EP3916692A1 - Verfahren zur branderkennung mit einem brandmelder, brandmelder, computerprogramm und maschinenlesbares speichermedium - Google Patents

Verfahren zur branderkennung mit einem brandmelder, brandmelder, computerprogramm und maschinenlesbares speichermedium Download PDF

Info

Publication number
EP3916692A1
EP3916692A1 EP21167838.8A EP21167838A EP3916692A1 EP 3916692 A1 EP3916692 A1 EP 3916692A1 EP 21167838 A EP21167838 A EP 21167838A EP 3916692 A1 EP3916692 A1 EP 3916692A1
Authority
EP
European Patent Office
Prior art keywords
fire
time series
analysis
measurement signal
series analysis
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
EP21167838.8A
Other languages
English (en)
French (fr)
Other versions
EP3916692B1 (de
Inventor
Thomas Hanses
Christopher Haug
Markus Ulrich
Robert Hartl
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.)
Robert Bosch GmbH
Original Assignee
Robert Bosch GmbH
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
Application filed by Robert Bosch GmbH filed Critical Robert Bosch GmbH
Publication of EP3916692A1 publication Critical patent/EP3916692A1/de
Application granted granted Critical
Publication of EP3916692B1 publication Critical patent/EP3916692B1/de
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G08B17/103—Actuation by presence of smoke or gases, e.g. automatic alarm devices for analysing flowing fluid materials by the use of optical means using a light emitting and receiving device
    • G08B17/107—Actuation by presence of smoke or gases, e.g. automatic alarm devices for analysing flowing fluid materials by the use of optical means using a light emitting and receiving device for detecting light-scattering due to smoke

Definitions

  • the present invention relates to a method for fire detection with a fire alarm, as well as a fire alarm set up according to the invention, a computer program and a machine-readable storage medium.
  • Fire detectors are often designed as scattered light fire detectors that have a scattered light path, a light source (e.g. LED) and a light sensor (e.g. photodiode).
  • the light source emits light in the IR or VIS range.
  • the light sensor is arranged at a defined angle to the emission direction of the light source, so that light does not normally hit the light sensor, or only to a very small extent.
  • the light sensor only detects light when particles (e.g. smoke or dust) enter the optical path between the light source and the light sensor and scatter the light from the light source onto the light sensor.
  • particles e.g. smoke or dust
  • a fire is detected and output as an alarm, for example.
  • other physical parameters e.g. temperature and / or CO content, can be used as fire detection criteria.
  • the pamphlet DE 10 2010 041 693 A1 which probably forms the closest prior art, describes a method for testing the functionality of a photoelectric smoke detector with a transmitter element and a sensor element.
  • the transmitting element is activated to transmit a test beam and recorded as a measurement signal by a sensor element.
  • the recorded measurement signal is combined with a reference signal compared and based on this, the functionality of the smoke detector, in particular of the transmitter element and sensor element, is determined.
  • Fire detection by means of such fire detectors is based on the use of a relatively slow increase in the measured variable and exceeding a threshold value. Fires are often only detected at a later point in time.
  • a method for improved fire detection with a fire alarm is therefore desirable, in particular in order to be able to detect a fire at an early stage, in particular in the development process, and / or to be able to differentiate between types of fire and / or fire sources. Improved robustness against sources of interference would also be desirable.
  • a method for fire detection with a fire alarm having the features of claim 1 is proposed. Furthermore, a fire alarm, a computer program and a machine-readable storage medium are proposed. Preferred and / or advantageous embodiments emerge from the subclaims and the description.
  • the fire alarm is designed to detect a fire, in particular smoke, flames, embers and / or a smoldering fire.
  • the fire alarm is preferably designed as an optical fire alarm, in particular as a smoke alarm with a scattered light detector (scattered light smoke alarm).
  • Scattered light smoke detectors use a light detector to measure the light from a light source scattered by the smoke, the light detector being arranged in such a way that the light detector can only detect scattered light but not direct light from the light source.
  • the light detector and light source are arranged in a measuring chamber, the smoke penetrating into the measuring chamber.
  • the fire alarm is used to detect the fire based on a thermal variable, for example the temperature, a weakening, for example from ionizing radiation, and / or a Conductivity developed.
