， ，

(中國船舶重工集團公司第七一三研究所，鄭州 450015)

如何靈敏、快速、可靠地探測危險事故，為采取相應的滅火抑爆措施爭取時間，一直是艦船火災探測系統(tǒng)的迫切需求。對于目前在艦船上普遍采用的單點單一信息的探測傳感器，其誤報率與反應速度仍有比較大的提升空間。

除了單一火災探測傳感器進行監(jiān)測、報警的局限性，反應速度較慢、準確性偏低等問題外，還在采集的火情參數(shù)方面具有不確定性，隨火災特征變化，和受環(huán)境等因素影響等問題，容易引起誤報警。所以本文將多傳感器數(shù)據(jù)融合的理論引入到艦船火災探測系統(tǒng)中，可明顯提高探測系統(tǒng)性能。

1 智能探測模塊

近年來，隨著傳感器、嵌入式和網(wǎng)絡技術的發(fā)展，敏感元件日益小型化，集融感知能力、計算能力和通訊能力于一體的微型傳感器已經(jīng)出現(xiàn)[1]，為基于多傳感器數(shù)據(jù)融合的智能探測模塊的實現(xiàn)打下基礎。針對艦船艙室發(fā)生安全事故所產(chǎn)生現(xiàn)象的分析，可知環(huán)境變化主要表現(xiàn)在溫度的上升，煙霧、火焰的出現(xiàn)以及壓力的升高等方面。因此，溫度探測器、火焰探測器、煙霧探測器、壓力探測器這4種探測傳感器基本上可以完成艦船發(fā)生安全事故時的全源信息采集。

每個智能探測模塊包括了溫度探測、溫度梯度探測、壓力探測、壓力梯度探測、火苗探測、煙霧探測，也可以是其中一種或者任意幾種的組合(不同的艦船艙室，可以采取相應的探測組合)，并通過配置通信接口和現(xiàn)場總線，使得多個智能探測模塊組成探測網(wǎng)絡，其硬件電路主要包括探測器、數(shù)據(jù)處理單元、單片機和通信接口單元[2]，見圖1。

圖1 硬件電路

智能探測模塊硬件電路的核心部分為單片機。各個探測器將各自測得的信息經(jīng)各自的信號處理單元輸入單片機，單片機采用數(shù)據(jù)融合技術，對所有數(shù)據(jù)進行綜合分析處理，得出當前狀態(tài)，并經(jīng)通信接口單元和總線上傳至上位機，智能探測模塊的流程見圖2。

圖2 智能探測模塊的流程

2 基于數(shù)據(jù)融合的智能探測模塊

艦船火災探測系統(tǒng)采用兩級數(shù)據(jù)融合處理的方法。每個智能探測模塊都有自己的處理器，可在局部對感知的數(shù)據(jù)進行初步的融合處理，其本身可對本區(qū)域內(nèi)的溫度、壓力、煙霧、火焰等采集的多種信息進行綜合分析、融合處理，得出局部多信息融合結果并向上位機傳輸。上位機為次級數(shù)據(jù)融合處理單元，它綜合處理多點分布的多個智能探測模塊，不僅擴大探測區(qū)域范圍，而且利用多個探測模塊探測信息進行融合處理，可提高信息抽象的準確性和快速性。

2.1 數(shù)據(jù)融合方法

數(shù)據(jù)融合技術就是充分利用不同時間與空間的多傳感器信息資源，采用計算機技術對按時序獲得的多傳感器觀測信息在一定準則下加以自動分析、綜合、支配和使用，獲得對被測對象的一致性解釋與描述，以完成所需的決策和估計任務，使系統(tǒng)獲得比它的各組成部分更優(yōu)越的性能[3]。常用的數(shù)據(jù)融合方法見表1。

表1 數(shù)據(jù)融合常用方法

目前在環(huán)境探測領域內(nèi)，常用貝葉斯估計、D-S證據(jù)決策、模糊邏輯以及神經(jīng)網(wǎng)絡等方法。

2.2 火災探測的數(shù)據(jù)融合

艦船火災探測系統(tǒng)主要是為了發(fā)現(xiàn)危險事故以及環(huán)境火災，這實際上是一種非結構問題，是一種十分困難的信號檢測問題。它要求信號處理算法能適應各種環(huán)境的變化，自動調(diào)整參數(shù)以達到既能快速探測火災，又要求極低的誤報率，而且在探測器的安裝位置、人的活動和環(huán)境影響都事先無法確定的情況下，無論采用什么樣的固定算法程序都很難滿足要求，而對于這種非結構問題，人的識別能力最強，人的判斷是由其大腦的神經(jīng)網(wǎng)絡完成的[4]，因此采用類似人的神經(jīng)網(wǎng)絡的處理方法應用于艦船火災探測系統(tǒng)中，采用模糊系統(tǒng)實現(xiàn)仿人思維推理的功能。

