CN114390376B - 火灾大数据远程探测与预警系统 - Google Patents
火灾大数据远程探测与预警系统 Download PDFInfo
- Publication number
- CN114390376B CN114390376B CN202111565944.XA CN202111565944A CN114390376B CN 114390376 B CN114390376 B CN 114390376B CN 202111565944 A CN202111565944 A CN 202111565944A CN 114390376 B CN114390376 B CN 114390376B
- Authority
- CN
- China
- Prior art keywords
- neural network
- fire
- model unit
- output
- binary
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 65
- 230000007613 environmental effect Effects 0.000 claims abstract description 51
- 238000003062 neural network model Methods 0.000 claims description 87
- 238000013528 artificial neural network Methods 0.000 claims description 78
- KHMVXSQLPUNRCF-UHFFFAOYSA-N DL-Adalin Natural products C1CCC2CC(=O)CC1(CCCCC)N2 KHMVXSQLPUNRCF-UHFFFAOYSA-N 0.000 claims description 52
- 238000007689 inspection Methods 0.000 claims description 31
- 238000000354 decomposition reaction Methods 0.000 claims description 20
- 238000012544 monitoring process Methods 0.000 claims description 18
- 238000004891 communication Methods 0.000 claims description 13
- 230000005540 biological transmission Effects 0.000 claims description 11
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 10
- 230000002457 bidirectional effect Effects 0.000 claims description 8
- 239000000779 smoke Substances 0.000 claims description 6
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 5
- 239000001569 carbon dioxide Substances 0.000 claims description 5
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims 3
- 230000008859 change Effects 0.000 abstract description 6
- 238000000034 method Methods 0.000 description 35
- 230000006870 function Effects 0.000 description 28
- 238000013461 design Methods 0.000 description 23
- 230000008569 process Effects 0.000 description 16
- 238000005259 measurement Methods 0.000 description 15
- 239000013598 vector Substances 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000007726 management method Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 241001123248 Arma Species 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000003750 conditioning effect Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000012938 design process Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000002923 metal particle Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04Q—SELECTING
- H04Q9/00—Arrangements in telecontrol or telemetry systems for selectively calling a substation from a main station, in which substation desired apparatus is selected for applying a control signal thereto or for obtaining measured values therefrom