  • the fire alarm can comprise a camera for image-based fire detection.
  • the fire alarm has at least one sensor device for detecting a measured variable.
  • the sensor device can comprise and / or form a light detection device, a scattered light detection device, a signal weakening detection device, a temperature detection device, a carbon monoxide detection device and / or other sensor device for detecting a physical and / or chemical variable.
  • the sensor device is designed to detect a measured variable.
  • the measured variable is, for example, an amount of light, a temperature or a weakening.
  • the sensor device is designed to output the measured variable as a measurement signal, the measurement signal being able to include the measured variable in a converted form, for example measuring an amount of light as a measured variable and outputting it as a voltage and / or current signal.
  • the sensor device preferably comprises a light source and a light sensor.
  • the light source and light sensor are arranged in such a way that the light from the light source is not detected by the light sensor without being scattered by particles and / or smoke, and is only detected by the light sensor by scattering the light emitted by the light source by particles, dirt, moisture and / or smoke will.
  • the light sensor is designed in particular to measure an amount of light and to record it as a measured variable.
  • the output of the recorded measured variable occurs, for example, as voltage and / or current.
  • the output measured variable forms the measurement signal.
  • the light sensor is preferably designed as a photodiode.
  • the measurement signal preferably forms the amount of light detected in millivolts.
  • the detection of the measured variable by the sensor devices takes place in particular continuously and / or cyclically, for example every second or faster.
  • the measurement signal includes, in particular, the recorded measurement variable and forms, for example, a time profile of the measurement variable.
  • the measurement signal includes in particular fluctuations, noise and / or scatter.
  • the measurement of the measured variable is an error-prone measurement, so that, for example, the measurement of a constant variable also leads to deviations in the recorded measured variable, with these deviations, for example Have a spread, a standard deviation, and / or a variance.
  • the deviations are understood in particular as noise and / or scatter, in particular around the real measured value and / or a mean value.
  • the noise and / or scattering is based in particular on electronic noise, measurement accuracy and / or sensitivity of the sensor devices, fluctuations in ambient parameters and / or other sources of error.
  • the noise and / or scattering is in particular a deviation on small time scales, in particular less than 1 second.
  • the measurement variable is recorded with a sampling rate of less than 1 second, in particular less than or in the range of statistical noise and / or scattering.
  • the measurement variable is recorded in particular with a resolution of less than 1 V, in particular less than 1 mV, preferably with a resolution less than the statistical and / or electronic noise and / or scattering.
  • the measurement signal can be a plurality and / or a superposition of different noise and / or scattering, for example the measurement signal is a measured mean value and / or real value plus a first noise, for example electronic noise, plus a second noise, for example a change in the Environmental parameters.
  • the measurement signal is preferably designed as an analog signal, in particular a current or voltage signal. The fluctuations are preferably also based on changes in the measured variable, for example when a fire has just started.
  • the method comprises the acquisition of the measurement signal of the sensor device and / or the acquisition of a plurality of measurement signals of a plurality of sensor devices for and / or over at least one evaluation time interval.
  • the evaluation time interval is designed in particular to include at least 1000, preferably at least 10000 and in particular at least 100000 measurement points, with one measurement point describing a measured variable recorded at a point in time.
  • the measurement signal is recorded for at least 5 minutes, in particular at least 1 hour and in particular at least one day, the temporal resolution of the measured variable recording being, for example, less than or equal to 1 second and in particular less than or equal to 500 milliseconds.
  • the photodiode of the light sensor is designed to output a voltage signal, with the resolution and / or scale division of the measurement signal is less than or equal to 1 mV.
  • the acquisition of the measurement signal preferably includes storage of the measurement signal, in particular as a measurement signal curve.
  • the method provides a time series analysis for the acquired measurement signal and / or for the acquired measurement signals.
  • the time series analysis is carried out for the evaluation time interval.
  • the evaluation time interval is subdivided into sub-intervals, the sub-intervals in particular being designed to be of equal size.
  • the sub-intervals have, in particular, a sub-interval length s.
  • the time interval is preferably subdivided in different ways, for example for different partial interval lengths.
  • the time series analysis for this purpose comprises a plurality of partial evaluations for different partial intervals.
  • the time series analysis can in particular be based on known statistical, mathematical and / or stochastic methods and / or models.
