Применение алгоритмов с элементами искусственного интеллекта к решению задачи исключения ложных срабатываний автоматической пожарной сигнализации

В настоящее время ложные срабатывания автоматических систем противопожарной защиты наносят большой ощутимый экономический ущерб. Отвлечение пожарных подразделений на ложный вызов, не позволяет вовремя ликвидировать настоящие возгорания. Особенно большое количество ложных срабатываний в настоящее время происходит на промышленных объектах. Это связано, прежде всего, с присутствием т.н. «ложных факторов пожара», которые по физическому воздействию на чувствительные элементы пожарных извещателей сходны с опасными факторами пожара, однако не вызваны пожаром. К подобным факторам можно отнести пыль, выделение тепла в ходе технологического процесса, высокая влажность и т.д. В настоящее время для работы большинства систем противопожарной защиты используются классические пороговые алгоритмы, формирующие сигнал о возгорании по информации автоматических извещателей лишь одного типа (задымление, повышение температуры, увеличение УФ или ИК излучения и т.д.). Как следствие, данный подход не позволяет надежно отличать воздействие на чувствительный элемент пожарного извещателя факторов пожара или сходных факторов вызывающих ложное срабатывание.

В работе для определения факта пожара предложено использовать информацию о динамике развития контролируемого фактора для определения причины вызвавшей его. При использовании традиционных алгоритмов формирования сигнала о возгорании учитывается только текущее значение контролируемого параметра (температура среды, задымление) и не учитываются его предыдущие значения. В предлагаемом варианте система поддержки принятия решений обрабатывает информацию от пожарных извещателей с использованием алгоритма искусственных нейронных сетей и определяет уровень достоверности сигнала «Пожар», формируемого приемно-контрольным прибором. Используя данный алгоритм, удастся надежно отличить факт возгорания от влияния сходных факторов, даже при их одновременном воздействии.

Обучение искусственных нейронных сетей производится на данных динамической модели развития типовых очагов пожара (горение твердых, жидких, газообразных веществ, а так же тление). Обобщающие способности ИНС в данном случае позволяют распознавать не только динамику типовых, но также и более сложных «реальных» пожаров. В настоящее время исследования проводятся при помощи искусственной нейронной сети типа LVQ (квантизация обучающих векторов). Они представляют из себя самоорганизующиеся искусственные нейронные сети в дополнение к соревнующемуся слою которых добавляется линейный слой, который можно обучить реагировать на различные комбинации классов, формируемых соревнующимся слоем.

Отдельным вопросом для рассмотрения является разработка алгоритма обучения искусственной нейронной сети, поскольку обучающая выборка даже для небольшого количества извещателей весьма велика и процесс обучения при помощи традиционных алгоритмов осуществляется недопустимо длительное время. Для решения данной задачи разработан специализированный стохастический эволюционный алгоритм обучения, который существенно сокращает время обучения.

Использование комбинации приведенных алгоритмов для построения интеллектуальной экспертной системы детектирования пожара позволит существенно сократить количество ложных срабатываний. Данный подход целесообразно применять на объектах повышенной опасности. В этом случае незначительные затраты на установку дополнительных электронных модулей и применение данных алгоритмов к обработке информации от них с лихвой перекроют возможные потери в случае ложного срабатывания системы.

В настоящее время применение данных алгоритмов несколько ограничивается стоимостью электронных компонентов для реализации интеллектуальных вычислений в реальном масштабе времени (нейропроцессоры). Однако динамика развития производства данных устройств позволяет с уверенностью сказать, что в ближайшее время появятся бюджетные варианты нейропроцессоров с требуемыми параметрами.