CN101504790A - 红外光束型火灾烟雾探测器及其检测方法 - Google Patents

Abstract

本发明公开了一种红外光束型火灾烟雾探测器及其检测方法，该探测器含有MCU核心电路、电源电路、时钟电路、键盘及显示器接口、本地通讯电路、远程通讯电路、开关量输入电路、开关量输出电路、声光报警电路、模拟信号采集模块、红外发射接收电路，检测方法是一种模糊神网络火灾探测算法，模糊神经网络模型采用四层结构：分别代表输入层、输入变量模糊子空间的划分、火灾发生概率U模糊子空间的划分和输出层；通过对模糊神经网络学习训练，提高网络的泛法能力，经过训练后的模糊神经网络能对当前的输入做出准确的判断。在提高探测器灵敏度的同时，可以减少误报率，具有较强的抗干扰能力，极大地提高火灾探测系统的可靠性。

Description

红外光束型火灾烟雾探测器及其检测方法

技术领域

本发明属于建筑结构的火灾烟雾探测技术领域。

背景技术

传统的火灾烟雾探测器主要有离子式感烟探测器和光电式感烟探测器两种。离子感烟探测器是通过烟雾在电离室中引起的电压变化来感知烟雾粒子的微电流变化装置，对灰烟、黑烟以及各种粒径大小的烟具有较平衡的探测性能，但由于电离室的设计中采用了放射性元素，其生产、储运和报废的过程有污染环境的危险，且探测器本身极易受湿度、风速等环境干扰。光电式感烟探测器主要有点型和线性两种类型。点型光电感烟探测器利用红外光的散射原理和感烟室的“迷宫”结构，通过相应的检测电路，可以获得烟雾浓度信息，从而判断有无火灾发生，缺点是其探测范围较小，不适于高大空间火灾烟雾探测；线型光束感烟探测器采用透射光束衰减探测原理，烟粒子沿其敏感路径遮蔽红外光线时，通过监测透射光强衰减低于预值来判断有无烟雾，探测范围较大，适用于高大空间火灾烟雾探测。

除此之外，已有的离子式感烟探测器和光电式感烟探测器本身均不具备智能性，不具备对采样数据进行加工、分析、判断和处理的能力，对由于环境状态变化引起的工作点漂移和干扰误报缺乏补偿措施，其信息处理和火灾发生概率的判断要依赖火灾控制器或上位机，实时性较差。

随着技术的发展，出现了激光图像型感烟探测技术，通过对采集的图像进行图像处理和信息处理，可以实现高灵敏度火灾探测。但激光图像感烟技术由于光束的厚度造成采集图像中光斑叠加现象严重，影响了图像处理的可行性与精确性；此外，探测器软硬件相对复杂，成本较高。目前，激光图像型感烟技术离广泛应用尚有一定的距离。

发明内容

本发明的目的是要提供一种新型的高大空间红外光束型火灾烟雾探测器及其检测方法。该探测器可对所监测空间进行烟雾探测，并就地给出火灾预警信号和联动输出控制信号，对烟雾浓度的响应阀值可以进行自动浮动设计，以减少漂移和干扰的影响，对环境温度、湿度、风速、污染等环境状态变化实施补偿，同时该烟雾探测器还可以将检测到的信号采用通讯的方式传递到计算机，构成智能分布式计算机消防报警和联动控制系统。这些特点是传统烟雾探测器所不具备的。

本发明是采用以下技术手段实现的：

一种红外光束型火灾烟雾探测器，含有MCU核心电路、电源电路、时钟电路、键盘及显示器接口、本地RS232通讯电路、远程RS485通讯电路、开关量输入电路、开关量输出电路、声光报警电路、模拟信号采集模块、红外发射接收电路，其中：

