CN115457720A - 基于探测信号相关性的实时多探测器火灾探测方法及装置 - Google Patents
基于探测信号相关性的实时多探测器火灾探测方法及装置 Download PDFInfo
- Publication number
- CN115457720A CN115457720A CN202210868222.XA CN202210868222A CN115457720A CN 115457720 A CN115457720 A CN 115457720A CN 202210868222 A CN202210868222 A CN 202210868222A CN 115457720 A CN115457720 A CN 115457720A
- Authority
- CN
- China
- Prior art keywords
- fire
- detector
- response
- time
- correlation coefficient
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 111
- 230000004044 response Effects 0.000 claims abstract description 187
- 230000002159 abnormal effect Effects 0.000 claims abstract description 45
- 238000000034 method Methods 0.000 claims abstract description 45
- 238000004364 calculation method Methods 0.000 claims abstract description 16
- 238000012544 monitoring process Methods 0.000 claims abstract description 16
- 238000005452 bending Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims description 37
- 238000004140 cleaning Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 5
- 230000005856 abnormality Effects 0.000 claims description 4
- 238000012821 model calculation Methods 0.000 claims description 4
- 238000005215 recombination Methods 0.000 claims description 4
- 230000006798 recombination Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 2
- 239000000523 sample Substances 0.000 claims 2
- 230000008569 process Effects 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 239000000779 smoke Substances 0.000 description 7
- 238000013473 artificial intelligence Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004904 shortening Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 235000013194 Lyophyllum decastes Nutrition 0.000 description 1
- 240000005856 Lyophyllum decastes Species 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000009835 boiling Methods 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000005406 washing 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
- G08B17/06—Electric actuation of the alarm, e.g. using a thermally-operated switch
Landscapes
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Fire Alarms (AREA)
Abstract
本公开公开了一种基于探测信号相关性的实时多探测器火灾探测方法及装置。主要技术方案包括：探测系统监测到某探测器产生异常数据后，将所述探测器第一个异常时刻点t1开始至以后的探测信号的集合作为响应信号，对所有响应探测器发送的响应信号进行处理，计算t时刻所有探测信号的最终的相关系数，若最终相关系数大于或者等于预设报警阈值，则确定发生火灾。该探测方法结合了时间序列形状相似、动态弯曲下最短路径配对和相关系数计算原理，使得火灾探测的准确性得以提高。
Description
技术领域
本公开涉及数据处理技术领域，尤其涉及一种基于探测信号相关性的实时多探测器火灾探测方法及装置。
背景技术
建筑火灾不仅对经济和环境带来严重的危害，还会严重危害人们的生命安全。火灾探测产生的早期预警可以为人们争取到逃生和扑火的宝贵时间。然而，建筑内的探测器存在严重的误报率。探测器的高误报率不仅影响人们的日常工作和生活，还会导致人们对自动火灾报警系统的响应失去信心。如何缩短报警时间、提高报警精度并且一直是火灾探测系统发展的挑战和火灾探测研究的目标。
