CN108538013A - 一种带火灾探测功能的动车应急服务机器人 - Google Patents
一种带火灾探测功能的动车应急服务机器人 Download PDFInfo
- Publication number
- CN108538013A CN108538013A CN201810300532.5A CN201810300532A CN108538013A CN 108538013 A CN108538013 A CN 108538013A CN 201810300532 A CN201810300532 A CN 201810300532A CN 108538013 A CN108538013 A CN 108538013A
- Authority
- CN
- China
- Prior art keywords
- fire
- processing terminal
- blocky
- robot
- robot body
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 35
- 238000012545 processing Methods 0.000 claims abstract description 36
- 230000007246 mechanism Effects 0.000 claims abstract description 24
- 230000001537 neural effect Effects 0.000 claims abstract description 17
- 238000013528 artificial neural network Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 15
- 210000002569 neuron Anatomy 0.000 claims description 13
- 239000000523 sample Substances 0.000 claims description 13
- 239000000047 product Substances 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 9
- 238000002485 combustion reaction Methods 0.000 claims description 7
- 239000000779 smoke Substances 0.000 claims description 7
- 230000005855 radiation Effects 0.000 claims description 3
- 239000012265 solid product Substances 0.000 claims description 3
- 238000009434 installation Methods 0.000 claims description 2
- 230000005611 electricity Effects 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 4
- 239000000203 mixture Substances 0.000 abstract description 2
- 238000000034 method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 3
- 241000208340 Araliaceae Species 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- 230000008676 import Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000008092 positive effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000686 essence Substances 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B17/00—Fire alarms; Alarms responsive to explosion
- G08B17/12—Actuation by presence of radiation or particles, e.g. of infrared radiation or of ions
- G08B17/125—Actuation by presence of radiation or particles, e.g. of infrared radiation or of ions by using a video camera to detect fire or smoke
