CN1187723C - 处理事故报警器的信号的方法和事故报警器 - Google Patents

Abstract

事故报警器的信号与预定参数比较，该事故报警器具有至少一个传感器(2、3、4)用于监控事故参量并具有一个分配给至少一个传感器(2、3、4)的求值电路(1)。此外关于这一点分析信号，是否其增多或有规则出现，并且增多或有规则出现的信号分选为干扰信号。信号作为干扰信号的分选引起参数的相应调整。在出现干扰信号是在调整参数之前检查至少一个传感器(2、3、4)的信号的分析结果的有效性，并且依赖于有效性检查的结果实现参数的调整。具有实施这个方法的装置的事故报警器包含适用于事故参量的至少一个传感器(2、3、4)和一个包含微处理器(6)的求值电路(1)用于求值并分析至少一个传感器(2、3、4)的信号。该微处理器(6)包含一个软件程序，其具有一个以多级分辨率为基础的学习算法用于分析至少一个传感器(2、3、4)的信号。

Description

处理事故报警器的信号的方法 和事故报警器

本发明涉及处理事故报警器的信号的方法，该事故报警器具有至少一个用于监控事故参量的传感器和一个分配给至少一个传感器的求值电路，其中通过至少一个传感器的信号与预定的参数比较实现事故参量的监控。事故报警器例如可以是烟雾报警器、火焰报警器、无源红外线报警器、微波报警器、二元报警器(无源红外线传感器+微波传感器)或噪声报警器。

现在的事故报警器关于事故参量的检测达到如此的灵敏度，主要问题不再在于，尽可能及早地检测事故参量，而是在于，安全地从真正的事故信号中区分干扰信号并由此避免错误告警。对此主要通过应用多个不同的传感器和传感器信号的相关或通过各个传感器信号的不同特征的分析和/或通过相应的信号处理实现在事故信号和干扰信号之间的区分，其中最近通过应用模糊逻辑已经实现抗干扰性的根本改善。

模糊逻辑是众所周知的。关于事故报警器的信号的分析求值强调，根据从属函数信号值分配给所谓的模糊集，其中从属函数的值、或从属于模糊集的度、在0和1之间。对此重要的是，可以标准化从属函数，也就是说从属函数的所有值的和等于1，由此模糊逻辑求值允许明确判读信号。

通过本发明现在给出用于处理事故报警器的信号的开始所述形式的方法，该方法进一步改善了抗干扰性和抗干扰度。

根据本发明方法的特征在于，关于这一点分析至少一个传感器的信号，这些信号是否增多或有规则地出现，并且增多的或有规则出现的信号分选为干扰信号。

根据本发明方法的第一优选改进的特征在于，信号作为干扰信号的分选引起参数的相应调整。

根据本发明的方法基于新的认识，例如火灾报警器在二个检查或二个电流中断之间永不再“理解”为几起真正的火灾，并且增多的或有规则出现的信号预示存在干扰源。由于干扰源引起的干扰信号被认为是一个如此的信号并且相应地调整报警器参数。通过这种方式按照根据本发明方法运作的报警器是能够学习的，并且可以更好地区分真正的事故信号和干扰信号。

根据本发明的第二优选改进的特征在于，当出现干扰信号时在调整参数之前检查至少一个传感器的信号的分析结果的有效性，并且依赖于这个有效性检查的结果实现参数的调整。

第三优选改进的特征在于，借助于以多级分辨率为基础的方法实现有效性检查。

根据本发明方法的第四优选改进的特征在于，子波、主要“双正交”子波或“第二代”子波或“上升模式”用于有效性检查。

子波变换是信号从时域到频段的变换或映射(例如参见1992年四月Dr.Dobb′s杂志中的Mac A.Cody的“快速微波变换”)；该子波变换原则上也类似于傅立叶变换和快速傅立叶变换。可是该子波变换在变换的基本函数上不同于傅立叶变换或快速傅立叶变换，根据变换的基本函数展开信号。在傅立叶变换中应用正弦函数和余弦函数，其在频段内清晰定位并在时域内不确定。在子波变换的情况下应用一个所谓的子波或波包。从中得出不同的类型、比如高斯子波、样条子波或哈尔子波，这些子波分别通过二个参数任意可以在时域内偏移并在频段内延伸或压缩。最近介绍了新的子波方法，其常常称作“第二代”子波。以所谓的“上升模式”(Sweldens)构成如此的子波。