目前，多探测器报警的方法为火灾探测提供了一个通用的方法。例如利用贝叶斯推断、卡尔曼滤波和深度学习算法对大量响应信号进行训练并估计，以求出火源参数。但是这些方法在实际应用中会存在以下问题：即使对于给定的建筑和空间，由于火源种类、火源位置、通风方式、探测器种类及探测器布置方式均具有不确定性，依靠数值模拟会存在探测火灾误报和漏报问题。
发明内容
本公开提供了一种基于探测信号相关性的实时多探测器火灾探测方法及装置、电子设备和存储介质。其主要目的是通过同一建筑区域内火灾时探测器信号相似性解决探测器误报和漏报问题。
根据本公开的第一方面，提供了一种基于探测信号相关性的实时多探测器火灾探测方法，包括：
在确定出探测器在目标异常数据时，将所述探测器第一个异常时刻点t1开始至以后的探测信号的集合作为响应信号；
对所有响应探测器发送的响应信号进行处理，以确保每个探测器在t时刻的响应信号的有效个数相同；
计算t时刻所有探测信号最终的相关系数；
若最终的相关系数大于或者等于预设报警阈值，则确定发生火灾。
可选的，在在确定出探测器在目标异常数据时之前，方法还包括：
选取大小为N的处理窗口，其中所述处理窗口是每个窗口包含数据点数为N的火灾探测器输出数据；
确定在未发生火灾下所述处理窗口中火灾探测器输出数据随时间的变化趋势；
基于在不同时间下变化趋势对应的值对火灾探测器输出数据进行清洗，得到探测器响应信号数据。
可选的，在确定出探测器在目标异常数据时包括：
若连续预设个数的清洗后的响应信号均存在异常，则确认存在目标异常数据。
可选的，将所述探测器第一个异常时刻点t1开始至以后的探测信号的集合作为响应信号，包括：
记录t时刻接收到了k个探测器发出的火灾响应信号，记第k-1个响应信号表示为：
k>1；
其中，
表示在第t时刻的第k-1个响应信号的值，tk-1为第k-1个响应探测器发出火灾响应信号的时刻；
记录t时刻第k个响应信号为：
其中，
表示在第t时刻第k个响应信号的值，tk表示为第k个响应探测器发出火灾响应信号的时刻。
可选的，计算t时刻所有探测信号最终的相关系数包括：
将t时刻任意至少两个探测器的响应信号输入预设相似度模型，以便由预设相似度模型计算探测器的响应信号之间的相关系数；
获取任意至少两个探测器响应信号之间的相关系数；
根据探测器响应顺序计算与之相关的多个相关系数的最大值；
计算多个相关系数的最大值的平均相关系数，并将平均相关系数作为在t时刻所有火灾探测器响应下的最终的相关系数。
可选的，确定发生火灾包括：
若持续监测计算得到的相关系数值均大于或等于预设的报警阈值，则确定为火灾，并发出火警信号；
若持续监测计算得到的相关系数值小于预设的报警阈值，则确定为非火灾。
可选的，预设相似度模型计算步骤包括以下步骤：
利用动态时间规划的算法求得非等长的探测响应信号动态弯曲下的最短路径配对；
搜索出配对的最短路径对应的信号值，并对响应信号重新组合；
将重组的响应信号序列带入到Pearson相关系数公式计算相关系数。
可选的，预设相关系数通过下述公式计算相关系数：
其中，X1和X2分别代表两个探测器重组后的响应信号，cov(X1,X2)是协方差，
分别为两个探测器的响应信号时间序列的方差，
分别是两个探测器的响应信号时间序列均值，n是时间序列的长度。
根据本公开的第二方面，提供了一种基于探测信号相关性的实时多探测器火灾探测装置，包括：
记录保存单元，用于在确定出探测器在目标异常数据时，将所述探测器第一个异常时刻点t1开始至以后的探测信号的集合作为响应信号；
处理单元，用于对所有响应探测器发送的响应信号进行处理，以确保每个探测器在t时刻的响应信号的有效个数相同；
计算单元，用于计算t时刻所有探测信号最终的相关系数；
第一确定单元，用于当确定相关系数大于或者等于预设报警阈值时，确定发生火灾。
可选的，装置还包括：
选取单元，用于在确定出探测器在目标异常数据时之前，选取大小为N的处理窗口，其中所述处理窗口是每个窗口包含数据点数为N的火灾探测器输出数据；
第二确定单元，用于确定在未发生火灾下所述处理窗口中火灾探测器输出数据随时间的变化趋势；
清洗单元，用于基于在不同时间下变化趋势对应的值对火灾探测器输出数据进行清洗，得到探测器响应信号数据。
可选的，第一确定单元，还用于当连续预设个数的清洗后的响应信号均存在异常时，确认存在目标异常数据。
可选的，记录保存单元，包括：
记录t时刻接收到了k个探测器发出的火灾响应信号，记第k-1个响应信号表示为：
k>1；
其中，
表示在第t时刻的第k-1个响应信号的值，tk-1为第k-1个响应探测器发出火灾响应信号的时刻；
记录t时刻第k个响应信号为：
其中，
表示在第t时刻第k个响应信号的值，tk表示为第k个响应探测器发出火灾响应信号的时刻。
可选的，计算单元包括：
将t时刻任意至少两个探测器的响应信号输入预设相似度模型，以便由预设相似度模型计算探测器的响应信号之间的相关系数；
获取任意至少两个探测器响应信号之间的相关系数；
根据探测器响应顺序计算与之相关的多个相关系数的最大值；
计算多个相关系数的最大值的平均相关系数，并将平均相关系数作为在t时刻所有火灾探测器响应下的最终的相关系数。
可选的，第一确定单元包括：
可选的，第一确定单元包括：
若持续监测计算得到的相关系数值均大于或等于预设的报警阈值，则确定为火灾，并发出火警信号；
若持续监测计算得到的相关系数值小于预设的报警阈值，则确定为非火灾。
可选的，预设相似度模型计算包括以下步骤：
利用动态时间规划的算法求得非等长的探测响应信号动态弯曲下的最短路径配对；
搜索出配对的最短路径对应的信号值，并对响应信号重新组合；
将重组的响应信号序列带入到Pearson相关系数公式计算相关系数。
可选的，通过下述公式计算相关系数：：
其中，X1和X2分别代表两个探测器重组后的响应信号，cov(X1,X2)是协方差，
分别为两个探测器的响应信号时间序列的方差，
