张永刚，张玺，刘杰，孙骞

(中国船舶重工集团公司第七二六研究所，上海 201108)



舰船多参量火灾探测技术方案

张永刚，张玺，刘杰，孙骞

(中国船舶重工集团公司第七二六研究所，上海 201108)

针对舰船火灾特点，采用多参量(烟雾体积浓度、温度、一氧化碳体积浓度)信息融合技术，对多种火灾特征参量进行综合分析处理，建立舰船复杂环境下的火灾探测方案，可有效提高火灾探测准确度、降低火灾误报率。

舰船消防；多参量；信息融合；火灾探测系统

为了提高火灾早期探测精确度，现役舰船的火灾报警系统一般采用多种探测器组合式探测方案，主要采用烟雾探测器，温度探测器、火焰探测器、可燃气体探测器作为辅助，联合监测现场环境变化。该方案很大程度上依赖所选取的探测器自身的探测能力和现场多种探测器的配置、覆盖情况。

为了满足早期探测需求，往往选取高质量、高精度的探测器，并进行多层次覆盖安装，提取每个探测器的信息进行实时监测，出现异常时才会安排船员进行现场勘测，确认火情。这种多元探测器组合监测的方式虽然规避了空间内的探测盲区，可以采集到任意地方的火情信息，获得了火灾探测的高可靠性。但从技术角度上分析，该方式依旧局限于单一火灾探测信息判断是否有火灾隐患，仅依靠增加探测器的数量来提高探测准确性和可靠性是不够的，结合国外探测技术研究成果，更好的早期探测方案是使探测系统克服单一探测器探测劣势，融合多个探测器的参量信息，对火情状态做出快速、准确的判断。

多传感器信息融合的核心是指将来自多个传感器的参量进行多级别、多方面、多层次的处理，从而得出更为准确、可靠的结论，而这种结论是任何一种单一传感器所无法获得的[1-2]。因此，考虑针对舰船火灾探测系统的特点，提出一种多参量火灾探测技术方案。建立多元火灾特征参量综合分析判断环节，形成多参量火灾探测方案，从而减少由单个火灾特征参量导致的漏报、误报，提高火灾报警系统的准确性、及时性。

1 火灾探测系统总体结构

依据多传感器信息融合概念，多探测器是采用信息融合技术的基础，探测器监测到的参数是信息融合技术处理的对象，而综合处理的算法就是信息融合的核心，探测的准确度依赖于算法的设计。信息融合有多种分类方式，其中最为经典常见的方式就是按照处理层次和级别进行分类，可以将信息融合的过程抽象为3层：信息层融合、特征层融合、决策层融合[3]，在此基础上，结合火灾探测中的实际应用情况，将火灾探测器系统信息处理过程划分为3个阶段：参量采集阶段、参量融合阶段、决策输出阶段。其中信息层融合和特征层融合都归类于参量融合阶段，同时采用分散型的信息融合系统结构，该结构对信道要求较低，信息的计算分配均衡，对硬件的要求较低，能够保证该方案的可实施性。

多参量火灾探测方案总体结构见图1。

1)参量采集阶段。该阶段主要是对探测器参量的采集过程，根据现场情况尽可能多的收集探测器参量，作为信息融合的基础参量集合。但在探测器种类、规格的选取上，需要根据舰船探测场所的环境和要求，选用合适种类、数量的探测器组合，这是火灾探测技术中尤为重要的一个环节。

2)参量融合阶段。在参量采集阶段中采集到的探测器参量，在种类和形式上有很大的区别，这就需要进行参量预处理(包括归一化、限幅、环境补偿、校准及预判等)，也就是进行底层的局部决策处理，即信息层融合工作，当把这些层次不一的参量处理为统一的表达形式后，才能完成数据配准[4]；如果参量超出阈值，出现异常时，特征层将对信息层归一化后的参量进行特征提取，采用信息融合算法开始特征层的信息融合，从而实现非火灾源、阴燃火、明火以及火灾概率的识别。