- H04Q9/02—Automatically-operated arrangements
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/02—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP]
- H04L67/025—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP] for remote control or remote monitoring of applications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M1/00—Substation equipment, e.g. for use by subscribers
- H04M1/72—Mobile telephones; Cordless telephones, i.e. devices for establishing wireless links to base stations without route selection
- H04M1/724—User interfaces specially adapted for cordless or mobile telephones
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04Q—SELECTING
- H04Q2209/00—Arrangements in telecontrol or telemetry systems
- H04Q2209/80—Arrangements in the sub-station, i.e. sensing device
- H04Q2209/82—Arrangements in the sub-station, i.e. sensing device where the sensing device takes the initiative of sending data
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Human Computer Interaction (AREA)
- Medical Informatics (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Fire Alarms (AREA)
Abstract
本发明公开了一种火灾大数据远程探测与预警系统由环境参数采集平台和火灾大数据探测与预警子系统组成,环境参数采集平台负责检测环境参数与管理,环境参数保存到云平台,管理人员可从移动端APP实时查看云平台环境参数;火灾大数据探测与预警子系统实现对环境参数的预测和火灾等级分类;有效解决了现有火灾检测与预警系统没有根据环境参数变化的非线性、大滞后和环境面积大复杂等对环境火灾的影响,从而极大的影响环境火灾预测和火灾管理问题。
Description
技术领域
本发明涉及环境大数据检测与火灾预警的自动化控制装备的技术领域,具体涉及火灾大数据远程探测与预警系统。
背景技术
随着各行各业的智能化、工厂车间数字化的趋势尤为明显,机器长时间运转、电气故障、供电线路老化、残留金属颗粒等都有可能导致发生火灾,之后将空中弥漫的各种易燃物引燃,迅速扩散,最终酿成大火,一旦发生火灾,将会造成巨大的经济损失。面对这一问题,传统方法多在房屋钢筋支架处安装烟雾报警器,或采用单一传感器对火灾进行探测,凭经验设定阈值。但由于环境较大,探测区域无法全面有效覆盖,导致火灾发生时无法精确定位。传统检测火源的传感器装置在安装后不可更换位置,且为有线方式,布线繁琐,导致产品使用效果不理想。本专利设计一种火灾大数据远程探测与预警系统采用智能学习算法分析与分类数据,通过移动式检测环境参数实现火灾预警功能。
发明内容
本发明提供了火灾大数据远程探测与预警系统,有效解决了现有火灾检测与预警系统没有根据环境参数变化的非线性、大滞后和环境面积大复杂等对环境火灾的影响,从而极大的影响环境火灾预测和火灾管理问题。
本发明通过以下技术方案实现:
一种火灾大数据远程探测与预警系统由环境参数采集平台和火灾大数据探测与预警子系统组成,环境参数采集平台负责检测环境参数与管理,环境参数保存到云平台,管理人员可从移动端APP实时查看云平台环境参数;火灾大数据探测与预警子系统实现对环境参数的预测和火灾等级分类。
本发明进一步技术改进方案是:
环境参数采集平台包括环境参数的检测节点、移动巡检端、网关端、现场监控端、云平台和移动端App组成,通过自组织网络实现检测节点与移动巡检端之间数据通信,移动巡检端和网关端之间通过GPRS无线数据传输通信网络来实现移动巡检端和网关端之间的通信;移动巡检端将检测的环境参数通过网关端的RS232接口发送给现场监控端并对传感器数据进行理和火灾预警;网关端通过NB-IoT模块与云平台之间和云平台通过5G网络与移动端App之间实现环境参数的双向传输,网关端与现场监控端之间通过RS232接口实现环境参数信息的双向传输。移动端App为管理人员提供实时环境参数数据,满足环境参数信息的便捷可视化,所有来自移动巡检端的传感器采集的数据都已上传至云平台的数据库中,管理人员通过移动端APP可通过远程查看当前的环境参数信息;环境参数采集平台结构与功能见图1所示。
本发明进一步技术改进方案是:
火灾大数据探测与预警子系统由Adaline神经网络模型、EMD经验模态分解模型、GM(1,1)灰色预测模型、多个NARX神经网络预测模型、二元联系数的BAM神经网络模型、3个参数检测模块和二元联系数的T-S模糊神经网络分类器组成;多个火焰传感器输出作为Adaline神经网络模型的输入,Adaline神经网络模型输出作为EMD经验模态分解模型的输入,EMD经验模态分解模型输出的火焰低频趋势值作为GM(1,1)灰色预测模型的输入,EMD经验模态分解模型输出的多个火焰高频趋势值分别作为对应的NARX神经网络预测模型的输入,GM(1,1)灰色预测模型输出和多个NARX神经网络预测模型输出分别作为二元联系数的BAM神经网络模型的对应输入,二元联系数的BAM神经网络模型输出火焰预测确定值c和火焰波动值d构成火焰大小的二元联系数值为c+di,火焰预测确定值c和火焰波动值d分别为二元联系数的BAM神经网络模型和二元联系数的T-S模糊神经网络分类器的对应输入;多个温度传感器、多个烟雾传感器和多个二氧化碳浓度传感器的输出分别作为3个参数检测模块的输入,3个参数检测模块输出作为二元联系数的T-S模糊神经网络分类器的对应输入,二元联系数的T-S模糊神经网络分类器输出的火灾等级确定值e和火灾等级波动值f构成火灾等级大小的二元联系数值为e+fi,火灾等级确定值e和火灾等级波动值f分别为二元联系数的T-S模糊神经网络分类器的对应输入,二元联系数的T-S模糊神经网络分类器的二元联系数值分别对应火灾严重、火灾比较严重、火灾一般、火灾轻微和没有火灾共5种火灾类型。火灾大数据探测与预警子系统的结构与功能见图2所示。
本发明进一步技术改进方案是:
参数检测模块由多个带时滞单元的Adaline神经网络模型、模糊C均值聚类FCM模型、2个ARIMA预测模型、多个NARX神经网络预测模型、2个按拍延迟线TDL和二元联系数的小波神经网络模型组成;多个参数检测传感器输出作为对应的带时滞单元的Adaline神经网络模型的输入,多个带时滞单元的Adaline神经网络模型输出作为模糊C均值聚类FCM模型的输入,模糊C均值聚类FCM模型输出的多个类型的带时滞单元的Adaline神经网络模型输出值分别作为对应的NARX神经网络预测模型的输入,多个NARX神经网络预测模型和2个ARIMA预测模型的输出分别作为二元联系数的小波神经网络模型的对应输入,二元联系数的小波神经网络模型输出被测量参数的确定值a和波动值b构成测量参数的二元联系数值为a+bi,被测量参数的确定值a和波动值b分别作为对应的2个按拍延迟线TDL的输入和二元联系数的小波神经网络模型的2个对应输入,2个按拍延迟线TDL输出作为对应的2个ARIMA预测模型的输入,2个ARIMA预测模型输出作为二元联系数的小波神经网络模型的对应输入,二元联系数的小波神经网络模型的输出作为被测量参数的二元联系数值。参数检测模块结构与功能见图3所示。
本发明与现有技术相比,具有以下明显优点:
一、本发明NARX神经网络是一种通过引入火焰测量过程的高频波动部分数据及反馈实现来建立NARX神经网络组合模型的动态递归网络,它是沿着火焰高频波动预测值与火焰测量过程的高频波动部分数据状态特征参数在时间轴方向的拓展的多个时间火焰高频波动预测值与火焰测量过程的高频波动部分数据状态特征参数的序列来实现及函数模拟功能的数据关联性建模思想,该方法通过一段时间内火焰高频波动预测值与火焰测量过程的高频波动部分数据的特征参数来建立有火焰高频波动预测值与火焰测量过程的高频波动部分数据扰动模型,模型输出的火焰高频波动预测值与火焰测量过程的高频波动部分数据在反馈作用中被作为输入而闭循环训练提高神经网络的计算精确度,实现对物火焰高频波动预测值与火焰测量过程的高频波动部分数据状态连续动态输出,提高火焰高频波动部分数据预测的可靠性与准确性。
二、本发明通过EMD经验模态分解模型将原始Adaline神经网络模型输出序列分解为不同频段的分量,每一个分量都显示出隐含在原序列中的不同特征信息。以降低序列的非平稳性。火焰测量过程的高频波动部分数据关联性不强,频率比较高,代表原始序列的波动成分,具有一定的周期性和随机性,这与火焰测量过程的周期性变化相符合;低频成分代表火焰测量过程原序列的变化趋势。可见EMD能够逐级分解出火焰测量过程的波动成分、周期成分和趋势成分,分解出的每一个分量自身包含相同的变形信息,在一定程度上减少了不同特征信息之间的相互干涉,且分解出的各分量变化曲线比原始火焰测量变形序列曲线光滑。可见EMD能有效分析多因素共同作用下的火焰测量过程变形数据,分解得到的各分量有GM(1,1)灰色预测模型输出和多个NARX神经网络预测模型的建立和更好地预测。最后将各分量预测结果叠加得到最终融合预测结果,实例研究表明,所提的融合预测结果具有较高的预测精度。
三、本发明采用GM(1,1)灰色预测模型预测火焰测量过程中火焰低频趋势的时间跨度长。用GM(1,1)灰色预测模型模型可以根据火焰低频趋势值预测未来时刻火焰低频趋势值,用上述方法预测出的火焰低频趋势后,把火焰低频趋势值再加分别加入火焰低频趋势的原始数列中,相应地去掉数列开头的一个数据建模,再进行预测火焰低频趋势的预测。依此类推,预测出火焰低频趋势值。这种方法称为等维灰数递补模型,它可实现较长时间的预测。可以更加准确地掌握火焰低频趋势的变化趋势,为有效避免火焰低频趋势波动做好准备。
四、本发明采用ARIMA预测模型基于测量参数的确定值和波动值的原始数据服从时间序列分布,利用测量参数的确定值和波动值变化均具有一定惯性趋势的原理,整合了趋势因素、周期因素和随机误差等因素的测量参数的确定值和波动值的原始时间序列变量,通过差分数据转换等方法将非平稳序列转变为零均值的平稳随机序列,通过反复识别和模型诊断比较并选择理想的模型进行测量参数的确定值和波动值数值拟合和预测。该方法结合了自回归和移动平均方法的长处,具有不受数据类型束缚和适用性强的特点,是一种短期预测测量参数的确定值和波动值的模型。
五、本发明预测火灾等级分类的科学性和可靠性,本专利的二元联系数的T-S模糊神经网络分类器,根据火灾等级分类的工程实践经验,通过二元联系数的T-S模糊神经网络分类器输出5个不同预测值的大小对火灾等级的动态程度量化为火灾严重、火灾比较严重、火灾一般、火灾轻微和没有火灾共5种不同状态,实现对火灾等级分类的动态性能和科学分类。
六、本发明针对参数测量过程中,传感器精度误差、干扰和测量值异常等问题存在的不确定性和随机性,本发明专利将参数传感器测量的参数值通过参数检测模块转化为二元联系数形式表示,有效地处理了参数传感器测量参数的模糊性、动态性和不确定性,提高了参数传感器值检测参数的客观性和可信度。
