CN115601910B - 一种应用于电气火灾的早期预警电子鼻系统 - Google Patents
一种应用于电气火灾的早期预警电子鼻系统 Download PDFInfo
- Publication number
- CN115601910B CN115601910B CN202211249409.8A CN202211249409A CN115601910B CN 115601910 B CN115601910 B CN 115601910B CN 202211249409 A CN202211249409 A CN 202211249409A CN 115601910 B CN115601910 B CN 115601910B
- Authority
- CN
- China
- Prior art keywords
- sensor
- early warning
- neural network
- electronic nose
- fire
- 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
- UHOVQNZJYSORNB-UHFFFAOYSA-N Benzene Chemical compound C1=CC=CC=C1 UHOVQNZJYSORNB-UHFFFAOYSA-N 0.000 claims abstract description 39
- 238000013528 artificial neural network Methods 0.000 claims abstract description 33
- 239000007789 gas Substances 0.000 claims abstract description 29
- YIWUKEYIRIRTPP-UHFFFAOYSA-N 2-ethylhexan-1-ol Chemical compound CCCCC(CC)CO YIWUKEYIRIRTPP-UHFFFAOYSA-N 0.000 claims abstract description 26
- 229910044991 metal oxide Inorganic materials 0.000 claims abstract description 23
- 150000004706 metal oxides Chemical class 0.000 claims abstract description 23
- 238000005245 sintering Methods 0.000 claims description 31
- 230000004044 response Effects 0.000 claims description 27
- 239000000243 solution Substances 0.000 claims description 25
- PHFQLYPOURZARY-UHFFFAOYSA-N chromium trinitrate Chemical compound [Cr+3].[O-][N+]([O-])=O.[O-][N+]([O-])=O.[O-][N+]([O-])=O PHFQLYPOURZARY-UHFFFAOYSA-N 0.000 claims description 24
- OTCKNHQTLOBDDD-UHFFFAOYSA-K gold(3+);triacetate Chemical compound [Au+3].CC([O-])=O.CC([O-])=O.CC([O-])=O OTCKNHQTLOBDDD-UHFFFAOYSA-K 0.000 claims description 24
- ONDPHDOFVYQSGI-UHFFFAOYSA-N zinc nitrate Chemical compound [Zn+2].[O-][N+]([O-])=O.[O-][N+]([O-])=O ONDPHDOFVYQSGI-UHFFFAOYSA-N 0.000 claims description 24
- 239000012528 membrane Substances 0.000 claims description 23
- 238000000034 method Methods 0.000 claims description 23
- 239000000758 substrate Substances 0.000 claims description 20
- 229910052751 metal Inorganic materials 0.000 claims description 17
- 239000002184 metal Substances 0.000 claims description 17
- 239000007864 aqueous solution Substances 0.000 claims description 15
- 239000002243 precursor Substances 0.000 claims description 15
