基于BP神经网络的机车车辆智能火灾防控系统设计

陈广泰，王佳文，李 争，王晓鸣，黄 飞，王青松

(1.中车大连机车研究所有限公司，大连，116021；2.中国科学技术大学火灾科学国家重点实验室，合肥，230026)

0 引言

机车车辆火灾防控是机车车辆安全运行的重要环节之一。机车车辆内部及运行环境相对比较恶劣，探测系统很难准确判断火情并及时做出反馈，所以一旦发生火灾会造成非常大的经济损失及人员伤亡。

目前，我国机车车辆装备的车载火灾防控系统虽能一定程度的预防和监控机车车辆火灾，但由于缺少机车车辆领域专门的火灾理论，所以存在易误报、故障率高、适应性不强等问题[1,2]。不同的环境会影响机车车辆火灾防控系统对火警的判断[3]，例如：随着海拔高度的变化，电气系统和动力系统，特别是内燃机车机械间的柴油机系统的火灾特性都会有很大的差异；温度湿度的差异和机车车辆内部的恶劣环境条件也都会影响火灾防控系统对火警的识别判断。因此，急需一种能适应机车车辆不同特殊环境，并根据环境的变化来调节火警判断有关参数的系统。

本文根据我国最新的机车车辆防火标准[4]，针对内燃机车火灾风险最大的机械间[5-7]，设计了一种分布式模块化机车车辆智能火灾防控系统，以克服上述技术问题。分布式模块化智能火灾防控系统包括：车载主处理器和多个车载现场处理器，车载主处理器通过BP人工神经网络算法实现对火警的智能识别。

1 模型建立

为了模拟内燃机车机械间的火灾现象，本文选择运行于新加坡的某内燃机车进行建模。根据世界各国广泛应用的铁道车辆车体结构要求[8]，设置内燃机车模型[9]的边界条件如表1所示。模型选取的结构为钢材质，设置结构密度为7 850.0 kg/m3，比热为0.46 kJ/(kg·K)，传导率为45.8 W/(m·K)，放射率为0.95，吸收系数为5.0×104(1/m)。

表1 模型的边界条件Table 1 Boundary conditions of the model

设置模型的排烟口，由内向外排风口共有三个，其中左侧上方两个，设置流量速度为1 m3/s，右侧上方一个，设置流量速度为3 m3/s。设置模型的火源边界条件如表2所示，设置火源的热释放速率为1 388.0 kW/m2。

表2 火源的边界条件Table 2 Boundary conditions of fire source

设置模型的环境温度为20 ℃，环境压力为1.013 25×105Pa，环境氧气质量分数为0.232 378 kg/kg，环境二氧化碳质量分数为5.95×10-4kg/kg，环境相对湿度为40.0%，地面高度为0.0 m，最大可见度为30.0 m；设置感温探测点和感烟探测点位于环境顶端正中央。

其中，如果内燃机车机械间发生火灾，那么机械间的四个角落最下端是最不容易被探测到的，又由于新加坡内燃机车机械间右侧附近有遮挡且右侧上方有通风口，发生火灾后易于通风且不易被探测到，本文为了模拟最恶劣条件，故选择在机械间右侧下方角落处设置火源。根据上述条件进行建模，得到仿真模型如图1所示。

图1 仿真模型Fig. 1 Simulation model

2 系统设计与仿真结果分析

2.1 系统设计

系统由两种硬件设备组成，分别是：装载于机车车辆的车载主处理器以及车载现场处理器。系统组成示意图如图2所示。

图2 系统组成示意图Fig. 2 System composition diagram

车载主处理器采用背板加直插功能板的模块化设计，其功能子板卡包括主处理电路板(CPU)、人机接口(HMI)、网络接口功能板和机车总线功能槽位。所述车载主处理器中各子模块统一为3U标准机箱尺寸，通过背板以CAN总线形式进行通信。CPU模块中的主处理器芯片为ARM10架构CPU，软件系统为嵌入式LINUX操作系统。HMI接口模块的主处理器芯片为STM32系列CPU，无需操作系统。机车总线接口槽位预留两个槽位，可以插入两块机车总线通信模块，可以插入的板卡形式包括基于TRDP的以太网模块、双通道标准CAN通信模块、双通道标准MVB通信模块。4G接口模块为基于标准4G模块芯片开发的板卡，标准4G模块芯片通过STM32系列芯片实现背板的CAN总线通信。车载主处理器安装在机车司机室内，通过触摸屏实现人机交互和火灾报警等功能。

