CN113538838B - 文物建筑热解粒子特征识别的电气火灾监控方法 - Google Patents
文物建筑热解粒子特征识别的电气火灾监控方法 Download PDFInfo
- Publication number
- CN113538838B CN113538838B CN202110830220.7A CN202110830220A CN113538838B CN 113538838 B CN113538838 B CN 113538838B CN 202110830220 A CN202110830220 A CN 202110830220A CN 113538838 B CN113538838 B CN 113538838B
- Authority
- CN
- China
- Prior art keywords
- pyrolysis
- particle
- adopting
- wood
- concentration
- 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
- 239000002245 particle Substances 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 16
- 238000012544 monitoring process Methods 0.000 title claims abstract description 10
- 238000000197 pyrolysis Methods 0.000 claims abstract description 28
- 239000002023 wood Substances 0.000 claims abstract description 14
- 239000011810 insulating material Substances 0.000 claims abstract description 11
- 238000013528 artificial neural network Methods 0.000 claims abstract description 10
- 238000011156 evaluation Methods 0.000 claims abstract description 7
- 238000005516 engineering process Methods 0.000 claims abstract description 6
- 238000004458 analytical method Methods 0.000 claims abstract description 5
- 239000000463 material Substances 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 4
- 239000000203 mixture Substances 0.000 abstract description 2
- 239000007789 gas Substances 0.000 description 13
- 238000003062 neural network model Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 238000010438 heat treatment Methods 0.000 description 3
- 238000012502 risk assessment Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 238000012067 mathematical method Methods 0.000 description 2
- 239000000779 smoke Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 239000004014 plasticizer Substances 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G08B17/117—Actuation by presence of smoke or gases, e.g. automatic alarm devices for analysing flowing fluid materials by the use of optical means by using a detection device for specific gases, e.g. combustion products, produced by the fire
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
-
- 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
Landscapes
- Chemical & Material Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Dispersion Chemistry (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Fire Alarms (AREA)
Abstract
本发明公开了文物建筑热解粒子特征识别的电气火灾监控方法,分析不同热解粒子的1.0μm、2.5μm和10.0μm粒径分布特征和气体成分特征,采用BP神经网络分析算法,建立木材和各类电气绝缘材料的特征数据,实现木材挥发物与电气绝缘材料热解气体的特征识别技术;网络的输出为电气火灾风险量化值α,风险量化值采用风险评估函数进行计算;在对实验样本进行训练时,采用层次分析法获取评估值。本发明提供了文物建筑热解粒子特征识别的电气火灾监控方法,本发明针对文物建筑本体为木结构的特点,分析木材在60℃条件下,以及各类电气绝缘材料在80℃条件下,热解挥发物粒径特征和气体成分特征,解决热解粒子探测技术在文物建筑中的适用性问题。
Description
技术领域
本发明涉及文物建筑领域,具体为文物建筑热解粒子特征识别的电气火灾监控方法。
背景技术
物质在受热时分解出粒子和气体,此种粒子是能够以自由状态存在的最小物质组分。无论何种原因引起的电气火灾,早期都体现为物体发热,释放粒子、气体,产生异味。高、低压配电柜内发生的电气故障主要的发热体是线缆、负荷开关和保护电器,在配电柜内发热分解出的粒子主要是烟粒子和气体分子。文物建筑的配电设施,特别是一些古村落的配电柜安装在文物建筑的木质结构本体上,配电柜的温度会传导到木质材料上,温度过高会引起木材的热解。
在一般民用建筑中通常采用气体传感器结合激光烟雾传感器的方法进行热解粒子的探测。配电柜中各类绝缘材料的热解温度一般为80℃,热解气体成分以塑化剂成分为主,在配电柜的实际探测中,热解气体达到可感知的浓度时,材料的表面温度可达到90℃以上。
