目前对于飞机货舱火灾的感知主要依赖于空间内部的火灾探测器，通常使用典型的物理传感器来探测温度、气体、烟雾等[4-5]。火灾发生时，烟雾体积分数、CO体积分数、温度等特征数据是一种随时间推移而序列长度不断延长的空间数据，具有明显的时序特征[6]，反映了火灾的时空变化过程。传统的火灾探测方法在处理时间序列数据上存在一定的局限性，例如难以捕捉数据中的长时间依赖关系，影响火灾检测精度。随着人工智能的快速发展，利用神经网络模型来学习数据内部的前后关联和复杂模式，可以显著提高对飞机货舱火灾等关键安全威胁的预测和识别能力。靳健等[7]基于火灾动力学模拟(fire dynamic simulation, FDS)火灾模拟结果构建火灾数据库，采用反向传播神经网络(backpropagation neural network，BP)分别建立判断着火层和确定火源平面坐标的神经网络，实现深埋地铁车站火灾火源的三维空间定位。Fang等[8]利用前馈神经网络(feedforward neural network, FNN)和长短期记忆网络(long short-term memory network，LSTM)，建立了火源位置与现场温度测量之间的关系模型，并以实际建筑为例进行了火源定位研究。在深度学习领域，研究发现递归神经网络(recurrent neural network，RNN)在处理时间序列数据上比前馈神经网络更加合适[9]。RNN以及变体双向LSTM网络(bidirectional long short-term memory network，BiLSTM)在处理长期依赖关系方面具备良好的性能[10]。在火灾早期检测上，研究者基于BiLSTM网络开展了一些工作。例如孟晓静等[11]采用计算机流体力学模拟火灾场景，获得温度传感器实时接收的序列数据，利用BiLSTM网络模型进行火灾场景数据分析并对火源位置和火灾强度进行实时预测。Dzulhijjah等[12]利用BiLSTM网络能识别上下文和序列的能力识别森林火灾。Sharma等[13]利用BiLSTM网络处理传感器收集到的时间序列数据研究出火灾探测人工智能系统。Fu等[14]利用BiLSTM网络学习温度信号和轰燃条件之间的复杂关系，用于闪燃发生前提醒消防员。Marjani等[15]提出CNN-BiLSTM的新型深度学习模型，用于实时预测野火蔓延，并捕获其时空变化特征。以上研究表明使用BiLSTM模型进行火灾探测具有良好的性能。神经网络的损失函数往往是非凸的，存在多个局部最小值，难以找到全局最优解。为了解决这一问题，Bayes优化算法作为一种有效的全局优化算法，被广泛应用于超参数调整，提高了寻找最优解的概率[16]。Wu等[17]建立基于Bayes优化算法的机器学习模型，在标准数据集上进行的实验结果表明，基于Gauss过程的Bayes优化算法在少数样本中能够达到较高的精度，与手动搜索相比，运行时间也大大缩短。Cho等[18]使用4种Bayes优化策略对深度神经网络(deep neural network, DNN)进行优化，所提出的DEEP-BO(diversified，early-termination-enabled，and parallel bayesian optimization)算法表现出最佳的性能。Hellen等[19]将Bayes优化算法应用到CIFAR数据集上，实验结果表明，图形处理单元的误差减少了6.2%。因此，Bayes优化算法通过精确调整超参数，优化了模型的预测精度，同时显著提高了模型训练的效率和效果。上述研究显著提升了火灾模型的定位精度，但是对模拟场景及数据的分布具有较大的依赖性。然而，现有的模拟场景往往难以全面且准确地再现真实火灾场景，后者具有极端复杂性与高度动态性的特点，且涉及较多的不可控变量和相互作用机制，这在一定程度上制约了火灾模型在复杂现实场景中的鲁棒性。针对这一问题，本文搭建了飞机货舱受限空间火灾实验平台，获取真实的飞机货舱火灾参数数据集；开展了深度学习的飞机货舱火源定位方法研究，并通过多个实验验证所提方法的有效性。