- PNEYBMLMFCGWSK-UHFFFAOYSA-N aluminium oxide Inorganic materials [O-2].[O-2].[O-2].[Al+3].[Al+3] PNEYBMLMFCGWSK-UHFFFAOYSA-N 0.000 claims description 13
- 239000012266 salt solution Substances 0.000 claims description 13
- XURCIPRUUASYLR-UHFFFAOYSA-N Omeprazole sulfide Chemical compound N=1C2=CC(OC)=CC=C2NC=1SCC1=NC=C(C)C(OC)=C1C XURCIPRUUASYLR-UHFFFAOYSA-N 0.000 claims description 12
- 239000002253 acid Substances 0.000 claims description 12
- YJVFFLUZDVXJQI-UHFFFAOYSA-L palladium(ii) acetate Chemical compound [Pd+2].CC([O-])=O.CC([O-])=O YJVFFLUZDVXJQI-UHFFFAOYSA-L 0.000 claims description 12
- HPGGPRDJHPYFRM-UHFFFAOYSA-J tin(iv) chloride Chemical compound Cl[Sn](Cl)(Cl)Cl HPGGPRDJHPYFRM-UHFFFAOYSA-J 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 239000007788 liquid Substances 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 238000007590 electrostatic spraying Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 8
- KDLHZDBZIXYQEI-UHFFFAOYSA-N palladium Substances [Pd] KDLHZDBZIXYQEI-UHFFFAOYSA-N 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 8
- 229910052763 palladium Inorganic materials 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 230000009471 action Effects 0.000 claims description 5
- 239000003595 mist Substances 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000010438 heat treatment Methods 0.000 claims description 4
- 229910000510 noble metal Inorganic materials 0.000 claims description 4
- 150000003839 salts Chemical class 0.000 claims description 4
- 239000011701 zinc Substances 0.000 claims description 4
- 229910021627 Tin(IV) chloride Inorganic materials 0.000 claims description 3
- 238000005507 spraying Methods 0.000 claims description 3
- 229910052718 tin Inorganic materials 0.000 claims description 3
- 229910052725 zinc Inorganic materials 0.000 claims description 3
- -1 palladium modified tin oxide Chemical class 0.000 description 14
- 239000010931 gold Substances 0.000 description 7
- 229910052737 gold Inorganic materials 0.000 description 6
- BASFCYQUMIYNBI-UHFFFAOYSA-N platinum Substances [Pt] BASFCYQUMIYNBI-UHFFFAOYSA-N 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 229910052697 platinum Inorganic materials 0.000 description 4
