景 琰，馮憲周

(中國(guó)船舶重工集團(tuán)公司第七一三研究所，河南鄭州 450015)

艦載彈藥艙火災(zāi)多元信息融合算法研究

景 琰，馮憲周

(中國(guó)船舶重工集團(tuán)公司第七一三研究所，河南鄭州 450015)

本文通過(guò)某型艦彈藥艙內(nèi)多類型、多數(shù)量傳感器合理配置與布局，闡明危險(xiǎn)特征探測(cè)系統(tǒng)中的信息分類和干擾因素，具體介紹了火災(zāi)探測(cè)多元信息融合算法的原理、實(shí)現(xiàn)方法、實(shí)現(xiàn)過(guò)程和算法測(cè)試結(jié)果。

火災(zāi)；信息融合；神經(jīng)網(wǎng)絡(luò)；彈藥艙

1 概 述

艦船彈藥艙發(fā)生的火災(zāi)爆炸過(guò)程是一個(gè)典型的有多個(gè)物理量變化的過(guò)程，任何一個(gè)單一的物理量探測(cè)有可能產(chǎn)生誤報(bào)，在火災(zāi)爆炸過(guò)程中采用多個(gè)信息和多類信息探測(cè)，對(duì)這些信息進(jìn)行綜合和融合，有可能得到對(duì)該過(guò)程更加準(zhǔn)確和精細(xì)的描述，從而有利于防火防爆決策，結(jié)合某型艦彈藥艙安全的需要，進(jìn)行多元信息融合研究。

1.1 火災(zāi)探測(cè)原理及技術(shù)實(shí)質(zhì)

火災(zāi)信息探測(cè)是以物質(zhì)燃燒過(guò)程中產(chǎn)生的各種火災(zāi)現(xiàn)象為依據(jù)，以實(shí)現(xiàn)早期發(fā)現(xiàn)火災(zāi)為前提。分析普通可燃物的火災(zāi)特點(diǎn)，歸納總結(jié)，可得火災(zāi)探測(cè)原理及技術(shù)實(shí)質(zhì)，如表1所示。按照艦船火災(zāi)爆炸過(guò)程發(fā)生的物理現(xiàn)象及探測(cè)原理，可以對(duì)火災(zāi)探測(cè)危險(xiǎn)信號(hào)進(jìn)行分類。

1.2 影響危險(xiǎn)特征信號(hào)探測(cè)的因素

由于各種原因，產(chǎn)生一些和火災(zāi)發(fā)生時(shí)物理特征相似的虛假現(xiàn)象，影響火災(zāi)特征信號(hào)的探測(cè)，從而產(chǎn)生誤報(bào)。這些因素主要包括以下幾種情況：

1）水蒸氣的產(chǎn)生伴隨著溫度的升高和大量的煙霧；

2）打掃衛(wèi)生時(shí)引起的灰塵；

3）使用空調(diào)和取暖設(shè)備，造成氣溫的劇烈變化；

4）電磁環(huán)境對(duì)煙霧探測(cè)器的影響；

5）噪聲的影響；

6）多種虛假火情同時(shí)存在。

以上因素決定了單參量分析的方法不能進(jìn)行準(zhǔn)確地檢測(cè)和判斷，用傳統(tǒng)的分析方法就存在不可避免的誤報(bào)警。而危險(xiǎn)特征探測(cè)最根本的目的是充分獲取特征信息，并及時(shí)準(zhǔn)確地做出判斷。解決以上存在問(wèn)題的方法是基于信息融合的思想，獲取多源信息進(jìn)行融合并加以利用，實(shí)現(xiàn)對(duì)危險(xiǎn)特征的準(zhǔn)確描述。

2 多元信息融合算法

2.1 火災(zāi)探測(cè)設(shè)備結(jié)構(gòu)

火災(zāi)探測(cè)的體系結(jié)構(gòu)見(jiàn)圖1，其組成包括多種智能傳感器、信息處理控制器、設(shè)備驅(qū)動(dòng)箱及防火防爆設(shè)備，智能傳感器安裝在彈藥艙內(nèi)，其種類、數(shù)量和布局執(zhí)行GJB 4000-2000《艦船通用規(guī)范》5組——《輔助系統(tǒng)》中528.6.3.4規(guī)定。

