多傳感器飛機貨艙火警探測系統研究

張紅梅，葉 慧，鄭 罡，周潔敏，肖朝康

(1.南京航空航天大學 民航學院， 南京 211106; 2.安陽工學院 飛行學院, 河南 安陽 455000)

?

多傳感器飛機貨艙火警探測系統研究

張紅梅1，葉 慧2，鄭 罡1，周潔敏1，肖朝康1

(1.南京航空航天大學 民航學院， 南京 211106; 2.安陽工學院 飛行學院, 河南 安陽 455000)

以提高飛機貨艙火警探測系統的可靠性為目的，結合多傳感器數據融合理論，分析不同火警探測器的特性，建立BP神經網絡三融合固定火警探測系統。針對飛機貨艙對火災探測系統的要求,設計便攜式集裝箱火警探測系統；借助Matlab進行仿真，將集裝箱火警探測系統和三融合火警探測系統組合成為新型飛機貨艙火警探測系統，能夠監測貨艙是否發生明火警告、陰燃火警告或者集裝箱火警告，創建火警探測系統GUI界面，將探測數據及融合結果數據呈現在用戶圖形界面。

飛機貨艙;Matlab;集裝箱火警探測系統;BP神經網絡

貨艙火警探測系統[1-2]是當代飛機火警探測系統的一個重要組成部分，大型客機的貨艙(C類)在飛行中處于封閉狀態，通風的下層貨艙或上層貨艙需要火警探測系統和自動滅火系統[3]。FAA(美國聯邦航空管理局，Federal Aviation Administration)相關條例規定貨艙火警探測系統必須在火災發生60 s內向機組人員發出警告[4]，為了保證探測系統的靈敏性，傳統飛機貨艙火警探測系統采用煙霧探測器，導致貨艙火警探測系統誤報率高達99%。

已有大量研究表明[5-8]，多傳感器火災探測技術在提高火災探測的靈敏度和可靠性方面取得了可喜的進展，被認為是正在興起的新一代火災探測技術。結合現有火警探測裝備和數據融合理念，在傳統的多傳感器火警探測系統的基礎上加入便攜式集裝箱火警探測系統，構成新型的飛機貨艙火警探測系統。

1 貨艙火警探測系統模型建立

1.1 火警探測傳感器的選取

根據需要探測的火災特征選取傳感器類型，建立多傳感器數據融合火災探測系統。常用的傳感器可以分為四大類：煙霧探測器、熱探測器、氣體傳感器和視頻火災探測器。

1) 煙霧探測器

煙霧探測器有光電式和離子型兩個重要類別，光電式煙霧探測器是利用煙霧對光的折射及吸收原理制成的，廣泛用于貨艙和電子設備。離子型煙霧探測器一般用于廁所煙霧探測，安裝在每個廁所的天花板上。

2) 熱探測技術

熱輻射探測和對流熱探測是熱探測技術的兩個重要研究領域。在熱輻射探測領域有研究者提出了微波探測方法，盡管火災的微波特性不如紅外特征明顯，但微波可以穿透非金屬材質，為便攜式火災探測設備和火源定位的發展提供很好的前景。對流式熱傳感器對明火較敏感，但是對慢速火或陰燃火的探測可能超過幾個小時甚至幾天。

3) 氣體傳感器

氣體傳感器是一種將氣體的成分、濃度等信息轉換成可以被人員、儀器儀表、計算機等利用的信息的裝置。火災可以帶來多種氣體組分的變化，這些變化稱為演變氣體特征。火災發生時，大氣中O2和CO氣體含量的變化比較顯著，氧耗特征和CO演變特征常被用來分析火災發生概率。由于CO本身是有毒危險氣體，在人員密集的重要場所CO氣體探測器的存在非常重要。

4) 視頻火災探測

視頻火災探測是一種新興的火災探測技術，優勢在于探測迅速，保護區域大，并且提供了定位火源和計算火源功率的功能，但是易受建筑結構的影響，成本和對空間開闊性要求較高。

在火災探測技術的發展中出現過一些典型的多種火災探測特征組合。CO和離子感煙組合，這種組合效率很高，可以找到利用閾值或者趨勢值的不同信息融合算法，但該組合的免疫性沒有得到有效分析；溫升和CO(或CO2)濃度作為火災探測特征組合，但是在多數情況下，這種組合在火災探測中的性能與采用單一類別的氣體傳感器類似；溫度、CO2、紅外火焰脈動結合的火災探測，可以在明火的早期探測到火災，但對陰燃火的探測不是很理想。結合飛機貨艙結構特征和運行特性，選取光電式煙霧探測器、溫度傳感器和CO氣體探測器構建多傳感器數據融合系統[9]。

