CN113112738B - 烟雾传感器、烟感探测器及烟雾探测方法、装置 - Google Patents
烟雾传感器、烟感探测器及烟雾探测方法、装置 Download PDFInfo
- Publication number
- CN113112738B CN113112738B CN202110270645.7A CN202110270645A CN113112738B CN 113112738 B CN113112738 B CN 113112738B CN 202110270645 A CN202110270645 A CN 202110270645A CN 113112738 B CN113112738 B CN 113112738B
- Authority
- CN
- China
- Prior art keywords
- smoke
- light
- parameters
- value
- wavelength
- 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.)
- Active
Links
Images
Classifications
-
- 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
- G08B17/103—Actuation by presence of smoke or gases, e.g. automatic alarm devices for analysing flowing fluid materials by the use of optical means using a light emitting and receiving device
-
- 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
- G08B29/185—Signal analysis techniques for reducing or preventing false alarms or for enhancing the reliability of the system
- G08B29/186—Fuzzy logic; neural networks
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Security & Cryptography (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Automation & Control Theory (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Fire-Detection Mechanisms (AREA)
Abstract
本申请涉及一种烟雾传感器、烟感探测器及烟雾探测方法、装置,烟雾传感器包括:多个不同波长的发光二极管、驱动电路、光敏接收区和控制单元,驱动电路用于驱动所述多个不同波长的发光二极管发射出不同波长的光,多个不同波长的发光二极管用于照射颗粒物,以使所述颗粒物在不同波长的光的照射下发生光学现象得到不同光强的光,光敏接收区用于接收不同光强的光,控制单元用于根据光强计算出每个波长对应的烟雾参数,以根据烟雾参数确认颗粒物类型。本申请可以及时确认颗粒物是否为烟雾颗粒,提高探测结果准确性,避免漏报或者误报。
Description
技术领域
本申请属于烟感探测器技术领域,具体涉及一种烟雾传感器、烟感探测器及烟雾探测方法、装置。
背景技术
火灾发展初期,火源挥发出人眼难以观察到的微量烟雾颗粒,其中含有一氧化碳、二氧化碳、甲烷、水、二氧化硫以及氮氧化物等气体,较大的分子团、未燃烧的物质颗粒及燃烧灰烬等悬浮物。当火势逐渐扩大,悬浮物的直径达到0.01~10μm时人眼就可以观察到燃烧前的少量烟雾。多数情况下,火灾发展初期占比时间较长,但环境温度还未上升,此时烟感探测器检测到烟雾并反馈至火灾报警控制单元及时预警,进而获得最佳的扑救时机。常规光学烟感探测器内部发出的红外线光在光学迷宫内部反射,以使在未发生火灾时,感光元件接收不到光信号,感光元件阻抗不变化,不报警,当有烟雾进入时发射管发出光线被烟雾颗粒吸收和反射,感光元件接收到反射光后,将烟雾信号转化成电信号;但在实际使用环境中,灰尘、水汽等颗粒物进入到烟感探测器后会产生误报警,而烟感探测器在长期运行后,容易堆积灰尘,导致误报,严重时灰尘将红外线发射管及接收管全部挡住,当有火情出现烟雾时也无法报警,由于无法确认当前烟雾的真实性、烟雾颗粒的大小或者烟雾可能的类型,使得探测结果准确性低,有漏报或者误报风险。
发明内容
为至少在一定程度上克服在实际使用环境中,由于无法确认当前烟雾的真实性、烟雾颗粒的大小或者烟雾可能的类型,使得探测结果准确性低,有漏报或者误报风险的问题,本申请提供一种烟雾传感器、烟感探测器及烟雾探测方法、装置。
第一方面,本申请提供一种烟雾传感器,包括:
多个不同波长的发光二极管、驱动电路、光敏接收区和控制单元;
所述驱动电路用于驱动所述多个不同波长的发光二极管发射出不同波长的光;
