基于Attention-BP神经网络模型的邮轮客舱火灾危险等级分类研究.pdf

JJ.Navigation17.(in Chinese)dXIONGZ H,XIACHENB.Researcevelention-Bneural networkmodelLassS引用格式：熊正华，向波，陈斌.基于Attention-BP神经网络模型的邮轮客舱火灾危险等级分类研究J.中国航海，2 0 2 4，47（1）：9-17.NAVIGATIONOFCHINAMar.20242024年3月Vol.47No.1第47 卷第1期中海国航文章编号：10 0 0-46 53(2 0 2 4)0 1-0 0 0 9-0 9基于Attention-BP神经网络模型的邮轮客舱火灾危险等级分类研究熊正华，向波，陈斌（1.四川交通职业技术学院航运工程系，四川成都6 11130；2.武汉理工大学船海与能源动力工程学院，湖北武汉430 0 6 3）摘要：为能够对邮轮客舱不同火灾危险源进行风险评估，提出一种可对舱室火灾危险等级实时分类的新型神经网络模型。通过火灾动态模拟器（FDS）建立邮轮客舱火灾物理模型，对发生火灾时的烟气温度、CO体积分数和能见度等安全指标进行数值模拟，并基于其对人体的影响程度将火灾危险等级划分为4个等级。通过设计一种新型的Attention-BP神经网络（BPNN）模型，结合self-Attention机制融合多个BPNN诊断结果，自适应地分配各个BPNN的权重，对采集的多源火灾信息进行分析和处理，实现对客舱火灾的风险评估并划分危险等级。试验证明：Attention-BPNN模型可有效地实现对火灾危险等级的预警，准确率可达97.32%。相对于其他机器学习算法，具有最高的稳定性和准确率，减少了对客舱火灾预警的不确定性。关键词：邮轮火灾；数值模拟；self-Attention机制；BP神经网络中图分类号：U6-9文献标志码：AD0I:10.3969/j.issn.1000-4653.2024.01.002Research on risk level classification of cruise ship firebased on an Attention-BP Neural Network modelXIONG Zhenghua，XIA NG Bo ，CH EN Bi n?(1.Department of Shipping Engineering,Sichuan Vocational and Technical College of Communications,Chengdu 611130,China;2.School of Naval Architecture,Ocean and Energy Power Engineering,Wuhan University of Technology,Wuhan 430063,China)Abstract:In order to be able to assess the risk of different fire hazards in cruise ship cabins,a new neural network modelthat can classify the fire risk level of cabins in real time is proposed.A physical model of cruise ship cabin fire wasestablished by FDS(Fire Dynamics Simulator),and the safety indexes such as smoke temperature,CO volume fraction andvisibility during fire were numerically simulated,and the fire risk level was classified into four levels based on the degree ofits impact on human body.Then,a novel Attention-BP Neural Network model is designed for analyzing the collected multi-source fire information and classifying the hazard