附图说明
图1为本发明环境参数采集平台;
图2为本发明火灾大数据探测与预警子系统;
图3为本发明参数检测模块功能图;
图4为本发明检测节点;
图5为本发明移动巡检端功能图;
图6为本发明网关端功能图;
图7为本发明现场监控端软件功能图。
具体实施方式
结合附图1-7,对本发明技术方案作进一步描述:
一、系统总体功能的设计
本发明实现对环境参数进行检测,该系统由环境参数采集平台和火灾大数据探测与预警子系统两部分组成。环境参数采集平台包括环境参数的检测节点、移动巡检端、网关端、现场监控端、云平台和移动端App组成,通过自组织网络实现检测节点与移动巡检端之间数据通信,移动巡检端和网关端之间通过构建GPRS无线数据传输通信网络来实现移动巡检端和网关端之间的数据通信;移动巡检端将检测的环境参数通过网关端的RS232接口发送给现场监控端并对传感器数据进行理和对火灾等级分类;网关端通过NB-IoT模块与云平台之间和云平台通过5G网络与移动端App之间实现环境参数的双向传输,网关端与现场监控端之间通过RS232接口实现环境信息的双向传输。移动App端为管理人员提供实时环境数据,满足环境参数数据信息的便捷可视化,所有来自移动巡检端的参数传感器采集的数据都已上传至云平台的数据库中,管理人员通过移动端APP可通过远程查看当前的环境信息。云平台实现用户管理、环境数据管理、环境数据实时监测、设备管理和报警等功能组成。环境参数采集平台结构见图1所示。
二、检测节点设计
检测节点由火焰、温度、烟雾和二氧化碳传感器以及对应的4个调理电路、STM32单片机和CC2530接口组成,检测节点采集环境参数信息,通过自组织网络实现检测节点与移动巡检端之间数据通信,采集环境参数信息将通过移动巡检端的GPRS接口与网关端的GPRS接口、NB-IoT模块传输给云平台通过5G网络实现与移动端APP进行实时的交互;通过网关端的RS232接口传输给现场监控端。移动巡检端结构功能图见图4所示。
二、移动巡检端设计
移动巡检端由火焰、温度、烟雾和二氧化碳传感器以及对应的4个调理电路、STM32单片机、移动机器人、CC2530接口和GPRS接口组成,通过自组织网络实现检测节点与移动巡检端之间数据通信,移动巡检端放置在移动机器人上采用移动形式采集环境参数信息,该移动巡检端的采集环境参数信息将通过移动巡检端的GPRS接口与网关端的GPRS接口、NB-IoT模块传输给云平台通过5G网络实现与移动端APP进行实时的交互;通过网关端的RS232接口传输给现场监控端。移动巡检端结构功能图见图5所示。
三、网关端设计
网关端由GPRS接口、NB-IoT模块、STM32单片机和RS232接口组成,通过GPRS接口和RS232接口实现移动巡检端和网关端与现场监控端之间的数据的双向传输,通过GPRS接口、NB-IoT模块、RS232接口和5G网络实现云平台、移动端APP、移动巡检端和现场监控端之间的双向传输。网关端的结构功能图6所示。
四、现场监控端软件的设计
现场监控端是一台工业控制计算机,现场监控端主要实现对环境参数进行采集与处理和火灾等级分类,实现与移动巡检端的信息交互,现场监控端主要功能为通信参数设置、数据分析与数据管理和火灾大数据探测与预警子系统。该管理软件选择了MicrosoftVisual++6.0作为开发工具,调用系统的Mscomm通信控件来设计通讯程序,现场监控端软件功能如附图7所示。火灾大数据探测与预警子系统见图2所示,火灾大数据探测与预警子系统由Adaline神经网络模型、EMD经验模态分解模型、GM(1,1)灰色预测模型、多个NARX神经网络预测模型、二元联系数的BAM神经网络模型、3个参数检测模块和二元联系数的T-S模糊神经网络分类器组成;火灾大数据探测与预警子系统的结构功能见图2所示,设计过程如下:
1、Adaline神经网络模型设计
多个火焰传感器输出作为Adaline神经网络模型的输入,Adaline神经网络模型输出作为EMD经验模态分解模型的输入;Adaline神经网络模型由1个按拍延迟线TDL和Adaline神经网络组成,多个火焰传感器输出作为Adaline神经网络输入,Adaline神经网络输出作为按拍延迟线TDL的输入,按拍延迟线TDL的输出作为Adaline神经网络模型的输出,Adaline神经网络的自适应线性单元(Adaptive Linear Element)是早期的神经网络模型之一,该网络的输入信号可写成向量的形式:X(K)=[x0(K),x1(K),…xn(K)]T,每一组输入信号对应有一组权值向量相对应表示为:W(K)=[k0(K),k1(K),…k(K)],x0(K)等于负1时是Adaline神经网络的偏置值决定神经元的兴奋或抑制状态,可根据Adaline神经网络的输入向量和权值向量定义网络输出为:
在Adaline神经网络中,有一特殊输入即理想响应输出d(K),把它送入Adaline神经网络中,然后通过网络输出y(K)进行比较,将差值送到学习算法机制中,以调整权向量直到获得最佳权向量,y(K)与d(K)趋向一致,权向量的调整过程即为网络的学习过程,学习算法是学习过程的核心部分,Adaline神经网络权值优化搜索算法采用LMS算法最小二乘法。
2、EMD经验模态分解模型设计
Adaline神经网络模型输出作为EMD经验模态分解模型的输入,EMD经验模态分解模型输出的火焰低频趋势值作为GM(1,1)灰色预测模型的输入,EMD经验模态分解模型输出的多个火焰高频趋势值分别作为对应的NARX神经网络预测模型的输入;EMD经验模态分解是一种自适应信号筛选方法,具有计算简单、直观、基于经验和自适应的特点。它能将存在于火焰测量信号中不同特征的趋势逐级筛选出来,得到多个高频波动部分(IMF)和低频趋势部分。EMD经验模态分解出来的IMF分量包含了火焰测量信号从高到低不同频率段的成分,每个频率段包含的频率分辨率都随信号本身变化,具有自适应多分辨分析特性。使用EMD经验模态分解的目的就是为了更准确地提取火焰测量信息。EMD经验模态分解方法针对Adaline神经网络模型输出值信号的“筛分”过程步骤如下:
(a)Adaline神经网络模型输出信号所有的局部极值点,然后用三次样条线将左右的局部极大值点连接起来形成上包络线。
(b)在用三次样条线将Adaline神经网络模型输出值的局部极小值点连接起来形成下包络线,上、下包络线应该包络所有的数据点。
(c)上、下包络线的平均值记为m1(t),求出:
x(t)-m1(t)=h1(t) (2)
x(t)为Adaline神经网络模型输出原始信号,如果h1(t)是一个IMF,那么h1(t)就是x(t)的第一个IMF分量。记c1(t)=h1k(t),则c1(t)为信号x(t)的第一个满足IMF条件的分量。
(d)将c1(t)从x(t)中分离出来,得到:
r1(t)=x(t)-c1(t) (3)
将r1(t)作为原始数据重复步骤(a)-步骤(c),得到x(t)的第2个满足IMF条件的分量c2。重复循环n次,得到信号x(t)的n个满足IMF条件的分量。这样通过EMD经验模态分解模型把Adaline神经网络模型输出分解为低频趋势部分和多个高频波动部分,EMD经验分解模型如图2所示。
3、GM(1,1)灰色预测模型设计
EMD经验模态分解模型输出的火焰低频趋势值作为GM(1,1)灰色预测模型的输入,EMD经验模态分解模型输出的多个火焰高频趋势值分别作为对应的NARX神经网络预测模型的输入;GM(1,1)灰色预测模型较传统的统计预测方法有着较多的优点,它不需要确定预测变量是否服从正态分布,不需要大的样本统计量,不需要根据火焰低频趋势值的变化而随时改变预测模型,通过累加生成技术,建立统一的微分方程模型,累加火焰低频趋势值原始值还原后得出预测结果,微分方程模型具有更高的预测精度。建立GM(1,1)灰色预测模型的实质是对火焰低频趋势值原始数据作一次累加生成,使生成数列呈现一定规律,通过建立微分方程模型,求得拟合曲线,用以对火焰低频趋势值进行预测。
4、NARX神经网络预测模型设计
EMD经验模态分解模型输出的火焰低频趋势值作为GM(1,1)灰色预测模型的输入,EMD经验模态分解模型输出的多个火焰高频趋势值分别作为对应的NARX神经网络预测模型的输入;NARX神经网络预测模型是一种带输出反馈连接的动态递归神经网络,在拓扑连接关系上可等效为有输入时延的BP神经网络加上输出到输入的时延反馈连接,其结构由输入层、时延层、隐层和输出层构成,其中输入层节点用于信号输入,时延层节点用于输入信号和输出反馈信号的时间延迟,隐层节点利用激活函数对时延后的信号做非线性运算,输出层节点则用于将隐层输出做线性加权获得最终网络输出。NARX神经网络预测模型第i个隐层节点的输出hi为:
NARX神经网络第j个输出层节点输出oj为:
5、二元联系数的BAM神经网络模型设计
GM(1,1)灰色预测模型输出和多个NARX神经网络预测模型输出分别作为二元联系数的BAM神经网络模型的对应输入,二元联系数的BAM神经网络模型输出火焰预测确定值c和火焰波动值d构成火焰大小的二元联系数值为c+di;BAM神经网络模型拓扑结构中,网络输入端的初始模式为x(t),通过权值矩阵W1加权后到达输出端y端,经过输出节点的转移特性fy的非线性变换和W2矩阵加权后返回到输入端x,再经过x端输出节点转移特性fx的非线性变换,变为输入端x的输出,反复这一运行过程,BAM神经网络模型状态转移方程见式(6)。
二元联系数的BAM神经网络模型为输出为二元联系数的BAM神经网络模型,BAM神经网络模型输出火焰预测确定值c和火焰波动值d构成火焰大小的二元联系数值为c+di。
6、参数检测模块设计
参数检测模块由多个带时滞单元的Adaline神经网络模型、模糊C均值聚类FCM模型、2个ARIMA预测模型、多个NARX神经网络预测模型、2个按拍延迟线TDL和二元联系数的小波神经网络模型组成;
(1)、带时滞单元的Adaline神经网络模型设计
多个参数检测传感器输出作为对应的带时滞单元的Adaline神经网络模型的输入,多个带时滞单元的Adaline神经网络模型输出作为模糊C均值聚类FCM模型的输入;带时滞单元的Adaline神经网络模型由2个按拍延迟线TDL和Adaline神经网络组成,参数传感器输出作为对应的按拍延迟线TDL的输入,该按拍延迟线TDL的输出作为Adaline神经网络的输入,Adaline神经网络输出作为对应的按拍延迟线TDL的输入,该按拍延迟线TDL的输出为带时滞单元的Adaline神经网络模型的输出;Adaline神经网络的设计方法参照本专利的步骤1中Adaline神经网络设计。
(2)、模糊C均值聚类FCM模型设计
多个带时滞单元的Adaline神经网络模型输出作为模糊C均值聚类FCM模型的输入,模糊C均值聚类FCM模型输出的多个类型的带时滞单元的Adaline神经网络模型输出值分别作为对应的NARX神经网络预测模型的输入;设有限集X={x1,x2,…xn}是n个带时滞单元的Adaline神经网络模型输出样本组成的集合,C为预定的类别,mi(i=1,2,…c)是每一个聚类的中心,μj(xi)是第i个样本关于第j类的隶属度,聚类准则函数由隶属函数定义为:
式中:||xi-mj||是xi到mj之间的欧氏距离;b是模糊加权幂指数,是可以控制聚类结果模糊程度的参数;M是X的模糊C划分矩阵,V是X的聚类中心集合,模糊C均值聚类FCM模型的结果就是要获得使准则函数达到最小的M和V。在模糊C均值聚类方法中,要求样本对各个聚类的隶属度之和为1,即:
模糊C均值聚类FCM模型可以按照以下迭代步骤完成:A、设定聚类数目c和参数b,算法终止阈值ε,迭代次数t=1,允许最大迭代数为tmax;B、初始化各个聚类中心mi;C、用当前聚类中心计算隶属函数;D、用当前隶属函数更新各类聚类中心;E、选取合适的矩阵范数,如果||V(t+1)-V(t)||≤ε或者t≥tmax,停止运算;否则,t=t+1,返回步骤C。当算法收敛时,得到各类的聚类中心和各个样本对于各类的隶属度,完成模糊聚类划分。最后将模糊聚类结果进行去模糊化,将模糊聚类转变为确定性分类,实现最终的聚类分割。
(3)、NARX神经网络预测模型设计
