Система мониторинга пожарной и медико экологической безопасности с использованием анализа видеоданных с беспилотных летательных аппаратов
 Скачать 2.07 Mb.
|
|
2.2 Метод синтеза математических моделей оценки пожарной обстановки и состояния людей, находящихся в зоне пожара При выборе источников первичной информации (сенсоров, датчиков) о пожарной и экологической обстановке в зоне контроля следует иметь ввиду, что различные источники пламени порождают различные диапазоны электромагнитного излучения. Оно может содержать ультрафиолетовый участок (0,1, …, 0,4 Мкм), участок видимого света (0,4, …, 0,75 Мкм), ближний инфракрасный (0,75, …, 1,5 Мкм), средний инфракрасный (0,5, …, 5,6 Мкм), дальний инфракрасный (5,6, …, 100 Мкм). С учетом того, что каждый очаг горения имеет свою индивидуальную спектральную характеристику, многоспектральный (многодиапазонный) анализ пламени потенциально может быть использован для распознавания типов и характера пламени [62]. При этом следует иметь ввиду, что основная мощность электромагнитного излучения сосредоточена в ИК-диапазоне и в этом же диапазоне сосредоточена основная доля помех, например, от солнца. С другой стороны, проводимые эксперименты показывают, что совместный анализ источника пламени в различных частотных диапазонах позволят «отстроиться» от подавляющего большинства помех. Значительную долю информации о возникновении и развитии пожаров несет изменение химического состава воздушной среды, вызванное воздействием пожара. Исследования показывают, что раньше всего, часто задолго до 50 возникновения открытого пламени, в зоне возникновения пожара возникает угарный газ (СО). Это основной компонент для определения тлеющих очагов возгораний. Углекислый газ (СО 2 ) начинает активно выделяться в начале перехода к открытому пламени. Целый класс пожаров выделяет летучие ароматические углероды и т.д. Высокой информативностью по отношению к обнаружению пожаров обладают также температура и специфические задымления. На рисунке 2.1 показаны графики времени появления различных составляющих по мере развития пожаров. Рисунок 2.1 – График времени появления различных составляющих пожара: Ur - уровень; t - время Таким образом, существует комбинация значений различных параметров электромагнитного поля (ЭМП), химических веществ, включая дым в сочетании с температурой, которые в той или иной степени характеризуют стадии и тип возгорания. Все эти параметры характеризуются количественными шкалами, которые могут быть использованы в задачах классификации как информативные признаки пожарной обстановки. 51 В задачах прогнозировании и оценки состояния людей, находящихся в зоне действия пожара, основную информацию несут вредные химические вещества, время их воздействия на организм человека и температура. При разработке метода синтеза выбранного класса математических моделей мы исходили из того, что значительное число типов пожаров может быть смоделировано в условиях полигонов с созданием обучающих выборок, которые могут накапливаться в процессе обучения системы. Это делает возможным использование обучаемых НС для распознавания характера и типа пожаров, причем в гораздо более широкой классификации, чем это принято в современной практике. Кроме того, процесс обучения в значительной степени позволяет снизить требования к техническим характеристикам используемых датчиков и к условиям измерения. Для более детального изучения особенностей структуры данных, описывающих различные типы пожаров, нами проводился разведочный анализ в соответствии с общепринятой классификацией, который показал, что границы между искомыми классами носят нечеткий характер и требуют своего уточнения для формирования более адекватных и «тонких» управленческих решений. Еще более сложную и неопределенную структуру имеют классы, характеризующие состояние здоровья людей, находящихся в зоне пожаров. В этих условиях, в отсутствии обучающих репрезентативных выборок достаточного объема целесообразно использовать МСГНРП [6, 16, 19, 20, 22, 24, 25, 26, 27, 31, 32, 33, 34, 35, 55, 58, 108 ]. Основу этой методологии составляет множество методов синтеза нечетких решающих правил, каждый из которых ориентирован на определенные типы структуры данных. Выбор адекватных структуре данных методов синтеза производится в ходе разведочного анализа при взаимодействии естественного интеллекта специалистов исследуемой предметной области (пожарные, врачи, психологи и т.д.) с инженером по знаниям, владеющим методологией искусственного интеллекта. Знания, опыт и интуиция специалистов предметной области восполняет недостаток необходимых статистических данных и позволяют при взаимодействии с инженером когнитологом строить формальные 52 модели для плохо формализуемых задач. Рациональное взаимодействие естественного и искусственного интеллекта обеспечивается алгоритмическим обеспечением МСГНРП [25, 27]. Базовыми элементами синтезируемых нечетких моделей являются функции принадлежности i х к исследуемым классам L ,..., 1 с базовыми переменными ) I ,..., i ( х i 1 , описывающие состояние объекта исследования. Основными факторами риска в районе пожаров, кроме температуры, является наличие вредных химических веществ. В работах [6, 20, 24, 55, 58] было показано, что в рамках МСГНРП оценку влияния вредных веществ на организм человека целесообразно производить с использованием следующего набора нечетких гибридных моделей. Если имеется обучающаяся выборка по объему, соответствующему условиям применимости метода группового учета аргументов (МГУА), и имеются технические и технологические возможности определения резистивных концентраций вредных веществ с именем h i (СО, СО 2 и т.