EP1134712A1 - Verfahren zur Verarbeitung der Signale eines Gefahrenmelders und Gefahrenmelder mit Mitteln zur Durchführung des Verfahrens - Google Patents

Verfahren zur Verarbeitung der Signale eines Gefahrenmelders und Gefahrenmelder mit Mitteln zur Durchführung des Verfahrens Download PDF

Info

Publication number
EP1134712A1
EP1134712A1 EP00105438A EP00105438A EP1134712A1 EP 1134712 A1 EP1134712 A1 EP 1134712A1 EP 00105438 A EP00105438 A EP 00105438A EP 00105438 A EP00105438 A EP 00105438A EP 1134712 A1 EP1134712 A1 EP 1134712A1
Authority
EP
European Patent Office
Prior art keywords
signals
sensor
analysis
wavelets
parameters
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
Application number
EP00105438A
Other languages
English (en)
French (fr)
Other versions
EP1134712B1 (de
Inventor
Marc Pierre Dr. Thuillard
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Siemens AG
Original Assignee
Siemens Building Technologies AG
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Priority to US10/019,362 priority Critical patent/US6879253B1/en
Priority to ES00105438T priority patent/ES2304919T3/es
Application filed by Siemens Building Technologies AG filed Critical Siemens Building Technologies AG
Priority to DE50015145T priority patent/DE50015145D1/de
Priority to AT00105438T priority patent/ATE394767T1/de
Priority to EP00105438A priority patent/EP1134712B1/de
Priority to PCT/CH2001/000136 priority patent/WO2001069566A1/de
Priority to CNB018005322A priority patent/CN1187723C/zh
Priority to KR1020017014423A priority patent/KR100776063B1/ko
Priority to AU35304/01A priority patent/AU776482B2/en
Priority to HK02108442.5A priority patent/HK1046978B/zh
Priority to JP2001567562A priority patent/JP2003527702A/ja
Priority to PL01350725A priority patent/PL350725A1/xx
Priority to CZ20014105A priority patent/CZ20014105A3/cs
Priority to HU0201180A priority patent/HUP0201180A2/hu
Publication of EP1134712A1 publication Critical patent/EP1134712A1/de
Priority to NO20015566A priority patent/NO20015566L/no
Application granted granted Critical
Publication of EP1134712B1 publication Critical patent/EP1134712B1/de
Anticipated expiration legal-status Critical
Expired - Lifetime legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING SYSTEMS, e.g. PERSONAL 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
    • G08B29/20—Calibration, including self-calibrating arrangements
    • G08B29/24—Self-calibration, e.g. compensating for environmental drift or ageing of components
    • G08B29/26—Self-calibration, e.g. compensating for environmental drift or ageing of components by updating and storing reference thresholds
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING SYSTEMS, e.g. PERSONAL 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
    • G08B29/186—Fuzzy logic; neural networks

Definitions

  • the present invention relates to a method for processing the signals of a hazard detector, which has at least one sensor for monitoring hazard parameters and has evaluation electronics assigned to the at least one sensor, with the monitoring the hazard parameters by comparing the signals of the at least one sensor with predetermined parameters.
  • the hazard detector can, for example, be a Smoke detectors, a flame detector, a passive infrared detector, a microwave detector, a dual detector (Passive infrared + microwave sensor), or a noise detector.
  • Fuzzy logic is well known. With regard to the evaluation of signals from hazard detectors It should be emphasized that signal values known as fuzzy sets, or unsharp quantities, be assigned according to a membership function, whereby the value of the membership function, or the degree of belonging to a fuzzy set, between zero and one is. It is important that the membership function can be normalized, i.e. the sum all values of the membership function is equal to one, which results in the fuzzy logic evaluation allows a clear interpretation of the signal.
  • the present invention is now intended to be a method of the type mentioned at the outset for processing the signals of a hazard detector are given, which are insensitive to interference and immunity to interference is further improved.
  • the method according to the invention is characterized in that the signals of the at least a sensor is analyzed to determine whether they occur more frequently or regularly and that increasingly or regularly occurring signals are classified as interference signals.
  • a first preferred development of the method according to the invention is characterized in that that the classification of signals as interference signals a corresponding adaptation of the Parameter triggers.
  • the method according to the invention is based on the new finding that, for example, a Fire alarms between two revisions or two power failures never more than a few real fires "sees", and that increased or regular signals indicate the presence from sources of interference.
  • the interference signals caused by the interference sources are recognized as such and the detector parameters are adjusted accordingly. In this way the detectors operated according to the method of the invention are capable of learning differentiate better between real danger signals and interference signals.
  • a second preferred development of the method according to the invention is characterized in that that if interference signals occur before the parameters are adjusted, the result the analysis of the signals of the at least one sensor is checked for its validity, and that the parameters are adjusted depending on the result of this validity check.
  • a third preferred development is characterized in that the validity check using methods based on multiple resolution.
  • a fourth preferred development of the method according to the invention is characterized in that that for the validation check Wavelets, preferably “biorthogonal” or “second generation “wavelets or” lifting scheme "can be used.
  • the wavelet transform is a transformation or mapping of a signal from the time domain in the frequency domain (see, for example, "The Fast Wavelet Transform” by Mac A. Cody in Dr. Dobb's Journal, April 1992); it is basically the Fourier transform and Fast Fourier transform similar. However, it differs from these by the basic function of the transformation after which the signal is developed.
  • a Fourier transform a sine and cosine function is used in the frequency domain is sharply localized and undetermined in the time domain.
  • a wavelet transformation a so-called wavelet or wave packet used.
  • There are different types like this for example a Gaussian, Spline or Haar wavelet each with two parameters can be shifted in the time domain and stretched or compressed in the frequency domain.
  • new wavelet methods have been introduced, often as "second generation” be designated. Such wavelets can be used with the so-called “lifting scheme” (Sweldens) constructed.
  • Another preferred development of the method according to the invention is characterized in that that the expected values for the approximation or approximation and Detailed coefficients of the wavelets are determined and compared at different resolutions become.
  • the coefficients mentioned are preferably determined in an estimator or by means of a neural network.
  • the invention further relates to a hazard detector with means for performing the above Method, with at least one sensor for a hazard parameter and with one Microprocessor-containing evaluation electronics for evaluating and analyzing the signals of the at least one sensor.
  • the hazard detector according to the invention is characterized in that the microprocessor a software program with a multi-resolution learning algorithm for the Analysis of the signals of the at least one sensor contains.
  • the signals of a hazard detector are processed by the method according to the invention in such a way that that typical interference signals are recorded and characterized. If in the present Description primarily of fire detectors, it does not mean that the inventive Procedure is limited to fire detectors. The procedure is rather for hazard detectors suitable for all types, especially for intrusion and motion detectors.
  • the noise signals mentioned are analyzed using a simple and reliable method.
  • An important feature of this method is that the interference signals are not only recorded and be characterized, but that the result of the analysis is checked. This will Wavelet theory and multiresolution analysis are used. Each according to the result of the check, the parameters of the detector or the algorithms customized. This means that, for example, the sensitivity is reduced or that certain automatic switching between different parameter sets can be locked.
  • a fire detector which is an optical sensor for scattered light, a temperature sensor and has a fire gas sensor.
  • the evaluation electronics of the detector contains one Fuzzy controller, in which a link between the signals of the individual sensors and a The respective type of fire is diagnosed.
  • the Detector different parameter sets for personal protection and real estate protection, between which are normally switched online. If now with the temperature and / or If the fire gas sensor detects interference signals, the switchover between them Parameter sets locked.
  • fuzzy logic When using fuzzy logic, one of the problems to be solved is translation of the knowledge stored in a database in linguistically interpretable fuzzy rules. Neurofuzzy methods developed for this purpose were unable to convince because they sometimes provide fuzzy rules that are very difficult to interpret. A way to In contrast, obtaining interpretable fuzzy rules offers so-called multiple-resolution techniques. Their idea is to use a dictionary of membership functions which form a multiple resolution, and determine which one for the description membership functions suitable for a control surface.
  • Line a shows the course a signal whose amplitude is in the small, medium and large ranges.
  • the membership functions c1 are "fairly small", c2 "medium” and c3 marked “rather large”. These membership functions form a multiple resolution, which means that every membership function is a sum of membership functions a higher resolution level can be broken down. This results in those entered in line c Membership functions c5 "very small”, c6 “small to very small”, c7 “very medium”, c8 “large to very large "and c9" very large ".
  • the triangular one Spline function c2 in the sum of the translated triangular functions of the higher level of Row c can be disassembled.
  • a i are linguistic expressions
  • x is the input linguistic variable
  • y is the output variable.
  • the value of the linguistic input variables can be sharp or fuzzy. For example, if x i is a linguistic variable for temperature, the value x and can be a sharp number such as "30 (° C)" or a fuzzy quantity such as "about 25 (° C)", where "about 25" itself is a fuzzy set.
  • the output y is a linear sum of translated and expanded Spline functions.
  • the Tagaki-Sugeno Model is equivalent to a multi-resolution spline model.
  • Wavelet techniques can be applied.
  • the detector designated by the reference symbol M is, for example, a fire detector and has three sensors 2 to 4 for fire parameters.
  • an optical one Sensor 2 for scattered light or transmitted light measurement, a temperature sensor 3 and a fire gas, for example, a CO sensor 4 is provided.
  • the output signals of sensors 2 to 4 are fed to a processing stage 1 which contains suitable means for processing the signals, such as, for example, amplifiers, and pass from this into a subsequently as ⁇ P 6 designated microprocessor or microcontroller.
  • the sensor signals are interchangeable as well as individually with certain parameter sets compared for the individual fire parameters.
  • the number the sensors are not limited to three. In this way, only a single sensor can be provided, in this case different properties from the signal of one sensor, for example the signal gradient or the signal fluctuation are extracted and examined.
  • ⁇ P 6 are a neuro-fuzzy network 7 and a validation check (validation) 8 integrated. If the signal resulting from the neuro-fuzzy network 7 is evaluated as an alarm signal an alarm delivery device 9 or an alarm center becomes a corresponding one Alarm signal supplied. If the validation 8 shows that repeated or regular Interference signals occur, then the parameter sets stored in ⁇ P 6 become corresponding corrected.
  • the scaling functions are such that ⁇ ( ⁇ m, n (x) ⁇ form a multiple resolution.
  • Each neural network uses activation functions of a given resolution.
  • the mth neural network optimizes the coefficients c and m, n with f m (x ), the output of the mth neural network.
  • f m (x) ⁇ c m, n ⁇ m, n (x) ( ⁇ over all n)
  • the coefficients c m, n are calculated using the following equation: where y k (x) is the kth entry point and is the dual function of ⁇ m, n (x).
  • the two equations (5) and (6) form the main algorithm of the neuro-fuzzy network.
  • the values of the various neural networks are cross-checked (validated), which is a property of the wavelet decomposition, namely that the approximation coefficients c m, n of a level m from the approximation and wavelet coefficients of the level m-1 can be obtained using the reconstruction or decomposition algorithm.
  • a second order spline function and ⁇ m, n (x) an interpolation function.
  • ⁇ m, n (x) is a spline function and the dual function of ⁇ m, n (x).
  • ⁇ m, n (x) is the hair function.
  • FIGS. 3a and 3b show two variants of a neuro-fuzzy network 7 and the associated validation stage 8.
  • the input signal is approximated in different resolution levels as a weighted sum of wavelets ⁇ m, n and scaling functions ⁇ m, n with a given resolution.
  • the validation level 8 compares the approximation coefficients c and m, n with the approximation and detail coefficients of the wavelets at the level of the next lower resolution level.
  • P and q denote wavelet reconstruction filter coefficients.
  • the input signal is approximated in different resolution levels as a weighted sum of scaling functions ⁇ m, n with a given resolution.
  • the validation level 8 compares the approximation coefficients c and m, n with the approximation coefficients at the level of the next lower resolution level. With g, wavelet low-pass decomposition coefficients are designated.
  • the above-mentioned coefficients can be determined in an estimator of the type shown in FIG. 4.
  • Wavelet spline estimators are used to adaptively determine the appropriate resolution in order to locally describe an underlying hypersurface in an online learning process.
  • a well-known estimator is the Nadaraya-Watson estimator, with which the equation of the hypersurface f (x) is estimated by the following expression:
  • Nadaraya-Watson estimators have two interesting properties, they are estimators of the local mean square deviation and it can be shown that in the case of a random design they are so-called Bayesian estimators of (x k , y k ), where (x k , y k ) are iid copies of a continuous random variable (X, Y).
  • Equation (6) Using the symmetry of Equation (6) for the dual spline function is equivalent to using an estimator centered at x n :