levels of different cabins in real time,which integrates the diagnosisresults of multiple neural network models through the self-Attention mechanism,adaptively distributes the weight of each BPneural network model.Experimental results show that the proposed Attention-BP Neural Network model can effectivelyrealize the early warning of fire risk level,and the classification accuracy of this proposed model achieves 97.32%.Compared with other machine learning algorithms,it has the highest stability and accuracy,and reduces the uncertainty ofcabin fire early warning.Key words:cruise fire;numerical simulation;self-Attention mechanism;BP Neural Network邮轮旅游是以大型客运轮船为载体，以海上巡游为主要形式，参与船上活动和岸上休闲的一种旅收稿日期：2 0 2 2-10-0 4作者简介：熊正华（197 1一），男，副教授，硕士，研究方向为船舶自动控制和教学管理。E-mail：1136 6 52 0 13 q q.c o m中第47 卷第1期国海航10游方式。由于邮轮内部构造复杂，舱室数量多，载客量大，一旦发生火灾，极易对旅客的财产和生命安全造成巨大威胁。因此，有效地对邮轮客舱火灾识别并划分危险等级，可为后期实施灭火措施和进行人员疏散提供决策建议，能最大限度地保证船舶和旅客安全1-3邮轮客舱火灾具有以下特点：火灾发生可能性较高、火灾载荷大、耐火等级低、扑救难度大、火灾损失严重和风险容忍度低等。近年来，许多研究人员开展了对船舶火灾特点和火灾蔓延方式的研究工作。张波4 以某散货船为例,模拟机舱火灾的发展过程，通过分析仿真数据总结出火灾蔓延规律，利用Unity3D虚拟现实引擎将火灾数据可视化，以加强受训人员对火灾的认知。任经敏等5 研究船舶火灾在不同通风条件下的热量扩散比重，开展多状态下的船舶火灾热量分布规律研究。孟顺等6 对船舶火灾蔓延路径进行模拟，得到温度、CO体积分数和烟气浓度等多源信息的变化规律。然而，在船舶客舱环境中包含多种可燃物，环境复杂，在火灾不同的发展阶段会产生不同的特征参数，用传统的解析方法难以对火灾情况进行精准建模和描述。随着传感器技术和机器学习算法的飞速发展，神经网络模型在火情检测中得到广泛的应用7 8 。李正周等9设计多节点多参数神经网络检测大型场所的火情，并经过模糊推理决策，给出火灾报警信息，提高火灾检测率和火灾决策判决的适应能力。陈广泰等10 通过BP神经网络(Back Propagation Neural Network，BPNN)根据环境因素调节火警判断时的相关参数，实现对火警的智能识别。徐昊等 设计1个6 层BPNN对火灾中不同舱室危险等级进行评估，分类精度达到96%。在邮轮客舱火灾过程中会伴随着多个特征信息的变化，如温度、湿度和气体体积分数等火灾物理量信息会随着火灾的变化而变化,因此，单一的火灾物理量信息难以准确地反映出具有不同表现形式的邮轮客舱火灾的整体特征。同时，若以单一信息进行火灾判断，容易受到外部环境的干扰，使火灾报警不够灵敏，存在误报和漏报的现象。因此，对于邮轮客舱火灾危险等级的评估，不能根据某一特征信息就能准确评估，需对舱室内多源参数进行监测，利用多信息融合技术实现对火灾等级的判断。其中,D-S证据理论是一种广泛应用的数据融合技术。张长勇等12 通过D-S证据理论融合多个传感器数据，提高火险情况的检测准确率。张学军13 将BPNN与D-S证据理论相结合设计火灾报警系统。D-S证据理论需引人较多的主观判断，并且要求各传感器所提供证据信息的独立性，在大规模数据集上不能产生较好的效果14-5。