景 琰，馮憲周

(中國船舶重工集團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

(中國船舶重工集團公司第七一三研究所，河南鄭州 450015)

本文通過某型艦彈藥艙內(nèi)多類型、多數(shù)量傳感器合理配置與布局，闡明危險特征探測系統(tǒng)中的信息分類和干擾因素，具體介紹了火災(zāi)探測多元信息融合算法的原理、實現(xiàn)方法、實現(xiàn)過程和算法測試結(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)爆炸過程是一個典型的有多個物理量變化的過程，任何一個單一的物理量探測有可能產(chǎn)生誤報，在火災(zāi)爆炸過程中采用多個信息和多類信息探測，對這些信息進行綜合和融合，有可能得到對該過程更加準(zhǔn)確和精細的描述，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，進行多元信息融合研究。

1.1 火災(zāi)探測原理及技術(shù)實質(zhì)

火災(zāi)信息探測是以物質(zhì)燃燒過程中產(chǎn)生的各種火災(zāi)現(xiàn)象為依據(jù)，以實現(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，歸納總結(jié)，可得火災(zāi)探測原理及技術(shù)實質(zhì)，如表1所示。按照艦船火災(zāi)爆炸過程發(fā)生的物理現(xiàn)象及探測原理，可以對火災(zāi)探測危險信號進行分類。

1.2 影響危險特征信號探測的因素

由于各種原因，產(chǎn)生一些和火災(zāi)發(fā)生時物理特征相似的虛假現(xiàn)象，影響火災(zāi)特征信號的探測，從而產(chǎn)生誤報。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)境對煙霧探測器的影響；

5）噪聲的影響；

6）多種虛假火情同時存在。

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

2 多元信息融合算法

2.1 火災(zāi)探測設(shè)備結(jié)構(gòu)

火災(zāi)探測的體系結(jié)構(gòu)見圖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)探測原理及技術(shù)實質(zhì)Tab.1 Principles of fire detection and technical essence

設(shè)備的工作過程是：安裝在彈藥艙內(nèi)的傳感器采集艙內(nèi)的各種危險特征信息，經(jīng)過預(yù)處理后通過通信總線傳遞給信息處理控制器，信息處理控制器中運行的多元信息火災(zāi)探測軟件，對傳感器信息進行信息融合，得到火災(zāi)判決，如果發(fā)生火災(zāi)，則通過設(shè)備驅(qū)動箱啟動相應(yīng)的彈藥艙的防火防爆設(shè)備，實現(xiàn)對火災(zāi)的控制。在設(shè)備上電后，上述過程連續(xù)進行，從而實現(xiàn)了對彈藥艙連續(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，比如多個傳感器進行“與”運算或者“或”運算，每個傳感器采集的信號按權(quán)值比重進行綜合判斷以及模糊融合算法等，根據(jù)各種探測傳感器的特性、火災(zāi)爆炸的演化基本過程以及火災(zāi)爆炸過程傳感器的響應(yīng)特性，通過分析實際過程中的數(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)探測多元信息融合算法。傳感器從火災(zāi)監(jiān)測場所獲得危險特征信號，首先進行局部處理，然后經(jīng)BP人工神經(jīng)網(wǎng)絡(luò)進行信息融合處理及基于CASE方法進行推理，其中神經(jīng)網(wǎng)絡(luò)信息融合的結(jié)果也成為CASE推理的一個輸入，上述結(jié)構(gòu)既保持了與原有算法的兼容性，又對原有算法進行了改進。

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 傳感器信號預(yù)處理

火災(zāi)發(fā)生時，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，這就需要對多傳感器采集到得火災(zāi)特征信息進行預(yù)處理。本設(shè)計把終端設(shè)備作為數(shù)據(jù)融合的信息融合級，在探測節(jié)點定時采集現(xiàn)場數(shù)據(jù)，為了減少數(shù)據(jù)傳輸量，對采集的現(xiàn)場數(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)控主機發(fā)出預(yù)報警，等待監(jiān)控主機繼續(xù)采集數(shù)據(jù)命令，按命令要求采集并向監(jiān)控主機發(fā)送數(shù)據(jù)，否則放棄現(xiàn)場數(shù)據(jù)。

探測節(jié)點周期性采集數(shù)據(jù)，將每次采集到的數(shù)據(jù)經(jīng)過數(shù)字濾波等軟件抗干擾處理后，再采用速率檢測算法，若判定無火災(zāi)，探測節(jié)點進入休眠狀態(tài)；若判定有火災(zāi)，則發(fā)出火災(zāi)預(yù)報警請求對數(shù)據(jù)進行融合智能處理。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)果和局部報警門限。當(dāng)局部決策結(jié)果中任一個輸出為1時，則表示溫度、煙霧或火焰信號中有一種出現(xiàn)非平穩(wěn)變化，即提請?zhí)卣鲗訉λ行畔⑦M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；另一方面當(dāng)局部決策結(jié)果中至少有一個警報輸出為1時，就進行后級特征提取，否則不送特征層。這樣既可以最大限度的采集火情信號，并在早期識別火災(zāi)隱患，又可以減少對具有顯著火災(zāi)特征信息的計算處理，降低誤報警。

