舰船科学技术  2021, Vol. 43 Issue (12): 161-165    DOI: 10.3404/j.issn.1672-7649.2021.12.029   PDF    
基于模糊神经网络的舰船火灾早期探测报警系统设计
郑珊珊, 李田烽, 蔡欣欣     
中国船舶集团有限公司第七二六研究所,上海 201108
摘要: 结合当前舰船火灾探测报警系统的现状和对于火灾早期探测的需求,提出一种将主动吸气式空气采样感烟探测器和阴燃类电气火灾燃烧产物特征量CO及传统温度信号通过模糊神经网络和遗传算法进行融合判定的系统设计方法,详细描述系统的构成,通过数据采集、模糊推理、火灾判定的软件实现过程。同时通过仿真计算表明该系统对于提高火灾探测报警的关键性能指标“响应时间”和“误报率”的有效性。该系统设计方法为电气类阴燃火的早期探测提供有效的技术解决途径,同时提高了系统抗误报警能力。
关键词: 舰船火灾早期探测     空气采样感烟探测器     CO探测器     模糊神经网络     遗传算法     抗误报警    
Design of fire early detection and alarm system based on Fuzzy Neural Network
ZHENG Shan-shan, LI Tian-feng, CAI Xin-xin     
The 726 Research Institute of CSSC,Shanghai 201108, China
Abstract: Combined with the current status of ship fire detection and alarm system and the demand for early fire detection, this paper presents a method to fuse the active aspirating air sampling smoke detector, the characteristic quantity CO of smoldering electrical fire products and traditional temperature signal through fuzzy neural network and genetic algorithm, The article describes the system structure in detail, through data acquisition ,fuzzy reasoning, fire descision software implementation process. At the same time, the simulation results show that the system is effective to improve the detection and alarm performance. So as to achieve the goal of early fire detection and alarm, and improve the anti-false alarm ability of the system.
Key words: early detection of ship fire     air sampling smoke detector     CO detector     design concentration     fuzzy neural network     genetic algorithm anti-false alarm    
0 引 言

舰船的消防安全是舰船安全系统重要的组成部分,是舰船生命力和作战能力的有力保障。舰船内部机电设备密集,线缆管路复杂,存在多种易燃、易爆物。引发火灾的因素较多,主要有电气短路、油料泄漏着火、易燃气体起火、武器系统燃料起火、机械装置故障起火、爆炸等多种因素;同时火灾发展迅速,甚至引起爆炸,由于舱室狭小,着火舱内热量和烟气不容易散发,舱壁大都为金属结构,热传递快,导致舱室内火蔓延速度快。舰船作为水上航行体,人员灭火行动不便,并且很难得到外界救援,因此舰船火灾的早期探测报警对于舰船火灾的早发现、早控制,防止重大的人员和财产损失显得尤为重要[1]

舰船火灾以电气火灾和油类火灾为主,尤其对于电气火灾,在火灾早期时以阴燃为主,不易被发现,是各类火灾中探测响应时间最长的一类火灾。现有的火灾探测报警系统中采用点式被动感烟感温探测手段对于一些常规舱室来说如居住舱室、餐厅等会产生明火的固体火灾是相对适宜的,但是对于一些机舱电站、控制室等以电气类火灾为主的部位,仅仅选用点式被动感烟感温探测器,探测时间和准确度往往达不到要求。美国海军开展了灾害控制和人员自动化 (DC-ARM)及多层次传感器 (Volume Sensor)2个研究项目,用以提高舰艇探测系统探测性能以及减少相关监控人员数量。通过早期火灾探测报警子项目(EWFD)研究开发了一套多传感器的数据融合算法。美国海军委托美国海军研究室(NRL)和Hughes Associates Inc (HAI)开展了舰船场景下的火灾探测试验,采用不同的点型探测器融合进行了41组响应性能试验。结果显示:这些技术在探测性能和抗误报率方面总体性能比单一点型探测器有很大提高,多层次传感器的样机在总体性能上优于各个子项性能。该项研究的不足在于仅仅采用了被动探测的方式将多种烟、温、气体的传感器件进行融合,同样不能解决由于点式被动感烟探测器报警时间受到烟雾传播路径、火源距离和气流等因素的影响而响应时间较慢的问题[2]