- 238000001878 scanning electron micrograph Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000000197 pyrolysis Methods 0.000 description 3
- CSCPPACGZOOCGX-UHFFFAOYSA-N Acetone Chemical compound CC(C)=O CSCPPACGZOOCGX-UHFFFAOYSA-N 0.000 description 2
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 235000019504 cigarettes Nutrition 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000010292 electrical insulation Methods 0.000 description 1
- PJXISJQVUVHSOJ-UHFFFAOYSA-N indium(iii) oxide Chemical class [O-2].[O-2].[O-2].[In+3].[In+3] PJXISJQVUVHSOJ-UHFFFAOYSA-N 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- WSFSSNUMVMOOMR-NJFSPNSNSA-N methanone Chemical compound O=[14CH2] WSFSSNUMVMOOMR-NJFSPNSNSA-N 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- RNWHGQJWIACOKP-UHFFFAOYSA-N zinc;oxygen(2-) Chemical class [O-2].[Zn+2] RNWHGQJWIACOKP-UHFFFAOYSA-N 0.000 description 1
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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
-
- 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B29/00—Checking or monitoring of signalling or alarm systems; Prevention or correction of operating errors, e.g. preventing unauthorised operation
- G08B29/18—Prevention or correction of operating errors
- G08B29/185—Signal analysis techniques for reducing or preventing false alarms or for enhancing the reliability of the system
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Engineering & Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Computing Systems (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analyzing Materials By The Use Of Fluid Adsorption Or Reactions (AREA)
Abstract
本发明提供了一种应用于电气火灾的早期预警电子鼻系统，包括：金属氧化物传感器，所述金属氧化物传感器用于对电气火灾早期释放气体苯和2‑乙基己醇进行识别；神经网络识别系统，所述神经网络识别系统用于根据金属氧化物传感器识别结果，确定是否出现火灾情况，以判定是否进行预警；本发明通过金属氧化物传感器对电气火灾早期释放气体苯和2‑乙基己醇进行识别，然后再通过脉冲神经网络参数，配合预处理算法，组合形成神经网络识别算法，能够根据金属氧化物传感器识别结果，确定是否出现火灾情况，以判定是否进行预警，可以对电气火灾早期释放气体苯和2‑乙基己醇进行准确识别，避免了其它气体的干扰，识别准确性高。
Description
技术领域
本发明涉及仪器仪表技术领域，特别涉及一种应用于电气火灾的早期预警电子鼻系统。
背景技术
由于现在生活和生产中均需要大量电气设备，不仅电气设备繁多，电网铺设四通八达。但由于操作不当，线路老化等原因，极易引发电气火灾，造成人员财产损失。根据调查表明，我国近十年的群死群伤火灾原因，电气火灾占比第一。因此对电气火灾的早期预警尤为重要。