分别是两个探测器的响应信号时间序列均值，n是时间序列的长度。
根据本公开的第三方面，提供了一种电子设备，包括：
至少一个处理器；以及
与至少一个处理器通信连接的存储器；其中，
存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行前述第一方面的方法。
根据本公开的第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行前述第一方面的方法。
根据本公开的第五方面，提供了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现如前述第一方面的方法。
本公开提供的基于探测信号相关性的实时多探测器火灾探测方法、装置、电子设备和存储介质，探测系统监测到某探测器产生异常数据后，将所述探测器第一个异常时刻点t1开始至以后的探测信号的集合作为响应信号，对所有响应探测器发送的响应信号进行处理，计算t时刻所有探测信号的最终的相关系数，若最终相关系数大于或者等于预设报警阈值，则确定发生火灾。该探测方法结合了时间序列形状相似、动态弯曲下最短路径配对和相关系数计算原理，使得火灾探测的准确性得以提高。
应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1为本公开实施例所提供的一种基于探测信号相关性的实时多探测器火灾探测方法的流程示意图；
图2为本公开实施例提供的一种开展火灾实验的建筑结构示意图；
图3为本公开实施例提供的一种基于探测信号相关性的实时多探测器火灾探测装置的结构示意图；
图4为本公开实施例提供的一种基于探测信号相关性的实时多探测器火灾探测装置的结构示意图；
图5为本公开实施例提供的示例电子设备300的示意性框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
下面参考附图描述本公开实施例的基于探测信号相关性的实时多探测器火灾探测方法、装置、电子设备和存储介质。
图1为本公开实施例所提供的一种基于探测信号相关性的实时多探测器火灾探测方法的流程示意图。
如图1所示，该方法包含以下步骤：
步骤101，在确定出探测器在目标异常数据时，将所述探测器第一个异常时刻点t1开始至以后的探测信号的集合作为响应信号。
本申请实施例适用于建筑室内空间，且对建筑类型无要求。建筑空间以防火分区为单元进行划分。当第一个探测器产生响应信号时，考虑该探测器所属防火分区以及与之相邻防火分区的火灾探测器响应情况，而不能跨防火分区对探测器进行监控，以减少存储和计算空间。
本申请实施例火灾探测器类型不限，但应均为模拟量探测器，以一定时间间隔发送探测器响应信号数据；探测器安装要求及类型选择应满足国标《建筑设计防火规范GB50016-2014》和《火灾自动报警系统设计规范GB50116-2013》的要求。
本方法的火灾报警时间会受到探测器数量、种类和位置，探测器采样频率、火源种类等因素的影响。因此，若要实现火灾的极早期报警，在火源参数一定的情况下，可以通过适当增加探测器数量，将感烟探测器换成气体探测器，缩短探测器位置间隔和采样频率等方式来提高探测效果。
在防火分区中任意火灾探测器存在持续异常数据时，则监控到持续异常数据对应的第一异常时刻点开始至以后的探测信号的集合为响应信号，第一异常时刻时间点为火灾响应时刻，接收到第一个探测器响应时刻为t1。
为了增加火警探测的准确性，在预设建筑空间中任意探测器监测出目标异常数据后，记录t时刻接收到了k个探测器发出的火灾响应信号，记第k-1个响应信号表示为：
k>1；
其中，
表示在第t时刻的第k-1个响应信号的值，tk-1为第k-1个响应探测器发出火灾响应信号的时刻；
记录t时刻第k个响应信号为：
其中，
表示在第t时刻第k个响应信号的值，tk表示为第k个响应探测器发出火灾响应信号的时刻。
步骤102，对所有响应探测器发送的响应信号进行处理，以确保每个探测器在t时刻的响应信号的有效个数相同；
记t时刻第k个火灾响应信号为
其响应信号个数为t-tk个；
第一个火灾响应信号为
第k-1个火灾响应信号为
步骤103，计算t时刻所有探测信号最终的相关系数；
本申请实施例采用的相似度模型是导数动态时间规整算法(Derivative DynamicTime Warping(，DDTW)和Pearson相关系数组合模型。DDTW算法是动态时间规划算法(DTW)的改进，通过考虑时间序列的一阶导数获得更多的序列形状信号，再根据两个响应信号时间序列的形状相似下寻求最短路径。
步骤104，若最终的相关系数大于或者等于预设报警阈值，则确定发生火灾。
预设报警阈值为一经验值，与其具体应用场景中探测器的数量相关。举例而言，本申请实施例在2个探测器响应下的报警阈值时，可设置预设报警阈值为0.84,3个探测器响应下，可设预设报警阈值为0.85,4个探测器响应下预设报警阈值是0.86,5个探测器响应下预设报警阈值是0.87等等，本申请实施例对预设报警阈值不进行具体限定。
本公开提供的基于探测信号相关性的实时多探测器火灾探测方法，探测系统监测到某探测器产生异常数据后，将所述探测器第一个异常时刻点t1开始至以后的探测信号的集合作为响应信号，对所有响应探测器发送的响应信号进行处理，计算t时刻所有探测信号的最终的相关系数，若最终相关系数大于或者等于预设报警阈值，则确定发生火灾。该探测方法结合了时间序列形状相似、动态弯曲下最短路径配对和相关系数计算原理，使得火灾探测的准确性得以提高。
对获取到的所有原始火灾探测数据进行预处理，具体方法为：首先，选取大小为N的处理窗口，其中所述处理窗口是每个窗口包含数据点数为N的火灾探测器输出数据，接着，统计在未发生火灾下所述处理窗口中数据随时间的变化趋势，通常得到线性关系，记录该线性关系参数。最后，在后续的处理窗口中，将探测数据减去之前归纳得到的线性函数在不同时间下对应的值，保存滑动窗口处理后探测信号信息。若连续预设个数的清洗后的响应信号均存在异常，则确认存在目标异常数据。