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Security & Cryptography (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Automation & Control Theory (AREA)
  • Artificial Intelligence (AREA)
  • Alarm Systems (AREA)
  • Fire Alarms (AREA)
  • Indication And Recording Devices For Special Purposes And Tariff Metering Devices (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Geophysics And Detection Of Objects (AREA)
  • Fire-Detection Mechanisms (AREA)
  • Arrangements For Transmission Of Measured Signals (AREA)
  • Complex Calculations (AREA)
  • Constituent Portions Of Griding Lathes, Driving, Sensing And Control (AREA)
  • Pinball Game Machines (AREA)

Abstract

Die Signale eines Gefahrenmelders, welcher mindestens einen Sensor (2, 3, 4) zur Überwachung von Gefahrenkenngrössen und eine dem mindestens einen Sensor (2, 3, 4) zugeordnete Auswerteelektronik (1) aufweist, werden mit vorgegebenen Parametern verglichen. Ausserdem werden die Signale daraufhin analysiert, ob sie vermehrt oder regelmässig auftreten, und vermehrt oder regelmässig auftretende Signale werden als Störsignale klassiert. Die Klassierung von Signalen als Störsignale löst eine entsprechende Anpassung der Parameter aus. Beim Auftreten von Störsignalen wird vor der Anpassung der Parameter das Ergebnis der Analyse der Signale des mindestens einen Sensors (2, 3, 4) auf seine Gültigkeit überprüft, und die Anpassung der Parameter erfolgt in Abhängigkeit vom Ergebnis dieser Gültigkeitsprüfung. Ein Gefahrenmelder mit Mitteln zur Durchführung dieses Verfahrens enthält mindestens einen Sensor (2, 3, 4) für eine Gefahrenkenngrösse und eine einen Mikroprozessor (6) enthaltende Auswerteelektronik (1) zur Auswertung und Analyse der Signale des mindestens einen Sensors (2, 3, 4). Der Mikroprozessor (6) enthält ein Software-Programm mit einem auf Mehrfachauflösung beruhenden Lernalgorithmus für die Analyse der Signale des mindestens einen Sensors (2, 3, 4). <IMAGE>

