بخشی از مقاله
چکیده - در این مقاله از یک سیستم بویایی مصنوعی هوشمند براي تشخیص و تفکیک نوع ماده سوختنی استفاده شده است. این سیستمها که بینی الکترونیکی نیز نامیده میشوند، سیستمهایی هوشمند با قابلیت یادگیري هستند که میتوانند مخلوطهاي گازي مختلف را آشکارسازي، شناسایی و آنالیز نمایند. سیگنالهاي بدست آمده از سنسورهاي Enose داراي الگوي منحصر به فردي بر حسب زمان می باشند، بنابراین با استفاده از شبکههاي عصبی میتوان بطور موءثري بوي ناشی از منابع حریق را تفکیک نمود و با توجه به استاندارها ماده مناسب جهت اطفاء آنرا فعال نمود. روش ارائه شده در این مقاله، توانسته است نوع ماده سوختنی را با دقت %96.8 تشخیص و تفکیک نماید که نشانگر توانایی بالاي سیستم بویایی مصنوعی در تشخیص و تفکیک حریق ناشی از منابع مختلف می باشد.
مقدمه
یکی از بزرگترین خطرات پیش رو در زندگی بشري صدمات جانی و مالی ناشی از حریق می باشد، بنابراین بالابردن ضریب اطمینان سیستمهاي اعلام حریق، حتی به میزان اندك نیز از اهمیت فراوانی برخوردار خواهد بود. استفاده از روشی با توانایی دستهبندي منابع حریق میتواند دقت بسیار بالایی را به نسبت سیستمهاي معمولی اعلام حریق فراهم سازد.
در این مقاله به بررسی و ساخت سیستمی با درجه اطمینان بالا براي شناسایی حریق در مراحل اولیه شکل گیري خواهیم پرداخت که به کمک سیستمهاي بویایی مصنوعی مبتنی بر هوش مصنوعی، می تواند نوع ماده سوختنی را تشخیص داده و مطابق استاندارد [1] NFPA ، ماده مناسب جهت اطفاء آنرا فعال نماید . در سیستم بویایی مصنوعی بهکار گرفته شده در این مقاله، براي اندازهگیري و تفکیک بوهاي ناشی از حریق، سیگنالهاي بدست آمده از سنسورهاي گاز، از زمان دریافت جمعآوري شده و با استفاده از یک شبکه عصبی MLP تحلیل می شوند. نتایج عملی بدست آمده، اطمینان پذیري دستگاه را براي شناسایی حریق در مراحل اولیه، با دقت بالا نشان میدهد.
- 2 سیستمهاي بویایی مصنوعی
سیستمهاي بویایی مصنوعی، براي آشکارسازي و آنالیز علمی و آماري بوهاي متصاعد شده از مواد، مورد استفاده قرار میگیرند. ایدة اصلی در این سیستمها که بینی الکترونیکی - E-Nose - نیز نامیده میشوند، تقلید و تکرار فرآیندهاي ادراك بویایی انسان میباشد. این سیستمها امروزه کاربردهاي زیادي در زمینههاي مختلف پیدا کردهاند، که بعضی از آنها عبارتند از: کاربردهاي پزشکی، صنایع غذایی، کاربردهاي محیطی - مانند شناسایی فاضلابها، پسماندهاي سمی و ... - ، صنایع عطرسازي و مواد خوشبوکننده، مونیتورینگ آلودگی هوا و ... .[2]
ساختار پایه E-Nose داراي دو قسمت اصلی است: »قسمت حسکننده« و » قسمت تشخیص بو« شکل .1 قسمت حسکننده بهروشهاي مختلف قابل پیادهسازي است که یکی از آنها استفاده از سنسورهاي گاز در یک آرایه سنسوري است. »قسمت تشخیص بو« یک سیستم تشخیص الگو است که براساس نتایج به دست آمده از قسمت حسکننده، بو را تشخیص میدهد. یکی از مهمترین تکنیکهاي ارائه شده براي پیادهسازي این قسمت، شبکههاي عصبی مصنوعی - ANN - 1 است. بمنظور مرتبط نمودن مقادیر سنسورهاي قسمت حسکننده به بویی خاص، ANN را با استفاده از یک روش تحت نظارت، تعلیم و آموزش میدهند.
