CN102708645A - 一种船舶舱室火灾连锁报警优先级评估方法 - Google Patents
一种船舶舱室火灾连锁报警优先级评估方法 Download PDFInfo
- Publication number
- CN102708645A CN102708645A CN2012101560374A CN201210156037A CN102708645A CN 102708645 A CN102708645 A CN 102708645A CN 2012101560374 A CN2012101560374 A CN 2012101560374A CN 201210156037 A CN201210156037 A CN 201210156037A CN 102708645 A CN102708645 A CN 102708645A
- Authority
- CN
- China
- Prior art keywords
- fire
- ship
- cabin
- disaster
- alarming
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Alarm Systems (AREA)
- Fire Alarms (AREA)
Abstract
本发明提供的是一种船舶舱室火灾连锁报警优先级评估方法。采集与发生火灾舱室相邻的各舱室感温、感烟及可燃气体探测器获取的火情信息;读取船舶舱室火灾危险级别信息;对感温、感烟和可燃气体探测器获取的火情信息和舱室火灾危险等级信息进行归一化预处理;将经过处理后的数据送至三层前馈误差反向传播的神经网络进行处理,得到各个舱室火灾连锁报警优先级的评估结果,即初级警报概率、中级警报概率及高级警报概率。本发明实现了船舶火灾报警系统自动报警的全面性、超前性、准确性和可靠性,较为有效地达到了降低误报、漏报率的目的,减少了舱室可能发生连锁性起火而导致船舶重大损失的概率。
Description
技术领域
本发明涉及的是一种火灾自动报警方法,特别是一种火灾智能报警方法。
背景技术
随着科技的发展,世界各国大力发展海上产业,船舶作为海上运输的重要工具,已经成为人们重视的焦点。由于现代船舶环境较为复杂,船上舱室空间狭小、机械设备安放紧密、气体和液体运输及电路线路复杂,故当某区域某舱室发生火灾时,相邻的舱室必然受到牵连,若未及时发现火情,随着火势愈演愈烈,通过墙壁或相互连接的通风管道、油气运输管道、线缆等会蔓延至数个舱室,引发连锁性起火,从而对船舶主体及人员安全构成了巨大的威胁,其火灾危险程度以及可能造成的损失将远远大于一般建筑火灾。
目前,我国对如何有效控制和处理船舶火灾的认识还不够全面,只是处于宏观和经验的阶段,且缺乏一个完整的船舶火灾安全评估体系。国内外近些年趋向于智能型火灾报警系统的研究,如利用神经网络与模糊系统结合的控制方法及多报警参量信息融合技术来设计智能型火灾探测器,这种探测器不但具有一定的自学习和自适应性,还有一定的可靠性,能有效降低探测器的误报率。另外,人工智能以及交互技术也被越来越多的智能火灾报警系统所采用,这些均已成为火灾报警系统的前沿和核心技术。然而,现如今的火灾报警系统智能化趋势只是着重于探测器对火情的准确判断,减少误报漏报频率,提高系统反应灵敏度,灭火设施启动迅速等,而忽略了消防报警系统以“防”为主,以“消”为辅的重要性。舱室是船舶的重要组成部分,当某舱发生火灾时,根据舱室火灾特点,舱室火势蔓延迅速,易引发连锁性起火,后果不堪设想,所以应着重考虑各个舱室之间的关联性,研究火灾报警系统针对舱室可靠准确的连锁报警技术是十分重要的。
当某舱室发生火灾时,报警系统不仅要得到该舱的准确位置、火灾参数、报警级别等信息,还应同时采集其周围临近舱室的环境信息及火情信息,综合判断决策出这些舱室的火势发展情况及报警优先级信息。这样不仅能弥补船舶火灾报警系统在连锁报警控制方面的功能缺陷,还能为后期报警及启动相应联动灭火设施奠定基础。
未来对船舶火灾报警系统的要求则不仅是要实现舱室连锁报警的准确无误,还应在此基础上决策出相应的火灾预防手段和联动灭火动作,这样才能增加报警系统的火灾判别与控制的精度,有效减少漏报、误报频率,使船舶火灾报警系统的功能更加完善、高效,更能体现了智能化与人性化。
发明内容