Description

Die vorliegende Erfindung betrifft ein Verfahren zur Verarbeitung der Signale eines Gefahrenmelders, welcher mindestens einen Sensor zur Überwachung von Gefahrenkenngrössen und eine dem mindestens einen Sensor zugeordnete Auswerteelektronik aufweist, wobei die Überwachung der Gefahrenkenngrössen durch Vergleich der Signale des mindestens einen Sensors mit vorgegebenen Parametern mittels erfolgt. Der Gefahrenmelder kann beispielsweise ein Rauchmelder, ein Flammenmelder, ein Passiv-Infrarotmelder, ein Mikrowellenmelder, ein Dualmelder (Passiv-Infrarot- + Mikrowellensensor), oder ein Geräuschmelder sein.
Heutige Gefahrenmelder haben bezüglich der Detektion von Gefahrenkenngrössen eine solche Empfindlichkeit erreicht, dass das Hauptproblem nicht mehr darin besteht, eine Gefahrenkenngrösse möglichst frühzeitig zu detektieren, sondern darin, Störsignale von echten Gefahrensignalen sicher zu unterscheiden und dadurch Fehlalarme zu vermeiden. Die Unterscheidung zwischen Gefahren- und Störsignalen erfolgt dabei im wesentlichen durch die Verwendung mehrerer verschiedener Sensoren und Korrelation von deren Signalen oder durch die Analyse verschiedener Merkmale der Signale eines einzigen Sensors und/oder durch eine entsprechende Signalverarbeitung, wobei in jüngster Zeit durch die Verwendung von Fuzzy-Logik schon eine wesentliche Verbesserung der Störsicherheit erreicht worden ist.
Die Fuzzy-Logik ist allgemein bekannt. In bezug auf die Auswertung der Signale von Gefahrenmeldern ist hervorzuheben, dass Signalwerte sogenannten Fuzzy sets, oder unscharfen Mengen, gemäss einer Zugehörigkeitsfunktion zugeteilt werden, wobei der Wert der Zugehörigkeitsfunktion, oder der Grad der Zugehörigkeit zu einer unscharfen Menge, zwischen null und eins beträgt. Wichtig dabei ist, dass die Zugehörigkeitsfunktion normalisierbar sind, d.h. die Summe aller Werte der Zugehörigkeitsfunktion gleich eins ist, wodurch die Fuzzy-Logik-Auswertung eine eindeutige Interpretation des Signals erlaubt.
Durch die vorliegende Erfindung soll nun ein Verfahren der eingangs genannten Art zur Verarbeitung der Signale eines Gefahrenmelders angegeben werden, das bezüglich Störunempfindlichkeit und Störsicherheit weiter verbessert ist.
Das erfindungsgemässe Verfahren ist dadurch gekennzeichnet, dass die Signale des mindestens einen Sensors daraufhin analysiert werden, ob sie vermehrt oder regelmässig auftreten, und dass vermehrt oder regelmässig auftretende Signale als Störsignale klassiert werden.
Eine erste bevorzugte Weiterbildung des erfindungsgemässen Verfahrens ist dadurch gekennzeichnet, dass die Klassierung von Signalen als Störsignale eine entsprechende Anpassung der Parameter auslöst.
Das erfindungsgemässe Verfahren beruht auf der neuen Erkenntnis, dass beispielsweise ein Brandmelder zwischen zwei Revisionen oder zwei Stromausfällen nie mehr als einige wenige echte Brände "sieht", und dass vermehrt oder regelmässig auftretende Signale auf das Vorhandensein von Störquellen hindeuten. Die durch die Störquellen verursachten Störsignale werden als solche erkannt und die Melderparameter werden entsprechend angepasst. Auf diese Weise sind die nach dem erfindungsgemässen Verfahren betriebenen Melder lernfähig und können zwischen echten Gefahrensignalen und Störsignalen besser unterscheiden.
Eine zweite bevorzugte Weiterbildung des erfindungsgemässen Verfahrens ist dadurch gekennzeichnet, dass beim Auftreten von Störsignalen vor der Anpassung der Parameter das Ergebnis der Analyse der Signale des mindestens einen Sensors auf seine Gültigkeit überprüft wird, und dass die Anpassung der Parameter in Abhängigkeit vom Ergebnis dieser Gültigkeitsprüfung erfolgt.
Eine dritte bevorzugte Weiterbildung ist dadurch gekennzeichnet, dass die Gültigkeitsprüfung mittels Methoden erfolgt, welche auf Mehrfachauflösung beruhen.
Eine vierte bevorzugte Weiterbildung des erfindungsgemässen Verfahrens ist dadurch gekennzeichnet, dass für die Gültigkeitsprüfung Wavelets, vorzugsweise "biorthogonal" oder "second generation" wavelets oder "lifting scheme" verwendet werden.
Die Wavelet-Transformation ist eine Transformation oder Abbildung eines Signals vom Zeitbereich in den Frequenzbereich (siehe dazu beispielsweise "The Fast Wavelet-Transform" von Mac A. Cody in Dr. Dobb's Journal, April 1992); sie ist also grundsätzlich der Fourier-Transformation und Fast-Fourier-Transformation ähnlich. Sie unterscheidet sich von diesen aber durch die Basisfunktion der Transformation, nach der das Signal entwickelt wird. Bei einer Fourier-Transformation wird eine Sinus- und Cosinus-Funktion verwendet, die im Frequenzbereich scharf lokalisiert und im Zeitbereich unbestimmt ist. Bei einer Wavelet-Transformation wird ein sogenanntes Wavelet oder Wellenpaket verwendet. Hiervon gibt es verschiedene Typen wie zum Beispiel ein Gauss-, Spline- oder Haar-Wavelet, die jeweils durch zwei Parameter beliebig im Zeitbereich verschoben und im Frequenzbereich gedehnt oder komprimiert werden können. In jüngster Zeit wurden neue Wavelet-Methoden vorgestellt, die oft als "second generation" bezeichnet werden. Solche Wavelets sind mit den sogenannten "lifting-scheme" (Sweldens) konstruiert.
Es resultiert eine Reihe von Approximationen des ursprünglichen Signals, wovon jede eine gröbere Auflösung besitzt als die vorhergehende. Die Anzahl Operationen, die für die Transformation erforderlich sind, ist jeweils proportional zur Länge des ursprünglichen Signals, während bei der Fourier-Transformation diese Anzahl überproportional zur Signallänge ist. Die schnelle Wavelet-Transformation kann auch invers durchgeführt werden, indem das ursprüngliche Signal aus den approximierten Werten und Koeffizienten für die Rekonstruktion wiederhergestellt wird. Der Algorithmus für die Zerlegung und Rekonstruktion des Signals und eine Tabelle der Koeffi-zienten der Zerlegung und Rekonstruktion sind am Beispiel für ein Spline Wavelet in "An Introduction to Wavelets" von Charles K. Chui (Academic Press, San Diego, 1992) angegeben. Siehe zu diesem Thema auch "A Wavelet Tour of Signal Processing" von S. Mallat (Academic Press, 1998).
Eine weitere bevorzugte Weiterbildung des erfindungsgemässen Verfahrens ist dadurch gekennzeichnet, dass die Erwartungswerte für die Approximations- oder die Approximations- und Detailkoeffizienten der Wavelets bestimmt und bei verschiedenen Auflösungen verglichen werden. Vorzugsweise erfolgt die Bestimmung der genannten Koeffizienten in einem Schätzer oder mittels eines neuronalen Netzes.
Die Erfindung betrifft weiter einen Gefahrenmelder mit Mitteln zur Durchführung des genannten Verfahrens, mit mindestens einem Sensor für eine Gefahrenkenngrösse und mit einer einen Mikroprozessor enthaltenden Auswerteelektronik zur Auswertung und Analyse der Signale des mindestens einen Sensors.
