贝叶斯网络在火灾报警系统中的应用_陈静
2011年第10期仪表技术·47·
贝叶斯网络在火灾报警系统中的应用
1,22
陈静,付敬奇
(1.安徽理工大学电气学院,安徽淮南232001;2.上海大学机电工程与自动化学院,上海200072)
摘要:在火灾报警系统中火灾概率分析存在不确定性因素问题,为此文章提出用贝叶斯网络对火灾概率进行分析。首先通过分析火灾燃烧原理,得到火灾概率与燃烧过程产生的物化特征之间的内在逻辑关系;在定义火灾燃烧特征参量作为贝叶斯网络节点变量的基础上,创建了基于Netica 的火灾报警系统贝叶斯网络模型。通过概率推理和对节点的证据敏感性分析,验证了利用贝叶斯网络模型对火灾发生概率进行分析是可行的、有效的。
关键词:贝叶斯网络;火灾报警系统;概率推理中图分类号:TP277
文献标识码:A
文章编号:1006-2394(2011)10-0047-05
Bayesian Network's Application in Fire Alarm System
2
CHEN Jing 1,,FU Jing-qi 2
(1.School of Electrical and Information Engineering ,Anhui University of Science and Technology ,Huainan 232001,China ;
2.School of Mechatronics Engineering and Automation ,Shanghai University ,Shanghai 200072,China )
Abstract :Aimed at the problem of false alarms caused by information uncertainty existing in the fire alarm system ,the multi-sensor Bayesian network is proposed to analyze the fire alarm system.The internal logic relationship between the fire alarm and the physical and chemical characteristics generated in the process of fire burning is obtained through analysis of the fire mechanism.Based on defining node variables in the Bayesian network ,multi-sensor Bayesian net-work model for the fire alarm system is created in Netica.The node's sensitivity to findings is analyzed ;probabilistic in-ference verified that analyzing fire probability through the multi-sensor Bayesian network model is feasible and effective.
Key words :Bayesian network ;fire alarm system ;probabilistic inference
0引言1贝叶斯网络理论
基于多传感器的智能火灾报警系统是目前研究的
1]主要领域。文献[提出了一种基于神经网络的火灾2]将多传感器信息融合用于火警预探测方法;文献[
3]将传感器的输出信号模糊化后送入报系统;文献[
神经网络进行处理,然后由模糊逻辑判决火灾;文献
[4]把图像处理技术引入火灾报警系统,以实现火灾检测及报警的自动化。当系统结构、监控对象、工作条件变化,存在不确定因素时,希望火灾报警系统能应对这些变化。本文通过对火灾燃烧机理分析,建立了火灾报警系统的多传感器贝叶斯网络模型;通过该模型,可对发生火灾的相关因素进行推理,可对火灾发生进行及时预测,为消防指挥人员决策提供依据;并且,对该模型进行证据敏感性分析,确定对火灾网络节点影响最大的因素。
BN ),贝叶斯网络(Bayesian Network ,又称信度网
络(Belief Networks ),是基于概率推理的图形化网络,能直观地表示一个因果关系,可将复杂的变量关系表示为一个网络结构,通过网络模型反映问题领域中变量的依赖关系,是目前不确定知识表达和推理领域最有效的理论模型之一。1.1贝叶斯网络定义