所述多个不同波长的发光二极管用于照射颗粒物,以使所述颗粒物在所述不同波长的光的照射下发生光学现象得到不同光强的光;
所述光敏接收区用于接收所述不同光强的光;
所述控制单元用于根据光强计算出每个波长对应的烟雾参数,以根据所述烟雾参数确认颗粒物类型。
进一步的,所述多个不同波长的发光二极管数量为4个,包括:
蓝色发光二极管、绿色发光二极管、橙色发光二极管和红色发光二极管;
所述控制单元还用于向所述蓝色发光二极管、绿色发光二极管、橙色发光二极管和红色发光二极管发送脉冲信号,以使所述蓝色发光二极管、绿色发光二极管、橙色发光二极管和红色发光二极管接收到脉冲信号时发出对应波长的光。
进一步的,还包括:
信号放大区,用于对所述不同光强的光进行信号放大,将放大后的光强信号传送至所述控制单元。
进一步的,所述光敏接收区包括:光电接收板。
进一步的,还包括:
存储单元,用于对烟雾传感器采集的不同光强进行存储,以在存储数据达到预设数据发送位数时触发控制单元进行数据传输。
进一步的,所述颗粒物类型包括:烟雾颗粒、灰尘、水汽和油雾中的一种或多种。
第二方面,本申请提供一种烟感探测器,包括:
如第一方面任一项所述的烟雾传感器、光学迷宫和探测腔室;
所述光学迷宫用于阻碍外界环境光进入所述探测腔室;
所述烟雾传感器用于获取进入到所述探测腔室中的颗粒物的烟雾参数。
进一步的,还包括:
微控制器,所述微控制器与所述烟雾传感器中的控制单元连接,接收控制单元传输的数据。
进一步的,还包括:
报警设备,所述报警设备与所述微控制器连接,用于在识别出的烟雾颗粒超出预设报警阈值时产生报警信号。
进一步的,所述报警设备包括:
指示灯和/或蜂鸣器。
进一步的,还包括:
按键,所述按键与所述微控制器连接,用于获取用户输入。
进一步的,还包括:
通讯模块,所述通讯模块与所述微控制器连接,用于与外部设备进行通讯。
进一步的,还包括:
存储器,所述存储器与所述微控制器连接,用于存储所述控制单元传输的数据。
进一步的,还包括:
工程调试接口,用于连接调试设备以对烟感探测器进行工程调试。
第三方面,本申请提供一种烟雾探测方法,包括:
获取颗粒物在不同波长的光的照射下得到的不同光强;
根据所述不同光强计算出每个波长对应的烟雾参数;
根据所述烟雾参数确认颗粒物类型。
进一步的,所述根据烟雾参数确认颗粒物类型包括:
根据烟雾参数生成特征值矩阵;
将特征值矩阵与预设标准矩阵进行比较;
根据比较结果确认颗粒物类型。
进一步的,所述根据烟雾参数生成特征值矩阵,包括:
根据不同光强计算出每个波长的功率值;
根据每个波长的功率值计算出每个波长的比率;
根据每个波长的功率值或每个波长的比率生成特征值矩阵。
进一步的,还包括:
设置报警阈值;
在识别出颗粒物类型为烟雾颗粒且烟雾颗粒浓度超出报警阈值时产生报警信号。
进一步的,还包括:
预设单位周期;
按照所述单位周期保存烟雾参数;
计算当前单位周期与历史单位周期的烟雾参数偏差系数;
在所述烟雾参数偏差系数超出设定值时,修正所述报警阈值。
进一步的,所述历史单位周期为上一单位周期,计算当前单位周期与历史单位周期的烟雾参数偏差系数,包括:
计算当前单位周期中烟雾参数的平均值和上一单位周期中烟雾参数的平均值;
所述烟雾参数偏差系数为当前单位周期中烟雾参数的平均值和上一单位周期中烟雾参数的平均值的差值。
进一步的,还包括:
建立场景与报警阈值对应关系;
识别感烟探测器所在当前场景;
根据所述场景与报警阈值对应关系对当前场景的报警阈值进行自适应调整。
进一步的,所述识别感烟探测器所在当前场景,包括:
建立神经网络自学习场景模型;
根据所述神经网络自学习场景模型识别感烟探测器所在当前场景。
进一步的,所述建立神经网络自学习场景模型,包括:
计算出不同场景下的烟雾参数作为输入向量;
根据所述输入向量计算实际输出;
获取不同场景下的期望输出;
根据所述期望输出与所述实际输出确定模型参数;
根据所述模型参数建立神经网络自学习场景模型。
进一步的,所述根据所述输入向量计算实际输出,包括:
初始化模型中间值;
根据输入向量和模型中间值计算实际输出。
进一步的,所述根据所述期望输出与所述实际输出确定模型参数,包括:
计算所述期望输出与所述实际输出的偏差;
根据所述偏差修正所述模型中间值;
将所述偏差满足预设要求时对应的模型中间值作为模型参数。
进一步的,还包括:
设置最大训练次数;
将到达最大训练次数时对应的模型中间值作为模型参数。
进一步的,所述模型中间值包括:
输入向量的权值、隐含层各神经元的相输出值和输出层各神经元的相输出值、误差梯度中的一项或多项。
第四方面,本申请提供一种烟雾探测装置,包括:
获取模块,用于获取颗粒物在不同波长的光的照射下得到的不同光强;
计算模块,用于根据所述不同光强计算出每个波长对应的烟雾参数;
确认模块,用于根据所述烟雾参数确认颗粒物类型。
本申请的实施例提供的技术方案可以包括以下有益效果:
本发明实施例提供的烟雾传感器、烟感探测器及烟雾探测方法、装置,烟雾传感器包括:多个不同波长的发光二极管、驱动电路、光敏接收区和控制单元,驱动电路用于驱动所述多个不同波长的发光二极管发射出不同波长的光,多个不同波长的发光二极管用于照射颗粒物,以使所述颗粒物在不同波长的光的照射下发生光学现象得到不同光强的光,光敏接收区用于接收不同光强的光,控制单元用于根据光强计算出每个波长对应的烟雾参数,以根据烟雾参数确认颗粒物类型,可以及时确认颗粒物是否为烟雾颗粒,提高探测结果准确性,避免漏报或者误报。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