本申请实施例的主要思路是：基于建筑火灾中不同位置下火灾信号具有一定相似性的原理，通过建立信号相似度模型，利用建筑中安装的各种模拟量探测器的监测数据确定火警。
在计算t时刻所有探测信号最终的相关系数包括：将t时刻任意至少两个探测器的响应信号输入预设相似度模型，以便由预设相似度模型计算探测器的响应信号之间的相关系数，获取任意至少两个探测器响应信号之间的相关系数，根据探测器响应顺序计算与之相关的多个相关系数的最大值，计算多个相关系数的最大值的平均相关系数，并将平均相关系数作为在t时刻所有火灾探测器响应下的最终的相关系数。
预设相似度模型通过下述公式计算探测器的响应信号之间的相关系数：
其中，X1和X2分别代表两个探测器的响应信号时间序列，cov(X1,X2)是协方差，
分别为两个探测器的响应信号时间序列的方差，
分别是两个探测器的响应信号时间序列均值，n是时间序列的长度。
为了进一步增加火灾探测结果的准确性，确定出探测器在目标异常数据包括：若连续预设个数的清洗后的响应信号均存在异常，则确认存在目标异常数据。
示例性的，本实施例中采用了8个连续时刻，如果持续监测的相关系数均超过该响应探测器个数对应的报警阈值，则确定为火灾并发出火警信号；否则，判定为多个探测器相继受干扰源影响，该事件为非火警，并重新进行监测。该模型输出火警或非火警判断，实现对火灾的报警。
需要说明的是，由于探测数据是实时更新的，因此该方法的监测报警也是实时的。
本实施例火灾数据使用的是美国国家标准与技术研究院(NIST)开展的建筑火灾探测实验。实验场景为人工建设的多房间的复杂建筑，建筑结构如图2所示。探测器的种类及和布置位置，以及火源的起火位置可见图2。火灾探测器的种类包括光电感烟探测器、离子感烟探测器、热电偶(感温探测器)、二氧化碳气体传感器，探测器采样时间间隔为2秒和5秒不等。根据不同火源位置及探测器类型，共设置了15组火源场景共46组探测器组合。本申请实施例实施例干扰源类型为厨房油烟干扰，选用的厨房场景为煎牛排(4组)、炸鸡翅(2组)、炒蔬菜(4组)，烤面包片(3组)和烧水(4组)五种共17组厨房常见的场景。厨房干扰试验场景选在长30米，高3米，宽度在0—3米可调的狭长空间进行。厨房干扰探测器选用热电偶(感温探测器)和光学烟密度计(感烟探测器)组成，热电偶的采样频率是0.5s，光学烟密度计采样频率是1s。
应用本申请实施例火灾探测模型对实施例15组火源场景共46组探测器组合和厨房干扰源场景17组探测器组合进行测试，所有实施例的火警判断准确率如图4所示。由图4可知，该火灾探测模型报警准确度为95.2％，其中火灾漏报率为0，误报率为17.6％。
关于本申请实施例火灾探测模型报警时效性。实施例的火灾探测实验中，NIST分别使用低报警阈值、中报警阈值和高报警阈值的传统阈值报警模型得到不同探测器组合的报警时间。同样也使用本申请实施例的火灾探测模型求得模型的报警时间。所有模型的报警时间汇总在表1中。如表1所示，
表1.火灾报警模型和传统报警阈值模型下的火灾报警时间
对于传统的阈值报警模型，当只有一个探测器报警时，高误报率背景下无法判断报警的准确性。提高报警阈值可以在一定程度上降低探测器的虚警率，但也会增加报警响应时间。在一定时间内，探测器报警次数越多，火灾真实报警的概率越大。对于传统阈值报警模型而言，由于未能利用探测器报警之前的数据，导致探测器未知性增大，时间延误加长。虽然本申请实施例的火灾探测模型在只有一个探测器响应时无法做出火警判断，但与传统的阈值报警模型在多个探测器报警情况相比，本申请实施例的火灾探测模型可以对接收的所有响应信号进行实时处理，因此报警时间会缩短。
关于本申请实施例火灾探测模型对未报警探测器的报警有效性。当探测器信号未达到传统阈值报警模型的报警条件时，探测器没有发出报警。从实施例的火灾探测实验中选取11组火灾未报警的探测器组合，利用本申请实施例中的火灾探测器进行报警验证，结果发现先前未报警的探测器组合利用本申请实施例报警模型实现火灾报警。表2汇总了该11组火源场景、报警器组合以及本研究模型的报警时间。
表2.未报警探测器组合在本申请实施例火灾报警模型下的火灾报警时间
上述方法可应用于安全云平台中，安全云平台分为三层结构，第一层针对社会单位，第二层是区域中心，第三层是总中心。
第一层前端感知层，以社会单位作为一个整体，建立火灾报警系统，通过多个火灾探测器对火情进行监测。具体实施步骤：
监测社会单位的火灾报警系统中是否存在探测器异常数据；
第二层区域中心主要针对城市，以地域为单位，将第一层社会单位的火灾报警系统的信号接入区域中心，区域中心通过上述实施例的流程进行火灾的真假判断。区域中心具体实施步骤：
在确定出探测器在目标异常数据时，将所述探测器第一个异常时刻点t1开始至以后的探测信号的集合作为响应信号；
对所有响应探测器发送的响应信号进行处理，以确保每个探测器在t时刻的响应信号的有效个数相同；
计算t时刻所有探测信号最终的相关系数；
若最终的相关系数大于或者等于预设报警阈值，则确定发生火灾。
区域中心将火警信号同时传入给第一层社会单位，同时也向当地消防救援单位提供火警信息。
第三层
各区域中心将火灾报警案例实时上传到总中心，形成区域火灾报警案例库。火灾报警模型在不断增多的火灾案例库下不断进行更新迭代，更新后的报警模型反馈给第二层区域中心。
与上述的基于探测信号相关性的实时多探测器火灾探测方法相对应，本申请实施例还提出一种基于探测信号相关性的实时多探测器火灾探测装置。由于本申请实施例的装置实施例与上述的方法实施例相对应，对于装置实施例中未披露的细节可参照上述的方法实施例，本申请实施例中不再进行赘述。
图3为本公开实施例提供的一种基于探测信号相关性的实时多探测器火灾探测装置的结构示意图，如图3所示，包括：
记录保存单元22，用于在确定出探测器在目标异常数据时，将所述探测器第一个异常时刻点t1开始至以后的探测信号的集合作为响应信号；
处理单元22，用于对所有响应探测器发送的响应信号进行处理，以确保每个探测器在t时刻的响应信号的有效个数相同；