贝叶斯网络是一种表示变量间概率分布及关系的
DAG )模型。网络有向无环图(Directed Acyclic Graph ,
中,每个节点代表随机变量,节点间的有向边(由父节
点指向其后代子节点)代表了节点间的依赖关系,每个节点都对应一个条件概率表(Conditional Probability Table ,CPT ),表示该变量与父节点之间的关系强度,没有父节点的用先验概率进行信息表达。
收稿日期:2011-07
“863”基金项目:国家计划基金资助项目(2007AA04Z174);淮南市科技计划项目(2009A05011)
作者简介:陈静(1971—),男,讲师,博士,研究方向为多传感器数据融合技术、数据挖掘技术。
贝叶斯网络的一个关键特征是把整个概率分布分解成几个局部分布,网络的拓扑结构清晰地表明了如何从局部的概率分布获得完全的联合概率分布。为了叙述方便,把每个节点标注的变量概率信息表示为B =(S ,P ),V (包其中S 是一个能表示变量域的DAG ,
L 表示有向边的含n 个有限变量V i )是随机变量集合,
P 表示条件概率分布集,集合,则用数学符号表示一个
贝叶斯网络模型为:
B =(S ,P )=(V ,L ,P )
(1)
L ),V ={V 1,V 2,…,V n },L ={V i V j |V i ,V j 其中:S =(V ,
P ={P (V i |V 1,V 2,…,V i -1,V i ∈V )}。∈V },1.2
贝叶斯网络组成
一个贝叶斯网络主要由两部分构成,分别对应问题领域的定性描述和定量描述,即贝叶斯网络结构和网络参数。
贝叶斯网络结构就是一个有向无环图(DAG ),由一个节点集合和一个有向边集合组成。节点集中的节点变量可以是任何问题的抽象,代表感兴趣的现象、部件、状态或属性等,具有一定的物理和实际意义。有向边表示变量之间的依赖或因果关系,有向边的箭头代表因果关系影响的方向性(由父节点指向子节点)。节点之间若无连接边,表示节点所对应的变量之间是条件独立的。
网络参数(概率参数)是反映变量之间关联性的局部概率分布集,即条件概率表(CPT ),该表列出了每个节点相对于其父节点所有可能的条件概率。贝叶斯网
V i 与任意非V i 子节点络约定以节点V i 的父节点为条件,
条件独立。概率值表示子节点与其父节点之间的关联
强度或置信度,没有父节点的节点概率为其先验概率。网络结构是将数据实例抽象化的结果,是对问题领域的宏观描述。而概率参数是对变量之间关联强度的精确表达,属于定量描述。1.3贝叶斯网络学习
贝叶斯网络解决实际问题的基础是贝叶斯网络学习。贝叶斯网络学习就是要寻找一种网络,能够按照某种测度最好地与给定实例数据集拟合,即寻找一个有向无环图的结构和一个与有向无环图中每个节点相关的条件概率表(CPT )。寻找有向无环图称为网络结构学习,获取条件概率表称为网络参数学习。
(1)贝叶斯网络的结构学习网络结构与数据集可以确定参数,因此结构学习是贝叶斯网络学习的基础,有效的结构学习方法是构建最优网络结构的关键。
贝叶斯网络结构学习方法大致分为两类:一类是基于打分-搜索的学习方法;另一类是基于依赖分析的
学习方法。也有学者将以上两种方法结合提出了混合结构学习方法。
(2)贝叶斯网络的参数学习
贝叶斯网络参数学习实质上是在已知网络结构的条件下,来学习每个节点的条件概率表。早期,条件概率表是由专家知识指定的,往往与观测数据产生偏差较大。当前常用方法是从数据样本中学习节点的概率这种数据驱动的学习方法具有很强的适应性。分布,
根据观测状况,数据样本可分为完备数据集和不完备数据集。完备数据集中的每个实例都具有完整的观测数据;不完备数据集是指对某个实例的观测有部分缺值或隐藏的情况。
对完备数据集的学习有两种常用的学习方法:最大似然估计方法和贝叶斯方法。对不完备数据的学Carlo 方法,习,一般要借助于近似的方法,如Monte-Gaussian 逼近,以及EM 算法等。1.4
贝叶斯网络的概率推理
贝叶斯网络的概率推理(Probabilistic Inference )
就是贝叶斯网络解决实际问题的过程。概率推理就是进行概率计算,在贝叶斯网络模型给定的情况下,根据已知证据节点变量的概率分布,利用条件概率的计算方法,计算出所感兴趣的查询节点变量发生的概率。
设所有随机变量集合为V ,给定节点变量集合E 为集合V 的子集,其中E 取值用e 表达(假定为True 或False ),即E =e ,这些给定的变量通常由传感器获得,称之为证据。查询节点变量集合为Q ,其值为q i 。概率推理就是在给定证据E =e 时,计算条件概率:
p (Q i =q i |E =e )=
p (V i =q i ,E =e )
p (E =e )
(2)
贝叶斯网络概率推理主要包括以下几种推理方式:(1)因果推理(causal inference )。由原因推出结down inference );已知原论,也称自顶向下的推理(top-因,利用推理计算,求出原因导致结果发生的概率。(2)诊断推理(diagnostic inference )。由结论推
up inference );出原因,也称自下向上的推理(bottom-已知发生了某些结果,根据推理计算,找到造成该结果
发生的原因和发生的概率。
(3)支持推理。提供解释以支持所发生的现象(explaining away ),目的是对原因之间的相互影响进行分析。22.12.1.1
贝叶斯网络模型的建立火灾的机理分析
火灾的概念
火灾,是指失去控制的燃烧所造成的灾害。
根据火灾温度随时间变化的特点,可以将火灾发展过程分为四个阶段,即:初始阶段;烟雾燃烧阶段;火可长焰燃烧阶段;剧烈燃烧阶段。初始阶段发展很慢,达数小时;后三个阶段时间较短,约几秒钟 十几分钟。传统传感器一般都在火灾的后三个阶段发出报即使发现火警也为时过晚。所以,初始阶段是灭火警,
的最有利时机,应设法争取尽早发现火灾,把火灾及时控制消灭在起火点。
2.1.2火灾探测量的选择
火灾燃烧过程释放热量,伴有火焰、燃烧音,并生
CO 等。工程上通常采用的火灾探测成新物质,如:烟、手段是利用各种火灾传感器提取燃烧过程产生的物化
特征,主要有:火焰、燃烧产物以及燃烧音。能够表示这些特征的物理量称为火灾探测特征参量。
1)火焰
火灾火焰一般具有较为明显的物理特征:火焰辐火焰光谱、火焰形状和火焰闪烁,这些物理特征为射、
探测火灾提供了可行性。火灾探测特征参量有红外光、紫外光和火焰形状。所涉及的传感器有红外传感器、紫外传感器、图像传感器等。
2)燃烧产物
燃烧产物包括气体产物和固体产物,同时伴随温度变化。
气体产物:主要成分为CO 和CO 2,气体产物的典型物理特征是:气态特征光谱、气态浓度和气体温度,火灾探测特征参量有CO 和CO 2,所涉及的传感器有气体传感器。
固体产物:主要是火灾中的烟。物理特征有:对光线的吸收和散射作用、对离子的阻挡和俘获作用、带静在流动中保持相当的温度,火灾探测特征参量为电荷、烟,所涉及的传感器有感烟传感器、静电传感器、图像传感器。
温度变化:火灾燃烧产生大量的热量,物理特征是温度变化,火灾探测特征参量为温度,所涉及的传感器为感温传感器。
3)燃烧音
火灾燃烧过程中产生的高温,会加热周围的空气并使之膨胀形成频率仅数赫兹的压力声波,即次声。次声是燃烧过程中产生的共同现象,且此频带中日常
所以在这个频带进行探测可以去除相当杂音也很少,
大部分的噪声干扰。燃烧过程中通常在可听域及超声
域也会产生声波,但不易对火灾作出准确判断。火灾探测特征参量为次声波,所涉及的传感器为声音传感器。
火灾燃烧是一个复杂多变的物理化学反应,很难
用一种火灾探测特征参量来探测。选择合适的火灾特
征参量组合对于及时报警来说是非常关键的。特征参特征量数目少则无法区分不同性质的火源和非火源,
参量数目多能够提高传感器的灵敏度,但也增加了算法的复杂程度。2.1.3火灾传感器
火灾传感器的基本功能就是检测火焰、燃烧气体、烟雾、温度和燃烧音等火灾探测特征参量,送到火灾报警系统。根据工作原理和检测对象不同,火灾传感器分为:感光式火焰传感器、可燃气体火灾传感器、感烟式火灾传感器、感温式火灾传感器等。
1)感光式火灾传感器
物质燃烧时产生可见或不可见的光辐射。感光式火灾传感器是响应火灾的光特性,即扩散火焰燃烧的光照度和火焰的闪烁频率的一种火灾传感器。根据火
目前使用的火焰传感器有三种:一种是对焰的光特性,
另一种是对波波长较短的光辐射敏感的紫外传感器,
长较长的光辐射敏感的红外传感器,第三种是同时探测火焰中波长较短的紫外线和波长较长的红外线的紫外/红外混合传感器。
2)CO 传感器
绝大多数火灾都要产生一氧化碳(CO )气体,在燃烧不充分的火灾早期更是这样,而且CO 气体比空气轻,扩散性比烟雾更强,特别是许多使常用感烟传感器误报的干扰源并不产生CO 气体。火灾发生初期若能及时探测出有大量CO ,就可以极早探测到火灾信号。CO 气体传感器使用半导体材料作为气敏元件,它利用CO 气体在半导体表面的氧化和还原反应导致敏感元件阻值变化,从而实现把难以测量的CO 浓度转化为电信号。