Der erfindungsgemässe Gefahrenmelder ist dadurch gekennzeichnet, dass der Mikroprozessor ein Software-Programm mit einem auf Mehrfachauflösung beruhenden Lernalgorithmus für die Analyse der Signale des mindestens einen Sensors enthält.
Eine erste bevorzugte Ausführungsform des erfindungsgemässen Gefahrenmelders ist dadurch gekennzeichnet, dass durch den Lernalgorithmus einerseits eine Analyse der genannten Sensorsignale auf deren wiederholtes oder regelmässiges Auftreten und andererseits eine Gültigkeitsprüfung des Ergebnisses der Analyse erfolgt, und dass der Lernalgorithmus für die Gültigkeitsprüfung Wavelets, vorzugsweise "biorthogonal" oder "second generation" wavelets, verwendet.
Eine zweite bevorzugte Ausführungsform des erfindungsgemässen Gefahrenmelders ist dadurch gekennzeichnet, dass der Lernalgorithmus Neuro-Fuzzy-Methoden verwendet.
Eine dritte bevorzugte Ausführungsform des erfindungsgemässen Gefahrenmelders ist dadurch gekennzeichnet, dass der Lernalgorithmus die beiden Gleichungen fm(x) = Σc m,n · ϕm,n(x) (Σ über alle n) und
Figure 00030001
enthält, in denen ϕm,n Wavelet Skalierfunktionen, cm,n Approximations-Koeffizienten und yk den k-ten Eingangspunkt des neuronalen Netzes bezeichnet, und
Figure 00040001
die duale Funktion (dual function, Definition siehe S. Mallat) von ϕm,n ist.
Im folgenden wird die Erfindung anhand von Ausführungsbeispielen und der Zeichnungen näher erläutert; es zeigt:
Fig. 1
ein Diagramm zur Funktionserläuterung,
Fig. 2
ein Blockschema eines mit Mitteln zur Durchführung des erfindungsgemässen Verfahrens ausgerüsteten Gefahrenmelders,
Fig. 3a, 3b
zwei Varianten eines Details des Gefahrenmelders von Fig. 2; und
Fig. 4
eine weitere Variante eines Details des Gefahrenmelders von Fig. 3.
Durch das erfindungsgemässe Verfahren werden die Signale eines Gefahrenmelders so verarbeitet, dass typische Störsignale erfasst und charakterisiert werden. Wenn in der vorliegenden Beschreibung vorwiegend von Brandmeldern die Rede ist, bedeutet das nicht, dass das erfindungsgemässe Verfahren auf Brandmelder beschränkt ist. Das Verfahren ist vielmehr für Gefahrenmelder aller Art geeignet, insbesondere auch für Einbruch- und Bewegungsmelder.
Die erwähnten Störsignale werden mit einer einfachen und zuverlässigen Methode analysiert. Ein wichtiges Merkmal dieser Methode besteht darin, dass die Störsignale nicht nur erfasst und charakterisiert werden, sondern dass das Ergebnis der Analyse überprüft wird. Dazu wird Wavelet-Theorie und Mehrfachauflösungs-Analyse (multiresolution analysis) verwendet. Je nach dem Ergebnis der Überprüfung werden die Parameter des Melders oder die Algorithmen angepasst. Das bedeutet, dass bei-spielsweise die Empfindlichkeit verringert oder dass gewisse automatische Umschaltungen zwischen verschiedenen Parametersätzen verriegelt werden.
Letzteres sei an einem Beispiel erläutert: In der europäischen Patentanmeldung 99 122 975.8 ist ein Brandmelder beschrieben, der einen optischen Sensor für Streulicht, einen Temperatursensor und einen Brandgassensor aufweist. Die Auswerteelektronik des Melders enthält einen Fuzzy-Regler, in welchem eine Verknüpfung der Signale der einzelnen Sensoren und eine Diagnose der jeweiligen Brandart erfolgt. Für jede Brandart ist ein spezieller applikationsspezifischer Algorithmus bereitgestellt und anhand der Diagnose auswählbar. Ausserdem enthält der Melder verschiedenen Parametersätze für Personenschutz und Immobilienschutz, zwischen denen im Normalfall eine online-Umschaltung erfolgt. Wenn nun beim Temperatur- und/oder beim Brandgassensor Störsignale diagnostiziert werden, wird die Umschaltung zwischen diesen Parametersätzen verriegelt.
Bei der Verwendung von Fuzzy-Logik besteht eines der zu lösenden Probleme in der Übersetzung des in einer Datenbank gespeicherten Wissens in linguistisch interpretierbare Fuzzy-Regeln. Zu diesem Zweck entwickelte Neurofuzzy-Methoden vermochten nicht zu überzeugen, weil sie teilweise nur sehr schwierig interpretierbare Fuzzy-Regeln liefern. Eine Möglichkeit zur Gewinnung interpretierbarer Fuzzy-Regeln bieten hingegen sogenannte Mehrfachauflösungs-Techniken. Deren Idee besteht darin, ein Wörterbuch von Zugehörigkeitsfunktionen zu verwenden, welche eine Mehrfachauflösung bilden, und zu bestimmen, welches die für die Beschreibung einer Steuerfläche geeigneten Zugehörigkeitsfunktionen sind.
In Fig. 1 ist ein Diagramm einer solchen Mehrfachauflösung dargestellt. Zeile a zeigt den Verlauf eines Signals, dessen Amplitude sich in den Bereichen klein, mittel und gross bewegt. Entsprechend sind in Zeile b die Zugehörigkeitsfunktionen c1 "ziemlich klein", c2 "mittel" und c3 "ziemlich gross" eingezeichnet. Diese Zugehörigkeitsfunktionen bilden eine Mehrfachauflösung, was bedeutet, dass jede Zugehörigkeitsfunktion in eine Summe von Zugehörigkeitsfunktionen eines höheren Auflösungsniveaus zerlegt werden kann. Das ergibt die in Zeile c eingetragenen Zugehörigkeitsfunktionen c5 "sehr klein", c6 "klein bis sehr klein", c7 "sehr mittel", c8 "gross bis sehr gross" und c9 "sehr gross". Gemäss Zeile d kann also beispielsweise die dreieckige Spline-Funktion c2 in die Summe der übersetzten Dreiecksfunktionen des höheren Niveaus von Zeile c zerlegt werden.
Im Tagaki-Sugeno Modell werden die Fuzzy Regeln nach der Gleichung Ri : wenn x ist Ai dann yi = fi (xi) ausgedrückt. Hier sind Ai linguistische Ausdrücke, x ist die linguistische Eingangsvariable und y ist die Ausgangsvariable. Der Wert der linguistischen Eingangsvariablen kann scharf oder unscharf (fuzzy) sein. Wenn beispielsweise xi eine linguistische Variable für die Temperatur ist, dann kann der Wert x and eine scharfe Zahl wie "30(°C)" oder eine unscharfen Grösse wie "ungefähr 25 (°C)" sein, wobei "ungefähr 25" selbst ein Fuzzy-Set ist.
Für einen scharfen Eingangswert ist der Ausgangswert des Fuzzy-Systems gegeben durch: y=Σβi·f(x)/Σβi wobei der Grad der Erfüllung βi durch den Ausdruck βi =µAi(x and) gegeben ist, in welchem µAi(x and) die Zugehörigkeitsfunktion zum linguistischen Term Ai bezeichnet. Bei vielen Anwendungen wird eine lineare Funktion genommen: f(x and) = aTi·x and+bi. wenn zur Beschreibung des scharfen Ausgangswerts y eine Konstante bi genommen wird, dann wird das System zu: Ri : wenn x ist Ai dann yi = bi
Wenn Spline-Funktionen Nk genommen werden, beispielsweise als Zugehörigkeitsfunktion µAi(x and) = Nk [2m(x and-n)], dann ist das System von Gleichung (3) äquivalent mit yi = Σbi·Nk [2m(x-n)]
In diesem speziellen Fall ist der Ausgang y eine lineare Summe von übersetzten und ausgedehnten Splinefunktionen. Und das bedeutet, dass unter Gleichung (4) das Tagaki-Sugeno Modell einem Mehrfachauflösungs-Spline Modell äquivalent ist. Und daraus folgt, dass hier Wavelet-Techniken angewendet werden können.