模糊C均值聚类FCM模型输出的多个类型的带时滞单元的Adaline神经网络模型输出值分别作为对应的NARX神经网络预测模型的输入;NARX神经网络预测模型的设计方法参照本专利的步骤4NARX神经网络预测模型设计过程。
(4)、ARIMA预测模型设计
被测量参数的确定值a和波动值b分别作为对应的2个按拍延迟线TDL的输入和二元联系数的小波神经网络模型的2个对应输入,2个按拍延迟线TDL输出作为对应的2个ARIMA预测模型的输入;ARIMA(Auto regressive Integrated Moving Average)预测模型是自回归积分滑动平均模型,它将自回归模型(Autoregressive,AR)和滑动平均模型(Moving Average,MA)有机地组合起来,使之成为一种综合的预测方法。作为有效的现代数据处理方法之一,它被誉为时间序列预测方法中最复杂最高级的模型,在实际应用中,由于输入原始数据序列往往表现出一定的趋势或循环特征,不满足ARMA模型对时间序列的平稳性要求,而取差分是消除数据趋势性的一种方便和有效的方法。基于差分后的数据序列建立的模型称为ARIMA预测模型,记为{Xt}-ARIMA(p,d,q),其中p、q称为模型的阶,d表示差分的次数。显然,当d为0时,ARIMA预测模型为ARMA模型,其定义为:
xt=b1xt-1+…+bpxt-p+εt+a1εt-1+…+aqεt-q (9)
{xt}为要预测的二元联系数的小波神经网络输出的参数测量确定值a和波动值b的数据序列,{εt}~WN(0,σ2)。ARIMA预测模型建立主要包括模型的识别、参数估计和模型诊断。模型识别主要包括时间序列的预处理和模型参数的初步定阶;模型定阶完成之后需要通过时间序列观察值并结合p,d,q值来对模型中的未知参数进行估计;预测模型的诊断主要是针对整个模型的显著性检验和模型中参数的显著性检验。通常模型的建立是个不断优化的过程,模型优化常用的为AIC和BIC准则,即最小信息量准则其值越小,模型越合适,BIC准则是针对AIC准则对大样本序列的不足所做的改进。
(5)、二元联系数的小波神经网络模型设计
多个NARX神经网络预测模型和2个ARIMA预测模型的输出分别作为二元联系数的小波神经网络模型的对应输入,二元联系数的小波神经网络模型输出被测量参数的确定值a和波动值b构成测量参数的二元联系数值为a+bi;二元联系数的小波神经网络模型为输出为二元联系数的小波神经网络模型,小波神经网络模型WNN(Wavelet Neural Networks)是在小波理论基础上,结合人工神经网络而提出的一种前馈型网络。它是以小波函数为神经元的激励函数,小波的伸缩、平移因子以及连接权重,在对误差能量函数的优化过程中被自适应调整。设小波神经网络模型的输入信号可以表示为输入的一维向量xi(i=1,2,…,n),输出信号表示为yk(k=1,2,…,m),小波神经网络模型输出层输出值的计算公式为:
公式中ωij输入层i节点和隐含层j节点间的连接权值,为小波基函数,bj为小波基函数的平移因子,aj小波基函数的伸缩因子,ωjk为隐含层j节点和输出层k节点间的连接权值。本专利中的小波神经网络模型的权值和阈值的修正算法采用梯度修正法来更新网络权值和小波基函数参数,从而使小波神经网络输出不断逼近期望输出。小波神经网络模型的输出为代表一段时间参数测量传感器值大小的动态二元联系数,动态二元联系数为a+bi,a+bi构成在一段时间参数测量传感器输出的被测量参数的动态二元联系数值。
7、二元联系数的T-S模糊神经网络分类器设计
火焰预测确定值c和火焰波动值d分别为二元联系数的BAM神经网络模型和二元联系数的T-S模糊神经网络分类器的对应输入;多个温度传感器、多个烟雾传感器和多个二氧化碳浓度传感器的输出分别作为3个参数检测模块的输入,3个参数检测模块输出作为二元联系数的T-S模糊神经网络分类器的对应输入,二元联系数的T-S模糊神经网络分类器输出的火灾等级确定值e和火灾等级波动值f构成火灾等级大小的二元联系数值为e+fi,火灾等级确定值e和火灾等级波动值f分别为二元联系数的T-S模糊神经网络分类器的对应输入,二元联系数的T-S模糊神经网络分类器的二元联系数值分别对应火灾严重、火灾比较严重、火灾一般、火灾轻微和没有火灾共5种火灾类型。二元联系数的T-S模糊神经网络分类器为输入和输出都为二元联系数的T-S模糊神经网络模型,T-S模糊神经网络模型的模糊逻辑系统是复杂非线性系统模糊建模中一种经典的模糊动态模型,它是基于T-S模糊逻辑系统和神经网络的融合,得到了一种结构简单的T-S模糊神经网络模型。T-S模糊神经网络模型为普通的模糊神经网络共有4层,分别为输入层、模糊化层、规则计算层和输出层,第一层为输入层,每个节点均与输入向量xi相连。第二层为模糊化层,本专利采用高斯函数作为T-S模糊神经网络模型的隶属度函数,所采用的隶属度函数为:
第三层为规则计算层,每个节点代表一条模糊规则,采用隶属度的连乘作为模糊规则,通过下面公式求得ω:
第四层为输出层,通过下面公式求得到T-S模糊神经网络模型的输出:
为T-S模糊神经网络输出为火灾预测等级对应的二元联系数。二元联系数的T-S模糊神经网络分类器的二元联系数值分别对应预测火灾等级对应关系见表1所示。
表1预测环境火灾等级与二元联系数的对应关系表
序号 | 预测火灾等级 | 对应的二元联系数 |
1 | 火灾严重 | 0.9+0.1i |
2 | 火灾比较严重 | 0.7+0.1i |
3 | 火灾一般 | 0.5+0.1i |
4 | 火灾轻微 | 0.3+0.1i |
5 | 没有火灾 | 0.1+0.1i |
五、一种环境参数采集平台的设计举例
根据环境参数采集平台的实际状况,系统布置了环境参数采集平台的检测节点、移动巡检端、网关端和现场监控端的平面布置安装图,其中移动巡检端的传感器根据检测需要方向布置,通过该系统实现对环境参数进行采集。
本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段,还包括由以上技术特征任意组合所组成的技术方案。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰这些改进和润饰也视为本发明的保护范围。
