CN113888841A - 燃气报警器系统 - Google Patents

Abstract

本发明涉及一种燃气报警器系统，包括服务器和若干个燃气报警器，若干个燃气报警器均与服务器通信连接；各个燃气报警器用于采集当前环境数据、红外气体传感器的输出电压、燃气浓度，并将同一时刻采集的环境数据、输出电压、燃气浓度构造成一个数据样本上传给服务器；服务器根据各个燃气报警器上传的数据样本进行机器学习，更新校正系数的网络模型，并将校正系数的网络模型的模型参数下发给各个燃气报警器；各个燃气报警接收服务器下发的模型参数，并基于所述模型参数更新已存储的校正系数的网络模型。本发明通过不断采集样本不断学习，使得校正系数的网络模型不断优化，继而输出更准确的校正系数值，得到更准确的燃气浓度，继而降低误报率。

Description

燃气报警器系统

技术领域

本发明涉及用气安全技术领域，特别涉及一种燃气报警器系统。

背景技术

燃气报警器是用于监测燃气泄露并报警的装置。报警器燃气浓度输出Q=kU，其中，U为红外气体传感器的输出电压，与燃气浓度成正比，k为考虑多种因素后的校正系数。多种因素包括温度、湿度、红外气体传感器本身特性，且LD传感本身特性也会随温度、湿度变化而变化，因此在不同环境下k的取值理应是不同的，这样采样的燃气浓度输出Q才更准确。而目前的燃气报警器的校正系数是固定的，继而导致采样的Q值不准确，因此经常出现误报警的情况。

发明内容

本发明的目的在于提供一种燃气报警器系统，以降低误报率。

为了实现上述发明目的，本发明实施例提供了以下技术方案：

一种燃气报警器系统，包括服务器和若干个燃气报警器，所述若干个燃气报警器均与所述服务器通信连接；

各个燃气报警器用于采集当前环境数据、红外气体传感器的输出电压、燃气浓度，并将同一时刻采集的环境数据、输出电压、燃气浓度构造成一个数据样本上传给服务器；

服务器根据各个燃气报警器上传的数据样本进行机器学习，更新校正系数的网络模型，并将所述校正系数的网络模型的模型参数下发给各个燃气报警器；

各个燃气报警接收服务器下发的模型参数，并基于所述模型参数更新已存储的校正系数的网络模型。

本方案中，通过不断采集燃气报警器的数据样本进行机器学习，得到更加准确的校正系数网络模型，工作时基于当前实时采集数据及更新的校正系数网络模型计算燃气浓度，即所采用的校正系数不是固定不变的，而是会根据环境的变化而变化，可以改善因为环境因素直接导致的测量不准确的问题，进而降低甚至消除误报警的情况。

所述环境数据包括温度数据和湿度数据。影响校正系数较大的环境因素是温度和湿度，本方案中同时考虑了这两个因素，因此有利于获得更准确的校正系数。

所述校正系数的网络模型为BP神经网络模型，包括输入层、隐含层和输出层，输入层包含3个输入参数，分别为温度、湿度、红外气体传感器的输出电压；输出层有一个参数，为校正系数。BP神经网络模型技术成熟，可靠性高，可以很好地保障系统的可靠性。

服务器中原有的校正系数的网络模型通过以下方式训练而得：在工厂实验室中设定不同的温度、湿度、红外气体传感器的输出电压，以及当前的设定燃气浓度值，得到不同的训练样本，服务器基于这些训练样本进行网络训练，得到校正系数的网络模型。

服务器根据各个燃气报警器上传的数据样本进行机器学习时，先调取一份数据样本，计算各神经元的输入和输出，再计算各神经元的误差，然后调整神经元的权值和阈值；循环执行调取数据样本—调整神经元的权值和阈值的处理过程，直至数据样本用完。

还包括可燃气体检测仪，用于在燃气报警器的安装点测试燃气报警器当前的燃气浓度值，并将其与同时采集的温度、湿度、红外气体传感器作为一个训练样本上传给服务器；服务器还用于基于这些训练样本进行训练，更新校正系数的网络模型。本方案中，利用可燃气体检测仪采集准确的燃气浓度值，基于训练样本进行训练可以得到更加准确的校正系数网络模型，消除由于红外气体传感器本身性能引起的误差。

服务器将所述校正系数的网络模型的模型参数下发给各个燃气报警器的操作，替换为：服务器将所述校正系数的网络模型下发给各个燃气报警器。服务器只向各个燃气报警器传输模型参数，可以降低传输的数据量，降低带宽。本方案中直接传输更新后的校正系数的网络模型，燃气报警器直接存储即可，简化燃气报警器的处理。

燃气报警器还用于将当前环境数据和红外气体传感器的输出电压输入至更新后的校正系数的网络模型中，输出得到校正系数k，并根据公式Q=kU计算得到当前燃气浓度值，并将其与报警阈值做比较，确定是否发出报警信号；其中，Q为燃气浓度，k为校正系数，U为红外气体传感器的输出电压。