1.2 飛機貨艙火警探測系統模型建立

飛機貨艙火警探測系統劃分為三融合火災探測系統和集裝箱火災探測系統兩部分。三融合火災探測系統是指3種探測器組成的飛機貨艙固定火災探測系統，借助BP神經網絡將3種探測數據進行數據融合[10-12]；集裝箱火災探測器使用微波探測器，主要用于探測有特殊運載需求和相對危險的集裝箱。構建貨艙火警探測系統模型框架圖，如圖1所示。

圖1中：A表示對探測到的數據進行歸一化處理;X、Y、Z、R為數據歸一化處理后的結果；“判斷條件1”為X、Y、Z、R四個數據中至少有一個大于等于0.5；“判斷條件2”表示在1 mim內數據R大于等于0.5的時間超過16 s。

圖1 貨艙火警探測系統模型框架

1.3 模型分析

微波探測器由于其獨特的便攜性質，安裝在含有相對危險貨物的集裝箱，不存在于所有的航班，鑒于集裝箱火警探測系統的特殊性，將其作為多傳感器火警探測系統的一個激活分支和單獨的數據采集分析系統。光電式煙霧探測器、CO氣體探測器、溫升探測器都是比較傳統的火災探測器，在火災特征的探測方面比較成熟，具有穩定的探測性能。對三種探測器獲得的火災特征數據進行數據融合，能夠提高火災探測系統的靈敏度和可靠性。R、X、Y、Z存在數據大于等于0.5時激活三融合火災探測模塊，融合數據達到報警值時發出明火或陰燃火警告；若三融合火災探測系統未發出火災警告，數據R大于等于0.5持續時間超過 16 s 時，發出貨艙集裝箱火災警告。

2 基于BP神經網絡的三融合火警探測系統

多種火災特征進行融合需要有恰當的算法，但是火警信息具有不確定性，無法得到一個具體的融合決策的判決公式。為此選用神經網絡的自組織非限制性學習逼近的能力和自學習功能，實現3種火災特征數據融合過程。

2.1 構建BP神經網絡

采用3層前饋BP神經網絡，網絡結構見圖2。輸入層的3個單元分別對應煙霧、CO含量、溫度信號的歸一化數值，隱層有7個神經元，輸出層為明火、陰燃火和無火災發生的概率。輸入層與隱層間的判決矩陣為W1，隱層與輸出層間的判決矩陣為W2。

圖2 BP神經網絡結構

BP神經網絡的建設過程為：確定合理的訓練模式對，對神經網絡進行初始化處理。模式對指的是網絡的輸入信號和對應得到輸出信號。研究中確定了50組訓練模式對，其中40組用于對已建立的神經網絡進行訓練，10組用于驗證訓練結果。表1給出了其中10組的訓練對示例。

表1 訓練模式對事例

溫度煙霧CO濃度明火陰燃火無火10.950.210.750.850.120.0320.880.200.010.780.080.1430.750.150.750.700.250.0540.630.160.300.650.250.1050.220.750.800.350.65060.310.370.680.070.920.0170.410.670.750.030.960.00180.240.530.680.300.650.0590.200.300.100.080.120.80100.150.080.230.040.200.76

2.2 對BP神經網絡進行訓練

BP神經網絡算法是在BP神經網絡現有算法基礎上提出的，是通過任意選定一組權值，將給定的目標輸出直接作為線性方程的代數和建立線性方程組，解得待求權，避免了傳統的局部極小和收斂速度慢的問題。具體學習過程如圖3所示。

圖3 BP神經網絡學習過程

借助Matlab編程，對神經網絡進行訓練，具體程序如下：

P=[0.24 0.45 0.6 … 0.2 0.4 0.1];