應用模糊邏輯與神經(jīng)網(wǎng)絡相結合的模糊神經(jīng)網(wǎng)絡，充分利用兩者的優(yōu)勢，通過對各種已知的或可獲得的信息的處理，獲得更好的系統(tǒng)性能。將輸入的確定性多傳感器信息模糊化為模糊量，對應的隸屬度值作為模式輸入，而輸出的模糊信息又經(jīng)過反模糊化成確定性信息。

2.3 模糊神經(jīng)網(wǎng)絡設計

智能探測模塊數(shù)據(jù)融合將采用基于神經(jīng)網(wǎng)絡的模糊控制系統(tǒng)，它在結構上像神經(jīng)網(wǎng)絡，但在功能上是模糊系統(tǒng)，它用神經(jīng)網(wǎng)絡來構造模糊系統(tǒng)，利用神經(jīng)網(wǎng)絡的學習方法，根據(jù)輸入輸出樣本來自動設計和調(diào)整模糊系統(tǒng)的設計參數(shù)，實現(xiàn)模糊系統(tǒng)的自學習和自適應功能。智能探測模塊模糊神經(jīng)網(wǎng)絡的基本結構見圖3，網(wǎng)絡共分五層。

圖3 模糊神經(jīng)網(wǎng)絡的基本結構示意

第一層為輸入層，是經(jīng)過信號處理單元處理的探測器輸出信號。其中煙霧信號、火焰信號、溫度信號、壓力信號來源于對應探測器的輸出，而溫度梯度和壓力梯度則是根據(jù)溫度、壓力的輸入及其歷史信息計算所得，分別記為x1～x6。因為輸入節(jié)點物理量各不相同，數(shù)據(jù)量相差很大，在此對輸入信號進行了歸一化處理，這樣不僅可以防止小數(shù)值被大數(shù)值淹沒，也能防止因相差很大的數(shù)使網(wǎng)絡校正進程緩慢。記第l層輸出為yl，則

yli=xi，i=1，2，…，6

(1)

第二層、第三層為模糊化層，即提取隸屬函數(shù)層。因為輸入變量較多，為了避免整個網(wǎng)絡過于龐大，特將各個輸入變量分為3個語言變量值，即small(小)、medium(中)、large(大)。

(2)

(3)

(4)

式中：i=1，2，…，6；j=1，2，3。

語言變量small和large的隸屬度函數(shù)采用sigmoid函數(shù)，節(jié)點的輸出范圍在0～1之間，其中的參數(shù)cij的作用是使隸屬度函數(shù)沿水平軸向右移；σij的作用是調(diào)節(jié)隸屬度函數(shù)的形狀，較大的σij使函數(shù)逼近階躍，較小的σij使函數(shù)變得較為平坦。語言變量Medium的隸屬度函數(shù)采用的是高斯函數(shù)，cij和σij分別表示隸屬度函數(shù)的中心和寬度，節(jié)點的輸出范圍在0～1之間，輸入樣本越靠近節(jié)點的中心，輸出越大。將cij、σij等參數(shù)分別賦予到神經(jīng)網(wǎng)絡第二層、第三層的聯(lián)接權值中，權值改變，即隸屬度函數(shù)參數(shù)發(fā)生改變；通過訓練樣本調(diào)整權值，即調(diào)整了該訓練樣本下的隸屬度函數(shù)參數(shù)，實現(xiàn)了模糊變量隸屬度函數(shù)參數(shù)的自動生成。

第四層為規(guī)則層。

(5)

m為模糊規(guī)則個數(shù)即該層的節(jié)點總數(shù)。在本文所設計的網(wǎng)絡中有煙霧、火焰、溫度、溫度變化率、壓力和壓力變化率六個輸入量，并且采用了三個語言變量即n=6，mi=3，所以m=36條模糊規(guī)則，數(shù)目太大，如全部采用必將組成非常龐大的網(wǎng)絡結構，并且其中相當大部分規(guī)則是沒必要的或不符合實際的，在此根據(jù)現(xiàn)有的資料和實際試驗情況總結出有用的規(guī)則來確定此層的節(jié)點數(shù)。考慮到煙霧、火焰、溫度、溫度變化率、壓力和壓力變化率等信息的相關性，并且溫度和溫度變化率與壓力和壓力變化率有諸多的相似性，特別是壓力和壓力變化率的急速變化是一種特有的現(xiàn)象，根據(jù)火災發(fā)生的實際情況，總結了38條模糊規(guī)則即m=38，該層主要用于完成“與”運算，并對輸出進行歸一化處理，為解模糊做準備?！芭c”運算為