因此，通过引人self-Atention机制，设计一种新型Attention-BPNN模型用于融合多源传感器数据，实现对邮轮客舱火灾危险等级的识别。在Attention-BPNN模型中，多个BPNN模型并行运算，对采集的多源火灾信息进行分析和处理，通过self-Attention机制自适应地计算每个BPNN模型的权重,融合每个BPNN模型的诊断结果,进一步提高分类准确率,同时,降低单一分类模型的不稳定性和不确定性。通过设计的Attention-BPNN模型，可实时评估邮轮客舱火灾的危险等级，为后续的灭火措施和人员疏散提供依据。1邮轮客舱火灾过程模拟在邮轮客舱内，存在多个可能发生的火灾场景，在进行火灾模拟研究时，无法对每个场景进行逐一分析。文中的火灾场景是围绕人员疏散安全考虑进行设置，选取对人员安全疏散最不利的火灾场景和选取发生火灾概率最大的火灾场景。结合邮轮客舱的内部结构和防火特性，设定4个典型的火灾场景，分别位于第1层的主餐厅、第2 层的某一客房、第3层的商务房和第4层的棋牌室，见图1。（a）场景1主餐厅(b）场景2 客房（c）场景3商务房（d）场景4棋牌室图1火灾场景起火点示意Fig.1Fire scene fire point signal11熊正华，等：基于Attention-BP神经网络模型的邮轮客舱火灾欠危险等级分类研究1.1几何模型建立由于邮轮客舱火灾试验成本较高，很难进行现场试验。在此选用火灾动力学模拟工具（FireDy-namicsSimulator，FD S）（版本：5.5.3）来模拟邮轮客舱火灾的发展过程16 。通过FDS来模拟火灾过程，可对火灾中烟气的运动、温度和毒气体积分数等进行准确模拟。选取某邮轮为模拟对象，该邮轮总吨位492 4t，长度135.2 0 m，宽度19.6 0 m。客区甲板层共有上甲板L1、游步甲板L2、驾驶甲板L3、娱乐甲板L4和阳光甲板L5等5层。真实的邮轮客舱布局结构比较复杂，根据某邮轮的布局情况对邮轮进行合理简化，利用FDS对其进行建模，该邮轮建模后的三维视图、正视图和俯视图见图2。（a）邮轮建模三维视图（b）邮轮建模正视图（c）邮轮建模俯视图图2邮轮客舱建模图Fig.2Cruise ship cabin model diagram1.2网格的设置利用FDS对邮轮客舱进行火灾数值模拟时，需对客舱模型进行网格划分以确定计算区域和区域网络精度。综合考虑模拟计算运行时间和计算精度的影响，采用均分网格划分法设置每个单元网格的尺寸为0.5m0.5m0.5m，将整个客舱模型划分为4大块计算区域，共97 48 48 个单元网格。完整的邮轮客舱模型网络划分图见图3。1.3火灾释放速率的设定火灾的释放率Q是指在规定的试验条件下，在单位时间内材料燃烧所释放的热量。确定火灾热释放率才能进行火灾蔓延和烟气流动的计算。火灾的热释放率与火灾中可燃物的质量燃烧速率有关，有1图3邮轮客舱模型网格划分图Fig.3 Network division diagram of the cruise ship cabin modelVX.m.XHQ=XxmAH(1)式(1)中：x为可燃物的燃烧效率因数；m为可燃物的质量燃烧速率，kg/s；H 为可燃物的热值，J/kg。各火灾场景热释放率取值表见表1。表1各火灾场景热释放率取值表【16-17 Tab.1Value of the heat release rate in each fire scenario火灾增长达到热释放热释放火灾火源系数/速率所需速率/场景类型(kW/s2)时间/sMW场景1快速火0.046 89426.48.0场景2快速火0.046 89184.01.5场景3快速火0.046 89261.03.0场景4超快速火0.187 80237.010.01.4观测点和切片的设定在火灾发展过程中，为更加全面获得客舱火灾发生过程中的仿真数据，在模型内共布置57 9个探测器，分别用于测量温度、能见度和CO体积分数探测器，分为4组，分为位于客舱的L1、L2、L3、L4层，每层的探测点主要分布在着火房间附近及主要疏散通道地面上，探测器分布位置图见图4。A观测点B观测点C观测点图4探测器分布位置图Fig.4Position map of the detector distribution1.5火灾场景设置1）火灾场景1中，火源位于L1的主餐厅，通风排烟设备未开启，观察自然通风情况下火灾的发展情况。2）火灾场景2 中，火源位置位于L2层靠近部的某一乘客套房，套房内门窗开启，排烟设备失效，处于自然排风状态。