DOI：10.13199/j.cst.2011.02.70.chengcx.031 第 39 卷第 2 期 月 2011 年 2 煤 炭 科 学 技 术 Coal Science and Technology Vol. 39 No. 2 Feb． 2011 基于径向基函数神经网络的矿井智能火灾探测方法 程彩霞1，孙富春2，周心权1 ( 1． 中国矿业大学 ( 北京) 煤炭资源与安全开采国家重点实验室，北京 ) 清华大学 智能技术与系统国家重点实验室，北京 ; 100083 100084 2． 摘 要: 为了提高矿井火灾探测器对环境的适应力和抗干扰能力，采用逼近能力、分类能力和学习 速度等方面优于 BP 网络的径向基函数神经网络，在 MATLAB 环境下构建火灾探测仿真模型，以温 度、烟雾浓度、CO 气体浓度作为输入，进行多信息数据融合，达到矿井火灾探测目的。仿真结果 表明，该方法对明火、阴燃火和无火概率的识别误差均小于 5% ，可大幅降低火灾报警的漏报和误 报率。模糊系统和神经网络相结合的手段，能有效监测矿井火灾的产生，对于智能火灾报警系统研 究具有参考价值。 关键词: 径向基函数; 神经网络; 中图分类号: TD67 文章编号: 0253 － 2336 文献标志码: A ; 智能火灾探测 02 － 0065 － 04 MATLAB 2011 ( ) Mine Intelligent Fire Disaster Detection Method Based on Radial Basis Function Neural Network CHENG Cai-xia1， ZHOU Xin-quan1 ， SUN Fu-chun2， China University of Mining and Technology ( Beijing 1． State Key Lab of Coal Resources and Safety Mining ( 2． State Key Lab of Intelligent Technology and Systems ， Tsinghua University ， Beijing 100084 China ) ， Beijing 100083 ， ) ， China ; : Abstract In order to improve the environment suitability and the anti interferences capacity of the mine fire disaster detector basis function neural network with the approximation capacity classification capacity and learning speed better than the BP network was ， ， the radial ， applied to establish the mine fire disaster detection simulation model under the MATLAB environment． The temperature smoke density and CO density was applied to the input for the multi information data integration to reach the target of the mine fire disaster detection． The simulation results showed that the identification probability error of the open fire the shade fire and no fire by the method would be all less ， than 5% and the method could highly reduce the missed detection and incorrect detection rate of the fire disaster early warning． The means combined with the fuzzy system and the neural network could