电气火灾通常表现为线路电流的升高而导致温度升高，从而引起电缆起火燃烧。传统的电气火灾监测方法是通过线缆温度，剩余电流和烟雾进行检测，然而这三种检测方式均无法做到准确的提前预警电气火灾的发生。
现有技术中提出：通过气体传感器，检测线缆在温度升高过程中所释放出来的气体对火灾进行提前预警。
在基于气体传感器的火灾预警中，CO是火灾早期的特征产物，然而对于线缆过热早期，还没有发生阴燃时，只是产生热解和有机物挥发，很少有CO产生。同时，生活中厨房，香烟等物品也会产生大量CO，会使传感器产生误报。
国内线缆大都采用PVC做为绝缘层，当线缆温度超过200℃后，PVC会发生热解，产生大量气体。经过研究表明，电缆绝缘热解气体中以苯和2-乙基己醇最为普遍，因此通过对这两种气体进行检测可以有限的对电气火灾进行预警。然而现有的方法均是采用单一传感器对这两种气体进行检测。在实际情况中，这两种气体浓度会随着环境不同有很大变化，同时又会有多种干扰气体产生，单一传感器检测可靠性差。
为此，提出一种应用于电气火灾的早期预警电子鼻系统。
发明内容
有鉴于此，本发明实施例希望提供一种应用于电气火灾的早期预警电子鼻系统，采用由基于多种金属氧化物的传感器组成阵列，并通过神经网络算法对不同电气绝缘热解情况进行训练，达到对电气火灾进行早期预警检测的目的，以解决或缓解现有技术中存在的技术问题，至少提供一种有益的选择。
本发明实施例的技术方案是这样实现的：一种应用于电气火灾的早期预警电子鼻系统，包括：
金属氧化物传感器，所述金属氧化物传感器用于对电气火灾早期释放气体苯和2-乙基己醇进行识别；
神经网络识别系统，所述神经网络识别系统用于根据金属氧化物传感器识别结果，确定是否出现火灾情况，以判定是否进行预警。
进一步优选的：所述金属氧化物传感器采用平板式传感器，其包括敏感膜、氧化铝衬底、电极、加热电阻和基座，所述敏感膜采用静电喷雾方法将金属的盐溶液淀积到氧化铝衬底有电极一侧。
进一步优选的：所述的静电喷雾方法包括以下步骤：
分别将四种一定量的金属盐溶液放入注射器，将注射器的针头连接高压电源正极，氧化铝衬底连接高压电源负极，在电压作用下，注射器中液体呈雾状喷出，在衬底上形成一层液滴，之后通过高温烧结形成一层金属氧化物敏感膜；
所述的金属盐溶液体积为1ml，四种前驱溶液分别为氯化锡和醋酸钯的水溶液、硝酸锌和醋酸金的水溶液、硝酸铟和醋酸金的水溶液以及硝酸铬和氯铂酸溶液；
四种前驱溶液浓度为0.4-0.6mol/L。
进一步优选的：所述四种前驱溶液中个成分比例为：
氯化锡和醋酸钯摩尔比例为Sn:Pd＝100:5；
硝酸锌和醋酸金的摩尔比例为Zn:Au＝100:3；
硝酸铟和醋酸金的摩尔比例为100:3；
硝酸铬和氯铂酸的摩尔比例为Co:Pt＝100:1。
进一步优选的：所述的高温烧结过程为空气中600℃两个小时，经过烧结后，溶液中金属盐氧化形成相应的贵金属修饰氧化物薄膜。
由四种前驱溶液烧结后所形成传感器分别标号为：氯化锡和醋酸钯烧结后形成钯修饰氧化锡，传感器标号为Sensor 1，硝酸锌和醋酸金烧结后形成金修饰氧化锌，传感器标号为Sensor 2，硝酸铟和醋酸金烧结后形成金修饰氧化铟，传感器标号为Sensor 3，硝酸铬和氯铂酸烧结后形成铂修饰氧化铬，传感器标号为Sensor 4。
经过对传感器的工作温度和响应之间的测试，传感器最佳工作温度在250-300℃之间，最为优选，Sensor1工作温度为250℃，Sensor2工作温度为250℃，Sensor3工作温度为250℃，Sensor 4工作温度为200℃。
进一步优选的：所述神经网络识别算法由预处理算法和脉冲神经网络组成，其中：所述预处理算法包括传感器响应计算和归一化算法。
进一步优选的：所述的传感器响应(R)计算公式为：R＝Ra/Rg，其中Ra为传感器在空气中的电阻，Rg为传感器在气体中的电阻；
所述的归一化公式为：(k为传感器编号)，其中/>为归一化后的传感器响应，/>为传感器响应。
进一步优选的：所述脉冲神经网络由输入层、中间层和输出层组成；
其中：所述输入层是将归一化传感器响应转换为脉冲，转换公式为：
其中ti为脉冲时间，TMax为最大脉冲时间。
进一步优选的：所述输入层由4个节点，分别处理4个传感器输入数据；
所述中间层为泄漏积分触发单元，所述泄漏积分触发单元通过计算输入脉冲计算输出膜电位，计算公式为：
其中V(t)为膜电位，wij为链接权重，ti为输入脉冲时间，k(t-ti)为核函数；
所述核函数为其中V0为前置系数，τm和τs分别为衰减系数，ti为输入的时间点；
作为优选，所述中间层节点为8个时准确率最高；
所述输出层为一个节点，输出为1或0，1表示火警警报，0则表示否。
所述脉冲神经网络参数训练规则是根据输入脉冲，积累得到膜电位，当膜电位达到阈值后则输出1，因此每次迭代都根据输入输出的值对链接权重进行更新，权重更新公式为：其中tmax为该节点达到最大膜电位的时间点，λ为学习率；作为优选，经过训练后，神经网络参数优化后TMax为80-120ms，Vth为1,Vrest为0,τm为0.02,τs为0.005，λ为0.001。
本发明实施例由于采用以上技术方案，其具有以下优点：
