基于数字锁相技术的飞机货舱火灾烟雾光学参数方法研究*

韩 宙，熊 枭，郝朝龙，陈 达，张 伟

(1.中国民航大学 安全科学与工程学院，天津 300300；2.中国民航大学 天津市民航能源环境与绿色发展工程研究中心，天津 300300)

0 引言

民航飞机火灾具有火源不易发现、疏散困难、人员伤亡不可控等特点[1]。民航飞机一旦出现货舱火警，机组成员无法判定火情真伪，必须执行迫降或返航程序，极易造成乘客人身安全事故和经济损失[2]。目前，飞机货舱火灾预警多采用光电探测装置，普遍存在着光学散射信号微弱、易受背景杂光干扰、非火灾颗粒辨识能力低等问题，导致误报、漏报频发，无法满足日益增长的民航运输安全需求[3-5]。

诸多学者已经在飞机火灾光学探测领域做了大量研究，其中Thomas等[6]在2001年研究了气体、烟雾和温度等参数在火灾中的变化情况。2010年Kerr[7]研究了探测角度对火灾探测的影响，并将不同探测角度获得的信息进行融合用于火灾预警。金志成等[8]在2012年同时采用离子感烟和光电感烟2种探测方式避免漏报问题，并采用表决系统减少误报。Philipp等[9]在2014年采用红外与绿光双波长探测设计提升预警准确度。王殊等[10]设计了双波长火灾烟雾探测器，可以区分大小不同粒径的火灾烟雾气溶胶和大粒径干扰粒子。蒋亚龙等[11]以近红外激光为光源，结合波长调制技术和谐波检测技术建立了火灾复合探测模型。何永勃等[12]设计了烟雾、温度和气体复合型火灾探测系统，采用神经网络算法提升烟雾探测能力。

以上研究虽取得很大进展，但光学检测技术应用于火灾早期预警领域，仍存在着散射信号微弱、易受背景杂光干扰，对1 μm以上的非火灾气溶胶(灰尘和水雾)的响应更灵敏等问题，无法实现精准预警。本文提出采用基于数字锁相技术的火灾烟雾双波长光学探测技术[13]，提取特征频率的微弱光学信号，避免空间杂光对有效光学信号的干扰，从而提升光学烟雾探测整体信噪比；同时，利用近红外、蓝光双波长和前后双向测量模式对不同气溶胶颗粒的散射差异，并采用BP神经网络对数据进行分析，准确区分火灾与非火灾光学信号，提高民航飞机火警光学检测准确度。

1 探测系统设计及实验内容

1.1 系统设计

基于数字锁相放大技术的火灾烟雾双波长光学探测系统示意图如图1所示，主要由光源系统、光学迷宫、检测处理系统组成。

图1 基于数字锁相技术的火灾光学探测系统示意

此系统可实现双波长调制信号测量，双通道数据采集以及并行数字锁相处理等功能。为了有效地区分火灾和非火灾气溶胶，光源系统采用λ1=465 nm和λ2=940 nm的2个LED(LED465E，20 mW；LED940E，18 mW；美国Thorlabs)作为蓝光和近红外光源，利用数字频率发生器(Direct Digital Synthesizer，DDS，AD9833，美国Analog Device Inc)生成1，1.5 kHz正弦信号分别驱动蓝光和近红外光LED输出按相应频率变化的入射光。

在光学迷宫中，入射光照射气溶胶颗粒生成散射光，为了获得丰富的散射信息，在光路中采用前、后双向散射测量设计，如图2所示。一对硅光电二极管(FD11A，美国Thorlabs Inc)作为光电探测器，在光学迷宫相对分布，接收微弱散射光信号。近红外光和蓝光LED对称地置于光电探测器连线两侧，与光电探测器构成θ1=135°和θ2=45°的夹角，满足θ1>90°>θ2，实现前后双向散射测量。数据采集卡(DAQUSB-6251，美国NI Inc)用于收集电信号实现双通道同步测量。考虑到气溶胶散射作用及光电二极管的灵敏度，经探测器放大的信号依然微弱，通过滤波放大处理，以提高数据采集的有效性[14]。