Fig. 2 zeigt ein Blockschema eines mit einem Neurofuzzy-Lernalgorithmus ausgerüsteten Gefahrenmelders. Der mit dem Bezugszeichen M bezeichnete Melder ist beispielsweise ein Brandmelder und weist drei Sensoren 2 bis 4 für Brandkenngrössen auf. Beispielsweise ist ein optischer Sensor 2 für Streulicht- oder Durchlichtmessung, ein Temperatursensor 3 und ein Brandgas-, beispielsweise ein CO-Sensor 4, vorgesehen. Die Ausgangssignale der Sensoren 2 bis 4 sind einer Verarbeitungsstufe 1 zugeführt, welche geeignete Mittel zur Verarbeitung der Signale, wie zum Beispiel Verstärker aufweist, und gelangen von dieser in einen nachfolgend als µP 6 bezeichneten Mikroprozessor oder Mikrokontroller.
Im µP 6 werden die Sensorsignale sowohl untereinander als auch einzeln mit bestimmten Parametersätzen für die einzelnen Brandkenngrössen verglichen. Selbstverständlich ist die Anzahl der Sensoren nicht auf drei beschränkt. So kann auch nur ein einziger Sensor vorgesehen sein, wobei in diesem Fall aus dem Signal des einen Sensors verschiedene Eigenschaften, beispielsweise der Signalgradient oder die Signalfluktuation, extrahiert und untersucht werden. In den
µP 6 sind softwaremässig ein Neuro-Fuzzy-Netz 7 und eine Gültigkeitsprüfung (Validierung) 8 integriert. Wenn das aus dem Neuro-Fuzzy-Netz 7 resultierende Signal als Alarmsignal gewertet wird, wird einer Alarmabgabevorrichtung 9 oder einer Alarmzentrale ein entsprechendes Alarmsignal zugeführt. Sollte die Validierung 8 ergeben, dass wiederholt oder regelmässig Störsignale auftreten, dann werden die im µP 6 gespeicherten Parametersätze entsprechend korrigiert.
Das Neuro-Fuzzy-Netz 7 ist eine Serie neuronaler Netze, welche die symmetrischen Skalierfunktionen ϕm,n (x) = ϕm,n(x) = ϕ[(x-n)2m] als Aktivierungsfunktion verwenden. Die Skalierfunktionen sind derart, dass {(ϕm,n(x)} eine Mehrfachauflösung bilden. Jedes neuronale Netz benutzt Aktivierungsfunktionen einer gegebenen Auflösung. Das m-te neuronale Netz optimiert die Koeffi-zienten c andm,n mit fm(x), dem Ausgang des m-ten neuronalen Netzes. fm(x) = Σc m,n ϕm,n(x) (Σ über alle n)
Die Koeffizienten cm,n werden mit der folgenden Gleichung berechnet:
Figure 00060001
wobei yk(x) der k-te Eingangspunkt und
Figure 00060002
die duale Funktion von ϕm,n(x) ist. Die beiden Gleichungen (5) und (6) bilden den Hauptalgorithmus des Neuro-Fuzzy-Netzes.
Bei jedem Iterationsschritt werden die Werte der verschiedenen neuronalen Netze kreuzweise überprüft (validiert), wozu eine Eigenschaft der Wavelet-Zerlegung, nämlich diejenige, dass die Approximationskoeffizienten cm,n eines Niveaus m aus den Approximations- und Wavelet-Koeffizienten des Niveaus m-1 durch Verwendung des Rekonstruktions- oder Zerlegungsalgorithmus gewonnen werden können.
Bei einer bevorzugten Ausführung ist
Figure 00070001
eine Spline-Funktion zweiter Ordnung und ϕm,n(x) eine Interpolationsfunktion. Bei einer zweiten Ausführung ist ϕm,n(x) eine Spline-Funktion und
Figure 00070002
die duale Funktion von ϕm,n(x). In einer dritten Ausführung ist
Figure 00070003
= ϕm,n(x), wobei ϕm,n(x) die Haar-Funktion ist. In diesen Fällen ist die Implementierung des Lernalgorithmus in einen einfachen Mikroprozessor möglich.
In den Figuren 3a und 3b sind zwei Varianten eines Neuro-Fuzzy-Netzes 7 und der zugehörigen Validierungsstufe 8 dargestellt. Beim Beispiel von Fig. 3a wird das Eingangssignal in verschiedenen Auflösungsstufen als gewichtete Summe von Wavelets ψm,n und Skalierfunktionen ϕm,n mit einer gegebenen Auflösung approximiert. Die Validierungsstufe 8 vergleicht die Approximationskoeffizienten c andm,n mit den Approximations- und Detailkoeffizienten der Wavelets auf dem Niveau der nächsttieferen Auflösungsstufe. Mit p und q sind Wavelet Rekonstruktions-Filterkoeffizienten bezeichnet.
Beim Beispiel von Fig. 3b wird das Eingangssignal in verschiedenen Auflösungsstufen als gewichtete Summe von Skalierfunktionen ϕm,n mit einer gegebenen Auflösung approximiert. Die Validierungsstufe 8 vergleicht die Approximationskoeffizienten c andm,n mit den Approximationskoeffizienten auf dem Niveau der nächsttieferen Auflösungsstufe. Mit g sind Wavelet Tiefpass-Zerlegungskoeffizienten bezeichnet.
Anstatt in einem Neuro-Fuzzy-Netz 7 kann die Bestimmung der genannten Koeffizienten in einem Schätzer (estimator) der in Fig. 4 dargestellten Art erfolgen. Dieser Schätzer ist ein sogenannter Mehrfachauflösungs-Spline-Estimator, welcher zur Abschätzung der Koeffizienten c andm,n in der Gleichung fm(x) = c andm,n ϕm,n(x) auf den Funktionen
Figure 00070004
basierende Dual-Spline-Estimatoren verwendet. Man verwendet Wavelet-Spline-Estimatoren zur adaptiven Bestimmung der geeigneten Auflösung, um eine zugrundeliegende Hyperfläche in einem online-Lernprozess lokal zu beschreiben. Ein bekannter Schätzer ist der Nadaraya-Watson-Estimator, mit welchem die Gleichung der Hyperfläche f(x) durch den folgenden Ausdruck abgeschätzt wird:
Figure 00070005
Nadaraya-Watson-Estimatoren haben zwei interessante Eigenschaften, sie sind Schätzer der lokalen mittleren quadratischen Abweichung und es kann gezeigt werden, dass sie im Fall eines Zufallsdesigns sogenannten Bayes'sche-Schätzer von (xk,yk) sind, wobei (xk,yk) iid-Kopien einer kontinuierlichen Zufallsvariablen (X, Y) sind.
Die Spline-Funktionen ϕ(x) und ihre Dualfunktion
Figure 00070006
können als Schätzer verwendet werden. Wir verwenden zuerst die Funktion
Figure 00070007
zur Abschätzung von f(x) mit λ = 2-m (m ist eine ganze Zahl) an xn mit xn·2m ∈ Z:
Mit Verwendung der Symmetrie von
Figure 00080001
ist Gleichung (6) für die duale Spline-Funktion äqivalent zur Verwendung eines bei xn zentrierten Schätzers:
Figure 00080002
Der Erwartungswert des Zählers in Gleichung (7) ist proportional zum Approximationskoeffizienten cm,n. Gleichung (6) liefert eine Schätzung von c andm,n in fm(x) =Σc andm,n ϕm,n(x): c m,n = f(xn).
In der Figur 4 sind die zur Verfügung stehenden Daten (Werte) mit einem kleinen Quadrat bezeichnet, ihre Projektion auf duale Spline-Funktionen mit einem kleinen Kreis und die Abschätzung auf einem regelmässigen Gitter mit einem Kreuzchen.
Zur Validierung des Koeffizienten c andm,n sind zwei Bedingungen notwendig:
Figure 00080003
wobei die Filterkoeffizienten g dem Tiefpass-Zerlegungs-Koeffizienten für Spline-Funktionen entsprechen. Ausserdem wird gefordert, dass
Figure 00080004
damit Teilungen durch sehr kleine Werte verhindert werden.
Die Stärke dieser Methode liegt darin, dass die Berechnung eines Koeffizienten c andm,n die Speicherung von lediglich zwei Werten erfordert, des Zählers und des Nenners in Gleichung (7). Das Verfahren ist daher sehr gut für online-Lernen mit einem einfachen Mikroprozessor mit geringer Speicherkapazität geeignet.
Das Verfahren ist leicht an Dichte-Abschätzung anpassbar, indem die Gleichung (7) und (8) durch die folgende Gleichung ersetzt werden:
Figure 00080005