所述环境数据通过集成于燃气报警器的温湿度传感器采集得到。本方案中，通过温湿度传感器同时进行温度和湿度数据采集，简化燃气报警器的结构及布线。

与现有技术相比，本发明具有以下有益效果：本发明方案中，燃气报警器工作时所采用的校正系数不是固定不变的，而是会根据环境的变化而变化，因此基于校正系数而得到的燃气浓度值更加准确，进而降低甚至消除误报警的情况。尤其是随着时间的推移，燃气报警器上传的数据样本越多，服务器基于这些数据样本进行训练得到模型越准确，即校正系数k值越准确，因此完全可以消除误报警。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1为燃气报警器系统的数据交互示意图。

图2为实施例中所使用的BP神经网络模型的示意图。

图3为校正系数的网络模型的训练流程图。

具体实施方式

下面将结合本发明实施例中附图，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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的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。

如图1所示，本实施例中提供的燃气报警器系统，包括服务器20和若干个燃气报警器10，若干个燃气报警器10均与服务器20通信连接。

各个燃气报警器10用于采集当前环境数据、红外气体传感器的输出电压、燃气浓度，并将同一时刻采集的环境数据、输出电压、燃气浓度构造成一个数据样本上传给服务器。所述环境数据包括温度数据和湿度数据，因此，燃气报警器包括温湿度传感器，用于同时采集温度数据和湿度数据；或者燃气报警器包括温度传感器和湿度传感器，分别用于采集温度数据和湿度数据。

服务器20根据各个燃气报警器的数据样本进行机器学习，更新校正系数的网络模型，并将更新后的模型参数下发给各个燃气报警器。

各个燃气报警器10接收更新后的模型参数，并基于更新后的模型参数更新校正系数的网络模型。燃气报警器即可以基于更新后的校正系数模型得到校正系数，然后基于该校正系数计算出燃气浓度，将计算出的燃气浓度与报警阈值做比较，即可确定是否报警。

此处容易理解的是，图1所示方案中，服务器20是将更新后的模型参数下发给各个燃气报警器10，以此可以降低传输数据量，但是作为可实施方案，也可以是直接将更新后的网络模型下发给各个燃气报警器，此时燃气报警器则只需将该网络模型直接存储。

如图2所示，本实施例中，校正系数的网络模型采用BP神经网络模型，该网络模型的输入层有三个参数，分别为温度T（用X1表示）、湿度RH（用X2表示）、输出电压U（用X3表示），输出层有一个参数，即校正系数k(用y表示)，有一个隐含层，隐含层有5个神经元。

本方案中的校正系数模型的训练，包括产品（燃气报警器）出厂安装前（指将燃气报警器安装于用户家庭）的初始训练，以及产品安装后并接入物联网后的后期持续不断的训练。

对于出厂前训练，在工厂实验室中设定不同的温度T(-30℃~70℃)、湿度RH (0%~100%)、红外气体传感器的输出电压U(0~3.6V)，以及当前的设定燃气浓度值Q，得到不同的训练样本，训练样本包括输入值（x1（T）,x2(RH),x3(U)）以及期望的输出值（y/Q）。服务器基于这些训练样本进行产品安装前的初始训练。

如图3所示，训练时，先用0-1之间的随机数初始化网络单元中的各个参数，包括权值和阈值；然后调取前述构造的训练样本，计算各神经元的输入和输出；再基于误差函数计算各神经元的误差；然后基于误差调整神经元的权值和阈值；循环执行调取训练样本—调整神经元的权值和阈值的处理过程，直至训练样本用完。BP神经网络模型为成熟的技术，本方案的改进之处也不在于神经网络模型的训练过程也，因此此处不做更详细的阐述。

对于出厂安装接入联网后的训练就是在实际使用过程中的不断优化。各个燃气报警器在实际工作时，定时采集当前的温度T、湿度RH、报警器传感器的输出电压U，以及当前的燃气浓度值Q，也得到不同的数据样本，一个数据样本包括（x1（T）,x2(RH),x3(U)）以及期望的输出值（y/Q），并通过物联网实时传输到服务器。一个燃气报警器在一个时刻采集得到一个数据样本，若干个燃气报警器就可以得到若干份数据样本，服务器接收到这些数据样本后，即可按照图3所示的流程进行训练，得到模型参数更新后的校正系数的网络模型。服务器再将更新后的参数下发到各个燃气报警器，燃气报警器再基于这些参数更新校正系数的网络模型。