图2 双波长光学前后双向测量原理

1.2 实验内容

实验在模拟飞机货舱燃烧室进行，外加测量设备及数据采集系统构成整体实验系统，如图3所示。

图3 火灾检测实验系统示意

采用的阴燃起火材料为常见的棉绳和纸板(颗粒尺寸小于1 μm)，选用超细固态粉体和空气加湿器产生的水雾模拟货舱中的灰尘、冷链运输时的水汽作为干扰源，具体内容见表1。

表1 实验内容

具体实验过程如下：

1)棉绳：10根长100 mm，直径5 mm的干燥棉绳，将其一端固定并悬挂起来，在另一端点火，将所有棉绳点燃后，使其保持无明火且持续阴燃的状态方可开始实验；

2)纸板：将4块纸板按照同样方式固定，在纸板下端点火并熄灭火焰，使其保持持续冒烟，实验所有纸板被点燃后开始进行探测实验；

3)水雾：由超声雾化加湿器生成水雾向上方吹送，以此模拟冷链运输、货舱突然压降或降温后弥漫在空间内的雾气，水雾中水滴颗粒尺寸约为10 μm；

4)灰尘：通过使用气溶胶发生器定量输送超细固态粉体来模拟灰尘干扰源，其粒径尺寸大于火灾气溶胶颗粒(<1 μm)、而小于10 μm。

为确保实验数据有效性，每种材料进行10次采样实验。每次采样实验中每3 s采集1次光电信号数据，且每次采样实验结束后，须将抽风机打开通风排烟，待烟雾排除完毕后，将燃烧室内清理干净，方可进行下一次实验，以免燃烧室内残留烟雾及燃烧产生的碎屑对实验探测造成干扰，实验情景如图4所示。

图4 实验场景

为了验证提出的基于数字锁相技术的火灾烟雾光学探测方法的有效性，在进行上述实验的同时，利用现有的传统光学烟雾、温度和CO气体复合式烟雾探测器采集相关数据，作为参照实验进行后续对比分析。

2 实验分析

2.1 实验数据处理

采集到PC机内的离散信号如式(1)所示：

(1)

式中：A0为直流分量；An为2个调制频率fn(n=1,2)的谐波幅度，V；fs为采样频率，Hz；φk为相位，°。其满足如式(2)所示：

(2)

式中：Ns为数据采集卡设定的采样点数。后续实验中分别采用1，1.5 kHz 2个频率调制蓝光和红外光光源，数据采集卡采样频率为250 kHz，采样点个数Ns为1×104。

对采集到的数据进行双波长光学信号的数字锁相检测处理，此过程通过离散傅里叶变换实现，具体如式(3)所示：

(3)

式中：Ns为采样点数；fs为采样频率，Hz；M(x)为采集的离散信号。

得到代表光强信息的被测电信号幅度值如式(4)所示：

(4)

式中：Xi和Yi为离散傅里叶变换处理后的信号。

数据采样取实验数据作为真实数据，采用快速傅里叶变换(Fast Fourier Transform，FFT)算法对时域光学信号进行离散傅里叶变换，得到光学信号的幅度谱，微弱光学信号提取如图5所示。根据调制频率提取相应位置的幅度数值，完成数字锁相放大信号提取，降低环境杂散光和背景噪声的影响。

图5 微弱光学信号提取示意

2.2 火灾烟雾光学检测参数

根据前人对粒子粒径的研究可知，火灾烟雾粒子粒径大多小于1 μm，属于小粒径粒子；而影响烟雾探测器的干扰源如水汽、灰尘等的粒子粒径大多大于5 μm，属于大粒径粒子，如表2所示。

表2 颗粒粒径

当入射光为自然光时，根据米氏散射[15]原理，散射光强IP如式(5)所示：

(5)