3)感烟式火灾传感器在火灾初期,由于温度较低,物质多处于阴燃阶段,所以产生大量烟雾。烟雾是早期火灾的重要特征之一,感烟式火灾传感器是能对可见的或不可见的烟雾粒子响应的火灾传感器。它是将探测部位烟雾浓度的变化转换为电信号实现报警目的的一种器件。感烟式火灾传感器有离子感烟式、光电感烟式、激光感烟式等几种型式。
4)感温式火灾传感器
使周围温度变化。感火灾燃烧产生大量的热量,
温式火灾传感器是对警戒范围中某一点周围温度变化
时响应的火灾传感器,它是将温度的变化转换为电信号。根据监测温度参数的不同,一般感温式火灾传感器有:定温式,温度上升到预定值时响应的火灾传感器;差温式,温升速度超过一定值时响应的火灾传感
器;差定温式,兼有定温、差温两种功能的火灾传感器。当然还有其他传感器。2.2
定义贝叶斯网络节点变量
要创建贝叶斯网络首先必须确定网络节点。基于
认为火灾传感器的检测量即为上述火灾机理的分析,
贝叶斯网络的节点或变量。贝叶斯网络节点变量代表
了研究对象的属性特征,变量有两种:离散变量和连续Netica 可以处理连续变量。然而,变量,由于概率推理全部采用离散表处理,所以要把连续变量转换到离散量。
限于篇幅,本文只介绍如何定义CO 变量。通常空气中CO 浓度很低,火灾燃烧伴随着CO 气体的产生,从而使空气中CO 浓度急剧升高。因此,可以认为CO 浓度变化是火灾发生的一个重要属性特征。本文将CO 浓度分成三个等级:低(Low )、中(Medium )、高(High ),作为CO 节点的三个状态,分别对应空气中CO 浓度变化的不同阶段。2.3
构建有向无环图
本文采用Netica 软件创建贝叶斯网络模型,并进
公式方法创建条件概率表。(3)基于案例学习获得条
件概率表。在获得条件概率表的同时,也构建网络结构。本文综合使用了专家知识和编辑公式两种方法,定义后的条件概率表见图2。图中,赋予了条件概率贝叶斯网络信度栅为深色
。表且编译后,
图2编译后的火灾报警系统的贝叶斯网络模型
网络中每个节点变量都隐含了该节点的条件概率表,表1是“火焰”节点的条件概率表。表的左边是“火焰”的3个父节点的状态组合,右边是“火焰”相对于其父节点状态组合的概率分布。
表1
短路故障节点的条件概率表
行概率推理。Netica 软件由加拿大Norsys 公司开发,具有友好的图形用户界面(Graphical User Interface ,GUI ),是目前功能最丰富的贝叶斯网络软件,功能包括:构建网络结构,定义节点关系,贝叶斯概率推理,决策分析和敏感性分析等。
运用贝叶斯网络进行分析,需要首先构造所描述问题的网络结构。一般来说,有两种方法:一是利用专家知识手工建立;二是通过案例学习(learning from ca-ses )自动获得。本文基于专家知识,结合前面对火灾机理、火灾探测量的分析,采用手工方法创建了贝叶斯
如图1所示。图中的信度栅为浅色,是因为网络结构,
没有编译(Compile ),且没有给节点变量状态赋值
。
33.1
注意:表中各行的概率之和必须准确到1.0,即任一个状态节点的概率总和必须为1.0。
贝叶斯网络概率推理
火灾发生概率分析
如图3所示,基于贝叶斯网络,假设将CO 浓度作为证据变量。若目前CO 浓度超标,证据节点的状态
为高(High ),求解其他节点变量的后验概率。在Neti-ca 中将CO 变量状态设置成High =100%状态,表示证据变量的已知状态,利用自动更新(Automatic Upda-图1
未编译的火灾报警系统贝叶斯网络模型
ting )的功能,更新整个网络的概率,结果如图3所示。此时有燃烧气体(Present )的概率由50%变成80%,有燃烧产物(Present )的概率由50%变成61.2%,发生火灾(Fire )的概率由50%变成55.6%,可见CO 浓度超限后,发生火灾的概率有所提高。
除了CO 浓度超标外,再假设CO 2也超标,即证据节点CO 2的状态为高(High )。在Netica 中将CO 2变
2.4定义节点条件概率表
定义节点条件概率表有三种方法:(1)利用专家知识,直接手工输入节点条件概率表。(2)用公式创建条件概率表。手工输入条件概率表有时很麻烦,特Netica 提供了别是如果有很多父节点状态要考虑时,
2011年第10期仪表技术·51·
(续表)
Smoke-picture Solid product Temperature Burning product Smoke Gas
0.000000.000000.000000.000000.000000.000000.000000.000000.00000
