CN113362560A - 一种精准识别火灾烟雾的光电感烟探测方法 - Google Patents

Abstract

本发明公开了一种精准识别火灾烟雾的光电感烟探测方法，属于消防报警技术领域，涉及烟雾探测技术，用于解决由于烟雾颗粒之间的凝并作用使得粒径增加引起的漏报警问题；首先通过样本采集单元获取探测器本底值；通过样本采集单元获取火灾烟雾和非火灾烟雾的烟雾检测值；然后处理器对样本采集单元发送的接收管的信号强度值进行处理，得到烟雾浓度以及粒径信息，并通过烟雾特征序列以及对应的烟雾类型标识构成训练样本；并训练识别烟雾类型的神经网络模型；最后实时采集单元用于通过探测器定时采集各波长对应的接收管信号强度值，计算烟雾特征序列，并由训练得到的神经网络模型判别烟雾类型，通过处理器发送报警信号至报警模块，进而实现准确报警。

Description

一种精准识别火灾烟雾的光电感烟探测方法

技术领域

本发明属于消防报警技术领域，涉及烟雾探测技术，具体是一种精准识别火灾烟雾的光电感烟探测方法。

背景技术

光电感烟探测器是目前应用最为广泛的火灾探测器，其基本原理是当空气中的烟雾颗粒进入探测器迷宫后，会使得迷宫内的探测光线发生散射，进而引起探测器产生相应的电信号。由于水雾、灰尘等非火灾烟雾也会使得探测光线发生散射，现有的光电感烟探测器往往会在这些干扰因素的作用下产生误报警。因此，提高光电感烟探测器的抗干扰能力成为行业关注的重点。

通常，物质燃烧产生的火灾烟雾的粒径小于1μm，水雾、灰尘等非火灾烟雾的粒径大于1μm。基于该特点，已提出的技术方法是采用多波长多角度的散射光信号反演出烟雾颗粒粒径，进而区分火灾烟雾和非火灾烟雾。专利号为201410748629.4的专利指出一定散射角度上的蓝光和红外光散射功率比值与烟雾粒子的中值粒径可直接对应，进而提出了区分火灾烟雾和非火灾烟雾的方法。专利号为201711415845.7的专利采用一个双波长发射管以及两个接收管的探测结构，实现在两个散射方向上同步采样，减少散射信号的测量时间间隔，进而基于两个方向上的散射光功率比值区分火灾烟雾和非火灾烟雾。

然而，以上现有提高光电感烟探测器抗干扰能力的方法存在对高浓度火灾烟雾漏报警的风险。当火灾烟雾浓度较高时，由于烟雾颗粒之间的凝并作用，粒径会显著增加，此时仅依靠粒径信息区分火灾烟雾和非火灾烟雾会发生漏报警。

为此，提出一种精准识别火灾烟雾的光电感烟探测方法。

发明内容

本发明提供了一种精准识别火灾烟雾的光电感烟探测方法，用于解决由于烟雾颗粒之间的凝并作用使得粒径增加引起的漏报警问题。

本发明的目的可以通过以下技术方案实现：

一种精准识别火灾烟雾的光电感烟探测方法，包括精准识别火灾烟雾的光电感烟探测系统，所述精准识别火灾烟雾的光电感烟探测系统包括采集模块、神经网络模型、样本库、处理器以及报警模块；

所述采集模块分为样本采集单元以及实时采集单元；所述样本采集单元用于获取探测器本底值，具体的，获取探测器本底值的方法包括以下步骤：

在无烟状态下，依次分别向收发器件发送前向红外光、前向蓝光、后向红外光以及后向蓝光；

分别采集相应发光时刻接收管的信号强度值，并将采集得到的信号强度值发送至处理器；

处理器接收到样本采集单元发送的信号强度值后，对应前向红外光、前向蓝光、后向红外光以及后向蓝光分别将信号强度值标记为

和

所述样本采集单元还用于获取火灾烟雾和非火灾烟雾的烟雾检测值，具体的，获取火灾烟雾和非火灾烟雾检测值采用循环采样的方式，所述循环采样是指周期性地完成各轮次的接收管信号强度值采集；且获取烟雾检测值是指针对每一种烟雾分别从烟雾浓度为零开始循环采样探测器检测值，直至烟雾浓度上升使探测器任一波长的检测值达到满量程为止；

其中，一个轮次是指依次分别发射前向红外光、前向蓝光、后向红外光、后向蓝光，并分别采集相应发光时刻接收管的信号强度值，一个轮次的采样耗时小于0.5s，两轮次间的间隔时长设为1s；