本发明的目的在于提供一种用于得到准确、及时、可靠的舱室连锁报警优先级信息,超前的舱室火情信息警报可为后期灭火节约宝贵的时间,避免舱室关联起火对船舶及人员造成重大损失的船舶舱室火灾连锁报警优先级评估方法。
本发明的目的是这样实现的:
1)集中火灾报警控制器采集与发生火灾舱室相邻的各舱室感温、感烟及可燃气体探测器获取的火情信息;
2)集中火灾报警控制器读取船舶舱室火灾危险级别信息,所述船舶舱室火灾危险级别是以船舶舱室可燃物的数量和特性、舱室的通风状态、消防系统状态为要素,将所述要素进行归纳与量化,并根据广义指标体系非线性合成的一个指标,用来衡量舱室火灾危险性的大小;
3)对感温、感烟和可燃气体探测器获取的火情信息和舱室火灾危险等级信息进行归一化预处理;
4)将经过处理后的数据送至三层前馈误差反向传播的神经网络进行处理,得到各个舱室火灾连锁报警优先级的评估结果,即初级警报概率、中级警报概率及高级警报概率。
为了解决船舶火灾报警系统在舱室连锁报警功能上的缺陷,本发明提出了一种基于BP算法的船舶舱室火灾连锁报警优先级评估方法,本发明在不需增加多余探测设备及成本的基础上通过神经网络控制算法对各舱室不同类型探测器采集到的火情信息及舱室本身火灾危险等级信息的数据进行分析处理,快速准确地给出各舱火灾报警优先级信息,有效地做到了舱室连锁报警的准确性、超前性与全面性,减少由于舱室火情信息遗漏而造成的重大火灾事故。
本发明应用于基于船舶舱室火灾连锁报警控制思想的船舶火灾自动报警系统舱室连锁报警控制系统,本发明的方法是针对该控制系统中的判断舱室1至N是否报警以及将舱室1至N火灾报警等级信息送至集中报警控制器并确定是否启动相应灭火设施两个步骤而设计的。
本发明通过采集检测如下参数并进行预处理可有效地预测船舶舱室火灾连锁报警优先级别:
(1)感烟探测器信号。烟雾是火灾的早期现象,现在的感烟火灾探测器能够对可见的烟雾和不可见的悬浮颗粒作出响应,将探测得到的烟雾浓度变化转化为电信号来启动报警,故利用感烟式火灾探测器的优点是可以较早的探测到火灾的发生。像船舶这样复杂而重要的场所,为了提高火灾探测报警及消防联动控制功能的可靠,以及保证自动灭火系统动作的准确性,也会考虑同时使用离子感烟探测器、光电感烟探测器等多种感烟式火灾探测器。
(2)感温探测器信号。通过对船舶舱室火灾特点的分析得知,舱室在发生火灾时温度变化最为明显,各个舱室衔接紧密,火势蔓延会导致舱壁温度逐渐升高,故判断各舱室火情时应着重考虑感温探测器获取的报警信息。通常,感温探测器将温度的变化转换为电信号用于火灾报警,根据温度参数等不同,一般分为定温式、差温式与差定温式多种类型。船用感温火灾探测器是利用热敏元件对温度的敏感性来检测环境温度,适用于发生火灾时有剧烈温升的场所,与感烟探测器配合使用更能可靠探测火灾,减少损失。
(3)可燃气体探测器信号。由于应用于各领域的船舶种类很多,像大型储油、储气船等,一旦发生火灾,极易产生大量可燃气体,很难探测及扑灭,故需要安装可燃气体探测器用于探测火情。可燃气体探测器是对单一或多种可燃气体浓度响应的探测器,它有催化型、红外光学型两种类型,当空气中有被测气体或液体挥发时,探测器即产生与空气中被测气体浓度成正比的电信号,电信号经处理后发出报警信号。
(4)舱室火灾危险等级信号。查阅相关文献得知,目前,世界各国的船舶火灾危险性评估已成为船舶生命力评估的重要组成部分,舱室作为船舶的重要组成部分,其火灾危险度的评估也固然重要。由火灾产生及蔓延机制可知,船舶火灾与船舶舱室可燃物的数量和特性、舱室的通风状态、消防系统状态以及人员因素有关。将这些因素进行归纳与量化,并根据广义指标体系非线性合成一个新的指标,即船舶舱室火灾危险度,用来衡量舱室火灾危险性的大小。
本发明的技术效果在于:集中火灾报警控制器采集某舱报警信息同时采集其相邻舱室火情信息,体现了火灾报警系统的连锁报警控制思想,且利用基于神经网络的船舶舱室火灾连锁报警优先级评估方法得到了可靠准确的舱室火灾报警优先级别信息,扩大了报警系统的关联报警范围,提高了系统的控制精度,实现了船舶火灾报警系统自动报警的全面性、超前性、准确性和可靠性,较为有效地达到了降低误报、漏报率的目的,减少了舱室可能发生连锁性起火而导致船舶重大损失的概率。
附图说明
图1是应用本发明船舶舱室火灾连锁报警优先级评估方法的,船舶火灾自动报警系统舱室连锁报警控制系统的流程图。
图2是本发明中船舶舱室火灾连锁报警优先级评估系统神经网络结构。
具体实施方式
下面结合附图列举具体实施方式对本发明作进一步的说明:
如图1所示,为本发明的船舶火灾自动报警系统连锁报警控制流程图,该流程图显示出了船舶火灾报警系统连锁报警的控制思想。船舶火灾报警系统周期采集各个舱室的探测器报警信号,当某一舱室报警时,该舱室的报警信息会送至集中报警控制器,此时为达到连锁报警控制的目的,集中报警控制器会立即采集与该舱邻近的多个舱室火灾探测器获取的火情信息,并判断出这些舱室的火灾报警等级信息,根据不同的报警等级信号,集中报警控制器会给出不同的报警信号,并启动相应的联动灭火设施进行灭火。这样,船舶火灾自动报警系统的功能就更加完善了,舱室的连锁报警控制方法的应用能够减少报警系统的漏报率,提高系统控制精度,考虑各舱室火情关联信息更加全面,避免因疏忽某个舱室报警信息而给全船造成的巨大损失。本发明设计的船舶舱室火灾连锁报警等级评估方法即是应用于船舶舱室火灾连锁报警控制流程中的判断舱室1至N是否报警步骤和将舱室1至N火灾报警等级信息送至集中报警控制器并确定是否启动相应灭火设施步骤的。
如图2所示,为本发明的基于BP算法的船舶舱室火灾连锁报警优先级评估系统神经网络结构图。该系统的输入量包括各舱感温探测器、感烟探测器获取的火情信息以及通过国内外火灾模拟软件得到的舱室火灾危险等级信息(舱室火灾危险等级可通过相关文献查询得知),将这些信息进行预处理,归一化至[0,1]范围内,这样才能进行下一步数据处理。采集以上信息能够使系统对舱室早期识别火灾报警判别信息,防止火灾隐患有所帮助,降低漏报、误报率。神经网络的输出量为舱室火灾连锁报警优先级评估结果,即各相邻舱室的初级警报、中级警报和高级警报概率。
船舶火灾自动报警系统中的感温探测器、感烟探测器和可燃气体探测器采集火情信号的以及各舱室火灾危险等级信息,对这些信号进行预处理后,送至神经网络进行学习与训练。以上信息经过归一化预处理后转化为[0,1]范围内的数值信息,其归一化公式选择如下:
其中,x∈[xmin,xmax],xmin和xmax分别为要进行预处理的输入量的最大值与最小值。
经过预处理后,将数据送入基于神经网络的数据分析模块进行处理。本发明采用一个三层前馈误差反向传播的神经网络对预处理后的数据进行处理。由于标准的BP梯度下降法和有动量的梯度下降法在实际应用中通常具有学习速率过慢的缺陷,且容易陷入局部极小点,所以本发明提出一种改进的高效BP算法,即基于优化理论的Levenberg-Marquardt训练算法,并通过调整网络的权值、阈值,使网络的实际输出与期望输出的误差最小。输入层的四个输入分别为归一化的感温探测器信号、归一化的感烟探测器信号、归一化的可燃气体探测器信号以及归一化的各舱室火灾危险等级信息,输出层则为三个神经元,即初级警报概率、中级警报概率与高级警报概率。建立该合理的神经网络重点是网络参数的选取、网络结构的确定以及神经网络学习算法的选择等。
基于BP算法的船舶舱室火灾报警优先级评估模型的设计思路具体如下:
1)隐层节点数目的选取
隐层节点的作用是从样本中提取并存储其内在规律,每个隐节点有若干个权值,而每个权值都是增强网络映射能力的一个参数。若节点数量太少,网络从样本中获取信息的能力就差,不能体现样本集中样本规律;若节点数量太多,则会出现“过度吻合”问题,降低了泛化能力,还会导致训练时间过长、误差大。故通常情况下,隐层节点数目可按下面的经验公式来选取:
式中,nH为隐层节点数目,n0为输入节点数目,n1为输出节点数目,l为1~10之间的整数。本发明首先选取一个较大的隐层节点数,一般大于输入输出单元数总和的一半,然后再根据实际情况修改,最终得到一个合理的隐层数。经过试验后确定该神经网络隐层数为7。
2)学习步长的选取
在一般的学习算法中,步长选取较大时,权值更新快,会使收敛速度加快,但可能会导致系统震荡,补偿选取较小时,学习速度慢,但学习过程平稳。故可想选取一个较大学习步长,然后随着迭代的进行逐渐减少调整步长。
3)连接初始权值的确定
在对样本进行学习时,首先要给各连接权值、阈值赋初值。选取初值不合理易导致学习速率慢,且影响学习精度,由于该系统为非线性系统,初始值对于学习是否达到局部最小和是否收敛的关系很大。故本发明选取[-1,1]之间不同的均匀分布的随机数作为初始值。
4)学习算法的选取