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J11/00—Manipulators not otherwise provided for
- B25J11/008—Manipulators for service tasks
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1628—Programme controls characterised by the control loop
- B25J9/163—Programme controls characterised by the control loop learning, adaptive, model based, rule based expert control
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B17/00—Fire alarms; Alarms responsive to explosion
- G08B17/06—Electric actuation of the alarm, e.g. using a thermally-operated switch
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B17/00—Fire alarms; Alarms responsive to explosion
- G08B17/10—Actuation by presence of smoke or gases, e.g. automatic alarm devices for analysing flowing fluid materials by the use of optical means
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B29/00—Checking or monitoring of signalling or alarm systems; Prevention or correction of operating errors, e.g. preventing unauthorised operation
- G08B29/18—Prevention or correction of operating errors
- G08B29/183—Single detectors using dual technologies
Abstract
本发明公开了一种带火灾探测功能的动车应急服务机器人,包括机器人本体和位于机器人本体内的处理终端,机器人本体主要由块状头部、块状躯体和杆状臂部组成仿人型形状,块状躯体内部设置有固定卡座以安装各部件,机器人本体的底部安装有驱动机器人本体移动的行走机构,行走机构由固定底座、履带和驱动装置组成,块状头部固定设置有与处理终端电连接、并用于采集火灾信号的火灾检测机构,处理终端电连接有用于报警的声光警报单元,火灾检测机构将采集到的信号发送至处理终端,并通过处理终端进行神经算法判断火灾是否产生。本发明具有以下优点和效果:通过检测环境的各种参数,减少误报、漏报概率,达到准确辨别火灾的目的。
Description
技术领域
本发明涉及一种机器人,特别涉及一种带火灾探测功能的动车应急服务机器人。
背景技术
随着科技的不断进步,动车组以其快捷、舒适、经济、环保等诸多优点逐渐成为我国高速铁路发展的重点,并在国民经济建设中发挥着越来越重要的作用。作为保障行车安全必要的组成部分,动车组火灾报警系统能够及时发现火灾,从而确保乘客的人身安全。但现阶段我国动车组所采用的此类设备完全依赖进口,造成的进口设备价格昂贵、维护不及时等问题极大地限制了我国火灾报警系统在此领域的应用。
动车组引起火灾的原因有很多,在不同燃烧物及不同的起火原因下,整个火灾过程也会发生不同的物理、化学反应,各种火灾参数也会有不同的变化规律。应用在动车组上的传统的火灾探测系统,均只采用单一的传感器来采集火灾特征从而进行判断,比如单独采用感温式探测器或感烟式探测器,显而易见这是针对火灾发生时的某一明显的物理特征来选择相应的火灾探测器。而传感器本身对特定信号的敏感度有差异,自身探测精度也有差异,另一方面动车组内的环境复杂多变,在这种情况下,采用单一的传感器越来越凸显其局限性,越来越不适用当前环境。因此,有必要减少动车组上的火灾探测系统的误报和漏报率,提高系统对火灾的分析分辨能力。
发明内容
本发明的目的是提供一种带火灾探测功能的动车应急服务机器人,通过检测环境的各种参数,减少误报、漏报概率,达到准确辨别火灾的目的。
本发明的上述技术目的是通过以下技术方案得以实现的:一种带火灾探测功能的动车应急服务机器人,包括机器人本体和位于机器人本体内的处理终端,所述的机器人本体主要由块状头部、块状躯体和杆状臂部组成仿人型形状,块状躯体内部设置有固定卡座以安装各部件,所述的机器人本体的底部安装有驱动机器人本体移动的行走机构,所述的行走机构由固定底座、履带和驱动装置组成,固定底座上部固定机器人本体,下部成型为安装驱动装置的腔体,履带安装在固定底座底面并与驱动装置电连接以驱动履带运动,所述块状头部固定设置有与处理终端电连接、并用于采集火灾信号的火灾检测机构,所述处理终端电连接有用于报警的声光警报单元,所述火灾检测机构包括火焰识别单元,燃烧产物识别单元以及燃烧声音识别单元;