3）火灾场景3中，火源位置位于L3层靠近舰中第47 卷第1期海国航12部的商务房内，假定火灾场景中排烟设备失效，处于自然排风状态，观察火灾发展的情况。4）火灾场景4中，火源位置位于L4层靠近部的棋牌室内，假定火灾场景中排烟设备失效，处于自然排风状态。本文设置的4个火灾场景见表2。表2火灾场景设置Tab.2Fire scene setting火灾火源热释放火源排烟场景位置速率/MW类型方式场景1L1主餐厅8.0快速火自然排烟场景2L2客房1.5快速火自然排烟场景3L3商务房3.0快速火自然排烟场景4L4棋牌室10.0超快速火自然排烟2邮轮客舱火灾等级分类模型利用Attention-BPNN对邮轮客舱内火灾危险等级进行智能识别，可为后续的灭火措施和人员疏散提供依据。Attention-BPNN采用self-Attention机制，自主地学习各个BPNN模型的权重值，以便自适应地对多个神经网络模型进行融合，减少单一模型的不确定性，实现对邮轮客场火灾情况高效稳定地诊断。2.1BPNNBPNN是由误差逆向传播算法训练的多层前馈神经网络。BPNN结构见图5，图5中：BPNN结构拥有1个输人层、2 个隐含层和1个输出层。BPNN通过多层非线性网络结构，对原始信息进行有效特征提取，最终实现对输入数据的有效分类。X1标签X训练损失模型hw.b(a)OE函数使EXn最小+1Layer4+1+1模型输出Layer3LayerlLayer2输入层隐含层隐含层输出层图5BPNN结构Fig.5BPNN structureBPNN具有n个输人，输通过模型权值与下一层相连，输出为2,=f(Z wfx:-b,)(2)式（2)中：x;为神经元的输人；w,为连接权值；b,为神经元的阈值；z，为神经元的输出;f（）为将输人节点特征映射到另一个多维空间的映射函数。该映射函数为激活函数，通过激活函数对输入数据特征进行非线性提取，最终实现对数据内非线性关系的挖掘。常用的激活函数分为Sigmoid、T a n h 和RuLU等。对神经网络隐含层中提取的特征进行非线性变换。由BPNN最终提取的特征为z，通过Softmax函数根据提取的特征计算每个类别对应的概率，有p(=1 I x,)eey1=(w1zij+b)=/p(=2 1 x.)1ey2=(w2jb2)(3)一Ke台ykp(c=KI x;)yh=+bk式（3）中：Y为模型输出的分类概率向量；w和bk分别为第1层的权重和偏差；为模型预测样本x;的标签;K为样本类别;e为最后一层神经层中第k个神经元输出的变量；最大值对应的类别为预测类别,即 c,=max(Y)。通过交叉熵损失函数来计算BPNN的预测值与真实值误差值，损失值L定义为NL=-Zy,ln y:+(1-y,)ln(1-y.)(4)=式（4)中：y；为真实标签,；为预测标签。基于得到的L，通过反向传播，逐层求出目标损失函数对每层神经元参数W的偏导数，构成损失函数对参数向量的梯度，以此作为修改参数向量的依据，逐步减少损失值，最终使误差可到达期望值。2.2self-Attention机制在Attention-BPNN中,单一BPNN模型最终提取的特征为zi,并且每个BPNN提取的特征具有一定的关联性，通过self-Attention机制可计算各个模型的权重，最终得到每个模型提取特征z；的重要性为(1,2,)=att(z1,z2,z;(5)式(5）中：；为每个BPNN模型的权重；i为BPNN模型的数量。利用非线性激活函数将输出z；进行变换，通过一个共享注意力向量q点乘得到最终的注意力值w为W=qT.tan h(W.zI+b)(6)式(6)中：W。为注意力机制的权重矩阵;b为偏置向量。通过Softmax函数可将注意力值；进行标准化，有熊正华，等：基于Attention-BP神经网络模型的邮轮等级分类研究13exp(w;);=Softmax(w,)=(7)2exp(w.)n1式（7)中：w；为模型输出值。将各个BPNN得到的模型参数z；通过；进行融合，得到最终的融合特征值乙。通过这种特征参数的融合，可使分类结果更加准确和可靠，有Z=iZ+22+.+Zi(8)2.3基于集成BPNN的火灾分类流程本文设计一种新型Attention-BPNN结构用于邮轮客舱火灾等级分类，Attention-BPNN网络结构见图6。具体步骤如下：2.3.1数据预处理模块通过邮轮内的烟气温度传感器，CO体积分数传感器和透光率传感器采集得到相关火灾数据。