基于上述研究思想,为了进一步提升舰船火灾早期探测报警相应能力,采用主动吸气式空气采样感烟探测器最大程度弥补现有系统中点式被动感烟探测器报警时间受到烟雾传播路径、火源距离和气流等因素的影响而响应时间较慢的不足,同时在系统设计中融合了阴燃类电气火灾(包括电缆,电路板和配电柜)燃烧产物的特征量CO,将各类探测器参数通过模糊神经网络和遗传算法进行融合判定,实现火灾早期报警功能,同时提高了系统的抗误报警能力。

1 应用分析

基于模糊神经网络舰船火灾早期探测报警系统设计思想为了解决现有工程项目中采用空气采样感烟探测器误报警问题。在我国一些大型舰船以及开展的新型消防系统演示验证项目的实施过程中均采用了空气采样感烟探测器,大量火灾场景比对试验以及实际环境的应用结果表明,空气采样感烟探测器对于阴燃类的电气火灾表现出优于其他类型探测器的探测性能,同时也暴露了空气采样感烟探测器响应时间和误报率之间的矛盾,设置的灵敏度过高,容易产生误报警,而灵敏度设置过低一定程度上又削弱了其探测性能,其根本原因在于空气采样感烟探测器是通过单一烟雾特征实现探测报警,无法有效区分例如灰尘、蒸汽、雾霾等干扰源。依据上述应用现状,为了进一步提升舰船火灾早期探测报警系统的性能,结合新型消防系统演示验证深化研究项目提出一种火灾多参量数据融合的早期探测报警系统的设计方法。该方法能够充分发挥空气采样感烟探测器早期探测的特点,同时也能够解决该类探测器误报警的问题,是舰船火灾早期探测报警领域的积极探索。

2 系统设计

基于模糊神经网络的舰船火灾早期探测报警系统主要包括前端的火灾探测器和后端的火灾报警控制器,如图1所示。其中火灾探测器主要由空气采样感烟探测器、感温探测器和CO探测器组成。探测器的数量和类型可以根据保护部位的火灾危险源的分析和判别结果进行选择。空气采样感烟探测器通过485总线进行组网,温度探测器和CO探测器通过电源信号复用的二总线进行通信。火灾报警控制器主要由主CPU、报警扩展卡、回路卡、显示单元组成。火灾探测器和火灾报警控制器通过RS-232串口和回路二总线形式进行通信。火灾报警控制器内部板卡之间通过CAN总线进行通信。

图 1 火灾早期探测报警系统组成图 Fig. 1 Composition of early fire detection and alarm system

其中空气采样感烟探测器为主动吸气式感烟探测器,主要通过布置于保护部位的采样管及毛细管将烟雾抽吸到探测腔从而获得保护部分的烟雾浓度数值,作为火灾早期探测报警系统进行模糊推理的特征量之一。通过组网内的PC-LINK模块采用串口通信的方式将烟雾浓度数据发送给报警扩展卡。

感温探测器主要用来监测环境中的温度变化,对于阴燃类电气火,环境温度不会产生明显的上升,但是作为火灾的典型特征量加入早期探测报警系统作为输入参量,保证了系统在保护部位一旦出现明火和闪燃等现象,能够更加准确地区分火灾类型和实现早期火灾报警。

CO探测器主要用来监测环境中CO的浓度变化。正常环境中,CO含量小于8.7 mg/m3,在厨房等位置CO含量小于17.5 mg/m3,烟雾中CO的含量都在43.6 mg/m3以上。通过实验表明阴燃类的火灾能够产生比明火更多的CO,且CO比烟雾颗粒产生的早且扩散的速度快,所以非常适合于火灾探测,尤其是不易被早期发现的阴燃类火灾的早期探测。同时一氧化碳的密度略轻于空气密度,扩散性比烟雾更强,这些都有利于在船舶顶部的探测。而蒸汽、灰尘、雾霾等不会产生CO,可以将CO作为提高系统抗误报警能力,区分真实火灾和虚假火灾的一个重要参量。温度探测器和CO探测器采用回路二总线的方式将温度数据和CO浓度数据发送给回路卡。火灾报警控制器内部的报警扩展卡和回路卡将获得的烟雾、温度和CO浓度值发送给主CPU, 主CPU主要负责完成将报警扩展卡发送的烟雾浓度参数和回路卡发送的温度和CO浓度参数进行模糊化处理和模糊化推理以及解模糊化,运用遗传算法对神经网络进行训练确定模糊推理系统的相关参数,从而做出是否发生火灾的等级判定。最后将判断的结果通过显示单元进行显示[3]