所述火焰识别单元包括采集火焰辐射量的火焰探测器和采集火焰形状的图像探测器;
所述燃烧产物识别单元包括采集气体产物的气体探测器、采集固体产物的静电探测器与感烟探测器、以及采集温度的感温探测器;
所述燃烧声音识别单元包括采集燃烧声音的声音探测器;
所述火灾检测机构将采集到的信号发送至处理终端,并通过处理终端进行神经算法判断火灾是否产生,如判断有火灾发生,则处理终端控制声光警报单元发出预警信号。
进一步地,所述处理终端连接有移动终端,所述处理器设置有无线通信单元、并通过无线通信单元与移动终端形成通信连接。
进一步地,所述处理终端的神经算法包括以下步骤:
1)建立神经网络的初始结构,设定每层节点数为n,p,m;
2)神经网络初始化,在[-1,1]范围内随机给各连接权值和阈值一个数值作为初始值,确定学习次数和误差最小值作为学习结束的条件,满足其中任意一个即结束学习;
3)输入网络学习的样本数据,包括输入数据和期望输出;
4)求出隐层各神经元的输入和输出以及输出层各神经元的输入和输出;
(1)
(2)
(3)
(4)
5)计算误差函数对输出层的神经元的偏导数;
(5)
(6)
(7)
最后得到所求的偏导数与;
6)计算误差函数对隐层的神经元的偏导数;
(8)
(9)
(10)
7)利用求得的和来调整输入层和隐层之间的连接权值以及隐层和输出层之间的连接权值;
(11)
(12)
(13)
(14)
在式(11)、式(12)、式(13)与式(14)中,代表调整后,代表调整前,表示学习率;
8)若误差小于等于步骤2)中设定的误差最小值或训练次数达到预设的次数,那么训练结束,否则,回到步骤3),继续学习训练。
综上所述,本发明具有以下有益效果:本动车应急服务机器人可在动车组内移动,能随时采集不同时段不同车厢内反馈的信息,做到数据动态更新。并进行多数据的采集,处理从不同类型的探测器得到的对火灾的不同描述,通过神经算法来准确地识别火灾,降低误报率和漏报率。将火灾探测功能与本动车应急服务机器人相结合,不仅增加了本动车应急服务机器人的功能,还提高了动车组内对火灾的预警及防御能力,对保护动车组以及乘客的安全具有积极意义。火灾探测是一种非结构性问题,而神经算法是处理该类问题非常有效的一种方法,它具有自学习能力,适应性强,且对于不同类型不用环境下的火灾都有一定的识别能力,它具有高速寻找最优化解的能力,因此它能在有限条件下得出火灾发生可能性的最优解;它具有联系存储能力,因此它能监测火灾参量的变化过程;它采用并行分布处理的方法,因此它能快速进行大量运算,在最短时间内判断火灾发生的概率。
附图说明
图1为实施例的结构示意图;
图2为实施例的另一结构示意图;
图3为实施例中火灾检测机构的结构框图;
图4为实施例中处理终端与移动终端通信的结构框图;
图5为实施例中神经算法的网络结构图;
图6为实施例中神经算法的流程图;
图7为实施例中中国标准明火和阴燃火的部分数据列表图;
图8为实施例中BP神经网络的达到误差最小值时的仿真图。
图中:1、机器人本体;11、块状头部;12、块状躯体;13、杆状臂部;2、处理终端;21、无线通信单元;3、行走机构;31、固定底座;32、履带;33、驱动装置;4、火灾检测机构;41、火焰识别单元;411、火焰探测器;412、图像探测器;42、燃烧产物识别单元;421、气体探测器;422、静电探测器;423、感烟探测器;424、感温探测器;43、燃烧声音识别单元;431、声音探测器;5、声光警报单元;6、移动终端。
具体实施方式
以下结合附图对本发明作进一步详细说明。
参考图1、图2、图3和图4,一种带火灾探测功能的动车应急服务机器人,包括机器人本体1和位于机器人本体1内的处理终端2,机器人本体1主要由块状头部11、块状躯体12和杆状臂部13组成仿人型形状,块状躯体12内部设置有固定卡座以安装各部件,所述的机器人本体1的底部安装有驱动机器人本体1移动的行走机构3,行走机构3由固定底座31、履带32和驱动装置33组成,固定底座31上部固定机器人本体1,下部成型为安装驱动装置33的腔体,履带32安装在固定底座31底面并与驱动装置33电连接以驱动履带32运动。
另外,块状头部11固定设置有与处理终端2电连接、并用于采集火灾信号的火灾检测机构4,处理终端2电连接有用于报警的声光警报单元5,火灾检测机构4包括火焰识别单元41,燃烧产物识别单元42以及燃烧声音识别单元43;火焰识别单元41包括采集火焰辐射量的火焰探测器411和采集火焰形状的图像探测器412;燃烧产物识别单元42包括采集气体产物的气体探测器421、采集固体产物的静电探测器422与感烟探测器423、以及采集温度的感温探测器424;燃烧声音识别单元43包括采集燃烧声音的声音探测器431;火灾检测机构4将采集到的信号发送至处理终端2,并通过处理终端2进行神经算法判断火灾是否产生,如判断有火灾发生,则处理终端2控制声光警报单元5发出预警信号。声光警报单元5包括蜂鸣器和发光二极管,均通过处理终端2控制,处理终端2采用STM32单片机或PC处理器进行运算,移动终端6为手机或者电脑,驱动装置33采用伺服电机。
