CN110009874A - 一种可燃气体报警器、可燃气体报警方法及系统 - Google Patents

Abstract

本发明公开一种可燃气体报警器、可燃气体报警方法及系统。报警器包括：温度传感器、可燃气体传感器、微处理器、电源电路和报警装置；温度传感器和可燃气体传感器的信号输出端均与微处理器的信号输入端连接，电源电路与微处理器的供电端口连接，微处理器的信号输出端与报警装置的信号控制端连接；微处理器用于根据温度传感器采集的待测气体温度数据和可燃气体传感器采集的待测气体浓度数据，采用基于径向基函数神经网络的温度补偿方法进行温度补偿，得到温度补偿后的待测气体浓度数据，并生成报警触发指令，以触发报警装置报警。本发明提高了报警器的气体检测精度，降低了报警器维护的难度，提高了报警器的稳定性和适用范围。

Description

一种可燃气体报警器、可燃气体报警方法及系统

技术领域

本发明涉及可燃气体报警领域，特别是涉及一种可燃气体报警器、可燃气体报警方法及系统。

背景技术

随着经济的发展，对能源的需求越来越大，特别是对甲烷、氢气、氧气等可燃气体的使用越来越多。在众多场所中都有可燃气体的存在，如居民楼、液化气站、医院、化工厂、煤矿等。这些可燃气体由于天气、设备和人为等因素容易发生泄漏，当气体浓度达到一定程度时，容易发生燃烧、爆炸等危险，对人们的生产生活造成严重危害。故对可燃气体泄漏进行监测，预防由此引起的火灾、爆炸事故，具有十分重要的现实意义。

近年来，随着传感器性能的不断提高，气体检测技术取得了长足发展，在生产生活的各领域得到了广泛应用。其中，接触燃烧式气体浓度监测技术由于具有结构简单、抗干扰能力强和性能稳定等特点，广泛应用于生产实践过程和安全检测场所。然而在实际应用中，环境温湿度的变化会影响电路元件、探测器等，从而使气体浓度的检测产生误差。为了消除、减弱这种影响，提高测量精度，需要对温湿度进行补偿。常用的温湿度补偿方法有两种，一种是硬件补偿，即通过硬件电路设计来减小外界对系统的影响。但是这种补偿存在着硬件漂移、调试困难、通用性差等缺点，并且使得探测器体积变大、重量增加。另一种为软件补偿，主要有数值分析法和人工智能法。其中，采用人工神经网络方法，人们不需要知道确切的理论计算模型，通过计算机的快速运算，不断调整输入与输出之间的关系，建立一个黑匣子模型，即可得到较好的输出结果，非常适合处理非线性数学问题，但是其存在着收敛速度慢、易陷入局部极小等缺点。

发明内容

本发明的目的是提供一种可燃气体报警器、可燃气体报警方法及系统，以提高可燃气体探测的精度、稳定性和适用范围。

为实现上述目的，本发明提供了如下方案：

一种可燃气体报警器，包括：温度传感器、可燃气体传感器、微处理器、电源电路和报警装置；

所述温度传感器的信号输出端与所述微处理器的信号输入端连接，所述可燃气体传感器的信号输出端与所述微处理器的信号输入端连接，所述电源电路与所述微处理器的供电端口连接，所述微处理器的信号输出端与所述报警装置的信号控制端连接；

所述微处理器用于根据所述温度传感器采集的待测气体温度数据和所述可燃气体传感器采集的待测气体浓度数据，采用基于径向基函数神经网络的温度补偿方法进行温度补偿，得到温度补偿后的待测气体浓度数据；并根据所述温度补偿后的待测气体浓度数据生成报警触发指令，以触发报警装置报警。

可选的，还包括：双层防尘透气膜，所述双层防尘透气膜设置于所述温度传感器和所述可燃气体传感器的过滤网处；所述双层防尘透气膜包括两层透气膜，两层透气膜之间的隔层中填充有空气干燥剂。

可选的，所述电源电路包括多个不同电压的直流电源供电支路。

可选的，所述温度传感器的型号为DS18B20；所述可燃气体传感器为催化燃烧式可燃气体传感器，型号为TB3L910；所述微处理器为单片机，所述单片机的型号为STC12C560S2。