将采集的数据进行标准化处理，并将数据划分为训练集与测试集。将标准化后的数据直接输入所提出的分类模型中。文中选择的标准化方法为Min-Max法。2.3.2特征提取模块将归一化后的数据输人各个BPNN模型中，通过多次迭代，训练BPNN模型的最佳参数，并对原始数据进行特征提取，2.3.3信息融合模块通过self-Attention机制，对各个BPNN模型提取的特征进行融合，自适应地计算各个BPNN模型的权重，最终得到融合特征Z。烟气温度参数BPNN传感器空间1模型1Z数据预处理参数特征提取BPNNself-Attention诊断结果CO体积空间2模型1机制1分数传感器透光率参数BPNN传感器空间模型；Z数据预处理模块特征提取模块信息融合模块图6Attention-BPNN结构Fig.6Attention-BPNN structure3试验验证3.1邮轮客舱火灾等级分类邮轮客舱内结构复杂，引起火灾的危险源种类繁多，一旦发生火灾，会迅速产生大量的烟气。烟气是由于热解和燃烧而产生悬浮在空气中可见的燃烧产物，主要包括可见的烟颗粒和不可见的燃烧气体，会对乘客的生命安全带来很大的威胁。在火灾发展过程中影响人员生命安全的因素有很多，通过对火灾蔓延特点的研究和火灾中致死致伤原因的分析，可对火灾等级进行分类。综合考虑不同参数，包括烟气温度、能见度和烟气毒害性等方面，以对人体的影响程度为基准，根据人体的生理症状将火灾等级划分为4个等级，见表3。表3邮轮客舱火灾危险等级划分16,18 Tab.3Cruise ship cabin fire risk level classification无影响轻度影响中度影响严重影响参数（危险等级1）（危险等级2）（危险等级3）（危险等级4）温度/4040 6060 9090CO体积分数0.00040.000 40.000 80.00080.00120.001 2能见度/m15,+0)10,155,100,5头疼加剧，30min内眼花、恶心和20 min内头痛、眼花和生理症状影响较小3h后威胁生命痉挛；2 h内失去知觉恶心；30 min内死亡3.2Attention-BPNN结构与结果分析3.2.1神经元个数的影响BPNN结构会对分类结果产生重要的影响，影响最终分类结果的网络结构参数包括隐含层数、激活函数和神经元个数。根据本文火灾数据的特征，输人神经元的节点数为3，模型输人的特征为温度、中第47 卷第1期国海航14CO体积分数和能见度。输出神经元的节点数为4，划分4种火灾危险等级。BPNN的隐含层数和隐含层中神经元的个数没有系统的理论进行指导，其层数和神经元个数的选定主要以经验为主。因此，为得到最佳的BPNN结构，设计8 种网络结构进行测试。设计的BPNN网络结构见表4。表4BBPNN网络结构Tab.4BPNN network topology序号网络结构和隐含层神经元的个数输人层（3）+隐含层1层（15,Tanh）+隐含层21层(8,ReLU）+输出层(4,Softmax)输人层（3）+隐含层1层（2 0,Tanh）+隐含层22层(10,ReLU)+输出层(4,Softmax)输入层（3）+隐含层1层（15,ReLU）+隐含层23层(8,ReLU）+输出层(4,Softmax)输人层（3）+隐含层1层（2 0,Sigmoid）+隐含层42层(10,Sigmoid）+输出层(4,Softmax)输入层（3）+隐含层1层（2 0,Tanh）+隐含层25层(8,ReLU）+输出层(4,Softmax)输人层（3）+隐含层1层（2 5,Tanh）+隐含层26层（15,Tanh）+隐含层3层（8,ReLU）+输出层(4,Softmax)输人层（3）+隐含层1层（2 5,Sigmoid）+隐含层72层（15,Sigmoid）+隐含层3层（8，Sigmoid）+输出层(4,Softmax)输入层（3）+隐含层1层（30,Tanh）+隐含层28层（15,ReLU）+隐含层3层（10,ReLU）+输出层(4,Softmax)每个网络结构进行10 次试验，取10 次试验结果平均值作为网络最终的精度，得出不同网络结构下的平均准确率和平均训练时间见表5。由表5可知：序号5的BPNN准确率最高，并且所用的模型训练时间最短，网络结构为3-15-8-4，激活函数为ReLU。由表4可知：激活函数为Sigmoid的效果最差；当激活函数为Tanh和ReLU时，模型准确度有一定的提高；当模型使用ReLU激活函数时，模型的训练速度会大大地提高，由于通过使用ReLU函数的收敛速度快，不需要计算指数，而且梯度不会饱和。