基于模糊神經(jīng)網(wǎng)絡(luò)的船舶多傳感器火災(zāi)發(fā)現(xiàn)算法

鄧 潔，詹 鋒

(1.廣西工商職業(yè)技術(shù)學(xué)院，廣西 南寧530008;2.廣西大學(xué)，廣西 南寧530004)

0 引 言

船舶火災(zāi)發(fā)現(xiàn)與警報(bào)系統(tǒng)的目的在于，在火災(zāi)發(fā)生的初期探測(cè)到火災(zāi)，并給出準(zhǔn)確可靠的預(yù)警和警報(bào)信號(hào)。傳統(tǒng)的船舶火災(zāi)探測(cè)系統(tǒng)通常采用單傳感器模式，依據(jù)一些簡(jiǎn)單的邏輯進(jìn)行火災(zāi)的探測(cè)和判斷，當(dāng)傳感器采集的數(shù)據(jù)超過(guò)一定的門(mén)限值時(shí)，發(fā)出發(fā)現(xiàn)火災(zāi)的判斷。然而，在船舶航行過(guò)程中，往往需要面對(duì)較為嚴(yán)苛和多變的海上環(huán)境，因而導(dǎo)致單傳感器火災(zāi)探測(cè)系統(tǒng)的可靠性較低，為航行安全埋下了隱患。

為解決以上問(wèn)題，本文提出一種基于模糊神經(jīng)網(wǎng)絡(luò)的船舶多傳感器火災(zāi)發(fā)現(xiàn)機(jī)制［1-3］。使用多傳感器模式，能夠提供更多的附加環(huán)境信息，從而減少火災(zāi)的誤報(bào)率，提高系統(tǒng)的準(zhǔn)確性。本文主要采用2 種傳感器:溫度傳感器和煙霧傳感器［4］，因而主要關(guān)注溫度和煙霧濃度2 種參數(shù)。通過(guò)傳感器采集到的信息，進(jìn)而由模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行處理和推斷，最終得出火災(zāi)是否發(fā)生的判斷。

1 火災(zāi)發(fā)現(xiàn)算法

1.1 模糊推斷系統(tǒng)

本文提出的基于模糊神經(jīng)網(wǎng)絡(luò)的多傳感器火災(zāi)發(fā)現(xiàn)算法框架如圖1所示。

圖1 基本框架圖Fig.1 The main structure of the system

在系統(tǒng)中，輸入溫度為x1，煙霧濃度為x2，輸出火災(zāi)等級(jí)為y。在系統(tǒng)工作過(guò)程中，分別獲得多個(gè)傳感器采集到的信息，通過(guò)信號(hào)處理，作為模糊神經(jīng)網(wǎng)絡(luò)的輸入;將采集的信號(hào)進(jìn)行模糊化，模糊化的作用是將精確量轉(zhuǎn)化為模糊化量，經(jīng)過(guò)處理之后的模糊化量作為模糊神經(jīng)網(wǎng)絡(luò)的輸入，在推理規(guī)則的配合下，神經(jīng)網(wǎng)絡(luò)得出期望的結(jié)果;通過(guò)解模糊過(guò)程，將得到的模糊化量轉(zhuǎn)化為系統(tǒng)能夠理解的精確控制量;最終得到確切的火災(zāi)等級(jí)。

1.2 多等級(jí)火災(zāi)預(yù)警模式

在傳統(tǒng)的火災(zāi)預(yù)警和控制系統(tǒng)中，通常采用單一的火災(zāi)預(yù)警模式，當(dāng)傳感器數(shù)據(jù)達(dá)到某一門(mén)限值時(shí)，就向中央控制系統(tǒng)發(fā)送火災(zāi)預(yù)警信號(hào)。采用這種方式存在2個(gè)主要問(wèn)題:一是容易產(chǎn)生漏報(bào)，在火災(zāi)發(fā)生初期，可能某些指標(biāo)已經(jīng)超過(guò)了門(mén)限，而另一些指標(biāo)卻變化不夠明顯，從而可能產(chǎn)生火災(zāi)的漏報(bào)。然而，如果將門(mén)限值設(shè)置的較低，則亦有可能發(fā)生錯(cuò)報(bào)，因?yàn)楫?dāng)門(mén)限較低時(shí)，單一數(shù)據(jù)的波動(dòng)有可能使系統(tǒng)誤以為火災(zāi)的發(fā)生;二是難以了解火勢(shì)的發(fā)展，通過(guò)傳統(tǒng)的火災(zāi)預(yù)警模式，船員僅僅能夠知道船舶是否發(fā)生火災(zāi)，而并不知道火勢(shì)發(fā)展的程度，因而可能拖延制定災(zāi)控方案的時(shí)間。