表1 火災(zāi)探測(cè)原理及技術(shù)實(shí)質(zhì)Tab.1 Principles of fire detection and technical essence

設(shè)備的工作過(guò)程是：安裝在彈藥艙內(nèi)的傳感器采集艙內(nèi)的各種危險(xiǎn)特征信息，經(jīng)過(guò)預(yù)處理后通過(guò)通信總線傳遞給信息處理控制器，信息處理控制器中運(yùn)行的多元信息火災(zāi)探測(cè)軟件，對(duì)傳感器信息進(jìn)行信息融合，得到火災(zāi)判決，如果發(fā)生火災(zāi)，則通過(guò)設(shè)備驅(qū)動(dòng)箱啟動(dòng)相應(yīng)的彈藥艙的防火防爆設(shè)備，實(shí)現(xiàn)對(duì)火災(zāi)的控制。在設(shè)備上電后，上述過(guò)程連續(xù)進(jìn)行，從而實(shí)現(xiàn)了對(duì)彈藥艙連續(xù)不間斷地監(jiān)控。

2.2 算法結(jié)構(gòu)模型

信息融合的方式有很多種，比如多個(gè)傳感器進(jìn)行“與”運(yùn)算或者“或”運(yùn)算，每個(gè)傳感器采集的信號(hào)按權(quán)值比重進(jìn)行綜合判斷以及模糊融合算法等，根據(jù)各種探測(cè)傳感器的特性、火災(zāi)爆炸的演化基本過(guò)程以及火災(zāi)爆炸過(guò)程傳感器的響應(yīng)特性，通過(guò)分析實(shí)際過(guò)程中的數(shù)據(jù)，按照《復(fù)合推理方法的信息融合結(jié)構(gòu)模型》研究的結(jié)果，確定了圖2的信息融合算法模型。

多元信息融合算法主要包括3個(gè)部分：傳感器信息預(yù)處理算法、神經(jīng)網(wǎng)絡(luò)推理算法和基于CASE的推理算法，上述算法的組合形成了火災(zāi)探測(cè)多元信息融合算法。傳感器從火災(zāi)監(jiān)測(cè)場(chǎng)所獲得危險(xiǎn)特征信號(hào)，首先進(jìn)行局部處理，然后經(jīng)BP人工神經(jīng)網(wǎng)絡(luò)進(jìn)行信息融合處理及基于CASE方法進(jìn)行推理，其中神經(jīng)網(wǎng)絡(luò)信息融合的結(jié)果也成為CASE推理的一個(gè)輸入，上述結(jié)構(gòu)既保持了與原有算法的兼容性，又對(duì)原有算法進(jìn)行了改進(jìn)。

上述算法融合了多種傳感器信息（包括溫度、熱微分、煙霧、火焰及壓力微分信息），采用了人工神經(jīng)網(wǎng)絡(luò)、模糊處理及基于CASE的推理方法等技術(shù)。

2.3 傳感器信號(hào)預(yù)處理

火災(zāi)發(fā)生時(shí)，往往伴隨著很多物理現(xiàn)象的發(fā)生：周圍環(huán)境溫度的升高、含有大量的含有紫外線或紅外線的濃煙和CO氣體。但并不是有這些物理現(xiàn)象的發(fā)生，就一定會(huì)發(fā)生火災(zāi)，也有可能是某些干擾因素造成的，這就需要對(duì)多傳感器采集到得火災(zāi)特征信息進(jìn)行預(yù)處理。本設(shè)計(jì)把終端設(shè)備作為數(shù)據(jù)融合的信息融合級(jí)，在探測(cè)節(jié)點(diǎn)定時(shí)采集現(xiàn)場(chǎng)數(shù)據(jù)，為了減少數(shù)據(jù)傳輸量，對(duì)采集的現(xiàn)場(chǎng)數(shù)據(jù)做出火災(zāi)局部判決，局部判決結(jié)果若有火災(zāi)，則向監(jiān)控主機(jī)發(fā)出預(yù)報(bào)警，等待監(jiān)控主機(jī)繼續(xù)采集數(shù)據(jù)命令，按命令要求采集并向監(jiān)控主機(jī)發(fā)送數(shù)據(jù)，否則放棄現(xiàn)場(chǎng)數(shù)據(jù)。