火灾检测机构4是利用火焰探测器411、图像探测器412、气体探测器421、静电探测器422、感烟探测器423、感温探测器424以及声音探测器431来探测火灾发生过程中出现的物理特征,这些火灾发生时明显的物理特征就是判断火灾是否发生的依据。通过火灾检测机构4将火灾特征参量转换为处理终端2能够处理的物理量,并进行神经算法来进一步处理,就能实现火灾的探测预警。
另外,所述处理终端2连接有移动终端6,所述处理器设置有无线通信单元21、并通过无线通信单元21与移动终端6形成通信连接。处理终端2将采集并处理后的数据信号均发送至移动终端6,形成数据交互,负责人员可通过远程实时查看动车组内的火灾是否有发生。且当动车组发生火灾时,处理终端2能立即发送预警信号至移动终端6,让负责人能第一时间掌握到火灾情况,做出相应处理,对保护动车组以及乘客的安全具有积极意义。
参考图5,本发明采用BP神经网络的算法,主要过程是在学习训练过程中利用最终输出的误差来估计前一层的误差,再利用这个误差估计更前一层的误差,不断重复这一过程,得到所有层的误差估计。之后根据均方误差最小原则不断调整神经元之间的连接权值,直到最后满足某一要求结束训练为止。本发明所利用的BP神经算法只要利用三层的BP网络,就可以任意精度逼近任何非线性连续函数,因此,采用三层BP神经网络即可。三层BP神经网络由一个输入层,一个中间层和一个输出层组成。中间层因为对外不可见,一般也叫隐层。在设计 BP 神经网络时首先需要确定各层的节点数。其中,输入层有n个节点,隐层有p个节点,输出层有m个节点,,,……,为输入信号,是输入层神经元对隐层神经元的连接权值,是隐层对输出层的连接权值,,,……,是输出结果。
参考图6,具体的,神经算法的步骤为:
1)建立神经网络的初始结构,设定每层节点数为n,p,m;
2)神经网络初始化,在[-1,1]范围内随机给各连接权值和阈值一个数值作为初始值,确定学习次数和误差最小值作为学习结束的条件,满足其中任意一个即结束学习;
3)输入网络学习的样本数据,包括输入数据和期望输出;
4)求出隐层各神经元的输入和输出以及输出层各神经元的输入和输出;
(1)
(2)
(3)
(4)
5)计算误差函数对输出层的神经元的偏导数;
(5)
(6)
(7)
最后得到所求的偏导数与;
6)计算误差函数对隐层的神经元的偏导数;
(8)
(9)
(10)
7)利用求得的和来调整输入层和隐层之间的连接权值以及隐层和输出层之间的连接权值;
(11)
(12)
(13)
(14)
在式(11)、式(12)、式(13)与式(14)中,代表调整后,代表调整前,表示学习率;
8)若误差小于等于步骤2)中设定的误差最小值或训练次数达到预设的次数,那么训练结束,否则,回到步骤3),继续学习训练。
另外,在本发明中的特征参量中,火焰探测器411、图像探测器412以及声音探测器431都是可以在火灾时直接采集到数据,不需要进行相应计算,根据相应探测器采集到的数据判断即可有无发生,而静电探测器422只有火灾产生特定的颗粒才可以检测到。因此,本神经算法选择采用感温探测器424、气体探测器421以及感烟探测器423所采集到的特征参数进行处理,火焰探测器411、图像探测器412、声音探测器431以及静电探测器422所采集到的数据作为进一步的火灾判断理由,并与神经算法的结果相对比,来提高判断火灾发生与否的准确率,降低误报率。其中,气体探测器421采集CO的浓度。
另外,对于神经算法的输入参数,需要先进行归一化处理。火灾检测机构4内的气体探测器421、感烟探测器423以及感温探测器424检测到火灾的多种特征参数,在将它们作为BP神经网络的输入量之前需要对它们预先进行处理,因为他们给出的数据的大小范围不同,对最后的输出结果的作用不同。所以为了让它们对最后的结果的作用相同,防止某个参量的过分作用,需要对它们进行归一化处理。
确定输入变量中的最小值和最大值,然后根据公式变换
(15)
反变换为
(16)
式(15)与式(16)中,是输入变量,和是输入变量中的最大值和最小值,利用上述公式可以将数据归一化到[0,1]范围内。
之后确立三层的BP神经网络,对于输入层节点数,因为有三个特征参数,所以选择三个节点,输出层节点选择两个,用于表示明火概率和阴燃火概率。隐层节点数没有明确的要求,但是如果隐层数选择过大,网络的学习时间会很长;如果选择过小的话,网络会较为脆弱,甚至网络都不会训练成功,在本发明中隐层数选择为八。
之后,需要确定学习率,若学习率过小,虽然学习过程平稳,但是网络的训练速度慢,收敛速度慢;若是学习率过大,虽然网络的训练速度加快,收敛速度便可,但是网络在训练过程中容易出现振荡而得不到全局最优点。在本发明中,学习率取0.01。
之后,需要初始化BP神经网络中的各层节点之间的连接权值和各层节点的阈值,在本发明中,连接权值和阈值的初始值取[-1,1]之间的随机数。
参考图7,之后,选取中国标准明火和阴燃火数据来模拟火灾实验,并通过式(15)与式(16)的归一化处理后得到数据。
