CN113609769A - 一种多波段红紫外氢火焰探测器的设计方法 - Google Patents

一种多波段红紫外氢火焰探测器的设计方法 Download PDF

Info

Publication number
CN113609769A
CN113609769A CN202110884451.6A CN202110884451A CN113609769A CN 113609769 A CN113609769 A CN 113609769A CN 202110884451 A CN202110884451 A CN 202110884451A CN 113609769 A CN113609769 A CN 113609769A
Authority
CN
China
Prior art keywords
hydrogen flame
samples
model
ultraviolet
sensor
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
Application number
CN202110884451.6A
Other languages
English (en)
Inventor
杨伟伟
章军
周水淼
郭晶
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuxi Glt Safety Equipment Co ltd
Original Assignee
Wuxi Glt Safety Equipment Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuxi Glt Safety Equipment Co ltd filed Critical Wuxi Glt Safety Equipment Co ltd
Priority to CN202110884451.6A priority Critical patent/CN113609769A/zh
Publication of CN113609769A publication Critical patent/CN113609769A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/211—Selection of the most significant subset of features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/10—Noise analysis or noise optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Photometry And Measurement Of Optical Pulse Characteristics (AREA)

Abstract

本发明公开了一种多波段红紫外氢火焰探测器的设计方法，包括以下步骤：步骤一：传感器选型、步骤二：确定硬件电路、步骤三：建立软件模型、步骤四：算法训练，本发明通过选择合适的传感器，对氢火焰进行检测，通过设置硬件电路以及软件模型，使装置可进行算法训练，根据不同场景下的传感器信号制作对应样本，并通过样本建立模型，从而可实现精准检测，防止误报。

