0 引　言

船舶火灾爆炸是指船舶发生火灾后，由于燃料、气体或其他可燃物质的爆炸而造成的事故。这种事故可能导致船舶严重受损、人员伤亡和环境污染。船舶火灾爆炸的原因多种多样，包括但不限于以下几种：

1）电气故障。电线老化、短路或电器设备故障可能导致火灾爆炸。

2）燃料泄漏。燃料泄漏可能引发火灾，并在紧闭空间中积聚可燃气体，一旦遇到火源就可能发生爆炸。

3）火源不当使用。吸烟或使用明火等不当行为可能引发火灾。

船舶火灾爆炸的危险程度很高，建立船舶火灾爆炸危险性评估与预警系统十分必要。本文建立船舶火灾爆炸的故障树，并结合多传感器数据融合技术开发了船舶火灾爆炸的多传感器融合预警系统。

1 船舶火灾爆炸的故障树分析与故障树建模

故障树分析法（FTA）是一种系统性的故障分析方法，用于识别和分析导致系统故障的可能原因和路径。通过将系统故障分解为不同的事件和逻辑关系，构建故障树来表示系统故障的逻辑结构。故障树由事件和逻辑门组成。事件表示系统中可能发生的故障或失效，逻辑门用于描述事件之间的逻辑关系。常用的逻辑门包括与门、或门和非门。故障树分析步骤包括：

1）确定故障树的目标，即要分析的系统故障。

2）识别可能导致系统故障的基本事件^[1]。

3）确定基本事件之间的逻辑关系，并使用逻辑门进行组合。

4）绘制故障树图，表示故障事件之间的逻辑关系。

5）对故障树进行定量或定性分析，计算系统故障的概率或可能性。

6）根据分析结果，提出相应的改进措施，减少系统故障的发生概率。

故障树分析法的流程如图1所示。

船舶火灾爆炸事故的故障树分析法建立关键环节包括：

1）确定顶事件

船舶火灾爆炸事故的顶事件需要说明的是，故障树中不考虑火灾爆炸的严重程度，只要能引起船舶火灾爆炸的原因都要考虑；由于船体的结构复杂，顶事件不对火灾爆炸发生区域进行限制，凡是某一个舱室出现火灾，都属于顶事件。

2）确定二级、三级子系统事件

这些事件会间接导致船舶火灾爆炸事故的发生。

图2为船舶火灾爆炸事故的故障树。

在该故障树中，T为顶事件，是指船舶发生火灾爆炸事故，A为中间原因，代表船舶子系统或区域出现火灾；B1代表滤油器火灾爆炸，B2代表动力系统火灾，B3代表船体舱室火灾，B4代表电气设备火灾爆炸，A2~A6分别代表泵组火灾、阀类火灾、液压缸起火、密封结构起火和船舵起火。X1~X7是故障树的底层节点，分别代表润滑脂起火、外来火源、短路起火、断路起火、燃油起火、燃气起火爆炸、液压油起火。

2 船舶火灾爆炸的多传感器融合预警系统 2.1 多传感器数据融合系统整体设计

由于船舶火灾爆炸会引发严重的后果，本文结合多传感器融合技术，建立船舶火灾爆炸的危险性评估和预警系统。

基于多传感器融合的火灾爆炸预警系统设计包括以下步骤：

1）传感器选择。根据船舶火灾预警的需求，选择合适的传感器，如温度传感器、烟雾传感器、气体传感器等。

2）数据采集。将温度传感器、烟雾传感器、气体传感器等传感器采集到的数据传输到预警系统的中央处理单元，可以通过有线或无线方式进行传输。

3）数据处理。系统的处理单元对传感器采集到的原始数据进行预处理，包括数据校正、滤波、去噪等操作，以提高数据的准确性和可靠性。然后将经过预处理的多个传感器数据进行融合，可以采用加权平均、最大值、最小值等方法，得到综合的火灾预警数据。采用规则基础的方法、机器学习方法或深度学习方法等，以判断是否存在火灾风险。

4）预警输出。根据预警算法的结果，将预警信息输出给船舶上的相关人员，可以通过声音、光信号、文字信息等方式进行预警。

多传感器融合的预警系统数据处理流程如图3所示。

可知，多传感器融合的预警系统数据处理关键环节包括传感器输入、数据校正、相关性分析、参数估计和目标识别、危险性估计等^[2]。

1）数据校正

预警系统的处理单元对传感器数据进行校正，以消除传感器之间的误差和偏差，校正可以通过校准传感器、使用校准模型或者进行数据处理来实现，数据校正的目的是提高传感器采集数据的准确度，为火灾爆炸风险评估提高准确性。

2）关性分析

指对多个传感器数据之间的相关性进行分析，以确定它们之间的关系和相互作用。通过相关性分析，可以发现传感器数据之间的潜在模式和规律，当船体出现火灾和保障信号时，温度传感器、烟雾传感器理论上应该同时发现异常信号，通过相关性分析可以提高火灾爆炸风险评估的准确度。

