发明名称 一种基于电子鼻技术的密闭空间火灾探测报警系统及方法
摘要 一种基于电子鼻技术的密闭空间火灾探测报警系统及方法,包括:采样管、过滤装置、三个气体传感器、温度传感器、传感器供电单元、传感器控制单元、信号采集单元、信号调理单元、监控主机、声光报警装置、流量计、真空泵、三通电磁阀和尾气处理装置。本发明能够实时在线分析、学,智能判断,以便于在极早期发现火灾,并减少误报、漏报率,更大限度的减少火灾对密闭空间人员和设备的损害。
申请公布号 CN103116961B 申请公布日期 2015.08.12
申请号 CN201310026143.5 申请日期 2013.01.21
申请人 中国科学技术大学 发明人 张永明;王晓伟;方俊;王进军
分类号 G08B17/00(2006.01)I;G08B17/117(2006.01)I 主分类号 G08B17/00(2006.01)I
代理机构 北京科迪生专利代理有限责任公司 11251 代理人 顾炜;贾玉忠
主权项 一种基于电子鼻技术的密闭空间火灾探测报警系统,其特征在于包括:采样管、过滤装置、三个气体传感器、温度传感器、传感器供电单元、传感器控制单元、信号采集单元、信号调理单元、监控主机、声光报警装置、流量计、真空泵、三通电磁阀和尾气处理装置;传感器供电单元为三个气体传感器和温度传感器提供电源,其输出端连接传感器;传感器控制单元控制三个气体传感器和温度传感器的开启、关闭,其输出端连接传感器;三个传感器分别为O<sub>2</sub>传感器、CO传感器和CO<sub>2</sub>传感器;信号采集单元用来采集三个气体传感器和温度传感器的数据,其输入端与传感器连接,输出端与信号调理单元连接;信号调理单元对采集到的信号进行放大、滤波,其输入端与信号采集单元连接,输出端与监控主机连接;监控主机设置有火灾监控主程序和PNN神经网络在线训练算法,能够实时识别火灾并给出报警、在线更新PNN神经网络和储存数据,其输出端连接声光报警装置和三通电磁阀;采样管采集、输送密闭空间现场气体数据,其一端至于密闭空间中,另一端连接过滤装置;过滤装置过滤气体中的水蒸气和烟颗粒,减少对传感器的影响,其一端连接采样管,另一端经管路连接气体分析腔;气体分析腔用来放置三个气体传感器和温度传感器,其另一端经管路连接流量计;流量计控制管路中的流速,其另一端经管路连接真空泵;真空泵抽气,为系统采样提供动力,其另一端经管路连接三通电磁阀;三通电磁阀控制尾气的流向,其另一端经管路连接尾气处理装置;尾气处理装置可处理采样气体中的CO、CO<sub>2</sub>有害气体,防止污染;监控主机实现过程:被监控现场的O<sub>2</sub>、CO、CO<sub>2</sub>和温度信号,经数据预处理后输入已经训练好的PNN神经网络模型,预测火灾发生概率并进行预警时间判断,如果判断发生火灾,则开启声光报警装置,接通尾气处理装置,并将数据输入已经训练好的PNN网络模型在线训练程序;如果判断未发生火灾,则继续监控,并将数据输入PNN网络模型在线训练程序;进行在线训练前,进行稳态判断,如果判断处于稳态,则返回火灾监控主程序;如果否,则将样本加入PNN神经网络模型的训练,得到新的PNN网络模型,并写入火灾监控主程序;所述已经训练好的PNN网络模型采用离线训练方式,离线训练过程为:首先对密闭空间现场火灾隐患进行调查,并以此进行模拟火灾实验;通过气体传感器及温度传感器获得模拟火灾现场数据,选取气体传感器响应值S<sub>i</sub>、气体传感器变化率△S<sub>i</sub>和温度响应值T<sub>i</sub>作为相应特征进行预处理,数据预处理方法采用阵列归一化方法,计算公式为:<maths num="0001" id="cmaths0001"><math><![CDATA[<mrow><msubsup><mi>X</mi><mrow><mi>i</mi><mo>,</mo><mi>j</mi></mrow><mo>&prime;</mo></msubsup><mo>=</mo><msub><mi>X</mi><mrow><mi>i</mi><mo>,</mo><mi>j</mi></mrow></msub><mo>/</mo><msup><mrow><mo>(</mo><mfrac><mn>1</mn><mi>n</mi></mfrac><munder><mi>&Sigma;</mi><mi>i</mi></munder><msubsup><mi>X</mi><mrow><mi>i</mi><mo>,</mo><mi>j</mi></mrow><mn>2</mn></msubsup><mo>)</mo></mrow><mrow><mn>1</mn><mo>/</mo><mn>2</mn></mrow></msup></mrow>]]></math><img file="FDA0000680386000000021.GIF" wi="524" he="230" /></maths>其中,X<sub>i,j</sub>代表第i次测量时第j个特征值,X<sub>i</sub>'<sub>,j</sub>代表变换后的值;将归一化后的数据X<sub>i</sub>'<sub>,j</sub>进行PCA主成分分析,通过降维,寻找N(N&lt;j)个正交特征变量,即主成分,使之反映数据X<sub>i</sub>'<sub>,j</sub>的主要特征,压缩原有数据矩阵的规模;当前N个主成分贡献率达到90%时,则认为该N个主成分能够反映X<sub>i</sub>'<sub>,j</sub>的主要特征,用来拟合原数据;利用前N个主成分,即特征参数,组成新的样本集X={x<sub>i,n</sub>|n=1,2,…,N},并应用于新建PNN网络模型的训练;当输出期望满足要求时,终止训练,将形成的PNN网络模型写入监控主机。
地址 230026 安徽省合肥市包河区金寨路96号