一、本发明通过金属氧化物传感器对电气火灾早期释放气体苯和2-乙基己醇进行识别，然后再通过脉冲神经网络参数，配合预处理算法，组合形成神经网络识别算法，能够根据金属氧化物传感器识别结果，确定是否出现火灾情况，以判定是否进行预警，可以对电气火灾早期释放气体苯和2-乙基己醇进行准确识别，避免了其它气体的干扰，识别准确性高。
二、本发明通过根据输入脉冲，积累得到膜电位，当膜电位达到阈值后则输出1，每次迭代都根据输入输出的值对链接权重进行更新，以此训练脉冲神经网络参数，通过采用脉冲神经网络，由于时序脉冲特征，因此该神经网络具有高鲁棒性，简化了运算网络。
三、本发明通过分别将氯化锡和醋酸钯的水溶液、硝酸锌和醋酸金的水溶液、硝酸铟和醋酸金的水溶液以及硝酸铬和氯铂酸溶液的金属盐溶液放入注射器，将注射器的针头连接高压电源正极，氧化铝衬底连接高压电源负极，在电压作用下，注射器中液体呈雾状喷出，在衬底上形成一层液滴，之后通过高温烧结形成一层金属氧化物敏感膜，提高了对电气火灾早期释放气体苯和2-乙基己醇的识别准确率，抗干扰能力强。
上述概述仅仅是为了说明书的目的，并不意图以任何方式进行限制。除上述描述的示意性的方面、实施方式和特征之外，通过参考附图和以下的详细描述，本发明进一步的方面、实施方式和特征将会是容易明白的。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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的附图。
图1为本发明所使用传感器衬底示意图；
图2为本发明所使用钯修饰氧化锡薄膜SEM图；
图3为本发明所使用金修饰氧化锌薄膜SEM图；
图4为本发明所使用金修饰氧化铟薄膜SEM图；
图5为本发明所使用铂修饰氧化铬薄膜SEM图；
图6为本发明传感器阵列对100ppm苯在不同温度下的响应示意图；
图7为本发明传感器阵列对100ppm 2-乙基己醇在不同温度下的响应示意图；
图8为本发明传感器在各自温度下对不同浓度苯的响应示意图；
图9为本发明传感器在各自温度下对不同浓度2-乙基己醇的响应示意图；
图10为本发明传感器阵列在不同浓度和干扰气体情况下200组数据示意图；
图11为本发明脉冲神经网络算法结构示意图。
具体实施方式
在下文中，仅简单地描述了某些示例性实施例。正如本领域技术人员可认识到的那样，在不脱离本发明的精神或范围的情况下，可通过各种不同方式修改所描述的实施例。因此，附图和描述被认为本质上是示例性的而非限制性的。
下面结合附图对本发明的实施例进行详细说明。
如图1-11所示，本发明实施例提供了一种应用于电气火灾的早期预警电子鼻系统，包括：
金属氧化物传感器，所述金属氧化物传感器用于对电气火灾早期释放气体苯和2-乙基己醇进行识别；
神经网络识别系统，所述神经网络识别系统用于根据金属氧化物传感器识别结果，确定是否出现火灾情况，以判定是否进行预警。
本实施例中，具体的：所述金属氧化物传感器采用平板式传感器，其包括敏感膜、氧化铝衬底、电极、加热电阻和基座，所述敏感膜采用静电喷雾方法将金属的盐溶液淀积到氧化铝衬底有电极一侧。
本实施例中，具体的：所述的静电喷雾方法包括以下步骤：
分别将四种一定量的金属盐溶液放入注射器，将注射器的针头连接高压电源正极，氧化铝衬底连接高压电源负极，在电压作用下，注射器中液体呈雾状喷出，在衬底上形成一层液滴，之后通过高温烧结形成一层金属氧化物敏感膜；
所述的金属盐溶液体积为1ml，四种前驱溶液分别为氯化锡和醋酸钯的水溶液、硝酸锌和醋酸金的水溶液、硝酸铟和醋酸金的水溶液以及硝酸铬和氯铂酸溶液；
四种前驱溶液浓度为0.4-0.6mol/L。
本实施例中，具体的：所述四种前驱溶液中个成分比例为：
氯化锡和醋酸钯摩尔比例为Sn:Pd＝100:5；
硝酸锌和醋酸金的摩尔比例为Zn:Au＝100:3；
硝酸铟和醋酸金的摩尔比例为100:3；
硝酸铬和氯铂酸的摩尔比例为Co:Pt＝100:1。
本实施例中，具体的：所述的高温烧结过程为空气中600℃两个小时，经过烧结后，溶液中金属盐氧化形成相应的贵金属修饰氧化物薄膜。
由四种前驱溶液烧结后所形成传感器分别标号为：氯化锡和醋酸钯烧结后形成钯修饰氧化锡，传感器标号为Sensor 1，硝酸锌和醋酸金烧结后形成金修饰氧化锌，传感器标号为Sensor 2，硝酸铟和醋酸金烧结后形成金修饰氧化铟，传感器标号为Sensor 3，硝酸铬和氯铂酸烧结后形成铂修饰氧化铬，传感器标号为Sensor 4。
经过对传感器的工作温度和响应之间的测试，传感器最佳工作温度在250-300℃之间，最为优选，Sensor1工作温度为250℃，Sensor2工作温度为250℃，Sensor3工作温度为250℃，Sensor 4工作温度为200℃。
本实施例中，具体的：所述神经网络识别算法由预处理算法和脉冲神经网络组成，其中：所述预处理算法包括传感器响应计算和归一化算法。
本实施例中，具体的：所述的传感器响应(R)计算公式为：R＝Ra/Rg，其中Ra为传感器在空气中的电阻，Rg为传感器在气体中的电阻；
所述的归一化公式为：(k为传感器编号)，其中/>为归一化后的传感器响应，/>为传感器响应。
本实施例中，具体的：所述脉冲神经网络由输入层、中间层和输出层组成；
其中：所述输入层是将归一化传感器响应转换为脉冲，转换公式为：