计算单元23，用于计算t时刻所有探测信号最终的相关系数；
第一确定单元24，用于当确定相关系数大于或者等于预设报警阈值时，确定发生火灾。
本公开提供的基于探测信号相关性的实时多探测器火灾探测装置，探测系统监测到某探测器产生异常数据后，将所述探测器第一个异常时刻点t1开始至以后的探测信号的集合作为响应信号，对所有响应探测器发送的响应信号进行处理，计算t时刻所有探测信号的最终的相关系数，若最终相关系数大于或者等于预设报警阈值，则确定发生火灾。该探测方法结合了时间序列形状相似、动态弯曲下最短路径配对和相关系数计算原理，使得火灾探测的准确性得以提高。
进一步地，在本实施例一种可能的实现方式中，如图4所示，装置还包括：
选取单元25，用于在确定出探测器在目标异常数据时之前，选取大小为N的处理窗口，其中所述处理窗口是每个窗口包含数据点数为N的火灾探测器输出数据；
第二确定单元26，用于确定在未发生火灾下所述处理窗口中火灾探测器输出数据随时间的变化趋势；
清洗单元27，用于基于在不同时间下变化趋势对应的值对火灾探测器输出数据进行清洗，得到探测器响应信号数据。
进一步地，在本实施例一种可能的实现方式中，当连续预设个数的清洗后的响应信号均存在异常时，确认存在目标异常数据。
进一步地，在本实施例一种可能的实现方式中，记录保存单元21，包括：
记录t时刻接收到了k个探测器发出的火灾响应信号，记第k-1个响应信号表示为：
k>1；
其中，
表示在第t时刻的第k-1个响应信号的值，tk-1为第k-1个响应探测器发出火灾响应信号的时刻；
记录t时刻第k个响应信号为：
其中，
表示在第t时刻第k个响应信号的值，tk表示为第k个响应探测器发出火灾响应信号的时刻。
进一步地，在本实施例一种可能的实现方式中，计算单元23包括：
将t时刻任意至少两个探测器的响应信号输入预设相似度模型，以便由预设相似度模型计算探测器的响应信号之间的相关系数；
获取任意至少两个探测器响应信号之间的相关系数；
根据探测器响应顺序计算与之相关的多个相关系数的最大值；
计算多个相关系数的最大值的平均相关系数，并将平均相关系数作为在t时刻所有火灾探测器响应下的最终的相关系数。
进一步地，在本实施例一种可能的实现方式中，第一确定单元24包括：
若持续监测计算得到的相关系数值均大于或等于预设的报警阈值，则确定为火灾，并发出火警信号；
若持续监测计算得到的相关系数值小于预设的报警阈值，则确定为非火灾。
进一步地，在本实施例一种可能的实现方式中，预设相似度模型计算包括以下步骤：
利用动态时间规划的算法求得非等长的探测响应信号动态弯曲下的最短路径配对；
搜索出配对的最短路径对应的信号值，并对响应信号重新组合；
将重组的响应信号序列带入到Pearson相关系数公式计算相关系数。
进一步地，在本实施例一种可能的实现方式中，通过下述公式计算相关系数：
其中，X1和X2分别代表两个探测器重组后的响应信号，cov(X1,X2)是协方差，
分别为两个探测器的响应信号时间序列的方差，
分别是两个探测器的响应信号时间序列均值，n是时间序列的长度。
需要说明的是，前述对方法实施例的解释说明，也适用于本实施例的装置，原理相同，本实施例中不再限定。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图5示出了可以用来实施本公开的实施例的示例电子设备300的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图5所示，设备300包括计算单元301，其可以根据存储在ROM(Read-OnlyMemory，只读存储器)302中的计算机程序或者从存储单元308加载到RAM(Random AccessMemory，随机访问/存取存储器)303中的计算机程序，来执行各种适当的动作和处理。在RAM303中，还可存储设备300操作所需的各种程序和数据。计算单元301、ROM 302以及RAM 303通过总线304彼此相连。I/O(Input/Output，输入/输出)接口305也连接至总线304。
设备300中的多个部件连接至I/O接口305，包括：输入单元306，例如键盘、鼠标等；输出单元307，例如各种类型的显示器、扬声器等；存储单元308，例如磁盘、光盘等；以及通信单元309，例如网卡、调制解调器、无线通信收发机等。通信单元309允许设备300通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元301可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元301的一些示例包括但不限于CPU(Central Processing Unit，中央处理单元)、GPU(Graphic Processing Units，图形处理单元)、各种专用的AI(Artificial Intelligence，人工智能)计算芯片、各种运行机器学习模型算法的计算单元、DSP(Digital SignalProcessor，数字信号处理器)、以及任何适当的处理器、控制器、微控制器等。计算单元301执行上文所描述的各个方法和处理，例如基于探测信号相关性的实时多探测器火灾探测方法。例如，在一些实施例中，基于探测信号相关性的实时多探测器火灾探测方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元308。在一些实施例中，计算机程序的部分或者全部可以经由ROM 302和/或通信单元309而被载入和/或安装到设备300上。当计算机程序加载到RAM 303并由计算单元301执行时，可以执行上文描述的方法的一个或多个步骤。