(6)

式中：k——此層的節(jié)點數(shù)，k=1，2，…，38;

uk——該規(guī)則的隸屬度函數(shù);

n=6。

當解出uk的值后，對其再作歸一化處理，為解模糊做準備。

(7)

第五層為模糊神經(jīng)網(wǎng)絡輸出層。

所有規(guī)則節(jié)點都通過結論聯(lián)接線連入到輸出節(jié)點，并被直接解釋成輸出強度，該層的輸出為當前火災概率。該層實現(xiàn)的是模糊量的清晰化、解模糊計算，即單點集的重心法計算方式。

(8)

網(wǎng)絡學習流程見圖4。

圖4 網(wǎng)絡學習的流程

2.4 網(wǎng)絡學習結果

選取200組具有代表性的樣本作為輸入，經(jīng)過多次運算，得出滿足誤差E<0.001的相關參數(shù)，網(wǎng)絡訓練完成后，可以得出第二層聯(lián)接權值參數(shù)C、第三層聯(lián)接權值參數(shù)σ、第五層聯(lián)接權值參數(shù)W的網(wǎng)絡學習結果。

為了驗證本模糊神經(jīng)網(wǎng)絡算法模型在輸入數(shù)據(jù)偏離樣本數(shù)據(jù)時的正確與否，將80組偏離數(shù)據(jù)作為模糊神經(jīng)網(wǎng)絡算法模型的輸入，記錄其實際輸出與期望輸出的誤差，80組樣本的總誤差為0.000 578，誤差在允許的范圍內(nèi)。

2.5 實際應用原理

在本系統(tǒng)中，考慮到網(wǎng)絡訓練必將花費一定的時間，為了提高系統(tǒng)的快速性和可靠性，特將網(wǎng)絡訓練和應用分開處理，采用速度較快的PC來進行網(wǎng)絡訓練，而實際應用將以單片機為系統(tǒng)平臺。應用模糊神經(jīng)網(wǎng)絡結構進行探測的工作原理見圖5。

首先將模糊規(guī)則和隸屬度函數(shù)用神經(jīng)網(wǎng)絡表現(xiàn)出來，將隸屬度函數(shù)參數(shù)賦予為神經(jīng)網(wǎng)絡的權值，生成的神經(jīng)網(wǎng)絡用于實現(xiàn)模糊推理。

圖5 基于模糊神經(jīng)網(wǎng)絡的探測系統(tǒng)工作原理示意

其次利用現(xiàn)場的訓練樣本數(shù)據(jù)通過誤差反向傳播算法訓練神經(jīng)網(wǎng)絡，修改神經(jīng)網(wǎng)絡的權值即修改了隸屬度函數(shù)的參數(shù)，求得適合于此種現(xiàn)場環(huán)境下各相關量的隸屬度。

最后從神經(jīng)網(wǎng)絡中提取修改后的隸屬度函數(shù)和模糊規(guī)則，將這些隸屬度函數(shù)和模糊規(guī)則保存作為此現(xiàn)場環(huán)境下的模糊推理之用。當真正的外界實際探測信號輸入時，按照此訓練好的模糊神經(jīng)網(wǎng)絡結構進行計算，就可得出正確的輸出結果。

3 結束語

本文在分析艦船火災探測系統(tǒng)特點和性能要

求的基礎上，結合新型探測技術、信息處理技術，應用多元信息的互補性，采用模糊神經(jīng)網(wǎng)絡對溫度、壓力、煙霧、火苗等多元信息進行數(shù)據(jù)融合，提高了探測系統(tǒng)的準確性、可靠性和容錯性，降低了誤報率和漏報率，詳細構建了模糊神經(jīng)網(wǎng)絡模型，并進行網(wǎng)絡學習，得出聯(lián)接權值，并對實際應用原理進行了探討，可作為艦船火災探測系統(tǒng)的探測器配置和軟件算法實現(xiàn)的應用參考。

[1] 景 博，孫 勇，張 劼.信息融合技術在傳感器網(wǎng)絡中的應用研究[J].國外電子測量技術，2005(1)：5-10.

[2] 章劍雄，馮 浩.現(xiàn)場總線技術概述[J].自動化與儀表，2002(6)：1-3.

[3] 吳龍標，袁宏永.火災探測與控制工程[M].合肥：中國科技大學出版社，1999.

[4] 張吉禮.模糊-神經(jīng)網(wǎng)絡控制原理與工程應用[M].哈爾濱：哈爾濱工業(yè)大學出版社，2002.