T=[0.2 0.5 0.6 … 0.1 0.1 0.77];

net=newff([0 1;0 1;0 1],[7 3],{′logsig′,

′purelin′},′trainLM′);

net=init(net);

net.trainParam.epochs=1000;

net.trainParam.show = 20;

net.trainParam.goal = 0.001;

net.trainParam.lr = 0.5;

[net,tr]=train(net,P,T)

iw1=net.IW{1}

b1=net.b{1}

lw2=net.LW{2}

b2=net.b{2}

其中：[0,1;0,1]為網絡輸入向量取值范圍矩陣；[7,3]表示隱含層和輸出層神經元個數；logsig,purelin分別表示隱含層和輸出層的傳輸函數；trainLM是網絡的訓練函數。

Train函數的調用形式是[net,tr]=train(net,P,T),P表示輸入樣本集、T表示輸出樣本集,等號兩邊的net分別表示訓練前和訓練后的網絡,步數和誤差信息放置在tr中。當達到第40次訓練時，神經網絡的均方誤差穩定，達到最小值 0.000 632 59，訓練過程誤差曲線圖如圖4所示。隱含層和輸出層的權值訓練結果為W1、W2、b1、b2。

圖4 訓練誤差曲線界面

驗證訓練好的神經網絡，建立實際輸出與期望輸出對比表，見表2，使用Matlab做出對比圖形，如圖5所示。

表2 實際輸出與期望輸出

圖5 實際輸出與期望輸出對比

3 集裝箱火警探測系統

集裝箱火警探測選用便攜式的微波火警探測器，假設2 s 傳輸一次數據，即每分鐘能夠獲得30個數據，對獲得的數據進行歸一化數據處理。文中構建的飛機貨艙火警探測系統采用冗余設計，由于在貨艙中已經放置足夠的火警探測器，并且設計了先進的三融合火警系統，為了減少誤報帶來的財產和航線的損失，集裝箱火警探測系統以1 min內達到某一數值的次數作為標準來判斷火災發生的有無，本實驗以8次為標準。在Matlab中建立動態模型，將1 min內的歸一化后的火警探測數據存儲在1×30的矩陣中，并統計微波探測數據1 min內不小于0.5的數據個數，當數據個數不小于8時，將輸出“集裝箱火警警告”。

4 硬件電路設計

根據構建的貨艙火警探測系統模型框架圖，以C8051F310單片機為核心，CO探測器、煙霧探測器、感溫探測器和微波探測器組成構成火災探測單元，按照設定的多傳感器飛機貨艙火警探測目標充分利用單片機內部資源，將單片機的內部電路最大程度的簡化，使系統具有較高的可靠性和靈敏度，圖6為飛機貨艙火警探測系統硬件結構。

圖6 飛機貨艙火警探測系統硬件結構

5 模型分析和編程

借助已經訓練好的BP神經網絡模型和集裝箱火警探測系統，進行綜合編程設計，從三個角度對設計好的整體模型進行驗證，可假設如下：

1) 神經網絡火警探測系統激活后，歸一化處理后的煙霧濃度、CO濃度和溫度，經過BP神經網絡數據融合，判斷是否發生“明火”或者是“陰燃火”；

2) 數據經BP神經網絡融合處理后，未發現有發生火災的跡象，檢測集裝箱火災探測系統，對1 min內出現微波探測數據進行統計，當不小于0.5的數據達到8次就發出“集裝箱火警警告”；

3) 火警探測系統激活之后，并未出現上述兩種情況，但是鑒于激活探測裝置數據的存在，在飛機安全著陸之前，飛機貨艙火警探測系統將一直處于警戒工作狀態。

根據條件，借助Matlab設計GUI界面，如圖6所示。

圖6 火警探測圖形界面

依據假設，設計系統整體火災探測響應機制，核心仿真判斷程序如下:

if C(1)>=0.5

L=′明火′

elseif C(2)>=0.5

L=′陰燃火′

else R=input(′Enter the R:′);

A(1,[1:1:29])=A(1,[2:1:30]);

A(1,30)=R;

n1=find(A>=0.6);

gs1=length(n1);

if gs1>=8;

L=′集裝箱火警警告′

else L=′無火警′

6 結論

針對現有飛機貨艙火警探測系統的高誤報率，借助Matlab進行編程，將三融合火警探測系統與固定貨艙火警探測系統整合，建立了飛機貨艙多傳感器數據融合火警探測系統模型，不僅能夠降低飛機貨艙火災警告的誤報率，而且能夠完善對相對危險貨物的安全監管。

[1] 李麗,王玉梅,陳戰斌.民用飛機貨艙滅火系統試航符合性實驗方法研究[J].航空科學技術,2015,26(08):62-66.