在各個智能傳感器的預(yù)處理結(jié)果如下：

溫度傳感器：每個溫度傳感器根據(jù)自身探測到的溫度值，將探測結(jié)果輸出“正?！?、“預(yù)警”、“火災(zāi)”，同時輸出溫度值；

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

壓力微分傳感器：每個壓力微分傳感器根據(jù)自身探測到的壓力微分值，將探測結(jié)果輸出“正?！?、“火災(zāi)”；

火焰探測器：輸出“正?！?、“預(yù)警”狀態(tài)；

煙霧探測器：輸出“正?！?、“預(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現(xiàn)。

2.4 神經(jīng)網(wǎng)絡(luò)推理算法

對于本文要解決的問題，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。該模型能夠通過增加中間層神經(jīng)元個數(shù)的方式提高對高復(fù)雜度問題的擬合能力，同時不增加模型的數(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，對于本問題的3層神經(jīng)網(wǎng)絡(luò)，其數(shù)學(xué)推導(dǎo)過程如下：

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。推理過程如下：

最后按照附加動量法，即

2.5 訓(xùn)練數(shù)據(jù)采集

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

在試驗中設(shè)計不同的點火位置，位置的選取采用了類似正交試驗方法，分別選取在溫度傳感器正下方、2個溫度傳感器中間、溫度傳感器之間1/3位置等具有簡單幾何特征點的位置，一共選取了9個位置。

火源的大小選取了大火和小火2種狀態(tài)的火源。實際采集數(shù)據(jù)時，同一個位置、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9#溫度探測器、11#溫度探測器、13#溫度探測器、14#溫度探測器、15#溫度探測器、火焰探測器、煙霧探測器、壓力微分探測器、熱微分探測器進行一次數(shù)據(jù)讀取，整個過程不超過50ms。除溫度探測器讀取的數(shù)據(jù)是具體溫度值外，其他數(shù)據(jù)均只有報警/不報警2種狀態(tài)，分別用1/0表示。設(shè)當(dāng)前時刻為t，則當(dāng)前時刻的數(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)采用移動平均法，根據(jù)各溫度傳感器的前6 s數(shù)據(jù)計算各溫度傳感器的溫度變化率，這些溫度變化率能反應(yīng)溫度場的溫度變化。采用6 s的數(shù)據(jù)是因為既能排除突然出現(xiàn)的閃光、點火、開關(guān)門等非火災(zāi)因素造成的誤報信息，又不會因延遲過多造成報警不及時。當(dāng)然，這個時間窗口可以根據(jù)實際應(yīng)用環(huán)境的不同進行適當(dāng)調(diào)整。具體計算方法為：對i（i=9，11，13，14，15）號溫度探測器，其t時刻溫度變化率為：

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，具有較強的魯棒性。

對于火焰探測器等只能輸出1/0的探測器數(shù)據(jù)，計算前6 s內(nèi)連續(xù)輸出為1的時長，這些時長能反映火焰等信號的穩(wěn)定性，排除干擾信息。具體計算方法為：設(shè)火焰探測器t時刻的前6 s內(nèi)連續(xù)輸出為1的時長為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，對煙霧探測器、壓力微分探測器、熱微分探測器采用相同計算處理，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個數(shù)據(jù)當(dāng)成一個數(shù)據(jù)樣本發(fā)送給監(jiān)控系統(tǒng)進行處理。

2.7 訓(xùn)練算法

本系統(tǒng)依次對9#溫度探測器、11#溫度探測器、13#溫度探測器、14#溫度探測器、15#溫度探測器、火焰探測器、煙霧探測器、壓力微分探測器、熱微分探測器進行一次數(shù)據(jù)讀取，整個過程不超過50ms。除溫度探測器讀取的數(shù)據(jù)是具體溫度值外，其他數(shù)據(jù)均只有報警/不報警2種狀態(tài)，分別用1/0表示。設(shè)當(dāng)前時刻為t，則當(dāng)前時刻的數(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，分別對應(yīng)于數(shù)據(jù)預(yù)處理系統(tǒng)得到的14個反映環(huán)境狀況的監(jiān)控及統(tǒng)計數(shù)據(jù)。輸出神經(jīng)元有1個，對應(yīng)報警信息，其中1，2，4分別代表“正?！?、“預(yù)警”和“火災(zāi)”3種狀態(tài)。而隱藏層神經(jīng)元的個數(shù)比較難以確定，通過多次試驗，發(fā)現(xiàn)本模型隱藏層神經(jīng)元個數(shù)取30個較為合適。神經(jīng)元權(quán)值的調(diào)整方法采用附加動量法進行調(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)的實時輸出，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)計算得到一個輸出。

3 基于 CASE 信息庫推理算法

基于CASE的信息庫推理算法包含2個主要的判決算法，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；

2）熱微分傳感器輸出“危險”信號；

3）壓力微分傳感器輸出“危險”信號，或一個壓力微分傳感器發(fā)出“火災(zāi)”信號，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”信號；

5）煙霧傳感器輸出“危險”信號；

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個溫度傳感器輸出“火災(zāi)”信號，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個發(fā)出“火災(zāi)”信號；

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

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

4 結(jié) 語

根據(jù)某型艦彈藥艙的特點研究了探測器的種類配置，并合理布局，具體介紹了火災(zāi)探測多元信息融合算法的原理、實現(xiàn)方法、實現(xiàn)過程和算法結(jié)果。其結(jié)果表明多元信息融合算法在探測時間方面優(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.智能檢測系統(tǒng)與數(shù)據(jù)融合[M].北京:機械工業(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，主要從事彈庫防火防爆領(lǐng)域。