3)决策输出阶段。该阶段利用参量融合阶段得到的不同火灾状态概率的数据，结合其他辅助信息，采用模糊逻辑推理技术得到最终决策结果，判断出探测现场的火情。

2 火灾探测方案

2.1 选取舰船火灾特征参量

由火灾燃烧时的状态分析可知，燃烧过程可以简单分为早期、阴燃、明火3个阶段。火焰的形状，燃烧产生的气体产物、温度、辐射都能作为火灾探测的特征，火灾的特征在不同的环境中呈现出不一样的特点。从图2中可以看出，舰船火灾在早期阶段火势发展速度较慢，而发展到阴燃阶段，火势发展迅速，相较于普通建筑中的火势更剧烈，难以控制。在火灾各个阶段的产物比例的有所不同，火灾早期，各类易燃物质燃烧不充分，但会释放大量气体(CO、CO2等)，温度和烟雾较少；阴燃阶段则产生大量烟雾，可燃气体含量开始上升，温度基本恒定；明火阶段则向外辐射热量，环境温度迅速上升，可燃气体浓度缓慢上升。

传统火灾探测采用温度和烟雾体积浓度作为判断火情的参量，能够有效探测到火灾的发生，但基于以上的燃烧产物的变化情况的分析，在真实火灾场景中这2个参量存在局限性，烟雾体积浓度报警受到外界的环境变化影响较大，误报率较高，而温度在阴燃阶段趋于平稳，表现不明显，不能及时反应火情变化。按欧洲标准试验，对着火前后一氧化碳体积浓度的监测发现，一氧化碳浓度对于火情的判断有着一定的优势，首先是日产生活中，空气中的一氧化碳气体含量较低，在10×10-6(mL/m3)左右，不会影响探测器的判断；另外，一氧化碳在封闭空间中扩散速度慢，导致区域内的一氧化碳含量急剧上升，含量过高还会威胁到生命安全。

因此，烟雾体积浓度、温度和一氧化碳体积浓度是可以评价火情的重要参量，选择这3个参数开展对融合探测方法的研究。也有国外相关研究数据表明，合理的火灾特征参量集合可以提高探测水平[5]。为了准确采集到这3个重要参量，选取舰船消防常用的火灾探测器，用可燃气体探测器来探测一氧化碳体积浓度的变化，吸气式感烟探测器探测烟雾体积浓度，不同的是在采集温度参量时，摒弃了常规的温度探测器，而采用红外探测器对温度进行采集，这种选择是舰船结构的特殊性决定的。因为舰船火灾早期阶段，温度变化不明显，对于探测温度的灵敏度有一定要求，能及时发现温度异常，有助于将火灾扼杀在萌芽当中；同时在阴燃阶段，烟雾将快速充满舱室，妨碍现场火情排查，而红外射线穿透烟雾的能力很强，通过红外探测器探测物体向空间辐射的红外电磁波的变化来间接判断物体的温度，相对于温度探测器对环境温度的监测更具有优势[6]。

2.2 融合舰船火灾特征参量

由于可燃气体探测器、吸气式感烟探测器，红外探测器采集到的参量的量纲、范围不同，数值之间的大小也有可能相差极大，因此在进行特征层融合前，需要对这些参量进行预处理，将参量处理到[0,1]区间内，为了减少系统的运算负担，采用最常规的预处理方法。

(1)

目前处理探测器多参量的信息网络融合方法有很多[7]。在处理火灾探测这种非结构性的问题时，最常用、有效的方法是神经网络方法。而基于火灾的不确定性，采集到的参量的模糊性，模糊推理理论被也被应用于火灾探测技术中，但这2种方法都有各自的优缺点，采用神经网络和模糊逻辑结合的方式进行信息融合成为趋势。

BP(back propagation)网络是一种按误差逆传播算法训练的多层前馈网络[8]。用神经网络对信号的幅度、动态范围和持续时间等特征进行规范处理，使火灾报警输出的信号达到稳定性和准确性，提高火灾报警的准确率[9]。针对BP网络的优点，国外研究提出了结合BP网络和小波理论的优势的小波神经网络。考虑采用小波神经网络(wavelet neural network,WNN)与模糊理论串联的模型进行信息融合，模糊理论主要应用于决策输出阶段。应用于特征层融合的小波神经网络是一种以BP网络拓扑结构为基础的网络，能有效从信息中提取特征信息，具有良好的学习能力，收敛速度快，避免了陷入局部极小点。为了融合的准确性，采用紧致型网络拓扑结构，如图3所示，即用小波函数取代BP网络隐含层中的激励函数，由输入层、隐含层和输出层3层神经元构成网络拓扑，按照实际需求决定输入层和输出层的神经元个数。输入层有3个参量，即一氧化碳体积浓度、烟雾体积浓度、温度，输出层也设有3个参量，即无火状态、阴燃状态、明火状态。

作为激励函数的小波函数的种类较多，采用普遍使用的Morlet小波函数作为激励函数，由网络拓扑结构可以得到：

(2)

(3)

(4)

式中：y(t)为网络的输入值；y′(t)为网络的输出值；L为隐含层的节点个数；K为输入层的神经元个数；φ(t)为网络采用的小波基函数；Vj为输入层到隐含层的连接权值；Wi为隐含层到输出层的连接权值；ai、bi为第i个隐含层节点的伸缩因子、平移因子。

小波神经网络的隐含层节点数量多以经验参考公式进行计算，在仿真过程中不断调节，从小到大反复试验，一般确保满足需求的基础上采用尽可能少的隐含层节点数量，隐含层节点数量太多，会增加系统运算负担，反而会影响预测精度。隐含层的节点数量经验公式如下。

(5)

式中：n为输入神经元个数；m为输出神经元个数，a为1～10的常数。

基于BP网络的小波神经网络实际上也是一种梯度下降法，用期望输出和网络实际输出的误差的平方和作为学习目标函数，网络权值的确定依据误差最小化原则。网络输出神经元有m个，因此定义第p个样本输入到网络中的误差为

(6)

2.3 模糊逻辑推理

虽然小波神经网络进行信息融合可以得到无火概率、阴燃概率、明火概率，但仅依靠这3个概率值，当出现较为严重的干扰信号后，依然会引起误报、漏报，不能准确的判断出当前是否有火灾发生及火情的轻重。另外，概率值接近门限值时很难判断其代表的意义。因此，为了提高抗干扰性能，对小波神经网络得出的输出值经过模糊推测理论再次处理，将这3个火灾概率作为模糊推理的输入信号，同时增加辅助信息，经过输入量的模糊化、模糊逻辑推理、去模糊过程3个过程，得出最终的火情判断。模糊推理的具体过程见图4。其中，非模糊化过程是将输出量的分布函数转换成规范化的输出量，最后辨识系统将规范化的输出量转换为实际的输出值[10]。模糊推理理论的基本思路就是将原始信息由信息低层向信息高层进行逐层融合得到最终的结果，结合人的经验，以及通过各探测器获得的辅助信息，制定语言规则，作为逻辑推理过程的可靠依据[11]。

从小波神经网络融合得到的输出结果，对当前火情进行初步判断，如果概率大于0.8，可以得出发生火灾的结论；当概率小于0.2时，也可以轻松的得到没有火情的结论；但是当概率值在门限值0.5左右时，就很难判断出此时的状态。因此在此基础上需要增加更多的合理判据来判断此时的状态。一般情况下，如果是干扰信号造成的偏差，状态不会长时间持续，很快恢复正常，而如果是发生火灾时，这种参量值的变动，会持续一段时间，因此，可以将火灾信号持续时间作为辅助信息来增加火情判断的准确性。

火灾信号持续时间计算方法如下：

(7)

式中：T(n)为火灾信号持续时间；n为时间变量；Td为报警门限值,设置Td=0.5；y′(t)为小波神经理论得出的火灾概率，当火灾概率大于报警门限值时，开始累计计时，否则T(n)=0。

定义模糊子集：{PN,PH,PM,PL}。其中：PN表示没有火灾发生；PH表示火灾概率高；PM表示火灾概率中；PL表示火灾概率低。通过小波神经网络得到的无火、阴燃、明火概率大于0.8时量化为PH，小于0.2时为量化为PL，大于0.2小于0.8量化为PM，T(n)大于5 s时量化为PH，小于5 s时量化为PL。输出的最终火灾判断概率量化为PN、PH、PL 3个等级，部分语言规则见表1。

表1 部分语言规则

采用Mamdani模糊理论方法进行推理，由此得到的值依然是模糊值，因此采用重心法去模糊化，将模糊值清晰化，得到最终的结果。

3 仿真验证

采用Matlab软件进行小波神经网络的训练和仿真，误差极限设定为10-4，训练步数设置为104，初始学习率设置为0.5，对20组样本进行归一化后，作为小波神经网络的输入。样本集、期望输出及实际输出数据如表2所示。由表2可知，小波神经网络的逼近效果较好，与所期望的输出误差极小，此时小波神经网络已经训练成功，可以进行火情的判断。

在小波神经网络训练得到完整训练的基础上，采用Matlab中的模糊逻辑工具箱建立模糊推理系统，确定无火概率、火灾概率高、火灾概率低及火灾信号持续时间的语言规则。当在真实场景下有火灾信号输入时，运行小波神经网络算法进行无火、阴燃及明火概率计算，综合火灾信号持续时间，利用模糊推理方法及制定的语言规则，得出可靠的火灾发生概率。通过仿真，证明该方案对于火灾早期探测效果较好，能够提高火灾探测系统的可靠性，减少漏报误报情况。

4 结论

提出的火灾探测系统方案采用可燃气体探测器、吸气式感烟探测器、红外探测器采集火灾特征参量，通过小波神经网络信息融合技术和模糊逻辑推理技术，将3种火灾特征参量进行综合分析处理，得到及时的火情判断。采用Matlab仿真验证，该方案能够提高火灾报警系统的及时性和有效性，提高了火灾探测准确度，能准确判断当前火情，降低火灾误报率。

[1] AHLERSH.多传感器技术及其应用[M].王磊,译.北京:国防工业出版社,2001.

[2] NAKANISHI S.Intelligent fire warning system using fuzzy technology[J].Fire Safety Journal,1991,17(3):531-533.

[3] Chul Kyu Jin,Chung Gil Kang. Fabrication by vacuumdie casting and simulation of aluminum bipolar plates with micro-channels on both sides for proton exchange membrane(PEM) fuel cells[J].International Journal of Hydrogen Energy,2012，37:1661-1676.

表2 样本集、期望输出及实际输出数据

[4] WALTZ E,LINAS J. Muhisensor data fusion[M].USA:Norwood,Massachusetts,Artech House.1990.

[5] 侯杰.基于视频图像的高大空间建筑火灾探测研究[D].北京：清华大学,2010.

[6] 张永刚,黄超,魏周君.红外技术在舰艇消防安全中的应用[J],船海工程,2013(4):11-14.

[7] 谭琳.多传感器信息融合技术探析[J].计算机光盘软件及应用,2012(1):114-116.

[8] 席爱民.模糊控制技术[M].西安：西安电子科技大学出版社,2008.

[9] 赵英南,陈南.智能建筑火灾自动报警系统设计与实施[M].北京:知识产权出版社,2005.

[10] 曾光奇,胡均安,王东,等.模糊控制理论与工程[M].武汉：华中科技大学出版社,2000.

[11] 张兢,路彦,雷刚.基于多传感器信息融合的智能火灾预警系统[J].计算机工程与应用,2006(6):206-208.

On the Fire Detection Technology of Multi-Parameter for Ships

ZHANG Yong-gang, ZHANG Xi, LIU Jie, SUN Qian

(No.726 Research Institute of China Shipbuilding Industrial Corporation, Shanghai 201108, China)

In view of fire characteristic of ships, a fire detection technology of multi-parameter was proposed based on the multi-parameter information fusion technology considering smoking concentration, temperature and concentration of carbon monoxide. It made a comprehensive analysis of various fire parameter and established naval vessels fire detection scheme in complex environment. The fire detection scheme was proved to be effective to improve the accuracy of the fire detection and reduce the false alarm rate.

fire protection of ship; multi-parameter; information fusion; fire detection system

U664.88

A

1671-7953(2017)03-0011-05

2017-01-18

张永刚(1985—)，男，学士，工程师

研究方向：红外热成像及热检测技术

10.3963/j.issn.1671-7953.2017.03.004

修回日期：2017-03-07