基于多傳感器數據融合的智能探測模塊研究

， ，

(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方面具有不確定性，隨火災特征變化，和受環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據融合的理論引入到艦船火災探測系統中，可明顯提高探測系統性能。

1 智能探測模塊

近年來，隨著傳感器、嵌入式和網絡技術的發展，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出現[1]，為基于多傳感器數據融合的智能探測模塊的實現打下基礎。針對艦船艙室發生安全事故所產生現象的分析，可知環境變化主要表現在溫度的上升，煙霧、火焰的出現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場總線，使得多個智能探測模塊組成探測網絡，其硬件電路主要包括探測器、數據處理單元、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各自的信號處理單元輸入單片機，單片機采用數據融合技術，對所有數據進行綜合分析處理，得出當前狀態，并經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 基于數據融合的智能探測模塊

艦船火災探測系統采用兩級數據融合處理的方法。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據進行初步的融合處理，其本身可對本區域內的溫度、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。上位機為次級數據融合處理單元，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 數據融合方法

數據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，使系統獲得比它的各組成部分更優越的性能[3]。常用的數據融合方法見表1。

表1 數據融合常用方法

目前在環境探測領域內，常用貝葉斯估計、D-S證據決策、模糊邏輯以及神經網絡等方法。

2.2 火災探測的數據融合

艦船火災探測系統主要是為了發現危險事故以及環境火災，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境的變化，自動調整參數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網絡完成的[4]，因此采用類似人的神經網絡的處理方法應用于艦船火災探測系統中，采用模糊系統實現仿人思維推理的功能。

應用模糊邏輯與神經網絡相結合的模糊神經網絡，充分利用兩者的優勢，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過反模糊化成確定性信息。

2.3 模糊神經網絡設計

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

圖3 模糊神經網絡的基本結構示意

第一層為輸入層，是經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。因為輸入節點物理量各不相同，數據量相差很大，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值被大數值淹沒，也能防止因相差很大的數使網絡校正進程緩慢。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，即提取隸屬函數層。因為輸入變量較多，為了避免整個網絡過于龐大，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的隸屬度函數采用sigmoid函數，節點的輸出范圍在0～1之間，其中的參數cij的作用是使隸屬度函數沿水平軸向右移；σij的作用是調節隸屬度函數的形狀，較大的σij使函數逼近階躍，較小的σij使函數變得較為平坦。語言變量Medium的隸屬度函數采用的是高斯函數，cij和σij分別表示隸屬度函數的中心和寬度，節點的輸出范圍在0～1之間，輸入樣本越靠近節點的中心，輸出越大。將cij、σij等參數分別賦予到神經網絡第二層、第三層的聯接權值中，權值改變，即隸屬度函數參數發生改變；通過訓練樣本調整權值，即調整了該訓練樣本下的隸屬度函數參數，實現了模糊變量隸屬度函數參數的自動生成。

第四層為規則層。

(5)

m為模糊規則個數即該層的節點總數。在本文所設計的網絡中有煙霧、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條模糊規則，數目太大，如全部采用必將組成非常龐大的網絡結構，并且其中相當大部分規則是沒必要的或不符合實際的，在此根據現有的資料和實際試驗情況總結出有用的規則來確定此層的節點數。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象，根據火災發生的實際情況，總結了38條模糊規則即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。“與”運算為

(6)

式中：k——此層的節點數，k=1，2，…，38;

uk——該規則的隸屬度函數;

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)

第五層為模糊神經網絡輸出層。

所有規則節點都通過結論聯接線連入到輸出節點，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)

網絡學習流程見圖4。

圖4 網絡學習的流程

2.4 網絡學習結果

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

為了驗證本模糊神經網絡算法模型在輸入數據偏離樣本數據時的正確與否，將80組偏離數據作為模糊神經網絡算法模型的輸入，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。

2.5 實際應用原理

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

首先將模糊規則和隸屬度函數用神經網絡表現出來，將隸屬度函數參數賦予為神經網絡的權值，生成的神經網絡用于實現模糊推理。

圖5 基于模糊神經網絡的探測系統工作原理示意

其次利用現場的訓練樣本數據通過誤差反向傳播算法訓練神經網絡，修改神經網絡的權值即修改了隸屬度函數的參數，求得適合于此種現場環境下各相關量的隸屬度。

最后從神經網絡中提取修改后的隸屬度函數和模糊規則，將這些隸屬度函數和模糊規則保存作為此現場環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網絡結構進行計算，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，采用模糊神經網絡對溫度、壓力、煙霧、火苗等多元信息進行數據融合，提高了探測系統的準確性、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網絡模型，并進行網絡學習，得出聯接權值，并對實際應用原理進行了探討，可作為艦船火災探測系統的探測器配置和軟件算法實現的應用參考。

[1] 景 博，孫 勇，張 劼.信息融合技術在傳感器網絡中的應用研究[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-神經網絡控制原理與工程應用[M].哈爾濱：哈爾濱工業大學出版社，2002.