艦船多參量火災探測技術方案

張永剛，張璽，劉杰，孫騫

(中國船舶重工集團公司第七二六研究所，上海 201108)

?

艦船多參量火災探測技術方案

張永剛，張璽，劉杰，孫騫

(中國船舶重工集團公司第七二六研究所，上海 201108)

針對艦船火災特點，采用多參量(煙霧體積濃度、溫度、一氧化碳體積濃度)信息融合技術，對多種火災特征參量進行綜合分析處理，建立艦船復雜環境下的火災探測方案，可有效提高火災探測準確度、降低火災誤報率。

艦船消防；多參量；信息融合；火災探測系統

為了提高火災早期探測精確度，現役艦船的火災報警系統一般采用多種探測器組合式探測方案，主要采用煙霧探測器，溫度探測器、火焰探測器、可燃氣體探測器作為輔助，聯合監測現場環境變化。該方案很大程度上依賴所選取的探測器自身的探測能力和現場多種探測器的配置、覆蓋情況。

為了滿足早期探測需求，往往選取高質量、高精度的探測器，并進行多層次覆蓋安裝，提取每個探測器的信息進行實時監測，出現異常時才會安排船員進行現場勘測，確認火情。這種多元探測器組合監測的方式雖然規避了空間內的探測盲區，可以采集到任意地方的火情信息，獲得了火災探測的高可靠性。但從技術角度上分析，該方式依舊局限于單一火災探測信息判斷是否有火災隱患，僅依靠增加探測器的數量來提高探測準確性和可靠性是不夠的，結合國外探測技術研究成果，更好的早期探測方案是使探測系統克服單一探測器探測劣勢，融合多個探測器的參量信息，對火情狀態做出快速、準確的判斷。

多傳感器信息融合的核心是指將來自多個傳感器的參量進行多級別、多方面、多層次的處理，從而得出更為準確、可靠的結論，而這種結論是任何一種單一傳感器所無法獲得的[1-2]。因此，考慮針對艦船火災探測系統的特點，提出一種多參量火災探測技術方案。建立多元火災特征參量綜合分析判斷環節，形成多參量火災探測方案，從而減少由單個火災特征參量導致的漏報、誤報，提高火災報警系統的準確性、及時性。

1 火災探測系統總體結構

依據多傳感器信息融合概念，多探測器是采用信息融合技術的基礎，探測器監測到的參數是信息融合技術處理的對象，而綜合處理的算法就是信息融合的核心，探測的準確度依賴于算法的設計。信息融合有多種分類方式，其中最為經典常見的方式就是按照處理層次和級別進行分類，可以將信息融合的過程抽象為3層：信息層融合、特征層融合、決策層融合[3]，在此基礎上，結合火災探測中的實際應用情況，將火災探測器系統信息處理過程劃分為3個階段：參量采集階段、參量融合階段、決策輸出階段。其中信息層融合和特征層融合都歸類于參量融合階段，同時采用分散型的信息融合系統結構，該結構對信道要求較低，信息的計算分配均衡，對硬件的要求較低，能夠保證該方案的可實施性。

多參量火災探測方案總體結構見圖1。

1)參量采集階段。該階段主要是對探測器參量的采集過程，根據現場情況盡可能多的收集探測器參量，作為信息融合的基礎參量集合。但在探測器種類、規格的選取上，需要根據艦船探測場所的環境和要求，選用合適種類、數量的探測器組合，這是火災探測技術中尤為重要的一個環節。

2)參量融合階段。在參量采集階段中采集到的探測器參量，在種類和形式上有很大的區別，這就需要進行參量預處理(包括歸一化、限幅、環境補償、校準及預判等)，也就是進行底層的局部決策處理，即信息層融合工作，當把這些層次不一的參量處理為統一的表達形式后，才能完成數據配準[4]；如果參量超出閾值，出現異常時，特征層將對信息層歸一化后的參量進行特征提取，采用信息融合算法開始特征層的信息融合，從而實現非火災源、陰燃火、明火以及火災概率的識別。