这产生一系列原始信号的近似，其中每一个近似具有比前面一个粗的分辨率。对于变换所必需的操作数目总是正比于原始信号的长度，然而在傅立叶变换的情况下这个数目不与信号长度成比例。从近似值和复原系数中重现原始信号，这样也可以相反实施快速子波变换。在Charles K.Chui的“子波入门(1992年，San Diego，理论出版社)中举一个样条子波的例子给出信号分解与复原的算法和分解与复原的系数表。也参见S.Mallat的这个题目“信号处理的子波方法(理论出版社，1998)。

根据本发明方法的一个另外改进的特征在于，为近似系数或子波的近似系数与具体系数确定期望值，并且在不同分辨率的情况下比较这些期望值。主要在一个估算器中或借助于神经网络实现上述系数的确定。

此外本发明涉及一个具有实施上述方法的装置的事故报警器，其具有至少一个用于事故参量的传感器并具有一个包含微处理器的求值电路用于求值并分析至少一个传感器的信号。

根据本发明的事故报警器的特征在于，微处理器包含一个软件程序，其具有以多级分辨率为基础的学习算法用于分析至少一个传感器的信号。

根据本发明的事故报警器的第一优选实施形式的特征在于，通过学习算法一方面根据信号的重复或有规则的出现实现上述传感器信号的分析，并且另一方面实现分析结果的有效性检查，并且在于，学习算法把子波、主要“双正交”子波或“第二代”子波用于有效性检查。

根据本发明的事故报警器的第二优选实施形式的特征在于，学习算法应用神经模糊方法。

根据本发明的事故报警器的第三优选实施形式的特征在于，学习算法包含二个等式，

       其中∑是用于所有的n

       其中∑是用于所有的i＝1到k

在这些等式中_m，n表示子波定标函数，

表示近似系数，y_k表示神经网络的第k个输入点，并且 是_m，n的二元函数(二元函数，定义参见S.Mallat)。

下面根据实施例和图详细阐述本发明；图示：

图1功能阐述的示意图，

图2装备了实施根据本发明方法的装置的事故报警器的方框图，

图3a、3b图2的事故报警器的元件的二个变体；和

图4图3的事故报警器的元件的一个另外的变体。

通过根据本发明的方法如此处理事故报警器的信号，采集并表征典型的干扰信号。在本说明的范围内主要谈论火警报警器，这不表明，根据本发明的方法局限于火警报警器。确切地说该方法适合于所有类型的事故报警器，特别适合于防盗报警器和运动报警器。

以简单并可靠的方法分析提到的干扰信号。该方法的重要特征在于，不仅仅收集并表征干扰信号，而且检查分析的结果。为此应用子波理论和多级分辨率分析(多解分析)。按检查的结果调整事故报警器的参数或算法。这表明，例如减小灵敏度或锁定在不同参数组之间一定的自动转换。

举一个例子阐述后者：在欧洲专利申请99 122 975.8中说明了一个火警报警器，其具有一个用于杂散光的光传感器、一个温度传感器和一个燃烧气体报警器。报警器的求值电路包含一个模糊调节器，在该模糊调节器中实现各个传感器的信号的逻辑运算和各自燃烧类型的鉴别。对于每个燃烧类型提供并可以根据鉴别选择一个专门应用特别的算法。此外该报警器包含用于私人保护和产权保护的不同参数组，在这些保护之间在正常情况下实现在线转换。如果这时在温度传感器中和/或燃烧气体报警器中诊断出干扰信号，则锁定在这些参数组之间的转换。

在应用模糊逻辑的情况下必须解决的问题中一个在于把在数据库中存储的知识翻译为语言可判读的模糊调节。为了这个目的不能确信改进的神经模糊方法，因为其有时候仅仅非常艰难地提供可判读的模糊调节。与此相反所谓的多级分辨率技术提供一种可能用于获得可判读的模糊调节。其观点在于，应用附属函数的代码词典，该附属函数形成多级分别率，并且确定那一个是适合于控制面说明的附属函数。

在图1中描述了一个如此多级分辨率的示意图。行a指出了信号的曲线，该信号的幅度在小、一般和大的范围内变化。相应地在行b中记录了附属函数c1“相当小”、c2“一般”和c3“相当大”。这些附属函数形成一个多级分辨率，这表明，每个附属函数可以分解为较高分辨率级的附属函数的和。这得出在行c中记录的附属函数c5“非常小”、c6“小到非常小”、c7“非常一般”、c8“大到非常大”、c9“非常大”。根据行d例如也可以把三角样条函数c2分解为行c的较高级的变换三角函数的和。

在Tagaki-Sugeno模式中，根据等式：

R_i：如果x是A_i，则y_i＝f_i(x_i)                   (1)

表达模糊调节。在此A_i是语言表达式，x是语言输入变量，y是输出变量。语言输入变量的值可以是清晰的或不清晰(模糊)的。如果例如x_i是温度的语言变量，则值 可以是一个清楚的数、比如30(℃)或不清晰的数值、比如“大约25(℃)”，其中“大约25(℃)”本身是一个模糊集。