Description

一种多波段红紫外氢火焰探测器的设计方法
技术领域
本发明涉及氢火焰探测技术领域，具体领域为一种多波段红紫外氢火焰探测器的设计方法。
背景技术
人类碳排放超标带来的后果越来越严重，全球气候变的越来越恶劣，针对这种情况，各个国家均提出了“碳中和”的战略目标，清洁能源被视为代替传统能源的首选方案。氢能源是清洁能源中重要的一环，它的产物只有水，被视为最清洁的能源，但是氢能源的风险是其极大的不稳定性和破坏性，氢气泄漏容易产生氢火焰，而氢火焰在白天不明显，人眼不容易看见，而氢火焰一旦引燃储气装置，发生爆炸后果不堪设想，所以在使用氢能源时对氢火焰的探测成为了必不可少的一项安全措施。目前的氢火焰探测器大部分通过UV信号来识别，但是紫外光体倍增管容易受到阳光、特定灯光和电弧的干扰，容易发生误报警；小部分氢火焰探测器使用红外信号来识别氢火焰，同样因为干扰的问题，使其容易发生误报；有的氢火焰探测器使用对氢火焰敏感的红外传感器和紫外光体倍增管来同步识别氢火焰，这减小的红外传感器和紫外传感器对应的误报，但是却无法解决两者都有响应的比如卤素灯、电弧焊等的误报。
发明内容
本发明的目的在于提供一种多波段红紫外氢火焰探测器的设计方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：一种多波段红紫外氢火焰探测器的设计方法，包括以下步骤：
步骤一：传感器选型
确定具有合适波段紫外传感器以及红外传感器，用于对氢火焰进行检测；
步骤二：确定硬件电路
通过设置主供电电路、主控制电路、升压电路、信号输出电路、AD转换电路、运放电路以及信号输出电路等，将步骤一中传感器输入的信号转化为电信号输出；
步骤三：建立软件模型
针对步骤二中的硬件电路建立适配的软件，实现装置的电路运算；
步骤四：算法训练
对不同场景下的火焰探测器传感器的信号制作对应的样本，然后分析提取样本的特征制作模型参数。
优选的，步骤一中紫外传感器选择通用的185～260nm波段的敏感元件。
优选的，选用不同的红外传感器分别用来区分光源干扰或者热源干扰。选择2.95um的红外传感器用于检测氢火焰。
优选的，所述步骤四中，火焰探测器的识别模型分为四部分：平静模型、强噪声干扰模型、氢火焰模型和强噪声干扰背景氢火焰模型。
优选的，平静模型的样本分为：传感器自身的噪声样本、室内无人员样本、室内人员流动样本、室外不同天气的样本、室外人员流动样本。强噪声干扰模型的样本分为：不同原理、不同功率、不同频率调制的灯源干扰样本；不同原理、不同功率、不同频率的发热物体的热源干扰样本；电磁兼容发生器的干扰样本；机械振动的干扰样本等可能对红紫外传感器造成响应的干扰信号样本。氢火焰模型的样本分为：不同距离，不同角度下的氢气火焰信号样本。强噪声干扰背景氢火焰模型的样本为：强噪声干扰源叠加氢气火焰的信号样本。
优选的，设置自适应学习实现装置的精准识别，设置筛选库和强氢火焰特征识别的仪表自适应学习。
优选的，对传感器的噪声值扩展一定的范围设为能量阈值用以识别干扰信号，当每天识别到的干扰信号时间超过设定时长，则对该干扰信号进行衰减。
与现有技术相比，本发明的有益效果是：一种多波段红紫外氢火焰探测器的设计方法，通过选择合适的传感器，对氢火焰进行检测，通过设置硬件电路以及软件模型，使装置可进行算法训练，根据不同场景下的传感器信号制作对应样本，并通过样本建立模型，从而可实现精准检测，防止误报。
附图说明
图1为本发明的硬件电路结构示意图；
图2为本不同波段的探测器与其灵敏度关系的示意图；
图3为本发明的软件模型结构示意图；
图4为本发明的不同模型的分类关系示意图。
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。
请参阅图1-4，本发明提供一种技术方案：一种多波段红紫外氢火焰探测器的设计方法，包括以下步骤：
步骤一：传感器选型
确定具有合适波段紫外传感器以及红外传感器，用于对氢火焰进行检测；其中所述红外传感器的数量为多个，分别对干扰源以及氢火焰分别进行检测，以保证检测结果准确。
步骤二：确定硬件电路
通过设置主供电电路、主控制电路、升压电路、信号输出电路、AD转换电路、运放电路以及信号输出电路等，将步骤一中传感器输入的信号转化为电信号输出，如图1所示，升压电路给紫外传感器提供高电压驱动。AD转换电路将模拟信号转为数字信号，并可以调节放大倍数，在红外传感器信号较弱时依然可以保留信号特征，从而识别火焰信号。运放电路由二阶低通与二阶高通组成带通滤波电路对传感器输出信号进行放大。信号输出电路可依据需求进行定义，一般工业上的仪表输出为4～20mA电流输出、继电器输出、串口通信等；
步骤三：建立软件模型
针对步骤二中的硬件电路建立适配的软件，实现装置的电路运算；其中包括初始化函数、主控制任务函数、数据处理函数、数据保存函数、通信函数、模式识别函数和自检函数组成。
步骤四：算法训练