式中：I0为入射光强，cd；λ为入射光波长，nm；l为探测点与粒子之间的距离，μm；θ为散射角度，°；i1(θ)，i2(θ)为关于散射角度的强度函数。

由式(5)可知，当干扰源颗粒发生散射且粒子粒径和周围环境一定时，蓝光散射强度与红外光散射强度的比值与入射光波长成正比，根据本文选取的入射光波长(465，940 nm)可得二者比值较小，约为0.25；而当火灾烟雾粒子发生散射时，由于其属于小粒径粒子，瑞利散射起到主要作用[15]，散射光强与入射光波长的4次方成反比，蓝光和红外光散射强度的比值较大，约为16.7。因此，可以对比分析探测到的蓝光和红外光信号来区分火烟雾颗粒和干扰源颗粒。为此，本文提出利用2种光学信号参数对火灾烟雾气溶胶和干扰源气溶胶进行区分，具体如下：

1)同一波长下的不对称比

同一波长下的光学信号数据，采用前后向散射角度的不对称光强比[16](Asymmetry Ratio,AR)作为指标，可以有效消除光源波长、偏振性和光电探测器量子效率差异的影响，不对称比表示如式(6)所示：

(6)

式中：Is为散射光强度，cd；Aλi为相应的电学信号幅值，mV；λi为入射波长，nm。

2)同一角度下的双波长光强比

不同种类的气溶胶在不同入射波长和不同探测角度的光散射信号是不同的，根据Mie散射理论，相同条件下不同波长散射信号存在明显分布特征[17]，本文采用同一角度下的双波长光强比(Dual-Wavelength Intensity Ratio,DWIR)来进一步标定火灾与非火灾气溶胶种类差异，双波长光强比表示如式(7)所示：

(7)

2.3 BP神经网络算法

本文以BP神经网络算法对2种光学检测参数和参照实验中的烟雾、温度、CO气体数据进行分析处理[18]，通过BP神经网络对气溶胶颗粒进一步研判，提升火灾探测能力。

3 测试结果

3.1 同一波长下的不对称比

对采集到的数据进行处理，对4种材料的不对称比进行分析。结果如图6～7所示，在2种波长光条件下4种材料的散射信号均以前向散射为主，符合Mie散射理论。

其中棉绳和纸板阴燃的AR处于较高水平，仅有较小波动，不随前向光学散射信号增强(颗粒浓度升高)剧烈变化，整体呈现平稳状态。如图6(a)和图7(a)所示，在2个波长下，棉绳烟雾的AR相差较小，根据阴燃烟颗粒AR随尺寸参数变化的理论可知，棉绳烟雾气溶胶颗粒尺寸较大，AR值相差不大。纸板烟雾气溶胶颗粒尺寸相对较小，在2种波长条件下AR相差明显，如图6(b)和图7(b)所示。

图7 在波长940 nm条件下不对称比结果

如图6(c)和图7(c)所示，水雾中水滴颗粒尺寸较大(约为10 μm)，得到的AR值与棉绳、纸板的阴燃烟雾接近。由于受环境影响较大，无法在实验环境下维持稳定雾气状态，水雾的颗粒尺寸分布随时间变化、浓度在空间分布不均匀，导致水雾的AR波动较大。

如图6(d)和图7(d)所示，灰尘干扰实验中，由于超细固态粉体颗粒的不规则形状会在一定程度上减小不对称比，散射光强向前向小散射角度范围内集中，其AR趋于1、波动范围较小，整体呈平稳状态，与文献[19]中实验结论一致。

本文绘制箱线图对AR值进行比较，如图8(a)～(b)所示。

图8 火灾烟雾与干扰源颗粒AR比较

灰尘干扰源颗粒在2种波长条件下的AR值均最低，其均值分别为1.2和1.7，与其他3种物质区分明显。棉绳阴燃产生的气溶胶在波长940 nm条件下AR值明显区别于其他3种物质；纸板在波长465 nm条件下AR值可明显区别于其他3种物质。因此可以根据不对称比将火灾烟雾与干扰源气溶胶较好的区分。但由于水雾AR值范围较大，可能会对阴燃火灾的判别产生影响，因此本文根据同一角度下的双波长光强比(DWIR)进行进一步分析。