木结构建筑不能长期处于50℃的温度中使用,若木材长期处于60℃~100℃,会引起水分和所含挥发物的蒸发,强度下降,变形增大,颜色呈暗褐色,增加文物建筑电气火灾的风险为此我们提出文物建筑热解粒子特征识别的电气火灾监控方法。
发明内容
基于背景技术存在的技术问题,本发明提出了文物建筑热解粒子特征识别的电气火灾监控方法,以解决背景技术中提出的问题。
本发明提供如下技术方案:
文物建筑热解粒子特征识别的电气火灾监控方法,包括如下步骤:
A、采用激光粒子传感器,分析不同热解粒子的1.0μm、2.5μm和10.0μm粒径分布特征,采用VOC气体传感器分析气体浓度特征,采用BP神经网络分析算法,建立木材和各类电气绝缘材料的特征数据,实现木材挥发物与电气绝缘材料热解气体的特征识别技术;
B、网络的输出为电气火灾风险量化值α,风险量化值采用风险评估函数进行计算:
式中:
t—材料表面温度,取值范围:0℃~190℃;
n—材料种类编号,取值范围:1~9;
Tr—材料达到热解起始温度后的持续时间,单位:s。
输入矩阵x=[λ1,λ2.5,λ10,P1,P2,P3,V],输出值为风险评估值α;
C、在对实验样本进行训练时,采用层次分析法获取评估值;首先对不同材料类型进行编码,任何根据不同材料的输入矩阵和表面温度,按照相关的专业知识进行客观的重要度比较后对比较结果进行一定的定量表示,再利用数学方法确定比较结果的科学性和合理性。
优选的,所述BP神经网络模型作为前馈神经网络模型,由输入层、隐藏层和输出层三部分组成。
优选的,所述隐含层是连接神经网络输入层和输出层的中间结构,采用单隐层网络结构,隐含层的节点数量根据公式进行计算:
式中:
M—隐含层节点个数;
m—输出层神经元个数;
n—输入层神经元个数;
a—0到10之间的常数。
本发明提供了文物建筑热解粒子特征识别的电气火灾监控方法,本发明针对文物建筑本体为木结构的特点,分析木材在60℃条件下,以及各类电气绝缘材料在80℃条件下,热解挥发物粒径特征和气体成分特征,解决热解粒子探测技术在文物建筑中的适用性问题。
附图说明
图1为本发明标识解析图;
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。
请参阅图1,本发明提供一种技术方案:
文物建筑热解粒子特征识别的电气火灾监控方法,包括如下步骤:
A、采用激光粒子传感器,分析不同热解粒子的1.0μm、2.5μm和10.0μm粒径分布特征,采用VOC气体传感器分析气体浓度特征,采用BP神经网络分析算法,建立木材和各类电气绝缘材料的特征数据,实现木材挥发物与电气绝缘材料热解气体的特征识别技术;
B、网络的输出为电气火灾风险量化值α,风险量化值采用风险评估函数进行计算:
式中:
t—材料表面温度,取值范围:0℃~190℃;
n—材料种类编号,取值范围:1~9;
Tr—材料达到热解起始温度后的持续时间,单位:s。
输入矩阵x=[λ1,λ2.5,λ10,P1,P2,P3,V],输出值为风险评估值α;
C、在对实验样本进行训练时,采用层次分析法获取评估值;首先对不同材料类型进行编码,任何根据不同材料的输入矩阵和表面温度,按照相关的专业知识进行客观的重要度比较后对比较结果进行一定的定量表示,再利用数学方法确定比较结果的科学性和合理性。
进一步地,所述BP神经网络模型作为前馈神经网络模型,由输入层、隐藏层和输出层三部分组成;除输入层和输出层只有一层外,隐藏层可以有一层也可以有多层,以单隐层进行分析,如图1所示,其中Xa是网络结构的输入数据,I是网络结构的输入层,Wab是输入层参数Xa到隐藏层节点Hb的连接权值,H是网络结构的隐藏层,Wbc是隐藏层节点Hb到输出层节点Oc的连接权值,O是网络结构的输出层,Yc是网络结构的实际输出;
网络的输入参数包括:
λ1—1μm粒子浓度;
λ2.5—2.5μm粒子浓度;
λ10—10μm粒子浓度;
P1—1μm粒子浓度与2.5μm粒子浓度的比值;
P2—1μm粒子浓度与10μm粒子浓度的比值;
P3—2.5μm粒子浓度与10μm粒子浓度的比值;
V—VOC传感器响应值。
进一步地,所述隐含层是连接神经网络输入层和输出层的中间结构,采用单隐层网络结构,隐含层的节点数量根据公式进行计算:
式中:
M—隐含层节点个数;
m—输出层神经元个数;
n—输入层神经元个数;
a—0到10之间的常数。
本文中m=1;n=7;a取值2;则隐含层节点数M=5。
神经网络的激活函数选取logsigmoid函数:
表1列举了神经网络的部分训练数据,本发明采用400组数据进行了网络训练,并对600组实验数据进行电气火灾风险预测,部分实验数据的预测结果如表2所示;
表1电气火灾风险量化值训练样本举例
表2电气火灾风险分析结果
由表2数据分析,本发明建立的数据分析模型,预测准确率为88.52%。预测模型对于高火灾风险时的准确率高于低风险时的准确率。
以上,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (1)
1.文物建筑热解粒子特征识别的电气火灾监控方法,其特征在于,包括如下步骤:
A、采用激光粒子传感器,分析不同热解粒子的1.0μm、2.5μm和10.0μm粒径分布特征,采用VOC气体传感器分析气体浓度特征,采用BP神经网络分析算法,建立木材和各类电气绝缘材料的特征数据,实现木材挥发物与电气绝缘材料热解气体的特征识别技术;
B、神经网络的输出为电气火灾风险量化值α,风险量化值采用风险评估函数进行计算:
式中:
t—材料表面温度,取值范围:0℃~190℃;
n—材料种类编号,取值范围:1~9;
Tr—材料达到热解起始温度后的持续时间,单位:s;
神经网络输入矩阵x=[λ 1 ,λ 2.5 ,λ 10 ,P1,P2,P3,V],输出值为电气火灾风险量化值α,λ1 为1μm粒子浓度;λ2.5为2.5μm粒子浓度;λ10为10μm粒子浓度;P1为1μm粒子浓度与2.5μm粒子浓度的比值;P2为1μm粒子浓度与10μm粒子浓度的比值;P3为2.5μm粒子浓度与10μm粒子浓度的比值;V为VOC传感器响应值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110830220.7A CN113538838B (zh) | 2021-07-22 | 2021-07-22 | 文物建筑热解粒子特征识别的电气火灾监控方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110830220.7A CN113538838B (zh) | 2021-07-22 | 2021-07-22 | 文物建筑热解粒子特征识别的电气火灾监控方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113538838A CN113538838A (zh) | 2021-10-22 |
CN113538838B true CN113538838B (zh) | 2022-12-06 |
Family
ID=78120468