备选地，在其他实施例中，计算单元301可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行前述基于探测信号相关性的实时多探测器火灾探测方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、FPGA(Field Programmable Gate Array，现场可编程门阵列)、ASIC(Application-Specific Integrated Circuit，专用集成电路)、ASSP(Application Specific StandardProduct，专用标准产品)、SOC(System On Chip，芯片上系统的系统)、CPLD(ComplexProgrammable Logic Device，复杂可编程逻辑设备)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、RAM、ROM、EPROM(Electrically Programmable Read-Only-Memory，可擦除可编程只读存储器)或快闪存储器、光纤、CD-ROM(Compact Disc Read-Only Memory，便捷式紧凑盘只读存储器)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(Cathode-Ray Tube，阴极射线管)或者LCD(Liquid Crystal Display，液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：LAN(LocalArea Network，局域网)、WAN(Wide Area Network，广域网)、互联网和区块链网络。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。
其中，需要说明的是，人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。
Claims (19)
1.一种基于探测信号相关性的实时多探测器火灾探测方法，其特征在于，包括：
在确定出探测器在目标异常数据时，将所述探测器第一个异常时刻点t1开始至以后的探测信号的集合作为响应信号；
对所有响应探测器发送的响应信号进行处理，以确保每个探测器在t时刻的响应信号的有效个数相同；
计算t时刻所有探测信号最终的相关系数；
若最终的相关系数大于或者等于预设报警阈值，则确定发生火灾。
2.根据权利要求1所述的方法，其特征在于，在确定出探测器在目标异常数据之前，方法还包括：
选取大小为N的处理窗口，其中所述处理窗口是每个窗口包含数据点数为N的火灾探测器输出数据；
确定在未发生火灾下所述处理窗口中火灾探测器输出数据随时间的变化趋势；
基于在不同时间下变化趋势对应的值对火灾探测器输出数据进行清洗，得到探测器响应信号。
3.根据权利要求2所述的方法，其特征在于，所述确定出探测器在目标异常数据包括：
若连续预设个数的清洗后的响应信号均存在异常，则确认存在目标异常数据。
4.根据权利要求1所述的方法，其特征在于，所述将所述探测器第一个异常时刻点t1开始至以后的探测信号的集合作为响应信号，包括：
记录t时刻接收到了k个探测器发出的火灾响应信号，记第k-1个响应信号表示为：
其中，
表示在第t时刻的第k-1个响应信号的值，tk-1为第k-1个响应探测器发出火灾响应信号的时刻；
记录t时刻第k个响应信号为：
其中，
表示在第t时刻第k个响应信号的值，tk表示为第k个响应探测器发出火灾响应信号的时刻。
5.根据权利要求1-4中任一项所述的方法，其特征在于，所述计算t时刻所有探测信号最终的相关系数包括：
将t时刻任意至少两个探测器的响应信号输入预设相似度模型，获取任意至少两个探测器响应信号之间的相关系数；
根据探测器响应顺序计算与之相关的多个相关系数的最大值；
计算多个相关系数的最大值的平均相关系数，并将平均相关系数作为在t时刻所有火灾探测器响应下的最终的相关系数。
6.根据权利要求1的方法，其特征在于，确定发生火灾包括：
若持续监测计算得到的相关系数值均大于或等于预设的报警阈值，则确定为火灾，并发出火警信号；
若持续监测计算得到的相关系数值小于预设的报警阈值，则确定为非火灾。
7.根据权利要求5所述所述的方法，其特征在于，预设相似度模型计算包括以下步骤：
利用动态时间规划的算法求得非等长的探测响应信号动态弯曲下的最短路径配对；
搜索出配对的最短路径对应的信号值，并对响应信号重新组合；
将重组的响应信号序列带入到Pearson相关系数公式计算相关系数。
8.根据权利要求7所述的方法，其特征在于，通过下述公式计算相关系数：
其中，X1和X2分别代表两个探测器重组后的响应信号，cov(X1,X2)是协方差，
分别为两个探测器的响应信号时间序列的方差，
分别是两个探测器的响应信号时间序列均值，n是时间序列的长度。
9.一种基于探测信号相关性的实时多探测器火灾探测装置，其特征在于，包括：
记录保存单元，用于在确定出探测器在目标异常数据时，将所述探测器第一个异常时刻点t1开始至以后的探测信号的集合作为响应信号；
处理单元，用于对所有响应探测器发送的响应信号进行处理，以确保每个探测器在t时刻的响应信号的有效个数相同；
计算单元，用于计算t时刻所有探测信号最终的相关系数；
第一确定单元，用于当最终的相关系数大于或者等于预设报警阈值，则确定发生火灾。
10.根据权利要求9所述的装置，其特征在于，装置还包括：
选取单元，用于在确定出探测器在目标异常数据时之前，选取大小为N的处理窗口，其中所述处理窗口是每个窗口包含数据点数为N的火灾探测器输出数据；
第二确定单元，用于确定在未发生火灾下所述处理窗口中火灾探测器输出数据随时间的变化趋势；
清洗单元，用于基于在不同时间下变化趋势对应的值对火灾探测器输出数据进行清洗，得到探测器响应信号数据。
11.根据权利要求10所述的装置，其特征在于，当连续预设个数的清洗后的响应信号均存在异常时，确认存在目标异常数据。
12.根据权利要求9所述的装置，其特征在于，记录保存单元，包括：
记录t时刻接收到了k个探测器发出的火灾响应信号，记第k-1个响应信号表示为：