為克服以上缺點(diǎn)，本文在采用多種傳感器的同時(shí)，也采用多火災(zāi)等級(jí)判定方法。共定義5個(gè)火災(zāi)等級(jí):等級(jí)1～等級(jí)5 表示，火災(zāi)的發(fā)展勢(shì)頭依次增強(qiáng)。另有等級(jí)0 表示故障。

火災(zāi)的等級(jí)判定由煙霧濃度數(shù)據(jù)和溫度數(shù)據(jù)共同決定，具體的判定工作將由本文設(shè)計(jì)的模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行判斷。通過(guò)不同的等級(jí)，船員可以判斷當(dāng)前火災(zāi)處于發(fā)展的初期，還是已經(jīng)發(fā)展到較大規(guī)模，從而采用不同的應(yīng)對(duì)方案，充分提高火災(zāi)預(yù)警的精確度和時(shí)效性。

2 模糊神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)

在本節(jié)中，將對(duì)本文中使用的模糊神經(jīng)網(wǎng)絡(luò)和推理的方法進(jìn)行研究。在本文中，參數(shù)的分析和處理由一個(gè)4 層的神經(jīng)網(wǎng)絡(luò)完成，每層的節(jié)點(diǎn)數(shù)目分別為2，12，36和1。在第1 層中，2個(gè)節(jié)點(diǎn)主要用來(lái)接收溫度和煙霧濃度數(shù)據(jù)，作為神經(jīng)網(wǎng)絡(luò)的輸入;第2 層的節(jié)點(diǎn)用于數(shù)據(jù)模糊化;第3 層節(jié)點(diǎn)進(jìn)行模糊推理;第4 層節(jié)點(diǎn)實(shí)現(xiàn)解模糊，并最終輸出結(jié)果［5-6］。神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖2所示。

圖2 模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 The structure of fuzzy neural network

分別假設(shè)O(k)和I(k)分別為第k 層節(jié)點(diǎn)的輸出和輸入，則每層節(jié)點(diǎn)的函數(shù)可按照以下規(guī)則計(jì)算得出。

第1 層:在第1 層中，神經(jīng)網(wǎng)絡(luò)接收數(shù)據(jù)之后，并不做計(jì)算和處理，僅僅將接收到的溫度和煙霧濃度數(shù)據(jù)傳遞給下一層的各個(gè)節(jié)點(diǎn)，因而可得出本層的計(jì)算函數(shù)為:

其中xi(i=1，2)分別為2個(gè)節(jié)點(diǎn)接收到的數(shù)據(jù)。

第2 層:第2 層中的每個(gè)節(jié)點(diǎn)對(duì)應(yīng)于某個(gè)特定的第1 層數(shù)據(jù)變量的語(yǔ)言標(biāo)度。也就是說(shuō)，輸入數(shù)據(jù)與模糊集合之間的隸屬度，在第2 層中進(jìn)行計(jì)算。通過(guò)使用高斯歸屬函數(shù)，第2 層的計(jì)算函數(shù)為:

第3 層:在第3 層中，每個(gè)節(jié)點(diǎn)代表一個(gè)模糊邏輯規(guī)則，并執(zhí)行規(guī)則的前件匹配，因而第3 層的函數(shù)可表示為:

在第3 層中，利用第2 層模糊化的數(shù)據(jù)，配合推理規(guī)則進(jìn)行判斷。

第4 層:在第3 層中，各個(gè)節(jié)點(diǎn)通過(guò)各自的模糊推理規(guī)則，作出了判斷，在第4 層中，將這些判斷集成起來(lái)，并且執(zhí)行解模糊操作。因而第4 層的函數(shù)可表示為以下形式:

其中ypq為第3 層輸出到第4 層輸入的權(quán)值。

因此，目標(biāo)函數(shù)可以設(shè)置為:

式中:η(t)為t 時(shí)間內(nèi)的學(xué)習(xí)速率;β(t)為動(dòng)量系數(shù)。

3 實(shí)驗(yàn)與仿真

本文采用船舶引擎監(jiān)視系統(tǒng)、船舶環(huán)境監(jiān)視系統(tǒng)等產(chǎn)生的傳感器數(shù)據(jù)，對(duì)溫度和煙霧濃度數(shù)據(jù)進(jìn)行采集和濾波，產(chǎn)生神經(jīng)網(wǎng)絡(luò)的輸入信號(hào)，并觀(guān)察和記錄產(chǎn)生的火災(zāi)警報(bào)。其中神經(jīng)網(wǎng)絡(luò)的輸出平面如圖3所示［7］。

根據(jù)我國(guó)消防規(guī)范測(cè)試數(shù)據(jù)，設(shè)計(jì)本文采用的測(cè)試數(shù)據(jù)，其中煙霧濃度數(shù)據(jù)和溫度的歸一化數(shù)據(jù)如圖4所示。