图1为本申请一个实施例提供的一种烟雾传感器的功能结构图。
图2为本申请另一个实施例提供的一种烟雾传感器的功能结构图。
图3为本申请一个实施例提供的一种烟雾传感器的原理图。
图4为本申请一个实施例提供的一种烟感探测器的功能结构图。
图5为本申请一个实施例提供的一种烟雾探测方法的流程图。
图6为本申请另一个实施例提供的一种烟雾探测方法的流程图。
图7为本申请另一个实施例提供的一种烟雾探测方法的流程图。
图8为本申请一个实施例提供的一种神经网络自学习算法框图。
图9为本申请一个实施例提供的一种神经网络自学习场景模型报警阈值自适应调整的流程图。
图10为本申请一个实施例提供的一种烟雾探测装置的功能结构图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将对本申请的技术方案进行详细的描述。显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式,都属于本申请所保护的范围。
图1为本申请一个实施例提供的烟雾传感器的功能结构图,如图1所示,该烟雾传感器包括:
多个不同波长的发光二极管11、驱动电路12、光敏接收区13和控制单元14;
驱动电路12用于驱动多个不同波长的发光二极管11发射出不同波长的光;
多个不同波长的发光二极管11用于照射颗粒物,以使颗粒物在不同波长的光的照射下发生光学现象得到不同光强的光;
光敏接收区13用于接收不同光强的光;
控制单元14用于根据光强计算出每个波长对应的烟雾参数,以根据烟雾参数确认颗粒物类型。
在实际使用环境中,灰尘、水汽等颗粒物进入到烟感探测器后会产生误报警,而烟感探测器在长期运行后,容易堆积灰尘,导致误报,严重时灰尘将红外线发射管及接收管全部挡住,当有火情出现烟雾时也无法报警,由于无法确认当前烟雾的真实性、烟雾颗粒的大小或者烟雾可能的类型,使得探测结果准确性低,有漏报或者误报风险。
一些实施例中,颗粒物类型包括但不限于:烟雾颗粒、灰尘、水汽和油雾等。由于灰尘、水汽、油雾等与烟雾颗粒类似的其他因素粒径各不相同,导致折射散射光强不同,出现不同散射规律,因此,使用多个不同波长的发光二极管11照射颗粒物,以使颗粒物在不同波长的光的照射下发生光学现象得到不同光强的光,再根据光强计算出每个波长对应的烟雾参数,以根据烟雾参数确认颗粒物是否为烟雾颗粒,可以准确识别烟雾的真实性。
本实施例中,烟雾传感器包括多个不同波长的发光二极管、驱动电路、光敏接收区和控制单元,驱动电路用于驱动所述多个不同波长的发光二极管发射出不同波长的光,多个不同波长的发光二极管用于照射颗粒物,以使所述颗粒物在不同波长的光的照射下发生光学现象得到不同光强的光,光敏接收区用于接收不同光强的光,控制单元用于根据光强计算出每个波长对应的烟雾参数,以根据烟雾参数确认颗粒物类型,可以及时确认颗粒物是否为烟雾颗粒,提高探测结果准确性,避免漏报或者误报。
图2为本申请另一个实施例提供的一种烟雾传感器的功能示意图,如图2所示,该烟雾传感器,包括:
蓝色发光二极管21、绿色发光二极管22、橙色发光二极管23和红色发光二极管24;
控制单元25还用于向蓝色发光二极管21、绿色发光二极管22、橙色发光二极管23和红色发光二极管24发送脉冲信号,以使蓝色发光二极管21、绿色发光二极管22、橙色发光二极管23和红色发光二极管24接收到脉冲信号时发出对应波长的光。
需要说明的是,本申请对不同波长的发光二极管的数量不限制,本领域技术人员可根据实际需要选取。
信号放大区26,用于对不同光强的光进行信号放大,将放大后的光强信号传送至控制单元25。
光敏接收区27包括:光电接收板。光电接收板接收经颗粒物反射或散热的光原理如图3所示。
存储单元28,用于对烟雾传感器采集的不同光强进行存储,以在存储数据达到预设数据发送位数时触发控制单元进行数据传输。
烟雾传感器与烟感探测器进行数据通讯时,可以采用8位数据传输格式进行数据传输,存储单元28在存储的光强值达到8位数据时将数据转发至烟感探测器,不进可以节约通讯资源还可以避免数据丢失。
本实施例中,通过多个波长的发光二极管,对不同粒径大小的颗粒物进行照射,可以识别出颗粒物为水汽、灰尘、厨房油雾等,排出与烟雾颗粒粒径大小相仿的颗粒物进入探测器导致的误报。
图4为本申请一个实施例提供的一种烟感探测器的功能结构图,如图4所示,该烟感探测器包括:
如上述实施例所述的烟雾传感器41、光学迷宫(图中未示出)和探测腔室42;
光学迷宫用于阻碍外界环境光进入探测腔室42;
烟雾传感器41用于获取进入到光探测腔室42中的颗粒物的烟雾参数。
需要说明的是,本申请中光学迷宫的结构可以根据实际需要选择现有技术中已有结构,本申请对光学迷宫的具体结构不做限定。
微控制器43,微控制器43与烟雾传感器41中的控制单元连接,接收控制单元传输的数据。
报警设备,报警设备与微控制器43连接,用于在识别出的烟雾颗粒超出预设报警阈值时产生报警信号。
报警设备包括:
指示灯44和/或蜂鸣器45。
