艦載彈藥艙火災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)

艦載彈藥艙火災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多類型、多數量傳感器合理配置與布局，闡明危險特征探測系統中的信息分類和干擾因素，具體介紹了火災探測多元信息融合算法的原理、實現方法、實現過程和算法測試結果。

火災；信息融合；神經網絡；彈藥艙

1 概 述

艦船彈藥艙發生的火災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生誤報，在火災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確和精細的描述，從而有利于防火防爆決策，結合某型艦彈藥艙安全的需要，進行多元信息融合研究。

1.1 火災探測原理及技術實質

火災信息探測是以物質燃燒過程中產生的各種火災現象為依據，以實現早期發現火災為前提。分析普通可燃物的火災特點，歸納總結，可得火災探測原理及技術實質，如表1所示。按照艦船火災爆炸過程發生的物理現象及探測原理，可以對火災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，產生一些和火災發生時物理特征相似的虛假現象，影響火災特征信號的探測，從而產生誤報。這些因素主要包括以下幾種情況：

1）水蒸氣的產生伴隨著溫度的升高和大量的煙霧；

2）打掃衛生時引起的灰塵；

3）使用空調和取暖設備，造成氣溫的劇烈變化；

4）電磁環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確地檢測和判斷，用傳統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，實現對危險特征的準確描述。

2 多元信息融合算法

2.1 火災探測設備結構

火災探測的體系結構見圖1，其組成包括多種智能傳感器、信息處理控制器、設備驅動箱及防火防爆設備，智能傳感器安裝在彈藥艙內，其種類、數量和布局執行GJB 4000-2000《艦船通用規范》5組——《輔助系統》中528.6.3.4規定。

表1 火災探測原理及技術實質Tab.1 Principles of fire detection and technical essence

設備的工作過程是：安裝在彈藥艙內的傳感器采集艙內的各種危險特征信息，經過預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探測軟件，對傳感器信息進行信息融合，得到火災判決，如果發生火災，則通過設備驅動箱啟動相應的彈藥艙的防火防爆設備，實現對火災的控制。在設備上電后，上述過程連續進行，從而實現了對彈藥艙連續不間斷地監控。

2.2 算法結構模型

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值比重進行綜合判斷以及模糊融合算法等，根據各種探測傳感器的特性、火災爆炸的演化基本過程以及火災爆炸過程傳感器的響應特性，通過分析實際過程中的數據，按照《復合推理方法的信息融合結構模型》研究的結果，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：傳感器信息預處理算法、神經網絡推理算法和基于CASE的推理算法，上述算法的組合形成了火災探測多元信息融合算法。傳感器從火災監測場所獲得危險特征信號，首先進行局部處理，然后經BP人工神經網絡進行信息融合處理及基于CASE方法進行推理，其中神經網絡信息融合的結果也成為CASE推理的一個輸入，上述結構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），采用了人工神經網絡、模糊處理及基于CASE的推理方法等技術。

2.3 傳感器信號預處理

火災發生時，往往伴隨著很多物理現象的發生：周圍環境溫度的升高、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象的發生，就一定會發生火災，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特征信息進行預處理。本設計把終端設備作為數據融合的信息融合級，在探測節點定時采集現場數據，為了減少數據傳輸量，對采集的現場數據做出火災局部判決，局部判決結果若有火災，則向監控主機發出預報警，等待監控主機繼續采集數據命令，按命令要求采集并向監控主機發送數據，否則放棄現場數據。

探測節點周期性采集數據，將每次采集到的數據經過數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，探測節點進入休眠狀態；若判定有火災，則發出火災預報警請求對數據進行融合智能處理。具體方法為：

數據層融合結果為

式中：f為單位階躍函數，ui，Thi分別為煙霧、溫度、火焰等的數據層輸出結果和局部報警門限。當局部決策結果中任一個輸出為1時，則表示溫度、煙霧或火焰信號中有一種出現非平穩變化，即提請特征層對所有信息進行特征提取，再根據提取的特征得出最終火災判斷。這樣一方面減輕了特征層的數據處理工作，并具有并行分塊處理的優點；另一方面當局部決策結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，并在早期識別火災隱患，又可以減少對具有顯著火災特征信息的計算處理，降低誤報警。

