1 概　述

舰船弹药舱发生的火灾爆炸过程是一个典型的有多个物理量变化的过程，任何一个单一的物理量探测有可能产生误报，在火灾爆炸过程中采用多个信息和多类信息探测，对这些信息进行综合和融合，有可能得到对该过程更加准确和精细的描述，从而有利于防火防爆决策，结合某型舰弹药舱安全的需要，进行多元信息融合研究。

1.1 火灾探测原理及技术实质

火灾信息探测是以物质燃烧过程中产生的各种火灾现象为依据，以实现早期发现火灾为前提。分析普通可燃物的火灾特点，归纳总结，可得火灾探测原理及技术实质，如表1所示。按照舰船火灾爆炸过程发生的物理现象及探测原理，可以对火灾探测危险信号进行分类。

1.2 影响危险特征信号探测的因素

由于各种原因，产生一些和火灾发生时物理特征相似的虚假现象，影响火灾特征信号的探测，从而产生误报。这些因素主要包括以下几种情况：

1）水蒸气的产生伴随着温度的升高和大量的烟雾；

2）打扫卫生时引起的灰尘；

3）使用空调和取暖设备，造成气温的剧烈变化；

4）电磁环境对烟雾探测器的影响；

5）噪声的影响；

6）多种虚假火情同时存在。

以上因素决定了单参量分析的方法不能进行准确地检测和判断，用传统的分析方法就存在不可避免的误报警。而危险特征探测最根本的目的是充分获取特征信息，并及时准确地做出判断。解决以上存在问题的方法是基于信息融合的思想，获取多源信息进行融合并加以利用，实现对危险特征的准确描述。

2 多元信息融合算法 2.1 火灾探测设备结构

火灾探测的体系结构见图1，其组成包括多种智能传感器、信息处理控制器、设备驱动箱及防火防爆设备，智能传感器安装在弹药舱内，其种类、数量和布局执行GJB 4000-2000《舰船通用规范》5组——《辅助系统》中528.6.3.4规定。

设备的工作过程是：安装在弹药舱内的传感器采集舱内的各种危险特征信息，经过预处理后通过通信总线传递给信息处理控制器，信息处理控制器中运行的多元信息火灾探测软件，对传感器信息进行信息融合，得到火灾判决，如果发生火灾，则通过设备驱动箱启动相应的弹药舱的防火防爆设备，实现对火灾的控制。在设备上电后，上述过程连续进行，从而实现了对弹药舱连续不间断地监控。

2.2 算法结构模型

信息融合的方式有很多种，比如多个传感器进行“与”运算或者“或”运算，每个传感器采集的信号按权值比重进行综合判断以及模糊融合算法等，根据各种探测传感器的特性、火灾爆炸的演化基本过程以及火灾爆炸过程传感器的响应特性，通过分析实际过程中的数据，按照《复合推理方法的信息融合结构模型》研究的结果，确定了图2的信息融合算法模型。

多元信息融合算法主要包括3个部分：传感器信息预处理算法、神经网络推理算法和基于CASE的推理算法，上述算法的组合形成了火灾探测多元信息融合算法。传感器从火灾监测场所获得危险特征信号，首先进行局部处理，然后经BP人工神经网络进行信息融合处理及基于CASE方法进行推理，其中神经网络信息融合的结果也成为CASE推理的一个输入，上述结构既保持了与原有算法的兼容性，又对原有算法进行了改进。

上述算法融合了多种传感器信息（包括温度、热微分、烟雾、火焰及压力微分信息），采用了人工神经网络、模糊处理及基于CASE的推理方法等技术。

2.3 传感器信号预处理

火灾发生时，往往伴随着很多物理现象的发生：周围环境温度的升高、含有大量的含有紫外线或红外线的浓烟和CO气体。但并不是有这些物理现象的发生，就一定会发生火灾，也有可能是某些干扰因素造成的，这就需要对多传感器采集到得火灾特征信息进行预处理。本设计把终端设备作为数据融合的信息融合级，在探测节点定时采集现场数据，为了减少数据传输量，对采集的现场数据做出火灾局部判决，局部判决结果若有火灾，则向监控主机发出预报警，等待监控主机继续采集数据命令，按命令要求采集并向监控主机发送数据，否则放弃现场数据。

探测节点周期性采集数据，将每次采集到的数据经过数字滤波等软件抗干扰处理后，再采用速率检测算法，若判定无火灾，探测节点进入休眠状态；若判定有火灾，则发出火灾预报警请求对数据进行融合智能处理。具体方法为：

设采样信号原始序列为 $X\left( n \right) = \left( {{x_1}\left( n \right),{x_2}\left( n \right),{x_i}\left( n \right)} \right)$ ，

式中， ${X_i}\left( n \right)\left( {i = 1,2,3,4,5} \right)$ 分别为烟雾、温度传感器、火焰探测器等采集到的信息。

累加函数 ${a_i}\left( m \right)$ 为多次累加相邻样值 ${x_i}\left( n \right)$ 的差值之和，即

${a_i}\left( m \right) = \displaystyle\sum\limits_{n = 0}^m {\left( {{x_i}\left( {n + 1} \right) - {x_i}\left( n \right)} \right)} \text{。}$

数据层融合结果为

${u_i} = f\left( {{a_i}\left( m \right) - T{h_i}} \right) \text{。}$

式中：f为单位阶跃函数，u_i，Th_i分别为烟雾、温度、火焰等的数据层输出结果和局部报警门限。当局部决策结果 ${u_i}\left( {i = 1,2,3,4,5} \right)$ 中任一个输出为1时，则表示温度、烟雾或火焰信号中有一种出现非平稳变化，即提请特征层对所有信息进行特征提取，再根据提取的特征得出最终火灾判断。这样一方面减轻了特征层的数据处理工作，并具有并行分块处理的优点；另一方面当局部决策结果中至少有一个警报输出为1时，就进行后级特征提取，否则不送特征层。这样既可以最大限度的采集火情信号，并在早期识别火灾隐患，又可以减少对具有显著火灾特征信息的计算处理，降低误报警。

在各个智能传感器的预处理结果如下：

温度传感器：每个温度传感器根据自身探测到的温度值，将探测结果输出“正常”、“预警”、“火灾”，同时输出温度值；

热微分传感器：每个热微分传感器根据自身探测到的温度变化速率，将探测结果输出“正常”、“火灾”；

压力微分传感器：每个压力微分传感器根据自身探测到的压力微分值，将探测结果输出“正常”、“火灾”；

火焰探测器：输出“正常”、“预警”状态；

烟雾探测器：输出“正常”、“预警”状态。

上述处理算法均由智能传感器中的微处理器实现。

2.4 神经网络推理算法

对于本文要解决的问题，采用应用最广泛的3层BP神经网络模型，即中间层只有1层的模型。该模型能够通过增加中间层神经元个数的方式提高对高复杂度问题的拟合能力，同时不增加模型的数学推理复杂度其中调整权值的方法是BP算法的核心，对于本问题的3层神经网络，其数学推导过程如下：

设有N个输入神经元，第i个输入神经元值记为 ${y_i}\left( {i = 1,2, \cdots ,N} \right)$ ；有M个中间层神经元，第j个中间层神经元接收到来自输入神经元的总刺激值记为x_j（j=1, 2, .., M）；第i个输入神经元与第j个中间层神经元的连接权值记为 ${W_{ji}}$ ；则第j个中间层神经元接收到的总刺激值 ${x_j} = \displaystyle\sum\limits_i {{y_i}{w_{ji}}} $ ；以sigmoid函数作为神经元的激活函数，则第j个中间层神经元传递给输出神经元的刺激值记为 ${O_j} = \frac{1}{{1 + {e^{ - x{}_j}}}}$ ；本问题只有一个输出，记为Y；第j个中间层神经元与输出神经元的连接权值记为 ${v_j}$ ，则最后的输出 $Y = \displaystyle\sum\limits_j {{O_j}{v_j}} $ v。

神经网络连接权值的更新目标是使输出误差最小化。推理过程如下：

$\displaystyle\frac{{\partial E}}{{\partial Y}} = Y - d$ （d为期望输出）

$ \frac{{\partial E}}{{\partial {v_j}}} = \frac{{\partial E}}{{\partial Y}}\frac{{\partial Y}}{{\partial {v_j}}} = \left( {Y - d} \right){O_j} \text{，}$

(1)

$\frac{{\partial E}}{{\partial {O_j}}} = \frac{{\partial E}}{{\partial Y}}\frac{{\partial Y}}{{\partial {O_j}}} = \left( {Y - d} \right){v_j} \text{，}$

(2)

${x_j} = \sum\limits_i {{y_i}{w_{ji}}} \text{，}$

(3)

${O_j} = \frac{1}{{1 + {e^{ - x{}_j}}}} \text{，}$

(4)

$\frac{{\partial E}}{{\partial {w_{ji}}}} = \frac{{\partial E}}{{\partial {O_j}}}\frac{{\partial {O_j}}}{{\partial {w_{ji}}}} \text{，}$

(5)

$\frac{{\partial {O_j}}}{{\partial {w_{ji}}}} = \frac{{\partial {O_j}}}{{\partial {x_j}}}\frac{{\partial {x_j}}}{{\partial {w_{ji}}}} = {O_j}\left( {1 - {O_j}} \right){y_i} \text{，}$

(6)

$ \frac{{\partial E}}{{\partial {w_{ji}}}} = {O_j}\left( {1 - {O_j}} \right){y_i}\left( {Y - d} \right){v_j} \text{。}$

(7)

最后按照附加动量法，即　　 $\Delta w\left( t \right) = - A\Delta w\left( {t - 1} \right) - B\displaystyle\frac{{\partial E}}{{\partial w}}$ 的方式修正权值。其中t表示第t次训练，A，B为调整系数。

2.5 训练数据采集

试验环境中各传感器的设置如图3所示。其中有温度探测器5个，编号分别为9#，11#，13#，14#，15#；烟雾探测器、火焰探测器、压力微分探测器、热微分探测器各1个，这些探测器的输出作为神经网络模型的输入。而18#探测器是一个位置可任意移动的温度探测器，在每次点火试验中，将其位置固定在火源正上方，其输出及与火焰及烟雾探测器的输出将作为训练神经网络模型的判决信号，即神经网络训练的期望输出信号。

在试验中设计不同的点火位置，位置的选取采用了类似正交试验方法，分别选取在温度传感器正下方、2个温度传感器中间、温度传感器之间1/3位置等具有简单几何特征点的位置，一共选取了9个位置。

火源的大小选取了大火和小火2种状态的火源。

实际采集数据时，同一个位置、同样大小的火共采集2次，以便在某种程度上消除不确定性。

每次试验共采集了9×2×2=36组数据，采集的数据保存在文件中作为神经网络学习的依据。

2.6 数据预处理

本系统每秒钟依次对9#温度探测器、11#温度探测器、13#温度探测器、14#温度探测器、15#温度探测器、火焰探测器、烟雾探测器、压力微分探测器、热微分探测器进行一次数据读取，整个过程不超过50 ms。除温度探测器读取的数据是具体温度值外，其他数据均只有报警/不报警2种状态，分别用1/0表示。设当前时刻为t，则当前时刻的数据序列记为T₉（t），T₁₁（t），T₁₃（t），T₁₄（t），T₁₅（t），F₀（t），S₀（t），PD₀（t），TD₀（t）。

本系统采用移动平均法，根据各温度传感器的前6 s数据计算各温度传感器的温度变化率，这些温度变化率能反应温度场的温度变化。采用6 s的数据是因为既能排除突然出现的闪光、点火、开关门等非火灾因素造成的误报信息，又不会因延迟过多造成报警不及时。当然，这个时间窗口可以根据实际应用环境的不同进行适当调整。具体计算方法为：对i（i=9，11，13，14，15）号温度探测器，其t时刻温度变化率为：

DT_i（t）=[T_i（t）+T_i（t-1）+T_i（t-2）-T_i（t-3）-T_i（t-4）-T_i（t-5）]/3，即求6 s内的平均温度变化率，具有较强的鲁棒性。

对于火焰探测器等只能输出1/0的探测器数据，计算前6 s内连续输出为1的时长，这些时长能反映火焰等信号的稳定性，排除干扰信息。具体计算方法为：设火焰探测器t时刻的前6 s内连续输出为1的时长为F（t），则

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，对烟雾探测器、压力微分探测器、热微分探测器采用相同计算处理，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时刻本系统将如下数据序列：

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个数据当成一个数据样本发送给监控系统进行处理。

2.7 训练算法

本系统依次对9#温度探测器、11#温度探测器、13#温度探测器、14#温度探测器、15#温度探测器、火焰探测器、烟雾探测器、压力微分探测器、热微分探测器进行一次数据读取，整个过程不超过50 ms。除温度探测器读取的数据是具体温度值外，其他数据均只有报警/不报警2种状态，分别用1/0表示。设当前时刻为t，则当前时刻的数据序列记为T₉（t），T₁₁（t），T₁₃（t），T₁₄（t），T₁₅（t），F₀（t），S₀（t），PD₀（t），TD₀（t）。

神经网络的输入神经元有14个，分别对应于数据预处理系统得到的14个反映环境状况的监控及统计数据。输出神经元有1个，对应报警信息，其中1，2，4分别代表“正常”、“预警”和“火灾”3种状态。而隐藏层神经元的个数比较难以确定，通过多次试验，发现本模型隐藏层神经元个数取30个较为合适。神经元权值的调整方法采用附加动量法进行调整。

训练系统的输出文件为：neuron.txt，里面含有训练好的神经网络权值，以此作为监控系统的输入参数并初始化神经网络，输入数据为数据预处理系统的实时输出，数据格式为“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”，经神经网络计算得到一个输出。

3 基于CASE信息库推理算法

基于CASE的信息库推理算法包含2个主要的判决算法，即预警判决算法和火灾判决算法。

3.1 “预警”判决算法

在下列情况判决“预警”：

1）温度传感器输出“预警”或“火灾”信号；

2）热微分传感器输出“危险”信号；

3）压力微分传感器输出“危险”信号，或一个压力微分传感器发出“火灾”信号，并且舱室内压力不大于舱外某设定值；

4）火焰传感器输出“危险”信号；

5）烟雾传感器输出“危险”信号；

6）上述状态的组合。

3.2 “火灾”判决算法

下列情况判决“火灾”：

1）至少1个温度传感器输出“火灾”信号，且同一弹药舱其他传感器至少输出“预警”；

2）温度微分传感器至少1个发出“火灾”信号；

3）压力微分传感器至少1个发出“火灾”信号，且舱内压力比外部大气压力高过设定值以上；

4）神经网络推理算法输出“火灾”信号，且同一弹药舱内其他传感器输出1个“预警”或“火灾”信号。

4 结　语

根据某型舰弹药舱的特点研究了探测器的种类配置，并合理布局，具体介绍了火灾探测多元信息融合算法的原理、实现方法、实现过程和算法结果。其结果表明多元信息融合算法在探测时间方面优于已有算法。