车载现场处理器为基于STM32芯片设计的非标处理器，可根据安装位置不同而具体设计。车载现场处理器直接采集火灾报警相关探测器的探测值并根据车载主处理器提供的火警参数进行火灾报警。车载现场处理器通过控制执行机构进行灭火，与车载主处理器之间采用CAN总线通信方式。

车载主处理器采集的各项参数，包括但不限于：系统时间、海拔高度、经度、纬度、当前车速、柴油机转速(内燃机车)、冷却水温度等参数。车载处理器软件系统为BS软件架构，实现所采集数据的处理、保存和人机交互功能。软件系统运用BP人工神经网络算法以车载主处理器上传的数据为样本，进行BP人工神经网络算法的自学习[10]。所述软件系统结合以往的数据，对BP人工神经网络算法不断地进行训练，从而计算出机车车辆在不同环境下的火灾预警参数。软件系统提供友好的人机界面，可以按车型、车号或列车运行区间分类对数据进行管理和图形化显示。

2.2 车载主处理器软件设计

车载主处理器运行嵌入式软件实现BP人工神经网络的计算，通过网络计算结果得到火警判断结果。

车载现场处理器用于接收多个传感器发送的环境参数，然后传递给车载主处理器。所述环境参数包括：温度、烟气浓度、海拔高度和列车速度，根据环境参数获得火灾等级[11]。

采用线性函数将原始环境参数进行归一化处理[12]，归一化公式如下：

(1)

其中:xnorm为归一化后的环境参数，xi为原始环境参数，xmax、xmin分别为所述环境参数的最大值和最小值。

具体而言，本文采用线性函数将原始数据线性化转换到[0 1]范围，归一化处理的环境参数为神经网络输入矩阵，环境参数的矩阵为[x1,x2,x3,x4]，其中x1、x2、x3、x4分别表示温度、烟气浓度、海拔高度和列车速度。其中，当i=1和2时，环境参数分别对应为温度和烟气浓度，归一化公式为公式(1)。

当i=3时，环境参数对应为海拔高度，海拔高度对应两种车型：平原车型和高原车型。平原车型对应的归一化公式为：

(2)

高原车型对应的归一化公式为：

(3)

当i=4时，环境参数对应为机车或动车速度，机车或动车速度可划分为：普速机车、160 km/h高速机车、250 km/h动车组和350 km/h动车组等。

普速机车对应的归一化公式为：

(4)

160 km/h高速机车对应的归一化公式为：

(5)

250 km/h动车组对应的归一化公式为：

(6)

350 km/h动车组对应的归一化公式为：

(7)

采用神经元激发函数为：

(8)

神经网络输出函数为：

(9)

计算火灾风险等级：

(10)

其中，S为风险等级，τ为影响因数。

2.3 BP人工神经网络设计

车载主处理器软件系统接收的所述环境参数和火灾等级，将所述环境参数和火灾等级进行存储，并根据所述环境参数、历史环境参数、所述火灾参数和所述火灾历史数据训练BP人工神经网络，从而得到所述环境参数对火灾等级的权重值，并将所述权重值发送至所述车载主处理器[13]。

本文设计三层人工神经网络算法，根据以往列车运行数据，得到了相应的权重矩阵，权重矩阵决定网络中各级节点的输出进而影响人工神经网络的最终输出[14]，数据如下：

本文根据以往列车运行数据，以百分比的形式得到温度、烟气浓度、海拔高度和列车速度所占火灾影响比例分别为35%、50%、5%以及10%，因此可以得到温度、烟气浓度、海拔高度和列车速度的影响因数矩阵[0.35,0.5,0.05,0.1]。

本文根据不同的风险内容，由大量的列车运行数据得到相应的风险等级系数[15]，并以此来完成火灾风险等级表。表3为火灾风险等级表，对应该表可以确定机车车辆在不同风险等级下，机车车辆所处的火灾风险状态。

表3 火灾风险等级表Table 3 Fire risk level table

2.4 模型数据分析

对上文搭建的模型进行仿真，测得环境内探测点随时间变化的温度曲线和烟气浓度曲线。感温探测点随时间变化的温度曲线示意图如图3所示，感烟探测点随时间变化的烟气浓度曲线示意图如图4所示。

图3 感温探测点随时间变化的温度曲线示意图Fig. 3 Schematic diagram of temperature curve of temperature sensing detection point changing with time