对不同场景下的火焰探测器传感器的信号制作对应的样本，然后分析提取样本的特征制作模型参数，利用识别算法如神经网络、支持向量机等算法对火焰探测器的信号进行模式识别和特征提取。
具体而言，步骤一中紫外传感器选择通用的185～260nm波段的敏感元件，紫外信号特征提取和归一化方法为：统计2秒内紫外通道脉冲数量和密度，并除以常数α，保证紫外特征featureuv∈[0,1]，得到
Figure BDA0003193503180000041
再进行归一化，利用
Figure BDA0003193503180000042
公式得到featureuv2，n为紫外通道脉冲总数；
具体而言，如图2所示，在做过大量的研究后发现，绝大多数的红外噪声信号和目标火焰红外信号落在0.7～5.8um之内，而在近红外波段对各种光源及太阳光的响应较大，对热源的响应较小；远红外波段对各种光源及太阳光的响应较小，对热源的响应较大。利用这个特点，在光源敏感的波段选择2.2um左右的红外传感器，在热源敏感的波段选择5.0um左右的红外传感器，用来区分光源干扰或者热源干扰。氢气燃烧的产物是水蒸气，因此氢火焰燃烧时，水蒸气会辐射大量的特征光谱红外信号，通过查阅数据库，选择2.95um的红外传感器来检测氢火焰，其中所述红外传感器红外信号特征提取和归一化方式为：以红外通道ir1为例，先通过公式
Figure BDA0003193503180000051
进行傅里叶变换，通过样本分析，火焰闪烁频率集中在20hz以下，由于傅里叶变换频率分辨率为
Figure BDA0003193503180000052
经验取频域0.5～20hz幅值特征作为模型输入的红外特征，即|f0.5Hz|、|f1.0Hz|、……。归一化方法同紫外信号。
具体而言，所述步骤四中，火焰探测器的识别模型分为四部分：平静模型、强噪声干扰模型、氢火焰模型和强噪声干扰背景氢火焰模型。
具体而言，平静模型的样本分为：传感器自身的噪声样本、室内无人员样本、室内人员流动样本、室外不同天气的样本、室外人员流动样本。强噪声干扰模型的样本分为：不同原理、不同功率、不同频率调制的灯源干扰样本；不同原理、不同功率、不同频率的发热物体的热源干扰样本；电磁兼容发生器的干扰样本；机械振动的干扰样本等可能对红紫外传感器造成响应的干扰信号样本。氢火焰模型的样本分为：不同距离，不同角度下的氢气火焰信号样本。强噪声干扰背景氢火焰模型的样本为：强噪声干扰源叠加氢气火焰的信号样本，通过对不同样本下的探测器所探测出的信号特征进行四种类型的模型构建。
具体而言，设置自适应学习实现装置的精准识别，设置筛选库和强氢火焰特征识别的仪表自适应学习，面对复杂多样的红紫外背景噪声或者未知的特征和氢火焰相似的干扰源样本，火焰探测器也有一定的概率发生误报警。面对这一个难题，我们在识别算法模型后面再增加筛选库和强氢火焰特征识别的仪表自适应学习。当安装在现场的火焰探测器内部的识别算法输出的模型结果有两个时，这一段的信号就会被火焰探测器保存并提取特征值，并将特征值放进筛选库内分类，如图4所示，当装置检测出了两种模型对应的特征值后，两种模型所共同指向的模型类型即为分类后的模型，然后将分类后的结果进行输出。同时这些特征值会和内部的氢火焰特征值进行拟合度匹配，当拟合度超过一定的阈值时，仪表会进入强氢火焰特征识别模式，将超过拟合度的特征值进行主成分分析，保存分析后的特性值，这个特性值会在火焰探测器发出氢火焰报警前和内部主氢火焰特性值比对，当比对结果不一致时，撤销氢火焰报警。
具体而言，现场使用的火焰探测器有部分被安装在一直存在红紫外辐射背景的场所，这些红紫外辐射信号不会被仪表识别为干扰或者火焰模式，往往会识别为平静模式，但是这些长期存在的红紫外辐射信号在偶然的干扰源的叠加下会被氢火焰探测器识别为氢火焰，因此需要对这些信号进行剔除或者衰减。将传感器的噪声值扩展一定的范围设为能量阈值，当火焰探测器的识别算法输出为“平静模式”并传感器的信号超过能量阈值时，保存该信号的特征值并计时，当每天的该信号的时长超过设定的时长时，该信号的特征值会被进行全频域样本扩充，并保留0～20Hz的样本特征值，这些特征值会在火焰探测器的原始信号上进行衰减，衰减后的信号再进行模式识别，以排除长期存在的红紫外辐射信号的干扰。
工作原理：本发明使用时，紫外传感器以及红外传感器对外部环形进行探测，当探测器探测出信号时，通过将信号中的特征值与不同模型下的特征值进行比对，从而匹配对应的模型，从而及时发出预警。
在本发明的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
本发明使用到的标准零件均可以从市场上购买，异形件根据说明书的和附图的记载均可以进行订制，各个零件的具体连接方式均采用现有技术中成熟的螺栓、铆钉、焊接等常规手段，机械、零件和设备均采用现有技术中，常规的型号，加上电路连接采用现有技术中常规的连接方式，在此不再详述。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (8)