参考图8,将归一化处理后的中国标准明火和阴燃火的数据进行仿真,误差很快就达到了预设的误差最小值。
具体地,经过BP神经网络的计算:
输入层和隐层之间的连接权值=
隐层阈值=
隐层与输出层之间的连接权值=
输出层阈值=
最后,进行对BP神经网络的输出结果进行测试,将得到的输出结果与样本结果进行比较,如果结果接近则表示网络训练成功,预测准确。选取数据[0.55,0.73,0.75],样本结果是[0.05,0.95],BP神经网络的输出结果是[0.06,0.93],结果接近;选取数据[0.75,0.15,0.75],样本结果是[0.1,0.05],BP神经网络的输出结果是[0.13,0.06],结果接近;选取数据[0.45,0.15,0.5],样本结果是[0.15,0.8],BP神经网络的输出结果是[0.16,0.8],结果接近,因此网络训练成功,BP神经网络以极高的概率识别出火灾并判断出火灾类型,且运算速度快,非常可靠,具有广泛的应用前景。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.一种带火灾探测功能的动车应急服务机器人,包括机器人本体(1)和位于机器人本体(1)内的处理终端(2),其特征在于:所述的机器人本体(1)主要由块状头部(11)、块状躯体(12)和杆状臂部(13)组成仿人型形状,块状躯体(12)内部设置有固定卡座以安装各部件,所述的机器人本体(1)的底部安装有驱动机器人本体(1)移动的行走机构(3),所述的行走机构(3)由固定底座(31)、履带(32)和驱动装置(33)组成,固定底座(31)上部固定机器人本体(1),下部成型为安装驱动装置(33)的腔体,履带(32)安装在固定底座(31)底面并与驱动装置(33)电连接以驱动履带(32)运动,所述块状头部(11)固定设置有与处理终端(2)电连接、并用于采集火灾信号的火灾检测机构(4),所述处理终端(2)电连接有用于报警的声光警报单元(5),所述火灾检测机构(4)包括火焰识别单元(41),燃烧产物识别单元(42)以及燃烧声音识别单元(43);
所述火焰识别单元(41)包括采集火焰辐射量的火焰探测器(411)和采集火焰形状的图像探测器(412);
所述燃烧产物识别单元(42)包括采集气体产物的气体探测器(421)、采集固体产物的静电探测器(422)与感烟探测器(423)、以及采集温度的感温探测器(424);
所述燃烧声音识别单元(43)包括采集燃烧声音的声音探测器(431);
所述火灾检测机构(4)将采集到的信号发送至处理终端(2),并通过处理终端(2)进行神经算法判断火灾是否产生,如判断有火灾发生,则处理终端(2)控制声光警报单元(5)发出预警信号。
2.根据权利要求1所述的一种带火灾探测功能的动车应急服务机器人,其特征在于:所述处理终端(2)连接有移动终端(6),所述处理器设置有无线通信单元(21)、并通过无线通信单元(21)与移动终端(6)形成通信连接。
3.根据权利要求1所述的一种带火灾探测功能的动车应急服务机器人,其特征在于,所述处理终端(2)的神经算法包括以下步骤:
1)建立神经网络的初始结构,设定每层节点数为n,p,m;
2)神经网络初始化,在[-1,1]范围内随机给各连接权值和阈值一个数值作为初始值,确定学习次数和误差最小值作为学习结束的条件,满足其中任意一个即结束学习;
3)输入网络学习的样本数据,包括输入数据和期望输出;
4)求出隐层各神经元的输入和输出以及输出层各神经元的输入和输出;
(1)
(2)
(3)
(4)
5)计算误差函数对输出层的神经元的偏导数;
(5)
(6)
(7)
最后得到所求的偏导数与;
6)计算误差函数对隐层的神经元的偏导数;
(8)
(9)
(10)
7)利用求得的和来调整输入层和隐层之间的连接权值以及隐层和输出层之间的连接权值;
(11)
(12)
(13)
(14)
在式(11)、式(12)、式(13)与式(14)中,代表调整后,代表调整前,表示学习率
8)若误差小于等于步骤2)中设定的误差最小值或训练次数达到预设的次数,那么训练结束,否则,回到步骤3),继续学习训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810300532.5A CN108538013A (zh) | 2018-04-04 | 2018-04-04 | 一种带火灾探测功能的动车应急服务机器人 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810300532.5A CN108538013A (zh) | 2018-04-04 | 2018-04-04 | 一种带火灾探测功能的动车应急服务机器人 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108538013A true CN108538013A (zh) | 2018-09-14 |
Family
ID=63483114