由于标准的BP梯度下降法和有动量的梯度下降法在实际应用中通常具有学习速率过慢的缺陷,且容易陷入局部极小点,所以本发明提出一种改进的高效BP算法,即基于优化理论的Levenberg-Marquardt训练算法。LM算法是用来解决计算Hessiam矩阵问题的,在前馈网络中执行平方和形式时,Hessiam矩阵可被近似为H=JTJ,梯度公式为:g=JTE,J为雅克比矩阵,E为误差矢量。雅克比矩阵可通过标准BP算法得到,其修正的公式为
xk+1=xk-[JTJ+uI]-1JTe
当u=0时,变成近似Hessian矩阵的拟牛顿法。另外,若训练成功,误差性能函数减小,则减小u值;反之若训练未成功,则增加u值;这样就可使得误差性能函数随着迭代而下降至极小值。
对该神经网络进行仿真时,训练样本的选取十分重要,本发明的船舶舱室火灾报警神经网络评估模型的样本获取十分困难,故通过对火灾初期报警系统采集的各类探测器报警信号实验数据以及参考相关文献得到舱室火灾危险等级经验数据作为该神经网络的样本集,输出的报警各优先级概率则依据现有的国内外火灾报警标准及核心期刊上已发表的文章给出。
设计并仿真学习训练完该BP神经网络舱室火灾连锁报警优先级评估模型后可测试多组试验数据,通过观察实验结果可以看出,选用的基于BP算法的船舶舱室火灾连锁报警优先级评估模型是准确的、可行的,在此基础上,集中火灾报警控制器能够准确地得知发生火灾舱室及其相邻各个舱室的火灾报警优先级信息,可靠全面地为船上工作人员提供舱室火灾连锁报警信息,确实做到各舱室超前火灾预警,提高了报警系统的控制精度。
Claims (2)
1.一种船舶舱室火灾连锁报警优先级评估方法,其特征是:
1)集中火灾报警控制器采集与发生火灾舱室相邻的各舱室感温、感烟及可燃气体探测器获取的火情信息;
2)集中火灾报警控制器读取船舶舱室火灾危险级别信息,所述船舶舱室火灾危险级别是以船舶舱室可燃物的数量和特性、舱室的通风状态、消防系统状态为要素,将所述要素进行归纳与量化,并根据广义指标体系非线性合成的一个指标,用来衡量舱室火灾危险性的大小;
3)对感温、感烟和可燃气体探测器获取的火情信息和舱室火灾危险等级信息进行归一化预处理;
4)将经过处理后的数据送至三层前馈误差反向传播的神经网络进行处理,得到各个舱室火灾连锁报警优先级的评估结果,即初级警报概率、中级警报概率及高级警报概率。
2.根据权利要求1所述的一种船舶舱室火灾连锁报警优先级评估方法,其特征是三层前馈误差反向传播的神经网络的处理方法为:
1)隐层节点数目的选取
隐层节点数目可按下面的经验公式来选取:
式中,nH为隐层节点数目,n0为输入节点数目,n1为输出节点数目,l为1~10之间的整;首先选取一个较大的隐层节点数,一般大于输入输出单元数总和的一半,然后再根据实际情况修改,最终得到一个合理的隐层数;
2)学习步长的选取
先选取一个较大学习步长,然后随着迭代的进行逐渐减少调整步长;
3)连接初始权值的确定
选取[-1,1]之间不同的均匀分布的随机数作为初始值;
4)学习算法的选取
用基于优化理论的Levenberg-Marquardt训练算法来解决计算Hessiam矩阵问题的,在前馈网络中执行平方和形式时,Hessiam矩阵被近似为H=JTJ,梯度公式为:g=JTE,J为雅克比矩阵,E为误差矢量;雅克比矩阵通过标准BP算法得到,其修正的公式为
xk+1=xk-[JTJ+uI]-1JTe
当u=0时,变成近似Hessian矩阵的拟牛顿法;另外,若训练成功,误差性能函数减小,则减小u值;反之若训练未成功,则增加u值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201210156037 CN102708645B (zh) | 2012-05-18 | 2012-05-18 | 一种船舶舱室火灾连锁报警优先级评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201210156037 CN102708645B (zh) | 2012-05-18 | 2012-05-18 | 一种船舶舱室火灾连锁报警优先级评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102708645A true CN102708645A (zh) | 2012-10-03 |
CN102708645B CN102708645B (zh) | 2013-10-30 |
Family
ID=46901358