所述火灾烟雾是指GB4715-2005中的四种试验火烟雾；

所述非火灾烟雾是指水雾、灰尘等，可由加湿器、粉尘发生器等产生；

具体的，获取火灾烟雾或非火灾烟雾的烟雾检测值的方法包括以下步骤：

在火灾烟雾或非火灾烟雾状态下，依次分别向收发器件发送前向红外光、前向蓝光、后向红外光以及后向蓝光；

分别采集相应发光时刻接收管的信号强度值，并将采集得到的信号强度值发送至处理器；

处理器接收到样本采集单元发送的信号强度值后，对应前向红外光、前向蓝光、后向红外光以及后向蓝光分别将信号强度值标记为

和

所述处理器用于对样本采集单元发送的接收管的信号强度值进行处理，得到烟雾浓度以及粒径信息，并将得到的烟雾浓度以及粒径信息发送至样本库进行存储，具体的，处理器计算得到烟雾浓度的步骤包括以下：

处理器提取无烟状态下前向红外光、前向蓝光、后向红外光以及后向蓝光对应的信号强度值

和

处理器提取火灾烟雾或非火灾烟雾状态下的前向红外光、前向蓝光、后向红外光以及后向蓝光的信号强度值

和

处理器利用同一波长的烟雾检测值减去探测器本底值，得到不同波长下的相对信号强度值，分别标记为

和

计算公式为：

将

和

作为烟雾浓度；

处理器将相对信号强度值依次相比作为粒径信息；烟雾浓度联合粒径信息组成烟雾特征序列，处理器将烟雾特征序列标记为X；

即

式中，a是烟雾浓度的归一化基准值，设定为探测器满量程时检测值的三分之一。

其中，所述样本库中还包含训练样本，所述训练样本由烟雾特征序列以及对应的烟雾类型标识构成，记为T；

T＝[X,y]

式中，y表示烟雾类型，y取值公式为：

进一步地，神经网络模型为全网络连接，神经网络模型由输入层、隐藏层和输出层构成，隐藏层层数为两层，隐藏层神经元个数均为6个，输出层神经元个数为1个，隐含层使用Leaky_ReLU激活函数,输出层使用Sigmoid激活函数；

所述神经网络模型是指利用反向传播算法优化神经网络模型参数，得到烟雾特征序列和烟雾类型之间的映射关系。

进一步地，实时采集单元用于通过探测器定时采集各波长对应的接收管信号强度值，计算烟雾特征序列，并由训练得到的神经网络模型判别烟雾类型，通过处理器发送报警信号至报警模块，进而实现准确报警。

与现有技术相比，本发明的有益效果是：

1、本发明所述方法基于烟雾粒径及烟雾浓度信息区分火灾烟雾和非火灾烟雾，相较于已有的仅依靠烟雾粒径信息的方法，所用到的信息更为丰富，识别结果更可靠；

2、本发明所述方法构建训练样本库，不仅使用低浓度的早期烟雾样本，还使用高浓度的中晚期烟雾样本，相较于现有主要关注识别早期烟雾的方法，本发明训练得到的烟雾识别模型适用范围更广，能够在烟雾浓度骤然增大的场景下正常报警；

3、本发明所述方法采用人工神经网络构建烟雾识别模型，相较于人工建模，简化了探测器烟雾识别程序的逻辑流程，降低了编程难度。

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，下面将对实施例或现有技术描述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为本发明一种精准识别火灾烟雾的光电感烟探测方法流程图。

具体实施方式

下面将结合实施例对本发明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它实施例，都属于本发明保护的范围。

光电感烟探测器是利用火灾烟雾对光产生吸收和散射作用来探测火灾的一种装置。烟粒子和光相互作用时，有两种不同的过程：粒子可以以同样波长再辐射已接收的能量，再辐射可在所有方向上发生，但不同方向上的辐射强度不同，称为散射；另一方面，辐射能可以转变成其他形式的能，如热能、化学能或不同波长的二次辐射，称为吸收。为了探测烟雾的存在，可以将发射器发出的一束光打到烟雾上：如果在其光路上，通过测量烟雾对光的衰减作用来确定烟雾的方法，称为减光型探测法；如果在光路以外的地方，通过测量烟雾对光的散射作用产生的光能量来确定烟雾的方法，称为散射型探测法。光电感烟探测器主要有发光元件和受光元件两部分组成。为了消除环境光对受光元件的干扰，收、发元件安装在一个小的暗室里，这个暗室烟雾能进去，光线却不能进去，这就是点型光电感烟探测器。当收、发元件安装在大范围的开放空间里，对收发之间光路上的烟雾进行检测，便构成了光束对射感烟探测器。在可见光和近红外光谱范围内，对于黑烟，光衰减以吸收为主，而对于灰、白烟，则散射为主。