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810300532.5A Pending CN108538013A (zh) | 2018-04-04 | 2018-04-04 | 一种带火灾探测功能的动车应急服务机器人 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108538013A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110711327A (zh) * | 2019-10-21 | 2020-01-21 | 中车大连机车研究所有限公司 | 一种分布式模块化机车智能火灾防控系统 |
CN112885021A (zh) * | 2021-01-27 | 2021-06-01 | 上海大学 | 一种基于复合算法的多传感器火灾预测方法及系统 |
CN113178047A (zh) * | 2021-04-21 | 2021-07-27 | 广东利盾电气消防检测有限公司 | 一种建筑消防设施气体灭火控制系统的检测方法 |
CN114728758A (zh) * | 2019-12-16 | 2022-07-08 | 株式会社日立制作所 | 电梯控制系统和电梯控制方法 |
US11584014B2 (en) | 2020-01-23 | 2023-02-21 | Ford Global Technologies, Llc | Robotic apparatus for vehicle occupant protection |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103619021A (zh) * | 2013-12-10 | 2014-03-05 | 天津工业大学 | 一种基于神经网络的无线传感器网络入侵检测算法 |
CN104636985A (zh) * | 2013-11-08 | 2015-05-20 | 国家电网公司 | 一种改进bp神经网络的输电线路无线电干扰预测方法 |
CN104933841A (zh) * | 2015-04-30 | 2015-09-23 | 重庆三峡学院 | 一种基于自组织神经网络的火灾预测方法 |
CN105205531A (zh) * | 2014-06-30 | 2015-12-30 | 国家电网公司 | 一种基于机器学习的反窃电预测方法及装置 |
CN205460589U (zh) * | 2016-01-19 | 2016-08-17 | 南昌航空大学 | 一种比赛型智能低温喷雾灭火机器人 |
CN105963885A (zh) * | 2016-06-27 | 2016-09-28 | 刘磊 | 智能消防巡查灭火机器人 |
-
2018
- 2018-04-04 CN CN201810300532.5A patent/CN108538013A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104636985A (zh) * | 2013-11-08 | 2015-05-20 | 国家电网公司 | 一种改进bp神经网络的输电线路无线电干扰预测方法 |
CN103619021A (zh) * | 2013-12-10 | 2014-03-05 | 天津工业大学 | 一种基于神经网络的无线传感器网络入侵检测算法 |
CN105205531A (zh) * | 2014-06-30 | 2015-12-30 | 国家电网公司 | 一种基于机器学习的反窃电预测方法及装置 |
CN104933841A (zh) * | 2015-04-30 | 2015-09-23 | 重庆三峡学院 | 一种基于自组织神经网络的火灾预测方法 |
CN205460589U (zh) * | 2016-01-19 | 2016-08-17 | 南昌航空大学 | 一种比赛型智能低温喷雾灭火机器人 |
CN105963885A (zh) * | 2016-06-27 | 2016-09-28 | 刘磊 | 智能消防巡查灭火机器人 |
Non-Patent Citations (2)
Title |
---|
吴龙标: "《火灾探测与控制工程》", September 2013, 中国科学技术大学出版社 * |
郝博,胡玉兰,赵岐刚: "《智能设计》", 2013, 辽宁科学技术出版社 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110711327A (zh) * | 2019-10-21 | 2020-01-21 | 中车大连机车研究所有限公司 | 一种分布式模块化机车智能火灾防控系统 |
CN114728758A (zh) * | 2019-12-16 | 2022-07-08 | 株式会社日立制作所 | 电梯控制系统和电梯控制方法 |
CN114728758B (zh) * | 2019-12-16 | 2024-01-05 | 株式会社日立制作所 | 电梯控制系统和电梯控制方法 |