按键46,按键46与微控制器43连接,用于获取用户输入。
通讯模块47,通讯模块47与微控制器43连接,用于与外部设备进行通讯。
外部设备例如为总控制设备,每个烟感探测器通过通讯模块47与总控制设备进行数据通信,以使总控制设备及时了解每个烟感探测器的状态,可以实现在总控制设备端进行及时报警。
存储器48,存储器48与微控制器43连接,用于存储所述控制单元传输的数据。
需要说明的是,存储器48可以按照单位周期对烟雾参数进行存储,以对长时间运行的感烟探测器进行烟雾报警阈值补偿。
工程调试接口49,用于连接调试设备以对烟感探测器进行工程调试。
本实施例中,烟雾弥漫到感烟探测器内部探测腔室时,控制单元由于给出脉冲使四种发光二极管逐个发光,由于灰尘、水汽、油雾等与烟雾颗粒类似的其他因素粒径各不相同,导致折射散射光强不同,根据光强确认颗粒物类型,从而排除可能发生的误报,降低误报率,并且,存储器按照单位周期存储烟感参数,微处理器根据设定的单位周期进行调整报警阈值,可以消除烟感探测器在长时间运行后,由于灰尘堆积,器件老化等对报警阈值产生影响。
图5为本申请一个实施例提供的烟雾探测方法流程图,如图5所示,该烟雾探测方法,包括:
S51:获取颗粒物在不同波长的光的照射下得到的不同光强;
S52:根据不同光强计算出每个波长对应的烟雾参数;
S53:根据烟雾参数确认颗粒物类型。
一些实施例中,根据烟雾参数确认颗粒物类型包括:
S531:根据烟雾参数生成特征值矩阵;
S532:将特征值矩阵与预设标准矩阵进行比较;
S533:根据比较结果确认颗粒物类型。
一些实施例中,根据烟雾参数生成特征值矩阵,包括:
S5311:根据不同光强计算出每个波长的功率值;
S5312:根据每个波长的功率值计算出每个波长的比率;
S5313:根据每个波长的功率值或每个波长的比率生成特征值矩阵。
需要说明的是,根据每个波长的比率生成特征值矩阵,可以使矩阵中的数据归一化,降低比较数据的大小,便于与标准矩阵进行比较。
由于灰尘、水汽、油雾等与烟雾颗粒类似的其他因素粒径各不相同,导致折射散射光强不同,出现不同散射规律,光敏接收区接收到反射的四种光强得到对应功率值:红功率值a、橙功率值b、绿功率值c、蓝功率值d;根据功率值计算出比率,比率=功率值/(红功率值a+橙功率值b+绿功率值c+蓝功率值d),一些实施例中,根据各个波长的光的比率得到特征值矩阵Q,特征值矩阵Q与预先根据实验得到标准矩阵A、B、C、D进行比对以判断出颗粒物类型。例如,发射管有红光、蓝光、绿光,设定红光以30mW的功率发射,蓝光以60mW的功率发射,绿光以40mW的功率发射,当不同颗粒物进入探测腔室时,由于不同颗粒物的分子模型不同导致吸收和反射功率不同,可能出现以下情况:
当烟雾进入探测腔室后,各个发光二级管的接收功率为:红光20mW、蓝光40mW,绿光35mW;这三个数值形成的特征值矩阵为E;
当水雾进入探测腔室后,各个发光二级管的接收功率为:红光17mW、蓝光36mW,绿光19mW;这三个数值形成的特征值矩阵为F;以此类推。
当烟雾传感器检测时,将特征值矩阵E、F与预设标准矩阵A、B、C、D进行比较,即可根据比较结果确认颗粒物类型。
本实施例中,通过获取颗粒物在不同波长的光的照射下得到的不同光强,根据不同光强计算出每个波长对应的烟雾参数,根据烟雾参数确认颗粒物类型,可以及时确认颗粒物是否为烟雾颗粒,提高探测结果准确性,避免漏报或者误报。
图6为本申请另一个实施例提供的一种烟雾探测方法流程图,如图6所示,该烟雾探测方法,包括:
S61:设置报警阈值;
S62:在识别出颗粒物类型为烟雾颗粒且烟雾颗粒浓度超出报警阈值时产生报警信号;
S63:预设单位周期;
S64:按照单位周期保存烟雾参数;
S65:计算当前单位周期与历史单位周期的烟雾参数偏差系数;
一些实施例中,历史单位周期为上一单位周期,计算当前单位周期与历史单位周期的烟雾参数偏差系数,包括:
S651:计算当前单位周期中烟雾参数的平均值和上一单位周期中烟雾参数的平均值;
S652:烟雾参数偏差系数为当前单位周期中烟雾参数的平均值和上一单位周期中烟雾参数的平均值的差值。
S66:在烟雾参数偏差系数超出设定值时,修正报警阈值。
例如,烟雾传感器通过不同波长的发光二极管对颗粒物反射散射后产生光的光强进行采集,得到各个不同波长光的功率值及比率,按照单位周期(例如以30天为单位周期)将本周期N内的全部烟雾参数进行平均值计算,将该数据存储到感烟探测器的存储器中记为Y,当感烟探测器发现运行时间超过单位周期后,读取周期N+1的烟雾参数Z与周期N的历史烟雾参数Y比较,计算阈值的偏差系数K,K=Z-Y,若偏差系数K超出偏差系数的设定值,则修正报警阈值。
本实施例中,通过上述补偿算法,对长时间运行的烟感探测器进行烟雾报警阈值补偿,解决传统烟感探测器因灰尘等颗粒堆积导致烟雾报警失效等问题。
图7为本申请另一个实施例提供的一种烟雾探测方法流程图,如图7所示,该烟雾探测方法,包括:
S71:建立场景与报警阈值对应关系;
S72:识别感烟探测器所在当前场景;
S73:根据场景与报警阈值对应关系对当前场景的报警阈值进行自适应调整。
一些实施例中,识别感烟探测器所在当前场景,包括:
S721:建立神经网络自学习场景模型;
S722:根据神经网络自学习场景模型识别感烟探测器所在当前场景。
