基于BN和ANN聯合模型的艦船艙室火災探測方法

謝田華，楊祖耀，遲　衛

(海軍大連艦艇學院航海系，遼寧大連116018)

基于BN和ANN聯合模型的艦船艙室火災探測方法

謝田華，楊祖耀，遲衛

(海軍大連艦艇學院航海系，遼寧大連116018)

摘要:針對平時或戰時火災傳感器可能出現的故障或失效問題，基于貝葉斯網絡(BN)的不確定性推理特性和神經網絡(ANN)良好的非線性映射能力，提出基于二者聯合模型的艙室火災探測方法，分別在正常、添加隨機噪聲和傳感器故障條件下對模型性能進行仿真測試。結果表明，聯合模型具有較強的抗干擾能力，在設定的各種情況下均能正確地判斷火災狀態，具有良好的探測準確度與響應速度，單次探測耗時僅為10 ms，可有效解決艦船艙室火災探測過程信息不確定、不完整和實時性要求高的問題。切實增強艙室火災的早期自動探測能力。

關鍵詞:艙室火災探測;貝葉斯網絡;神經網絡;聯合模型

Ship compartment fire detection method based on joint BN and ANN model

XIE Tian-hua，YANG Zu-yao，CHI Wei
(Department of Navigation，Dalian Naval Academy，Dalian 116018，China)

Abstract:To deal with malfunction and failure of fire sensors in peacetime and wartime，a joint model based on Bayesian Network(BN) and Artificial Neural Network(ANN) was put forward on account of BN's characteristic of reasoning uncertain knowledge and ANN's excellent nonlinear mapping ability．Joint Model was separately tested in circumstances with stochastic noises，failures of sensors and nothing abnormal，which monitors ship's diversified environments．Joint Model rightly estimated the fire state with acceptable error in all tested examples，and each detection took 10 ms in average．The results of simulation show that Joint Model has satisfying accuracy and responding speed，and the outstanding ability of anti-jamming，therefore，it is good at estimating fire state in circumstances with uncertain and incomplete information in real time．It can better improve early automatic detection ability to detect ship compartment fire early and automatically．

Key words:compartment fire detection; Bayesian Network; Artificial Neural Network;joint model

0　引言

艦船上艙室眾多，結構復雜，易燃材料多，發生火災時如能及時發現并撲滅初期小火，有效控制火勢蔓延，必將極大降低火災的危害和影響，因此，艙室火災的早期自動探測具有十分重要的意義［1］。

傳統的單一傳感器火災探測方法在響應時間和探測準確度方面不能完全滿足現實需求，因此，近年來出現了多種利用多傳感器數據融合進行火災探測方法［2］。美國海軍研究實驗室Rose－Pehrsson等人提出“Volume Sensor”的概念，融合多傳感器數據用于艦船威脅態勢感知，其中包括火災探測，經過實驗效果良好，準確度和響應速度與單一傳感器探測方法相比均有所提高，但是其工程龐大，涉及傳感器種類和數量眾多，推廣難度較大［3－4］。張德鳳等［5－7］先后提出多傳感器火災探測的神經網絡模型及其改進方法，成功降低了漏檢率和誤警率，但無法解決部分傳感器故障或失效等信息不確定、不完整的情況。陳靜等［8］提出將貝葉斯網絡應用于多傳感器火災探測，通過概率分析和推理，成功解決了火災過程信息不確定、不完整的問題，但該方法對傳感器種類的要求較高，同時在探測的準確度方面較其他方法沒有優勢。

由于艦船日常發生碰撞事故所處的惡劣環境、風浪中航行、戰場打擊等因素，火災傳感器很有可能出現故障或失效的情況，因此，必須研究解決傳感器信息不確定、不完整時的火災探測問題?；诖?，本文提出用貝

葉斯網絡和神經網絡的聯合模型進行艦船艙室火災探測。介紹了貝葉斯網絡和神經網絡的構建關鍵過程，以及如何將2種模型聯合應用于多傳感器火災探測，并給出了加隨機噪聲和傳感器故障情形的仿真和結果分析。