探測(cè)節(jié)點(diǎn)周期性采集數(shù)據(jù)，將每次采集到的數(shù)據(jù)經(jīng)過(guò)數(shù)字濾波等軟件抗干擾處理后，再采用速率檢測(cè)算法，若判定無(wú)火災(zāi)，探測(cè)節(jié)點(diǎn)進(jìn)入休眠狀態(tài)；若判定有火災(zāi)，則發(fā)出火災(zāi)預(yù)報(bào)警請(qǐng)求對(duì)數(shù)據(jù)進(jìn)行融合智能處理。具體方法為：

數(shù)據(jù)層融合結(jié)果為

式中：f為單位階躍函數(shù)，ui，Thi分別為煙霧、溫度、火焰等的數(shù)據(jù)層輸出結(jié)果和局部報(bào)警門限。當(dāng)局部決策結(jié)果中任一個(gè)輸出為1時(shí)，則表示溫度、煙霧或火焰信號(hào)中有一種出現(xiàn)非平穩(wěn)變化，即提請(qǐng)?zhí)卣鲗訉?duì)所有信息進(jìn)行特征提取，再根據(jù)提取的特征得出最終火災(zāi)判斷。這樣一方面減輕了特征層的數(shù)據(jù)處理工作，并具有并行分塊處理的優(yōu)點(diǎn)；另一方面當(dāng)局部決策結(jié)果中至少有一個(gè)警報(bào)輸出為1時(shí)，就進(jìn)行后級(jí)特征提取，否則不送特征層。這樣既可以最大限度的采集火情信號(hào)，并在早期識(shí)別火災(zāi)隱患，又可以減少對(duì)具有顯著火災(zāi)特征信息的計(jì)算處理，降低誤報(bào)警。

在各個(gè)智能傳感器的預(yù)處理結(jié)果如下：

溫度傳感器：每個(gè)溫度傳感器根據(jù)自身探測(cè)到的溫度值，將探測(cè)結(jié)果輸出“正?！薄ⅰ邦A(yù)警”、“火災(zāi)”，同時(shí)輸出溫度值；

熱微分傳感器：每個(gè)熱微分傳感器根據(jù)自身探測(cè)到的溫度變化速率，將探測(cè)結(jié)果輸出“正常”、“火災(zāi)”；

壓力微分傳感器：每個(gè)壓力微分傳感器根據(jù)自身探測(cè)到的壓力微分值，將探測(cè)結(jié)果輸出“正?！薄ⅰ盎馂?zāi)”；

火焰探測(cè)器：輸出“正常”、“預(yù)警”狀態(tài)；

煙霧探測(cè)器：輸出“正?！薄ⅰ邦A(yù)警”狀態(tài)。

上述處理算法均由智能傳感器中的微處理器實(shí)現(xiàn)。

2.4 神經(jīng)網(wǎng)絡(luò)推理算法

對(duì)于本文要解決的問(wèn)題，采用應(yīng)用最廣泛的3層BP神經(jīng)網(wǎng)絡(luò)模型，即中間層只有1層的模型。該模型能夠通過(guò)增加中間層神經(jīng)元個(gè)數(shù)的方式提高對(duì)高復(fù)雜度問(wèn)題的擬合能力，同時(shí)不增加模型的數(shù)學(xué)推理復(fù)雜度其中調(diào)整權(quán)值的方法是BP算法的核心，對(duì)于本問(wèn)題的3層神經(jīng)網(wǎng)絡(luò)，其數(shù)學(xué)推導(dǎo)過(guò)程如下：

神經(jīng)網(wǎng)絡(luò)連接權(quán)值的更新目標(biāo)是使輸出誤差最小化。推理過(guò)程如下：

最后按照附加動(dòng)量法，即

2.5 訓(xùn)練數(shù)據(jù)采集

試驗(yàn)環(huán)境中各傳感器的設(shè)置如圖3所示。其中有溫度探測(cè)器5個(gè)，編號(hào)分別為9#，11#，13#，14#，15#；煙霧探測(cè)器、火焰探測(cè)器、壓力微分探測(cè)器、熱微分探測(cè)器各1個(gè)，這些探測(cè)器的輸出作為神經(jīng)網(wǎng)絡(luò)模型的輸入。而18#探測(cè)器是一個(gè)位置可任意移動(dòng)的溫度探測(cè)器，在每次點(diǎn)火試驗(yàn)中，將其位置固定在火源正上方，其輸出及與火焰及煙霧探測(cè)器的輸出將作為訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型的判決信號(hào)，即神經(jīng)網(wǎng)絡(luò)訓(xùn)練的期望輸出信號(hào)。