一些实施例中,建立神经网络自学习场景模型,包括:
S7211:计算出不同场景下的烟雾参数作为输入向量;
S7212:根据输入向量计算实际输出;
一些实施例中,根据输入向量计算实际输出,包括:
初始化模型中间值;
根据输入向量和模型中间值计算实际输出。
S7213:获取不同场景下的期望输出;
S7214:根据期望输出与所述实际输出确定模型参数;
一些实施例中,根据期望输出与实际输出确定模型参数,包括:
计算期望输出与实际输出的偏差;
根据偏差修正模型中间值;
将偏差满足预设要求时对应的模型中间值作为模型参数。
一些实施例中,还包括:
设置最大训练次数;
将到达最大训练次数时对应的模型中间值作为模型参数。
S7215:根据模型参数建立神经网络自学习场景模型。
一些实施例中,模型中间值包括但不限于:
输入向量的权值、隐含层各神经元的相输出值和输出层各神经元的相输出值、误差梯度中的一项或多项。
如图8所示,神经网络自学习模型组成包括输入层、隐含层和输出层。神经网络自学习场景模型的报警阈值自适应调整流程如图9所示,具体包括:
步骤1:获取烟雾参数输入向量和烟雾参数期望输出;
步骤2:求隐含层和输出层各神经元相输出;
步骤3:求期望输出和设计输出的偏差E;
步骤4:判断E是否满足要求?
步骤5:若是,进行场景识别确认,根据场景与报警阈值对应关系对当前场景的报警阈值进行自适应调整;
步骤6:否则,判断是否达到最大训练次数?
步骤7:若已达到,进行场景识别确认,根据场景与报警阈值对应关系对当前场景的报警阈值进行自适应调整;
步骤8:若未达到,隐含层单元误差,求误差梯度;
步骤9:权值学习,重新执行步骤1。
采用神经网络自学习场景模型对感烟探测器识别场景类型反复训练,使得在不同场景下对应不同灵敏度的报警阈值,减少误报及漏报概率,训练方式包括:首先通过实验采集在各种场景下的烟雾参数值作为神经网络的输入向量x=[x1、x2、…、xn],求出隐含层与输出层各神经元的相输出,求出期望D=[d1、d2、…、dn]与实际输出o=[o1、o2、…、on]的偏差;针对不同场景重复训练,直至期望输出与实际输出偏差满足要求或达到最大训练次数;求出误差梯度后,对各权值进行修正,完成烟雾传感器在各场景下的训练,从而使烟雾传感器具有场景识别能力,从而自适应调整与场景相匹配的报警阈值。
本实施例中,通过建立神经网络的自学习场景模型并不断训练,使感烟探测器具备识别场景的能力,配置相应的报警阈值对策,使得烟感探测器误报率降低,而与为防止误报儿升高报警阈值的策略相比,本申请提供的烟感探测器具有更强灵敏度,提升响应速度。
图10为本申请一个实施例提供的烟雾探测装置的功能结构图,如图10所示,该烟雾探测装置包括:
获取模块101,用于获取颗粒物在不同波长的光的照射下得到的不同光强;
计算模块102,用于根据不同光强计算出每个波长对应的烟雾参数;
确认模块103,用于根据烟雾参数确认颗粒物类型。
一些实施例中,还包括:
生成模块104,用于根据烟雾参数生成特征值矩阵。
报警模块105,用于在识别出颗粒物类型为烟雾颗粒且烟雾颗粒浓度超出报警阈值时产生报警信号。
修正模块106,用于在烟雾参数偏差系数超出设定值时,修正报警阈值。
报警阈值自适应模块107,用于根据场景与报警阈值对应关系对当前场景的报警阈值进行自适应调整。
本实施例中,通过获取模块获取颗粒物在不同波长的光的照射下得到的不同光强,计算模块根据不同光强计算出每个波长对应的烟雾参数,确认模块根据烟雾参数确认颗粒物类型,可以及时确认颗粒物是否为烟雾颗粒,提高探测结果准确性,避免漏报或者误报。
可以理解的是,上述各实施例中相同或相似部分可以相互参考,在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
需要说明的是,在本申请的描述中,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。此外,在本申请的描述中,除非另有说明,“多个”的含义是指至少两个。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
需要说明的是,本发明不局限于上述最佳实施方式,本领域技术人员在本发明的启示下都可得出其他各种形式的产品,但不论在其形状或结构上作任何变化,凡是具有与本申请相同或相近似的技术方案,均落在本发明的保护范围之内。
Claims (26)
1.一种烟雾传感器,其特征在于,包括:
多个不同波长的发光二极管、驱动电路、光敏接收区和控制单元;
所述驱动电路用于驱动所述多个不同波长的发光二极管发射出不同波长的光;
所述多个不同波长的发光二极管用于照射颗粒物,以使所述颗粒物在所述不同波长的光的照射下发生光学现象得到不同光强的光;
所述光敏接收区用于接收所述不同光强的光;
所述控制单元用于根据光强计算出每个波长对应的烟雾参数,以根据所述烟雾参数确认颗粒物类型;
根据烟雾参数确认颗粒物类型包括:根据烟雾参数生成特征值矩阵;将特征值矩阵与预设标准矩阵进行比较;根据比较结果确认颗粒物类型;
所述根据烟雾参数生成特征值矩阵,包括:
根据不同光强计算出每个波长的功率值;
根据每个波长的功率值计算出每个波长的比率;