当隐含层为3层时，BPNN的分类准确率开始下降，说明隐含层和神经元个数并不是越多越好。考虑到该分类模型针对的是邮轮客舱采集的温度、CO体积分数和能见度3个特征的数据集，数据规模不算大，所以，采用的BPNN的隐含层为2层。表5不同网络结构下的平均准确率和平均训练时间Tab.5Average accuracy and average training time underdifferent network structures序号平均准确率/%平均训练时间/s185.3810.1287.6810.2387.6911.4487.5512.2588.9311.3688.5611.8787.8812.1888.5213.33.2.2BPNN个数确定经第3.2.1节确定单个BPNN结构后，确定Attention-BPNN模型中单个BPNN模型的个数具有重要意义，模型个数能影响最终分类结果的质量。文中通过网格搜索法，搜索13,5,8，10 来选择BPNN模型的个数，集成BPNN中单个模型的数量可从分类准确率和训练时间两个方面确定。不同模型数量下的平均分类准确率和平均训练时间见表6。表6 中：当模型数量增加时，Attention-BPNN的分类精确度也相应提高，但计算成本也逐渐增加；当模型个数为10 时，Attention-BPNN的训练时间最长为2 3.2 s；通过平均准确率分析，当模型个数为5、8和10 时，Attention-BPNN模型分类准确度相差不大，比模型个数为3时提高约为2%的准确度；当模型个数为8 时，Attention-BPNN模型分类准确度最高，但仅仅比模型个数为5时准确率提高了0.11%，但训练成本却大大地增加；考虑准确率和训练时间两个方面，当模型个数为5时，Attention-BPNN模型的分类准确率较高，为97.32%，并且训练成本相对较低。因此，本文选择的Attention-BPNN模型中单个模型的数量为5。表6不同模型数量下的平均分类准确率和平均训练时间Tab.6Average classification accuracy and averagetraining time under different number of modelsBPNN模型个数平均准确率/%平均训练时间/s395.2819.1597.3220.2897.4321.41097.2523.2熊正华，等：基于Attention-BP神经网络模型的邮轮客舱火灾危险等级分类研究3.3算法对比经第3.2 节分析，所提出的Attention-BPNN由多个5组BPNN模型构成，每组BPNN结构由2 个隐含层和1个Softmax分类层组成。第一层隐含层的激活函数为Tanh,第二层隐含层的激活函数为ReLU。隐含层是神经元个数为15,8 。每个神经元的权重通过梯度下降法和误差方向传播不断迭代更新。Attention-BPNN进行10 0 次迭代训练，初始学习率为0.0 1。Attention-BPNN模型结构见表7。表7 Attention-BPNN模型结构参数Tab.7Parameter of Attention-BPNN model structure网络结构参数数值输人层神经元个数3隐含层神经元个数15,8学习率0.01优化器Adam隐含层个数2送代次数100BPNN模型个数5激活函数(Tan h,ReLU)重复试验次数30通过与其他分类算法进行对比，验证所提出Attention-BPNN的性能。对比算法包括支持向量机（Su p p o r t Ve c t o r M a c h i n e,SVM）、决策树（DecisionTree,DT）、最邻近节点算法（K-Nearest Neighbor,KNN）、BPNN和随机森林（RandomForest,RF）等5个算法，为量化不同模型的分类性能，本文引人召回率(r）、精确率(p)和准确率()等3种性能指标分别为TP(9)T,+FNTPP=T,+FP(10)Tp+TNa(11)T,+TN+Fp+FN式（9）式（11)中：Tp为正样本正确分类为正类的样本数量；T为负样本正确分类为负类的样本数量；Fp为负样本错误分类为正类的样本数量；F为正样本错误分类为负类的样本数量。各个模型重复10 组试验下每一个火灾等级的分类准确率见表8。