Claims (6)
1.火灾大数据远程探测与预警系统,其特征在于:所述系统由环境参数采集平台和火灾大数据探测与预警子系统组成,环境参数采集平台负责检测环境参数与管理,环境参数保存到云平台;火灾大数据探测与预警子系统实现对环境参数的预测和火灾等级分类;
所述火灾大数据探测与预警子系统由Adaline神经网络模型单元、EMD经验模态分解模型单元、GM(1,1)灰色预测模型单元、NARX神经网络预测模型单元、二元联系数的BAM神经网络模型单元、参数检测模块和二元联系数的T-S模糊神经网络分类器组成;
多个火焰传感器输出作为Adaline神经网络模型单元的输入,Adaline神经网络模型单元输出作为EMD经验模态分解模型单元的输入,EMD经验模态分解模型单元输出的火焰低频趋势值作为GM(1,1)灰色预测模型单元的输入,EMD经验模态分解模型单元输出的多个火焰高频趋势值分别作为对应的NARX神经网络预测模型单元的输入,GM(1,1)灰色预测模型单元输出和多个NARX神经网络预测模型单元输出分别作为二元联系数的BAM神经网络模型单元的对应输入,二元联系数的BAM神经网络模型单元输出火焰预测确定值c和火焰波动值d构成火焰大小的二元联系数值为c+di,火焰预测确定值c和火焰波动值d分别为二元联系数的BAM神经网络模型单元和二元联系数的T-S模糊神经网络分类器的对应输入;多个温度传感器、多个烟雾传感器和多个二氧化碳浓度传感器的输出分别作为对应的参数检测模块的输入,参数检测模块输出作为二元联系数的T-S模糊神经网络分类器的对应输入,二元联系数的T-S模糊神经网络分类器输出的火灾等级确定值e和火灾等级波动值f构成火灾等级大小的二元联系数值为e+fi,火灾等级确定值e和火灾等级波动值f分别为二元联系数的T-S模糊神经网络分类器的对应输入,二元联系数的T-S模糊神经网络分类器的二元联系数值分别对应不同火灾类型。
2.根据权利要求1所述的火灾大数据远程探测与预警系统,其特征在于:所述参数检测模块由带时滞单元的Adaline神经网络模型单元、模糊C均值聚类FCM模型单元、ARIMA预测模型单元、NARX神经网络预测模型单元、按拍延迟线TDL和二元联系数的小波神经网络模型单元组成。
3.根据权利要求2所述的火灾大数据远程探测与预警系统,其特征在于:多个参数检测传感器输出作为对应的带时滞单元的Adaline神经网络模型单元的输入,多个带时滞单元的Adaline神经网络模型单元输出作为模糊C均值聚类FCM模型单元的输入,模糊C均值聚类FCM模型单元输出的多个类型的带时滞单元的Adaline神经网络模型单元输出值分别作为对应的NARX神经网络预测模型单元的输入,多个NARX神经网络预测模型单元和2个ARIMA预测模型单元的输出分别作为二元联系数的小波神经网络模型单元的对应输入,二元联系数的小波神经网络模型单元输出被测量参数的确定值a和波动值b构成测量参数的二元联系数值为a+bi,被测量参数的确定值a和波动值b分别作为对应的2个按拍延迟线TDL的输入和二元联系数的小波神经网络模型单元的2个对应输入,2个按拍延迟线TDL输出作为对应的2个ARIMA预测模型单元的输入,2个ARIMA预测模型单元输出作为二元联系数的小波神经网络模型单元的对应输入,二元联系数的小波神经网络模型单元的输出作为被测量参数的二元联系数值。
4.根据权利要求1所述的火灾大数据远程探测与预警系统,其特征在于:所述环境参数采集平台包括环境参数的检测节点、移动巡检端、网关端、现场监控端、云平台和移动端App,通过自组织网络实现检测节点与移动巡检端之间数据通信。
5.根据权利要求4所述的火灾大数据远程探测与预警系统,其特征在于:所述移动巡检端和网关端之间通过GPRS无线数据传输通信网络来实现移动巡检端和网关端之间的通信;移动巡检端将检测的环境参数通过网关端的RS232接口发送给现场监控端并对传感器数据进行理和火灾预警;网关端通过NB-IoT模块与云平台之间和云平台通过5G网络与移动端App之间实现环境参数的双向传输,网关端与现场监控端之间通过RS232接口实现环境参数信息的双向传输,移动端App为管理人员提供实时环境参数数据。
6.根据权利要求1所述的火灾大数据远程探测与预警系统,其特征在于:所述火灾类型包括火灾严重、火灾比较严重、火灾一般、火灾轻微和没有火灾5种。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111565944.XA CN114390376B (zh) | 2021-12-20 | 2021-12-20 | 火灾大数据远程探测与预警系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111565944.XA CN114390376B (zh) | 2021-12-20 | 2021-12-20 | 火灾大数据远程探测与预警系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114390376A CN114390376A (zh) | 2022-04-22 |
CN114390376B true CN114390376B (zh) | 2023-04-07 |
Family
ID=81197627