MCU核心电路实现对其它电路模块的综合协调、控制、数据通讯和智能信息处理，是整个探测器的核心，它由四部分构成，分别是：MCU微控制器单元、系统时钟电路、复位电路和参考电源电路，其中，MCU采用了高性能16位微处理器芯片，具有较高的运行速度(每条指令的执行时间为125ns)和较强的数据处理能力(含有1个硬件乘法器)，为探测器进行复杂的数学计算和智能信息处理奠定了基础；

电源电路实现+5V电源到+3.3V电源的转换，满足探测器MCU核心电路对电源电压的要求；

时钟电路为探测器提供实时时钟，时钟芯片和MCU之间采用I2C总线方式进行数据的双向通讯，从而可进行时间的设置和读取；

键盘及显示器接口4可实现探测器与键盘、显示器的连接；

本地RS232通讯电路实现和本地计算机或其他设备通信，以满足实际应用中的具体需求；

远程RS485通讯电路实现和远程计算机或其它设备的联网通讯功能，以构成大型的火灾探测报警与消防联动控制系统。该部分电路由DC-DC隔离电源、光电隔离电路、RS485驱动电路构成；

开关量输入电路采用两片光电隔离器件，结合MCU共同完成开关量输入功能，实现开关量信号的检测；

开关量输出电路，结合MCU共同完成开关量输出功能，可实现4路无触点开关量输出和路带触点的开关量输出；

声光报警电路，该部分电路结合MCU和外置的扬声器，实现探测器的声光报警功能；

模拟信号采集模块，实现对模拟量信号的采集；

红外发射接收电路由红外发射电路和红外接收电路部分构成：红外发射电路驱动红外发射管发出脉冲波，红外接收电路接收反射回来的红外光；一体化接收器件接收固定载波频率的红外光，其输出为数字量信号，可直接和MCU接口；硅光电池接收反射回来的红外光，输出表示烟雾浓度的模拟量信息，经后面的运算放大器电路进行信号调理后，输出模拟量信号，送入模拟量信号采集模块进行信号采样。

一种红外光束型火灾烟雾探测器的使用方法，是一种模糊神网络火灾探测算法，模糊神经网络模型采用2-7-7-1四层结构：

第一层为输入层，表示模糊推理系统中的前件参数，具有x₁和x₂两个输入节点；x₁为表示当前烟雾浓度信息的模糊变量，x₂为相邻两次烟雾浓度变化率的模糊变量；

第二层表示输入变量模糊子空间的划分，具有7个隐层节点；每一个隐层节点表示一个模糊子集，共划分成7个模糊子集：{PB，PM，PS，ZO，NS，NM，NB}分别表示{正大，正中，正小，零，负小，负中，负大}；

第三层表示火灾发生概率U模糊子空间的划分，具有7个隐层节点；每一个节点表示一个模糊子集，共划分成7个模糊子集：{PB，PM，PS，ZO，NS，NM，NB}；

第四层称为输出层，具有1个输出层节点；表示模糊推理系统中的后件参数；

网络一～二层对应模糊控制规则的前件，二～三层对应模糊逻辑推理，四层对应的是模糊控制规则的结论部分；

定义模糊神经网络隐层节点的激活函数为： $f(t,x)=\frac{1-e^{-\mathrm{tx}}}{1+e^{-\mathrm{tx}}},$ 参数t为激活函数的斜率，x为输入变量，则整个网络的输入输出关系可表示如下：

第一层：O_1k＝x_k；

其中：x_k表示第一层节点的输入；O_1k表示第一层节点的输出；k＝1，2；表示输入层节点的个数。

第二层： $I_{2j}=\underset{k=1}{\overset{2}{\mathrm{\Σ}}}{W}_{\mathrm{jk}}{x}_k,$ O_2j＝f(t_j，I_2j)；

其中：I_2j表示第二层节点的输入；O_2j表示第二层节点的输出；j＝1，2，Λ，7表示第二层节点的个数；W_jk表示第一层和第二层之间的权值矩阵。

第三层： $I_{3i}=\underset{j=1}{\overset{7}{\mathrm{\Σ}}}{W}_{\mathrm{ij}}{O}_{2j},$ O_3i＝f(t_i，I_3i)；