effectively monitor and measure the mine fire disaster to be occurred and would have the reference value to the study on the intelligent fire disaster warning system． Key words radial base function neural network MATLAB intelligent fire disaster detection : ; ; ; 1 概 述 、 、 光 矿井火灾是一种伴随有烟 热的化学和物 理过程，火灾探测就是以该过程中产生的各种现象 为依据，获取火警信息，并把这种信息转化为电信 目前，国内矿井应用的火灾自动报警 号进行处理 系统大部分属于单一传感器被动式报警系统，这种 系统存在一些不可避免的问题，例如某些采用感光 器件的探测器，会受到粉尘 照明灯光等干扰，采 用感烟器件的探测器经常受到各种气流的干扰，并 。 、 基金项目: 2008 国家科技支撑计划资助项目 ( 自主课题资助项目 ( 2007BAK22B04 ) SKLCRSM08B12 ) ; 十一五 “ ” 。 且对探测信号的处理，就是简单的阈值判断和趋势 算法，原理非常简单 这些方法和技术在实际应用 中虽有能力探测矿井火灾，但随着传感器安装数量 的增加，简单的判断算法所造成的虚报警概率大幅 增加，使报警系统容易出现误报或漏报现象 传统 火灾探测技术已无法满足现实矿井火灾报警的需 针对传统火灾探测技术无法满足现实复杂 要［ 火灾报警的需要，提出了一种基于径向基函数神经 网络) 的火灾探测方法，以火灾 网络 ( 简称 RBF 初期常见的温度 烟雾浓度 浓度作为系统输 入，建立神经网络火灾探测仿真模型，利用神经网 自适应的特性，进行多传感器信号融 络自学习 合，并对网络进行训练和仿真计算，该方法具有较 、CO 、 、 。 。 1 － 3 ］ 56 中国煤炭期刊网 www.chinacaj.net

2011 年第 期 2 煤 炭 科 学 技 术 第 39 卷 强的容错和抗干扰能力，可提高早期发现矿井火灾 的能力，误报率和漏报率低，对于矿井安全生产监 测具有重要的意义 。 2 RBF 神经网络 2. 1 网络结构 ］ 4 。 智能化处理是矿井火灾探测方法的核心，是进 人工 一步提高可靠性和减少误报的关键所在［ 神经网络是一种旨在模仿人脑结构及其功能的脑式 智能信息处理系统，其功能取决于网络的结构 连 接强度以及各单元的处理方式，具有自适应性 自 、 组织性和很强的学习能力，它们在模式识别 系统 辨识 信号处理和预测预估等领域已成功地解决了 许 多 复 杂 的 实 际 问 题， 呈 现 出 良 好 的 智 能 特 性［ 、 、 、 5 － 6 ］ 。 BP BP 网络，由于 现有的人工神经网络火灾探测模型，运用较多 网络权值的调节采用负梯 的是 度下降法，这种调节权值的方法有一定的局限性， 容易陷入局部极 即存在收敛速度慢 小值等缺点 分类能 网络建 力和学习速度等方面均优于 立火灾探测方法，以提高火灾探测精度 网 络结构如图 所以，本文采用在逼近能力 训练时间长 网络的 所示［ 。RBF RBF BP 。 、 、 、 ］ 7 1 。 ( ) x Ri — 基函数; 图 1 RBF 网络结构 Wik —RBF 网络的输出权值 输入节点只传递输入信号到隐层; 隐层节点由 像高斯函数那样的辐射状作用函数构成，隐层节点 中的作用函数 ( 基函数) 对输入信号将在局部产 生响应，具有局部逼近能力; 输出层节点采用线性 隐层节点中的作用函数 ( 基函数) 对输 函数［ 入信号将在局部产生影响，当输入信号靠近基函数 的中央范围时，隐层结点将产生较大的输出，因此 网络具有局部逼近能力，也称为局部感知场 。 ］ 8 RBF 网络 。 66 2. 2 RBF 算法 RBF 本文 网络模型采用最近邻聚类学习算法 。 该算法是一种在线自适应聚类学习算法，不需要事 先确定隐单元的个数，完成聚类所得到的 网 络是最优的，并且此算法可以在线学习［ 具体 ］ 8 步骤如下 RBF 。 。 ) 选择一个适当的高斯函数宽度 ，定义一 ) 用于存放属于各类的输出矢量之和， ) 用于统计属于各类样本的 r ( ( 1 个矢量 定义一个计数器 个数，其中 A l l ) 从第 2 1 B l 为类别数 。 