可选的，还包括显示装置，所述显示装置的控制端与所述微处理器的信号输出端连接；所述显示装置包括数码管和光柱，所述数码管用于显示所述微处理器输出的温度补偿后的待测气体浓度数据，所述光柱用于显示所述微处理器输出的待测气体浓度百分比数据。

可选的，所述报警装置为声光报警器。

本发明还提供一种可燃气体报警方法，包括：

获取待测气体温度数据和待测气体浓度数据；

采用基于径向基函数神经网络的温度补偿方法进行温度补偿，得到温度补偿后的待测气体浓度数据；

根据所述温度补偿后的待测气体浓度数据生成报警触发指令，以触发报警装置报警。

可选的，所述采用基于径向基函数神经网络的温度补偿方法进行温度补偿，得到温度补偿后的待测气体浓度数据，之前还包括：

获取样本数据，所述样本数据包括气体训练样本和气体测试样本；

获取径向基函数神经网络模型；所述径向基函数神经网络模型的网络输入层网络节点为2，分别对应可燃气体传感器检测的当前气体浓度对应的电流值和温度传感器检测的当前气体温度；所述径向基函数神经网络模型的隐含层节点为3，激励函数为高斯函数；所述径向基函数神经网络模型的输出层节点为 1，对应当前气体温度补偿后的气体浓度所对应的电流值；

初始化网络权值和阈值；

根据所述样本数据对所述径向基函数神经网络模型进行训练，采用梯度下降法迭代更新所述网络权值，直至所述径向基函数神经网络模型的输出的误差小于所述阈值，完成对所述径向基函数神经网络模型的训练。

本发明还提供一种可燃气体报警系统，包括：

待测气体数据获取模块，用于获取待测气体温度数据和待测气体浓度数据；

温度补偿模块，用于采用基于径向基函数神经网络的温度补偿方法进行温度补偿，得到温度补偿后的待测气体浓度数据；

触发指令生成模块，用于根据所述温度补偿后的待测气体浓度数据生成报警触发指令，以触发报警装置报警。

可选的，还包括：

样本数据获取模块，用于采用基于径向基函数神经网络的温度补偿方法进行温度补偿，得到温度补偿后的待测气体浓度数据之前，获取样本数据，所述样本数据包括气体训练样本和气体测试样本；

径向基函数神经网络模型获取模块，用于获取径向基函数神经网络模型；所述径向基函数神经网络模型的网络输入层网络节点为2，分别对应可燃气体传感器检测的当前气体浓度对应的电流值和温度传感器检测的当前气体温度；所述径向基函数神经网络模型的隐含层节点为3，激励函数为高斯函数；所述径向基函数神经网络模型的输出层节点为1，对应当前气体温度补偿后的气体浓度所对应的电流值；

初始化模块，用于初始化网络权值和阈值；

训练模块，用于根据所述样本数据对所述径向基函数神经网络模型进行训练，采用梯度下降法迭代更新所述网络权值，直至所述径向基函数神经网络模型的输出的误差小于所述阈值，完成对所述径向基函数神经网络模型的训练。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

采用基于径向基函数神经网络的补偿方法对温度进行补偿，有效减少了温度对气体检测的干扰，提高了气体检测精度，同时也便于对报警器的进行调零、阈值设定等操作，降低了可燃气体报警器使用、维护的难度，提升了市场应用前景，具有较好的实用价值。

同时，本发明的可燃气体报警器支持多种电压的供电方式，多种供电方式都能持续的输出电源电压，确保系统稳定，同时增加了可燃气体报警器使用的便利性，使用者可以根据不同的场景和需求使用不同的供电方式。

在具体实施例中，在温度传感器和可燃气体传感器的进气口处增加双层防尘透气膜，能够有效阻止较大颗粒的灰尘进入，并且在隔层添加了空气干燥剂，能够对待测气体中的水汽进行滤除，减小了水汽对传感器内部电路及电子元器件的影响，对气体浓度检测装置起到湿度补偿作用。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明可燃气体报警器的结构框图；

图2为本发明可燃气体报警器的双层防尘透气膜的结构示意图；

图3为本发明可燃气体报警器的电源电路的示意图；

图4为本发明可燃气体报警方法的流程示意图；

图5为本发明可燃气体报警系统的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1为本发明可燃气体报警器的结构框图。如图1所示，所述可燃气体报警器包括：传感器1、微处理器2、报警装置3、显示装置4和电源电路5，其中传感器1包括温度传感器和可燃气体传感器。温度传感器的信号输出端与微处理器2的信号输入端连接，可燃气体传感器的信号输出端与微处理器2的信号输入端连接，电源电路5与微处理器2的供电端口连接，微处理器2的信号输出端与报警装置3的信号控制端连接。