3)決策輸出階段。該階段利用參量融合階段得到的不同火災狀態概率的數據，結合其他輔助信息，采用模糊邏輯推理技術得到最終決策結果，判斷出探測現場的火情。

2 火災探測方案

2.1 選取艦船火災特征參量

由火災燃燒時的狀態分析可知，燃燒過程可以簡單分為早期、陰燃、明火3個階段。火焰的形狀，燃燒產生的氣體產物、溫度、輻射都能作為火災探測的特征，火災的特征在不同的環境中呈現出不一樣的特點。從圖2中可以看出，艦船火災在早期階段火勢發展速度較慢，而發展到陰燃階段，火勢發展迅速，相較于普通建筑中的火勢更劇烈，難以控制。在火災各個階段的產物比例的有所不同，火災早期，各類易燃物質燃燒不充分，但會釋放大量氣體(CO、CO2等)，溫度和煙霧較少；陰燃階段則產生大量煙霧，可燃氣體含量開始上升，溫度基本恒定；明火階段則向外輻射熱量，環境溫度迅速上升，可燃氣體濃度緩慢上升。

傳統火災探測采用溫度和煙霧體積濃度作為判斷火情的參量，能夠有效探測到火災的發生，但基于以上的燃燒產物的變化情況的分析，在真實火災場景中這2個參量存在局限性，煙霧體積濃度報警受到外界的環境變化影響較大，誤報率較高，而溫度在陰燃階段趨于平穩，表現不明顯，不能及時反應火情變化。按歐洲標準試驗，對著火前后一氧化碳體積濃度的監測發現，一氧化碳濃度對于火情的判斷有著一定的優勢，首先是日產生活中，空氣中的一氧化碳氣體含量較低，在10×10-6(mL/m3)左右，不會影響探測器的判斷；另外，一氧化碳在封閉空間中擴散速度慢，導致區域內的一氧化碳含量急劇上升，含量過高還會威脅到生命安全。

因此，煙霧體積濃度、溫度和一氧化碳體積濃度是可以評價火情的重要參量，選擇這3個參數開展對融合探測方法的研究。也有國外相關研究數據表明，合理的火災特征參量集合可以提高探測水平[5]。為了準確采集到這3個重要參量，選取艦船消防常用的火災探測器，用可燃氣體探測器來探測一氧化碳體積濃度的變化，吸氣式感煙探測器探測煙霧體積濃度，不同的是在采集溫度參量時，摒棄了常規的溫度探測器，而采用紅外探測器對溫度進行采集，這種選擇是艦船結構的特殊性決定的。因為艦船火災早期階段，溫度變化不明顯，對于探測溫度的靈敏度有一定要求，能及時發現溫度異常，有助于將火災扼殺在萌芽當中；同時在陰燃階段，煙霧將快速充滿艙室，妨礙現場火情排查，而紅外射線穿透煙霧的能力很強，通過紅外探測器探測物體向空間輻射的紅外電磁波的變化來間接判斷物體的溫度，相對于溫度探測器對環境溫度的監測更具有優勢[6]。

2.2 融合艦船火災特征參量

由于可燃氣體探測器、吸氣式感煙探測器，紅外探測器采集到的參量的量綱、范圍不同，數值之間的大小也有可能相差極大，因此在進行特征層融合前，需要對這些參量進行預處理，將參量處理到[0,1]區間內，為了減少系統的運算負擔，采用最常規的預處理方法。

(1)

目前處理探測器多參量的信息網絡融合方法有很多[7]。在處理火災探測這種非結構性的問題時，最常用、有效的方法是神經網絡方法。而基于火災的不確定性，采集到的參量的模糊性，模糊推理理論被也被應用于火災探測技術中，但這2種方法都有各自的優缺點，采用神經網絡和模糊邏輯結合的方式進行信息融合成為趨勢。

BP(back propagation)網絡是一種按誤差逆傳播算法訓練的多層前饋網絡[8]。用神經網絡對信號的幅度、動態范圍和持續時間等特征進行規范處理，使火災報警輸出的信號達到穩定性和準確性，提高火災報警的準確率[9]。針對BP網絡的優點，國外研究提出了結合BP網絡和小波理論的優勢的小波神經網絡。考慮采用小波神經網絡(wavelet neural network,WNN)與模糊理論串聯的模型進行信息融合，模糊理論主要應用于決策輸出階段。應用于特征層融合的小波神經網絡是一種以BP網絡拓撲結構為基礎的網絡，能有效從信息中提取特征信息，具有良好的學習能力，收斂速度快，避免了陷入局部極小點。為了融合的準確性，采用緊致型網絡拓撲結構，如圖3所示，即用小波函數取代BP網絡隱含層中的激勵函數，由輸入層、隱含層和輸出層3層神經元構成網絡拓撲，按照實際需求決定輸入層和輸出層的神經元個數。輸入層有3個參量，即一氧化碳體積濃度、煙霧體積濃度、溫度，輸出層也設有3個參量，即無火狀態、陰燃狀態、明火狀態。