  • the time series analysis is preferably carried out by means of a computer and / or implemented in software. In particular, analysis parameters are determined, calculated and / or estimated by the time series analysis.
  • the analysis parameters obtained are, for example, analysis results of the time series analysis.
  • a fire event is detected and / or recognized based on the time series analysis.
  • the fire event is preferably recognized based on the and / or the obtained analysis parameters. For example, a deviation of the analysis parameter (s) from a target value or target range is determined, with, for example, an excessively large upward and / or downward deviation, contamination is considered to be detected and / or present.
  • the invention is based on the idea that by evaluating a measurement signal in an evaluation time interval, the detection, in particular early detection of a fire event, for example in the development phase, is possible. While a current or at a point in time evaluation of the amount of the measured value has been used to evaluate and / or determine a fire, time series analysis of a measurement signal in a longer time interval can enable more precise, better and more error-free detection of fires.
  • the time series analysis is preferably carried out for the fluctuations, the noise and / or the scatter.
  • the method provides, for example, a time series analysis of the course and / or behavior of the fluctuations, the scatter and / or the noise over time. This is based on the consideration that the mean value or main part of the measurement signal, which was previously used to determine the fire, is already subject to characteristic fluctuations when a fire breaks out. For example, the smoke concentration is not yet sufficient to overwrite a predefined threshold value, but this small amount of smoke is sufficient for characteristic fluctuations in the measurement signal. By evaluating and analyzing these small fluctuations in the form of fluctuations, noise and / or scattering, even slight changes in the development process of the fire can be detected.
  • the fluctuations, the noise and / or the scatter change over time in the evaluation time interval.
  • a width of the fluctuations, a spread and / or width of the noise can be determined, analyzed and / or used for this purpose.
  • the measurement signal is composed in particular of a dominant mean value component, a slowly changing trend component and / or a quasi-periodic trend component.
  • the mean value portion corresponds, for example, to a certain particle concentration which, for example, reacts with a sharp increase in the event of a fire.
  • the slow trend part is based, for example, on contamination, in particular in the form of deposits of dust, moisture or aging of the light source and / or the light sensor.
  • a quasi-periodical trend part is understood to mean, for example, a swirled formation of dust, for example through ventilation, blowing and / or thermal.
  • the mean value portion as a trend can have a characteristic functional behavior in the event of a fire, for example an exponential increase.
  • the method provides, for example, that the measurement signal is trend-adjusted before the time series analysis.
  • the trend adjustment of the measurement signal for the acquired measurement signal can take place in the evaluation time interval after the acquisition of the measurement signal, but before the time series analysis.
  • the trend can be, for example, a linear, an exponential, a quadratic or any polynomial trend.
  • the time series analysis takes place for the trend-adjusted measurement signal.
  • the trend adjustment can also take place during the actual time series analysis, for this purpose the measurement signal of the evaluation time interval is subdivided into the sub-intervals and the trend adjustment is carried out for the respective sub-intervals, with the further actual time series analysis, in particular the fluctuations, the noise and / or the scatter, for and / or in the trend-adjusted partial intervals.
  • This refinement is based on the consideration that some time series analyzes, in particular statistical, stochastic and / or mathematical methods, are not possible for variables, signals and / or courses subject to trends.
  • the trend adjustment is preferably based on a parameter-free method, for example an empirical mode decomposition (EMD), a Hilbert-Huang transformation and / or a spline approximation.
  • EMD empirical mode decomposition
  • the trend adjustment can be based on a numerical and / or analytical method and / or fit.
  • the analytical context of the trend e.g. based on a physical law, can be known and used to remove the trend from the measurement signal.
  • a trend-adjusted measurement signal is created that essentially fluctuates around a constant mean value, e.g. zero, with the time series analysis evaluating these fluctuations.
  • the time series analysis is designed as a fluctuation analysis.
  • the fluctuation analysis is designed to mathematically analyze a time series and / or measurement series, here the measurement signal, and in particular to determine and / or quantify a correlation, in particular a long-term correlation.
  • the time series analysis especially the fluctuation analysis, can be implemented analytically and / or numerically.