在試驗(yàn)中設(shè)計(jì)不同的點(diǎn)火位置，位置的選取采用了類似正交試驗(yàn)方法，分別選取在溫度傳感器正下方、2個(gè)溫度傳感器中間、溫度傳感器之間1/3位置等具有簡(jiǎn)單幾何特征點(diǎn)的位置，一共選取了9個(gè)位置。

火源的大小選取了大火和小火2種狀態(tài)的火源。實(shí)際采集數(shù)據(jù)時(shí)，同一個(gè)位置、同樣大小的火共采集2次，以便在某種程度上消除不確定性。

每次試驗(yàn)共采集了9×2×2=36組數(shù)據(jù)，采集的數(shù)據(jù)保存在文件中作為神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的依據(jù)。

2.6 數(shù)據(jù)預(yù)處理

本系統(tǒng)每秒鐘依次對(duì)9#溫度探測(cè)器、11#溫度探測(cè)器、13#溫度探測(cè)器、14#溫度探測(cè)器、15#溫度探測(cè)器、火焰探測(cè)器、煙霧探測(cè)器、壓力微分探測(cè)器、熱微分探測(cè)器進(jìn)行一次數(shù)據(jù)讀取，整個(gè)過(guò)程不超過(guò)50ms。除溫度探測(cè)器讀取的數(shù)據(jù)是具體溫度值外，其他數(shù)據(jù)均只有報(bào)警/不報(bào)警2種狀態(tài)，分別用1/0表示。設(shè)當(dāng)前時(shí)刻為t，則當(dāng)前時(shí)刻的數(shù)據(jù)序列記為T9（t），T11（t），T13（t），T14（t），T15（t），F(xiàn)0（t），S0（t），PD0（t），TD0（t）。

本系統(tǒng)采用移動(dòng)平均法，根據(jù)各溫度傳感器的前6 s數(shù)據(jù)計(jì)算各溫度傳感器的溫度變化率，這些溫度變化率能反應(yīng)溫度場(chǎng)的溫度變化。采用6 s的數(shù)據(jù)是因?yàn)榧饶芘懦蝗怀霈F(xiàn)的閃光、點(diǎn)火、開(kāi)關(guān)門等非火災(zāi)因素造成的誤報(bào)信息，又不會(huì)因延遲過(guò)多造成報(bào)警不及時(shí)。當(dāng)然，這個(gè)時(shí)間窗口可以根據(jù)實(shí)際應(yīng)用環(huán)境的不同進(jìn)行適當(dāng)調(diào)整。具體計(jì)算方法為：對(duì)i（i=9，11，13，14，15）號(hào)溫度探測(cè)器，其t時(shí)刻溫度變化率為：

DTi（t）=[Ti（t）+Ti（t-1）+Ti（t-2）-Ti（t-3）-Ti（t-4）-Ti（t-5）]/3，即求 6 s 內(nèi)的平均溫度變化率，具有較強(qiáng)的魯棒性。

對(duì)于火焰探測(cè)器等只能輸出1/0的探測(cè)器數(shù)據(jù)，計(jì)算前6 s內(nèi)連續(xù)輸出為1的時(shí)長(zhǎng)，這些時(shí)長(zhǎng)能反映火焰等信號(hào)的穩(wěn)定性，排除干擾信息。具體計(jì)算方法為：設(shè)火焰探測(cè)器t時(shí)刻的前6 s內(nèi)連續(xù)輸出為1的時(shí)長(zhǎng)為F（t），則

