基于多传感器数据融合的智能探测模块研究

， ，

(中国船舶重工集团公司第七一三研究所，郑州 450015)

如何灵敏、快速、可靠地探测危险事故，为采取相应的灭火抑爆措施争取时间，一直是舰船火灾探测系统的迫切需求。对于目前在舰船上普遍采用的单点单一信息的探测传感器，其误报率与反应速度仍有比较大的提升空间。

除了单一火灾探测传感器进行监测、报警的局限性，反应速度较慢、准确性偏低等问题外，还在采集的火情参数方面具有不确定性，随火灾特征变化，和受环境等因素影响等问题，容易引起误报警。所以本文将多传感器数据融合的理论引入到舰船火灾探测系统中，可明显提高探测系统性能。

1 智能探测模块

近年来，随着传感器、嵌入式和网络技术的发展，敏感元件日益小型化，集融感知能力、计算能力和通讯能力于一体的微型传感器已经出现[1]，为基于多传感器数据融合的智能探测模块的实现打下基础。针对舰船舱室发生安全事故所产生现象的分析，可知环境变化主要表现在温度的上升，烟雾、火焰的出现以及压力的升高等方面。因此，温度探测器、火焰探测器、烟雾探测器、压力探测器这4种探测传感器基本上可以完成舰船发生安全事故时的全源信息采集。

每个智能探测模块包括了温度探测、温度梯度探测、压力探测、压力梯度探测、火苗探测、烟雾探测，也可以是其中一种或者任意几种的组合(不同的舰船舱室，可以采取相应的探测组合)，并通过配置通信接口和现场总线，使得多个智能探测模块组成探测网络，其硬件电路主要包括探测器、数据处理单元、单片机和通信接口单元[2]，见图1。

图1 硬件电路

智能探测模块硬件电路的核心部分为单片机。各个探测器将各自测得的信息经各自的信号处理单元输入单片机，单片机采用数据融合技术，对所有数据进行综合分析处理，得出当前状态，并经通信接口单元和总线上传至上位机，智能探测模块的流程见图2。

图2 智能探测模块的流程

2 基于数据融合的智能探测模块

舰船火灾探测系统采用两级数据融合处理的方法。每个智能探测模块都有自己的处理器，可在局部对感知的数据进行初步的融合处理，其本身可对本区域内的温度、压力、烟雾、火焰等采集的多种信息进行综合分析、融合处理，得出局部多信息融合结果并向上位机传输。上位机为次级数据融合处理单元，它综合处理多点分布的多个智能探测模块，不仅扩大探测区域范围，而且利用多个探测模块探测信息进行融合处理，可提高信息抽象的准确性和快速性。

2.1 数据融合方法

数据融合技术就是充分利用不同时间与空间的多传感器信息资源，采用计算机技术对按时序获得的多传感器观测信息在一定准则下加以自动分析、综合、支配和使用，获得对被测对象的一致性解释与描述，以完成所需的决策和估计任务，使系统获得比它的各组成部分更优越的性能[3]。常用的数据融合方法见表1。

表1 数据融合常用方法

目前在环境探测领域内，常用贝叶斯估计、D-S证据决策、模糊逻辑以及神经网络等方法。

2.2 火灾探测的数据融合

舰船火灾探测系统主要是为了发现危险事故以及环境火灾，这实际上是一种非结构问题，是一种十分困难的信号检测问题。它要求信号处理算法能适应各种环境的变化，自动调整参数以达到既能快速探测火灾，又要求极低的误报率，而且在探测器的安装位置、人的活动和环境影响都事先无法确定的情况下，无论采用什么样的固定算法程序都很难满足要求，而对于这种非结构问题，人的识别能力最强，人的判断是由其大脑的神经网络完成的[4]，因此采用类似人的神经网络的处理方法应用于舰船火灾探测系统中，采用模糊系统实现仿人思维推理的功能。

应用模糊逻辑与神经网络相结合的模糊神经网络，充分利用两者的优势，通过对各种已知的或可获得的信息的处理，获得更好的系统性能。将输入的确定性多传感器信息模糊化为模糊量，对应的隶属度值作为模式输入，而输出的模糊信息又经过反模糊化成确定性信息。

2.3 模糊神经网络设计

智能探测模块数据融合将采用基于神经网络的模糊控制系统，它在结构上像神经网络，但在功能上是模糊系统，它用神经网络来构造模糊系统，利用神经网络的学习方法，根据输入输出样本来自动设计和调整模糊系统的设计参数，实现模糊系统的自学习和自适应功能。智能探测模块模糊神经网络的基本结构见图3，网络共分五层。

图3 模糊神经网络的基本结构示意

第一层为输入层，是经过信号处理单元处理的探测器输出信号。其中烟雾信号、火焰信号、温度信号、压力信号来源于对应探测器的输出，而温度梯度和压力梯度则是根据温度、压力的输入及其历史信息计算所得，分别记为x1～x6。因为输入节点物理量各不相同，数据量相差很大，在此对输入信号进行了归一化处理，这样不仅可以防止小数值被大数值淹没，也能防止因相差很大的数使网络校正进程缓慢。记第l层输出为yl，则

yli=xi，i=1，2，…，6

(1)

第二层、第三层为模糊化层，即提取隶属函数层。因为输入变量较多，为了避免整个网络过于庞大，特将各个输入变量分为3个语言变量值，即small(小)、medium(中)、large(大)。

(2)

(3)

(4)

式中：i=1，2，…，6；j=1，2，3。

语言变量small和large的隶属度函数采用sigmoid函数，节点的输出范围在0～1之间，其中的参数cij的作用是使隶属度函数沿水平轴向右移；σij的作用是调节隶属度函数的形状，较大的σij使函数逼近阶跃，较小的σij使函数变得较为平坦。语言变量Medium的隶属度函数采用的是高斯函数，cij和σij分别表示隶属度函数的中心和宽度，节点的输出范围在0～1之间，输入样本越靠近节点的中心，输出越大。将cij、σij等参数分别赋予到神经网络第二层、第三层的联接权值中，权值改变，即隶属度函数参数发生改变；通过训练样本调整权值，即调整了该训练样本下的隶属度函数参数，实现了模糊变量隶属度函数参数的自动生成。

第四层为规则层。

(5)

m为模糊规则个数即该层的节点总数。在本文所设计的网络中有烟雾、火焰、温度、温度变化率、压力和压力变化率六个输入量，并且采用了三个语言变量即n=6，mi=3，所以m=36条模糊规则，数目太大，如全部采用必将组成非常庞大的网络结构，并且其中相当大部分规则是没必要的或不符合实际的，在此根据现有的资料和实际试验情况总结出有用的规则来确定此层的节点数。考虑到烟雾、火焰、温度、温度变化率、压力和压力变化率等信息的相关性，并且温度和温度变化率与压力和压力变化率有诸多的相似性，特别是压力和压力变化率的急速变化是一种特有的现象，根据火灾发生的实际情况，总结了38条模糊规则即m=38，该层主要用于完成“与”运算，并对输出进行归一化处理，为解模糊做准备。“与”运算为

(6)

式中：k——此层的节点数，k=1，2，…，38;

uk——该规则的隶属度函数;

n=6。

当解出uk的值后，对其再作归一化处理，为解模糊做准备。

(7)

第五层为模糊神经网络输出层。

所有规则节点都通过结论联接线连入到输出节点，并被直接解释成输出强度，该层的输出为当前火灾概率。该层实现的是模糊量的清晰化、解模糊计算，即单点集的重心法计算方式。

(8)

网络学习流程见图4。

图4 网络学习的流程

2.4 网络学习结果

选取200组具有代表性的样本作为输入，经过多次运算，得出满足误差E<0.001的相关参数，网络训练完成后，可以得出第二层联接权值参数C、第三层联接权值参数σ、第五层联接权值参数W的网络学习结果。

为了验证本模糊神经网络算法模型在输入数据偏离样本数据时的正确与否，将80组偏离数据作为模糊神经网络算法模型的输入，记录其实际输出与期望输出的误差，80组样本的总误差为0.000 578，误差在允许的范围内。

2.5 实际应用原理

在本系统中，考虑到网络训练必将花费一定的时间，为了提高系统的快速性和可靠性，特将网络训练和应用分开处理，采用速度较快的PC来进行网络训练，而实际应用将以单片机为系统平台。应用模糊神经网络结构进行探测的工作原理见图5。

首先将模糊规则和隶属度函数用神经网络表现出来，将隶属度函数参数赋予为神经网络的权值，生成的神经网络用于实现模糊推理。

图5 基于模糊神经网络的探测系统工作原理示意

其次利用现场的训练样本数据通过误差反向传播算法训练神经网络，修改神经网络的权值即修改了隶属度函数的参数，求得适合于此种现场环境下各相关量的隶属度。

最后从神经网络中提取修改后的隶属度函数和模糊规则，将这些隶属度函数和模糊规则保存作为此现场环境下的模糊推理之用。当真正的外界实际探测信号输入时，按照此训练好的模糊神经网络结构进行计算，就可得出正确的输出结果。

3 结束语

本文在分析舰船火灾探测系统特点和性能要

求的基础上，结合新型探测技术、信息处理技术，应用多元信息的互补性，采用模糊神经网络对温度、压力、烟雾、火苗等多元信息进行数据融合，提高了探测系统的准确性、可靠性和容错性，降低了误报率和漏报率，详细构建了模糊神经网络模型，并进行网络学习，得出联接权值，并对实际应用原理进行了探讨，可作为舰船火灾探测系统的探测器配置和软件算法实现的应用参考。

[1] 景 博，孙 勇，张 劼.信息融合技术在传感器网络中的应用研究[J].国外电子测量技术，2005(1)：5-10.

[2] 章剑雄，冯 浩.现场总线技术概述[J].自动化与仪表，2002(6)：1-3.

[3] 吴龙标，袁宏永.火灾探测与控制工程[M].合肥：中国科技大学出版社，1999.

[4] 张吉礼.模糊-神经网络控制原理与工程应用[M].哈尔滨：哈尔滨工业大学出版社，2002.