-1-4 بخش حس کننده:
سنسورهاي MOGS بصورت گستردهاي در کاربردهاي مختلف بکار میروند، هر کدام از این سنسورها در پاسخ به گازهاي مختلف، داراي خصوصیات مختص به خود میباشند؛ زمانی که تعدادي MOGS بصورت یک آرایه سنسوري در کنار هم قرار گیرند، توانایی تشخیص بو در آنها بسیار بالا خواهد رفت. بعنوان مثال، شکل 2 پاسخ سنسور TGS813 به گازهاي هواي آزاد را نشان میدهد.
امروزه سنسور منفردي بعنوان سنسور بویایی وجود ندارد، بلکه به این منظور از آرایهاي سنسوري از سنسورهاي گاز، مثلاً سنسورهاي گازي اکسید فلزي - MOGS - 2، استفاده میشود. بخش حسکننده در پروژه مورد نظر در این مقاله، آرایه اي سنسوري شامل پنج عدد سنسور گاز MOGS میباشد. سنسورهاي MOGS بصورت گستردهاي در کاربردهاي مختلف بکار میروند. رسانایی الکتریکی این نوع از سنسورها هنگام قرار گرفتن در معرض گازها و بوهاي مختلف تغییر میکند که به کمک مدار سادهاي بصورت شکل 3 قابل آشکارسازي میباشد.
VH ,VC ,RL و VRL به ترتیب مقاومت بار، ولتاژهاي بایاس المان حساس به گاز، بایاس المان گرمکننده سنسور و ولتاژ خروجی سنسور هستند. نکته مهم درباره کار این سنسورها اینست که هیچکدام به تنهایی نمیتوانند یک گاز را به طور مطلق اندازه بگیرند [2]، بعبارت دیگر گرچه هر سنسور براي تشخیص گاز خاصی طراحی میشود، ولی در عمل به دیگر گازها نیز پاسخ میدهد.[3]
زمانی که تعدادي MOGS بصورت آرایه اي سنسوري در کنار هم قرار گیرند، توانایی تشخیص بو در آنها بسیار بالا خواهد رفت زیرا بو ترکیبی از گازهاي مختلف بوده و هر بویی - از جمله بوي گازهاي حاصل از حریق - در برخورد با آرایه سنسوري، الگوي خاص و منحصر بفرد بر جاي میگذارد، که این الگو مجموعهاي از پاسخ سنسورها به ترکیبات گازي آن بوي خاص میباشد.
-2-4 بخش پردازش و کنترل:
در این پروژه، بخش پردازش و کنترل بکمک میکروکنترلر AVR پیادهسازي شده است. در این بخش سیگنالهاي دریافتی از آرایه سنسوري پردازش، و بر اساس آن نوع ماده سوختنی تشخیص داده شده و سپس سیگنالهاي خروجی لازم جهت راهاندازي سیستم اطفاء مطابق استاندارد NFPA، تولید میشوند. براي کارکرد درست شبکه عصبی که به صورت برنامهاي در میکروکنترولر نوشته شده لازم است وزنها و بایاس هاي لازم محاسبه شده و در برنامه استفاده شود.
براي اینکار ابتدا اطلاعات دریافتی از سنسورها بطور همزمان در هر ثانیه از طریق میکرو به PC فرستاده میشود اطلاعات دریافتی ماتریسی به ابعاد 5 در تعداد ثانیهها خواهد بود، سپس میانگین اطلاعات در فاصله زمانی 20 تا 40 ثانیه بعنوان دادههاي برگزیده انتخاب میشوند معیار انتخاب این دادهها شروع فاصلهاي است که سنسور به یک حالت پایداري و اشباع رسیده است، منابعی که در این پروژه مورد آزمایش قرار گرفت بصورت نمونههایی است، که لیست آن در جدول 2 آمده است.
باید در نظر داشت در نبود هر کدام از منابع دود، هوا عامل غالب خواهد بود، بنابراین باید آنرا به این مجموعه اضافه کرد تا در حالتی که هیچ منبع دودي توسط سنسورها دریافت نمیشود حالت نرمال را به نمایش بگذارد. لازم به ذکر است با توجه به ساختار سنسورها زمانی لازم خواهد بود که گرم کننده داخلی، سنسور را به یک حالت پایدار برساند مطابق شکل 2 این زمان حدود 50 تا 60 ثانیه طول خواهد کشید، پس از رسیدن به حالت پایداري زمان نمونه گیري شروع خواهد شد. هر منبع متصاعد کننده بو 20 بار مورد آزمایش قرار گرفته تا بتوان تکرارپذیري واکنش سنسورهاي MOGS را نسبت به یک بوي خاص اندازهگیري کرد.
