论文部分内容阅读
近年来,我国对船舶工业的重视程度越来越高,大量先进的船舶投入使用,但随之引来的船舶事故也越来越多。其中,船舶火灾是威胁船舶安全的重要因素之一,受到各国广泛的重视。船舶在设计过程中,因某些需要,常常把舱室和通道空间设计的十分狭窄,这就为船员安全逃离火灾留下了隐患。一旦一处发生火灾,必然会蔓延到其它舱室,造成更大的财产损失。因此,尽早的了解火情和采取行动是降低损失的关键。采用火灾报警控制系统的方法,可以及时有效的探测火灾,一旦人为确认火灾发生,火灾报警控制器将启动联动装置进行灭火,达到探、防、消于一体的效果。但火灾报警控制系统存在误报漏报率居高不下的问题,设计合理的智能控制算法降低误报漏报率是十分必要的。因此,研究船舶火灾报警系统对及时探测火灾具有重要的意义。在分析了船舶火灾特点及国内外火灾报警系统发展现状的基础上,设计了一种火灾探测二次推理模型,该模型利用神经网络与D-S证据理论融合的算法,通过收集的相关样本经量化后运用LM算法进行神经网络的训练,等待神经网络训练完成后,将测试样本输入到网络中,而后将网络输出输入到D-S理论中得到最后的判断结果,该模型进行了区别于火灾报警控制器的火灾二次判断,可以有效的降低误报漏报的发生,同时仿真验证了该模型的可行性。虽然该模型可以有效的解决控制器的缺陷,但该方法在探测火灾时,并没有考虑到当前舱室的危险度问题,同时神经网络存在诸多弊端,如随着样本增加,泛化能力下降等问题,故利用模糊控制算法设计了一种火灾危险度评估模型,将不同舱室的危险度加入到火灾判断中,根据探测器采集的数据,经过模糊化后,通过模糊推理得到最后的火灾危险度等级。仿真验证了该模型的可行性。为了实际验证火灾二次推理模型的可行性,搭建了火灾报警控制系统硬件实验平台。利用实验室现有设备,采用C++编程语言,将火灾报警控制器控制部分编写了界面,探测器采集的数据可以在界面上进行实时显示。同时将提出的BP神经网络与D-S证据融合算法加入到界面中,通过采集不同舱室的数据进行火灾判断。针对明火,阴燃火等不同的情况分别进行了测试,经测试结果表明,该模型可以快速有效的判断火灾的发生,降低了火灾报警控制器的误报漏报率。