个数据对 ( 建立 一 个 聚 类 中 心，令 这样建立的 ( ) 1 = 1。 B 元，该隐单元中心为 矢量 ( ) c1 1 ( ( A x1 x1 ， ) 开始，在 ， ) 1 网络，只有 上 y1 ， c1 = x1 = y1 个隐单 RBF ，该隐单元到输出层的权 ) 1 r 2 。 为 ) ) ，求出 / B 个样本数据对 ( w1 = A 1 ) 考虑第 3 的聚类中心距离 到 c1 ，则 ， ， x2 若 | x2 － c1 | 。 的最近邻聚类，且令 ， ( y2 x2 | x2 － c1 | ≤ ( = y1 + | x2 － c1 w1 = A 作为一个新的聚类中心，并令 c2 = x2 ， 在上述建立的 RBF = y2 B x2 个隐单元，该隐单元到输出层的权 网络中再添加 1 ( ) 矢量 x2 c1 ( = 2 ，则将 ( ) A ) ; 若 y2 | ＞ r = 1。 ， / B B A 1 1 1 1 2 2 ( ) ) ( ) ) ( w2 = A ) 假设考虑到第 4 / B 2 2 。 ( ， 样本数据对 ( xk 其中心点分别为 yk ， c2 网络中心中已有 M 个聚类中心的距离 RBF 这 c1 k k = 3 ) 时，存在 ， ， cM 个隐单元 … N … ， ， 4 ， ) 个 个聚类中心， M ，在上述建立的 再分别求出到 ， 。 ， ， … 为这些距离中的最小距离，即 | xk － ci | ， 2 i = 1 | xk － cj | 的最近邻聚类 ) 根据最近邻聚类学习算法，建立的 。 cj 网 RBF M ，设 M 为 xk 5 络输出 ( xk) 应为 f ( f xk) = m ∑ i = 1 W1 exp ( － | xk － ci | 2 ) r2 ( － exp m ∑ i = 1 | xk － ci | 2 ) r2 r 。r RBF 的大小决定了动态自适应 网络的 半径 越小，所得到的聚类数目就越多，计 复杂程度 越大，所得到的 算量也就越大，精度也就越高 聚类数目就越少，计算量就越小，但精度也就越 是一个一维参数，通常可以通过试验和 低 ，这比同时确定隐单元 误差信息找到一个适当的 由于 。r 。 r r 中国煤炭期刊网 www.chinacaj.net

程彩霞等: 基于径向基函数神经网络的矿井智能火灾探测方法 2011 年第 期 2 输出数据对都可能产生一个新的聚类 的个数和一个合适的范围要方便得多 输入 此，这种动态自适应 行参数和结构 个过程的自适应调整 由于每一个 因 网络，实际上同时在进 RBF 。 。 － 。 2 3 仿真分析 3. 1 仿真模型建立 RBF 本文 代表温度 输出层为发生 明火概率 、 3 烟雾浓度 网络的输入层神经元为 个，分别 气体浓度的输入信号， 种有代表性的火灾状态的概率，即 、CO 3 阴燃火概率 无火概率 。 、 RBF 、 网络输入的物理量各不相同，数量相差 甚远，为防止小数值信息被大数值所淹没，需要在 ， ］ 的小数， 网络训练前先将输入信号归一到 ［ 1 0 同时，将有量纲的表达式，经过变换，化为无量纲 的表达式，成为纯量，加快训练网络的收敛性 本 文通过对于火灾初期的 网 络的训练样本集，采用 内部函数对这些 样本数据进行归一化，期望输出分别为无火概率 阴燃火概率和明火概率 组试验参数作为 MATLAB RBF 。 10 、 。 概率的给出是依据现有的国内外标准以及国内 具体的样本集数据和 外核心期刊上己发表的文章 期望输出值见表 。 1。 表 1 RBF 网络训练样本 输入样本 预期值 温度 烟雾浓度 CO 浓度 明火概率 阴燃火概率 无火概率 样本 序号 1 2 3 4 5 6 7 8 9 0. 90 0. 93 0. 88 0. 95 0. 98 1. 00 0. 90 0. 45 0. 45 10 0. 45 0. 13 0. 18 0. 18 0. 20 0. 20 0. 25 0. 22 0. 15 0. 15 0. 80 0. 20 0. 25 0. 35 0. 75 0. 80 1. 00 1. 00 0. 50 0. 60 0. 65 0. 75 0. 75 0. 70 0. 80 0. 85 0. 90 0. 80 0. 45 0. 45 0. 50 0. 20 0. 20 0. 25 0. 20 0. 15 0. 