Claims (11)

  1. Verfahren zur Verarbeitung der Signale eines Gefahrenmelders, welcher mindestens einen Sensor (2, 3, 4) zur Überwachung von Gefahrenkenngrössen und eine dem mindestens einen Sensor (2, 3, 4) zugeordnete Auswerteelektronik (1) aufweist, in welcher ein Vergleich der Signale des mindestens einen Sensors (2, 3, 4) mit vorgegebenen Parametern erfolgt, dadurch gekennzeichnet, dass die Signale des mindestens einen Sensors (2, 3, 4) daraufhin analysiert werden, ob sie vermehrt oder regelmässig auftreten, und dass vermehrt oder regelmässig auftretende Signale als Störsignale klassiert werden.
  2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass die Klassierung von Signalen als Störsignale eine entsprechende Anpassung der Parameter auslöst.
  3. Verfahren nach Anspruch 2, dadurch gekennzeichnet, dass beim Auftreten von Störsignalen vor der Anpassung der Parameter das Ergebnis der Analyse der Signale des mindestens einen Sensors (2, 3, 4) auf seine Gültigkeit überprüft wird, und dass die Anpassung der Parameter in Abhängigkeit vom Ergebnis dieser Gültigkeitsprüfung erfolgt.
  4. Verfahren nach Anspruch 3, dadurch gekennzeichnet, dass die Gültigkeitsprüfung mittels Methoden erfolgt, welche auf Mehrfachauflösung beruhen.
  5. Verfahren nach Anspruch 4, dadurch gekennzeichnet, dass für die Gültigkeitsprüfung Wavelets, vorzugsweise "biorthogonal" oder "second generation" wavelets oder "lifting scheme" verwendet werden.
  6. Verfahren nach Anspruch 5, dadurch gekennzeichnet, dass die Erwartungswerte für die Approximations- oder die Approximations- und Detailkoeffizienten der Wavelets bestimmt und bei verschiedenen Auflösungen verglichen werden.
  7. Verfahren nach Anspruch 6, dadurch gekennzeichnet, dass die Bestimmung der genannten Koeffizienten in einem Schätzer oder mittels eines neuronalen Netzes erfolgt.
  8. Gefahrenmelder mit Mitteln zur Durchführung des Verfahrens nach Anspruch 1, mitmindestens einem Sensor (2, 3, 4) für eine Gefahrenkenngrösse und mit einer einen Mikroprozessor (6) enthaltenden Auswerteelektronik (1) zur Auswertung und Analyse der Signale des mindestens einen Sensors (2, 3, 4), dadurch gekennzeichnet, dass der Mikroprozessor (6) ein Software-Programm mit einem auf Mehrfachauflösung beruhenden Lernalgorithmus für die Analyse der Signale des mindestens einen Sensors (2, 3, 4) enthält.
  9. Gefahrenmelder nach Anspruch 9, dadurch gekennzeichnet, dass durch den Lernalgorithmus einerseits eine Analyse der genannten Sensorsignale auf deren wiederholtes oder regelmässiges Auftreten und andererseits eine Gültigkeitsprüfung des Ergebnisses der Analyse erfolgt, und dass der Lernalgorithmus für die Gültigkeitsprüfung Wavelets, vorzugsweise "biorthogonal" oder "second generation" wavelets, verwendet.
  10. Gefahrenmelder nach Anspruch 9, dadurch gekennzeichnet, dass der Lernalgorithmus Neuro-Fuzzy-Methoden verwendet.
  11. Gefahrenmelder nach Anspruch 10, dadurch gekennzeichnet, dass der Lernalgorithmus die beiden Gleichungen fm(x) = Σc m,n · ϕm,n(x) (Σ über alle n) und
    Figure 00100001
    enthält, in denen ϕm,n Skalierfunktionen, c andm,n Approximations-Koeffizienten und yk den k-ten Eingangspunkt des neuronalen Netzes bezeichnet und
    Figure 00100002
    die duale Funktion von ϕm,n ist.
EP00105438A 2000-03-15 2000-03-15 Verfahren zur Verarbeitung der Signale eines Gefahrenmelders und Gefahrenmelder mit Mitteln zur Durchführung des Verfahrens Expired - Lifetime EP1134712B1 (de)

Priority Applications (15)

Application Number Priority Date Filing Date Title
US10/019,362 US6879253B1 (en) 2000-03-15 2000-03-06 Method for the processing of a signal from an alarm and alarms with means for carrying out said method
DE50015145T DE50015145D1 (de) 2000-03-15 2000-03-15 Verfahren zur Verarbeitung der Signale eines Gefahrenmelders und Gefahrenmelder mit Mitteln zur Durchführung des Verfahrens
AT00105438T ATE394767T1 (de) 2000-03-15 2000-03-15 Verfahren zur verarbeitung der signale eines gefahrenmelders und gefahrenmelder mit mitteln zur durchführung des verfahrens
EP00105438A EP1134712B1 (de) 2000-03-15 2000-03-15 Verfahren zur Verarbeitung der Signale eines Gefahrenmelders und Gefahrenmelder mit Mitteln zur Durchführung des Verfahrens
ES00105438T ES2304919T3 (es) 2000-03-15 2000-03-15 Procedimiento para procesar las señales de un avisador de peligro y avisador de peligro con medios para realizar el procedimiento.
CNB018005322A CN1187723C (zh) 2000-03-15 2001-03-06 处理事故报警器的信号的方法和事故报警器
KR1020017014423A KR100776063B1 (ko) 2000-03-15 2001-03-06 경보장치로부터의 신호처리방법과, 이 방법의 실행을 위한수단을 갖춘 경보장치
AU35304/01A AU776482B2 (en) 2000-03-15 2001-03-06 Method for the processing of a signal from an alarm and alarms with means for carrying out said method
PCT/CH2001/000136 WO2001069566A1 (de) 2000-03-15 2001-03-06 Verfahren zur verarbeitung der signale eines gefahrenmelders und gefahrenmelder mit mitteln zur durchführung des verfahrens
HK02108442.5A HK1046978B (zh) 2000-03-15 2001-03-06 處理事故報警器的信號的方法和事故報警器
JP2001567562A JP2003527702A (ja) 2000-03-15 2001-03-06 危険検出器の信号を処理する方法およびその方法を実行する手段を有する危険検出器
PL01350725A PL350725A1 (en) 2000-03-15 2001-03-06 Method for the processing of a signal from an alarm and alarms with means for carrying out said method
CZ20014105A CZ20014105A3 (cs) 2000-03-15 2001-03-06 Způsob zpracování signálů hlásiče nebezpečí a hlásič nebezpečí s prostředky k provádění tohoto způsobu
HU0201180A HUP0201180A2 (en) 2000-03-15 2001-03-06 Method for the processing of a signal from an alarm and alarms with means for carrying out said method
NO20015566A NO20015566L (no) 2000-03-15 2001-11-14 Fremgangsmate ved bearbeidelsen av signalene fra en risikovarsler, og risikovarsler med midler for gjennomforing av fremgangsmaten

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
EP00105438A EP1134712B1 (de) 2000-03-15 2000-03-15 Verfahren zur Verarbeitung der Signale eines Gefahrenmelders und Gefahrenmelder mit Mitteln zur Durchführung des Verfahrens

Publications (2)

Publication Number Publication Date
EP1134712A1 true EP1134712A1 (de) 2001-09-19
EP1134712B1 EP1134712B1 (de) 2008-05-07

Family

ID=8168099

Family Applications (1)

Application Number Title Priority Date Filing Date
EP00105438A Expired - Lifetime EP1134712B1 (de) 2000-03-15 2000-03-15 Verfahren zur Verarbeitung der Signale eines Gefahrenmelders und Gefahrenmelder mit Mitteln zur Durchführung des Verfahrens

Country Status (15)

Country Link
US (1) US6879253B1 (de)
EP (1) EP1134712B1 (de)
JP (1) JP2003527702A (de)
KR (1) KR100776063B1 (de)
CN (1) CN1187723C (de)
AT (1) ATE394767T1 (de)
AU (1) AU776482B2 (de)
CZ (1) CZ20014105A3 (de)
DE (1) DE50015145D1 (de)
ES (1) ES2304919T3 (de)
HK (1) HK1046978B (de)
HU (1) HUP0201180A2 (de)
NO (1) NO20015566L (de)
PL (1) PL350725A1 (de)
WO (1) WO2001069566A1 (de)