  • the fluctuation analysis can be determined for autocorrelations and / or cross-correlations. This refinement is based on the consideration that changes in the measurement signal when a fire occurs need not necessarily be accompanied by a change in the mean value, but can also cause a slow change that goes unnoticed for a long time.
  • a correlation of the measurement signal in particular the fluctuations, the noise and / or the scatter
  • the correlation in particular is a sensitive measure for the changes and thus determines changes on the smallest scale at an early stage can.
  • the time series analysis comprises a correlation analysis and / or an autocorrelation analysis.
  • a correlation analysis By establishing correlations in the measurement signal, physically relevant information about processes, fires, smoke, dust, physical and / or chemical processes in the vicinity of the fire detector can be detected at an early stage without waiting for the slow trend and / or a delayed reaction in the mean value of the measurement signal have to.
  • a method is thus provided that can detect and establish fire incidents at an early stage.
  • the time series analysis also excludes processes as fire events that have a different correlation behavior than fire events.
  • a method for determining a fire event is thus also provided that is resistant to false detections and / or false alarms.
  • the time series analysis preferably comprises a Hurst analysis.
  • the Hurst analysis is used to determine the analysis parameter, for example an exponent H, the so-called Hurst exponent.
  • a Hurst R / S analysis is carried out as a time series analysis.
  • the range (R) of the cumulative and, if necessary, mean-value-adjusted time series, here the measurement signal is determined and set in relation to the standard deviation (S) of the non-cumulative time series, so that R / S is determined.
  • a functional relationship between R / S can be determined as a function of the observation length s.
  • the functional relationship is evaluated in particular as the power law R / S ⁇ s H and H is determined as the Hurst exponent.
  • H> C 1 is smoldering fire
  • C 2 ⁇ H ⁇ C 1 is open fire
  • C 3 ⁇ H ⁇ C 2 is roasting / deep-frying
  • H ⁇ C 3 is water vapor.
  • the Hurst exponent is particularly limited to the range 0 ⁇ H ⁇ 1!
  • the Hurst R / S analysis can only be used for strictly stationary series.
  • the smallest unsteadiness / trends e.g. especially in the case of a signal increase in the event of a fire
  • the DFA is also suitable for trendy and unsteady series.
  • the correlation exponent ⁇ (which is equivalent to the Hurt exponent H in the stationary case) can also display values greater than 1, e.g. if instead of a trend-laden noise (e.g.
  • a so-called fractional Gaussian noise there is actually a movement (e.g. a so-called fractional Brownian movement ) takes place.
  • the series is said to be unbounded.
  • a case may also occur, so that it is useful here, for example, to carry out a DFA and to use the correlation exponent ⁇ .
  • MF-DFA multifractal DFA
  • q variable statistical moment q
  • any multifractality that may be present as a further feature, which is the case, for example, when ⁇ depends significantly on the statistical moment q.
  • a multifractality is examined in particular using an MF-DFA and instead of a Hurst R / S analysis, even if ⁇ (q) is sometimes referred to in the literature as the "generalized" Hurst exponent H (q).
  • the multifractal correlation exponent ⁇ (q) can, but does not necessarily have to be, between 0 ⁇ (q) ⁇ 1, but can also be greater than 1 compared to the exponent from the Hurst analysis.
  • fBm fractional Brownian movement
  • a Hurst R / S analysis (after previous trend adjustment, if necessary) can be applied to the incremental series (the incremental series simply corresponds to the derivative of the original series, i.e.
  • a Hurst R / S analysis can in particular be sufficient to detect an event at an early stage, i.e. to detect changes in the correlation behavior of the supposed background noise.
  • the time series analysis comprises a plurality of individual time series analyzes.
  • the individual time series analyzes are in particular time series analyzes based on different statistical moments.
  • individual fluctuation, correlation, autocorrelation and / or Hurst analyzes are carried out for different statistical moments q.
  • the dependence of the correlation exponent on the statistical moment relates in particular to the multifractal DFA.
  • Whole-number values between -10 and 10 are preferably used as statistical moments.
  • the Hurst exponents H are determined as H (q) for the different statistical moments.
  • Such an analysis is particularly referred to as the multifractal spectrum.
  • the contamination determination and / or operational readiness determination is based on an evaluation of the functional relationship of H (q).