3.2 同一角度下的双波长光强比

本文分别测试4种实验材料在不同波长条件下前向135°和后向45°的光散射强度。如图9(a)，图9(b),图10(a)，图10(b)所示，小尺寸颗粒物对蓝光散射作用更强，所以当有火灾烟雾颗粒物产生时，由于火灾烟雾气溶胶颗粒物粒径小于1 μm，棉绳和纸板阴燃状态下蓝光信号明显强于红外信号，2种阴燃材料的DWIR较大，随时间逐渐降低的变化趋势较为明显。

图9 前向(135°)探测实验测量结果

图10 后向(45°)探测实验测量结果

图9(c)，图9(d)，图10(c)，图10(d)分别为前后2向的水雾和灰尘干扰源的测量结果，因水雾和灰尘干扰源颗粒物粒径较大，可以看出2种物质颗粒对红外光的散射信号明显增强，2种光信号比值DWIR均小于1；对于水汽干扰源，蓝光和红外信号均波动明显，与火灾气溶胶存在明显差异。

根据上述测量结果分析，DWIR值能够很好地区分水雾干扰源与阴燃火灾，可以降低水汽AR值范围较大对阴燃火灾探测的影响,减少由于干扰源颗粒引起的误报警。

3.3 BP神经网络算法分析

本文采用3层BP神经网络，对于光学检测参数，其输入层为采集到的DWIR(45°)，DWIR(135°)，AR(465 nm)以及AR(940 nm)，输出层为阴燃火灾气溶胶发生概率和非火灾气溶胶发生概率。

本文选取839组数据作为真实数据进行分析，具体见表3。随机选取713组数据作为训练样本，126组数据作为测试样本。经过神经网络训练，本文得出测试值与实际值之间的误差，结果见表4。

表3 光学参数训练数据样本

通过数据验证，神经网络的预测值和实验实际情况基本吻合，能够较好地分辨出阴燃火灾气溶胶与非火灾气溶胶，误报率不超过3.5%，误报率均值为1.2%。

同样，采用BP神经网络算法对参照实验中多传感器复合式烟雾探测获得的烟雾、温度和CO数据进行分析。4种实验材料分别选取200组数据，共800组数据进行分析，其中随机选取680组作为训练样本，120组数据作为测试样本，训练结果见表5。

由表4和表5可知，通过对比可以发现传统光学烟雾探测方法即使和其他传感方式联合使用，仍会存在误报高的问题，最小误报率高达5.8%，平均误报率为8.8%。而采用基于数字锁相的双波长火灾烟雾探测方法可以选择性地提取微弱光学散射信号，联合使用2种光学检测参数能够有效区分火灾和非火灾气溶胶颗粒，提高火灾预警准确率。本文提出的探测方法与多传感器复合式烟雾探测方法相比，有更好的探测效果，具有一定的研究价值和参考意义。

表4 光学参数训练结果统计

表5 复合式探测器数据训练结果统计

4 结论

1)提出1种基于锁相放大的双波长双向光电式烟雾探测系统，针对外界环境杂散光对光电式火灾烟雾探测器的影响，采用数字锁相检测技术进行多波长光源调制和特征高频率光电信号提取，有效降低背景中低频杂光对微弱光电测量信号的干扰，提高探测器整体信噪比。

2)针对飞机货舱内非火灾气溶胶如灰尘和水蒸汽对火灾烟雾探测的影响，根据对光散射原理和颗粒物粒径尺度研究，采用双波长前后双向光电烟雾探测方法，利用双波长光强比和不对称比作为特征参数来区分火灾烟雾粒子与非火灾气溶胶干扰源，与多传感器复合式火灾探测器相比，可以有效降低非火灾气溶胶对火灾烟雾探测的影响，减少误报。下一步还需要进行一系列实验，找到最佳探测角度，并开发更严格的检测算法，提高探测器的防误警和检测性能。