1　模型基礎和構建方法

1.1模型理論基礎

1.1.1貝葉斯網絡

貝葉斯網絡(Bayesian Network)是一種表示變量間概率分布及關系的有向無環圖(Directed Acyclic Graph，DAG)模型，用來表示和推理不確定性知識，它將概率論的相關知識與圖形理論相結合，具有較為嚴格的理論基礎，是智能領域的強有力工具［9］。

一個標準的貝葉斯網絡可用數學符號表示為:

式中: S為一個能表示變量域的DAG; V(包含n個有限變量Vi)為隨機變量集合; L為有向邊的集合; P為條件概率分布集。

S和P定義V的聯合概率分布，根據條件獨立的性質，聯合概率分布為:

其中ζ為先驗知識。對于每個變量xi，令πi{x1，x2，…，xi－1}是xi的父節點，{x1，x2，…，xi－1}條件獨立，則

給定節點變量集合E為V的子集，查詢節點變量集合為Q，概率推理在給定證據E =e時，計算條件概率:

1.1.2神經網絡

人工神經網絡是一個以有向圖為拓撲結構，通常簡單稱為神經網絡，它由大量簡單的處理單元(神經元)通過廣泛地互相連接而形成的復雜動態網絡系統。神經網絡系統是一個高度復雜的非線性動力學系統，它通過對連續或斷續式的輸入作狀態響應而進行信息處理，雖然每個神經元的結構和功能十分簡單，但由大量神經元構成的網絡系統的行為卻是豐富多彩和十分復雜的［10］。

神經網絡結構復雜，其模型多種多樣，其中BP (Back Propagation)網絡是最具代表性的模型之一，具有結構簡單、可塑性強的優點。BP網絡是一種多層前饋神經網絡，可以實現從輸入到輸出的任意非線性映射，它利用輸出后的誤差來估計輸出層的直接前導層的誤差，再用這個誤差估計更前一層的誤差，如此一層一層地反傳下去，就獲得了所有其他各層的誤差估計。

1.2模型構建方法

火災發生過程的物化特征主要有溫度升高、煙霧、CO和CO2濃度升高、火焰、燃燒音等，現代艦船普遍裝配的火災傳感器主要有溫度傳感器、感煙傳感器、氣體傳感器和圖像傳感器等。為了保證系統有較高的探測準確度和響應速度，選擇哪些物化特征作為檢測參量應該考慮火災發生后物化特征的顯現時機和明顯程度?；馂陌l生初期，會產生大量煙霧，CO濃度迅速增大，并且與無火災時相比濃度增大顯著;伴隨著明火的產生，環境溫度會迅速升高［11－12］。綜合考慮之后，本文選擇溫度、煙霧和CO濃度作為檢測參量。

艦船火災發生過程中可能呈現明火和陰燃火2種典型狀態，再加上平時的無火狀態，系統根據檢測參量推理判斷，最終輸出發生無火、陰燃火和明火的概率。

貝葉斯網絡的參數學習和神經網絡的訓練，以及模型的驗證都需要一定數量的樣本數據，本文依據GB4715－2005點型感煙火災探測器技術要求及試驗方法［13］，取得SH1木材熱解陰燃火、SH4正庚烷液體(明)火和標準無火數據作為樣本，并取得了一定量的偏離樣本數據對模型進行驗證。

1.2.1構建貝葉斯網絡

一般而言，構建貝葉斯網絡模型有2種方法:基于專家知識手工建立和通過案例學習自動獲取。本文將2種方法結合:首先，通過對火災機理和傳感器檢測量的分析，確定貝葉斯網絡的結構，如圖1所示;然后通過樣本數據學習獲得模型的相關參數。圖1中溫度、CO濃度和煙霧為傳感器檢測量，因為傳感器輸出為連續量，所以它們是連續節點;無火、陰燃火和明火是離散節點，且只有2個值，表示是否發生。

圖1　貝葉斯網絡結構Fig.1　Structure of bayesian networks

1.2.2構建神經網絡

采用標準的3層BP網絡。輸入層節點數設為3，分別代表溫度、煙霧和CO濃度;輸出節點數設為3，分別表示無火概率、陰燃火概率和明火概率;隱含層節點數受輸入層和輸出層的節點數量制約，其選取沒有理論上的指導，主要根據經驗公式

