基于模糊神经网络的船舶多传感器火灾发现算法

邓 洁，詹 锋

(1.广西工商职业技术学院，广西 南宁530008;2.广西大学，广西 南宁530004)

0 引 言

船舶火灾发现与警报系统的目的在于，在火灾发生的初期探测到火灾，并给出准确可靠的预警和警报信号。传统的船舶火灾探测系统通常采用单传感器模式，依据一些简单的逻辑进行火灾的探测和判断，当传感器采集的数据超过一定的门限值时，发出发现火灾的判断。然而，在船舶航行过程中，往往需要面对较为严苛和多变的海上环境，因而导致单传感器火灾探测系统的可靠性较低，为航行安全埋下了隐患。

为解决以上问题，本文提出一种基于模糊神经网络的船舶多传感器火灾发现机制［1-3］。使用多传感器模式，能够提供更多的附加环境信息，从而减少火灾的误报率，提高系统的准确性。本文主要采用2 种传感器:温度传感器和烟雾传感器［4］，因而主要关注温度和烟雾浓度2 种参数。通过传感器采集到的信息，进而由模糊神经网络进行处理和推断，最终得出火灾是否发生的判断。

1 火灾发现算法

1.1 模糊推断系统

本文提出的基于模糊神经网络的多传感器火灾发现算法框架如图1所示。

图1 基本框架图Fig.1 The main structure of the system

在系统中，输入温度为x1，烟雾浓度为x2，输出火灾等级为y。在系统工作过程中，分别获得多个传感器采集到的信息，通过信号处理，作为模糊神经网络的输入;将采集的信号进行模糊化，模糊化的作用是将精确量转化为模糊化量，经过处理之后的模糊化量作为模糊神经网络的输入，在推理规则的配合下，神经网络得出期望的结果;通过解模糊过程，将得到的模糊化量转化为系统能够理解的精确控制量;最终得到确切的火灾等级。

1.2 多等级火灾预警模式

在传统的火灾预警和控制系统中，通常采用单一的火灾预警模式，当传感器数据达到某一门限值时，就向中央控制系统发送火灾预警信号。采用这种方式存在2个主要问题:一是容易产生漏报，在火灾发生初期，可能某些指标已经超过了门限，而另一些指标却变化不够明显，从而可能产生火灾的漏报。然而，如果将门限值设置的较低，则亦有可能发生错报，因为当门限较低时，单一数据的波动有可能使系统误以为火灾的发生;二是难以了解火势的发展，通过传统的火灾预警模式，船员仅仅能够知道船舶是否发生火灾，而并不知道火势发展的程度，因而可能拖延制定灾控方案的时间。

为克服以上缺点，本文在采用多种传感器的同时，也采用多火灾等级判定方法。共定义5个火灾等级:等级1～等级5 表示，火灾的发展势头依次增强。另有等级0 表示故障。

火灾的等级判定由烟雾浓度数据和温度数据共同决定，具体的判定工作将由本文设计的模糊神经网络进行判断。通过不同的等级，船员可以判断当前火灾处于发展的初期，还是已经发展到较大规模，从而采用不同的应对方案，充分提高火灾预警的精确度和时效性。

2 模糊神经网络设计

在本节中，将对本文中使用的模糊神经网络和推理的方法进行研究。在本文中，参数的分析和处理由一个4 层的神经网络完成，每层的节点数目分别为2，12，36和1。在第1 层中，2个节点主要用来接收温度和烟雾浓度数据，作为神经网络的输入;第2 层的节点用于数据模糊化;第3 层节点进行模糊推理;第4 层节点实现解模糊，并最终输出结果［5-6］。神经网络的结构如图2所示。

图2 模糊神经网络结构Fig.2 The structure of fuzzy neural network

分别假设O(k)和I(k)分别为第k 层节点的输出和输入，则每层节点的函数可按照以下规则计算得出。

第1 层:在第1 层中，神经网络接收数据之后，并不做计算和处理，仅仅将接收到的温度和烟雾浓度数据传递给下一层的各个节点，因而可得出本层的计算函数为:

其中xi(i=1，2)分别为2个节点接收到的数据。

第2 层:第2 层中的每个节点对应于某个特定的第1 层数据变量的语言标度。也就是说，输入数据与模糊集合之间的隶属度，在第2 层中进行计算。通过使用高斯归属函数，第2 层的计算函数为:

第3 层:在第3 层中，每个节点代表一个模糊逻辑规则，并执行规则的前件匹配，因而第3 层的函数可表示为:

在第3 层中，利用第2 层模糊化的数据，配合推理规则进行判断。

第4 层:在第3 层中，各个节点通过各自的模糊推理规则，作出了判断，在第4 层中，将这些判断集成起来，并且执行解模糊操作。因而第4 层的函数可表示为以下形式:

其中ypq为第3 层输出到第4 层输入的权值。

因此，目标函数可以设置为:

式中:η(t)为t 时间内的学习速率;β(t)为动量系数。

3 实验与仿真

本文采用船舶引擎监视系统、船舶环境监视系统等产生的传感器数据，对温度和烟雾浓度数据进行采集和滤波，产生神经网络的输入信号，并观察和记录产生的火灾警报。其中神经网络的输出平面如图3所示［7］。

根据我国消防规范测试数据，设计本文采用的测试数据，其中烟雾浓度数据和温度的归一化数据如图4所示。

图3 神经网络输出平面Fig.3 The output surface of the neural network

图4 烟雾浓度与温度数据Fig.4 The data of smoke density and temperature

如图4所示，在火灾发生初期，由于未见明火，因而温度上升并不明显，而此时由于火焰处于闷烧状态，烟雾浓度已经有了明显的升高，采用单传感器的模式时，在火灾发生初期时，有可能会产生漏报的情况。而利用本文提出的方法，可以得出神经网络的输出值如图5所示。

从图4的结果可以看出，在1 000 s～1 500 s 之间时，烟雾浓度有了明显的升高，然而温度却没有变化，表明火灾发生，然而仍然处于初期。于此同时，图5 显示，在相同时间段内，神经网络的数据结果表明火灾的发生等级为5，比较准确地判断出了火灾的发生，证明了本文提出的方法具有较高的准确性和良好的使用效率。

图5 神经网络输出数据Fig.5 The output data of neural network

当火灾发生时，温度和烟雾浓度均有明显的升高，为了测试在火灾中期本文提出方法的灵敏度和精确度，同样依照我国消防规范测试数据，设计了实验数据，如图6所示。

图6 烟雾浓度与温度数据Fig.6 The data of smoke density and temperature

由图6 可以看出，随着时间的变化，火势的发展程度各不相同，并体现在温度和烟雾浓度上，此时，烟雾浓度和温度数据均由较大的波动，需要根据数据的波动灵活和精确地判断火势的发展，并给出正确的判断和预警。

神经网络输出如图7所示。

图7 神经网络输出火灾等级Fig.7 Output fire grade of neural network

从图7 可看出，随着采集数据的波动，采用本文方法能够较为快速和精确地判断出火灾的等级，说明本文提出的方法具有较好的灵活性和精确性。

4 结 语

船舶火灾预警是一个非结构化的问题，因而难以使用精确严格的数学模型进行描述。在实际应用场景中，火灾的各项特征和指标随着火灾的发展和环境的影响而不断变换，具有较大的动态性和不确定性，因而，为了实现较为有效的火灾探测，需要采用神经网络的方法进行解决。

本文提出了一种基于模糊神经网络的船舶多传感器火灾发现算法，对采集到的烟雾浓度和温度数据进行过滤后，作为模糊神经网络的输入，通过模糊化、推理、解模糊的过程，得到最终的火灾等级。该方法具有良好的容错性和灵活性，并能够使用较为简单清晰的推理规则，避免了使用单一门限进行判断的弊端，较为有效地模拟了人类决策的过程，并通过实验和仿真进行了验证，证明了该方法的有效性。

［1］NAKANISHI S，NONIURA J.Intelligent fire warning system applying fuzzy theory ［C］//Proceedings of 2001 International Conference on Industrial Electronic，Control and Instrumentation，Washington:CRC Press，2001:489-496.

［2］陈建华，陈卫红，刘科.基于模糊神经网络的一种船舶碰撞危险度计算方法［J］.舰船科学技术，2008，30(2):121-126.

［3］ZHANG Qing，WANG Shu.A fire detection system based on ART- 2 neural- fuzzy network，proceedings of the fourth international conference on signal processing［C］//USA:IEEE Press，1998:1355-1358.

［4］MULLER H C，FISCHER A.A robust fire detection algorithm for temperature and optical smoke density using fuzzy logic［C］//Proceedings of 29″ IEEE International Conference on Security Technology，USA:IEEE Press，2009:197-204.

［5］OKAYAINA Y.A primitive study of a fire detectionmethod controlled by artificial neural network［J］.Fire Safety Journal，1991(6):535-553.

［6］NAKANISHI S.Intelligent fire warning system using fuzzy technology［J］.Journal of Japan Society for Fuzzy Theory and Systems，2003(51):95-107.

［7］姚绪梁，蔡晶.一种船舶舱室火灾连锁报警等级评估方法［J］.舰船科学技术，2013，35(8):156-161.