基于RBF神经网络的火灾报警系统失效概率预测

报警系统失效主要包括漏报、误报,对系统进行失效概率预测,可以帮助判断设备质量优劣,评估系统效能。利用Matlab软件编程,通过神经网络预测失效概率。根据不同场所正在使用的火灾报警器的失效数据作为原始数据,归纳总结失效原因,建立事故树,结合专家打分法与模糊理论得到网络的输入值与输出值。通过网络训练,得到可以对系统失效概率进行预测的RBF神经网络,测算效率大幅提高。以70组不同品牌、用途的火灾报警系统作为算例,通过训练数据,最终达到输入底事件发生概率可直接输出顶事件发生概率的目的。结果表明,RBF神经网络相较于BP网络与事故树算得的失效概率具有更高的拟合度,RBF神经网络模型在进行系统失效概率预测时具有可靠性。     

基于神经网络和遗传算法的城市火灾风险评价模型

以消防安全工程学与系统安全工程理论为基础,结合我国城市发展特征及消防安全管理状况,建立了城市区域火灾风险评价指标体系;针对神经网络易陷入局部极小而引起评价指标权值分布不合理的缺陷,提出了基于神经网络和遗传算法的城市火灾风险评价模型,该模型以火灾发生的可能性以及灾后的严重程度为输入单元,火灾风险等级为输出单元,采用误差反算法训练BP网络,最终得出火灾风险等级范围,有效地解决了城市火灾的动态性和非线性特征;研究实例证明了该模型的有效性,可为城市的消防安全管理提供确实可行的参考依据。     

面向视频火灾火焰识别的轻量化卷积神经网络模型

深度学习在基于视频的火灾火焰识别技术中得到了广泛应用。为解决当前常用的卷积神经网络模型由于层数和训练参数过多，导致存储和速度问题突出，很大程度上限制了其在一些硬件平台上使用的问题，基于轻量级卷积神经网络模型SqueezeNet,通过适当修改模型结构，构建了一种适用于火灾火焰识别的新网络模型。将获取的各类火灾火焰图像数据，采用数据增强的方法来增加数据量，制作火灾火焰图像数据集，形成学习样本，并使用运动探测算法提取图像的火焰区域进行模型训练和识别前预处理。试验结果表明：该模型所需存储空间仅为0.28 MB,为VGG16的1/200;火灾火焰识别预测准确率达98%,比SqueezeNet提高了近4个百分点，且具有良好的抗干扰能力，有效缓解了当前卷积神经网络中存在的存储和速度问题。     

基于多传感器融合的林火监测

为了提高近距离火灾监测的准确率,建立了基于Arduino平台的多传感器实时监测系统.此系统安装在移动机器人身上以探测火灾.在林火发生期间,会产生CO、C02明火火焰及其他产物,并引起周围环境温度的升高.因此,选择合适的传感器,检测出以上参数,就有可能据此判断实际环境是否有火.通过在Arduino上搭建火焰传感器、温度传感器、气体传感器和烟雾传感器,可以实时监测环境参数.在无火和有火环境中进行了多次试验,进行数据采集,得到了大量原始数据.无火环境的数据是在不同的天气条件下测得的;有火环境由试验火堆模拟得到.在模拟的过程中,进行人为操作以模拟不同的火情.如通过浇湿底部的可燃物模拟预热阶段,试验数据因此更有代表性.数据分析表明,单个传感器的输出值波动大,且在有火环境和无火环境中的输出值有重叠.因此,用单一传感器来检测火灾的准确率很低.而同时分析3个传感器的输出值时,其输出值随所检测火堆的不同呈现出一致的变化规律.最后,利用神经网络进行多传感器数据融合.涉及5个输入变量,由神经网络实现对多变量的非线性问题进行模式识别.将前述试验所得数据划分为训练数据和测试数据,两类数据均包含一定比例的有火样本和无火样本.用训练数据对BP神经网络进行训练,可得到林火识别模型.用测试数据检验模型,结果表明,该BP神经网络对试验火的识别准确率为98.625％.     