F（t）=F0（t）×（F0（t）+F0（t-1）×（F0（t-1）+F0（t-2）×（F0（t-2）+F0（t-3）×（F0（t-3）+F0（t-4）×（F0（t-4）+F0（t-5）））））），F(xiàn)（t）∈[0、6];同理，對(duì)煙霧探測(cè)器、壓力微分探測(cè)器、熱微分探測(cè)器采用相同計(jì)算處理，得到：

S（t）=S0（t）×（S0（t）+S0（t-1）×（S0（t-1）+S0（t-2）×（S0（t-2）+S0（t-3）×（S0（t-3）+S0（t-4）×（S0（t-4）+S0（t-5））））））；

PD（t）=PD0（t）×（PD0（t）+PD0（t-1）×（PD0（t-1）+PD0（t-2）×（PD0（t-2）+PD0（t-3）×（PD0（t-3）+PD0（t-4）×（PD0（t-4）+PD0（t-5））））））；

TD（t）=TD0（t）×（TD0（t）+TD0（t-1）×（TD0（t-1）+TD0（t-2）×（TD0（t-2）+TD0（t-3）×（TD0（t-3）+TD0（t-4）×（TD0（t-4）+TD0（t-5））））））；

S（t），PD（t），TD（t）∈[0、6]。

最后，t時(shí)刻本系統(tǒng)將如下數(shù)據(jù)序列：

T9（ t） ，DT9（t） ， T11（ t） ，DT11（t） ，T13（ t） ， DT13（ t） ， T14（ t） ， DT14（ t） ，T15（t），DT15（t），F(xiàn)（t），S（t），PD（t），TD（t）共14個(gè)數(shù)據(jù)當(dāng)成一個(gè)數(shù)據(jù)樣本發(fā)送給監(jiān)控系統(tǒng)進(jìn)行處理。

2.7 訓(xùn)練算法

本系統(tǒng)依次對(duì)9#溫度探測(cè)器、11#溫度探測(cè)器、13#溫度探測(cè)器、14#溫度探測(cè)器、15#溫度探測(cè)器、火焰探測(cè)器、煙霧探測(cè)器、壓力微分探測(cè)器、熱微分探測(cè)器進(jìn)行一次數(shù)據(jù)讀取，整個(gè)過(guò)程不超過(guò)50ms。除溫度探測(cè)器讀取的數(shù)據(jù)是具體溫度值外，其他數(shù)據(jù)均只有報(bào)警/不報(bào)警2種狀態(tài)，分別用1/0表示。設(shè)當(dāng)前時(shí)刻為t，則當(dāng)前時(shí)刻的數(shù)據(jù)序列記為T9（t），T11（t），T13（t），T14（t），T15（t），F(xiàn)0（t），S0（t），PD0（t），TD0（t）。

神經(jīng)網(wǎng)絡(luò)的輸入神經(jīng)元有14個(gè)，分別對(duì)應(yīng)于數(shù)據(jù)預(yù)處理系統(tǒng)得到的14個(gè)反映環(huán)境狀況的監(jiān)控及統(tǒng)計(jì)數(shù)據(jù)。輸出神經(jīng)元有1個(gè)，對(duì)應(yīng)報(bào)警信息，其中1，2，4分別代表“正常”、“預(yù)警”和“火災(zāi)”3種狀態(tài)。而隱藏層神經(jīng)元的個(gè)數(shù)比較難以確定，通過(guò)多次試驗(yàn)，發(fā)現(xiàn)本模型隱藏層神經(jīng)元個(gè)數(shù)取30個(gè)較為合適。神經(jīng)元權(quán)值的調(diào)整方法采用附加動(dòng)量法進(jìn)行調(diào)整。

訓(xùn)練系統(tǒng)的輸出文件為：neuron.txt，里面含有訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)權(quán)值，以此作為監(jiān)控系統(tǒng)的輸入?yún)?shù)并初始化神經(jīng)網(wǎng)絡(luò)，輸入數(shù)據(jù)為數(shù)據(jù)預(yù)處理系統(tǒng)的實(shí)時(shí)輸出，數(shù)據(jù)格式為“T9（t）DT9（t）T11（t）DT11（t）T13（t）DT13（t）T14（t）DT14（t）T15（t）DT15（t）F（t）S（t）PD（t）TD（t）”，例如“268 3 258 2.33 267 2.67 276 3.33 252 3.67 6 0 0 0”，經(jīng)神經(jīng)網(wǎng)絡(luò)計(jì)算得到一個(gè)輸出。