由表8 可知：Attention-BPNN模型在划分的4个火灾等级均有最高的分类准确率，火灾等级4准确率最高，可达99.31%；其次是等级3和等级2，其准确率可达到96.14%和95.53%；火灾等级1的准确率最低，为94.96%。表8 楼模型在不同火灾危险等级的分类准确率Tab.8The model was classified accurately at differentfirehazard levels单位：%分类准确率模型火灾火灾火灾火灾等级等级2等级3等级4SVM模型76.2174.5775.5978.11DT模型82.8984.5183.7886.28KNN模型84.2986.6286.2588.08BPNN模型86.5288.7988.2989.74RF模型88.1989.8591.0892.19Attention-94.9695.5396.1499.31BPNN模型不同模型的性能指标见图7。每个模型进行10次试验，然后取10 次结果的平均值作为模型的最终性能。图7 中：Attention-BPNN模型具有最佳的性能，其平均r、P和a可到达97.8 3%、97.54%和97.32%，通过图7 中误差棒的对比，得到所提出模型的稳定性也高于其他算法；其次是RF模型，RF模型是集成多个决策树模型的集成学习模型，可取得更加泛化的分类结果，同时，集成学习可减少单一模型分类的不确定性，因此,在本次的火灾危险等级分类任务中,RF模型的性能高于其他简单分类器，可达到90.6 4%。单一的BPNN模型的平均r、P和分别可到达8 8.2 1%、8 9.2 6%和8 8.51%，高于如SVM、K NN和DT等分类器，但其性能远远低于所提出的Attention-BPNN模型。从分类性能和稳定性两方面分析可知，本文所提出的Attention-BPNN模型能提供较高的分类精度和稳定的诊断能力，完全适用于邮轮客舱火灾危险等级分类。SVMDTKNN100元BPNN97.8397.54RF97.32Attention-BP89.2691.8184.0285.388.2189.6283.1184.0484.7586.4488.5/90.64278.218075.7776.38%/60F40200SVM DTKNNBPNNRFAnlention-SVMDTKNNBPNN RFAnention-SVMDTKNNBPNNRFAttention-BPBPBPPa参数图7不同模型的性能指标Fig.7Performance metrics for different models中国第47 卷第1期16海航4结束语本文基于集成学习思想，提出一种Attention-BPNN结构，用于识别邮轮客舱火灾危险等级。先通过对邮轮客舱火灾发展过程进行模拟，以能见度、CO体积分数、温度和生理症状这4项作为安全评价指标，将火灾危险等级划分4个等级。利用Attention-BPNN模型对火灾危险等级进行识别，能准确识别客舱的危险等级。经过多次试验和其他算法对比，证明所提出的模型识别较高，可达到97%以上，并且分类稳定性最好。通过该邮轮客舱火灾识别模型，可让邮轮的操作人员实时了解火灾危险等级，为安排灭火策略和人员疏散措施提供重要的指导建议。参考文献1王涛，刘江虹某豪华邮轮客舱人员疏散安全性评估J消防科学与技术，2 0 2 0,39（7）：10 37-10 40.WANG T,LIU J H.Evacuation assessment of cabinoccupants in luxury cruise J.Fire Science andTechnology,2020,39(7):1037-1040.(in Chinese)2方鸿强，贾佳，陆守香船舶火灾风险评估研究现状及发展趋势J船海工程，2 0 18,47（6）：7 2-7 6.FANG H Q,JIA J,LU S X.A review and researchtrends of ship fire risk assessment J.Ship&OceanEngineering,2018,47(6):72-76.(in Chinese)3郑春生船舶火灾及灭火救援的探讨J消防科学与技术,2 0 11,30(6)：536-540.ZHENG C S.Discussion on ship fire risk and fire-fighting and rescueJ.Fire Science and Technology,2011,30(6):536-540.