其中ti为脉冲时间，TMax为最大脉冲时间。
本实施例中，具体的：所述输入层由4个节点，分别处理4个传感器输入数据；
所述中间层为泄漏积分触发单元，所述泄漏积分触发单元通过计算输入脉冲计算输出膜电位，计算公式为：
其中V(t)为膜电位，wij为链接权重，ti为输入脉冲时间，k(t-ti)为核函数；
所述核函数为其中V0为前置系数，τm和τs分别为衰减系数，ti为输入的时间点；
作为优选，所述中间层节点为8个时准确率最高；
所述输出层为一个节点，输出为1或0，1表示火警警报，0则表示否。
所述脉冲神经网络参数训练规则是根据输入脉冲，积累得到膜电位，当膜电位达到阈值后则输出1，因此每次迭代都根据输入输出的值对链接权重进行更新，权重更新公式为：其中tmax为该节点达到最大膜电位的时间点，λ为学习率。
其中tmax为该节点达到最大膜电位的时间点，λ为学习率；作为优选，经过训练后，神经网络参数优化后TMax为80-120ms，Vth为1,Vrest为0,τm为0.02,τs为0.005，λ为0.001。
实施例二
本发明还提供了一种根据本发明实施例一电子鼻系统进行火灾早期预警的实施例：
应用于电气火灾的早期预警电子鼻系统包括金属氧化物传感器和神经网络识别算法。
金属氧化物传感器采用平板式传感器，包括敏感膜，氧化铝衬底以及其两侧包括电极和加热电阻，基座组成。传感器衬底如图1所示。
敏感膜采用静电喷雾方法将金属的盐溶液淀积到氧化铝衬底有电极一侧。静电喷雾方法为分别将四种一定量的金属盐溶液放入注射器，将注射器的针头连接高压电源正极，氧化铝衬底连接高压电源负极，在一定电压作用下，注射器中液体呈雾状喷出，从而在衬底上形成一层液滴。之后通过高温烧结形成一层金属氧化物敏感膜。其中金属盐溶液体积为1ml，四种前驱溶液分别为氯化锡和醋酸钯的水溶液，硝酸锌和醋酸金的水溶液，硝酸铟和醋酸金的水溶液，硝酸铬和氯铂酸溶液。四种前驱溶液浓度为0.5mol/L。
四种前驱溶液中个成分比例为：氯化锡和醋酸钯摩尔比例为Sn:Pd＝100:5，硝酸锌和醋酸金的摩尔比例为Zn:Au＝100:3，硝酸铟和醋酸金的摩尔比例为100:3，硝酸铬和氯铂酸的摩尔比例为Co:Pt＝100:1。
其中高温烧结过程为空气中600℃两个小时，经过烧结后，溶液中金属盐会氧化形成相应的贵金属修饰氧化物薄膜。所形成的氧化物薄膜如图2-图5所示。
由四种前驱溶液烧结后所形成传感器分别标号为：氯化锡和醋酸钯烧结后形成钯修饰氧化锡，传感器标号为Sensor 1，硝酸锌和醋酸金烧结后形成金修饰氧化锌，传感器标号为Sensor 2，硝酸铟和醋酸金烧结后形成金修饰氧化铟，传感器标号为Sensor 3，硝酸铬和氯铂酸烧结后形成铂修饰氧化铬，传感器标号为Sensor 4。
对传感器的工作温度和响应之间的测试，如图6和图7所示：
传感器最佳工作温度在250-300℃之间，最为优选，Sensor1工作温度为250℃，Sensor2工作温度为250℃，Sensor3工作温度为250℃，Sensor 4工作温度为200℃。
通过分压方法将四种传感器组成阵列，对浓度范围100-800ppm混合苯和2-乙基己醇气体以及存在甲醛，乙醇，丙酮等干扰气体情况下，获得200组数据对神经网络识别算法进行训练，其中混合气体中各气体浓度为随机分配。
200组数据如图10所示。
神经网络识别算法由预处理算法和脉冲神经网络组成。
其中预处理算法包括传感器响应计算和归一化算法。
传感器响应(R)计算公式为：R＝Ra/Rg，其中Ra为传感器在空气中的电阻，Rg为传感器在气体中的电阻。
归一化公式为：(k为传感器编号)，其中/>为归一化后的传感器响应，/>为传感器响应。
脉冲神经网络是由输入层，隐藏层和输出层组成。结构如图11所示。
输入层是将归一化传感器响应转换为脉冲，转换公式为：
其中ti为脉冲时间，TMax为最大脉冲时间。
输入层由4个节点，分别处理4个传感器输入数据。
隐藏层为泄漏积分触发单元，该单元是通过计算输入脉冲计算输出膜电位。计算公式为：其中V(t)为膜电位，wij为链接权重，ti为输入脉冲时间，k(t-ti)为核函数。
核函数为其中V0为前置系数，τm和τs分别为衰减系数，ti为输入的时间点。其中隐藏层节点为10个时准确率最高。输出层为一个节点，输出为1或0，1表示火警警报，0则表示否。
对脉冲神经网络参数进行预先训练。其中训练规则是根据输入脉冲，积累得到膜电位，当膜电位达到阈值后则输出1，因此每次迭代都根据输入输出的值对链接权重进行更新，权重更新公式为：其中tmax为该节点达到最大膜电位的时间点，λ为学习率。经过训练后，神经网络参数优化后TMax为80-120ms，Vth为1,Vrest为0,τm为0.02,τs为0.005，λ为0.001。
经过训练后的神经网络识别算法数据进行测试验证，40组数据准确率为100％。
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，可轻易想到其各种变化或替换，这些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以所述权利要求的保护范围为准。
Claims (8)