1 研究方法及理论
1.1 火灾特征参数选取
根据火灾动力学原理，理想状态下，热的火焰气体撞击天花板，并从羽流中心线轴线径向扩散。已有实验验证了飞机货舱火灾烟气运动符合理想状态下的运动模型[22]。由此可以利用每个圆形波前火灾特征物理信息量的差异性，在顶部平面确定火源的中心位置。将受限空间顶部平面的圆形波前火源定位问题由三维空间转变为二维平面问题的求解。
为了更全面地分析火灾发生时不同特征参数在短时间内的关系，本研究选取烟雾体积分数、CO体积分数和温度作为模型的特征参数来构建和优化神经网络模型，以提高火灾检测的准确性和响应速度。
1.2 Bayes优化算法
本研究采用Bayes优化算法对BiLSTM模型的超参数进行智能寻优。Bayes定理通过结合先验概率P(A)和似然概率P(B|A)得出后验概率P(A|B)计算方法如式(1)所示。
在本研究中，P(A)为没有任何新观测数据之前，对火源可能位置的初始估计；P(B|A)为假设火源位置为A的条件下，观测到数据B的概率；P(A|B)为观测到数据B之后，重新评估火源位置A的概率。
Bayes优化算法中，先验模型通常选择Gauss过程对目标函数进行建模和推断。Gauss过程先验分布公式(见式(2))利用协方差函数来描述输入点的相似性。
其中：f(x)为目标函数；kv(x, x′)为协方差函数，描述x和x′之间的相关性，其中v为超参数。本文将Matérn核函数用作协方差函数，计算方法如式(3)所示。
其中：$\left\|\boldsymbol{x}-\boldsymbol{x}^{\prime}\right\|_2$ 表示输入向量之间的Euclid距离，ν用于控制函数的平滑性，Kβ表示第β阶的修正Bessel函数。
1.3 BiLSTM
其中：$\vec{i}、\vec{f}_t$ 和$\vec{o}_t$ 分别为时间步长t上的输入门、遗忘门和输出门；$\vec{\tilde{c}}_t$ 为时间步长t上的细胞状态候选值；$\vec{c}_t$ 为时间步长t上的单元状态更新，是一种隐状态更新；Wi上一时刻的隐藏状态和当前时刻的输入到输入门的权值矩阵，Wf为上一时刻的隐藏状态和当前时刻的输入到遗忘门的权值矩阵，Wc为上一时刻的隐藏状态和当前时刻的输入到候选细胞状态的权值矩阵。Ui为当前时刻的输入到输入门的权值矩阵，Uf为当前时刻的输入到遗忘门的权重矩阵，Uc为上一时刻的隐藏状态和当前时刻的输入到输出门的权值矩阵，sigmoid激活函数，b是偏置向量。$\vec{h}_t$ 则是输出前向LSTM隐状态。
BiLSTM的输出是前向LSTM隐状态和后向隐状态的拼接，可表示为
本研究使用Bayes优化算法优化的BiLSTM进行火源定位，技术路线如图 1所示。首先对飞机货舱实验平台进行搭建并收集火灾数据，其次使用Bayes优化算法对模型进行训练，最后使用不同的评价方式对模型进行验证。
2 BO-BiLSTM网络模型
2.1 燃烧实验平台设计
为了模拟飞机货舱内的某一段受限空间密闭环境，本研究在民机火灾科学与安全工程四川省重点实验室搭建长×宽×高为4 m×4 m×2 m的密闭实验舱，作为可燃物的燃烧实验平台。该实验平台主要由融合传感器、数据采集终端、典型材料燃烧托盘、电子加热炉组成。实验严格遵循《点型感温火灾探测器》(GB4716—2024)和美国联邦航空管理局(federal aviation administration，FAA)对哈龙(Halon)替代灭火剂最低性能标准的实验要求[26]。按照木材热解阴燃火(SH1)中的实验要求，选用50 g、边长为15 cm的榉木(见图 2)作为可燃物，其长×宽×高为15 cm×15 cm×3 mm，并且采用旋向木纹。实验开始前，使用额定功率2 000 W的加热炉预热至100 ℃，确保实验舱内达到初始的标准温度。随后将加热炉以满功率加热至400 ℃，实验持续10 min，期间监测和收集各类数据，10 min后关闭加热炉并收集各类数据。
