|
- UID
- 1029342
- 性别
- 男
|
4 火灾监测的数据融合试验 本设计对火灾监测使用了温度传感器，可燃气体探测器的烟雾探测器，数据融合的方法如图3.
图3基于模糊推理的数据融合的一般方法是在火灾故障监测系统中，首先确定各个传感器的权重，在设计中我们设定温度传感器，可燃气体探测器的权重分别为W1=0.5,W2=0.3,W3=0.2;将最后的判决结果分为两种：有火灾Y1和无火灾Y2;根据当前的工作状态，确定每个传感器X对于每一判决Y的隶属函数；再进行线性变换运算，即可确定最后的结果。
从不精确的前提集合中得出可能的不精确结论的推理过程，又称近似推理。在人的思维中，推理过程常常是近似的。例如，人们根据条件语句（假言）"若西红柿是红的",则西红柿是熟的"和前提（直言）"西红柿非常红",立即可得出结论"西红柿非常熟".这种不精确的推理不可能用经典的二值逻辑或多值逻辑来完成。L.A.扎德于1975年首先提出模糊推理的合成规则和把条件语句"若x为A,则y为B"转换为模糊关系的规则。此后J.F.鲍德温和R.R.耶格尔等人又各自采用带有模糊真值的模糊逻辑而提出了不同于扎德的方法。
比如，在某时刻，根据温度传感器的数据确定有无火灾的隶属度分别为μ11=0.45,μ12=0.55,根据烟雾传感器的数据确定有无火灾的隶属度分别为μ31=0.9,μ32=0.1,采用线性变换运算得Y,
根据结果得有火灾隐患，应该启动气溶灭火器。表1是模糊融合在火灾故障监测系统中的试验数据。
5 结束语
将模糊推理数据融合方法应用到多传感器的电缆火灾故障监测系统，与单一的传感器相比，具有更高的准确性的可信度。运行结果表明，这种方法对提高火灾故障检测的可靠性是实用和有效的，可降低火灾报警的误报率。但是，这种方法也有一些缺点，比如传感器的权重和每一传感器对判决的隶属度值的分配方面，没有形成统一的理论，需要依靠经验进行设置。 |
|