д.), то в соответствии с рекомендациями [6, 58] синтезируется базовая переменная i Z для функций принадлежности к классу состояний для вещества с идентификатором i: ) t t ( ) c c ( f Z pi i i pi i i i f , (2.1) где pi c , pi t - резистентные концентрации вредных веществ h i и времен, при которых отсутствуют риски перехода в патологию ; ) ( f i - соответствующие нормировочные функции по веществам и временам с областью определения [0,…,1]; d- условные обозначения решаемых задач (d = п- прогноз; d = р- ранняя стадия; d = д- дифференциальный диагноз; d = с- степень тяжести заболевания). Переменная i Z используется как базовая переменная для функций принадлежности ) ( i Z d , которые по существу являются частными решающими 53 правилами по классу для задач d [6, 20, 24, 55, 58]. Уверенность UHR d в прогнозе появления и развития исследуемой патологии, провоцируемой вредными химическими веществами, находящимися в зоне пожара, определяется нечеткой функцией: ) Z ( Ag UHR i d d d , (2.2) где Ag d - агрегатор функций принадлежности для класса ; i =1,2,… Выбор формы и параметров функций принадлежности и способов их агрегации осуществляется в соответствии с общими рекомендациями МСГНРП [19, 22, 25, 27, 108 ]. Если pi c не известны, то определяются средневзвешенные концентрации вредных веществ, порождаемых пожаром i c , и в модели (2.1) pi c заменяется предельно допустимой концентрацией (ПДК) Пi c В условиях малых выборок и при готовности экспертов проводить работу по синтезу нормирующих функций для выражения (2.1) и функций принадлежности для выражения (2.2) эксперты организуют свою работу в соответствии с рекомендациями [25, 58]. Если в распоряжении экспертов имеется информация, «связывающая» уровни концентрации и время воздействия с состоянием организма человека, то в качестве базовой переменной для функций принадлежности к классу следует выбрать отношение i c / pi c или i c / Пi c , а время воздействия учитывать с помощью поправочного коэффициента ) t ( Тогда частная уверенность в по задаче d от воздействия вредного вещества h i определяется выражением: ) t ( ) Q ( U i i d d i (2.3) 54 Для множества вредных веществ уверенность в определяется выражением: ) Q ( Ag UHR i d d d , (2.4) где Ag d - соответствующая функция агрегации; i Q = i c / pi c или i Q = i c / Пi c В условиях недостаточной информации для синтеза моделей (2.1), (2.2), (2.3) и (2.4) эксперты, используя рекомендации [23, 24], строят специфические таблицы для исследуемых классов заболеваний . Рекомендуется для одной патологии строить одну таблицу, причем по строкам записываются вредные химические вещества h i , представляющие собой факторы риска по заболеванию , а столбцы разбиваются на две части. В первой части таблицы задают интервал r отношений концентраций к ПДК ( r = 1 r c / П r П c / c c ). Во второй части таблицы задают интервалы времени t , в течение которых люди находятся под воздействием продуктов горения Элементы первой части таблицы представляют собой величины уверенности U iq в том, что под воздействием вредного фактора h i возникнет патология (q - номер интервала r ) [23, 24]. Элементы второй части таблицы задают значения временных поправочных коэффициентов ip , уточняющих значения U iq в зависимости от времени воздействия факторов h i (р - номер интервала t ). Уверенность в по каждой из строк определяется выражением: ip iq i U US (2.5) Итоговая уверенность в от совокупности химических факторов риска, связанных с пожаром, определяется выражением: 55 , (2.6) где F - функция агрегации. Рекомендации по выбору параметров описанных нечетких таблиц и функции агрегации F приведены в работах [6, 25, 58]. С учетом особенностей решаемых задач и накопленного опыта по синтезу решающих правил в условиях нечеткой структуры данных и плохой формализации предлагается метод синтеза математических моделей оценки пожарной обстановки и состояния людей, находящихся в зоне пожара. 1. С учетом особенностей объекта исследования и возможных пожарных рисков определяются диапазоны контролируемых электромагнитных излучений, контролируемые химические вещества и температурные диапазоны, которые определяют пространство признаков для синтезируемых математических моделей. 2. В условиях полной определенности с типами пожаров, излучаемых электромагнитных диапазонов, выделяемого состава химических веществ, решающие правила имеют традиционный продукционный вид: ЕСЛИ Q i ТО R i , (2.7) где Q i - известная реакция датчиков, располагаемых на выбранных типах платформ; R i - принимаемые стандартные решения. Правила типа (2.7) соответствуют общепринятым требованиям, определяемым руководящими документами и ГОСТами. 