根据每个波长的功率值或每个波长的比率生成特征值矩阵,根据每个波长的比率生成特征值矩阵,使矩阵中的数据归一化。
2.根据权利要求1所述的烟雾传感器,其特征在于,所述多个不同波长的发光二极管数量为4个,包括:
蓝色发光二极管、绿色发光二极管、橙色发光二极管和红色发光二极管;
所述控制单元还用于向所述蓝色发光二极管、绿色发光二极管、橙色发光二极管和红色发光二极管发送脉冲信号,以使所述蓝色发光二极管、绿色发光二极管、橙色发光二极管和红色发光二极管接收到脉冲信号时发出对应波长的光。
3.根据权利要求1所述的烟雾传感器,其特征在于,还包括:
信号放大区,用于对所述不同光强的光进行信号放大,将放大后的光强信号传送至所述控制单元。
4.根据权利要求1所述的烟雾传感器,其特征在于,所述光敏接收区包括:光电接收板。
5.根据权利要求1所述的烟雾传感器,其特征在于,还包括:
存储单元,用于对烟雾传感器采集的不同光强进行存储,以在存储数据达到预设数据发送位数时触发控制单元进行数据传输。
6.根据权利要求1所述的烟雾传感器,其特征在于,所述颗粒物类型包括:烟雾颗粒、灰尘、水汽和油雾中的一种或多种。
7.一种烟感探测器,其特征在于,包括:
如权利要求1~6任一项所述的烟雾传感器、光学迷宫和探测腔室;
所述光学迷宫用于阻碍外界环境光进入所述探测腔室;
所述烟雾传感器用于获取进入到所述探测腔室中的颗粒物的烟雾参数。
8.根据权利要求7所述的烟感探测器,其特征在于,还包括:
微控制器,所述微控制器与所述烟雾传感器中的控制单元连接,接收控制单元传输的数据。
9.根据权利要求8所述的烟感探测器,其特征在于,还包括:
报警设备,所述报警设备与所述微控制器连接,用于在识别出的烟雾颗粒超出预设报警阈值时产生报警信号。
10.根据权利要求9所述的烟感探测器,其特征在于,所述报警设备包括:
指示灯和/或蜂鸣器。
11.根据权利要求8所述的烟感探测器,其特征在于,还包括:
按键,所述按键与所述微控制器连接,用于获取用户输入。
12.根据权利要求8所述的烟感探测器,其特征在于,还包括:
通讯模块,所述通讯模块与所述微控制器连接,用于与外部设备进行通讯。
13.根据权利要求8所述的烟感探测器,其特征在于,还包括:
存储器,所述存储器与所述微控制器连接,用于存储所述控制单元传输的数据。
14.根据权利要求7所述的烟感探测器,其特征在于,还包括:
工程调试接口,用于连接调试设备以对烟感探测器进行工程调试。
15.一种烟雾探测方法,其特征在于,包括:
获取颗粒物在不同波长的光的照射下得到的不同光强;
根据所述不同光强计算出每个波长对应的烟雾参数;
根据所述烟雾参数确认颗粒物类型;
根据烟雾参数确认颗粒物类型包括:
根据烟雾参数生成特征值矩阵;
将特征值矩阵与预设标准矩阵进行比较;
根据比较结果确认颗粒物类型;
所述根据烟雾参数生成特征值矩阵,包括:
根据不同光强计算出每个波长的功率值;
根据每个波长的功率值计算出每个波长的比率;
根据每个波长的功率值或每个波长的比率生成特征值矩阵,根据每个波长的比率生成特征值矩阵,使矩阵中的数据归一化。
16.根据权利要求15所述的烟雾探测方法,其特征在于,还包括:
设置报警阈值;
在识别出颗粒物类型为烟雾颗粒且烟雾颗粒浓度超出报警阈值时产生报警信号。
17.根据权利要求16所述的烟雾探测方法,其特征在于,还包括:
预设单位周期;
按照所述单位周期保存烟雾参数;
计算当前单位周期与历史单位周期的烟雾参数偏差系数;
在所述烟雾参数偏差系数超出设定值时,修正所述报警阈值。
18.根据权利要求17所述的烟雾探测方法,其特征在于,所述历史单位周期为上一单位周期,计算当前单位周期与历史单位周期的烟雾参数偏差系数,包括:
计算当前单位周期中烟雾参数的平均值和上一单位周期中烟雾参数的平均值;
所述烟雾参数偏差系数为当前单位周期中烟雾参数的平均值和上一单位周期中烟雾参数的平均值的差值。
19.根据权利要求17所述的烟雾探测方法,其特征在于,还包括:
建立场景与报警阈值对应关系;
识别感烟探测器所在当前场景;
根据所述场景与报警阈值对应关系对当前场景的报警阈值进行自适应调整。
20.根据权利要求19所述的烟雾探测方法,其特征在于,所述识别感烟探测器所在当前场景,包括:
建立神经网络自学习场景模型;
根据所述神经网络自学习场景模型识别感烟探测器所在当前场景。
21.根据权利要求20所述的烟雾探测方法,其特征在于,所述建立神经网络自学习场景模型,包括:
计算出不同场景下的烟雾参数作为输入向量;
根据所述输入向量计算实际输出;
获取不同场景下的期望输出;
根据所述期望输出与所述实际输出确定模型参数;
根据所述模型参数建立神经网络自学习场景模型。
22.根据权利要求21所述的烟雾探测方法,其特征在于,所述根据所述输入向量计算实际输出,包括:
初始化模型中间值;
根据输入向量和模型中间值计算实际输出。
23.根据权利要求22所述的烟雾探测方法,其特征在于,所述根据所述期望输出与所述实际输出确定模型参数,包括:
计算所述期望输出与所述实际输出的偏差;
根据所述偏差修正所述模型中间值;
将所述偏差满足预设要求时对应的模型中间值作为模型参数。
24.根据权利要求23所述的烟雾探测方法,其特征在于,还包括:
设置最大训练次数;
将到达最大训练次数时对应的模型中间值作为模型参数。
