基于模糊神經網絡的船舶多傳感器火災發現算法

鄧 潔，詹 鋒

(1.廣西工商職業技術學院，廣西 南寧530008;2.廣西大學，廣西 南寧530004)

0 引 言

船舶火災發現與警報系統的目的在于，在火災發生的初期探測到火災，并給出準確可靠的預警和警報信號。傳統的船舶火災探測系統通常采用單傳感器模式，依據一些簡單的邏輯進行火災的探測和判斷，當傳感器采集的數據超過一定的門限值時，發出發現火災的判斷。然而，在船舶航行過程中，往往需要面對較為嚴苛和多變的海上環境，因而導致單傳感器火災探測系統的可靠性較低，為航行安全埋下了隱患。

為解決以上問題，本文提出一種基于模糊神經網絡的船舶多傳感器火災發現機制［1-3］。使用多傳感器模式，能夠提供更多的附加環境信息，從而減少火災的誤報率，提高系統的準確性。本文主要采用2 種傳感器:溫度傳感器和煙霧傳感器［4］，因而主要關注溫度和煙霧濃度2 種參數。通過傳感器采集到的信息，進而由模糊神經網絡進行處理和推斷，最終得出火災是否發生的判斷。

1 火災發現算法

1.1 模糊推斷系統

本文提出的基于模糊神經網絡的多傳感器火災發現算法框架如圖1所示。

圖1 基本框架圖Fig.1 The main structure of the system

在系統中，輸入溫度為x1，煙霧濃度為x2，輸出火災等級為y。在系統工作過程中，分別獲得多個傳感器采集到的信息，通過信號處理，作為模糊神經網絡的輸入;將采集的信號進行模糊化，模糊化的作用是將精確量轉化為模糊化量，經過處理之后的模糊化量作為模糊神經網絡的輸入，在推理規則的配合下，神經網絡得出期望的結果;通過解模糊過程，將得到的模糊化量轉化為系統能夠理解的精確控制量;最終得到確切的火災等級。

1.2 多等級火災預警模式

在傳統的火災預警和控制系統中，通常采用單一的火災預警模式，當傳感器數據達到某一門限值時，就向中央控制系統發送火災預警信號。采用這種方式存在2個主要問題:一是容易產生漏報，在火災發生初期，可能某些指標已經超過了門限，而另一些指標卻變化不夠明顯，從而可能產生火災的漏報。然而，如果將門限值設置的較低，則亦有可能發生錯報，因為當門限較低時，單一數據的波動有可能使系統誤以為火災的發生;二是難以了解火勢的發展，通過傳統的火災預警模式，船員僅僅能夠知道船舶是否發生火災，而并不知道火勢發展的程度，因而可能拖延制定災控方案的時間。

為克服以上缺點，本文在采用多種傳感器的同時，也采用多火災等級判定方法。共定義5個火災等級:等級1～等級5 表示，火災的發展勢頭依次增強。另有等級0 表示故障。

火災的等級判定由煙霧濃度數據和溫度數據共同決定，具體的判定工作將由本文設計的模糊神經網絡進行判斷。通過不同的等級，船員可以判斷當前火災處于發展的初期，還是已經發展到較大規模，從而采用不同的應對方案，充分提高火災預警的精確度和時效性。

2 模糊神經網絡設計

在本節中，將對本文中使用的模糊神經網絡和推理的方法進行研究。在本文中，參數的分析和處理由一個4 層的神經網絡完成，每層的節點數目分別為2，12，36和1。在第1 層中，2個節點主要用來接收溫度和煙霧濃度數據，作為神經網絡的輸入;第2 層的節點用于數據模糊化;第3 層節點進行模糊推理;第4 層節點實現解模糊，并最終輸出結果［5-6］。神經網絡的結構如圖2所示。

圖2 模糊神經網絡結構Fig.2 The structure of fuzzy neural network

分別假設O(k)和I(k)分別為第k 層節點的輸出和輸入，則每層節點的函數可按照以下規則計算得出。

第1 層:在第1 層中，神經網絡接收數據之后，并不做計算和處理，僅僅將接收到的溫度和煙霧濃度數據傳遞給下一層的各個節點，因而可得出本層的計算函數為:

其中xi(i=1，2)分別為2個節點接收到的數據。

第2 層:第2 層中的每個節點對應于某個特定的第1 層數據變量的語言標度。也就是說，輸入數據與模糊集合之間的隸屬度，在第2 層中進行計算。通過使用高斯歸屬函數，第2 層的計算函數為:

第3 層:在第3 層中，每個節點代表一個模糊邏輯規則，并執行規則的前件匹配，因而第3 層的函數可表示為:

在第3 層中，利用第2 層模糊化的數據，配合推理規則進行判斷。

第4 層:在第3 層中，各個節點通過各自的模糊推理規則，作出了判斷，在第4 層中，將這些判斷集成起來，并且執行解模糊操作。因而第4 層的函數可表示為以下形式:

其中ypq為第3 層輸出到第4 層輸入的權值。

因此，目標函數可以設置為:

式中:η(t)為t 時間內的學習速率;β(t)為動量系數。

3 實驗與仿真

本文采用船舶引擎監視系統、船舶環境監視系統等產生的傳感器數據，對溫度和煙霧濃度數據進行采集和濾波，產生神經網絡的輸入信號，并觀察和記錄產生的火災警報。其中神經網絡的輸出平面如圖3所示［7］。

根據我國消防規范測試數據，設計本文采用的測試數據，其中煙霧濃度數據和溫度的歸一化數據如圖4所示。

圖3 神經網絡輸出平面Fig.3 The output surface of the neural network

圖4 煙霧濃度與溫度數據Fig.4 The data of smoke density and temperature

如圖4所示，在火災發生初期，由于未見明火，因而溫度上升并不明顯，而此時由于火焰處于悶燒狀態，煙霧濃度已經有了明顯的升高，采用單傳感器的模式時，在火災發生初期時，有可能會產生漏報的情況。而利用本文提出的方法，可以得出神經網絡的輸出值如圖5所示。

從圖4的結果可以看出，在1 000 s～1 500 s 之間時，煙霧濃度有了明顯的升高，然而溫度卻沒有變化，表明火災發生，然而仍然處于初期。于此同時，圖5 顯示，在相同時間段內，神經網絡的數據結果表明火災的發生等級為5，比較準確地判斷出了火災的發生，證明了本文提出的方法具有較高的準確性和良好的使用效率。

圖5 神經網絡輸出數據Fig.5 The output data of neural network

當火災發生時，溫度和煙霧濃度均有明顯的升高，為了測試在火災中期本文提出方法的靈敏度和精確度，同樣依照我國消防規范測試數據，設計了實驗數據，如圖6所示。

圖6 煙霧濃度與溫度數據Fig.6 The data of smoke density and temperature

由圖6 可以看出，隨著時間的變化，火勢的發展程度各不相同，并體現在溫度和煙霧濃度上，此時，煙霧濃度和溫度數據均由較大的波動，需要根據數據的波動靈活和精確地判斷火勢的發展，并給出正確的判斷和預警。

神經網絡輸出如圖7所示。

圖7 神經網絡輸出火災等級Fig.7 Output fire grade of neural network

從圖7 可看出，隨著采集數據的波動，采用本文方法能夠較為快速和精確地判斷出火災的等級，說明本文提出的方法具有較好的靈活性和精確性。

4 結 語

船舶火災預警是一個非結構化的問題，因而難以使用精確嚴格的數學模型進行描述。在實際應用場景中，火災的各項特征和指標隨著火災的發展和環境的影響而不斷變換，具有較大的動態性和不確定性，因而，為了實現較為有效的火災探測，需要采用神經網絡的方法進行解決。

本文提出了一種基于模糊神經網絡的船舶多傳感器火災發現算法，對采集到的煙霧濃度和溫度數據進行過濾后，作為模糊神經網絡的輸入，通過模糊化、推理、解模糊的過程，得到最終的火災等級。該方法具有良好的容錯性和靈活性，并能夠使用較為簡單清晰的推理規則，避免了使用單一門限進行判斷的弊端，較為有效地模擬了人類決策的過程，并通過實驗和仿真進行了驗證，證明了該方法的有效性。

［1］NAKANISHI S，NONIURA J.Intelligent fire warning system applying fuzzy theory ［C］//Proceedings of 2001 International Conference on Industrial Electronic，Control and Instrumentation，Washington:CRC Press，2001:489-496.

［2］陳建華，陳衛紅，劉科.基于模糊神經網絡的一種船舶碰撞危險度計算方法［J］.艦船科學技術，2008，30(2):121-126.

［3］ZHANG Qing，WANG Shu.A fire detection system based on ART- 2 neural- fuzzy network，proceedings of the fourth international conference on signal processing［C］//USA:IEEE Press，1998:1355-1358.

［4］MULLER H C，FISCHER A.A robust fire detection algorithm for temperature and optical smoke density using fuzzy logic［C］//Proceedings of 29″ IEEE International Conference on Security Technology，USA:IEEE Press，2009:197-204.

［5］OKAYAINA Y.A primitive study of a fire detectionmethod controlled by artificial neural network［J］.Fire Safety Journal，1991(6):535-553.

［6］NAKANISHI S.Intelligent fire warning system using fuzzy technology［J］.Journal of Japan Society for Fuzzy Theory and Systems，2003(51):95-107.

［7］姚緒梁，蔡晶.一種船舶艙室火災連鎖報警等級評估方法［J］.艦船科學技術，2013，35(8):156-161.