  • the time series analysis comprises and / or is based on an autocorrelation function a Fourier transformation of the measurement signal of a trend-adjusted fluctuation analysis (DFA, Detrended Fluctuation Analysis) and / or a multifractal, trend-adjusted fluctuation analysis (MF-DFA, Multifractal Detrended Fluctuation Analysis).
  • DFA trend-adjusted Fluctuation Analysis
  • MF-DFA Multifractal Detrended Fluctuation Analysis
  • At least one analysis parameter is determined by means of the time series analysis, with at least one of the analysis parameters forming and / or describing a scale parameter in one embodiment.
  • the analysis parameter in particular the scale parameter, a distinction is made between types of fire, such as open fire and smoldering fire, and / or between disturbance variables such as water vapor, grease, dust and / or cigarette smoke, and / or between types of fire and disturbance variables.
  • the measurement signal is recorded for a plurality of evaluation time intervals, for example at least twice, preferably at least ten times and in particular at least 100 times.
  • the evaluation time intervals are preferably connected flush with one another, for example that the next evaluation time interval follows directly after the end of the first evaluation time interval; alternatively, the evaluation time intervals can overlap or be designed without overlap, so that there is a pause in the acquisition between two evaluation time intervals, for example.
  • the individual evaluation time intervals are evaluated using the time series analysis.
  • the time series analysis in particular the determination of the Hurst exponent and / or the analysis parameters, is carried out in each case for the recorded measurement signals of the plurality of evaluation time intervals. For example, the analysis parameters and / or Hurst parameters are compared.
  • a time course, a change, a correlation or a functional relationship is determined for the Hurst exponents and / or analysis parameters, the determination of the fire event preferably being based on the comparison, determination and / or evaluation.
  • the evaluation time intervals are preferably based on a rolling window.
  • Rolling window is also sometimes referred to as sliding window.
  • the rolling window has, for example, a fixed interval length, in particular the evaluation time interval length, the rolling window being shifted to determine the plurality of evaluation time intervals, the shifting representing a time shifting of the acquisition point of view.
  • the rolling window can be shifted continuously or discretely, for example with a time offset equal to the length of the evaluation time interval.
  • an additional environmental variable is determined based on the time series analysis of the measurement signal.
  • the additional environmental variable is, for example, a variable and / or evaluation of the surroundings of the fire alarm, for example the air, the temperature and / or light conditions.
  • an air quality and / or air flow is determined as an additional environmental variable.
  • the air quality can describe, for example, a carbon monoxide content, a carbon dioxide content and / or a static pollution.
  • the air flow can describe a draft of air, for example. This refinement is based on the consideration that, for example, dust particles in and / or around the fire alarm lead to fluctuations in the measurement signal, with these fluctuations being able to be used as characteristics for evaluating the air quality by means of time series analysis.
  • the fire alarm has a sensor device for detecting a measured variable and for outputting a measurement signal.
  • the fire alarm has an evaluation unit, which can be designed in terms of software or hardware.
  • the evaluation unit is in particular set up and / or designed to carry out and / or carry out the method described above.
  • the evaluation unit is designed to acquire the measurement signal for the evaluation time interval, in a special embodiment for a plurality of evaluation time intervals. For and / or for the evaluation time intervals, the evaluation unit is designed to carry out the time series analysis.
  • a fire event is determined by the evaluation unit based on the results, for example the analysis parameters and in particular the Hurst exponent.
  • a further subject matter of the invention is a computer program for execution on a computer and / or the fire alarm as previously described.
  • the computer program comprises and / or the computer program is based on a program code with program code means.
  • the computer program is designed to carry out the steps of the method as described above when executed on the computer and / or the fire alarm.
  • the computer program is implemented in the fire alarm, especially in the evaluation unit, so that the evaluation unit the fire incident is detected by executing the computer program and thus the method.
  • a further subject matter of the invention is a machine-readable storage medium, for example a DVD, CD, floppy disk or some other residual storage medium.
  • the computer program in particular the program code and / or the program code means, is stored on the storage medium.
  • the Figures 1a and b show an embodiment of a photoelectric fire detector 1.
  • the fire detector 1 is designed for mounting on a ceiling 2.
  • the fire alarm 1 comprises a sensor device, the sensor device comprising a light source 3 and a light detector 4.