25.根据权利要求22~24中任一项所述的烟雾探测方法,其特征在于,所述模型中间值包括:
输入向量的权值、隐含层各神经元的相输出值和输出层各神经元的相输出值、误差梯度中的一项或多项。
26.一种烟雾探测装置,其特征在于,包括:
获取模块,用于获取颗粒物在不同波长的光的照射下得到的不同光强;
计算模块,用于根据所述不同光强计算出每个波长对应的烟雾参数;
确认模块,用于根据所述烟雾参数确认颗粒物类型,根据烟雾参数确认颗粒物类型包括:根据烟雾参数生成特征值矩阵;将特征值矩阵与预设标准矩阵进行比较;根据比较结果确认颗粒物类型,根据每个波长的比率生成特征值矩阵,使矩阵中的数据归一化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110270645.7A CN113112738B (zh) | 2021-03-12 | 2021-03-12 | 烟雾传感器、烟感探测器及烟雾探测方法、装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110270645.7A CN113112738B (zh) | 2021-03-12 | 2021-03-12 | 烟雾传感器、烟感探测器及烟雾探测方法、装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113112738A CN113112738A (zh) | 2021-07-13 |
CN113112738B true CN113112738B (zh) | 2022-04-22 |
Family
ID=76711252
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110270645.7A Active CN113112738B (zh) | 2021-03-12 | 2021-03-12 | 烟雾传感器、烟感探测器及烟雾探测方法、装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113112738B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113470299A (zh) * | 2021-09-02 | 2021-10-01 | 杭州中电燃帝科技有限公司 | 一种自主校准的烟感探测方法 |
CN114913667B (zh) * | 2022-05-06 | 2023-08-11 | 合肥科大立安安全技术有限责任公司 | 一种火灾早期烟雾抗干扰传感装置及其抗干扰方法 |
CN115015072B (zh) * | 2022-07-19 | 2022-10-21 | 煤炭科学技术研究院有限公司 | 火灾烟雾的检测方法、装置及电子设备 |
CN116665397B (zh) * | 2023-08-01 | 2023-09-26 | 中国科学技术大学 | 火灾烟雾报警方法及报警装置、报警器与可读存储介质 |
CN117175045B (zh) * | 2023-11-02 | 2024-03-22 | 安徽中科中涣智能装备股份有限公司 | 一种基于光谱的电池箱热失控探测装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5798701A (en) * | 1994-08-26 | 1998-08-25 | Slc Technologies, Inc. | Self-adjusting smoke detector with self-diagnostic capabilities |
CN1427252A (zh) * | 2001-12-21 | 2003-07-02 | 中国科学技术大学 | 三波长全散射激光感烟火灾探测方法及其装置 |
CN102637337A (zh) * | 2012-04-23 | 2012-08-15 | 宁波市科技园区佳柏电子有限公司 | 一种自适应烟雾报警器的报警方法 |
CN108205867A (zh) * | 2017-12-25 | 2018-06-26 | 中国科学技术大学 | 一种具备干扰粒子识别能力的早期火灾烟雾探测方法 |
CN110148277A (zh) * | 2019-04-20 | 2019-08-20 | 北京升哲科技有限公司 | 一种基于双波长检测的mems烟雾传感器 |
CN111724562A (zh) * | 2020-06-05 | 2020-09-29 | 珠海格力电器股份有限公司 | 一种烟雾报警器及其修正方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11195400B2 (en) * | 2019-02-20 | 2021-12-07 | Jade Bird Fire Co., Ltd. | Smoke detector and method for detecting smoke |
-
2021