数据采集方面，使用5个融合传感器(生产厂家：石家庄智感物联网科技；规格型号：IS-TM-485-AQ-40；烟雾体积分数和CO体积分数精度：±1% ppm；温度精度：±0.3 ℃)实时收集火灾过程中的烟雾体积分数、CO体积分数和温度，探测器采集数据的时间间隔设置为1 s。先将4个传感器(S1—S4)分别安装在天花板的4个角落，确保最大程度的空间覆盖；第5个传感器(S0)安装在天花板的中心位置，确保数据更加全面(见图 3a)。为了分析实验中火源位置的多样性，以长×宽为4 m×4 m的实验舱底部中心为圆心模拟火灾扩散为同心圆，距离中心半径分别为$\frac{\sqrt{2}}{2}$ m、1.5 m、$\frac{3 \sqrt{2}}{4}$ m、$\frac{8 \sqrt{2}}{5}$ m随机摆放火源位置，从而形成了16个不同的火源位置组合(见图 3b，图中彩色圆圈数字即为不同的位置编号)。以火源位置在S0正下方(位置16)为例的设计如图 3c所示。每一火源位置的燃烧实验重复3次，确保实验数据的稳定性和可靠性。上述设计保证了传感器能有效获得不同位置的火灾参数信息，从而获取整个舱底的火灾动态，尽可能精确地模拟飞机货舱火灾的情况，提供更加全面的火灾特征数据，为后续的火源定位和火灾处理研究奠定了坚实的基础。
2.2 数据预处理
本研究选取前20 min的实验数据构建特征数据矩阵，并对矩阵进行稀疏化处理[29]。定义每组(16个火源位置，共16组)稀疏矩阵A的原始维度为1 200(数据采集时间间隔为1 s)×15(3种特征值×5个传感器)，每组选取连续的m(m=300)行数据，并对每列计算其在每组中的平均值。通过这种方式，得到稀疏矩阵S的行数g(g=1 200-m+1)，矩阵维度为901×15。
接着对数据进行最大-最小归一化(min-max normalization)操作，将数据转换至同一维度。计算方法为
其中：a为原始数据，min(a)表示该列特征值中的最小值，max(a)表示该特征值中的最大值，a′表示归一化后的数据，被映射到区间[0, 1]。
最后进行窗口滑动操作。矩阵稀疏化处理后的传感器数据长度为901。设滑动窗口长度为q，则一个火灾场景的窗口数为(901-q+1)个。第n个窗口数据表示为X(n)，包含了时刻n至时刻(n+m-1)的传感器数据，即X(n)=(xn, xn+1, …, xn+q-1)。这些窗口数据将作为深度学习时序模型的输入。传统的时序模型可能会忽略传感器数据中的时序信息，而窗口滑动操作使得深度学习时序模型能够有效地利用这些数据之间的依赖关系，提升模型的性能。
2.3 BO-BiLSTM火源定位方法
从自搭建的平台(见2.1节)获取实验数据并预处理(见2.2节)后，采用五折交叉验证的方法将数据分为训练集和测试集。采用BiLSTM网络有助于分析火灾特征数据中的关联性，从而提高特征提取的准确性和稳定性。其次，采用Bayes优化算法超参数空间寻优的方法得到模型的最优解。进而利用Bayes优化算法优化后的BiLSTM算法(BO-BiLSTM模型)构建火源定位方法，BO-BiLSTM火源定位方法的具体流程如图 5所示。主要分为以下几个步骤：
1) 数据预处理：引入矩阵稀疏化处理。使用最大-最小归一化方法对数据进行归一化处理，使用窗口滑动操作，使用五折交叉验证的方法将数据集分成训练集和测试集输入到模型中。
2) 构建初始模型：通过BiLSTM层，更全面地分析火灾发生时不同特征参数在短时间内的关系。
3) 超参数优化：利用Bayes优化算法对模型的神经网络层数、隐藏层维度、丢失率和学习率进行寻优。
4) 测试与评价：采用不同的窗口数对比模型评价指标选取最优的窗口滑动数，最后对模型的鲁棒性进行分析，对比特征数据缺失和传感器损坏情况下的模型精度。
输入层是网络模型的起点。根据2.2节中的方法进行预处理后，每一个传感器包含3种特征值，一次输入5个传感器的数据，每一种特征数据取300行，因此一次输入的维度为300×15，即300长度的时间序列数据，5个不同位置的三种特征参数值。