其中：I_3i表示第三层节点的输入；O_3i表示第三层节点的输出；i＝1，2，Λ，7表示第三层节点的个数；W_ij表示第二层和第三层之间的权值矩阵。

第四层： $O_{4p}=\frac{\underset{i=1}{\overset{7}{\mathrm{\Σ}}}{W}_{\mathrm{pi}}{O}_{3i}}{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{O}_{3i}};$

其中：O_4p表示第四层节点输出，p＝1表示第四层节点的个数；W_pi表示第三层和第四层之间的权值矩阵。

模糊神经网络具有较强的学习能力，只有经过学习的神经网络才能对当前的环境做出准确的判断，网络的学习实际上是将领域专家的经验知识和大量训练样本的先验知识融合入模糊神经网络的各权值当中，学习时的输入模式为x_k，输出为u_p，要使输入输出达到期望的映射，可以通过网络学习调整权值W_jk，W_ij及W_pi：

定义误差函数为： $E=\underset{q}{\mathrm{\Σ}}\frac{1}{2}{(T_d-u_p)}^2$

其中，q为学习样本数，T_d为期望输出，u_p为神经网络的输出。

FNNC的学习算法如下：

$W_{\mathrm{pi}}(t+1)=W_{\mathrm{pi}}\left(t\right)-\mathrm{\η}\left(t\right)\frac{\∂E}{{\∂W}_{\mathrm{pi}}}+\mathrm{\β}(W_{\mathrm{pi}}\left(t\right)-W_{\mathrm{pi}}(t-1))$

$W_{\mathrm{ij}}(t+1)=W_{\mathrm{ij}}\left(t\right)-\mathrm{\η}\left(t\right)\frac{\∂E}{{\∂W}_{\mathrm{ij}}}+\mathrm{\β}(W_{\mathrm{ij}}\left(t\right)-W_{\mathrm{ij}}(t-1))$

$W_{\mathrm{jk}}(t+1)=W_{\mathrm{jk}}\left(t\right)-\mathrm{\η}\left(t\right)\frac{\∂E}{{\∂W}_{\mathrm{jk}}}+\mathrm{\β}(W_{\mathrm{jk}}\left(t\right)-W_{\mathrm{jk}}(t-1))$

其中：η(t)为自适应学习率，β为动量因子。

$\frac{\∂E}{{\∂W}_{\mathrm{pi}}}=-\underset{q}{\mathrm{\Σ}}(T_d-u_p)\frac{{\∂u}_p}{{\∂W}_{\mathrm{pi}}}=-\underset{q}{\mathrm{\Σ}}[(T_d-u_p)O_{3i}/\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{O}_{3i}]$

令

$\frac{\∂E}{{\∂W}_{\mathrm{ij}}}=\frac{\∂E}{\∂u}\·\frac{\∂u}{{\∂O}_{3i}}\·\frac{{\∂O}_{3i}}{{\∂W}_{\mathrm{ij}}}=\frac{\∂E}{\∂u}\·\left(\underset{p}{\mathrm{\Σ}}\frac{{\∂u}_p}{{\∂O}_{3i}}\right)\·\frac{{\∂O}_{3i}}{{\∂W}_{\mathrm{ij}}}$

     $=\underset{q}{\mathrm{\Σ}}\{-\underset{p}{\mathrm{\Σ}}(T_d-u_p)\·\frac{{\∂u}_p}{{\∂O}_{3i}}\·\frac{{\∂O}_{3i}}{{\∂W}_{\mathrm{ij}}}\}$

     $=\underset{q}{\mathrm{\Σ}}\{[-\underset{p}{\mathrm{\Σ}}(T_d-u_p)\·(W_{\mathrm{pi}}-u_p)/\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{O}_{3i}]\·\frac{t_i}{2}(1-f^2(t_i-I_{3i}))O_{2j}\}$