(in Chinese)4张波船舶机舱火灾仿真及可视化应用研究D武汉：武汉理工大学，2 0 18.ZHANG B.Study on ship cabin fire simulation andvisualization application D.Wuhan:Wuhan Universityof Technology,2018.(in Chinese)5任经敏，朱小俊，姚远，等。不同通风条件下船舶舱室火灾热量分布研究J消防科学与技术,2 0 2 2,41(3):352-355.REN J M,ZHU X J,YAO Y,et al.Study on heatdistribution of ship cabin fire under different ventilationconditionsJ.Fire Science and Technology,2022,41(3):352-355.(in Chinese)6孟顺，郭俊林,刘志强，等。基于船舶火灾蔓延态势的路径规划算法J.船舶工程，2 0 2 1,43（2）：110-115.MENG S,GUO J L,LIU Z Q,et al.Path planningalgorithm based on ship fire spreading situation J.Ship Engineering,2021,43(2):110-115.(in Chinese)7汪书苹，王海超，范明豪，等基于多信息融合的电力火灾综合探测技术研究J。消防科学与技术,2 0 1736(2):213-217.WANG S P,WANG H C,FAN M H,et al.Researchon electric power fire integrated detection technologybased on multi-information fusion J.Fire Science andTechnology,2017,36(2):213-217.(in Chinese)8李东林基于深度学习的船舶火灾报警技术J船舶物资与市场，2 0 2 1,2 9(1）：10 1-10 2.LI D L.Ship fire alarm technology based on deeplearning J.Marine Equipment/Materials&Marketing,2021,29(1):101-102.(in Chinese)9李正周，缪鹏飞，刘勇，等基于无线传感器网络的大型场所火情检测与定位算法J数据采集与处理，2014,29(6):964-969.LI Z Z,MIAO P F,LIU Y,et al.Fire detection andposition algorithm for large room based on wireless sensornetworkJ.Journal of Data Acquisition&Processing,2014,29(6):964-969.(in Chinese)10陈广泰，王佳文,李争，等基于BP神经网络的机车车辆智能火灾防控系统设计J火灾科学,2 0 2 1,30(3):173-178.CHEN G T,WANG J W,LI Z,et al.Design of intelligentfire prevention and control system for locomotive androlling stock based on BP Neural NetworkJ.FireSafety Science,2021,30(3):173-178.(in Chinese)11徐昊，袁伟，俞孟。船舶舱室火灾危险等级实时分类研究J舰船科学技术，2 0 2 0,42（10）：7 2-7 7.XUH,YUAN W,YU M H.Real-time classification offire hazard levels in ship cabins J.Ship Science andTechnology,2020,42(10):72-77.(in Chinese)12张长勇，吴智博，杨建忠基于D-S证据理论的飞机火情检测方法J.消防科学与技术，2 0 18,37（1)：122-124.ZHANG C Y,WU Z B,YANG JZ.A method of aircraftfire de