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110830220.7A Active CN113538838B (zh) | 2021-07-22 | 2021-07-22 | 文物建筑热解粒子特征识别的电气火灾监控方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113538838B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114241701A (zh) * | 2021-11-24 | 2022-03-25 | 中国民用航空飞行学院 | 一种基于bp神经网络的多参数融合探测方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19741810B4 (de) * | 1997-09-23 | 2005-09-15 | Ech Elektrochemie Halle Gmbh | Verfahren zur Gesamtstickstoffbestimmung |
CN200979734Y (zh) * | 2006-11-27 | 2007-11-21 | 华南理工大学 | 高层建筑火灾智能监测预警预报装置 |
CN104459817B (zh) * | 2014-12-16 | 2017-01-25 | 公安部沈阳消防研究所 | 一种火灾征兆探测装置及方法 |
CN110706444B (zh) * | 2019-10-22 | 2021-05-14 | 北京航天常兴科技发展股份有限公司 | 一种综合性热解粒子电气火灾监控方法、装置及系统 |
CN112466084B (zh) * | 2020-11-25 | 2022-02-15 | 江苏中实电子有限公司 | 一种电气火灾监控探测器及其报警方法 |
-
2021
- 2021-07-22 CN CN202110830220.7A patent/CN113538838B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113538838A (zh) | 2021-10-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tiryaki et al. | Predicting modulus of rupture (MOR) and modulus of elasticity (MOE) of heat treated woods by artificial neural networks | |
CN113792495B (zh) | 一种基于在线监测数据的避雷器运行状态识别方法、装置 | |
CN113538838B (zh) | 文物建筑热解粒子特征识别的电气火灾监控方法 | |
CN109087277B (zh) | 一种空气细颗粒物pm2.5测量方法 | |
CN113720724B (zh) | 一种空气型开关柜用伴生物预警检测方法 | |
CN111461922A (zh) | 一种基于极限学习机的变压器热点温度实时预测方法 | |
CN112613105B (zh) | 一种基于声发射参数与遗传算法优化bp神经网络的钢筋混凝土梁损伤状态识别方法 | |
Goodacre et al. | Quantitative analysis of the pyrolysis—mass spectra of complex mixtures using artificial neural networks: Application to amino acids in glycogen | |
CN111832703B (zh) | 一种流程制造工业不规则采样动态序列建模方法 | |
CN112179852A (zh) | 一种复合绝缘子的剩余寿命预测方法和装置 | |
Cao et al. | Currency recognition modeling research based on BP neural network improved by gene algorithm | |
CN116894165B (zh) | 一种基于数据分析的电缆老化状态评估方法 | |
CN113553756A (zh) | 一种含气泡油纸绝缘状态评估模拟测试的方法及系统 | |
Kumar et al. | Use of artificial neural network models to predict coated component life from short-term electrochemical impedance spectroscopy measurements | |
CN108959721B (zh) | 一种风车荷载作用下的大跨度桥梁构件可靠度计算方法 | |
Sommer et al. | Methane and butane concentrations in a mixture with air determined by microcalorimetric sensors and neural networks | |
CN112529066B (zh) | 一种基于bas-bp分类器模型的电压暂降源识别方法 | |
Gupta et al. | Time series analysis of forecasting Indian rainfall | |
CN114782214A (zh) | 一种基于煤改电用电数据的安全负荷辨识方法 | |
Sun et al. | Prediction method of wheat moisture content in the hot air drying process based on backpropagation neural network optimized by genetic algorithms | |
Ferreira et al. | Application of a fuzzy ARTMAP neural network for indoor air quality prediction | |
Abdalla et al. | Evaluation of the dielectric strength behavior of rubber blends using feed-forward neural network in different environmental conditions | |
CN113779884B (zh) | 一种回收芯片使用寿命的检测方法 | |
Xianjiang et al. | Quantitative detection for gas mixtures based on the adaptive genetic algorithm and BP network | |
CN116522166B (zh) | 一种基于大数据的空气污染监测系统 |
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 |