2.2 火灾爆炸预警系统的多传感器融合加权算法

针对船舶火灾爆炸预警系统的多传感器融合算法，本文采用一种基于误差的自适应加权融合算法，原理如下：

假设船舶火灾爆炸预警系统中共有m个传感器，采集的数据 $ {X_i}\left( {i = 1,2,...,n} \right) $ ，相邻数据的误差不高于门限值 $ \varepsilon $ (与传感器的测量精度有关)，可得：

$ \begin{gathered} \left| {{X_2} - {X_1}} \right| \leqslant \varepsilon，\\ \left| {{X_3} - {X_1}} \right| \leqslant \varepsilon，\\ \left| {{X_{M + 1}} - {X_M}} \right| \leqslant \varepsilon。\\ \end{gathered} $

在预警系统中定义第j个传感器的监测值为：

$ {Y_i}\left( t \right) = Y\left( t \right) + n\left( t \right) \text{。} $

$ n\left( t \right) $ 为信号的白噪声，若传感器监测的值准确且相互独立，则Y的估计公式可写为：

$ \hat Y = \sum\limits_{j = 1}^N {{W_j}} {Y_j} \text{，} $

式中， $ {W_j} $ 为加权系数， $ \displaystyle\sum\limits_{j = 1}^N {{W_j}} = 1 $ 。

信号的估计方差为：

$ {\sigma ^2} = \sum\limits_{j = 1}^N {W_j^2} \sigma _j^2 \text{。} $

式中， $ \sigma _j^2 $ 为第j个传感器采集信号的白噪声方差。

假设传感器的加权系数一致，则估计方差可写为：

$ \sigma _k^2 = \frac{1}{{{N^2}}}\sum\limits_{j = 1}^N {\sigma _j^2} 。$

可得多传感器融合算法的加权平均算法函数为：

$ f\left( {{W_j}} \right) = \sum\limits_{j = 1}^N {W_j^2} \sigma _j^2 + \lambda \left( {\sum\limits_{j = 1}^N {{W_j}} - 1} \right) 。$

图4为火灾预警系统的多传感器加权融合算法原理。

图中，传感器组共有n组，每组分别包括温度、烟雾和CO传感器，通过加权融合局部处理后进入数据处理中心。

3 在线式船舶火灾爆炸危险评估与预警系统平台 3.1 平台功能设计

在线式船舶火灾爆炸危险评估与预警系统平台开发是用于帮助船舶进行实时火灾和爆炸危险评估，并提供预警功能。该系统可以通过实时监测船舶的各种参数和传感器数据，对火灾和爆炸危险进行评估，并在危险发生前提供预警信息^[3]，以便采取相应的措施来避免事故的发生。

系统功能框图如图5所示。

可知，在线式船舶火灾爆炸危险评估与预警系统平台分为操作模块、本体解析模块、火灾危险性评估模块和辅助功能模块，操作模块的功能包括界面修改、用户登录、数据存储等；本体解析模块包括故障树导入、数据录入等；火灾危险性评估模块的功能包括评估推理等。

3.2 数据库搭建与平台使用逻辑规则

在建立船舶火灾爆炸风险评估与预警系统的数据库时，采用了Oracle数据库，这是一种关系型数据库管理系统（RDBMS），其工作原理可以概括为以下几个步骤：

1）连接管理。当一个用户连接到Oracle数据库时，数据库会验证用户的身份和权限。如果验证通过，用户将获得一个会话（session）来访问数据库。

2）SQL解析和优化。用户通过SQL语句来操作数据库，数据库会对SQL语句进行解析和优化。解析过程将SQL语句分解为语法树，并检查语法的正确性。优化过程将选择最优的执行计划来执行SQL语句。

3）执行管理。一旦SQL语句被解析和优化，数据库将生成一个执行计划，该计划描述了如何执行SQL语句。数据库将执行SQL语句并访问相关的数据。这可能涉及到读取、插入、更新或删除数据等操作。数据库会确保数据的一致性和完整性。

在线式船舶火灾爆炸危险评估与预警系统平台的Oracle实例包括用户进程、服务进程、网络、共享池、网关、日志缓冲区等^[4]，功能结构图如图6所示。

用户在使用在线式船舶火灾爆炸危险评估与预警系统平台时的逻辑图如图7所示。用户通过查询层进行数据分析和故障树获取，通过推理机层获取系统的多传感器融合模型和风险评估模型，从本体层获取火灾爆炸的原因。

4 结　语

本文针对船舶火灾爆炸风险性评估和预警系统进行详细研究，构建了火灾爆炸的故障树，结合多传感器融合模型和风险评估模型，实现了在线式的船舶火灾爆炸事故风险性预测。