10 0. 20 0. 35 0. 35 0. 35 0. 05 0. 05 0. 05 0. 00 0. 00 0. 00 0. 00 0. 20 0. 20 0. 15 3. 2 仿真结果分析 在 ， MATLAB ， P Spread MN 为输入矩阵; Goal 中: T 方根误 差 目 标 值，取 径，取 ; 环 境 下， 利 用 ) 创建一个 ， RBF 为期望输出矩阵; newrb DF ; 0. 001 Spread P ， ( ， T 网络，其 为均 为 基 函 数 半 ; Goal 为 隐 含 层 神 经 元 数 目，取 MN 0. 05 35 为在输入与输出之间需要增加的神经元数目 DF 。 建好网络后，对网络进行训练可知，该模型收敛速 度快，训练时间短 ( ) 函数进行 仿真计算，仿真结果与预期值对比见表 最后，利用 sim 。 2。 表 2 仿真结果与预期值对比 仿真结果 预期值 明火概率 阴燃火概率 无火概率 明火概率 阴燃火概率 无火概率 0. 753 4 0. 749 3 0. 700 0 0. 795 3 0. 852 0 0. 900 0 0. 800 0 0. 450 0 0. 450 0 0. 500 0 0. 208 8 0. 198 2 0. 250 1 0. 188 0 0. 155 1 0. 100 0 0. 200 0 0. 350 0 0. 350 0 0. 350 0 0. 037 8 0. 052 6 0. 049 9 0. 016 7 0. 007 0 0. 000 0 0. 000 0 0. 200 0 0. 200 0 0. 150 0 0. 75 0. 75 0. 70 0. 80 0. 85 0. 90 0. 80 0. 45 0. 45 0. 50 0. 20 0. 20 0. 25 0. 20 0. 15 0. 10 0. 20 0. 35 0. 35 0. 35 0. 05 0. 05 0. 05 0. 00 0. 00 0. 00 0. 00 0. 20 0. 20 0. 15 样本序号 1 2 3 4 5 6 7 8 9 10 火识别概率平均误差为 平均 误 差 为 通过仿真计算结果和预期值对比可以得出，明 ，阴燃火识别概率 ，无 火 识 别 概 率 平 均 误 差 为 网络对火灾的识 2. 98% 。 别率很高，达到预期效果，可大幅降低火灾报警系 训练后的火灾探测 1. 47% 0. 14% RBF 统误报率和漏检率，提高火灾自动报警系统的可靠 性和可信度 。 论 4 结 采用 RBF 神经网络方法，考虑了温度 烟雾 、 76 中国煤炭期刊网 www.chinacaj.net

2011 年第 期 2 煤 炭 科 学 技 术 第 39 卷 。 种参数与火灾的关系，对矿井 浓度及 3 火情预测是可行的［ ］ 9 浓度等 CO 1 ) 通过对神经网络训练和计算，可知 种火情识别误差均小于 经网络预测出的 别率高，可大幅降低火情误报和漏报的风险 3 RBF 神 ，识 5% 。 2 ) 基于神经网络的火灾报警系统可同时对多 种传感器数据进行分析预测，提高了对环境的适应 能力以及系统的抗干扰性能，可准确预测发生火灾 的可能性 3 ) 在此研究基础上，将进一步考虑模糊系统 和神经网络相结合的手段，研究智能火灾自动报警 系统，有效预报矿井火灾或爆炸的产生，这对于矿 井安全生产具有重要的意义 。 。 参考文献: ［ ］ 樊 强 1 ］ ［ D ． ［ ］ 3 Susan L． Rose － Pehrsson． Early Warning Fire Detection Sys- tem Using a Probabilistic Neural Network ， 2003 ， 39 ( ) : 2 gy 147 － 171． ［ ］ J ． Fire Technolo- ［ ］ 陆伟华 4 人工神经网络 科技情报开发与经济， . BP 17 人工神经网络教程 ［ 2007 算法在评价网站中的应用 ［ ］ J ． ， ) : 北京: 北京邮电大学出 170 － 172． ( 6 ］ ． M . ］ 韩力群 ［ 5 版社， ［ ］ 赵振宇 6 : 12． 2006 模糊理论和神经网络的基础与应用 ［ ］ ． M . 北京: 辅助神经网络分析与 清华大学出版社， 1996． ［ ］ 飞思科技产品研发中心 7 设计 ［ M ］ ． . MATLAB6. 