Families Citing this family (31)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7068177B2 (en) * 2002-09-19 2006-06-27 Honeywell International, Inc. Multi-sensor device and methods for fire detection
US7202794B2 (en) * 2004-07-20 2007-04-10 General Monitors, Inc. Flame detection system
FI117878B3 (fi) * 2006-01-20 2019-01-31 Innohome Oy Lieden tai liesituulettimen hälytyslaite
US8719385B2 (en) * 2008-10-28 2014-05-06 Honeywell International Inc. Site controller discovery and import system
US20100106543A1 (en) * 2008-10-28 2010-04-29 Honeywell International Inc. Building management configuration system
US8850347B2 (en) 2010-09-30 2014-09-30 Honeywell International Inc. User interface list control system
US8819562B2 (en) 2010-09-30 2014-08-26 Honeywell International Inc. Quick connect and disconnect, base line configuration, and style configurator
US20110093493A1 (en) 2008-10-28 2011-04-21 Honeywell International Inc. Building management system site categories
US9471202B2 (en) * 2008-11-21 2016-10-18 Honeywell International Inc. Building control system user interface with pinned display feature
US8572502B2 (en) * 2008-11-21 2013-10-29 Honeywell International Inc. Building control system user interface with docking feature
US8224763B2 (en) 2009-05-11 2012-07-17 Honeywell International Inc. Signal management system for building systems
US8554714B2 (en) * 2009-05-11 2013-10-08 Honeywell International Inc. High volume alarm management system
US8352047B2 (en) 2009-12-21 2013-01-08 Honeywell International Inc. Approaches for shifting a schedule
US20110196539A1 (en) * 2010-02-10 2011-08-11 Honeywell International Inc. Multi-site controller batch update system
US8640098B2 (en) * 2010-03-11 2014-01-28 Honeywell International Inc. Offline configuration and download approach
US8890675B2 (en) 2010-06-02 2014-11-18 Honeywell International Inc. Site and alarm prioritization system
US8648706B2 (en) 2010-06-24 2014-02-11 Honeywell International Inc. Alarm management system having an escalation strategy
US9213539B2 (en) 2010-12-23 2015-12-15 Honeywell International Inc. System having a building control device with on-demand outside server functionality
US9223839B2 (en) 2012-02-22 2015-12-29 Honeywell International Inc. Supervisor history view wizard
US9529349B2 (en) 2012-10-22 2016-12-27 Honeywell International Inc. Supervisor user management system
US9971977B2 (en) 2013-10-21 2018-05-15 Honeywell International Inc. Opus enterprise report system
US9933762B2 (en) 2014-07-09 2018-04-03 Honeywell International Inc. Multisite version and upgrade management system
CN105067025A (zh) * 2015-07-31 2015-11-18 西南科技大学 一种利用单稳系统随机共振效应检测微弱信号的方法
US10209689B2 (en) 2015-09-23 2019-02-19 Honeywell International Inc. Supervisor history service import manager
US10362104B2 (en) 2015-09-23 2019-07-23 Honeywell International Inc. Data manager
ES2968291T3 (es) * 2016-11-11 2024-05-08 Carrier Corp Detección basada en fibra óptica de alta sensibilidad
EP3539105B1 (de) 2016-11-11 2024-09-11 Carrier Corporation Auf hochempfindlicher faseroptik basierende detektion
CA3043583A1 (en) 2016-11-11 2018-05-17 Carrier Corporation High sensitivity fiber optic based detection
WO2018089636A1 (en) 2016-11-11 2018-05-17 Carrier Corporation High sensitivity fiber optic based detection
WO2018089654A1 (en) 2016-11-11 2018-05-17 Carrier Corporation High sensitivity fiber optic based detection
CN107180521A (zh) * 2017-04-19 2017-09-19 天津大学 基于综合特征的光纤周界安防入侵事件识别方法及装置

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6011464A (en) * 1996-10-04 2000-01-04 Cerberus Ag Method for analyzing the signals of a danger alarm system and danger alarm system for implementing said method

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CH686914A5 (de) * 1993-12-20 1996-07-31 Cerberus Ag Brandmeldesystem zur Frueherkennung von Braenden.
DE59409799D1 (de) * 1994-12-19 2001-08-16 Siemens Building Tech Ag Verfahren und Anordnung zum Detektieren einer Flamme
JP3251799B2 (ja) * 1995-02-13 2002-01-28 三菱電機株式会社 機器の診断装置
US6150935A (en) * 1997-05-09 2000-11-21 Pittway Corporation Fire alarm system with discrimination between smoke and non-smoke phenomena
JP3827426B2 (ja) * 1997-11-06 2006-09-27 能美防災株式会社 火災検出装置

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6011464A (en) * 1996-10-04 2000-01-04 Cerberus Ag Method for analyzing the signals of a danger alarm system and danger alarm system for implementing said method

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
JACOB, P.J. AND BALL, A.D.: "Empirical validation of the performance of a class of transient detector", 1996, IEE. SAVOY PLACE LONDON WC2R OBL, UK, XP002144057 *
MA, J. , ZHANG, J.Q. AND YAN, Y.: "Wavelet Transform based sensor validation", 1999, IEE. SAVOY PLACE, LONDON WC2R OBL, UK, XP002144056 *
THUILLARD, M.: "Fuzzy-wavelets: theory and applications", 10 September 1998, EUFIT' 98, GERMANY, XP000934368 *

Also Published As

Publication number Publication date
AU3530401A (en) 2001-09-24
US6879253B1 (en) 2005-04-12
KR100776063B1 (ko) 2007-11-15
CN1364283A (zh) 2002-08-14
NO20015566D0 (no) 2001-11-14
HK1046978B (zh) 2005-09-23
KR20020042764A (ko) 2002-06-07
JP2003527702A (ja) 2003-09-16
NO20015566L (no) 2001-11-14
PL350725A1 (en) 2003-01-27
WO2001069566A1 (de) 2001-09-20
CZ20014105A3 (cs) 2002-05-15
EP1134712B1 (de) 2008-05-07
HUP0201180A2 (en) 2003-03-28
HK1046978A1 (en) 2003-01-30
AU776482B2 (en) 2004-09-09
ATE394767T1 (de) 2008-05-15
CN1187723C (zh) 2005-02-02
ES2304919T3 (es) 2008-11-01
DE50015145D1 (de) 2008-06-19

Similar Documents

Publication Publication Date Title
EP1134712B1 (de) Verfahren zur Verarbeitung der Signale eines Gefahrenmelders und Gefahrenmelder mit Mitteln zur Durchführung des Verfahrens
DE69607460T2 (de) Neuronales netzwerk
DE69811472T2 (de) Personenidentifizierungssystem mit auswertung multipler parameter mit geringer kreuzkorrelation
DE69309300T2 (de) Verfahren und vorrichtung zur artikelklassifizierung
DE4432002A1 (de) Verfahren zur Rekonstruktion von in Rasterform vorliegenden Linienstrukturen
DE19629275A1 (de) Verfahren und Vorrichtung zur Unterscheidung verschiedener Arten eines Feuers
DE60002290T2 (de) Verfahren zum Nachweis von Anomalien in einem Signal
EP1496483B1 (de) Verfahren und Einrichtung zur Detektion von Flammen
EP0865646A1 (de) Verfahren zur analyse des signals eines gefahrenmelders und gefahrenmelder zur durchführung des verfahrens
EP3707496B1 (de) Identifizierung eines oder mehrerer spektraler merkmale in einem spektrum einer probe für eine inhaltsstoffanalyse
DE69811088T2 (de) Klassifizieranlage und klassifizierverfahren unter verwendung einer kombination von warscheinlichkeitsverfahren und neuronalen netzwerken
EP0718814A1 (de) Verfahren und Anordnung zum Detektieren einer Flamme
DE2924605C2 (de) Verfahren zur optischen Unterscheidung von Prüfobjekten
DE69802372T4 (de) Klassifizierungssystem und -verfahren mit N-Tuple- oder RAM-basiertem neuronalem Netzwerk
AT507266B1 (de) Verfahren zum automatischen erkennen eines defekts in einer elektronischen darstellung
WO2012059210A1 (de) Verfahren zur bestimmung von chemischen bestandteilen von festen oder flüssigen substanzen mit hilfe der thz-spektroskopie
DE69704201T2 (de) Mustererkennung mittels neuronalen netzes
DE19549300C1 (de) Verfahren zur rechnergestützten Ermittlung einer Bewertungsvariablen eines Bayesianischen Netzwerkgraphen
EP0646901A1 (de) Verfahren zur Verarbeitung der Signale eines passiven Infrarot-Detektors und Infrarot-Detektor zur Durchführung des Verfahrens
DE10225344A1 (de) Verfahren zur Bestimmung des Rausch-Niveaus eines als Folge von digitalisierten Messwerten repräsentierten Signals
EP1309939B1 (de) Verfahren zur fingerabdruckauswertung und vorrichtung
WO2023046653A1 (de) Verfahren zum bestimmen, ob ein vorgegebenes transportgut in einem überwachungsbereich angeordnet ist
DE102023210335A1 (de) Verfahren zum Ermitteln wenigstens eines Change-Points in einer Zeitreihe von Sensorwerten
DE102023202195A1 (de) Erkennungsverfahren für eine erkennung von alarmobjekten in gepäckstücken
DE19810162C2 (de) Verfahren zur Bildanalyse nach stochastischen Eigenschaften