本实施例采用数字温度传感器DS18B20检测气体温度，采用催化燃烧式可燃气体传感器TB3L910检测气体浓度。

微处理器2为单片机，本实施例采用STC12C560S2单片机接收可燃气体传感器发送的待测气体浓度数据进行A/D采集，接收温度传感器发送的待测气体温度数据，通过内部的径向基函数神经网络的温度补偿程序进行温度补偿，并输出温度补偿后的待测气体浓度数据。温度补偿采用基于径向基函数 (RBF)神经网络的补偿方法实现，主要优点是不需要对传感器的输出与温度建立具体模型，只需要训练样本，通过学习就可以模拟出输入与输出之间的联系。

显示装置4的控制端与微处理器2的信号输出端连接；显示装置4包括数码管和光柱，数码管用于显示微处理器2输出的温度补偿后的待测气体浓度数据，光柱用于显示微处理器2输出的待测气体浓度百分比数据。

本实施例中报警装置3采用声光报警器，包括蜂鸣器和LED灯，当待测气体浓度超过设定阈值时，微处理器2输出报警触发指令，启动声光报警电路工作，LED灯呈红色并闪烁，蜂鸣器响发出报警信息。

对RBF神经网络的训练过程：

步骤1：获取样本数据。采集40％LEL标准气体，得到气体浓度输出的电流值与温度值之间的关系，做标准化处理后将该组数据作为训练样本；采集 1000％LEL标准气体，得到气体浓度输出的电流值与温度值之间的关系，做标准化处理后将该组数据作为测试样本。

标准化处理公式：其中x_i为原样本数据，为标准化处理后的样本数据，x_imin为样本空间中样本的最小值，x_imax为样本空间中样本的最大值。

步骤2：获取RBF神经网络模型。本实施例RBF神经网络模型的输入层网络节点为2，分别对应可燃气体传感器检测的当前气体浓度所对应的电流值 I和温度传感器所检测的当前气体温度T；隐含层节点为3，激励函数为高斯函数；输出层节点为1，为检测的当前气体温度补偿后的浓度所对应的电流值；

步骤3：初始化网络权值和阈值。其中输入层到隐层的网络权值为W₁，阈值为b₁，隐层到输出层的网络权值为W₂。

步骤4：计算网络输出

z₂＝W₁*x+b₁

a₂＝f(z₂)

y＝W₂*a₂

其中，x为网络输入，z₂为隐层输入，a₂为隐层输出，y为网络输出。

f(·)为高斯激励函数，f(z)＝1/(1+exp(-z))。

步骤5，采用梯度下降法迭代更新权系数，返回步骤4重新计算网络输出，直至网络稳定为止，完成RBF神经网络模型的训练过程。

本实施例的可燃气体报警器还包括：双层防尘透气膜，所述双层防尘透气膜设置于所述温度传感器和所述可燃气体传感器的过滤网处；所述双层防尘透气膜包括两层透气膜，两层透气膜之间的隔层中填充有空气干燥剂。图2为本发明可燃气体报警器的双层防尘透气膜的结构示意图，如图2所示。本实施例在传感器过滤网处增加了双层防尘透气膜，能够起到隔离颗粒较大的灰尘进入传感器以及减小气体流速对传感器测量结果的影响，隔层中填充的空气干燥剂可滤除待测气体中的水汽，减小水汽对传感器内部电路和电子元器件的影响，具有湿度补偿的作用。