基于蚁群神经网络火灾信息处理技术研究

简要介绍了火灾信息处理技术的发展历程。鉴于传统的BP网络神经算法在时间和收敛性上的不足,提出用蚁群算法来训练神经网络,并针对火灾信息的特征建立模型。最后通过实例进行了验证,说明蚁群算法训练神经网络权值和阀值的方法,用于火灾探测信息处理,提高了信息处理准确率,缩短了训练执行时间。     

基于BP神经网络的受限空间火灾联合探测方法

针对航空受限空间火灾探测高误报的问题,在现有技术成果基础上对多种火灾探测方式进行研讨,并提出1种基于BP神经网络技术的飞机机身内部受限空间火灾联合探测报警方法。该方法结合现有烟雾感应、气体传感器探测等常用火灾探测技术,以红外热成像探测为辅助手段,采用神经网络实现数据融合,对模拟实验舱火灾烟雾进行联合探测,在单一火灾探测方式基础上提高了探测准确率。     

基于北京市火灾统计数据的时间序列分析

采用Box-Jenkins法分析了城市火灾时间序列上的趋势性规律,通过数据预处理和模型的识别与诊断,最终建立了城市火灾预测模型。对北京市2000—2006年的火灾统计数据进行了平稳性处理,通过城市火灾预测模型的建模方法对北京市火灾发生次数的时间序列进行了ARIMA建模。根据得到的ARIMA(1,1,0)(1,1,1)12模型对北京市2007年的火灾发生次数进行了预测,并将该模型和BP神经网络模型的预测结果与实际情况进行对比分析。结果表明,ARIMA模型特别适用于随机性较大的火灾数据的趋势预测,并且方法简单,算法经济。     

基于神经网络的火灾探测系统

本文提出了一种基于神经网络的火灾探测方法,其对火灾的各种状态进行了识别,提高了早期发现火灾的能力,实验结果表明,该方法在火灾自动探测中是一种十分有效的方法。     

基于应变和PSO-BP神经网络的连续梁桥损伤识别方法

以连续梁桥为研究对象,建立了基于应变的损伤识别方法。提出将伪比能变化率作为损伤识别指标,并针对BP神经网络易陷入局部极小的缺点,用改进粒子群(PSO)算法优化BP神经网络的权值和阈值参数,建立PSO-BP网络预测模型。通过建立一座三跨连续梁桥有限元模型,以桥梁易损区域作为损伤识别对象进行数值模拟。结果表明,以伪比能变化率作为损伤识别指标,可以很好地实现对桥梁单位置和多位置损伤的定位及损伤程度识别,损伤程度识别的最大相对误差为3.14%,且网络内插能力优于外延能力。与传统BP神经网络比较,PSO-BP神经网络拥有更为精准的预测能力。     

基于IPSO-BP神经网络的钢丝绳断丝损伤识别模型研究

为解决传统钢丝绳断丝损伤识别方法精度低,BP神经网络陷入局部最优等问题,提出改进粒子群算法（IPSO）的BP神经网络识别模型。通过采集钢丝绳断丝损伤信号,提取缺陷信号特征,用峰值、峰峰值、波宽、波形下面积和波动能量5个特征值组成特征向量作为神经网络的输人,断丝数量作为神经网络的输出;利用改进粒子群算法对BP神经网络的初始权值和阈值进行优化;建立基于IPSO-BP算法的神经网络模型,用于钢丝绳断丝的定量识别。结果表明:IPSO-BPS神经网络模型的钢丝绳断丝损伤识别精度、泛化能力均高于传统BP神经网络模型,且改进的粒子群算法迭代寻优速度更快。     

基于贝叶斯估计的多探测器火警判定方法研究*

为应对感烟探测器的大量误报对消防应急响应带来的挑战,考虑目前以感烟探测器为主的火警设施误报率高且短期内难以全部更换的特点,提出基于贝叶斯估计的多探测器火警判定方法,通过多个探测器的报警时间间隔计算火源位置的后验概率分布,并提出火警真实度概念,为火警判定提供依据。结果表明:使用多探测器耦合模型时每增加1个探测器可将误报率降低约4个数量级,该方法在探测器正常、部分失效、误报的情景下均能有效判别火警。     

基于BP神经网络技术的实验数据分析处理

许多热灾害实验的危险性和成本相对较高,很难进行多次实验,且数据较少。针对这些的问题,笔者根据BP神经网络基本原理,建立多层反向传播的神经网络,以现有实验数据为训练样本,对神经网络进行训练,利用训练后的网络对待测样本进行预测。以喷射火作用下液化气储罐热响应实验的数据处理为例,利用BP神经网络进行压力值预测。将预测的结果和实验数据进行比较,结果表明了神经网络对实验数据进行处理和预测的可行性。     