3 基于 CASE 信息庫(kù)推理算法

基于CASE的信息庫(kù)推理算法包含2個(gè)主要的判決算法，即預(yù)警判決算法和火災(zāi)判決算法。

3.1 “預(yù)警”判決算法

在下列情況判決“預(yù)警”：

1）溫度傳感器輸出“預(yù)警”或“火災(zāi)”信號(hào)；

2）熱微分傳感器輸出“危險(xiǎn)”信號(hào)；

3）壓力微分傳感器輸出“危險(xiǎn)”信號(hào)，或一個(gè)壓力微分傳感器發(fā)出“火災(zāi)”信號(hào)，并且艙室內(nèi)壓力不大于艙外某設(shè)定值；

4）火焰?zhèn)鞲衅鬏敵觥拔ｋU(xiǎn)”信號(hào)；

5）煙霧傳感器輸出“危險(xiǎn)”信號(hào)；

6）上述狀態(tài)的組合。

3.2 “火災(zāi)”判決算法

下列情況判決“火災(zāi)”：

1）至少1個(gè)溫度傳感器輸出“火災(zāi)”信號(hào)，且同一彈藥艙其他傳感器至少輸出“預(yù)警”；

2）溫度微分傳感器至少1個(gè)發(fā)出“火災(zāi)”信號(hào)；

3）壓力微分傳感器至少1個(gè)發(fā)出“火災(zāi)”信號(hào)，且艙內(nèi)壓力比外部大氣壓力高過(guò)設(shè)定值以上；

4）神經(jīng)網(wǎng)絡(luò)推理算法輸出“火災(zāi)”信號(hào)，且同一彈藥艙內(nèi)其他傳感器輸出1個(gè)“預(yù)警”或“火災(zāi)”信號(hào)。

4 結(jié) 語(yǔ)

根據(jù)某型艦彈藥艙的特點(diǎn)研究了探測(cè)器的種類配置，并合理布局，具體介紹了火災(zāi)探測(cè)多元信息融合算法的原理、實(shí)現(xiàn)方法、實(shí)現(xiàn)過(guò)程和算法結(jié)果。其結(jié)果表明多元信息融合算法在探測(cè)時(shí)間方面優(yōu)于已有算法。

[1]Edward,MultisensorData Fusion.W,JAMESL.1990.

[2]THOMAS JM,JAMESM,TEKIN A K.Using multivariate statistical methods to detect fire[J].Fire Technology.1996.32(1):23–29.

[3]JAMESA M.Using multiple sensors for discriminating fire detection[J].Fire Suppression and Research App lication Symposium.Orlando FL.USA.l999:pp 150–164.

[4]康耀紅.數(shù)據(jù)融合理論與應(yīng)用[M].西安:西安電子科技大學(xué)出版社1997.

[5]何友.多傳感器信息融合及應(yīng)用[M].北京:電子工業(yè)出版社,2000.11.

[6]藤召勝,羅隆福,童調(diào)生.智能檢測(cè)系統(tǒng)與數(shù)據(jù)融合[M].北京:機(jī)械工業(yè)出版社,1999.12.

[7]王麗萍,基于多傳感器信息融合技術(shù)的火災(zāi)探測(cè)系統(tǒng)研究[D].湖南:湖南大學(xué),2006.WANG Li-ping,Research on fire detection system based on multisensor information fusion technology[D].Hunan:Hunan University,2006.

Research on multi information fusion algorithm of carrier-based cabin fire

JINGYan,FENG Xian-zhou
(The713Research Institute of CSIC,Zhengzhou 450015,China)

In this paper,through the rational allocation and layout of various types,most of sensors of a naval ammunition compartment,information classification and clarifies the characteristics of risk factors in the detection system,introduces the principle of fire detection,multi information fusion algorithm implementation,implementation process and method of test results.

fire；information fusion；neural network；cabin

U674.71

A

1672–7649(2017)12–0174–05

10.3404/j.issn.1672–7649.2017.12.037

2017–09–13；

2017–10–11

景琰(1981–)，女，工程師，主要從事彈庫(kù)防火防爆領(lǐng)域。