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201210156037 Expired - Fee Related CN102708645B (zh) | 2012-05-18 | 2012-05-18 | 一种船舶舱室火灾连锁报警优先级评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102708645B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103218664A (zh) * | 2013-05-08 | 2013-07-24 | 重庆邮电大学 | 一种基于小波神经网络的告警权值确定方法 |
CN103226733A (zh) * | 2013-03-21 | 2013-07-31 | 中国石油大学(华东) | 一种浮式生产储油船火灾气体探测器的优化布置方法 |
CN103440728A (zh) * | 2013-09-03 | 2013-12-11 | 哈尔滨工程大学 | 分布智能控制船舶消防系统连锁性失效测评方法 |
CN104574764A (zh) * | 2014-12-18 | 2015-04-29 | 文曲 | 一种火灾报警系统 |
CN106873364A (zh) * | 2016-12-31 | 2017-06-20 | 中南大学 | 一种智能机器人的任务优先级确定方法 |
CN110335438A (zh) * | 2019-06-20 | 2019-10-15 | 武汉理工大学 | 一种氢燃料电池船舶安全保护系统和保护方法 |
CN110624194A (zh) * | 2019-07-15 | 2019-12-31 | 国网浙江省电力有限公司嘉兴供电公司 | 一种基于泛在电力物联网的变电站的智能灭火控制方法 |
CN112216055A (zh) * | 2020-09-24 | 2021-01-12 | 佛山市天然气高压管网有限公司 | 一种燃气场站火灾预警检测方法及系统 |
CN112466083A (zh) * | 2020-10-15 | 2021-03-09 | 中船重工远舟(北京)科技有限公司 | 一种船用火灾监测报警方法及系统 |
CN113515155A (zh) * | 2021-07-12 | 2021-10-19 | 昆明理工大学 | 一种多路径智能化室内安全检测系统及方法 |
CN114023030A (zh) * | 2021-11-11 | 2022-02-08 | 深圳中消云智慧安全有限公司 | 一种融合式的消防物联网监测预警方法 |
CN114530025A (zh) * | 2021-12-31 | 2022-05-24 | 武汉烽理光电技术有限公司 | 一种基于阵列光栅的隧道火灾报警方法、装置及电子设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2146243A (en) * | 1983-09-09 | 1985-04-17 | Graviner Ltd | Fire and explosion detection and suppression system |
EP0403659A1 (en) * | 1988-12-02 | 1990-12-27 | Nohmi Bosai Kabushiki Kaisha | Fire alarm system |
US20030234725A1 (en) * | 2002-06-21 | 2003-12-25 | Lemelson Jerome H. | Intelligent bulding alarm |
US20060017578A1 (en) * | 2004-07-20 | 2006-01-26 | Shubinsky Gary D | Flame detection system |
CN101162545A (zh) * | 2007-11-20 | 2008-04-16 | 华南理工大学 | 高层建筑火灾光温复合智能监测预报装置 |
-
2012
