Нечеткая классификация пожара системой управления мобильного пожарного робота

Размещено на http://www.allbest.ru/

ООО НПФ «Спецсистемы»

Нечеткая классификация пожара системой управления мобильного пожарного робота

А.А. Тачков (alextachkovs@yandex.ru)

Тверь

Аннотация

В работе рассматривается задача классификации пожара по результатам химического анализа газовой среды в помещении. Предложена нечеткая система правил для определения класса пожара, настройки функций принадлежности. Обосновывается структура информационно-измерительной системы разведывательного оборудования мобильного пожарного робота.

Введение

Осуществление операций пожаротушения всегда сопряжены с риском для личного состава, например, при проведении разведки очагов возгорания в сложных условиях: в подвальных помещениях, кабельных тоннелях. Применение перспективных образцов мобильных пожарных роботов (МПР) направлено на снижение риска, а также на решение ряда задач, к которым, в частности, относят поэтапную детальную оценку обстановки непосредственно на месте возгорания и максимально полное определение всех опасных факторов пожара (ОФП). Под опасными факторами понимается вид горящих веществ и материалов, площадь пожара, ориентировочная температура на месте пожара, уровень задымленности [Маслов и др., 2009]. Оператор, управляющий роботом, не всегда может визуально определить вид горящих веществ и материалов, например, в случае сильного задымления или затруднения в подведении робота к очагу возгорания из-за завалов, поэтому в данном случае необходимо привлечение косвенных методов (а также экспресс-методов) определения вида горючей нагрузки, характеризующей класс пожара.

1. Задача классификации пожара

Ниже рассматривается решение задачи классификации пожара по результатам химического анализа газовой смеси в помещении. Задача классификации заключается в соотнесении пожара к одному из классов по полученным разведывательным данным, заданных вектором информативных признаков

,

в качестве которых рассматриваются удельное потребление кислорода (O2), удельное выделение оксида углерода (СО) и углекислого газа (CO2). В этом случае вектор можно представить в виде:

.

Согласно ГОСТ 27331-87 [ГОСТ 27331-87, 1988] пожары классифицируются следующим образом:

1. класс A1 - горение твердых веществ, сопровождаемое тлением (бумага, дерево, текстильные изделия и т.д.);

2. класс A2 - горение твердых веществ, несопровождаемое тлением (например, пластмасса);

3. класс B1 - горение жидких веществ, нерастворимых в воде (бензин, эфир, нефтепродукты), а также сжимаемые твердые вещества (парафины);

4. класс B2 - горение жидких веществ, растворимых в воде (спирты, глицерин);

5. класс C - горение газообразных веществ;

6. класс D - горение металлов;

7. класс E - пожары электроустановок, находящихся под напряжением.

При использовании мобильных роботов в операциях пожаротушения, как правило, приходится сталкиваться с первыми четырьмя классами. Тогда,

.

Распределение классов типовых горючих нагрузок [Кошмаров, 2000] приведено на рис.1.

Из рис.1 видно, что границы между классами размыты, а две точки, принадлежащие классу B1, сильно удалены от центра одноименного кластера. Эти точки характеризуют турбинное и индустриальное масла соответственно. Вполне вероятно, что их следует относить к отдельному классу «масла», но для этого необходима расширенная база типовых горючих нагрузок, чтобы проверить гипотезу.

2. Решение задачи

Учитывая размытость границ, предлагается использовать нечеткую классификацию, являющуюся развитием подхода экспертных систем. Основное достоинство нечеткой классификации - возможность формулировать достоверные классификационные заключения исходя из неполных и не вполне достоверных входных посылок.

Рис.1. Распределение классов типовых горючих нагрузок

В этом случае нечеткая база знаний [Штовба, 2007] может быть представлена в виде (2.1):

ЕСЛИ И И

ИЛИ И И (2.1)

ИЛИ И И

ТО , ,

где - нечеткий терм, которым оценивается переменная в правиле с номером jp,;

- количество правил, описывающих класс .

Степени принадлежности пожара

классам рассчитываются по формуле (2.2):

. (2.2)

В качестве решения выбирается класс с максимальной степенью принадлежности:

.

Для лингвистической оценки признаков пожара используются термы «низкий» (small), «средний» (middle), «высокий» (big). Взаимосвязь «входы-выход» может быть представлена следующей базой нечетких правил, обеспечивающих идентификацию класса пожара:

1. ЕСЛИ «CO есть высокий» ТО «класс есть B2»

2. ЕСЛИ «O2 есть высокий» И «CO2 есть высокий» И «СО есть средний» ТО «класс есть B1»

3. ЕСЛИ «O2 есть низкий» И «CO есть средний» ТО «класс есть A1»

4. ЕСЛИ «O2 есть средний» И «CO есть низкий» ТО «класс есть A1» (2.3)

5. ЕСЛИ «O2 есть низкий» И «CO есть низкий» ТО «класс есть A1»

6. ЕСЛИ «O2 есть средний» И «CO есть средний» ТО «класс есть A2»

7. ЕСЛИ «O2 есть высокий» И «CO есть низкий» ТО «класс есть A2».

На рис.2. представлены функции принадлежности входных переменных, используемых в составе разработанной системы правил распознавания (2.3).

Нечеткий логический вывод осуществляется по типу Сугено. Исследование разработанной нечеткой модели проводилось в среде Matlab. Модель правильно осуществила классификацию всех пожарных нагрузок [Кошмаров, 2000] за исключением двух отмеченных выше: индустриального и турбинного масла. Для более точной настройки классификатора предлагается определять параметры функций принадлежности, минимизирующие отклонение между действительным и желаемым поведением нечеткого классификатора на обучающей выборке.

Рис.2. Функции принадлежности входных переменных нечеткой системы классификации пожара для удельного потребления кислорода O2 (а), удельного выделения углекислого газа СO2 (б) и оксида углерода СO (в)

В этом случае задача настройки сводится к задаче оптимизации. В качестве целевой функции целесообразно выбирать функцию вида [Штовба, 2007]:

,

где M - объем обучающей выборки, penalty >0 -коэффициент штрафа, - ошибка классификации объекта Xr:

- степень принадлежности значения выходной переменной y в r-ой паре обучающей выборки к решению dj,

- степень принадлежности решения системы нечеткого вывода с параметрами ,.

- вектор значений входов классификатора, - вектор параметров функций принадлежности термов входных и выходных переменных, - результат вывода по нечеткой базе.

Заключение

По результатам исследования модели системы нечеткой классификации пожарной нагрузки сделан вывод о ее работоспособности и целесообразности включения системы в контур управления МПР. Для оперативного определения класса пожара информационно-измерительная система МПР должна включать в свой состав соответствующие датчики концентраций кислорода, углекислого газа и оксида углерода.

В дальнейшем предполагается рассмотреть методику определения значений удельного потребления кислорода, удельного выхода CO и CO2, которая позволит расширить разведывательные возможности МПР.

разведывательный пожарный робот газовый

2. Кошмаров Ю.А. Прогнозирование опасных факторов пожара в помещении. - М.: Академия ГПС МВД России, 2000.

3. Маслов А.С. Интеллектуальные системы управления мобильными пожарными роботами// Сборник трудов международной конференции «Экстремальная робототехника. Нано-, микро- и макророботы» (ЭР-2009). - Геленджик, 2009.

4. Штовба С.Д. Проектирование нечетких систем средствами MATLAB. - М.: Горячая линия-Телеком, 2007.

Размещено на Allbest.ru