对于一个清晰的输入值通过

$\hat{y}={\mathrm{\Σ\β}}_{i}f\left(\hat{x}\right)/{\mathrm{\Σ\β}}_i----\left(2\right)$

得出模糊系统的输出值，其中通过表达式 ${\mathrm{\β}}_i={\mathrm{\μ}}_{\mathrm{Ai}}\left(\hat{x}\right)$ 给出满足程度β_i，其中 表示语言项A_i的附属函数。在许多应用中采用线性函数： $f\left(\hat{x}\right)=a^{T}i\·\widehat{x+b_i.}$ 如果恒量b_i被采用于清晰的输出值y的说明，则系统变为：

Ri：如果x是A_i，则y_i＝b_i                       (3)

如果采用样条函数N^k例如作为附属函数 ${\mathrm{\μ}}_{\mathrm{Ai}}\left(\hat{x}\right)=N^k\left[2^m(\hat{x}-n)\right],$ 则等式(3)的系统等效于

$y_i={\mathrm{\Σb}}_i\·N^k\left[2^m(\hat{x}-n)\right]----\left(4\right)$

在这种特殊情况下，输出y是翻译和扩展的样条函数的线性和。并且这表明，在等式(4)的情况下Tagaki-Sugeno模式等效于多级分辨率样条模式。并且从中实现得出，在这里可以应用子波技术。

图2指出了一个装备神经模糊学习算法的事故报警器的方框图。这个用参考符号M表示的报警器例如是一个火灾报警器，并且具有三个用于燃烧参量的传感器2至4。例如预先规定一个光传感器2用于散射光和透射光测量、一个温度传感器3和一个燃烧气体报警器、例如一氧化碳传感器4。传感器2至4的输出信号被供给一个处理级1、其具有适当的装置用于信号的处理、比如放大器，并且从这里到达下面以μP 6表示的微处理器或微控制器。

在μP 6传感器信号不仅彼此间比较而且单独与各个燃烧参量的确定参数组比较。当然传感器的数目不局限于三个。如此也可以仅仅预先规定一个唯一的传感器，其中在这种情况下从这一个传感器的信号中析取并检查不同的特性、例如信号梯度或信号波动。在μP 6中根据软件集成一个神经模糊网络7和一个有效性检查(确认)8。如果从神经模糊网络7中产生的信号作为报警信号，则相应的报警信号被供给报警输出装置9或报警中心。如果确认8得出，出现重复或有规则的干扰信号，当然相应地修改在μP 6中存储的参数组。

神经模糊网络7是一系列神经网络，其把对称的定标函数_m，n(x)＝_m，n(x)＝[(x-n)·2^m]作为选通函数。定标函数是如此的，即{_m，n(x)}形成多级分辨率。每个神经网络使用一个给定分辨率的选通函数。第m个神经网络以f_m(x)优化系数 是第m个神经网络的输出。

       其中的∑是用于所有的n

以下面的等式计算该系数

       其中的∑是用于所有的i＝1到k

其中y_k(x)是第k个输入点， 是_m，n(x)的二元函数。这二个等式(5)和(6)形成神经模糊网络的主要算法。

在每个迭代步中交叉检查(确认)不同神经网络的值，为此使用子波分解的特性、也就是这样的特性，通过应用复原算法或分解算法可以从级m-1的近似系数和子波系数中获得级m的近似系数

在一个优选的实施中，

是第二阶样条函数，_m，n(x)是内插函数。在一个第二实施中_m，n(x)是样条函数， 是_m，n(x)的二元函数。在第三实施中

其中_m，n(x)是哈尔函数。在这些情况中能够在一个简单的微处理器中执行学习算法。

在图3a和3b中描述了神经模糊网络7和附属确认级8的二个变体。在图3a的实例中输入信号以不同的分辨率级近似为子波Ψ_m，n和具有一个给出分辨率的定标函数_m，n的加权和。确认级8在最接近较低的分辨率级的水平上比较近似系数 与子波的近似系数和具体系数。以p和q表示子波复原滤波系数。

在图3b的实例中输入信号以不同的分辨率级近似为具有给定分辨率的定标函数_m，n的加权和。确认级8在最接近较低的分辨率级的水平上比较近似系数

与近似系数。以g表示子波低通滤波分解系数。

不在一个神经模糊网络7中，而是在一个在图4中描述形式的估算器(评估器)中可以实现上述系数的确定。该估算器是一个所谓的多级分辨率样条估算器，其把一个以函数

为基础的二元样条估算器用于估算等式 中的系数 子波样条估算器被用于自适应地确定适当的分辨率，以便在一个在线学习处理器中局部描述以此为基础的超曲面。一个已知的估算器是Nadaraya-Watson估算器，以这个估算器通过下面的表达式估算超曲面f(x)的等式：