- 2012-05-18 CN CN 201210156037 patent/CN102708645B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2146243A (en) * | 1983-09-09 | 1985-04-17 | Graviner Ltd | Fire and explosion detection and suppression system |
EP0403659A1 (en) * | 1988-12-02 | 1990-12-27 | Nohmi Bosai Kabushiki Kaisha | Fire alarm system |
US20030234725A1 (en) * | 2002-06-21 | 2003-12-25 | Lemelson Jerome H. | Intelligent bulding alarm |
US20060017578A1 (en) * | 2004-07-20 | 2006-01-26 | Shubinsky Gary D | Flame detection system |
CN101162545A (zh) * | 2007-11-20 | 2008-04-16 | 华南理工大学 | 高层建筑火灾光温复合智能监测预报装置 |
Non-Patent Citations (2)
Title |
---|
吴松等: "人工神经网络在舰船火灾探测中的应用", 《中国舰船研究》 * |
姚畅: "基于神经网络的多传感器火灾报警系统", 《计算机工程与应用》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103226733A (zh) * | 2013-03-21 | 2013-07-31 | 中国石油大学(华东) | 一种浮式生产储油船火灾气体探测器的优化布置方法 |
CN103218664A (zh) * | 2013-05-08 | 2013-07-24 | 重庆邮电大学 | 一种基于小波神经网络的告警权值确定方法 |
CN103440728A (zh) * | 2013-09-03 | 2013-12-11 | 哈尔滨工程大学 | 分布智能控制船舶消防系统连锁性失效测评方法 |
CN104574764A (zh) * | 2014-12-18 | 2015-04-29 | 文曲 | 一种火灾报警系统 |
CN106873364A (zh) * | 2016-12-31 | 2017-06-20 | 中南大学 | 一种智能机器人的任务优先级确定方法 |
CN106873364B (zh) * | 2016-12-31 | 2019-09-10 | 中南大学 | 一种智能机器人的任务优先级确定方法 |
CN110335438B (zh) * | 2019-06-20 | 2021-01-05 | 武汉理工大学 | 一种氢燃料电池船舶安全保护系统和保护方法 |
CN110335438A (zh) * | 2019-06-20 | 2019-10-15 | 武汉理工大学 | 一种氢燃料电池船舶安全保护系统和保护方法 |
CN110624194A (zh) * | 2019-07-15 | 2019-12-31 | 国网浙江省电力有限公司嘉兴供电公司 | 一种基于泛在电力物联网的变电站的智能灭火控制方法 |
CN112216055A (zh) * | 2020-09-24 | 2021-01-12 | 佛山市天然气高压管网有限公司 | 一种燃气场站火灾预警检测方法及系统 |
CN112216055B (zh) * | 2020-09-24 | 2021-05-11 | 佛山市天然气高压管网有限公司 | 一种燃气场站火灾预警检测方法及系统 |
CN112466083A (zh) * | 2020-10-15 | 2021-03-09 | 中船重工远舟(北京)科技有限公司 | 一种船用火灾监测报警方法及系统 |
CN113515155A (zh) * | 2021-07-12 | 2021-10-19 | 昆明理工大学 | 一种多路径智能化室内安全检测系统及方法 |
CN114023030A (zh) * | 2021-11-11 | 2022-02-08 | 深圳中消云智慧安全有限公司 | 一种融合式的消防物联网监测预警方法 |
CN114023030B (zh) * | 2021-11-11 | 2023-03-17 | 深圳中消云智慧安全有限公司 | 一种融合式的消防物联网监测预警方法 |