其中，
表示在第t时刻的第k-1个响应信号的值，tk-1为第k-1个响应探测器发出火灾响应信号的时刻；
记录t时刻第k个响应信号为：
其中，
表示在第t时刻第k个响应信号的值，tk表示为第k个响应探测器发出火灾响应信号的时刻。
13.根据权利要求12所述的装置，其特征在于，所述计算单元包括：
将t时刻任意至少两个探测器的响应信号输入预设相似度模型，以便由预设相似度模型计算探测器的响应信号之间的相关系数；
获取任意至少两个探测器响应信号之间的相关系数；
根据探测器响应顺序计算与之相关的多个相关系数的最大值；
计算多个相关系数的最大值的平均相关系数，并将平均相关系数作为在t时刻所有火灾探测器响应下的最终的相关系数。
14.根据权利要求9所述的装置，其特征在于，第一确定单元包括：
若持续监测计算得到的相关系数值均大于或等于预设的报警阈值，则确定为火灾，并发出火警信号；
若持续监测计算得到的相关系数值小于预设的报警阈值，则确定为非火灾。
15.根据权利要求14所述的装置，其特征在于，预设相似度模型计算包括以下步骤：
利用动态时间规划的算法求得非等长的探测响应信号动态弯曲下的最短路径配对；
搜索出配对的最短路径对应的信号值，并对响应信号重新组合；
将重组的响应信号序列带入到Pearson相关系数公式计算相关系数。
16.根据权利要求15所述的装置，其特征在于，通过下述公式计算相关系数：
其中，X1和X2分别代表两个探测器重组后的响应信号，cov(X1,X2)是协方差，
分别为两个探测器的响应信号时间序列的方差，
分别是两个探测器的响应信号时间序列均值，n是时间序列的长度。
17.一种电子设备，其特征在于，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-8中任一项所述的方法。
18.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行根据权利要求1-8中任一项所述的方法。
19.一种计算机程序产品，其特征在于，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-8中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210868222.XA CN115457720B (zh) | 2022-07-21 | 2022-07-21 | 基于探测信号相关性的实时多探测器火灾探测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210868222.XA CN115457720B (zh) | 2022-07-21 | 2022-07-21 | 基于探测信号相关性的实时多探测器火灾探测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115457720A true CN115457720A (zh) | 2022-12-09 |
| CN115457720B CN115457720B (zh) | 2024-07-16 |
Family
ID=84296784
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210868222.XA Active CN115457720B (zh) | 2022-07-21 | 2022-07-21 | 基于探测信号相关性的实时多探测器火灾探测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115457720B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4161727A (en) * | 1976-09-15 | 1979-07-17 | Siemens Aktiengesellschaft | Process for generating and transmitting different analog measured values to a central control from a plurality of fire alarm circuits which are arranged in the form of a chain in an alarm loop |
| CN101251942A (zh) * | 2008-03-14 | 2008-08-27 | 华南理工大学 | 地下空间火灾智能检测预警预报方法及装置 |
| CN101719299A (zh) * | 2009-11-10 | 2010-06-02 | 天津市浦海新技术有限公司 | 一种火灾、可燃气体报警系统及方法 |
| CN102155265A (zh) * | 2011-03-29 | 2011-08-17 | 天地（常州）自动化股份有限公司 | 监测煤矿监控系统中的瓦斯量监测信息异常的方法 |
| CN104505949A (zh) * | 2015-01-22 | 2015-04-08 | 中国矿业大学 | 一种矿井电网监控与保障系统 |
-
2022
- 2022-07-21 CN CN202210868222.XA patent/CN115457720B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4161727A (en) * | 1976-09-15 | 1979-07-17 | Siemens Aktiengesellschaft | Process for generating and transmitting different analog measured values to a central control from a plurality of fire alarm circuits which are arranged in the form of a chain in an alarm loop |