在各個智能傳感器的預處理結果如下：

溫度傳感器：每個溫度傳感器根據自身探測到的溫度值，將探測結果輸出“正常”、“預警”、“火災”，同時輸出溫度值；

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

壓力微分傳感器：每個壓力微分傳感器根據自身探測到的壓力微分值，將探測結果輸出“正常”、“火災”；

火焰探測器：輸出“正常”、“預警”狀態；

煙霧探測器：輸出“正常”、“預警”狀態。

上述處理算法均由智能傳感器中的微處理器實現。

2.4 神經網絡推理算法

對于本文要解決的問題，采用應用最廣泛的3層BP神經網絡模型，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元個數的方式提高對高復雜度問題的擬合能力，同時不增加模型的數學推理復雜度其中調整權值的方法是BP算法的核心，對于本問題的3層神經網絡，其數學推導過程如下：

神經網絡連接權值的更新目標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 訓練數據采集

試驗環境中各傳感器的設置如圖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網絡模型的輸入。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練神經網絡模型的判決信號，即神經網絡訓練的期望輸出信號。

在試驗中設計不同的點火位置，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種狀態的火源。實際采集數據時，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組數據，采集的數據保存在文件中作為神經網絡學習的依據。

2.6 數據預處理

本系統每秒鐘依次對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據讀取，整個過程不超過50ms。除溫度探測器讀取的數據是具體溫度值外，其他數據均只有報警/不報警2種狀態，分別用1/0表示。設當前時刻為t，則當前時刻的數據序列記為T9（t），T11（t），T13（t），T14（t），T15（t），F0（t），S0（t），PD0（t），TD0（t）。

本系統采用移動平均法，根據各溫度傳感器的前6 s數據計算各溫度傳感器的溫度變化率，這些溫度變化率能反應溫度場的溫度變化。采用6 s的數據是因為既能排除突然出現的閃光、點火、開關門等非火災因素造成的誤報信息，又不會因延遲過多造成報警不及時。當然，這個時間窗口可以根據實際應用環境的不同進行適當調整。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的探測器數據，計算前6 s內連續輸出為1的時長，這些時長能反映火焰等信號的穩定性，排除干擾信息。具體計算方法為：設火焰探測器t時刻的前6 s內連續輸出為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（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時刻本系統將如下數據序列：

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）共14個數據當成一個數據樣本發送給監控系統進行處理。

2.7 訓練算法

本系統依次對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據讀取，整個過程不超過50ms。除溫度探測器讀取的數據是具體溫度值外，其他數據均只有報警/不報警2種狀態，分別用1/0表示。設當前時刻為t，則當前時刻的數據序列記為T9（t），T11（t），T13（t），T14（t），T15（t），F0（t），S0（t），PD0（t），TD0（t）。

神經網絡的輸入神經元有14個，分別對應于數據預處理系統得到的14個反映環境狀況的監控及統計數據。輸出神經元有1個，對應報警信息，其中1，2，4分別代表“正常”、“預警”和“火災”3種狀態。而隱藏層神經元的個數比較難以確定，通過多次試驗，發現本模型隱藏層神經元個數取30個較為合適。神經元權值的調整方法采用附加動量法進行調整。

訓練系統的輸出文件為：neuron.txt，里面含有訓練好的神經網絡權值，以此作為監控系統的輸入參數并初始化神經網絡，輸入數據為數據預處理系統的實時輸出，數據格式為“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”，經神經網絡計算得到一個輸出。

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，即預警判決算法和火災判決算法。

3.1 “預警”判決算法

在下列情況判決“預警”：

1）溫度傳感器輸出“預警”或“火災”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出“火災”信號，并且艙室內壓力不大于艙外某設定值；

4）火焰傳感器輸出“危險”信號；

5）煙霧傳感器輸出“危險”信號；

6）上述狀態的組合。

3.2 “火災”判決算法

下列情況判決“火災”：

1）至少1個溫度傳感器輸出“火災”信號，且同一彈藥艙其他傳感器至少輸出“預警”；

2）溫度微分傳感器至少1個發出“火災”信號；

3）壓力微分傳感器至少1個發出“火災”信號，且艙內壓力比外部大氣壓力高過設定值以上；

4）神經網絡推理算法輸出“火災”信號，且同一彈藥艙內其他傳感器輸出1個“預警”或“火災”信號。

4 結 語

根據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，具體介紹了火災探測多元信息融合算法的原理、實現方法、實現過程和算法結果。其結果表明多元信息融合算法在探測時間方面優于已有算法。

[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.數據融合理論與應用[M].西安:西安電子科技大學出版社1997.

[5]何友.多傳感器信息融合及應用[M].北京:電子工業出版社,2000.11.

[6]藤召勝,羅隆福,童調生.智能檢測系統與數據融合[M].北京:機械工業出版社,1999.12.

[7]王麗萍,基于多傳感器信息融合技術的火災探測系統研究[D].湖南:湖南大學,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域。