CN114530025A (zh) * | 2021-12-31 | 2022-05-24 | 武汉烽理光电技术有限公司 | 一种基于阵列光栅的隧道火灾报警方法、装置及电子设备 |
CN114530025B (zh) * | 2021-12-31 | 2024-03-08 | 武汉烽理光电技术有限公司 | 一种基于阵列光栅的隧道火灾报警方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN102708645B (zh) | 2013-10-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102708645B (zh) | 一种船舶舱室火灾连锁报警优先级评估方法 | |
CN102682560B (zh) | 一种船舶舱室火灾连锁报警等级评估装置 | |
CN101251942B (zh) | 地下空间火灾智能检测预警预报方法及装置 | |
CN108898528A (zh) | 一种面向危险化学品事故应急辅助决策的案例推理方法 | |
CN106777984A (zh) | 一种基于密度聚类算法实现光伏阵列工作状态分析与故障诊断的方法 | |
CN103078403B (zh) | 一种智能变电站二次系统的在线状态评估方法 | |
CN107240216A (zh) | 基于3dgis+bim技术和人工智能运维应急报警与快速响应方法 | |
CN104933841A (zh) | 一种基于自组织神经网络的火灾预测方法 | |
CN101162545A (zh) | 高层建筑火灾光温复合智能监测预报装置 | |
CN1963878A (zh) | 高层建筑火灾智能监测预警预报装置 | |
CN105975991B (zh) | 一种改进的极限学习机火灾种类识别方法 | |
Zhang et al. | Multi-sensor information fusion detection system for fire robot through back propagation neural network | |
Vinod et al. | Symptom based diagnostic system for nuclear power plant operations using artificial neural networks | |
CN205621238U (zh) | 一种核反应堆燃料破损在线监测报警装置 | |
CN201445722U (zh) | 一种大型公共建筑的火灾自动报警灭火系统 | |
CN103745552A (zh) | 一种火灾自动报警系统 | |
CN106703887B (zh) | 矿井热动力灾害救援过程中继发性瓦斯爆炸判定方法 | |
Xue | The road tunnel fire detection of multi-parameters based on BP neural network | |
CN201117044Y (zh) | 基于光温复合智能监测的高层建筑火灾预报装置 | |
CN111553061A (zh) | 核电厂台风应急响应及预警装置及其构建方法 | |
Xiong et al. | Research on the risk classification of cruise ship fires based on an Attention-Bp Neural Network | |
Zhou et al. | Risk index assessment for urban natural gas pipeline leakage based on artificial neural network | |
CN103761825A (zh) | 一种火灾自动报警方法 | |
CN109260639B (zh) | 一种风电机房消防控制系统及控制方法 | |
Li et al. | Exploration on path improvement of fire alarm system [J] |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20131030 Termination date: 20190518 |