Legal Events

Date Code Title Description
PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AT BE CH CY DE DK ES FI FR GB GR IE IT LI LU MC NL PT SE

AX Request for extension of the european patent

Free format text: AL;LT;LV;MK;RO;SI

17P Request for examination filed

Effective date: 20020312

AKX Designation fees paid

Free format text: AT BE CH CY DE DK ES FI FR GB GR IE IT LI LU MC NL PT SE

RAP1 Party data changed (applicant data changed or rights of an application transferred)

Owner name: SIEMENS SCHWEIZ AG

17Q First examination report despatched

Effective date: 20070102

GRAP Despatch of communication of intention to grant a patent

Free format text: ORIGINAL CODE: EPIDOSNIGR1

RAP1 Party data changed (applicant data changed or rights of an application transferred)

Owner name: SIEMENS AKTIENGESELLSCHAFT

GRAS Grant fee paid

Free format text: ORIGINAL CODE: EPIDOSNIGR3

GRAA (expected) grant

Free format text: ORIGINAL CODE: 0009210

AK Designated contracting states

Kind code of ref document: B1

Designated state(s): AT BE CH CY DE DK ES FI FR GB GR IE IT LI LU MC NL PT SE

REG Reference to a national code

Ref country code: GB

Ref legal event code: FG4D

Free format text: NOT ENGLISH

REG Reference to a national code

Ref country code: CH

Ref legal event code: EP

REG Reference to a national code

Ref country code: IE

Ref legal event code: FG4D

Free format text: LANGUAGE OF EP DOCUMENT: GERMAN

REF Corresponds to:

Ref document number: 50015145

Country of ref document: DE

Date of ref document: 20080619

Kind code of ref document: P

REG Reference to a national code

Ref country code: CH

Ref legal event code: NV

Representative=s name: SIEMENS SCHWEIZ AG

PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

Ref country code: NL

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20080507

Ref country code: FI

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20080507

REG Reference to a national code

Ref country code: ES

Ref legal event code: FG2A

Ref document number: 2304919

Country of ref document: ES

Kind code of ref document: T3

NLV1 Nl: lapsed or annulled due to failure to fulfill the requirements of art. 29p and 29m of the patents act
REG Reference to a national code

Ref country code: IE

Ref legal event code: FD4D

PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

Ref country code: DK

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20080507

Ref country code: PT

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20081007

Ref country code: SE

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20080807

Ref country code: IE

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20080507

PLBE No opposition filed within time limit

Free format text: ORIGINAL CODE: 0009261

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: NO OPPOSITION FILED WITHIN TIME LIMIT

REG Reference to a national code

Ref country code: CH

Ref legal event code: PCAR

Free format text: SIEMENS SCHWEIZ AG;INTELLECTUAL PROPERTY FREILAGERSTRASSE 40;8047 ZUERICH (CH)

26N No opposition filed

Effective date: 20090210

BERE Be: lapsed

Owner name: SIEMENS A.G.

Effective date: 20090331

PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

Ref country code: MC

Free format text: LAPSE BECAUSE OF NON-PAYMENT OF DUE FEES

Effective date: 20090331

PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

Ref country code: BE

Free format text: LAPSE BECAUSE OF NON-PAYMENT OF DUE FEES

Effective date: 20090331

PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

Ref country code: GR

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20080808

PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

Ref country code: LU

Free format text: LAPSE BECAUSE OF NON-PAYMENT OF DUE FEES

Effective date: 20090315

PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

Ref country code: CY

Free format text: LAPSE BECAUSE OF FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20080507

PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

Ref country code: DE

Free format text: LAPSE BECAUSE OF NON-PAYMENT OF DUE FEES

Effective date: 20111001

PGFP Annual fee paid to national office [announced via postgrant information from national office to epo]

Ref country code: AT

Payment date: 20120207

Year of fee payment: 13

REG Reference to a national code

Ref country code: AT

Ref legal event code: MM01

Ref document number: 394767

Country of ref document: AT

Kind code of ref document: T

Effective date: 20130315

PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

Ref country code: AT

Free format text: LAPSE BECAUSE OF NON-PAYMENT OF DUE FEES

Effective date: 20130315

REG Reference to a national code

Ref country code: CH

Ref legal event code: PUE

Owner name: SIEMENS SCHWEIZ AG, CH

Free format text: FORMER OWNER: SIEMENS AKTIENGESELLSCHAFT, DE

REG Reference to a national code

Ref country code: FR

Ref legal event code: PLFP

Year of fee payment: 16

REG Reference to a national code

Ref country code: GB

Ref legal event code: 732E

Free format text: REGISTERED BETWEEN 20150220 AND 20150225

PGFP Annual fee paid to national office [announced via postgrant information from national office to epo]

Ref country code: IT

Payment date: 20150328

Year of fee payment: 16

REG Reference to a national code

Ref country code: DE

Ref legal event code: R081

Ref document number: 50015145

Country of ref document: DE

Owner name: SIEMENS SCHWEIZ AG, CH

Free format text: FORMER OWNER: SIEMENS AKTIENGESELLSCHAFT, 80333 MUENCHEN, DE

Effective date: 20150407

PGFP Annual fee paid to national office [announced via postgrant information from national office to epo]

Ref country code: FR

Payment date: 20150311

Year of fee payment: 16

Ref country code: GB

Payment date: 20150312

Year of fee payment: 16

PGFP Annual fee paid to national office [announced via postgrant information from national office to epo]

Ref country code: CH

Payment date: 20150602

Year of fee payment: 16

Ref country code: ES

Payment date: 20150427

Year of fee payment: 16

REG Reference to a national code

Ref country code: FR

Ref legal event code: TP

Owner name: SIEMENS SCHWEIZ AG, CH

Effective date: 20150916

REG Reference to a national code

Ref country code: ES

Ref legal event code: PC2A

Owner name: SIEMENS SCHWEIZ AG

Effective date: 20160406

REG Reference to a national code

Ref country code: CH

Ref legal event code: PL

GBPC Gb: european patent ceased through non-payment of renewal fee

Effective date: 20160315

REG Reference to a national code

Ref country code: FR

Ref legal event code: ST

Effective date: 20161130

PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

Ref country code: CH

Free format text: LAPSE BECAUSE OF NON-PAYMENT OF DUE FEES

Effective date: 20160331

Ref country code: FR

Free format text: LAPSE BECAUSE OF NON-PAYMENT OF DUE FEES

Effective date: 20160331

Ref country code: GB

Free format text: LAPSE BECAUSE OF NON-PAYMENT OF DUE FEES

Effective date: 20160315

Ref country code: LI

Free format text: LAPSE BECAUSE OF NON-PAYMENT OF DUE FEES

Effective date: 20160331

PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

Ref country code: IT

Free format text: LAPSE BECAUSE OF NON-PAYMENT OF DUE FEES

Effective date: 20160315

REG Reference to a national code

Ref country code: ES

Ref legal event code: FD2A

Effective date: 20170428

PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

Ref country code: ES

Free format text: LAPSE BECAUSE OF NON-PAYMENT OF DUE FEES

Effective date: 20160316

PGFP Annual fee paid to national office [announced via postgrant information from national office to epo]

Ref country code: DE

Payment date: 20180518

Year of fee payment: 19

REG Reference to a national code

Ref country code: DE

Ref legal event code: R119

Ref document number: 50015145

Country of ref document: DE

PG25 Lapsed in a contracting state [announced via postgrant information from national office to epo]

Ref country code: DE

Free format text: LAPSE BECAUSE OF NON-PAYMENT OF DUE FEES

Effective date: 20191001