    

令：

$\frac{\∂E}{{\∂W}_{\mathrm{jk}}}=\underset{i}{\mathrm{\Σ}}(\frac{\∂E}{\∂u}\·\frac{\∂u}{{\∂O}_{3i}}\·\frac{{\∂O}_{3i}}{{\∂I}_{3i}}\·\frac{{\∂I}_{3i}}{{\∂O}_{2j}}\·\frac{{\∂O}_{2j}}{{\∂I}_{2j}}\·\frac{{\∂I}_{2j}}{{\∂W}_{\mathrm{jk}}})$

    

    

令：

学习时，激活函数曲线的斜率取定值1，即t_i＝t_j＝1，自适应学习率η(t)＝cη(t-1)，c为学习因子，取0.7～1.0。

本发明与现有技术相比，具有以下明显的优势和有益效果：

本发明采用模糊神经网络方法处理火灾探测信号，通过对模糊神经网络学习训练，提高网络的泛法能力，经过训练后的模糊神经网络能对当前的输入做出准确的判断。在提高探测器灵敏度的同时，又可以减少误报率，且网络具有并行分析处理的能力，极大地提高了火灾探测系统的可靠性和快速性。

附图说明：

图1为烟雾探测器结构图；

图2为红外发射接收电路；

图3为RS232通讯电路；

图4为时钟电路；

图5为RS485通讯电路；

图6为MCU核心电路；

图7为电源电路；

图8为模拟信号采集模块；

图9为声光报警电路；

图10为开关量输入电路；

图11为键盘及显示器接口；

图12为开关量输出电路；

图13为模糊神经网络结构图；

图14为烟雾探测器模糊神经网络工作原理图；

图15为探测器烟雾浓度信息处理过程图；

图16为模糊神经网络学习流程图；

图17为探测器主程序工作流程图。

具体实施方式

参照图1，探测器电路由MCU核心电路10、电源电路21、时钟电路22、键盘及显示器接口17、RS232通讯电路18、RS485通讯电路19、开关量输入电路12、开关量输出电路16、声光报警电路15、模拟信号采集模块14、红外发射接收电路13组成。

请参阅图2～图12为上述图1所示的烟雾探测器结构图的具体分解电路图。图中电路图基本由标准电路图组成，在此不再详细叙述。

图13为模糊神经网络结构图。

图14为烟雾探测器模糊神经网络工作原理图，从图中可以看出，30为输入学习样本；36为模糊神经网络学习训练阶段，31为输出学习样本；32为输入模糊神经网络38的烟雾浓度，33为输入模糊神经网络的烟雾浓度变化率，根据模糊神经网络38的信息输出到决策模块37，决策模块37判断是否有无火灾的信息。

请参阅图15所示，探测器烟雾浓度信息处理过程图。从图中可以看出，烟雾浓度41输入到数据预处理模块42，数据预处理模块42的信息输入到模糊神经网络处理算法模块43，最后作出火灾险情判断44。

MCU核心电路包括MCU微控制器单元、系统时钟电路、复位电路和参考电源电路。

MCU微控制器单元采用TI公司MSP430系列超低功耗16位单片机MSP430F149，其内部具有60KB+256字节FLASH，2KB RAM，6个8位并行GPIO，8路12位A/D转换器，2个串行通讯接口，1个硬件乘法器，1看门狗定时器，多个具有捕获/比较16位定时器。

系统时钟电路为MCU系统的CPU及其外设提供合适的时钟，它包括高频时钟电路和低频时钟电路，高频时钟电路采用1个8M晶体振荡器和2个12pF的电容构成振荡电路，晶体振荡器两端接至MCU的XT2IN和XT2OUT两个引脚；低频时钟电路采用1个32.768kHz的晶体振荡器，晶振两端接至MCU的XIN和TOUT/TCLK两个引脚。