本实施例的电源电路5包括多个不同电压的直流电源供电支路。在使用时，根据实际需求，可以对电源电路5的具体供电支路进行调整。例如，电源电路5可以支持24V直流电源和9V直流电源两种供电方式。当使用24V直流电源供电时，采用主备用方式，此时9V直流电源为备用电源；当使用9V 直流电源供电时，配有电源电量告警电路。两种供电方式都能持续的输出电源电压，确保系统稳定，同时增加了报警器使用的便利性，使用者可以根据不同的场景和需求使用不同的供电方式。图3为本发明可燃气体报警器的电源电路的示意图，以24V直流电源和9V直流电源两种供电方式为例，由单片机控制信号KS进行控制。在组建较为复杂的报警系统或网络时，可以采用24V直流电源供电。为了保证系统的稳定性，此种供电方式下，可采用主备用工作方式，将9V直流电源作为备用电源。在家居、液化气站等场景，考虑到使用的便利性，可使用9V电池作为供电电源。针对此供电方式，本发明设计了电池电量检测报警电路。当电池电量充足时，开关Q1和Q2打开，开关Q3关闭， LED1和LED2同时点亮；当电池电量不足时，开关Q1打开，Q2关闭，LED1 点亮，LED2熄灭，通过运算放大器驱动开关Q3打开，蜂鸣器U发出告警信号；当电池电池电量继续下降时，LED1逐渐熄灭。

对应于图1所示的可燃气体报警器，本发明还提供一种可燃气体报警方法，所述可燃气体报警方法应用于图1所示的可燃气体报警器。图4为本发明可燃气体报警方法的流程示意图，如图4所示，可燃气体报警方法包括以下步骤：

步骤100：获取待测气体温度数据和待测气体浓度数据；

步骤200：采用基于径向基函数神经网络的温度补偿方法进行温度补偿，得到温度补偿后的待测气体浓度数据；

步骤300：根据温度补偿后的待测气体浓度数据生成报警触发指令，以触发报警装置报警。

其中，在步骤200之前还包括对径向基函数神经网络模型进行训练的过程，具体如下：

获取样本数据，所述样本数据包括气体训练样本和气体测试样本；

获取径向基函数神经网络模型；所述径向基函数神经网络模型的网络输入层网络节点为2，分别对应可燃气体传感器检测的当前气体浓度对应的电流值和温度传感器检测的当前气体温度；所述径向基函数神经网络模型的隐含层节点为3，激励函数为高斯函数；所述径向基函数神经网络模型的输出层节点为 1，对应当前气体温度补偿后的气体浓度所对应的电流值；

初始化网络权值和阈值；

根据所述样本数据对所述径向基函数神经网络模型进行训练，采用梯度下降法迭代更新所述网络权值，直至所述径向基函数神经网络模型的输出的误差小于所述阈值，完成对所述径向基函数神经网络模型的训练。

此训练过程与前述可燃气体报警器中提到的训练过程一致，此处不再赘述。

本发明还提供一种可燃气体报警系统，图5为本发明可燃气体报警系统的结构示意图。如图5所示，所述可燃气体报警系统包括以下结构：

待测气体数据获取模块501，用于获取待测气体温度数据和待测气体浓度数据；

温度补偿模块502，用于采用基于径向基函数神经网络的温度补偿方法进行温度补偿，得到温度补偿后的待测气体浓度数据；

触发指令生成模块503，用于根据所述温度补偿后的待测气体浓度数据生成报警触发指令，以触发报警装置报警。

所述可燃气体报警系统还包括：

样本数据获取模块，用于采用基于径向基函数神经网络的温度补偿方法进行温度补偿，得到温度补偿后的待测气体浓度数据之前，获取样本数据，所述样本数据包括气体训练样本和气体测试样本；

径向基函数神经网络模型获取模块，用于获取径向基函数神经网络模型；所述径向基函数神经网络模型的网络输入层网络节点为2，分别对应可燃气体传感器检测的当前气体浓度对应的电流值和温度传感器检测的当前气体温度；所述径向基函数神经网络模型的隐含层节点为3，激励函数为高斯函数；所述径向基函数神经网络模型的输出层节点为1，对应当前气体温度补偿后的气体浓度所对应的电流值；

初始化模块，用于初始化网络权值和阈值；

训练模块，用于根据所述样本数据对所述径向基函数神经网络模型进行训练，采用梯度下降法迭代更新所述网络权值，直至所述径向基函数神经网络模型的输出的误差小于所述阈值，完成对所述径向基函数神经网络模型的训练。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种可燃气体报警器，其特征在于，包括：温度传感器、可燃气体传感器、微处理器、电源电路和报警装置；

所述温度传感器的信号输出端与所述微处理器的信号输入端连接，所述可燃气体传感器的信号输出端与所述微处理器的信号输入端连接，所述电源电路与所述微处理器的供电端口连接，所述微处理器的信号输出端与所述报警装置的信号控制端连接；