通常，物质燃烧产生的火灾烟雾的粒径小于1μm，水雾、灰尘等非火灾烟雾的粒径大于1μm。基于该特点，已提出的技术方法是采用多波长多角度的散射光信号反演出烟雾颗粒粒径，进而区分火灾烟雾和非火灾烟雾。当火灾烟雾浓度较高时，由于烟雾颗粒之间的凝并作用，粒径会显著增加，此时仅依靠粒径信息区分火灾烟雾和非火灾烟雾会发生漏报警。

如图1所示，一种精准识别火灾烟雾的光电感烟探测方法，包括精准识别火灾烟雾的光电感烟探测系统，所述精准识别火灾烟雾的光电感烟探测系统包括采集模块、神经网络模型、样本库、处理器以及报警模块；

所述采集模块分为样本采集单元以及实时采集单元；所述样本采集单元用于获取探测器本底值，具体的，获取探测器本底值的方法包括以下步骤：

在无烟状态下，依次分别向收发器件发送前向红外光、前向蓝光、后向红外光以及后向蓝光；

分别采集相应发光时刻接收管的信号强度值，并将采集得到的信号强度值发送至处理器；

处理器接收到样本采集单元发送的信号强度值后，对应前向红外光、前向蓝光、后向红外光以及后向蓝光分别将信号强度值标记为

和

所述样本采集单元还用于获取火灾烟雾和非火灾烟雾的烟雾检测值，具体的，获取火灾烟雾和非火灾烟雾检测值采用循环采样的方式，所述循环采样是指周期性地完成各轮次的接收管信号强度值采集；且获取烟雾检测值是指针对每一种烟雾分别从烟雾浓度为零开始循环采样探测器检测值，直至烟雾浓度上升使探测器任一波长的检测值达到满量程为止；

其中，一个轮次是指依次分别发射前向红外光、前向蓝光、后向红外光、后向蓝光，并分别采集相应发光时刻接收管的信号强度值，一个轮次的采样耗时小于0.5s,两轮次间的间隔时长设为1s；

所述火灾烟雾是指GB4715-2005中的四种试验火烟雾；

GB4715-2005《点型感烟火灾探测器》，点型感烟探测器是以烟雾为主要探测对象，适用于火灾初期有阴燃阶段的场所。感烟火灾探测器是一种响应燃烧或热介产生的固体微粒的火灾探测器。根据烟雾粒子可以直接或间接改变某些物理量的性质或强弱，感烟探测器又可分为离子型、光电型、激光型、电容型半导体型等几种。

感烟探测器一般适用于饭店、旅馆、教学楼、电子计算机房、通讯机房、办公楼的厅堂、卧室、办公室书库、档案库等等场所。

有大量粉尘、水雾滞留、可能产生腐蚀性气体、气流速度大于5m/s、相对湿度经常大于95％、在正常情况下有烟滞留的场所，产生醇类、醚类、酮类等有机物质的场所不宜选择点型离子感烟火灾探测器。

有大量粉尘、水雾滞留，可能产生蒸气和油雾；高海拔地区；在正常情况下有烟滞留的场所不宜选择点型光电感烟火灾探测器。

所述非火灾烟雾是指水雾、灰尘等，可由加湿器、粉尘发生器等产生；

具体的，获取火灾烟雾或非火灾烟雾的烟雾检测值的方法包括以下步骤：

在火灾烟雾或非火灾烟雾状态下，依次分别向收发器件发送前向红外光、前向蓝光、后向红外光以及后向蓝光；

分别采集相应发光时刻接收管的信号强度值，并将采集得到的信号强度值发送至处理器；

处理器接收到样本采集单元发送的信号强度值后，对应前向红外光、前向蓝光、后向红外光以及后向蓝光分别将信号强度值标记为

和

所述处理器用于对样本采集单元发送的接收管的信号强度值进行处理，得到烟雾浓度以及粒径信息，并将得到的烟雾浓度以及粒径信息发送至样本库进行存储，具体的，处理器计算得到烟雾浓度的步骤包括以下：

处理器提取无烟状态下前向红外光、前向蓝光、后向红外光以及后向蓝光对应的信号强度值

和

处理器提取火灾烟雾或非火灾烟雾状态下的前向红外光、前向蓝光、后向红外光以及后向蓝光的信号强度值

和

处理器利用同一波长的烟雾检测值减去探测器本底值，得到不同波长下的相对信号强度值，分别标记为

和

计算公式为：

将

和

作为烟雾浓度；

处理器将相对信号强度值依次相比作为粒径信息；烟雾浓度联合粒径信息组成烟雾特征序列，处理器将烟雾特征序列标记为X；

即

式中，a是烟雾浓度的归一化基准值，设定为探测器满量程时检测值的三分之一。

其中，所述样本库中还包含训练样本，所述训练样本由烟雾特征序列以及对应的烟雾类型标识构成，记为T；

T＝[X,y]