初步確定范圍，然后根據試驗結果確定節點數，式中q、r、s分別為隱含層、輸入層和輸出層節點個數。試驗發現，當隱含層節點個數為7個左右時，訓練時間最短，誤差下降最快。通常情況下，可以在解決問題的基礎上增加1～2個隱含層節點，用以加快誤差的下降速度。本文設計的隱含層節點數最后確定為8個，神經網絡結構如圖2所示。

將樣本中的傳感器數據和概率分別作為神經網絡的輸入信號和期望輸出，進行神經網絡的訓練，經過647次迭代后，神經網絡均方誤差達到設定的條件，如圖3所示。

圖2　神經網絡結構Fig.2　Structure of artificial neural network

圖3　神經網絡誤差曲線Fig.3　Error curve of artificial neural network

1.2.3構建聯合模型

神經網絡內部結構相對復雜，經過適當訓練后，模型輸出與真實情況比較接近，但是它的抗干擾能力不強，當輸入數據含有較大噪聲或者某個傳感器故障后，神經網絡很難對火災狀態做出正確的判斷。而貝葉斯網絡雖然在判斷準確度上遜色于神經網絡，但是它對于局勢的整體判斷能力較強，尤其是在數據含噪聲或者傳感器故障的情況下仍然有較好的表現。因此，本文將二者結合，優勢互補，以解決艦船艙室火災探測過程信息不確定、不完整的問題，同時在一定程度上保證系統的探測準確度和響應速度。本文采用加權平均的方法對2種網絡模型進行聯合，同時，考慮到神經網絡抗干擾能力弱，當它的輸出與貝葉斯網絡相差超過一定閾值時，對貝葉斯網絡的輸出賦予更大的權重，如式(10)。

其中α1，α2，α3和δ1，δ2的值通過試驗確定。

2　仿真及結果分析

2.1學習、訓練和驗證

利用樣本數據進行貝葉斯網絡的參數學習和神經網絡的訓練，利用偏離樣本數據對模型進行驗證，貝葉斯網絡、神經網絡和聯合模型的性能表現如圖4所示。

由圖4可見，3種模型的實際輸出與期望輸出基本相符，少數數據有較大偏差;貝葉斯網絡能正確判斷火災狀態，神經網絡錯誤判斷了序號8的火災狀態，聯合模型能正確判斷所有的火災狀態;更為重要的是，神經網絡和聯合模型的判斷誤差均小于貝葉斯網絡，3種模型的平均判斷誤差見表1。

表1　三種模型的平均判斷誤差Tab.1　Average error of three models

由表1可見，聯合模型對無火和明火狀態的平均判斷誤差小于貝葉斯網絡和神經網絡，對陰燃火狀態的平均判斷誤差介于二者之間，聯合模型的平均判斷誤差和神經網絡比較接近，可以認為，聯合模型依靠神經網絡成功控制了誤差。

2.2加噪聲探測仿真

正常情況下，傳感器的數據都含有一的噪聲，為

了測試模型的抗干擾能力，在原來數據的基礎上再加上一定范圍的隨機噪聲。當給CO濃度數據加上隨機噪聲之后，3種模型的性能表現如圖5所示。

圖4　三種模型的比較Fig.4　Comparison of three models

由圖5可見，加上隨機噪聲后神經網絡的判斷正確率受影響較大，錯誤判斷了多個序號的火災狀態，而貝葉斯網絡仍然能正確判斷火災狀態，聯合模型在其作用下正確判斷了所有火災狀態。3種模型的平均判斷誤差見表2。

表2　加噪聲后3種模型的平均判斷誤差Tab.2　Average error of three models with noise

由表2可看出，聯合模型對3種火災狀態的平均判斷誤差均小于貝葉斯網絡和神經網絡，說明聯合模型通過融合2種網絡成功控制了誤差。

圖5　加噪聲后3種模型的表現Fig.5　Comparison of three models with noise

2.3傳感器故障探測仿真

艦船平時發生事故或戰時被武器擊中都有可能造成傳感器故障或失效，此時，需要考慮聯合模型能否正確判斷火災狀態。假設煙霧傳感器故障，輸出為0，3種模型的性能表現如圖6所示。

由圖6可看出，神經網絡的判斷受到較大干擾，出現了較多判斷失誤，而貝葉斯網絡仍然能正確判斷火災狀態，聯合模型在其作用下正確判斷了所有火災狀態。3種模型的平均判斷誤差見表3。

由表3可看出，聯合模型對3種火災狀態的平均判斷誤差均小于貝葉斯網絡和神經網絡，說明聯合模型通過融合2種網絡成功控制了誤差。

表3　傳感器故障后3種模型的平均判斷誤差Tab.3　Average error of three models with failure

圖6　傳感器故障后三種模型的表現Fig.6 Comparison of three models with failure

表4　三種模型的響應時間Tab.4　Response time of three models

由表4可看出，聯合模型的響應時間約為貝葉斯網絡和神經網絡的總和，處理一組傳感器數據的平均響應時間為10 ms，能夠滿足實時性要求。

2.5結果分析

由本文仿真結果分析可得:貝葉斯網絡抗干擾能力強，能準確把握火災狀態，然而判斷概率的誤差較大;神經網絡能比較準確地判斷火災狀態的概率，但是抗干擾能力弱。聯合模型結合了二者的優點，既擁有貝葉斯網絡較強的抗干擾能力，能在加隨機噪聲和傳感器故障的情況下正確判斷艦船艙室火災狀態;同時它依靠神經網絡成功控制了誤差，并且聯合模型的響應時間為貝葉斯網絡和神經網絡的總和，響應速度能滿足現實需求。

3　結語

對艦船艙室火災自動探測技術的研究一直是國內外研究的熱點，對于保障艦船生命力具有重要意義。本文提出基于貝葉斯網絡和神經網絡聯合模型的火災探測方法，在加入隨機噪聲和傳感器故障的情形下測試了模型的探測性能，結果表明，聯合網絡模型具有較強的抗干擾能力和良好的探測準確度與響應速度，可解決艦船艙室火災探測過程信息不確定、不完整和實時性要求高的問題。為艦船火災識別技術的發展提供了新思路，將聯合模型應用于實際的艦船艙室火災探測和其他場合，以及對該模型的改進，是進一步需要深入研究的方向。

參考文獻:

［1］浦金云，金濤，邱金水，等．艦船生命力［M］．北京:國防工業出版社，2008．

［2］張鑫，隋金雪，張巖．信息融合技術在火災探測中的應用研究［J］．中國安全科學學報，2011(6) :94－98．

［3］ROSE-PEHRSSON S L，MINOR C P，STEINHURST D A，et al．Volume sensor for damage assessment and situational awareness［J］．Fire Safety Journal，2006，41:301－310．

［4］GOTTUK D T，HARRISON M A，ROSE-PEHRSSON S L，et al．Shipboard evaluation of fire detection technologies for volume sensor development: preliminary results［R］．NRL Letter Report 6180/0282，Chemistry Division，Code 6180，US Naval Research Laboratory，Washington，DC，20375; August 28，2003．

［5］馬憲民，張德鳳．火災探測信息融合的一種新型實現方法［J］．儀器儀表學報，2006(6) :2138－2139．

［6］李光，張鐵壁．多傳感器數據融合技術在火災報警中的應用［J］．河北工業大學學報，2010(8) :35－38．

［7］樊雷松，強彥，等．無線傳感網中基于BP神經網絡的數據融合方法［J］．計算機工程與設計，2014(1) :62－66．

［8］陳靜，付敬奇．貝葉斯網絡在火災報警系統中的應用［J］．儀表技術，2011(10) :47－51．

［9］史志富，張安．貝葉斯網絡理論及其在軍事系統中的應用［M］．北京:國防工業出版社，2012．

［10］馬銳．人工神經網絡原理［M］．北京:機械工業出版社，2010．

［11］程曉舫，王瑞芳，張維農，等．火災探測的原理和方法(上)［J］．中國安全科學學報，1999(2) :24－29．

［12］程曉舫，王瑞芳，張維農，等．火災探測的原理和方法(下)［J］．中國安全科學學報，1999(4) :1－5．

［13］GB4715－2005，點型感煙火災探測器［S］．

作者簡介:謝田華(1976－)，男，副教授，主要從事艦船損管和智能決策、軍事航海安全保障等方向的研究。

收稿日期:2015－05－11;修回日期: 2015－06－13

文章編號:1672－7649(2015) 07－0099－05doi:10.3404/j.issn.1672－7649.2015.07.022

中圖分類號:U674．76

文獻標識碼:A