所述微处理器用于根据所述温度传感器采集的待测气体温度数据和所述可燃气体传感器采集的待测气体浓度数据，采用基于径向基函数神经网络的温度补偿方法进行温度补偿，得到温度补偿后的待测气体浓度数据；并根据所述温度补偿后的待测气体浓度数据生成报警触发指令，以触发报警装置报警。

2.根据权利要求1所述的可燃气体报警器，其特征在于，还包括：双层防尘透气膜，所述双层防尘透气膜设置于所述温度传感器和所述可燃气体传感器的过滤网处；所述双层防尘透气膜包括两层透气膜，两层透气膜之间的隔层中填充有空气干燥剂。

3.根据权利要求1所述的可燃气体报警器，其特征在于，所述电源电路包括多个不同电压的直流电源供电支路。

4.根据权利要求1所述的可燃气体报警器，其特征在于，所述温度传感器的型号为DS18B20；所述可燃气体传感器为催化燃烧式可燃气体传感器，型号为TB3L910；所述微处理器为单片机，所述单片机的型号为STC12C560S2。

5.根据权利要求1所述的可燃气体报警器，其特征在于，还包括显示装置，所述显示装置的控制端与所述微处理器的信号输出端连接；所述显示装置包括数码管和光柱，所述数码管用于显示所述微处理器输出的温度补偿后的待测气体浓度数据，所述光柱用于显示所述微处理器输出的待测气体浓度百分比数据。

6.根据权利要求1所述的可燃气体报警器，其特征在于，所述报警装置为声光报警器。

7.一种可燃气体报警方法，其特征在于，包括：

获取待测气体温度数据和待测气体浓度数据；

采用基于径向基函数神经网络的温度补偿方法进行温度补偿，得到温度补偿后的待测气体浓度数据；

根据所述温度补偿后的待测气体浓度数据生成报警触发指令，以触发报警装置报警。

8.根据权利要求7所述的可燃气体报警方法，其特征在于，所述采用基于径向基函数神经网络的温度补偿方法进行温度补偿，得到温度补偿后的待测气体浓度数据，之前还包括：

获取样本数据，所述样本数据包括气体训练样本和气体测试样本；

获取径向基函数神经网络模型；所述径向基函数神经网络模型的网络输入层网络节点为2，分别对应可燃气体传感器检测的当前气体浓度对应的电流值和温度传感器检测的当前气体温度；所述径向基函数神经网络模型的隐含层节点为3，激励函数为高斯函数；所述径向基函数神经网络模型的输出层节点为1，对应当前气体温度补偿后的气体浓度所对应的电流值；

初始化网络权值和阈值；

根据所述样本数据对所述径向基函数神经网络模型进行训练，采用梯度下降法迭代更新所述网络权值，直至所述径向基函数神经网络模型的输出的误差小于所述阈值，完成对所述径向基函数神经网络模型的训练。

9.一种可燃气体报警系统，其特征在于，包括：

待测气体数据获取模块，用于获取待测气体温度数据和待测气体浓度数据；

温度补偿模块，用于采用基于径向基函数神经网络的温度补偿方法进行温度补偿，得到温度补偿后的待测气体浓度数据；

触发指令生成模块，用于根据所述温度补偿后的待测气体浓度数据生成报警触发指令，以触发报警装置报警。

10.根据权利要求9所述的可燃气体报警系统，其特征在于，还包括：

样本数据获取模块，用于采用基于径向基函数神经网络的温度补偿方法进行温度补偿，得到温度补偿后的待测气体浓度数据之前，获取样本数据，所述样本数据包括气体训练样本和气体测试样本；

径向基函数神经网络模型获取模块，用于获取径向基函数神经网络模型；所述径向基函数神经网络模型的网络输入层网络节点为2，分别对应可燃气体传感器检测的当前气体浓度对应的电流值和温度传感器检测的当前气体温度；所述径向基函数神经网络模型的隐含层节点为3，激励函数为高斯函数；所述径向基函数神经网络模型的输出层节点为1，对应当前气体温度补偿后的气体浓度所对应的电流值；

初始化模块，用于初始化网络权值和阈值；

训练模块，用于根据所述样本数据对所述径向基函数神经网络模型进行训练，采用梯度下降法迭代更新所述网络权值，直至所述径向基函数神经网络模型的输出的误差小于所述阈值，完成对所述径向基函数神经网络模型的训练。