基于STM32F103ZET6的火災自動報警系統設計

徐根祺，曹 寧，謝國坤 ，張正勃，李 璐

(1.西安交通工程學院 機械與電氣工程學院；2.西安交通工程學院 土木工程學院，陜西 西安 710030；3.西安思源學院 電子信息工程學院，陜西 西安 710038)

0 引言

21世紀以來，隨著科技的不斷發展，人類對水電能源的需求日益增加，水電站開發建設在全球經濟中的重要地位日益顯現[1]。全球水電站工程建設的蓬勃發展也為我國水電站建設工程的風起云涌帶來了契機。但考慮到水電站多建設于山區，因此其環境惡劣、廠房結構復雜、布置分散、施工困難、所需設備眾多且受客觀條件干擾較大，無論是預防或是應對突發火災的能力均有欠缺。因此，對水利樞紐工程火災自動報警系統的開發就顯得非常重要，而火災報警系統的準確性與實時性是目前水利工程火災自動報警系統面臨的核心問題[2-3]。

在國外，上世紀后半葉以來，隨著自動化和通信技術的飛速發展，火災自動報警技術的發展開始步入加速期[4]。迄今為止，較為常用的火災自動報警技術分為智能和非智能兩種。前者的發展最迅捷、應用也最廣泛，已經成為當下智能火災自動報警技術中的引領技術[5]。

在我國，直至上世紀末期，火災自動報警系統才開始起步，時至今日也不過短短二三十年的時間。隨著黨和政府有關部門對防災、減災工作的高度重視 ，我國在相應領域的研究取得了很大地進展，CAN總線、RS485和RS232等技術在火災自動報警系統中受到設計人員的廣泛關注[6]。且現階段的火災自動報警器已形成了體積小、容量大、信號傳輸迅速、預報準確率高等多方面的優勢[7]。

近些年來，火災自動報警發展趨勢較之以往有了天翻地覆的變化，實時性、強魯棒性、低誤報率、網絡化和智能化成為現階段火災自動報警技術發展的方向。將智能算法用于火災自動報警系統能夠增加系統識別真假火災的準確率，提高系統可靠性。該文結合人工智能理論和自動化技術，通過將模糊理論融入BP神經網絡設計了一整套水利工程火災自動報警系統，以提高系統預報的準確性。

1 火災報警系統設計

1.1 整體方案設計

該文以陜西淳化、禮泉涇河下游的某水電站為例，建設該水利工程的目的主要是為了實現改善生態、防洪、供水和發電等功能。該水電站裝機容量約11萬千瓦，輸出約1.5萬千瓦，近年來平均發電量近2.5億千瓦·時，年利用小時數2200多小時，發電引水流量近70 m3/s。

該系統的設計分為地上、地下兩部分，核心控制技術采用集中報警方式。該工程包括地上地下2個消防控制室，分別經110 kV GIL管道連接成一體，地上控制室有人監控而地下控制室無人監控。地上部分共三層，從下至上依次為10 kV配電室、低壓配電室、變壓器室、辦公室、控制室、二次室等，該樓緊鄰110 kV GIS室，下面為 GIL管道夾層，以上為工程的地上部分。

地面中控樓中央控制室內設計有消防控制中心，地下部分有2個分控主機，控制中心負責與其通信。報警系統和監控系統之間采用RS485方式進行數據傳輸?；馂谋O控單元設于地面中控室，火警信號均通過火災監視模塊顯示。該火災自動報警系統由數據傳輸模塊、檢測模塊、報警控制模塊、電源模塊等裝置組成，圖1為系統組成圖。

圖1 火災自動報警系統組成

1.2 系統硬件設計

1.2.1 主控芯片

火災自動報警系統在數據分析時需要進行龐大的計算。此處選用STM32F103ZET6芯片作為微處理器，該芯片是基于Cortex-M3內核的32位單片機，其供電電壓為2～3.6 V，具有512 K的FLASH和64 K的SRAM，可以在線編程。該處理器外接頻率72 Hz的高速時鐘一個和頻率為32.768 kHz的低速時鐘一個。有包括JTAG、SWD和ISP等在內的多種下載方式可供選擇，該文選用SWD方式下載代碼，該方式下載速度快且調試方便[8-9]。此外，該芯片還包括16通道12位AD輸入3個、定時器4個、通用IO口112個、SPI口3個、高級定時器2個、UART5個和2通道12位DA輸出2個。共有外部中斷線19個，可根據分配的不同搶占優先級和響應優先級先后執行中斷服務程序[10]。由此可見，STM32F103ZET6微處理器可以作為本系統的主控芯片，能夠滿足本系統的需求。

1.2.2 數據采集模塊

系統需要采集海量的數據信息，比如溫度、一氧化碳氣體濃度和煙霧濃度等，需要數據采集接口負責系統數據的采集和傳輸，該系統采用RS485作為數據采集接口通訊方式。RS485采用差分信號負邏輯，遵循MODBUS協議，支持的傳感器多，實施較為便捷，符合本系統設計需求。圖2為RS485接口電路圖，UART2和MAX485芯片共同組成RS485接口。