1.一种多波段红紫外氢火焰探测器的设计方法，其特征在于：包括以下步骤：
步骤一：传感器选型
确定具有合适波段紫外传感器以及红外传感器，用于对氢火焰进行检测；
步骤二：确定硬件电路
通过设置主供电电路、主控制电路、升压电路、信号输出电路、AD转换电路、运放电路以及信号输出电路等，将步骤一中传感器输入的信号转化为电信号输出；
步骤三：建立软件模型
针对步骤二中的硬件电路建立适配的软件，实现装置的电路运算；
步骤四：算法训练
对不同场景下的火焰探测器传感器的信号制作对应的样本，然后分析提取样本的特征制作模型参数。
2.根据权利要求1所述的一种多波段红紫外氢火焰探测器的设计方法，其特征在于：步骤一中紫外传感器选择通用的185～260nm波段的敏感元件。
3.根据权利要求2所述的一种多波段红紫外氢火焰探测器的设计方法，其特征在于：选用不同的红外传感器分别用来区分光源干扰或者热源干扰。选择2.95um的红外传感器用于检测氢火焰。
4.根据权利要求1所述的一种多波段红紫外氢火焰探测器的设计方法，其特征在于：步骤四中，火焰探测器的识别模型分为四部分：平静模型、强噪声干扰模型、氢火焰模型和强噪声干扰背景氢火焰模型。
5.根据权利要求4所述的一种多波段红紫外氢火焰探测器的设计方法，其特征在于：平静模型的样本分为：传感器自身的噪声样本、室内无人员样本、室内人员流动样本、室外不同天气的样本、室外人员流动样本。强噪声干扰模型的样本分为：不同原理、不同功率、不同频率调制的灯源干扰样本；不同原理、不同功率、不同频率的发热物体的热源干扰样本；电磁兼容发生器的干扰样本；机械振动的干扰样本等可能对红紫外传感器造成响应的干扰信号样本。氢火焰模型的样本分为：不同距离，不同角度下的氢气火焰信号样本。强噪声干扰背景氢火焰模型的样本为：强噪声干扰源叠加氢气火焰的信号样本。
6.根据权利要求5所述的一种多波段红紫外氢火焰探测器的设计方法，其特征在于：设置自适应学习实现装置的精准识别，设置筛选库和强氢火焰特征识别的仪表自适应学习。
7.根据权利要求6所述的一种多波段红紫外氢火焰探测器的设计方法，其特征在于：对传感器的噪声值扩展一定的范围设为能量阈值用以识别干扰信号，当每天识别到的干扰信号时间超过设定时长，则对该干扰信号进行衰减。
8.根据权利要求1所述的一种多波段红紫外氢火焰探测器的设计方法，其特征在于，步骤一中紫外传感器选择通用的185～260nm波段的敏感元件，紫外信号特征提取和归一化方法为：统计2秒内紫外通道脉冲数量和密度，并除以常数α，保证紫外特征featureuv∈[0,1]，得到
Figure FDA0003193503170000021
再进行归一化，利用
Figure FDA0003193503170000022
公式得到featureuv2，n为紫外通道脉冲总数；
红外传感器红外信号特征提取和归一化方式为：以红外通道ir1为例，先通过公式
Figure FDA0003193503170000023
进行傅里叶变换，通过样本分析，火焰闪烁频率集中在20hz以下，由于傅里叶变换频率分辨率为
Figure FDA0003193503170000024
经验取频域0.5～20hz幅值特征作为模型输入的红外特征，即|f0.5Hz|、|f1.0Hz|、……，归一化方法同紫外信号。
CN202110884451.6A 2021-08-03 2021-08-03 一种多波段红紫外氢火焰探测器的设计方法 Pending CN113609769A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110884451.6A CN113609769A (zh) 2021-08-03 2021-08-03 一种多波段红紫外氢火焰探测器的设计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110884451.6A CN113609769A (zh) 2021-08-03 2021-08-03 一种多波段红紫外氢火焰探测器的设计方法

