摘要： 在设计红外火焰探测器的过程中，人工光源常常会引起探测器的误报。为有效区分人工光源与火焰信号，本文首先对采集的
1 种人工光源以及 3 种火焰信号进行分析，将采集的信号进行小波包
4层分解，得到信号的能量谱。通过分析发现选取第 2,3,4,7
频段的能量值能够将这 4 种信号有效区分。为进一步验证实验结果，本文将双通道两路信号的第
2,3,4,7 频段的 8 个能量值作为一组特征向量，与BP
神经网络结合进行模式识别。结果表明，通过这样的方法不仅可以区分火焰和人工光源，同时可以对 3 种火焰进行识别，其识别的正确率为
84.1%。因此，基于小波包能量分析的方法提取这 8 个能量值作为特征值具有一定的可行性，能有效减少人工光源引起的误报，同时为火焰种类的识别以及以后的灭火自动化提供了新的可能性。
关键词： 红外火焰探测器；小波包；BP
神经网络；特征值
0 引言
工业生产安全问题一直为人们所重视，火灾的频频发生，给人们的生命财产带来极大的威胁，而工业环境的复杂性，给火灾的检测带来了极大的困难。最初火灾探测的方式为：感烟型火灾探测和感温型火灾探测。感烟型火灾探测系统是利用火灾发生时产生烟雾的特性来检测环境中的烟雾变化，感温型火灾探测器则是通过周围温度的变化来判断是否有火灾发生。利用这两种方式来探测火灾容易发生误报，且有较大的时间延迟，探测器的灵敏度低。
随着红外技术的发展以及半导体材料和制造工艺的发展成熟，利用热释电红外传感器作为敏感元件的红外火焰探测器逐渐发展起来。红外火焰探测器利用物质在燃烧过程中辐射的电磁波进行检测，能够较好地识别碳氢类化合物燃烧产生的火焰。但同时，其他的红外辐射源，
如高温热源以及人工光源，也会对火焰的检测造成干扰。针对这一问题，多采用多波段的热释电传感器加以解决。利用任意一个红外辐射源在不同波段体现不同的辐射强度和强度之间的数学关系来识别火焰与干扰。多波段识别的算法主要有：利用各通道均值的比值、设定阈值及计算超过阈值的个数、通道间阈值能量比较、各信号间的比例与相关性分析等。这些方法在一定程度上可以降低探测器的误报率，但由于探测距离远近的变化以及火焰的强弱变化，导致固定阈值的适用范围较窄。同时，通道强度之间数学关系很难确定，导致比值法的使用受到一定的限制。
本文针对目前多波段识别算法的不足，提出利用小波包能量谱分析人工光源和火焰信号，提取 4 个频段能量特征，与神经网络结合，进行模式分类。在一定程度上，降低了检测系统误报率，同时提出用这 8个特征值识别火焰的种类，不同种火焰的灭火方式不尽相同，为火焰种类的识别以及以后的灭火自动化提供了新的可能性。
1 理论分析
不同材料的碳氢化合物燃烧产生的火焰辐射光谱不同。火焰光谱从紫外、红外到可见光都有能量辐射，但在红外波段辐射能量强于紫外波段。在火焰红外波段内的 4.4m 附近能够观察到峰值。另一方面太阳光经过大气层时，由于太阳光中的 4.4m 附近的能量被大气层中的 CO2 所吸收而衰减很大，大气中 4.4m 红外波段强度比较弱。因此 4.4m 波段是用于红外火焰探测的重要波段。由于人工光源干扰会引起探测器误报，为了排除人工光源的干扰，本文增加了4.8m 波段用以检测人工光源。
火焰除了辐射光谱特征以外，还具有另一个显著的特征是闪烁频率。相关文献表明火焰固有的频率在12 Hz 左右，受到现场风速与火势的影响，通常频率在 1～25 Hz 之间。
2 实验
2.1 实验平台
根据双波段红外火焰传感器的工作原理，选用 4.4m 和 4.8m 波段的热释电传感器，经过放大滤波处理，将采集的信号经过数据采集卡，传输给计算机。其中，电路的放大倍数为 50，带通滤波器的截止频率为 2～40Hz，采样频率为 128Hz。
2.2 信号采集
1）酒精灯火焰
用双通道传感器探测距离为 50 cm 的酒精灯火焰，其时域波形如图 1 所示。
从图 1中可以看出 4.4m波段的信号幅值要强于4.8m 的信号幅值， 2 个信号的频率均在 10Hz 左右。
2）煤油火焰
用双通道热释电传感器采集煤油打火机的火焰信号，其时域波形如图 2 所示。
从图 2 中可以看出 4.4m波段的幅值强于 4.8m的幅值，信号的频率成分较多。
3）蜡烛火焰
用双通道热释电传感器采集蜡烛火焰信号，其时域波形如图 3 所示。从图 3 中可以看出
4.4m 波段的幅值略大于 4.8m 波段的幅值，信号的频率在
12 Hz 左右。
4）火焰测试灯
