基于支持向量機(jī)的多傳感器船舶火災(zāi)探測技術(shù)

夏德斌， 李亞東， 丁 彬， 辛 鵬， 楊 洋

(山東海洋工程裝備有限公司， 山東 青島 266555)

0 引 言

船舶通常具有結(jié)構(gòu)緊湊、設(shè)備密集、通道狹窄的特點(diǎn)，加之船舶內(nèi)部潛在火災(zāi)發(fā)生源較多，易發(fā)生火災(zāi)事故，而船舶火災(zāi)又具有擴(kuò)展快、撲滅難度較大、人員逃生困難等特點(diǎn)[1]，易造成嚴(yán)重的后果?；馂?zāi)報(bào)警系統(tǒng)作為發(fā)現(xiàn)火災(zāi)的眼睛,其可靠性與準(zhǔn)確性直接影響著火災(zāi)防控效果。目前，船舶火災(zāi)探測通常采用傳感器的方式。

船舶上常用的火災(zāi)探測器有感煙型、感溫型、感光型及氣體探測型等[2]，為克服單一型式探測器的不足，提高火災(zāi)早期探測準(zhǔn)確率，通常根據(jù)艙室特點(diǎn)，常采用多傳感器組合的方式進(jìn)行探測。這種多傳感器組合探測方式可以避免單一傳感器對(duì)不同火災(zāi)類型探測的盲區(qū)，提高火災(zāi)探測的可靠性。但目前船舶多傳感器組合的控制邏輯通常采用1oo2、2oo3等簡單控制方式，沒有有效融合各傳感器的參量信息，存在報(bào)警系統(tǒng)智能化程度低和火災(zāi)自動(dòng)報(bào)警系統(tǒng)誤報(bào)、漏報(bào)問題較多等主要問題[3]。

目前，正在進(jìn)行雙船拆解系統(tǒng)(Twin Marine Lifter， TML)的研究，為提高TML系統(tǒng)在海上油田設(shè)施拆除作業(yè)過程中的安全性，需要一套高效可靠的火災(zāi)報(bào)警系統(tǒng)。因此，結(jié)合現(xiàn)有火災(zāi)探測系統(tǒng)的特點(diǎn)，提出一種基于支持向量機(jī)(Support Vector Machine, SVM)的多傳感器火災(zāi)探測技術(shù)，通過對(duì)多傳感器探測信息的有效融合，形成多傳感器火災(zāi)探測方案，從而減少由單火災(zāi)探測器所導(dǎo)致的漏報(bào)、誤報(bào)等情況的發(fā)生，提高火災(zāi)報(bào)警系統(tǒng)的可靠性與及時(shí)性，并將此方案在TML火災(zāi)報(bào)警系統(tǒng)中加以應(yīng)用。

1 SVM算法介紹

支持向量機(jī)是一種有監(jiān)督的分類模型，其通過對(duì)輸入數(shù)據(jù)進(jìn)行學(xué)習(xí),構(gòu)建出最優(yōu)分類函數(shù),從而實(shí)現(xiàn)智能分類。給定訓(xùn)練樣本集D=(x1,y1),(x2,y2),…,(xm,ym),其中yi∈{-1,+1}]。SVM的基本思想就是基于訓(xùn)練集D在樣本空間中找到一個(gè)劃分超平面，將不同類別的樣本分開[4]，且使得樣本到劃分超平面之間的間隔最大。圖1是SVM的基本形式。然而，通常輸入樣本并不是線性可分的，此時(shí)可通過將低維的原始樣本空間向更高維度映射，實(shí)現(xiàn)樣本在更高維度空間內(nèi)線性可分，即引入核函數(shù)k(xi,yi)=Φ(xi)TΦ(xj) 來代替xi與xj在特征空間的內(nèi)積。

圖1 SVM基本形式

此時(shí)，SVM的求解問題變?yōu)?/p>

(1)

式中：Φ(xi)為將xi映射到更高維度的特征向量；w=(w1,w2,…,wd)為劃分超平面的法向量，決定了劃分超平面的方向；b為劃分超平面與原點(diǎn)之間的距離。

對(duì)式(1)使用拉格朗日乘數(shù)法可求得其對(duì)偶問題，并引入懲罰因子C以防止過擬合產(chǎn)生，于是求解問題變?yōu)?/p>

(2)

求解后可得分類函數(shù)為

(3)

2 基于SVM算法的火災(zāi)識(shí)別

火災(zāi)初期發(fā)生的陰燃階段，產(chǎn)生大量的煙和少量的熱，很少或沒有火焰輻射，而在明火階段，可產(chǎn)生大量的熱、煙和火焰[5]。因此，可以綜合考慮多個(gè)火災(zāi)特征來識(shí)別火災(zāi)，通過CO、CO2氣體濃度和環(huán)境溫度的變化區(qū)分陰燃火和明火。

基于SVM的多傳感器火災(zāi)探測系統(tǒng)模型如圖2 所示。通過多傳感器探測環(huán)境變量，將采集到的數(shù)據(jù)經(jīng)過預(yù)處理輸入SVM模塊，由SVM模塊判斷是否有火災(zāi)發(fā)生并輸出到火災(zāi)報(bào)警系統(tǒng)。