[2] 李東琪,劉敏,李東立.飛機貨艙火災探測器設計探討[J].消防科學與技術，2014，33(11):1313-1316.

[3] 周潔敏.飛機電氣系統原理和維護[M].北京：北京航空航天大學出版社,2015.

[4] DEPARTMENT OF TRANSPORTATION.Federal Aviation Administration.Code of Federal Regulations 14 CFR Part 25.858[EB/OL].[1997-06-09].http://www.faa.gov/avr/arm/n97-10.txt.

[5] 王學貴.基于多傳感器信息融合的火災危險度分布確定系統研究[D].合肥：中國科學技術大學，2013.

[6] KEITH M,RICHARD S.System and method of notification of an aircraet cargo fire within a container:USA,US 2013/0120162 A1[P].2013-05-16.

[7] SANKAR G S,RAMESH B N,SUYASH J.Design and Analysis of Neural Network Algorithm for Intelligent Fire Detection System[J].International Journal of Applied Engineering Research,2014,9(9):1145-1154.

[8] 王越，韓菁.信息融合技術在火災探測中的應用[J].重慶理工大學學報(自然科學),2011,25(1):44-48.

[9] WANG Yue,HAN Jing.Application of Date Fusion Technology to Fire Detection[J].Journal of Chongqing University of Technology(Natural Science),2011,25(1):44-48.

[10]PHUA M H,TSUYUKI S,LEE J S,et al.Simultaneous detection of burned areas of multiple fires in the tropics using multisensor remote-sensing data[J].International Journal of Remote Sensing,2012,33:4312-4333.

[11]KYLE J,JAMES S.Multi-Sensor Data Fusion in Non-Gaussian Orbit Determination[JEB/OL].[2014-08-07].AIAA/AAS Astrodynamics Specialist Conference,http://dx.doi.org/10.2514/6.2014-4310.

[12]周成容.BP神經網絡的模糊改進及應用[J].重慶工學院學報(自然科學),2008,22(6):153-158.

(責任編輯 楊黎麗)

Research on the Multi Sensor Fire Detection System in Aircraft Cargo

ZHANG Hongmei1, YE Hui2, ZHENG Gang1, ZHOU Jiemin1, XIAO Chaokang1

(1.College of Civil Aviation, Nanjing University of Aeronautics and Astronautics,Nanjing 211106, China; 2.Flight College, Anyang Institute of Technology,Anyang 455000, China)

On the basis of multi-sensor data fusion theory and the characteristics of different fire detectors,a fire detection system of three fixed fire detector based on BP neural network is founded, and a portable container fire detection system according to the requirements of aircraft cargo fire detection system is designed for the purpose of improving the reliability of aircraft cargo fire detection system. The simulation with Matlab can help to combine container fire detection system and three fusion fire detection system into aircraft cargo fire detection system, which can be used to judge whether open fire, smoldering fire or container fire is happening. GUI interface of fire detection system is built to show user the result data of detection and fusion.

aircraft cargo; Matlab;container fire detection system; BP neural network

2017-03-03

國防基礎預研基金(609)資助項目(APSC NJZX D201301 J03)

張紅梅(1990—),女,河南商丘人,碩士, 主要從事民航運輸安全研究，E-mail:1977328004@qq.com。

張紅梅，葉慧，鄭罡，等.多傳感器飛機貨艙火警探測系統研究[J].重慶理工大學學報(自然科學)，2017(7):176-181.

format：ZHANG Hongmei, YE Hui, ZHENG Gang,et al.Research on the Multi Sensor Fire Detection System in Aircraft Cargo[J].Journal of Chongqing University of Technology(Natural Science)，2017(7):176-181.

10.3969/j.issn.1674-8425(z).2017.07.028

TP183

A

1674-8425(2017)07-0176-06