圖3 神經(jīng)網(wǎng)絡(luò)輸出平面Fig.3 The output surface of the neural network

圖4 煙霧濃度與溫度數(shù)據(jù)Fig.4 The data of smoke density and temperature

如圖4所示，在火災(zāi)發(fā)生初期，由于未見(jiàn)明火，因而溫度上升并不明顯，而此時(shí)由于火焰處于悶燒狀態(tài)，煙霧濃度已經(jīng)有了明顯的升高，采用單傳感器的模式時(shí)，在火災(zāi)發(fā)生初期時(shí)，有可能會(huì)產(chǎn)生漏報(bào)的情況。而利用本文提出的方法，可以得出神經(jīng)網(wǎng)絡(luò)的輸出值如圖5所示。

從圖4的結(jié)果可以看出，在1 000 s～1 500 s 之間時(shí)，煙霧濃度有了明顯的升高，然而溫度卻沒(méi)有變化，表明火災(zāi)發(fā)生，然而仍然處于初期。于此同時(shí)，圖5 顯示，在相同時(shí)間段內(nèi)，神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)結(jié)果表明火災(zāi)的發(fā)生等級(jí)為5，比較準(zhǔn)確地判斷出了火災(zāi)的發(fā)生，證明了本文提出的方法具有較高的準(zhǔn)確性和良好的使用效率。

圖5 神經(jīng)網(wǎng)絡(luò)輸出數(shù)據(jù)Fig.5 The output data of neural network

當(dāng)火災(zāi)發(fā)生時(shí)，溫度和煙霧濃度均有明顯的升高，為了測(cè)試在火災(zāi)中期本文提出方法的靈敏度和精確度，同樣依照我國(guó)消防規(guī)范測(cè)試數(shù)據(jù)，設(shè)計(jì)了實(shí)驗(yàn)數(shù)據(jù)，如圖6所示。

圖6 煙霧濃度與溫度數(shù)據(jù)Fig.6 The data of smoke density and temperature

由圖6 可以看出，隨著時(shí)間的變化，火勢(shì)的發(fā)展程度各不相同，并體現(xiàn)在溫度和煙霧濃度上，此時(shí)，煙霧濃度和溫度數(shù)據(jù)均由較大的波動(dòng)，需要根據(jù)數(shù)據(jù)的波動(dòng)靈活和精確地判斷火勢(shì)的發(fā)展，并給出正確的判斷和預(yù)警。

神經(jīng)網(wǎng)絡(luò)輸出如圖7所示。

圖7 神經(jīng)網(wǎng)絡(luò)輸出火災(zāi)等級(jí)Fig.7 Output fire grade of neural network

從圖7 可看出，隨著采集數(shù)據(jù)的波動(dòng)，采用本文方法能夠較為快速和精確地判斷出火災(zāi)的等級(jí)，說(shuō)明本文提出的方法具有較好的靈活性和精確性。

4 結(jié) 語(yǔ)

船舶火災(zāi)預(yù)警是一個(gè)非結(jié)構(gòu)化的問(wèn)題，因而難以使用精確嚴(yán)格的數(shù)學(xué)模型進(jìn)行描述。在實(shí)際應(yīng)用場(chǎng)景中，火災(zāi)的各項(xiàng)特征和指標(biāo)隨著火災(zāi)的發(fā)展和環(huán)境的影響而不斷變換，具有較大的動(dòng)態(tài)性和不確定性，因而，為了實(shí)現(xiàn)較為有效的火災(zāi)探測(cè)，需要采用神經(jīng)網(wǎng)絡(luò)的方法進(jìn)行解決。

本文提出了一種基于模糊神經(jīng)網(wǎng)絡(luò)的船舶多傳感器火災(zāi)發(fā)現(xiàn)算法，對(duì)采集到的煙霧濃度和溫度數(shù)據(jù)進(jìn)行過(guò)濾后，作為模糊神經(jīng)網(wǎng)絡(luò)的輸入，通過(guò)模糊化、推理、解模糊的過(guò)程，得到最終的火災(zāi)等級(jí)。該方法具有良好的容錯(cuò)性和靈活性，并能夠使用較為簡(jiǎn)單清晰的推理規(guī)則，避免了使用單一門(mén)限進(jìn)行判斷的弊端，較為有效地模擬了人類(lèi)決策的過(guò)程，并通過(guò)實(shí)驗(yàn)和仿真進(jìn)行了驗(yàn)證，證明了該方法的有效性。

［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］陳建華，陳衛(wèi)紅，劉科.基于模糊神經(jīng)網(wǎng)絡(luò)的一種船舶碰撞危險(xiǎn)度計(jì)算方法［J］.艦船科學(xué)技術(shù)，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，F(xiàn)ISCHER 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］姚緒梁，蔡晶.一種船舶艙室火災(zāi)連鎖報(bào)警等級(jí)評(píng)估方法［J］.艦船科學(xué)技術(shù)，2013，35(8):156-161.