$f\left(x\right)=\underset{k=1}{\overset{k_{\max }}{\mathrm{\Σ}}}K((x-x_k)/\mathrm{\λ})\·y_k/\underset{k=1}{\overset{k_{\max }}{\mathrm{\Σ}}}K((x-x_k)/\mathrm{\λ}).----\left(6\right)$

Nadaraya-Watson估算器有二个有趣的特性，局部平均二次方偏差的估算器，并且可以表明，其在不规则设计的情况下是(x_k，y_k)的所谓Bayes估算器，其中(x_k，y_k)是连续随机变量(X，Y)的iid复制。

样条函数(x)和其二元函数 可以用作估算器。首先函数 (x)用于从x_n、其中x_n·2^m∈Z、估算具有λ＝2^-m(m是整数)的f(x)：

对于

的对称应用，二元样条函数的等式(6)等效于在x_n的情况下置中的估算器的应用：

在等式(7)分子的期望值正比于近似系数c_m，n。等式(6)提供在中

的估算：

${\hat{c}}_{m,n}=\hat{f}\left(x_n\right).----\left(8\right)$

在图4中，以小正方形表示提供使用的数据(值)，以小圆表示其在二元样条函数上的投影，以一个叉表示在有规则网格上的估算。

为了确认系数

二个条件是必须的：

$|{\hat{c}}_{m,n}-\underset{p}{\mathrm{\&Sigma;}}{g}_p-2n^{\&CenterDot;\hat{c}}m+1,p|<\mathrm{\&Delta;}----\left(9\right)$

其中滤波系数g与样条函数的低通滤波分解系数一致。此外要求，

因此通过非常小的值防止除法。

该方法的实力在于，系数 的计算要求仅仅二个值的存储、在等式(7)中的分子和分母。因此该方法非常好地适用于具有一个简单微处理器的在线学习，该微处理器具有较低的存储容量。

用下面的等式

代替等式(7)和(8)，这样该方法可以容易地匹配密度估算。

Claims (9)

1.处理事故报警器的信号的方法，该事故报警具有至少一个用于监控事故参量的传感器(2、3、4)和一个分配给至少一个传感器(2、3、4)的电子求值系统(1)，在该求值系统中实现至少一个传感器(2、3、4)的信号与预定的报警器参数的比较，其特征在于，所述至少一个传感器(2、3、4)的信号，是根据是否其增多且频繁地或有规则地出现而被分析，并且增多且频繁地或有规则出现的信号分选为干扰信号，以及信号作为干扰信号的分选引起报警器参数的相应调整。

2.按照权利要求1的方法，其特征在于，当出现干扰信号时，在调整报警器参数之前检查至少一个传感器(2、3、4)的信号的分析结果的有效性，并且依赖于这个有效性检查的结果实现参数的调整。

3.按照权利要求2的方法，其特征在于，借助于以多级分辨率为基础的方法实现有效性检查。

4.按照权利要求3的方法，其特征在于，子波，主要“双正交”子波或“第二代”子波或“上升模式”用于有效性检查。

5.按照权利要求4的方法，其特征在于，为近似系数或子波的近似系数和具体系数确定期望值，并且在不同的分辨率的情况下比较这些期望值。

6.按照权利要求5的方法，其特征在于，在一个估算器中或借助于神经网络实现上述系数的确定。

7.事故报警器，具有实施权利要求1所述方法的装置、至少一个适用于事故参量的传感器(2、3、4)，并具有一个包含微处理器(6)的电子求值系统(1)，用于求值并分析至少一个传感器(2、3、4)的信号，其特征在于，微处理器(6)包含一个软件程序，其具有以多级分辨率为基础的学习算法，用于分析至少一个传感器(2、3、4)的信号，通过学习算法一方面根据传感器信号的重复或有规则的出现实现上述传感器信号的分析，另一方面实现分析结果的有效性检查，并且学习算法把子波、主要“双正交”子波或“第二代”子波用于有效性检查。

8.按照权利要求7的事故报警器，其特征在于，所述学习算法使用神经模糊方法。

9.按照权利要求8的事故报警器，其特征在于，所述学习算法包含二个等式

其中∑是用于所有的n，和

其中∑是用于所有的i＝1到k

在这二个等式中_m，n表示定标函数， 表示近似系数，而y_k表示神经网络的第k个输入点， 是_m，n的二元函数。

Images