作為激勵函數的小波函數的種類較多，采用普遍使用的Morlet小波函數作為激勵函數，由網絡拓撲結構可以得到：

(2)

(3)

(4)

式中：y(t)為網絡的輸入值；y′(t)為網絡的輸出值；L為隱含層的節點個數；K為輸入層的神經元個數；φ(t)為網絡采用的小波基函數；Vj為輸入層到隱含層的連接權值；Wi為隱含層到輸出層的連接權值；ai、bi為第i個隱含層節點的伸縮因子、平移因子。

小波神經網絡的隱含層節點數量多以經驗參考公式進行計算，在仿真過程中不斷調節，從小到大反復試驗，一般確保滿足需求的基礎上采用盡可能少的隱含層節點數量，隱含層節點數量太多，會增加系統運算負擔，反而會影響預測精度。隱含層的節點數量經驗公式如下。

(5)

式中：n為輸入神經元個數；m為輸出神經元個數，a為1～10的常數。

基于BP網絡的小波神經網絡實際上也是一種梯度下降法，用期望輸出和網絡實際輸出的誤差的平方和作為學習目標函數，網絡權值的確定依據誤差最小化原則。網絡輸出神經元有m個，因此定義第p個樣本輸入到網絡中的誤差為

(6)

2.3 模糊邏輯推理

雖然小波神經網絡進行信息融合可以得到無火概率、陰燃概率、明火概率，但僅依靠這3個概率值，當出現較為嚴重的干擾信號后，依然會引起誤報、漏報，不能準確的判斷出當前是否有火災發生及火情的輕重。另外，概率值接近門限值時很難判斷其代表的意義。因此，為了提高抗干擾性能，對小波神經網絡得出的輸出值經過模糊推測理論再次處理，將這3個火災概率作為模糊推理的輸入信號，同時增加輔助信息，經過輸入量的模糊化、模糊邏輯推理、去模糊過程3個過程，得出最終的火情判斷。模糊推理的具體過程見圖4。其中，非模糊化過程是將輸出量的分布函數轉換成規范化的輸出量，最后辨識系統將規范化的輸出量轉換為實際的輸出值[10]。模糊推理理論的基本思路就是將原始信息由信息低層向信息高層進行逐層融合得到最終的結果，結合人的經驗，以及通過各探測器獲得的輔助信息，制定語言規則，作為邏輯推理過程的可靠依據[11]。

從小波神經網絡融合得到的輸出結果，對當前火情進行初步判斷，如果概率大于0.8，可以得出發生火災的結論；當概率小于0.2時，也可以輕松的得到沒有火情的結論；但是當概率值在門限值0.5左右時，就很難判斷出此時的狀態。因此在此基礎上需要增加更多的合理判據來判斷此時的狀態。一般情況下，如果是干擾信號造成的偏差，狀態不會長時間持續，很快恢復正常，而如果是發生火災時，這種參量值的變動，會持續一段時間，因此，可以將火災信號持續時間作為輔助信息來增加火情判斷的準確性。

火災信號持續時間計算方法如下：

(7)

式中：T(n)為火災信號持續時間；n為時間變量；Td為報警門限值,設置Td=0.5；y′(t)為小波神經理論得出的火災概率，當火災概率大于報警門限值時，開始累計計時，否則T(n)=0。

定義模糊子集：{PN,PH,PM,PL}。其中：PN表示沒有火災發生；PH表示火災概率高；PM表示火災概率中；PL表示火災概率低。通過小波神經網絡得到的無火、陰燃、明火概率大于0.8時量化為PH，小于0.2時為量化為PL，大于0.2小于0.8量化為PM，T(n)大于5 s時量化為PH，小于5 s時量化為PL。輸出的最終火災判斷概率量化為PN、PH、PL 3個等級，部分語言規則見表1。