Publications (1)

Publication Number Publication Date
CN113609769A true CN113609769A (zh) 2021-11-05

Family

ID=78306581

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110884451.6A Pending CN113609769A (zh) 2021-08-03 2021-08-03 一种多波段红紫外氢火焰探测器的设计方法

Country Status (1)

Country Link
CN (1) CN113609769A (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1989534A (zh) * 2004-07-20 2007-06-27 通用监控器股份有限公司 火焰检测系统
CN102034329A (zh) * 2010-12-29 2011-04-27 上海大学 一种基于多波段多特征的红外火灾探测方法
US20150204725A1 (en) * 2014-01-23 2015-07-23 General Monitors, Inc. Multi-spectral flame detector with radiant energy estimation
CN109060148A (zh) * 2018-08-15 2018-12-21 重庆英卡电子有限公司 火焰探测器及其控制方法
CN109165670A (zh) * 2018-07-12 2019-01-08 江南大学 一种应用于红外火焰识别的ts-rbf模糊神经网络鲁棒融合算法
CN110031112A (zh) * 2019-05-13 2019-07-19 中国船舶重工集团公司第七0三研究所 一种五波段火焰探测器及其探测方法
CN111105587A (zh) * 2019-12-31 2020-05-05 广州思瑞智能科技有限公司 智能火焰探测方法、装置、探测器及存储介质
CN112069975A (zh) * 2020-09-02 2020-12-11 成都指码科技有限公司 一种基于紫外、红外、视觉的综合火焰检测方法
CN112542020A (zh) * 2020-12-03 2021-03-23 合肥科大立安安全技术有限责任公司 一种基于双波段的红外火焰探测方法及系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1989534A (zh) * 2004-07-20 2007-06-27 通用监控器股份有限公司 火焰检测系统
CN102034329A (zh) * 2010-12-29 2011-04-27 上海大学 一种基于多波段多特征的红外火灾探测方法
US20150204725A1 (en) * 2014-01-23 2015-07-23 General Monitors, Inc. Multi-spectral flame detector with radiant energy estimation
CN109165670A (zh) * 2018-07-12 2019-01-08 江南大学 一种应用于红外火焰识别的ts-rbf模糊神经网络鲁棒融合算法
CN109060148A (zh) * 2018-08-15 2018-12-21 重庆英卡电子有限公司 火焰探测器及其控制方法
CN110031112A (zh) * 2019-05-13 2019-07-19 中国船舶重工集团公司第七0三研究所 一种五波段火焰探测器及其探测方法
CN111105587A (zh) * 2019-12-31 2020-05-05 广州思瑞智能科技有限公司 智能火焰探测方法、装置、探测器及存储介质
CN112069975A (zh) * 2020-09-02 2020-12-11 成都指码科技有限公司 一种基于紫外、红外、视觉的综合火焰检测方法
CN112542020A (zh) * 2020-12-03 2021-03-23 合肥科大立安安全技术有限责任公司 一种基于双波段的红外火焰探测方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李强: "高精度高可靠宽光谱火焰探测器的设计与实现", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑(月刊)》 *

Similar Documents

Publication Publication Date Title
JP7211622B2 (ja) 赤外線熱画像を用いた知能型火花検出装置及び方法
CN113160513A (zh) 基于多传感器的火焰探测装置
JPH0368438B2 (zh)
Erden et al. Wavelet based flickering flame detector using differential PIR sensors
JPS586995B2 (ja) 炎感知方式
CN110578941B (zh) 一种吸油烟机的自动控制系统及其控制方法
CN202033865U (zh) 一种紫红外复合火焰探测器
CN106949976A (zh) 一种两红外（ir）两紫外（uv）的红紫复合探测技术实现火焰探测的装置及其方法
CN106023514A (zh) 一种无线火焰探测系统
CN106023509A (zh) 一种用于火灾模式的监测系统
US5594421A (en) Method and detector for detecting a flame
CN108010254A (zh) 一种基于四波段红外火焰探测器及其火焰识别算法
JP3938276B2 (ja) 炎感知器および炎検知方法
US20080230701A1 (en) Method for detecting a fire condition in a monitored region
CN113609769A (zh) 一种多波段红紫外氢火焰探测器的设计方法
US7297970B2 (en) Flame detector
CN110969075A (zh) 一种基于快速傅里叶变换的火灾识别算法
US6373393B1 (en) Flame detection device and flame detection
KR102370204B1 (ko) 비화재보가 개선된 카메라, 영상검증 장치 및 화재감지 시스템
JP3210554B2 (ja) 炎感知器および炎検知方法
CN109377692B (zh) 一种智能光纤振动防入侵预警方法与系统
JP2000057456A (ja) 炎検出装置及び炎検出方法
CN206601188U (zh) 一种两红外两紫外的红紫复合探测技术实现火焰探测的装置
JP3815643B2 (ja) 炎検出装置
CN203706339U (zh) 一种多参量火灾探测器

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: 20211105