隐藏层维度和神经元数目，如果设置得过小，会导致模型泛化能力较差；而设置得过大，则会影响计算效率。学习率控制模型适应问题的速率，较大的学习率可能会导致模型过快收敛到次优解，而较小的学习率可能会导致模型在规定时间内永远不会收敛。Dropout是一种用于深度学习神经网络的正则化方法，用来减少过拟合现象同时还能有效地加快训练过程[30]，丢失率是在每次迭代时一些神经元被选择并被阻止训练的概率[31]。优化的超参数组合如表 1所示，本研究提出的方法采用1层隐藏层维度，包含128个神经元数目，丢失率设置为0.2，学习率设置为0.001。此外，在模型训练过程中，采用交叉熵损失函数和adam优化器对内置参数进行调整。
表 1 超参数优化结果 |
| 参数 | 取值 |
| 隐藏层维度 | 1 |
| 神经元数目/个 | 128 |
| 丢失率 | 0.2 |
| 学习率 | 0.001 |
交叉熵损失函数适用于多分类问题。交叉熵损失越小，表示模型的预测越接近真实标签。对于多分类问题，交叉熵损失计算每个类别的损失，并将其平均。多分类交叉熵损失公式为
其中：C表示类别数，模型输出每个类别的预测概率为$\hat{y}_i$ (即第i类的预测概率)，真实标签为yi，若样本属于类别i，则yi=1，否则yi=0。
训练损失是对所有训练样本计算后取平均值。假设训练集有N个样本，训练损失Lt的计算公式为
其中：yi, j表示第i个样本在第j类的真实标签，而$\hat{y}_{i, j}$ 表示模型预测第i个样本属于j类的概率。同理，测试损失和训练损失计算类似，只不过是基于测试集样本进行计算。
不同的激活函数适用于不同的分类任务。例如，softmax激活函数通常用于多分类问题，将模型输出转化为表示每个类别的概率分布；relu激活函数可以缓解梯度消失，并提升训练的速度和效率[32]。给定一个包含K个实数的向量z，z=(z1, z2, …, zk)，softmax函数和relu函数的计算公式分别为
其中：softmax(zi)表示向量z中第i个元素zi对应的输出概率值，exp(zi)是对第i个元素zi进行指数化的结果，是对所有输入元素进行指数化求和的结果，用来归一化每个元素的指数值，使得所有输出的和为1；relu函数的输入zi若满足zi>0, 则输出zi，否则输出0。
本研究中，softmax激活函数用于多分类问题的输出层，relu激活函数用于隐藏层。确保模型既能有效地进行分类，又能提高训练的效率。
2.4 模型评价指标
在分类任务中，交叉熵损失函数通常用于度量模型的预测概率与实际类别之间的差异。通过最小化损失函数，模型能够不断调整其参数以提高预测准确性。交叉熵损失函数的计算为
其中：yi为真实标签的概率分布，$\hat{y}_i$ 为模型预测的概率。
然而，损失函数并不能完全反映模型在实际应用中的表现。为了更加准确地评价模型的精度，引入评价指标：准确率(accuracy)、精确率(precision)、召回率(recall)和F1值(F1 score)[33]评价模型在不同情况下的表现，从而更好地服务于模型改进工作。准确率A是衡量模型总体预测能力的一个基本指标，适用于类别平衡的情况。对于类别不平衡的任务，精确率P、召回率R和F1值比准确率更能反映模型的表现。当漏报比误报更严重时，应侧重提高R值；反之，在误报影响较大的场景下，则应提高P值。各评价指标的计算方法为
其中：TP(true positive)是正确识别的阳性实例的数量，FN(false negative)是被模型错误分类为阴性的阳性实例的数量，FP(false positive)是错误分类的阴性实例的数量。
3 结果与讨论
3.1 模型验证
q为8时模型的训练过程如图 7所示。在训练开始时，A值快速上升，而损失快速下降。当模型迭代至100次时，Lt和A值较稳定，随着迭代次数的增加，先出现小波动，后趋于稳定，达到较为理想状态。测试过程初期，预测误差迅速减小，模型的拟合能力逐渐增强。当模型接近收敛时，测试损失下降速度变慢并趋于稳定。随着测试过程的进行，模型逐渐学习到数据的特征，对测试数据的分类性能不断提升。后期A值趋于稳定。