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111565944.XA Active CN114390376B (zh) | 2021-12-20 | 2021-12-20 | 火灾大数据远程探测与预警系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114390376B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114839881B (zh) * | 2022-06-17 | 2023-06-30 | 淮阴工学院 | 智能化垃圾清理与环境参数大数据物联网系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110570616A (zh) * | 2019-09-10 | 2019-12-13 | 淮阴工学院 | 一种基于物联网的多点火灾预警系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104933841B (zh) * | 2015-04-30 | 2018-04-10 | 重庆三峡学院 | 一种基于自组织神经网络的火灾预测方法 |
US20190226856A1 (en) * | 2018-01-23 | 2019-07-25 | Ford Global Technologies, Llc | Wildfire discovery, monitoring, and response system using personal vehicles |
CN112215446A (zh) * | 2019-07-10 | 2021-01-12 | 小蜜蜂互联(北京)消防信息技术有限公司 | 一种基于神经网络的单位动态火灾风险评估方法 |
CN111625994B (zh) * | 2020-05-25 | 2022-10-25 | 齐鲁工业大学 | 一种基于动态集成神经网络的多源信息融合火灾预测方法 |
CN113219871B (zh) * | 2021-05-07 | 2022-04-01 | 淮阴工学院 | 一种养护室环境参数检测系统 |
-
2021
- 2021-12-20 CN CN202111565944.XA patent/CN114390376B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110570616A (zh) * | 2019-09-10 | 2019-12-13 | 淮阴工学院 | 一种基于物联网的多点火灾预警系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114390376A (zh) | 2022-04-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | A hybrid forecasting model based on outlier detection and fuzzy time series–A case study on Hainan wind farm of China | |
CN110580021B (zh) | 一种基于现场总线的粮仓环境安全智能监测系统 | |
CN111476278B (zh) | 一种气体浓度智能化检测系统 | |
CN108053052B (zh) | 一种油罐车油气泄漏速度智能监测系统 | |
CN111461413B (zh) | 一种公路路面使用性能检测系统 | |
CN115016276B (zh) | 智能水分调节与环境参数物联网大数据系统 | |
CN110705757A (zh) | 一种基于现场总线网络的多点温度传感器智能监测系统 | |
CN114397043B (zh) | 多点温度智能检测系统 | |
CN105825271A (zh) | 基于证据推理的卫星故障诊断与预测方法 | |
CN114839881B (zh) | 智能化垃圾清理与环境参数大数据物联网系统 | |
CN114911185A (zh) | 基于云平台和移动端App的安防大数据物联网智能系统 | |
CN112903929A (zh) | 一种食品质量检测系统 | |
CN114418183B (zh) | 畜禽健康体征大数据物联网检测系统 | |
CN114390376B (zh) | 火灾大数据远程探测与预警系统 | |
CN111444947A (zh) | 一种桥梁沉降智能检测系统 | |
CN107976934B (zh) | 一种基于无线传感器网络的油罐车油气泄漏速度智能预警系统 | |
CN113219871A (zh) | 一种养护室环境参数检测系统 | |
CN115128978A (zh) | 物联网环境大数据检测与智能监控系统 | |
CN114399024B (zh) | 油气浓度大数据智能检测系统 | |
CN114358244B (zh) | 基于物联网的压力大数据智能检测系统 | |
CN114417242B (zh) | 畜禽活动信息的大数据检测系统 | |
CN114970745B (zh) | 物联网智能安防与环境大数据系统 | |
CN114386672B (zh) | 环境大数据物联网智能检测系统 | |
CN115062764B (zh) | 光照度智能调节与环境参数物联网大数据系统 | |
CN114995248A (zh) | 智能养护与环境参数大数据物联网系统 |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20231215 Address after: 318000, No.1 Longpu Road, Dongcheng Street, Huangyan District, Taizhou City, Zhejiang Province Patentee after: Zhejiang Yinxiang Fire Engineering Co.,Ltd. Address before: 223400 8th floor, Anton building, No. 10, Hai'an Road, Lianshui County, Huai'an City, Jiangsu Province Patentee before: HUAIYIN INSTITUTE OF TECHNOLOGY |
|
TR01 | Transfer of patent right |