火焰测试灯为人工光源，主要有两个频率成分，分别为 6 Hz 和 4 Hz。采集两路信号时域波形如图 4所示。
从图 4 中可以看出信号的时域图可以看出，人工光源是 4.8m 波段幅值大于 4.4m 波段幅值，而火焰信号是 4.4m 波段的信号幅值明显大于 4.8m 波段的幅值，且这 4 种信号的频率具有明显差别，不同的辐射源在不同的波段辐射强度关系不同。
3 特征值提取
3.1 小波包分析
小波包变换具有很好的时频分辨率，并且能够在感兴趣的频率点上尽可能细分，弥补了小波变换的不足。 4 种辐射源信号的频率主要集中在 50 Hz 以下，利用小波包能量分析可以将这个频段加以细分。
假定对待分析信号 S 进行三层分解，分解结构如图 5 所示。
A 表示低频， D 表示高频（这里的高频和低频是相对于上一级而言的），末尾的序号表示小波包分解的层数。分解具有如式(1)关系：
S＝AAA3＋DAA3＋ADA3＋DDA3＋AAD3＋DAD3＋ADD3＋DDD3
3.2 小波能量谱
按照能量的方式表示的小波包分解结果称为小波包能量谱，根据小波包信号分析理论，原始信号 s(t)经过小波包分解后依据的频谱能量可以由式(2)计算得到：
式中： xj,k中 j＝0, 1, 2, …, 2i－1； k＝1, 2, …, Nc； Ei,j(tj)为原始信号经小波包分解后第 i 层第 j 个节点的频带能量，则原信号 s(t)的总的频带能量计算如式(3)所示：
式中： Ei,j 构成小波包能量谱：
3.3 人工光源与火焰信号的小波包多层分解
将信号进行小波包分析时，分解层数视信号的有用成分以及采样频率而定。本文采样频率为
128 Hz，使用 db4 小波包对 4.4m 波段采集信号四层分解，其频带宽度为
4 Hz，其第四层节点能量分布如图 6 所示。
对四种物质的 4.8m 波段采集信号进行小波包四层分解，其第四层节点能量分布如图 7 所示。
由图 6 可以看出火焰测试灯的能量主要集中在2,4 频段，酒精灯火焰与蜡烛火焰的能量主要集中在3,7 频段，煤油火焰的能量主要集中在 2,3,4,7 频段。比较图 6 和图 7 可以发现， 4 种辐射源在 4.4 m 波段与 4.8m 波段的能量分布存在明显的差异，与时域幅值差异相一致。本文提出将两路信号进行小波包四层分解后的 2,3,4,7 频段的能量值作为特征值，如表 1 所示，其中 1～4 行为 4.4m 波段的 4 个能量值， 5～8行为 4.8m 波段的 4 个能量值。
表 1 四种信号的 8 个能量值
从表 1中可以看出测试灯在 4.8m波段的能量值明显大于 4.4m 波段的能量值，酒精灯为 4.8 m 波段的能量值明显小于 4.4m 波段的能量。蜡烛火焰与煤油火焰在这两个波段均有明显能量值， 4.4m 波段能量值大于 4.8m 波段能量值，但煤油火焰在第一、三的特征值以及第五、七特征值明显区别于蜡烛火焰。因此，选用这 8 个特征值能够区分这 4 种辐射源。
4 模式分类
4.1 BP 神经网络模型的建立
为了验证上述
8 个特征值的可行性，本文选用BP 神经网络作为分类器来识别火焰。有关
BP 神经网络的理论详见参考文献 13，本文不再赘述。选取 1 种人工光源信号和
3 种火焰信号的 8 个特征参数作为输入，隐含层节点数为 13，输出层的节点数为 4。将四种模式分别编码为火焰测试灯（0001），蜡烛（0010），煤油（0100），酒精灯（1000），采集 160 组数据，其中 100
组作为训练样本， 60 组作为测试样本。
4.2 分类结果
60 组测试样本的识别准确率如表2所示，从表 2中可知，对于火焰测试灯没有发生误判，对于酒精的识别率为 92.9%。这4类的总识别率为88.3%，对于3 种火焰的平均识别率为 84.1%，由于煤油与蜡烛的化学组成相接近，在燃烧时产物以及辐射的电磁波相接近，故两者不易被区分。识别率分别为 78.6%和81.3%。
表 2 四种辐射源的识别率
5 结论
本文通过对人工光源以及火焰信号进行小波包能量分析，提取双通道传感器采集信号的
4 个频段能量特征，共 8 个特征值。采集 160 组样本数据，结合BP 神经网络进行分类识别。结果表明这 8 个特征值能够将火焰信号与人工光源信号区分开，同时可以将不同种火焰信号进行分类，其分类识别率为
84.1%，有利于提高火焰探测器的抗干扰性能，为火焰种类的识别及以后的灭火自动化提供了新的可能性。
首页
电话
邮箱