燃气报警器采集温度T、湿度RH、报警器传感器的输出电压U、燃气浓度的频率可以在产品出厂前进行设置，例如每日采集一次，但是具体的频率数值没有限定。

也就是说，本方案中的燃气报警器工作时所采用的校正系数不是固定不变的，而是会根据环境的变化而变化，因此基于校正系数而得到的燃气浓度值更加准确，进而降低甚至消除误报警的情况。尤其是，随着时间的推移，燃气报警器上传的数据样本越多，服务器基于这些数据样本进行训练得到模型越准确，即校正系数k值越准确，因此完全可以消除误报警。

燃气报警器在使用过程中，燃气报警器例如每隔2秒采集一次环境数据和红外气体传感器的输出电压，并将当前环境数据和红外气体传感器的输出电压输入至更新后的校正系数的网络模型中，即可输出得到校正系数k，根据公式Q=kU即可计算得到当前燃气浓度值，将其与报警阈值做比较，如果Q≥报警阈值，那么燃气报警器可以通过多种渠道进行报警，比如联网的服务器、手机APP、短信、电话、声光报警等，并进行相应的联动操作，比如切断燃气阀门、自动打开窗户和窗帘进行通风等。

除了环境因素的直接影响以外，传感器本身性能（如灵敏度）也会在长时间使用过程中发生变化，继而导致校正系数发生漂移。因此，上述燃气报警器在使用过程中自身采集的燃气浓度值Q实际不是绝对的准确。因此为了进一步提高准确性，减小因校正系数漂移而导致的测量误差，在燃气报警器的使用过程中，工作人员会定期（例如半年或一年）校验一次。具体地，专业人员拿着可燃气体检测仪到燃气报警器的安装点进行专门的测试，主要测试当前的燃气浓度值Q，将其与当前的温度T、湿度RH、报警器传感器的输出电压U一起构成训练样本，（x1（T）,x2(RH),x3(U)）以及期望的输出值（y/Q），并通过物联网实时传输这些训练样本到服务器，由服务器基于这些训练样本进行训练，更新校正系数的网络模型。可燃气体检测仪直接采用市面上可购买的仪器。

以上所述，仅为本发明的具体实施方式，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，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (9)

1.一种燃气报警器系统，其特征在于，包括服务器和若干个燃气报警器，所述若干个燃气报警器均与所述服务器通信连接；

各个燃气报警器用于采集当前环境数据、红外气体传感器的输出电压、燃气浓度，并将同一时刻采集的环境数据、输出电压、燃气浓度构造成一个数据样本上传给服务器；

服务器根据各个燃气报警器上传的数据样本进行机器学习，更新校正系数的网络模型，并将所述校正系数的网络模型的模型参数下发给各个燃气报警器；

各个燃气报警接收服务器下发的模型参数，并基于所述模型参数更新已存储的校正系数的网络模型。

2.根据权利要求1所述的燃气报警器系统，其特征在于，所述环境数据包括温度数据和湿度数据。

3.根据权利要求2所述的燃气报警器系统，其特征在于，所述校正系数的网络模型为BP神经网络模型，包括输入层、隐含层和输出层，输入层包含3个输入参数，分别为温度、湿度、红外气体传感器的输出电压；输出层有一个参数，为校正系数。

4.根据权利要求3所述的燃气报警器系统，其特征在于，服务器中原有的校正系数的网络模型通过以下方式训练而得：在工厂实验室中设定不同的温度、湿度、红外气体传感器的输出电压，以及当前的设定燃气浓度值，得到不同的训练样本，服务器基于这些训练样本进行网络训练，得到校正系数的网络模型。

5.根据权利要求3所述的燃气报警器系统，其特征在于，服务器根据各个燃气报警器上传的数据样本进行机器学习时，先调取一份数据样本，计算各神经元的输入和输出，再计算各神经元的误差，然后调整神经元的权值和阈值；循环执行调取数据样本—调整神经元的权值和阈值的处理过程，直至数据样本用完。

6.根据权利要求3所述的燃气报警器系统，其特征在于，还包括可燃气体检测仪，用于在燃气报警器的安装点测试燃气报警器当前的燃气浓度值，并将其与同时采集的温度、湿度、红外气体传感器作为一个训练样本上传给服务器；服务器还用于基于这些训练样本进行训练，更新校正系数的网络模型。

7.根据权利要求3所述的燃气报警器系统，其特征在于，服务器将所述校正系数的网络模型的模型参数下发给各个燃气报警器的操作，替换为：服务器将所述校正系数的网络模型下发给各个燃气报警器。

8.根据权利要求3所述的燃气报警器系统，其特征在于，燃气报警器还用于将当前环境数据和红外气体传感器的输出电压输入至更新后的校正系数的网络模型中，输出得到校正系数k，并根据公式Q=kU计算得到当前燃气浓度值，并将其与报警阈值做比较，确定是否发出报警信号；其中，Q为燃气浓度，k为校正系数，U为红外气体传感器的输出电压。

9.根据权利要求3所述的燃气报警器系统，其特征在于，所述环境数据通过集成于燃气报警器的温湿度传感器采集得到。

Images