1.一种应用于电气火灾的早期预警电子鼻系统，其特征在于，包括：
金属氧化物传感器，所述金属氧化物传感器用于对电气火灾早期释放气体苯和2-乙基己醇进行识别；
神经网络识别系统，所述神经网络识别系统用于根据金属氧化物传感器识别结果，确定是否出现火灾情况，以判定是否进行预警；
所述金属氧化物传感器采用平板式传感器，其包括敏感膜、氧化铝衬底、电极、加热电阻和基座，所述敏感膜采用静电喷雾方法将金属的盐溶液淀积到氧化铝衬底有电极一侧；
所述的静电喷雾方法包括以下步骤：
分别将四种一定量的金属盐溶液放入注射器，将注射器的针头连接高压电源正极，氧化铝衬底连接高压电源负极，在电压作用下，注射器中液体呈雾状喷出，在衬底上形成一层液滴，之后通过高温烧结形成一层金属氧化物敏感膜；
所述的金属盐溶液体积为1ml，四种前驱溶液分别为氯化锡和醋酸钯的水溶液、硝酸锌和醋酸金的水溶液、硝酸铟和醋酸金的水溶液以及硝酸铬和氯铂酸溶液；
四种前驱溶液浓度为0.4-0.6mol/L。
2.根据权利要求1所述的一种应用于电气火灾的早期预警电子鼻系统，其特征在于：所述四种前驱溶液中个成分比例为：
氯化锡和醋酸钯摩尔比例为Sn:Pd＝100:5；
硝酸锌和醋酸金的摩尔比例为Zn:Au＝100:3；
硝酸铟和醋酸金的摩尔比例为100:3；
硝酸铬和氯铂酸的摩尔比例为Co:Pt＝100:1。
3.根据权利要求1所述的一种应用于电气火灾的早期预警电子鼻系统，其特征在于：高温烧结过程为空气中600℃两个小时，经过烧结后，溶液中金属盐氧化形成相应的贵金属修饰氧化物薄膜。
4.根据权利要求1所述的一种应用于电气火灾的早期预警电子鼻系统，其特征在于：所述神经网络识别算法由预处理算法和脉冲神经网络组成，其中：所述预处理算法包括传感器响应计算和归一化算法。
5.根据权利要求4所述的一种应用于电气火灾的早期预警电子鼻系统，其特征在于：所述的传感器响应(R)计算公式为：R＝Ra/Rg，其中Ra为传感器在空气中的电阻，Rg为传感器在气体中的电阻；
归一化公式为：(k为传感器编号)，其中/>为归一化后的传感器响应，/>为传感器响应。
6.根据权利要求4所述的一种应用于电气火灾的早期预警电子鼻系统，其特征在于：所述脉冲神经网络由输入层、中间层和输出层组成；
其中：所述输入层是将归一化传感器响应转换为脉冲，转换公式为：
其中ti为脉冲时间，TMax为最大脉冲时间。
7.根据权利要求5所述的一种应用于电气火灾的早期预警电子鼻系统，其特征在于：输入层由4个节点，分别处理4个传感器输入数据；
中间层为泄漏积分触发单元，所述泄漏积分触发单元通过计算输入脉冲计算输出膜电位，计算公式为：
其中V(t)为膜电位，wij为链接权重，ti为输入脉冲时间，k(t-ti)为核函数；
所述核函数为其中V0为前置系数，τm和τs分别为衰减系数，ti为输入的时间点；
输出层为一个节点，输出为1或0，1表示火警警报，0则表示否。
8.根据权利要求4所述的一种应用于电气火灾的早期预警电子鼻系统，其特征在于：所述脉冲神经网络参数训练规则是根据输入脉冲，积累得到膜电位，当膜电位达到阈值后则输出1，因此每次迭代都根据输入输出的值对链接权重进行更新，权重更新公式为：其中tmax为节点达到最大膜电位的时间点，λ为学习率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211249409.8A CN115601910B (zh) | 2022-10-12 | 2022-10-12 | 一种应用于电气火灾的早期预警电子鼻系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211249409.8A CN115601910B (zh) | 2022-10-12 | 2022-10-12 | 一种应用于电气火灾的早期预警电子鼻系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115601910A CN115601910A (zh) | 2023-01-13 |
| CN115601910B true CN115601910B (zh) | 2023-12-12 |
Family
ID=84847221
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211249409.8A Active CN115601910B (zh) | 2022-10-12 | 2022-10-12 | 一种应用于电气火灾的早期预警电子鼻系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115601910B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH06325270A (ja) * | 1993-05-18 | 1994-11-25 | Hochiki Corp | 火災判定装置及びニューラルネットワークの学習方法 |
| EP0675468A1 (en) * | 1994-03-30 | 1995-10-04 | Nohmi Bosai Ltd. | Early stage fire detecting apparatus |