圖2 RS485接口電路圖

1.2.3 最小系統

STM32F103ZET6微處理器最小系統電路圖如圖3所示，采用 DC3.3 V信號作為電源，芯片引腳與電源之間通過濾波電容來抑制電源干擾，采用8 MHz的外部高速時鐘和32.768 kHz的外部低速時鐘，復位電路中采用充放電電容和限流電阻。

圖3 最小系統電路圖

1.3 系統軟件設計

該系統軟件包括數據采集終端和數據接收終端兩個子程序，均經過初始化、發射和接收三個過程。系統上電后，首先對各模塊進行初始化處理，然后將數據包發射至發射模塊，最后實現數據接收并對接收的數據進行處理。圖4和圖5分別為數據采集流程圖和數據接收流程圖。

圖4 數據采集端流程

圖5 數據接收端流程

2 自動報警系統模型

BP神經網絡結構包括輸入層、隱層和輸出層[11]。其中，隱層神經元的數量根據實際需要確定，各層之間通過一對多的方式連接，同一層的神經元之間互不相連[12]。該文采用常用的三層結構，反向傳播算法通過梯度對連接權值進行更新?？紤]到這里要求輸出函數必須連續且可微，故輸出層使用Sigmoid 函數作為激活函數。BP神經網絡結構見圖6。

圖6 BP神經網絡結構

用xi代表輸入層中某個神經元信號，yh代表隱層神經元的輸出，z代表輸出層神經元信號，Tj代表目標信號，wih代表輸入層神經元到隱層神經元的權值，Δ代表實際輸出與預期輸出之間的誤差，Ni,i=1,2,3分別代表輸入、隱層和輸出神經元個數，則隱層神經元輸出可用式(1)、式(2)表示：

(1)

yh=f(neth)

(2)

輸出層神經元輸出用式(3)、式(4)表示：

(3)

zj=f(netj)

(4)

其中：θh，γi分別表示輸入至隱層和隱層至輸出的閾值。

誤差函數用式(5)表示：

(5)

局部梯度用式(6)表示：

(6)

誤差對連接權值的偏微分為：

(7)

修正量如下式所示：

Δwih=-ηδhyh

(8)

wih(t+1)=wih(t)+Δwih(t)

(9)

對于Sigmoid函數：y=f(x)=1/1+exp(-x)，

成立：f(x)=exp(-x)/(1+exp(-x))2=y(1-y)

為加速網絡收斂的速度，式(8)中權值修正量用式(10)表示：

Δwih(t)=-ηδhyh+αΔwih(t-1)

(10)

其中：η表示步長;α表示慣性系數。

3 工程算例

根據第二部分設計的火災自動報警系統原理，選取溫度、一氧化碳氣體濃度和煙霧濃度作為BP神經網絡輸入，火災發生概率為輸出。為了更加準確的描述輸入信號，這里結合模糊理論對輸入信號進行處理，選取Gauss隸屬度函數將各輸入信號描述為低、正常、高3個語言變量。根據第三部分的理論，可確定輸入神經元總數為17個，隱層神經元數n由下式確定：

(11)

其中：ni，no分別表示輸入和輸出神經元數，c∈R且c∈[1,10]。于是隱層神經元數在區間[6,20]內取值，當其取值為20時系統最優，故隱層神經元數設為20。

至此，BP神經網絡結構已經確定。網絡開始訓練之前還需要設置閾值和初始權值，在區間(-1,1)內取值，這里取為0.5，將輸出限定為[-1,1]，選用tanh作為隱層激活函數，對數S型函數作為輸出激活函數。選取100 組故障數據作為實驗樣本集，其中90組用于訓練，10組用于測試，表1中列出了部分實驗數據，訓練誤差曲線如圖7所示。

表1 實驗數據

圖7 訓練誤差曲線

圖7中的誤差曲線顯示，對原始數據直接使用BP神經網絡進行訓練，需要迭代17次才會收斂，對輸入變量進行模糊處理后，只需迭代9次就能夠收斂。本設計所用的模糊-BP神經網絡收斂更快。

訓練完成后，通過測試集數據對火災發生概率進行預測，實驗重復進行10次，圖8為10次實驗的平均預測擬合效果圖。

圖8 預測擬合效果圖

從圖8可以看出，BP神經網絡的擬合曲線與實際值的偏差較大，經過模糊化處理后的輸入用于預測的結果更接近于實際值，說明本設計使用的方法能夠較準確地對火災進行預測。另外，以標準差和均方根誤差作為評價指標，對預測效果進行分析，結果見表2。

表2 BP神經網絡和模糊-BP神經網絡誤差比較

從表2中兩種方法預測誤差的比較可以看出，無論是從標準差分析還是從均方根誤差來看，模糊-BP神經網絡比單一BP神經網絡的誤差更小，精度更高。

4 結論

該文根據實際工程情況，設計了一套自動火災報警系統，設計內容包括硬件、軟件和模型設計。其中模型設計部分將模糊理論融入BP神經網絡，解決了單一BP神經網絡學習效率欠缺且選擇盲目性的問題。工程算例實驗結果表明，對輸入數據進行模糊處理后的預測值比使用單一BP神經網絡的預測結果更接近真實值，且標準差和均方根誤差更小，預測效果更好。將該系統用于水電站火災報警是可行的，由于神經網絡自身的特性，該系統還擁有對大規模數據進行處理的能力，而且可靠性較高。