由表 2可知，模型的A、P和F1值均在97%以上，表明其不仅能够准确地预测正例，还能有效地识别出所有的正例，达到高标准的要求。因此，使用BO-BiLSTM模型，表现出高效稳定的性能。
表 2 BO-BiLSTM精确率、召回率和F1值 |
 | P | R | F1 |
| 位置1 | 99 | 99 | 99 |
| 位置2 | 90 | 100 | 95 |
| 位置3 | 100 | 98 | 99 |
| 位置4 | 100 | 97 | 99 |
| 位置5 | 89 | 99 | 93 |
| 位置6 | 99 | 92 | 94 |
| 位置7 | 100 | 98 | 99 |
| 位置8 | 100 | 90 | 95 |
| 位置9 | 100 | 94 | 97 |
| 位置10 | 98 | 96 | 97 |
| 位置11 | 94 | 99 | 96 |
| 位置12 | 99 | 100 | 100 |
| 位置13 | 100 | 100 | 100 |
| 位置14 | 100 | 100 | 100 |
| 位置15 | 96 | 96 | 96 |
| 位置16 | 92 | 100 | 96 |
| 平均值 | 97.5 | 97.3 | 97.2 |
将本文所提的BO-BiLSTM模型与4种未优化的传统时间序列神经网络(RNN、GRU、LSTM、BiLSTM)进行对比，结果如图 8所示。由图可知，BO-BiLSTM模型的表现最为优异，准确率达到了97.2%，这表明了BO-BiLSTM模型在时序数据处理任务中具有优势。
3.2 模型鲁棒性分析
火灾场景数据的实时获取依赖于货舱中的融合传感器，针对融合传感器中某一种特征参数的传感器损坏或融合传感器损坏的情况，进行模型的鲁棒性分析，将本文所提的BO-BiLSTM模型与其他4种未优化的传统时间序列神经网络(RNN、GRU、LSTM、BiLSTM)进行对比，结果如图 9所示。
对于不同神经网络，当温度、CO体积分数、烟雾体积分数分别缺失时，RNN在A值方面的整体表现最差，BO-BiLSTM模型则表现最优，这表明了后者在处理不完备数据时具有更强的鲁棒性和泛化能力。当缺失CO特征时，5种算法的准确率均高于其他特征组合。由此可见，将温度和烟雾体积分数进行组合，模型表现最佳，这表明温度和烟雾体积分数之间存在较强的相关性，且烟雾体积分数这一特征参数在火源定位中更加准确。
如图 10所示，随着传感器损坏数量的增加，模型的准确率呈现出下降趋势；在损坏数量相同的条件下，BO-BiLSTM模型的A值始终高于其他模型，这表明该模型在传感器损坏的情况下仍具有较强的鲁棒性和适应性。
4 结论
本文搭建飞机货舱受限空间火灾实验平台，开展可燃物燃烧实验获取火灾特征参数数据集，提出基于BiLSTM的飞机货舱火源定位方法，利用Bayes优化算法得到最佳模型参数组合(1层隐藏层维度，128个神经元数目，丢失率设置为0.2，学习率设置为0.001)，通过实验验证了模型的有效性。主要结论如下：
1) 利用在民机火灾科学与安全工程四川省重点实验室搭建的实验平台，通过真实火灾实验获取关键火灾特征参数，成功建立了飞机货舱火灾特征数据库，为火灾探测与分析提供了实际数据支持；
2) 提出一种基于BO-BiLSTM的火源定位方法。Bayes优化算法获得最佳模型参数组合后，进一步确定模型最优的滑动窗口数为8，此时模型准确率达到了97.2%；
3) BO-BiLSTM模型的准确率比未优化的传统时间序列神经网络(RNN、GRU、LSTM、BiLSTM)，BO-BiLSTM模型的表现最为优异，准确率为97.2%。随后对缺失特征值和传感器损坏情况的鲁棒性分析，当传感器损坏数为4个时，模型的准确性仍达到59.4%，显著优于其他模型。
本研究通过引入真实环境下的数据，提高了基于传感器和深度学习的火源定位技术在飞机货舱实际应用中的准确性和适用性。但本研究尚未包括有遮挡物存在时的情况，下一步研究将尝试扩展更多复杂的飞机货舱火灾场景，进一步提升火源定位的准确性和可靠性。