| CN113223264A (zh) * | 2021-05-08 | 2021-08-06 | 南通理工学院 | 基于qpso-bp神经网络的火灾智能预警系统及方法 |
| CN214670981U (zh) * | 2021-04-22 | 2021-11-09 | 华北电力大学（保定） | 一种基于电子鼻技术的电气火灾初期预警系统 |
| CN113936239A (zh) * | 2021-10-19 | 2022-01-14 | 山东华尔泰建筑工程有限公司 | 一种基于神经网络算法的智慧消防火情识别方法和系统 |
-
2022
- 2022-10-12 CN CN202211249409.8A patent/CN115601910B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH06325270A (ja) * | 1993-05-18 | 1994-11-25 | Hochiki Corp | 火災判定装置及びニューラルネットワークの学習方法 |
| EP0675468A1 (en) * | 1994-03-30 | 1995-10-04 | Nohmi Bosai Ltd. | Early stage fire detecting apparatus |
| CN214670981U (zh) * | 2021-04-22 | 2021-11-09 | 华北电力大学（保定） | 一种基于电子鼻技术的电气火灾初期预警系统 |
| CN113223264A (zh) * | 2021-05-08 | 2021-08-06 | 南通理工学院 | 基于qpso-bp神经网络的火灾智能预警系统及方法 |
| CN113936239A (zh) * | 2021-10-19 | 2022-01-14 | 山东华尔泰建筑工程有限公司 | 一种基于神经网络算法的智慧消防火情识别方法和系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115601910A (zh) | 2023-01-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN201188050Y (zh) | 一种基于多传感器的sf6气体泄漏在线监测装置 | |
| WO2020015277A1 (zh) | 一种基于全景信息的弧光故障识别装置及方法 | |
| CN112002095A (zh) | 一种矿山洞内的火灾预警方法 | |
| CN109637069A (zh) | 动力电池火灾监测预警系统 | |
| CN108711250A (zh) | 一种基于单片机的烟雾报警装置 | |
| CN103337123A (zh) | 基于视频图像的油田联合站火灾预警系统及方法 | |
| CN104574771B (zh) | 一种复合式线型感温火灾探测器及其报警方法 | |
| KR20200114130A (ko) | 태양광 발전 고장 진단 방법 및 시스템 | |
| CN115601910B (zh) | 一种应用于电气火灾的早期预警电子鼻系统 | |
| CN116204690B (zh) | 一种具有自动灭火功能的配电箱数据传输系统 | |
| CN116611562A (zh) | 一种基于物联网的智慧园区火灾预警管理系统及方法 | |
| CN117275206A (zh) | 一种基于物联网的电气火灾监测预警系统 | |
| CN112991657A (zh) | 基于5g通信技术的森林火灾智能预警控制系统 | |
| CN110930632B (zh) | 一种基于人工智能的预警系统 | |
| Wang et al. | Forest fire detection system based on Fuzzy Kalman filter | |
| CN205121826U (zh) | 一种电子检测报警电路装置 | |
| CN114255562A (zh) | 基于物联网的智慧消防预警系统 | |
| WO2023179175A1 (zh) | 一种风电机组自动灭火方法 | |
| CN115909646A (zh) | 密集绝缘型母线槽的早期火灾预警系统及方法 | |
| CN113192282A (zh) | 一种基于物联网技术的火灾预警系统 | |
| CN212854397U (zh) | 一种高压电缆接头智能预警灭火系统 | |
| CN208000660U (zh) | 一种消防车载用互联网报警装置 | |
| CN202677555U (zh) | 一种远程多点监控烟雾和温度信号采集装置 | |
| CN205122804U (zh) | 一种离子接地单元 | |
| CN111522247A (zh) | 智能家居系统中多个传感器的异常检测方法 |
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 |