圖2 SVM多傳感器火災(zāi)探測模型

2.1 數(shù)據(jù)預(yù)處理

傳感器所測不同參量的數(shù)值具有較大的差異性，如溫度數(shù)值與CO氣體濃度數(shù)值相比并不在一個(gè)數(shù)量級(jí)上，若是不經(jīng)處理直接輸入SVM，會(huì)使溫度信息在判斷中占絕對(duì)主導(dǎo)地位，導(dǎo)致模型無法有效融合多信息參量，因此，有必要對(duì)輸入數(shù)據(jù)進(jìn)行預(yù)處理。

如若選用CO濃度、煙霧濃度和環(huán)境溫度作為火災(zāi)探測的依據(jù),考慮CO濃度和煙霧濃度的取值范圍都在[0，1]，只需將溫度范圍也歸一至[0，1]，采取的轉(zhuǎn)換函數(shù)為y=(x-min)/(max-min)。

經(jīng)過歸一化處理后的訓(xùn)練數(shù)據(jù)如表1所示(選取前10組數(shù)據(jù))。

表1 歸一化后的火災(zāi)樣本數(shù)據(jù)

2.2 SVM分類模塊

考慮到二維圖像顯示更為直觀，選用感溫探測器和感煙探測器2個(gè)數(shù)據(jù)進(jìn)行程序編寫與驗(yàn)證。程序編寫采用Python語言，調(diào)用Scikit-learn模塊，由于多傳感器火災(zāi)預(yù)測并無先驗(yàn)信息，因此核函數(shù)選用高斯核函數(shù)，同時(shí)將懲罰因子C設(shè)為10，將數(shù)據(jù)樣本中的70%作為訓(xùn)練數(shù)據(jù)對(duì)程序進(jìn)行訓(xùn)練以獲得合適的α和b值,同時(shí)將數(shù)據(jù)樣本中的30%作為測試數(shù)據(jù)進(jìn)行程序驗(yàn)證,以測試程序的分類效果，如圖3所示。

圖3 基于感溫和感煙探測器的判斷結(jié)果

節(jié)選程序如下：

file_path=‘fire_train_data.xlsx’

data=pd.read_excel(io=file_path)

fire.x=data.iloc[:,0:2]

fire.y=pd.Categorical(data[‘fire’]).codes

fire.x_train, fire.x_test, fire.y_train, fire.y_test = train_test_split(fire.x, fire.y, random_state=2, test_size=0.28)

svm_clf = svm.SVC(C=10, gamma=1, kernel=‘rbf’, decision_function_shape=‘ovo’)

decision = svm_clf

decision.fit(fire.x_train,fire.y_train.ravel())

圖3中，三角形點(diǎn)表示無火災(zāi)發(fā)生,正方形點(diǎn)表示發(fā)生陰燃火，圓形點(diǎn)表示發(fā)生明火。由圖3可以看出：除將一例無火災(zāi)發(fā)生狀態(tài)誤判為陰燃火狀態(tài)外，其余狀態(tài)均落在相應(yīng)區(qū)域內(nèi)，準(zhǔn)確率較高。造成這一例判斷錯(cuò)誤的原因有樣本采集誤差、火災(zāi)邊界并不絕對(duì)等。為了進(jìn)一步提高火災(zāi)探測的可靠性，可以適當(dāng)增加CO探測器，通過3個(gè)參量可以有效降低樣本誤差帶來的干擾，基于3個(gè)參量的SVM火災(zāi)探測只需在程序中增加CO探測數(shù)據(jù)即可，節(jié)選程序如下：

file_path=‘fire_train_data.xlsx’

data=pd.read_excel(io=file_path)

fire.x=data.iloc[:,0:3]

fire.y=data.iloc[0:,3:4]

fire.y=pd.Categorical(data[‘fire’]).codes

fire.x_train, fire.x_test, fire.y_train, fire.y_test = train_test_split(fire.x, fire.y, random_state=2, test_size=0.28)

svm_clf = svm.SVC(C=10, gamma=1, kernel=‘rbf’, decision_function_shape=‘ovo’)

decision = svm_clf

decision.fit(fire.x_train,fire.y_train.ravel())

仿真結(jié)果如圖4所示。

圖4 基于感溫、感煙和CO探測器的判斷結(jié)果

圖4中,橫三角表示無火災(zāi)發(fā)生狀態(tài),上三角表示發(fā)生陰燃火狀態(tài),圓點(diǎn)表示發(fā)生明火。與實(shí)際結(jié)果對(duì)比，分類準(zhǔn)確率為100%?？梢姡捎猛晟坪蟮腟VM多傳感器火災(zāi)探測方法可以大幅提高火災(zāi)探測的準(zhǔn)確性。

3 結(jié) 論

火災(zāi)發(fā)生時(shí)的環(huán)境多變,火災(zāi)發(fā)生狀態(tài)也存在較多差異性,難以用一般的數(shù)學(xué)模型來描述,這給火災(zāi)探測帶來了一定難度。通過分析SVM分類特點(diǎn)，將多傳感器信息輸入SVM模塊進(jìn)行判斷，利用SVM間隔最大和具有自學(xué)習(xí)等特性，可以大幅提高系統(tǒng)的準(zhǔn)確率。將SVM多傳感器火災(zāi)探測技術(shù)運(yùn)用到船舶火災(zāi)探測中，特別是作業(yè)工況復(fù)雜的海上油田設(shè)施拆解平臺(tái)上,對(duì)船舶火災(zāi)的防治具有積極意義。