式中，y表示烟雾类型，y取值公式为：

其中，神经网络模型为全网络连接，神经网络模型由输入层、隐藏层和输出层构成，隐藏层层数为两层，隐藏层神经元个数均为6个，输出层神经元个数为1个，隐含层使用Leaky_ReLU激活函数,输出层使用Sigmoid激活函数；

所述神经网络模型是指利用反向传播算法优化神经网络模型参数，得到烟雾特征序列和烟雾类型之间的映射关系。

其中，实时采集单元用于通过探测器定时采集各波长对应的接收管信号强度值，计算烟雾特征序列，并由训练得到的神经网络模型判别烟雾类型，通过处理器发送报警信号至报警模块，进而实现准确报警。

上述公式均是去除量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最接近真实情况的一个公式，公式中的预设参数和预设阈值由本领域的技术人员根据实际情况设定或者大量数据模拟获得。

本发明的工作原理：首先通过样本采集单元获取探测器本底值；通过样本采集单元获取火灾烟雾和非火灾烟雾的烟雾检测值；然后处理器对样本采集单元发送的接收管的信号强度值进行处理，得到烟雾浓度以及粒径信息，并通过烟雾特征序列以及对应的烟雾类型标识构成训练样本；并训练识别烟雾类型的神经网络模型；最后实时采集单元用于通过探测器定时采集各波长对应的接收管信号强度值，计算烟雾特征序列，并由训练得到的神经网络模型判别烟雾类型，通过处理器发送报警信号至报警模块，进而实现准确报警。

在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”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发明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。

以上内容仅仅是对本发明结构所作的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。

Claims (5)

1.一种精准识别火灾烟雾的光电感烟探测方法，其特征在于，精准识别火灾烟雾的光电感烟探测方法包括以下步骤：

步骤一：通过样本采集单元获取探测器本底值；

步骤二：通过样本采集单元获取火灾烟雾和非火灾烟雾的烟雾检测值；

步骤三：处理器对样本采集单元发送的接收管的信号强度值进行处理，得到烟雾浓度以及粒径信息，并通过烟雾特征序列以及对应的烟雾类型标识构成训练样本；

步骤四：训练识别烟雾类型的神经网络模型；

步骤五：实时采集单元用于通过探测器定时采集各波长对应的接收管信号强度值，计算烟雾特征序列，并由训练得到的神经网络模型判别烟雾类型，通过处理器发送报警信号至报警模块，进而实现准确报警。

2.根据权利要求1所述的一种精准识别火灾烟雾的光电感烟探测方法，其特征在于，所述步骤一通过样本采集单元获取探测器本底值的过程包括以下：

在无烟状态下，依次分别向收发器件发送前向红外光、前向蓝光、后向红外光以及后向蓝光；

分别采集相应发光时刻接收管的信号强度值，并将采集得到的信号强度值发送至处理器；处理器接收到样本采集单元发送的信号强度值后，分别标记为

和

3.根据权利要求1所述的一种精准识别火灾烟雾的光电感烟探测方法，其特征在于，所述步骤二通过样本采集单元获取火灾烟雾和非火灾烟雾的烟雾检测值的过程为；

采用循环采样的方式获取火灾烟雾和非火灾烟雾检测值，所述循环采样是指周期性地完成各轮次的接收管信号强度值采集；且获取烟雾检测值是指针对每一种烟雾分别从烟雾浓度为零开始循环采样探测器检测值，直至烟雾浓度上升使探测器任一波长的检测值达到满量程为止。

4.根据权利要求1所述的一种精准识别火灾烟雾的光电感烟探测方法，其特征在于，处理器得到烟雾浓度以及粒径信息并构成训练样本的过程为；

处理器提取探测器本底值和烟雾检测值；

处理器利用同一波长的烟雾检测值减去探测器本底值，得到不同波长下的相对信号强度值，分别标记为

和

将

和

作为烟雾浓度；

处理器将相对信号强度值依次相比作为粒径信息；烟雾浓度联合粒径信息组成烟雾特征序列，处理器将烟雾特征序列标记为X；

训练样本由烟雾特征序列以及对应的烟雾类型标识构成，记为T；

T＝[X,y]

式中，y表示烟雾类型，y取值公式为：

5.根据权利要求1所述的一种精准识别火灾烟雾的光电感烟探测方法，其特征在于，所述神经网络模型为全网络连接，神经网络模型由输入层、隐藏层和输出层构成，隐藏层层数为两层，隐藏层神经元个数均为6个，输出层神经元个数为1个，隐含层使用Leaky_ReLU激活函数,输出层使用Sigmoid激活函数；

所述神经网络模型是指利用反向传播算法优化神经网络模型参数，得到烟雾特征序列和烟雾类型之间的映射关系。

Images