3 模糊神经网络推理

模糊神经网络推理是火灾早期探测报警系统设计的关键。火灾的发生会同时伴随着温度的上升,烟雾以及早期CO的产生,可以将3个参量都用模糊量表示,图2为火灾早期探测报警系统模糊神经网络的推理过程[4]

图 2 火灾早期探测报警系统模糊神经网络实现方法 Fig. 2 Implement method of fuzzy neural network for early fire detection and alarm system

在该模糊神经网络推理系统中,设输入变量 $ {x_1} $ $ {x_1} $ $ {x_3} $ ,离散论域为 $ \left\{ {0,1,2,3,4,5,6,7,8,9,10} \right\} $ 。设输出语言变量为 $ y $ ,离散论域为 $ \left\{ {0,1,2,3,4,5} \right\} $ 。其中 $ {x_1} $ 为感温探测器监测温度, $ {x_2} $ 为感烟探测器监测烟雾浓度, $ {x_3} $ 为CO探测器监测CO浓度, $ y $ 为火灾报警等级。

描述监测温度 $ {x_1} $ 值的模糊集合为 $ {A_{1i}} $ $i = 1,2,3,4, $ $ 5,6$ ,监测烟雾浓度 $ {x_2} $ 值的模糊集合为 $ {A_{2i}} $ $i = 1,2,3,4, $ $ 5,6$ ,监测CO浓度变量 $ {x_3} $ 值的模糊集合为 $ {A_{3i}} $ $i = 1,2,3, $ $ 4,5,6$ 。火灾报警等级 $ y $ 值的模糊集合为 $ {B_i} $ , $i = 1,2,3,4,5, $ $ 6$ ,分别对应 $ \left\{ Z,L,RL,M,RH,H \right\} $ ,其中 $ Z $ 代表没有可能性, $ L $ 代表可能性低, $ {{RL}} $ 代表可能性较低, $ {{M}} $ 代表可能性中等, $ {{RH}} $ 代表可能性较高, $ {H} $ 代表可能性高。

$ {x_1} $ $ {x_2} $ $ {x_3} $ 的隶属度函数为正态分布函数,即

$ {\mu _{{A_{ij}}}}({x_i}) = \exp \left[ - \left[\frac{{{x_i}{\text{ - }}{a_{ij{\kern 1pt} }}}}{{{b_{ij}}}}\right] {^2} \right]。$ (1)

式中: $ i = 1,2,3 $ ; $ j = 1,2,3,4,5,6 $ $ {a_{ij}} $ 是正太分布函数的中心值, $ {b_{ij}} $ 为宽度。

$ y $ 的隶属度函数为 $ Singleton $ ,即

$ {\mu _{{B_j}}}(y) = \left\{ \begin{aligned} {0,y \ne {d_j}},\\{1,y = {d_j}}。\end{aligned}\right. $ (2)

本模糊系统的推理规则为:

$ {\rm{if}}\; {x_1} = {A_{1i}} \;{\rm{and}}\; {x_2} = {A_{2j}} \;{\rm{and}}\; {x_3} = {A_{3z}} , \;{\rm{then}}\; y = {B_{ijz}} $ (3)

式中: $ i = 1,2,3,4,5,6 $ $ j = 1,2,3,4,5,6 $ $z = 1,2,3,4, 5,6$

本推理系统使用 $ {\text{Sum - product}} $ 函数解模糊,模糊系统的输出为:

$ y = \tfrac{{\displaystyle\sum\limits_{i = 1}^6 {\displaystyle\sum\limits_{j = 1}^6 {\displaystyle\sum\limits_{z = 1}^6 {{d_{ijz}}} {\mu _{{A_{1i}}}}({x_i}){\mu _{{A_{2j}}}}({x_j}){\mu _{{A_{3z}}}}({x_z})} } }}{{\displaystyle\sum\limits_{i = 1}^6 {\displaystyle\sum\limits_{j = 1}^6 {\displaystyle\sum\limits_{z = 1}^6 {{\mu _{{A_{1i}}}}({x_i})} {\mu _{{A_{2j}}}}({x_j}){\mu _{{A_{3z}}}}({x_z})} } }}。$ (4)

构造一个3-18-216-1的4层前向神经网络,第1层3个神经元分别是温度、烟雾浓度、CO浓度的输入,第2层是模糊化层,第3层是模糊推理层,第4层是模糊判决层,判断火灾报警等级。各层的输入输出关系为

第1层:

$ I_i^{(1)} = {x_i} ,$ (5)
$ O_i^{(1)} = I_i^{(1)} i = 1,2,3 ,$ (6)

第2层:

$\begin{aligned} O_{ij}^{(1)} &= {\mu _{{A_{ij}}}}({x_i}) = exp\left[ { - {{\left( {\frac{{{x_i} - {a_{ij{\kern 1pt} }}}}{{{b_{ij}}}}} \right)}^2}} \right] ,\\ j &= 1,2,\cdots,6,\end{aligned}$ (7)

取第1层到第2层的连接权值为1。

第3层:

$ I_{abc}^{(3)} = {\mu _{{A_{1a}}}}({x_1}){\mu _{{A_{2b}}}}({x_2}){\mu _{{A_{3c}}}}({x_3}),$ (8)
$ O_{abc}^{(3)} = I_{abc}^{(3)} a,b,c = 1,2,\cdots,6 ,$ (9)

取第2层到第3层的连接权值为1。

第4层(模糊判决层):

$ {O^{(4)}} = y = \frac{{{I^{(4)}}}}{{\displaystyle\sum\limits_{a = 1}^6 {\displaystyle\sum\limits_{b = 1}^6 {\displaystyle\sum\limits_{c = 1}^6 {O_{abc}^{(3)}} } } }},$ (10)
$ {I^{(4)}} = \sum\limits_{i = 1}^6 {\sum\limits_{j = 1}^6 {\sum\limits_{z = 1}^6 {O_{abc}^{(3)}} {\alpha _{abc}}} } 。$ (11)

式中 $ {\alpha _{abc}} $ 是第3层到第4层的连接权值。

在此前向神经网络中,需要确定 $ {a_{ij{\kern 1pt} }} $ $ {b_{ij}} $ $ {\alpha _{abc}} $ 共252个参数,本文采用遗传算法对神经网络进行训练以确定这些参数[5]

4 软件设计

火灾报警控制器的主CPU负责建立模糊神经网络并实时采集数据判断火灾报警等级。首先依照模糊推理的规则建立含参的模糊神经网络,将训练样本中的温度、烟雾、CO浓度变量代入模糊神经网络进行运算,并利用遗传算法的选择、交换,变异将解得的参数值与实际火灾报警等级进行比较,迭代计算直到模糊神经网络的输出与训练样本中实际报警等级满足误差要求,从而建立完整的模糊神经网络。建立后,主CPU将报警扩展卡及回路控制卡采集到的烟雾、温度、CO浓度数据进行处理后代入模糊神经网络进行运算得到相应的火灾报警等级,判断是否报火警,并在显示单元进行显示。图3为火灾早期探测报警系统工作原理图。

图 3 火灾早期探测报警系统工作原理图 Fig. 3 Working principle diagram of early fire detection and alarm system

该系统软件主要包含2个配置项软件,火灾早期探测报警系统2个配置项软件,第1个配置项是模糊神经网络推理软件,该部分软件采用Matlab进行编码,首先初始化温度、烟雾浓度、一氧化碳浓度输入变量 $ {x_1} $ $ {x_2} $ $ {x_3} $ 与报警等级输出变量 $ y $ ,进行模糊化处理,建立模糊集合 $ {A_{1i}} $ $ {A_{2i}} $ $ {A_{3i}} $ $ {B_i} $ $ i = 1,2,3,4,5,6 $ 。根据模糊集合,选择隶属度函数构造4层模糊神经网络,利用加权平均的方法解模糊,得到待求解矩阵,分别为为3×6矩阵a,3×6矩阵b,36×6矩阵d。构建一个200×252的随机数矩阵N,元素域为[−10,10],将N中相应元素分别代入矩阵abd。将训练样本的温度、烟雾、CO浓度变量 $ {x_1} $ $ {x_2} $ $ {x_3} $ 与矩阵abd中的元素代入模糊神经网络进行训练,利用遗传算法的选择、交换、变异作用对矩阵N进行运算处理,每次运算保留适应度好的元素,生成新的矩阵N,迭代运算直到网络输出结果满足误差要求,解出矩阵abd,从而建立完整的模糊神经网络[6]

第2个配置项是实时火灾判定软件,该部分软件采用LPC系列32位处理器作为硬件开发环境,C语言进行编码,报警扩展卡、回路控制卡及主CPU之间建立CAN总线通信,报警扩展卡、回路控制卡对空气采样感烟探测器、温度探测器及CO探测器发送的数据采集,通过总线将采集信息发送至主CPU进行火灾的综合判断,确定火灾报警等级。图4为火灾判定软件流程图。

图 4 火灾判定软件流程图 Fig. 4 Flow chart of Fire judgment software
5 仿真及结果分析

对模糊神经网络利用遗传算法进行离线训练,模拟电气火灾时空气采样感烟探测器、CO探测器、温度探测器的500组数据,采样周期为1 s,图5为模拟电气火灾时各类传感器数据采集图[7]

图 5 模拟电气火灾传感器数据 Fig. 5 Analog electrical fire sensor data

训练后的系统开展本系统与传统采用空气采样感烟探测器的火灾探测报警系统的仿真试验比对,2个系统加入相同的模拟传感器信号后,通过比对表明火灾早期探测报警系统的火警响应时间更短,传统火灾探测报警系统的火灾报警响应时间更长。图6为火灾早期探测报警系统与传统火灾探测报警系统的火灾响应比对图[8]

图 6 本系统与传统系统火灾响应比对 Fig. 6 Comparison of fire response between the system and traditional system

模拟灰尘环境下空气采样感烟探测器、CO探测器、温度探测器的500组数据,采样周期为1 s,

图7显示了虚假火灾场景下传感器数据采集图。

图 7 模拟虚假火灾时传感器数据 Fig. 7 Sensor data in simulated false fire

当模拟的环境中出现单一的烟雾浓度信号变化时,是一种虚假火灾的现象,例如短时间的扫地导致空气中灰尘浓度的增加,对于火灾早期探测报警系统能够通过多参量融合判定区分出真实火灾和虚假火灾,而对于传统空气采样感烟探测器系统会产生误报警。图8为本系统与传统系统对于虚假火灾的报警响应图,表明了本系统相比较传统火灾探测报警系统,将各类探测器参数通过模糊神经网络进行融合输出判定,有效提高了系统的抗误报警能力。

图 8 本系统与传统系统的虚假火灾比对 Fig. 8 Comparison of false fire between the system and traditional system
6 结 语

基于模糊神经网络多参量融合的火灾探测报警系统充分发挥了空气采样感烟探测器主动探测的优势,同时在系统的输入端加入电气火灾燃烧产物特征量CO,在控制器的主CPU端实现数据融合处理判定,对于电气类火灾的探测报警性能具有改进和提升,能够更早更准确的探测到火灾信号,解决了采用空气采样感烟探测器的火灾探测报警系统误报警问题。

参考文献
[1]
吴龙标, 袁宏永, 火灾探测与控制工程[M]. 北京: 中国科学技术大学出版社, 1999.
[2]
WANG X H, XIAO J M, BAO M Z. A ship alarm system based on fuzzy neural network[C]//Proceedings of the 3rd World Congress on Intelligent Control and Automation, Hefei, China, 2000.1734−1736.
[3]
付永丽, 董爱华. 模糊神经网络在火灾探测系统中的应用研究[J]. 电气技术, 2008(2): 54-57.
[4]
李国勇, 神经模糊控制理论及应用[M]. 北京: 电子工业出版社, 2009.
[5]
王娜, 徐凤荣, 刘海龙. 火灾探测的模糊神经网络数据融合算法[J]. 控制工程, 2007, 14(3): 44-49.
[6]
刘雪飞, 贾勤. 基于模糊神经网络的中庭火灾探测仿真研究[J]. 计算机仿真, 2012, 29(8): 159-162, 259.
[7]
王锡淮, 肖健梅, 鲍敏中. 模糊神经网络和遗传算法结合的船舶火灾探测[J]. 仪器仪表学报, 2001, 22(3): 312-314.
[8]
GOTTUK D T, PEATROSS M J, ROBY R J, et al. Advanced fire detection using multi-signature alarmalgorithms[J]. Fire Safety Journal, 2002, 37(4): 381-394.