图4 感烟探测点随时间变化的烟气浓度曲线示意图Fig. 4 Schematic diagram of smoke concentration curve of smoke detection point changing with time

由于本文主要探究火灾防控系统的探测能力，所以随机选取前期温度平稳期的两个点(5.1 s,35 s)，温度升高期的四个点(37.1 s、44 s、50 s、51.9 s)以及温度达到最高的一个点(62.4 s)。根据图3、图4中对应相同时间的这七个点，得到[时间(s),温度(℃),烟气浓度(mol/mol)]数据分别为[5.1,20,9.84×10-20]，[35,20.4,1.25×10-4]，[37.1,31.5,1.29×10-3]，[44,51.5,2.72×10-3]，[50,90.1,4.27×10-3]，[51.9,106,4.69×10-3]， [62.4,150,5.97×10-3]。

根据实际情况，该型内燃机车在新加坡运行，通过调查资料发现，新加坡多为平地，海拔平均15 m，且最高点海拔仅163 m[16]，因此所选环境参数应对应平原车型，根据公式(2)得出海拔高度对应的归一化参数为0.006。实例中内燃机车行驶速度为81.6 km/h，则根据公式(4)得出内燃机车行驶速度对应的归一化参数为0.68。

则输入矩阵为：[0,0.000 1,0.006,0.68]、[0.003,0.018 1,0.006,0.68]、[0.087 1,0.186 4,0.006,0.68]、[0.238 6,0.393 1,0.006,0.68]、[0.531 1,0.617 1,0.006,0.68]、[0.654 5,0.677 8，0.006,0.68]、[0.984 8,0.862 7,0.006,0.68]。

设计三层人工神经网络算法，采用上文所述权重，对所采集的七个点数据进行计算，得到神经元激发函数的输出值分别为：[0.003 1,0.405,0.182 9,0.670 8]、[0.020 6,0.423 1,0.201,0.689]、[0.184 6,0.591 8,0.369 8,0.862]、[0.386 3,0.799 3,0.577 4,1.077 5]、[0.605 8,1.024 8,0.803 3,1.319]、[0.665 6,1.086 1,0.864 9,1.387 2]、[0.847 5,1.272 7, 1.052 1,1.592 2]。

采用上文所述神经网络输出函数公式(9)，将神经元激发函数的输出值作为神经网络输出函数的输入，计算得到矩阵为：[0.001 5,0.243,0.099 8,0.443 8]、[0.010 4,0.255 7,0.110 6,0.458 7]、[0.100 8,0.381,0.218 7,0.606]、[0.23,0.551 3,0.369 8,0.803 8]、[0.391 9,0.754 1,0.554 8,1.040 7]、[0.439 7,0.812,0.608 6,1.11]、[0.593 3,0.994 2, 0.779 8, 1.323]。

该矩阵与影响矩阵[0.35,0.5,0.05,0.1]相乘，得到火灾等级分别为0.171 4、0.182 9、0.297 3、0.455 0、0.646 1、0.701 3、0.876 1。

根据火灾风险等级表，分别对应表示了机车车辆运行中从无火灾风险到火灾风险逐步增高，再到阴燃状态、探测器报警及明火产生，直至传感器失灵的全过程。

根据火灾风险等级表，风险等级在0.4以上就具备火灾风险等级较高特点，此时探测器须提供初步预警；风险等级在0.6以上就具备阴燃的特点，此时探测器须提供完全预警；风险等级在0.8以上，温度到达监控介质燃点，探测器报警，明火产生；风险等级在0.9以上，传感器失灵。

仿真证明了BP人工神经网络算法设计的正确，结合火灾风险等级表，能更好、更精确地对火警进行智能识别，提前预警及报警，能够避免火情的发展，扼杀火灾隐患于摇篮之中，从而实现机车车辆的安全运行，保障人员及财产的安全。

3 结语

分布式模块化设计使得机车车辆火灾防控系统的各控制单元根据各种机车车辆灵活配置，且可靠性高。火灾防控系统通过车载服务器的BP人工神经网络设计，可以实现不同机车车辆车型在不同运用环境下火灾报警识别的自调整。经仿真验证，本系统的BP人工神经网络算法设计正确，能精确地对火警进行智能识别，同时该系统应用的越广泛，可提供车载服务器的训练样本就越多，其火灾报警的准确性就会越高，可更好地保障机车车辆运行安全。