- 2021-03-12 CN CN202110270645.7A patent/CN113112738B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5798701A (en) * | 1994-08-26 | 1998-08-25 | Slc Technologies, Inc. | Self-adjusting smoke detector with self-diagnostic capabilities |
CN1427252A (zh) * | 2001-12-21 | 2003-07-02 | 中国科学技术大学 | 三波长全散射激光感烟火灾探测方法及其装置 |
CN102637337A (zh) * | 2012-04-23 | 2012-08-15 | 宁波市科技园区佳柏电子有限公司 | 一种自适应烟雾报警器的报警方法 |
CN108205867A (zh) * | 2017-12-25 | 2018-06-26 | 中国科学技术大学 | 一种具备干扰粒子识别能力的早期火灾烟雾探测方法 |
CN110148277A (zh) * | 2019-04-20 | 2019-08-20 | 北京升哲科技有限公司 | 一种基于双波长检测的mems烟雾传感器 |
CN111724562A (zh) * | 2020-06-05 | 2020-09-29 | 珠海格力电器股份有限公司 | 一种烟雾报警器及其修正方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113112738A (zh) | 2021-07-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113112738B (zh) | 烟雾传感器、烟感探测器及烟雾探测方法、装置 | |
US9098989B2 (en) | Evaluation of scattered-light signals in an optical hazard alarm and output both of a weighted smoke density signal and also of a weighted dust/steam density signal | |
US7239387B2 (en) | Fire detection method and fire detector therefor | |
US8947244B2 (en) | Smoke detector utilizing broadband light, external sampling volume, and internally reflected light | |
US8227995B2 (en) | Sensing coded light using retro reflectors | |
CN110136390A (zh) | 一种烟雾检测方法、装置、烟雾报警器及存储介质 | |
AU2006251047B2 (en) | A flame detector and a method | |
CN103026393A (zh) | 光学危险报警器中的散射光信号的分析以及灰尘/蒸汽警告或火灾报警的输出 | |
CN105975991B (zh) | 一种改进的极限学习机火灾种类识别方法 | |
CN113345200B (zh) | 一种火灾烟雾自动识别报警方法及装置 | |
US20210215604A1 (en) | Receiver, fire detection system, and fire detection method | |
CN103400469A (zh) | 烟雾模块 | |
CN110148277B (zh) | 一种基于双波长检测的mems烟雾传感器 | |
US11860089B2 (en) | Receiver, early anomaly detection system and method, and computer-readable medium | |
CN113470299A (zh) | 一种自主校准的烟感探测方法 | |
US5617077A (en) | Testable photoelectric detector | |
CN113362560B (zh) | 一种精准识别火灾烟雾的光电感烟探测方法 | |
US20190212445A1 (en) | Laser distance sensing using prior measurement information | |
CN105445744A (zh) | 一种线激光目标探测系统和目标探测方法 | |
JP2966541B2 (ja) | 光電式煙感知器 | |
CN213365729U (zh) | 飞机货舱光电感烟探测器 | |
CN209312193U (zh) | 一种微型烟雾报警器 | |
CN114305260A (zh) | 一种清洁机器人的控制方法、装置、介质和清洁机器人 | |
CN203338513U (zh) | 烟雾模块 | |
JP3815643B2 (ja) | 炎検出装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |