迭代，不斷更新麻雀位置，達到tmax時停止，迭代過程中適應度最低的麻雀為最優(yōu)解。

（7）迭代完成，將得到的最優(yōu)權(quán)值和閾值賦予極限學習機，構(gòu)建SSA-ELM 模型。

2.3 決策層數(shù)據(jù)融合模型

2.3.1 決策層模型構(gòu)建 決策層主要對各決策因子之間的關系進行分析，并輸出分析結(jié)果。為更好判斷火災發(fā)生概率對火災是否發(fā)生的影響，在決策層采用模糊推理技術［11］進行融合，本文引入4 種決策因子（明火概率、陰燃火概率、火災延續(xù)時間、設備危險等級）。

火災延續(xù)時間T由式（10）判定。

式中，h表示當前時間段，h+1 表示下一個時間段，Yi(x)表示從特征層輸出的明火、陰燃火概率，V（·）為階躍函數(shù)，Td為將要報警的閾值。

本文對機房火災進行預測，由不同設備所處的周圍環(huán)境決定其危險等級，比如在機房門廊、過道等邊緣位置，設備危險等級可表示為低；在不間斷電源（uninterruptible power supply，UPS）、電閘等設備所處的機房核心位置，其危險等級應表示為高，面對不同位置的設備根據(jù)實際情況確定其危險等級。

決策層模型如圖2 所示，該模型通過結(jié)合各決策因子，結(jié)合模糊化處理，決策出最終結(jié)果。

圖2 決策層融合模型流程Fig.2 Decision level fusion model process

2.3.2 決策層信息融合 輸入/輸出量的模糊化：在決策層信息模糊化處理中，將輸入量（明火概率、陰燃火概率、火災延續(xù)時間、設備危險等級）進行模糊化處理，模糊集劃分為正?。≒S）、正中（PM）、正大（PH），隸屬函數(shù)采用三角函數(shù)。輸出量模糊集劃分為無（PN）、?。≒S）、中（PM）、大（PB），隸屬函數(shù)采用三角函數(shù)。

模糊邏輯推理：本文通過實際情況對火災進行辨識，從而建立模糊規(guī)則。根據(jù)馬達尼法推理規(guī)則推斷，模糊規(guī)則庫的數(shù)量可根據(jù)輸入量之間的關系來確定，本文在系統(tǒng)中有4 個輸入量，每個輸入量的模糊等級設定為3，即在模糊規(guī)則庫中建立了3×3×3×3=81 條模糊規(guī)則，其模糊規(guī)則形式為“IF（火災概率is 正?。゛nd（火災延續(xù)時間is 正?。゛nd（設備危險等級is 正小）then（決策結(jié)果輸出is正?。薄?/p>

去模糊化：根據(jù)模糊規(guī)則輸出的結(jié)果也是模糊的，需進行去模糊化操作。本文采用面積重心法去模糊化［12］，公式如式（11）所示。

式中，U表示去模糊化后得到的輸出值，用來進一步分析，u（z）為輸出的隸屬函數(shù)，z為模糊規(guī)則的輸出變量。

對去模糊化后得到的U進行多級別判斷，當U<0.25 時，判定為無火情；當0.25≤U<0.5 時，判定為警戒；當0.5≤U<0.75 時，判定為報警；當U≥0.75時，判定為嚴重報警。

3 火災檢測算法仿真分析

若機房發(fā)生火災，其周圍主要參數(shù)溫度、CO濃度、煙霧濃度會發(fā)生明顯變化，因此，采用標準試驗火數(shù)據(jù)進行仿真，分別對特征層、決策層進行算法仿真分析。麻雀搜索算法參數(shù)如下：麻雀規(guī)模為30，最大迭代次數(shù)為50，發(fā)現(xiàn)者比例占種群總數(shù)70%，意識到危險的麻雀占種群總數(shù)20%，安全閾值F為0.6。ELM 算法設置如下：隱含層個數(shù)為10，訓練次數(shù)為1 000，學習速率為0.01，激活函數(shù)為Sigmod。BP 算法參數(shù)如下：訓練次數(shù)為1 000，學習速率為0.01，最大迭代次數(shù)為50。