000000000
0.00000000.00000000.00000000.00000000.00000000.00000000.00000000.00000000.0000000
图3证据变量为CO 的火灾预测
CO CO 2
Burning sound
量状态设置成High =100%状态,利用自动更新的功能更新整个网络的概率,结果如图4所示。此时有燃有燃烧产烧气体(Present )的概率由80%变成100%,物(Present )的概率由61.2%变成68.8%,发生火灾(Fire )的概率由55.6%变成59.4%,发生火灾的概率更高
。
“火焰”由表2可以看出,对有影响力的节点是其
父节点和子节点,而且,最有可能对“火焰”信度产生最大影响的证据列在最前面。4
结论
本文将贝叶斯网络用于分析火灾报警系统,充分利用了贝叶斯网络强大的图形化网络知识表达和有效处理不确定证据的能力,这是对火灾报警系统研究的一种尝试。本文建立的基于Netica 的贝叶斯网络模型
文中进行了预测推理和证据可以进行各种概率推理,
敏感性分析,概率推理和证据敏感性分析表明火灾报
警系统的贝叶斯网络模型对火灾发生预测是可行的、有效的。当然,在实际应用时,需要采集火灾案例的数据样本,建立数据库,逐步学习、完善及更新网络模型。参考文献:
[1]冉海潮,.火灾刘力辉.基于神经网络的火灾探测系统[J ]
2000(1):34-38.科学,
[2]张专成,邹涛,冯立杰,等.一种基于多传感器信息融合的
J ].传感器与微系统,2006(9):22-25.火警预报系统[
[3]姚加飞,李北海.基于模糊神经网络的中庭火灾探测系统
[J ].中国仪器仪表,2007(11):36-38.
[4]黎小琴.图像识别火灾检测报警系统的设计与实现[J ].计
2010(11):35-37.算机安全,
[5]JENSEN F V ,NIELSEN T D.Bayesian Networks and Decision
Graph [M ].Berlin :Springer ,2007.
[6]KORB K B ,Nicholson A E.Bayesian Artificial Intelligence
[M ].London :Chapman &Hall /CRCPress ,2004.
[7]Pearl J.Probabilistic reasoning in intelligent system :Networks
of plausible inference [M ].San Mateo :Morgan Kaufman Pub-lishers ,1988.
[8]Carmel A.Pollino ,Owen Woodbarry ,Ann Nicholson ,et al.Pa-rameterisation and evaluation of a Bayesian belief network for use in an ecological risk assessment [J ].Environmental Model-ling and Software ,2007,22(8):1140-1152.
图4
证据变量为CO 和CO 2的火灾预测
通过以上分析,可以发现证据节点变量状态变化
对查询节点概率有影响,这也与工程实际符合。3.2
证据敏感性分析
证据敏感性分析就是分析特定节点信度对其他节
就需要知道该节点点证据的敏感程度。如果很敏感,
的状态,进而确定对该节点状态有很大影响的所有节
点的值。Netica 可以很容易计算出节点相对于证据的敏感度。
“火焰”。在Netica 假设想知道哪些节点最能影响
“火焰”中,点击节点,然后选择“Network ->Sensitivity to Findings ”。在“Messages ”窗口会产生一份详细的报告。报告内容太多,这里只列出了“火焰”对其他节点
证据的敏感性,见表2。
表2“火焰”对其他节点证据的敏感性
Node Flame Burning-picture Fire Ultraviolet Infrared Electrostatic
Mutual Info 1.000000.188720.118710.045570.045570.00000
Percent 10018.911.94.564.560
Variance of Beliefs
0.25000000.06250000.04000000.01562500.01562500.0000000
(郁菁编发)