复位电路采用美信公司MAX809R，其复位输出信号接至MCU的RST/NMI引脚。参考电源电路采用TL431高精度参考电压芯片，结合调节电阻，其输出为+2.5V精密参考电压，接至MCU的外部参考电压输入引脚VeREF+；

电源电路实现+5V电源到+3.3V电源的转换。探测器通过接线端子外接+5V和+12V两路电源，+12V电源用于红外发射和接收电路。+5V电源接至低压差电压转换芯片SPX117M3-3.3的输入引脚3，配合滤波电容，实现+5V电源到+3.3V电源的转换，该+3.3V电源作为MCU电路的“数字电源DV_CC”，其相应的“地”作为“数字地DV_SS”。“数字电源DV_CC”和“数字地DV_SS”分别接入磁珠，得到“模拟电源AV_CC”和“模拟地AV_SS”，分别接至MCU相应的“电源”引脚和“地”引脚；

请参阅图4所示，实时时钟芯片采用PCF8563T，供电方式采用系统电源和电池相结合的方式。探测器工作时，时钟芯片PCF8563T由系统电源供电，探测器不工作时，PCF8563T由电池供电，保证时钟正常走时；时钟芯片PCF8563T和MCU之间通过P2.6/ADC12CLK和P2.7/TA0两根I2C总线进行连接，通过I2C通讯进行时间的设置和读取。

请参阅图6所示，MCU的GPIO引脚P5.0/STE1～P5.3/UCLK1，P4.0/TB0～P4.7/TBCLK，P3.0/STE0～P3.3/UCLK0，P2.5/Rosc～P2.7/TA0，P1.0/TACLK～P1.7/TA2，RST/NMI实现探测器键盘、显示器接口功能。

MCU的异步串行通讯接口1的P3.6/UTXD1、P3.7/URXD1实现串行通讯数据的发送和接收，通过RS232驱动芯片MAX232E和相关外围电容器件实现RS232电平转换，从而实现RS232通讯功能。

MCU的异步串行通讯接口0的P3.4/UTXD0、P3.4/UTXD0以及控制信号P2.5/Rosc接至高速光电隔离器件6N137，实现MCU异步串行通讯口0的通讯信号与控制信号的光电隔离，经过隔离后的信号接至RS485驱动器MAX485，配合外围电阻实现RS485的通讯功能。光电隔离电路的隔离电源选用B0505S，实现+5V电源到+5V隔离电源的转换。

MCU的GPIO引脚P1.0/TACLK～P1.3/TA2通过两片TLP521-2光电隔离器件，完成开关量输入功能，实现4路开关量信号的检测。

请参阅图12所示，采用了两片AQW214和两个继电器，通过MCU的GPIO引脚P1.4/SMCLK～P1.7/TA2以及P2.0/ACLK～P2.1/TAINCLK，完成开关量输出功能，可实现4路无触点开关量输出和2路带触点的开关量输出。

请参阅图9所示，声光报警电路选用了4声音报警芯片KD9561、功率驱动芯片TWH8751和一片74LVC02，通过MCU的GPIO引脚P2.2/CAOUT/TA0～P2.4/CA1/TA2实现报警声选择和控制，输出信号ALARM+和ALARM-接扬声器，实现报警功能。

请参阅图8所示，模拟信号采集模块实现对模拟量信号的采集。本探测器所选用的MCU本身具有8路12位A/D转换接口，外部模拟量信号经过阻容滤波和限幅保护后，直接接入到MCU的A/D转换口P6.0/A0～P6.7/A7。