表1 部分語言規則

采用Mamdani模糊理論方法進行推理，由此得到的值依然是模糊值，因此采用重心法去模糊化，將模糊值清晰化，得到最終的結果。

3 仿真驗證

采用Matlab軟件進行小波神經網絡的訓練和仿真，誤差極限設定為10-4，訓練步數設置為104，初始學習率設置為0.5，對20組樣本進行歸一化后，作為小波神經網絡的輸入。樣本集、期望輸出及實際輸出數據如表2所示。由表2可知，小波神經網絡的逼近效果較好，與所期望的輸出誤差極小，此時小波神經網絡已經訓練成功，可以進行火情的判斷。

在小波神經網絡訓練得到完整訓練的基礎上，采用Matlab中的模糊邏輯工具箱建立模糊推理系統，確定無火概率、火災概率高、火災概率低及火災信號持續時間的語言規則。當在真實場景下有火災信號輸入時，運行小波神經網絡算法進行無火、陰燃及明火概率計算，綜合火災信號持續時間，利用模糊推理方法及制定的語言規則，得出可靠的火災發生概率。通過仿真，證明該方案對于火災早期探測效果較好，能夠提高火災探測系統的可靠性，減少漏報誤報情況。

4 結論

提出的火災探測系統方案采用可燃氣體探測器、吸氣式感煙探測器、紅外探測器采集火災特征參量，通過小波神經網絡信息融合技術和模糊邏輯推理技術，將3種火災特征參量進行綜合分析處理，得到及時的火情判斷。采用Matlab仿真驗證，該方案能夠提高火災報警系統的及時性和有效性，提高了火災探測準確度，能準確判斷當前火情，降低火災誤報率。

[1] AHLERSH.多傳感器技術及其應用[M].王磊,譯.北京:國防工業出版社,2001.

[2] NAKANISHI S.Intelligent fire warning system using fuzzy technology[J].Fire Safety Journal,1991,17(3):531-533.

[3] Chul Kyu Jin,Chung Gil Kang. Fabrication by vacuumdie casting and simulation of aluminum bipolar plates with micro-channels on both sides for proton exchange membrane(PEM) fuel cells[J].International Journal of Hydrogen Energy,2012，37:1661-1676.

表2 樣本集、期望輸出及實際輸出數據

[4] WALTZ E,LINAS J. Muhisensor data fusion[M].USA:Norwood,Massachusetts,Artech House.1990.

[5] 侯杰.基于視頻圖像的高大空間建筑火災探測研究[D].北京：清華大學,2010.

[6] 張永剛,黃超,魏周君.紅外技術在艦艇消防安全中的應用[J],船海工程,2013(4):11-14.

[7] 譚琳.多傳感器信息融合技術探析[J].計算機光盤軟件及應用,2012(1):114-116.

[8] 席愛民.模糊控制技術[M].西安：西安電子科技大學出版社,2008.

[9] 趙英南,陳南.智能建筑火災自動報警系統設計與實施[M].北京:知識產權出版社,2005.

[10] 曾光奇,胡均安,王東,等.模糊控制理論與工程[M].武漢：華中科技大學出版社,2000.

[11] 張兢,路彥,雷剛.基于多傳感器信息融合的智能火災預警系統[J].計算機工程與應用,2006(6):206-208.

On the Fire Detection Technology of Multi-Parameter for Ships

ZHANG Yong-gang, ZHANG Xi, LIU Jie, SUN Qian

(No.726 Research Institute of China Shipbuilding Industrial Corporation, Shanghai 201108, China)

In view of fire characteristic of ships, a fire detection technology of multi-parameter was proposed based on the multi-parameter information fusion technology considering smoking concentration, temperature and concentration of carbon monoxide. It made a comprehensive analysis of various fire parameter and established naval vessels fire detection scheme in complex environment. The fire detection scheme was proved to be effective to improve the accuracy of the fire detection and reduce the false alarm rate.

fire protection of ship; multi-parameter; information fusion; fire detection system

U664.88

A

1671-7953(2017)03-0011-05

2017-01-18

張永剛(1985—)，男，學士，工程師

研究方向：紅外熱成像及熱檢測技術

10.3963/j.issn.1671-7953.2017.03.004

修回日期：2017-03-07