3. Если решается задача обучения системы на распознавание различных типов пожаров с нечетко определяемыми параметрами (заранее не известны возможные источники огня и его характеристики, высокий уровень помех, вызываемых, например, ярким солнечным светом, искусственным освещением и 56 др.) и при отсутствии обучающих выборок достаточного объема, для синтеза соответствующих решающих правил используем гибридные технологии обучения и, в частности, методологию синтеза гибридных нечетких решающих правил с минимизацией пространства признаков и построением функций принадлежности к исследуемым классам пожаров [6, 25, 58]. 4. В условиях пункта 3 с учетом рекомендаций МСГНРП и квалиметрии создается экспертная группа специалистов в области пожарной безопасности, которая обучается приемам работы с нечеткими структурами данных. На первом этапе исследований эксперты выбирают максимально технически оправданное количество признаков х i , описывающих возможные диапазоны электромагнитных волн, температур и видов вредных химических веществ, порождаемых возможными типами пожаров, включая дым. При наличии технических возможностей под выбранные информативные признаки подбирается группа датчиков с возможностью регистрации и запоминания результатов измерений. При высоком уровне помех (экранирование мест возгорания, яркий солнечный свет и т.д.) в состав информативных признаков включают признаки, характеризующие отношение измеряемых параметров к регистрируемой или известной априори фоновой величине. Производится моделирование пожарной обстановки при различных условиях возгораний и помех с измерением соответствующих признаков. На этом этапе исследований для оценки спектрального состава излучений удобно использовать универсальные широкополосные фотометры. С учетом общих рекомендаций МСГНРП и, используя пакет RUMM 2020, реализующий алгоритмы теории измерения латентных переменных, производится минимизация пространства признаков с получением списка информативных признаков, описывающего исследуемые классы пожарной обстановки. 5. В соответствии с рекомендациями МСГНРП производится построение функций принадлежности к исследуемым классам пожарной обстановки р (р=1, …, Р), которые агрегируются в искомые решающие правила вида: 57 ) х ( F Р U Р i р р р , (2.8) где U Р р - уверенность в классификации пожарной обстановки с идентификатором р; ) х ( i р - функции принадлежности к классу с именем р для базовой переменной (информативного пожарного признака) i х ; F Р р - функция агрегации для класса р 6. При наличии репрезентативных обучающих выборок по классам пожаров р , которые могут быть сформированы, как в ходе моделирования пожарной обстановки, так и в процессе эксплуатации системы, модель типа (2.8) может быть уточнена путем использования обучаемой искусственной НС NP p с последующим сравнением качества работы NP p c UP p . При этом возможны варианты обратного перехода к модели (2.8) или перехода к гибридной модели вида: GP p =FG p (UP p, NP p ), (2.9) где GP p – функция классификации гибридного типа; FG p – соответствующая функция агрегации. При использовании искусственных НС в качестве одного из источников данных о пожарах могут быть применены видеокамеры, тогда процесс обучения будет проводиться как задача анализа сцен (распознавание на видеоизображениях пожаров). Для уменьшения ложных срабатываний при обнаружении пожаров могут быть сформированы базы эталонных изображений пожарной обстановки, тогда принятие решений осуществляется сравнением реальной обстановки с эталонными образами. Этот тип решающих правил может быть агрегирован с моделью (2.9). 58 7. Если для оценки пожарной обстановки планируется использование нескольких неподвижных и (или) подвижных платформ, могут ставиться и решаться задачи уточнения координат возгорания, мониторинга динамики и (или) прогнозирования развития пожара. Например, если диагностическая платформа установлена на летающем роботе, то для уточнения координат пожара и его характера можно организовать движение аппарата в сторону максимального значения заданного параметра (концентрация СО, температура, интенсивность электромагнитного излучения). Вариант управления летающего робота по такому принципу описан в работах [52, 53, 86]. Для решения задачи прогноза развития пожара определяется направление и скорость изменения значений выбранного параметра, возможно с расчетом траектории движения платформы с датчиками с целью уточнения прогноза. Для решения задач мониторинга динамики пожарной обстановки могут быть использованы модели мониторинга, описанные в работах [2, 57, 59, 60, 61, 62, 63, 86]. 8. Синтез моделей прогнозирования и оценки состояния здоровья людей, находящихся в зоне действия пожара, осуществляется с использованием моделей (2.1), (2.2) или (2.3), (2.4). Для уточнения принимаемых решений в работах [6, 24, 25, 58 ] рекомендуется дополнительно использовать экологические и индивидуальные факторы риска. В этих же работах описан метод синтеза гибридных прогностических и диагностических моделей. Например, при наличии технических возможностей, перед формированием команды, направляющейся в зону пожара, у людей могут быть оценены текущие значения функционального состояния, функционального резерва, защитная реакция организма, уровни текущего психоэмоционального напряжения и утомления [6, 20, 21, 24, 25, 27, 33, 35, 41, 55, 58, 106, 107]. В работах [3, 6, 58, 86] показано, как эти показатели могут быть оценены по энергетической реакции биологически активных точек. |