请参阅图2所示，红外发射电路采用MC1413作为驱动器，在MCU的P5.4/MCLK～P5.7/TBoutH控制下，驱动8支红外发射管发出脉冲波。红外接收电路接收反射回来的红外光；红外接收电路由两部分构成：一体化接收器件IR接收固定载波频率的红外光，其输出为数字量信号，接至MCU的P6.7/A7，实现数字量传输；硅光电池P1接收反射回来的红外光，输出表示烟雾浓度的模拟量信息，经后面的运算放大器电路进行信号调理后，输出幅值在0V～2.5V的模拟量信号，该信号送模拟量信号采集模块进行信号采样。

检测方法采用模糊神经网络方法，模糊神经网络模型采用2-7-7-1四层结构，如图14所示。模糊神经网络的工作过程分成两个阶段，第一阶段36是学习训练阶段，其中，30为输入学习样本，31为输出学习样本，该阶段利用输入输出学习样本对网络进行训练，将领域专家的经验知识和大量训练样本的先验知识融合入模糊神经网络的各权值当中。第二阶段38是工作期，其中，32为输入烟度浓度，33为输入烟雾变化浓度，37为决策系统，该阶段神经网络各层的权值保持不变，根据网络的输入计算网络的输出。

学习训练阶段，模糊神经网络的学习含有以下步骤：

1、学习训练样本的预处理；

2、初始化模糊神经网络参数，包括网络权值Wpi，，Wij，Wjk，激活函数曲线的斜率t，自适应学习率η和学习因子c；

3、计算模糊神经网络各层的输入和输出值

O_1k＝x_k， $I_{2j}=\underset{k=1}{\overset{2}{\mathrm{\Σ}}}{W}_{\mathrm{jk}}{x}_k,$ O_2j＝f(t_j，I_2j)， $I_{3i}=\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{W}_{\mathrm{ij}}{O}_{2j},$ O_3i＝f(t_i，I_3i)， $O_{4p}=u_p=\frac{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{W}_{\mathrm{pi}}{O}_{3i}}{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{O}_{3i}}$

4、计算模糊神经网络输出层各单元的校正误差

5、计算模糊神经网络权值修正因子

6、对模糊神经网络各层之间的连接权值进行修正

$W_{\mathrm{pi}}(t+1)=W_{\mathrm{pi}}\left(t\right)-\mathrm{\η}\left(t\right)\frac{\∂E}{{\∂W}_{\mathrm{pi}}}+\mathrm{\β}(W_{\mathrm{pi}}\left(t\right)-W_{\mathrm{pi}}(t-1))$

$W_{\mathrm{ij}}(t+1)=W_{\mathrm{ij}}\left(t\right)-\mathrm{\η}\left(t\right)\frac{\∂E}{{\∂W}_{\mathrm{ij}}}+\mathrm{\β}(W_{\mathrm{ij}}\left(t\right)-W_{\mathrm{ij}}(t-1))$

$W_{\mathrm{jk}}(t+1)=W_{\mathrm{jk}}\left(t\right)-\mathrm{\η}\left(t\right)\frac{\∂E}{{\∂W}_{\mathrm{jk}}}+\mathrm{\β}(W_{\mathrm{jk}}\left(t\right)-W_{\mathrm{jk}}(t-1))$

7、计算权值更新后的网络误差函数 $E=\underset{q}{\mathrm{\Σ}}\frac{1}{2}{(T_d-u_p)}^2,$ 然后学习次数n＝n+1；

8、误差E<某一足够小的常数ε或学习次数n>常数N？，是则训练结束，否则转3。

模糊神经网络在工作期对火灾发生概率的判断包含以下步骤：

1、对当前采样的烟雾浓度信号进行预处理；

2、计算模糊神经网络各层的输入和输出值

O_1k＝x_k， $I_{2j}=\underset{k=1}{\overset{n}{\mathrm{\&Sigma;}}}{W}_{\mathrm{jk}}{x}_k,$ O_2j＝f(t_j，I_2j)， $I_{3i}=\underset{j=1}{\overset{m}{\mathrm{\&Sigma;}}}{W}_{\mathrm{ij}}{O}_{2j},$ O_3i＝f(t_i，I_3i)，