US11584014B2 (en) | 2020-01-23 | 2023-02-21 | Ford Global Technologies, Llc | Robotic apparatus for vehicle occupant protection |
CN112885021A (zh) * | 2021-01-27 | 2021-06-01 | 上海大学 | 一种基于复合算法的多传感器火灾预测方法及系统 |
CN113178047A (zh) * | 2021-04-21 | 2021-07-27 | 广东利盾电气消防检测有限公司 | 一种建筑消防设施气体灭火控制系统的检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108538013A (zh) | 一种带火灾探测功能的动车应急服务机器人 | |
CN104125337B (zh) | 一种智能手机的跌倒检测和报警方法 | |
Yin et al. | Automatic dangerous driving intensity analysis for advanced driver assistance systems from multimodal driving signals | |
CN104766433A (zh) | 基于数据融合的电气火灾报警系统 | |
CN113516837B (zh) | 一种基于多源信息融合的城市火灾判断方法、系统及其存储介质 | |
CN108922129B (zh) | 一种调整安防传感器报警阈值的方法、装置、云端及系统 | |
CN103325205B (zh) | 基于径向基神经网络的室内火灾预测方法及系统 | |
CN112002095A (zh) | 一种矿山洞内的火灾预警方法 | |
KR102238300B1 (ko) | 적외선 스펙트럼 생성 방법 및 장치 | |
US11315349B2 (en) | Method, apparatus and device for identifying passenger state in unmanned vehicle, and storage medium | |
El Masri et al. | Toward self-policing: Detecting drunk driving behaviors through sampling CAN bus data | |
CN111007035A (zh) | 基于卷积神经网络的二燃室高温气体浓度检测方法、系统、装置及存储介质 | |
CN108616812A (zh) | 基于深度学习的移动设备定位及追踪系统及其使用方法 | |
Kadiyala et al. | Application of MATLAB to select an optimum performing genetic algorithm for predicting in-vehicle pollutant concentrations | |
CN104092503B (zh) | 一种基于狼群优化的人工神经网络频谱感知方法 | |
CN109612568A (zh) | 一种振源移动干扰源识别方法 | |
CN109614932B (zh) | 基于脑电场变化机理的环境识别方法、矿用头盔及云平台 | |
JP2016540197A (ja) | ニューラルネットワークモデルにおけるドップラー効果処理 | |
CN115880848A (zh) | 一种配电柜电气火灾及时预警与灭焰综合保护系统 | |
CN110228071A (zh) | 适于化工厂的多种融合有毒气体分类方法及巡检机器人 | |
Narayanan et al. | A Smart System for Monitoring and Identifying Pollution Free Driving Route Identifier using Internet of Things | |
Hu et al. | Deep learning-based method for detecting anomalies in electromagnetic environment situation | |
Wen et al. | Design of an intelligent alarm system based on multi-sensor data fusion | |
Chen et al. | Convolutional neural network powered identification of the location and orientation of human body via human form point cloud | |
Cao et al. | Field detection of indoor fire threat situation based on LSTM-Kriging network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180914 |