| CN101251942A (zh) * | 2008-03-14 | 2008-08-27 | 华南理工大学 | 地下空间火灾智能检测预警预报方法及装置 |
| CN101719299A (zh) * | 2009-11-10 | 2010-06-02 | 天津市浦海新技术有限公司 | 一种火灾、可燃气体报警系统及方法 |
| CN102155265A (zh) * | 2011-03-29 | 2011-08-17 | 天地（常州）自动化股份有限公司 | 监测煤矿监控系统中的瓦斯量监测信息异常的方法 |
| CN104505949A (zh) * | 2015-01-22 | 2015-04-08 | 中国矿业大学 | 一种矿井电网监控与保障系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115457720B (zh) | 2024-07-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9712549B2 (en) | System, apparatus, and method for detecting home anomalies | |
| EP3671466B1 (en) | Unsupervised anomaly detection for arbitrary time series | |
| EP3258426A1 (en) | Automatic condition monitoring and anomaly detection for predictive maintenance | |
| CN113177469B (zh) | 人体属性检测模型的训练方法、装置、电子设备及介质 | |
| JP6650305B2 (ja) | 行動分析システムおよびプログラム | |
| KR102319083B1 (ko) | 인공지능 기반의 화재예방 제공 장치 및 방법 | |
| JP7056823B2 (ja) | ローカル分析の監視のシステム及び方法 | |
| WO2017164946A1 (en) | Early warning prediction system | |
| CN111739243A (zh) | 一种基于d-s证据理论的火灾状态检测方法 | |
| CN116049146B (zh) | 一种数据库故障处理方法、装置、设备及存储介质 | |
| AU2015414783A1 (en) | Method and system for monitoring and predicting gas leak | |
| WO2020144247A1 (en) | Risk stratification based on infection risk and air pollution exposure | |
| Wang et al. | Online fault-tolerant dynamic event region detection in sensor networks via trust model | |
| Chordia et al. | Analyzing and forecasting covid-19 outbreak in India | |
| CN115333783A (zh) | Api调用的异常检测方法、装置、设备及存储介质 | |
| Liu et al. | A fire alarm judgment method using multiple smoke alarms based on Bayesian estimation | |
| CN115457720B (zh) | 基于探测信号相关性的实时多探测器火灾探测方法及装置 | |
| Akazue et al. | FiMoDeAL: pilot study on shortest path heuristics in wireless sensor network for fire detection and alert ensemble | |
| KR20200082823A (ko) | 비화재보 방지 기능을 가지는 IoT 화재 감지 장치 | |
| WO2024001253A1 (zh) | 空调故障检测方法、装置、空调及电子设备 | |
| RU137808U1 (ru) | Судовой аппаратно-программный комплекс для выявления предпожарных ситуаций, обнаружения возгораний и пожаров на ранней стадии, выработки прогноза распространения пожара, выработки рекомендаций вахтенной службе и аварийным партиям по действиям в сложившейся обстановке | |
| CN118675282A (zh) | 基于co2环境背景噪声自适应的复合火灾探测方法及装置 | |
| JP7127301B2 (ja) | 異常センサ検出方法、異常センサ検出システム及び情報処理装置 | |
| Boracchi et al. | A cognitive monitoring system for contaminant detection in intelligent buildings | |
| JP7007026B1 (ja) | 喫煙監視システム、喫煙監視方法、及びプログラム |
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 |