$O_{4p}=u_p=\frac{\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}{W}_{\mathrm{pi}}{O}_{3i}}{\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}{O}_{3i}};$

3、对网络输出的火灾发生概率进行判断，如概率>0.5，表示发生火灾，否则为误报。

最后应说明的是：以上实施例仅说明本发明而并非限制本发明所描述的技术方案；因此，尽管本说明书参照上述的各个实施例对本发明已进行了详细的说明，但是，本领域的普通技术人员应当理解，仍然可以对本发明进行修改或等同替换；而一切不脱离发明的精神和范围的技术方案及其改进，其均应涵盖在本发明的权利要求范围当中。

Claims (7)

1、一种红外光束型火灾烟雾探测器，设有电源电路、声光报警电路、模拟信号采集电路以及红外发射接收电路；其特征在于：还进一步设有MCU核心电路、时钟电路、键盘及显示器接口、本地通讯电路、远程通讯电路、开关量输入电路、开关量输出电路；

所述的MCU核心电路实现对其它电路模块的综合协调、控制、数据通讯和智能信息处理；包括：MCU微控制器单元、系统时钟电路、复位电路和参考电源电路；

所述的时钟电路为探测器提供实时时钟，时钟芯片和MCU之间采用双向通讯，进行时间的设置和读取；

所述的键盘及显示器接口实现探测器与键盘、显示器的连接；

所述的本地通讯电路实现和本地计算机或其它设备的连接；

所述的远程通讯电路实现和远程计算机或其它设备的联网通讯；

所述的开关量输入电路，实现开关量信号的检测；

所述的开关量输出电路，为多路无触点开关量和/或多路带触点的开关量输出。

2、根据权利要求1所述的红外光束型火灾烟雾探测器，其特征在于：所述的MCU电路采用16位微处理器芯片。

3、根据权利要求1所述的红外光束型火灾烟雾探测器，其特征在于：所述的时钟电路的时钟芯片和MCU之间采用I2C总线方式进行连接。

4、根据权利要求1所述的红外光束型火灾烟雾探测器，其特征在于：所述的远程通讯电路包括：DC-DC隔离电源、光电隔离电路、RS485驱动电路。

5、根据权利要求1所述的红外光束型火灾烟雾探测器，其特征在于：所述的开关量输出电路，为4路无触点开关量输出和2路带触点的开关量输出。

6、一种红外光束型火灾烟雾探测器的使用方法，其特征在于：采用模糊神网络火灾探测计算法，该计算法依附多层结构的模糊神经网络模型；所述的模糊神经网络分为学习训练阶段和工作运行阶段；

其中，学习训练阶段包括以下步骤：

步骤1：学习训练样本的预处理；

步骤2：初始化模糊神经网络参数，包括网络权值W_pi，，W_ij，W_jk，激活函数曲线的斜率t，自适应学习率η和学习因子c；

步骤3：计算模糊神经网络各层的输入和输出值；

$O_{1k}=x_k,I_{2j}=\underset{k=1}{\overset{n}{\mathrm{\&Sigma;}}}{W}_{\mathrm{jk}}{x}_k,$ O_2j＝f(t_j，I_2j)， $I_{3i}=\underset{j=1}{\overset{m}{\mathrm{\&Sigma;}}}{W}_{\mathrm{ij}}{O}_{2j},$ O_3i＝f(t_i，I_3i)，

$O_{4p}=u_p=\frac{\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}{W}_{\mathrm{pi}}{O}_{3i}}{\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}{O}_{3i}}$