5 北京: 电子工业出版社， ［ ］ 周俊武，孙传尧，王福利 8 . ］ 究及实现 ［ J ． ［ ］ 吴 起，蒋军成 9 矿冶， 基于 . 2003． 径向基函数 ( ， ) : ( ) 网络的研 RBF 2001 10 4 86 － 90． 神经网络技术的实验数据分析处 BP ］ 理 ［ J ． 中国安全科学学报， 2006 ， 16 ( ) : 1 39 － 43． 作者简介: 程彩霞 ( 1978—) ，女，湖 北 武 汉 人，博 士 研 究 生，研究方向为安全技术及工程。Tel: 010 － 82718997，E － mail: 基于模糊神经网络的智能火灾报警关键技术研究 . 咸阳: 西北农林科技大学， : 6． ccxwuhee@ 126. com 2007 ［ ］ 臧小杰，王 焱，罗云林 2 . 基于模糊 ］ 监测系统研究 ［ J ． 煤炭学报， 2000 － ， 神经网络的火灾报警 ( ) : 3 283 － 286． 25 收稿日期: 2010 － 08 － 28 ; 责任编辑: 赵 瑞 5 38 页) ］ 存规律的影响分析 ［ J ． 檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶檶 ( 上接第 测定结果，东周窑煤矿井田内 号煤层的瓦斯含量 小，瓦斯组分以氮气为主，甲烷浓度较低，表明东 号煤层处于瓦斯风化带; 另外由 周窑煤矿井田内 号煤的变质程度较低，成煤期生成气量较小， 于 且由于第三系地层的变薄，使得瓦斯大量逸散; 井 田内一些张性构造的存在，也为瓦斯向地面运移提 供了通道，这些都是导致东周窑煤矿井田内 号煤 层处于瓦斯风化带的主要原因 22 － 24． ］ 浅谈地质构造对煤与瓦斯突出地带的控制 ［ J ． ) : 2 ］ 袁泽东，王芬芝，朱双龙 ［ 6 2010 平顶山矿区构造煤的分布规律及其对煤与瓦斯突 ］ 徐德金，胡宝林 ［ . 5 中州煤炭， 24 － 28． 浅析滑动构造对崔庙煤矿瓦斯 ］ 黄永菲，丁金华，蒋国芳，等 ［ 4 影响煤层瓦斯赋存规律的地质要素分析 ］ 斯赋存规律的影响 ［ J ． ］ 赋存条件的控制 ［ J ． 地质构造对裴沟矿煤层瓦 ［ ］ 韩习运 8 ［ ］ 任洪斌 7 煤炭工程， 中州煤炭， 中州煤炭， 备制造， ］ ［ J ． 57 － 60． 35 － 38． 34 － 38． 2009 2009 2009 2010 装 ) : 11 ( ) 3 ( ) 1 ) : 5 5 . . 5 ( ( 2 ( : : . . 。 2 ) 由于瓦斯的赋存受地质因素和地质条件影 响较大，瓦斯赋存存在局部不均衡性，建议随着矿 井开拓开采区域的扩大和煤层开采深度的加大，加 强 号煤层及其邻近层的瓦斯含量和瓦斯组分的测 定工作，并根据测定结果检验和修正矿井瓦斯涌出 量预测结果，确保安全生产 5 。 参考文献: ］ 李春生，冯 月 新，刘 善 斌 ［ 1 ］ ［ J ． 中国煤田地质， 2001 . ， 大 同 煤 田 北 部 瓦 斯 赋 存 规 律 ( ) : 4 22 － 24． 13 ］ 出的影响 ［ J ． 中州煤炭， 矿井瓦斯防治 ［ 2009 ］ ． M ) : ( 7 徐州: 中国矿业大学出版 45 － 47． ［ ］ 俞启香 9 . 社， 1992． ［ ］ 国家煤矿安全监察局 10 煤矿安全规程 ［ ］ ． M . 北京: 煤炭 工业出版社， 2010． ［ 11 ］ 山西省地质矿产勘查开发局二一七地质队 山西省大同煤 田东周窑井田石炭二叠系煤炭资源补充勘探报告 ［ ］ R ． 大同: 同煤同发东周窑煤业有限公司， ． 2007． 作者简介: 冯 彬 ( 1969—) ，男，山西应县人，工程师，现 任同煤集团同发东周窑煤矿的副总工程师，主要从事矿井通风安全 与瓦斯防治工作。联系人: 周爱桃，Tel: 15210567636，E － mail: ［ ］ 张春光，姜 波，朱慎刚，等 2 . 淮北祁南井田瓦斯赋存规律 zat@ hpu. edu. cn ］ 及影响因素分析［ J ． ［ ］ 曹国华，田富超，郝从娜 3 . 86 中国煤炭地质， ， ( ) : 2010 26 － 30． 地质构造对寺河矿煤层瓦斯赋 22 1 收稿日期: 2010 － 08 － 12 ; 责任编辑: 王晓珍 中国煤炭期刊网 www.chinacaj.net