3.1 特征層SSA-ELM 模型仿真分析

本文從中國標準明火SH4、標準陰燃火SH1、廚房環(huán)境下標準干擾信號選取實驗數(shù)據(jù)40 組［13］，選取30 組作為訓練樣本，10 組作為測試樣本，進行仿真實驗分析。

圖3 為本算法SSA-ELM 模型的收斂過程，經(jīng)過第6 次迭代后模型達到最優(yōu)，可知本模型具有較高的收斂速度和精度。圖4（a）給出了各算法模型的預測結(jié)果，可知，經(jīng)過SSA 算法優(yōu)化的ELM 模型預測精度明顯高于ELM 模型，有著較強的泛化能力，通過SSA 算法對ELM 模型的權(quán)值和閾值進行優(yōu)化，性能有較大提升，即SSA 算法有較強尋優(yōu)能力。

圖3 SSA-ELM 適應度曲線Fig.3 SSA-ELM fitness curve

圖4 仿真預測結(jié)果：（a）火災概率仿真，（b）測試集預測誤差Fig.4 Simulation prediction results：（a）fire probability simulation，（b）test set prediction error

模型經(jīng)過訓練，各模型誤差曲線如圖4（b）所示，可以明顯看出SSA-ELM 模型的誤差曲線較為平穩(wěn)，其他模型誤差起伏較大?？梢?，SSA-ELM模型檢測精度較高，可以有效降低火災探測的誤差率，提高火災預測的準確率。

為進一步評價算法檢測結(jié)果的優(yōu)劣性，選取平均絕對誤差（mean absolute error，MAE）、均方誤差（mean-square error，MSE）和均方根誤差（root mean square error，RMSE）作為預測評價指標，將優(yōu)化后的算法重復執(zhí)行30 次后，記錄相關指標如表1 所示。

表1 性能對比Tab.1 Performance comparison

經(jīng)對比發(fā)現(xiàn)，在本文采用的MAE、MSE、RMSE 3 個指標上，SSA-ELM 算法的預測精度最高?？芍?，通過SSA 優(yōu)化ELM 權(quán)值和閾值的火災檢測算法的預測精度更高，大大提高了火災檢測的準確率。

3.2 決策層模糊推理仿真分析

由特征層仿真分析可知，SSA-ELM 模型可準確識別火災發(fā)生的概率，決策層將多特征參數(shù)信息進行融合，更直接地給出警報決策。并且將特征層明火、陰燃火概率仿真結(jié)果與火災延續(xù)時間、設備危險等級等信息輸入決策層，通過仿真輸出報警決策結(jié)果。

決策層仿真采用30 組經(jīng)特征層輸出的明火、陰燃火概率，通過決策層融合輸出，驗證決策層有效性。仿真結(jié)果如圖5 所示。

圖5 決策層仿真結(jié)果：（a）概率輸入，（b）決策輸出Fig.5 Decision layer simulation result：（a）probability input，（b）decision output

由圖5 可以看出，通過對明火、陰燃火概率的輸出，結(jié)合附加信息的決策層可以做出準確的決策輸出，對機房內(nèi)不同危險等級的設備，可以做到明顯的識別，滿足對機房火災的準確預警。

4 結(jié) 論

針對傳統(tǒng)機房火災檢測的不足，本文采用了基于多傳感器數(shù)據(jù)融合的火災檢測算法，在特征層中提出了一種基于SSA 算法優(yōu)化ELM 權(quán)值和閾值的火災探測模型，經(jīng)研究發(fā)現(xiàn)，模型的泛化能力和檢測精度提升明顯，可有效提高火災檢測的準確率；在決策層中采用模糊推理技術，結(jié)合機房環(huán)境多特征信息，根據(jù)設備的危險程度靈活給出警報信息，分析不同的警報等級給出準確的火災識別結(jié)果，極大提高了火災檢測系統(tǒng)的準確性和靈活性。