其中：x_k表示第一层节点的输入；O_1k表示第一层节点的输出；k＝1，2；表示输入层节点的个数；I_2j表示第二层节点的输入；O_2j表示第二层节点的输出；j＝1，2，Λ，7表示第二层节点的个数；W_jk表示第一层和第二层之间的权值矩阵；I_3i表示第三层节点的输入；O_3i表示第三层节点的输出；i＝1，2，Λ，7表示第三层节点的个数；W_ij表示第二层和第三层之间的权值矩阵；O_4p表示第四层节点输出，p＝1表示第四层节点的个数；W_pi表示第三层和第四层之间的权值矩阵；

步骤4：计算模糊神经网络输出层各单元的校正误差

步骤5：计算模糊神经网络权值修正因子

步骤6：对模糊神经网络各层之间的连接权值进行修正

$W_{\mathrm{pi}}(t+1)=W_{\mathrm{pi}}\left(t\right)-\mathrm{\&eta;}\left(t\right)\frac{\&PartialD;E}{{\&PartialD;W}_{\mathrm{pi}}}+\mathrm{\&beta;}(W_{\mathrm{pi}}\left(t\right)-W_{\mathrm{pi}}(t-1))$

$W_{\mathrm{ij}}(t+1)=W_{\mathrm{ij}}\left(t\right)-\mathrm{\&eta;}\left(t\right)\frac{\&PartialD;E}{{\&PartialD;W}_{\mathrm{ij}}}+\mathrm{\&beta;}(W_{\mathrm{ij}}\left(t\right)-W_{\mathrm{ij}}(t-1))$

$W_{\mathrm{jk}}(t+1)=W_{\mathrm{jk}}\left(t\right)-\mathrm{\&eta;}\left(t\right)\frac{\&PartialD;E}{{\&PartialD;W}_{\mathrm{jk}}}+\mathrm{\&beta;}(W_{\mathrm{jk}}\left(t\right)-W_{\mathrm{jk}}(t-1))$

步骤7：计算权值更新后的网络误差函数 $E=\underset{q}{\mathrm{\&Sigma;}}\frac{1}{2}{(T_d-u_p)}^2,$ 然后学习次数n＝n+1；

步骤8：误差E<某一足够小的常数ε或学习次数n>常数N？，是则训练结束，否则转3。

其中，模糊神经网络在工作运行阶段包括以下步骤：

步骤1：对当前采样的烟雾浓度信号进行预处理；

步骤2：计算模糊神经网络各层的输入和输出值；

O_1k＝x_k， $I_{2j}=\underset{k=1}{\overset{n}{\mathrm{\&Sigma;}}}{W}_{\mathrm{jk}}{x}_k,$ O_2j＝f(t_j，I_2j)， $I_{3i}=\underset{j=1}{\overset{m}{\mathrm{\&Sigma;}}}{W}_{\mathrm{ij}}{O}_{2j},$ O_3i＝f(t_i，I_3i)，

$O_{4p}=u_p=\frac{\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}{W}_{\mathrm{pi}}{O}_{3i}}{\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}{O}_{3i}};$

步骤3：对网络输出的火灾发生概率进行判断，如概率>0.5，表示发生火灾，否则为误报。

7、一种红外光束型火灾烟雾探测器的使用方法，其特征在于：所述的多层结构的模糊神经网络模型；采用2-7-7-1四层结构；

其中，依序的2代表第一层，即输入层，表示模糊推理系统中的前件参数，具有x₁和x₂两个输入节点；x₁为表示当前烟雾浓度信息的模糊变量，x₂为相邻两次烟雾浓度变化率的模糊变量；7为第二层表示输入变量模糊子空间的划分，具有7个隐层节点；每一个隐层节点表示一个模糊子集，共划分成7个模糊子集；7为第三层表示火灾发生概率U模糊子空间的划分，具有7个隐层节点；每一个节点表示一个模糊子集，共划分成7个模糊子集：1为第四层即输出层，具有1个输出层节点；表示模糊推理系统中的后件参数；

所述的一～二层对应模糊控制规则的前件，二～三层对应模糊逻辑推理，四层对应的是模糊控制规则的结论部分。

Images