基于灰色神经网络优化组合模型的火灾预测研究

为了提高火灾事故预测的精度,根据我国火灾事故数据样本较小,波动性较大的特点,将遗传算法优化的灰色无偏预测模型与遗传算法优化的BP神经网络模型结合起来,建立灰色神经网络优化组合模型,充分发挥无偏灰色预测模型适用于小样本的数据预测的优势与BP神经网络处理非线性问题的优点。分别采用遗传算法优化后的无偏灰色GM（1,1）模型、遗传算法优化的BP神经网络预测模型与灰色神经网络优化组合模型对我国1998-2008年的火灾事故进行拟合,并对2009-2011年的火灾事故发生数进行预测。结果表明:灰色神经网络优化组合模型的预测误差最小,精度最高,适用于火灾事故的预测。     

改进型灰色神经网络在火灾预测中的应用研究

为提高火灾事故的预测精度,降低火灾损失,探讨并修正传统GM(1,1)预测模型关于背景值构造的缺陷,将改进后的灰色模型同BP神经网络模型融合,提出改进型灰色神经网络火灾预测模型。依据我国1997—2009年火灾事故统计数据,分别选用改进型GM(1,1)和改进型灰色神经网络模型对1997—2007年火灾发生起数进行拟合仿真,得到2008—2009年火灾起数预测结果。结果表明:该模型在避免GM(1,1)关于背景值构造缺陷的基础上,兼具灰色系统与神经网络的优点,既体现火灾复杂的灰色系统行为,又能自适应调整学习速率,与单一GM(1,1)相比,该模型的预测结果精度更高。     

感烟火灾探测器的灵敏度评测

为了在设计火灾探测系统时，提供探测器的选型依据，该文通过火灾探测综合模拟试验平台(FE／DE)，利用四种国家标准火所用燃料生成典型火灾烟气，对光电型与离子型两种常规点式感烟火灾探测器的灵敏度性能进行了评测与比较。结果表明，对于木材热解生成烟气，与离子感烟探测器相比，光电型探测器的输出烟值增加更为急剧。然而对于棉绳阴燃火、聚氨脂塑料火及正庚烷火生成的烟气，离子型比光电型响应更为灵敏，特别是对于后两者明火生成的能够吸收光而减弱光散射的黑烟。最后指出，依据监控场所中可能存在的可燃物种类而选择相应类型的火灾探测器，将提高所设计火灾报警系统的可靠性。     

基于数字锁相技术的飞机货舱火灾烟雾光学参数方法研究*

为解决飞机货舱火灾光学探测易受环境杂光和空气中灰尘、水汽干扰,误报率高的问题,提出1种基于数字锁相的双波长火灾烟雾探测方法。利用数字锁相技术调制双波长光源,选择性地提取微弱光散射信号,并设计前、后双向散射光探测光路。采用常见火灾材料及干扰源进行真假火源实验,依据米氏散射理论及不同粒径气溶胶颗粒对不同波长光的散射效应差异,以不对称比（AR）和双波长光强比（DWIR）作为火灾检测参数对不同粒径颗粒进行区分,根据2种火灾检测参数建立数据样本,利用BP神经网络进行分析,并加入复合式传感器实验作为对比。研究结果表明:基于数字锁相技术的火灾烟雾光学探测方法能够在一定程度上区分火灾烟雾和干扰源,误报率小于3.5%。     

基于气压监测的外浮顶储罐火灾报警系统研究

目前,外浮顶储罐的火灾报警系统是采用光纤光栅火灾报警系统。但是,考虑到光纤光栅火灾报警运行费用高和存在报警盲目的缺点,研制了基于气压监测的外浮顶储罐火灾报警系统。针对不同型号的感温探头,开展了火灾报警系统火灾报警响应时间和报警温度实验,分析了火焰距离、热熔管管径以及管壁厚度与对火灾报警响应时间和报警温度的影响。实验结果表明:随着火焰距离的增大,报警响应时间增长;相同火焰距离条件下,随着感温热熔管直径的增大,报警响应时间增长,报警温度升高。Φ6热熔管的火灾报警温度为116.8℃,Φ8热熔管的火灾报警温度为129.1℃,Φ10热熔管的火灾报警温度为156.7℃。