  • the fire alarm 1 has a measuring channel 5, the measuring channel 5 also being referred to as a scattered light path and / or smoke chamber.
  • the light detector 4 is designed to detect incident light as a measured variable and to output a voltage signal as a measurement signal.
  • the fire detector 1 in Figure 1a shows the fire alarm 1 in a normal state, also called the idle state.
  • the normal state is the state of the fire alarm in a fully functional state without smoke and / or fire, pollution, dust and / or moisture.
  • the light source 3 and light detector 4 are in a common plane, for example (note: the Level can also run differently) arranged in the same direction as the ceiling 2.
  • the light emitted by the light source 3 can be described in the direction of the light detector 4 by a beam path 6.
  • the light detector 3 does not detect any light emitted by the light source 3, since the normal beam path 6 does not extend to the detector. A detection could only take place if the emitted light to the light detector 4 is scattered. Since in this state there are no particles, for example smoke or dirt, which could scatter the light into the light detector 4, no light is detected by the light detector 4.
  • the measurement signal here is a voltage around a mean zero value, for example 0 mV or 0 mV plus an offset, the measurement signal having a spread and / or noise around the mean zero value.
  • FIG 1b shows the fire detector 1 Figure 1a in the event of a fire.
  • Smoke 7 has now penetrated into the measuring channel 5.
  • the smoke 7 in particular comprises particles and has reflective properties.
  • the light emitted by the light source 3 is scattered in the measuring channel 5 by the smoke 7, with part of the scattered light following an extended beam path 8 to the light detector 4.
  • the scattered light is detected by the light detector 4 and output as a measured variable or measurement signal, the measurement signal clearly deviating from the mean zero value.
  • the fire is finally detected based on the measurement signal.
  • the Figures 2a - d show an example of the principle of a trend-adjusted fluctuation analysis of a measurement signal S.
  • the noise itself does not have an actual trend or course
  • Fire detection can be carried out at an early stage through time series analysis of the signal, in particular the fluctuations and the noise. While a minimum amount of smoke is required to scatter the light for a sharp rise in the mean value of the measurement signal S, even the smallest amounts of smoke can lead to noticeable fluctuations in the measurement signal when the fire starts and / or in the case of a smoldering fire.
  • By evaluating the fluctuations using the time series analysis fires can be detected at an early stage.
  • an accumulated row 9 is also shown in FIG. 6a.
  • the cumulative series 9 is obtained as in a classic Hurst analysis by successively adding up the time series, the time series forming the measurement signal S.
  • the Figures 2b and 2c also show the measurement signal S and the accumulated row 9.
  • the analysis time interval is now divided into segments of the same size (sub-intervals) of length s.
  • the analysis time interval is divided in different ways, with the types differing in the selected length s.
  • Figure 2b shows a subdivision into smaller sub-intervals, i.e. shorter length s than that in Figure 2c Subdivision shown.
  • a polynomial of the nth degree is now adapted to the time series and subtracted from the cumulative series. From the residue obtained in this way, the variance in each segment is now determined and averaged over the number of segments. The root is then taken from this averaged variance (standard deviation formation). The result is referred to as the fluctuation parameter F (s), for example.
  • Figure 3a shows an exemplary time series analysis of a real measurement signal S output by a fire alarm 1.
  • the measurement signal shows a trend as a rise, which is caused, for example, by smoke from an emerging fire. While conventional fire alarms wait, for example, until the measurement signal has exceeded a threshold value, according to the method, a fire can already be detected beforehand.
  • a time series analysis in particular a trend-adjusted fluctuation analysis, is carried out for the measurement signal.
  • FIG. 6a shows the course of a fire event Z as a time course. The fire event starts suddenly at a point in time to.
  • Figure 4b shows the associated measurement signal S of the fire detector 1 in the same period. Unlike the fire event Z, the measurement signal does not change suddenly at to, but responds with a time delay with ⁇ 1 . Only after t 0 + ⁇ 1 does the measurement signal S, or its mean value, exceed the threshold value X.
  • Figure 4c shows the analysis parameter ⁇ , for example the Hurst exponent. A change in the analysis parameter ⁇ is already determined after a time delay ⁇ 2 , where ⁇ 2 « ⁇ 1 . Early fire detection is thus possible through time series analysis.
  • Figures 5a-d show an example of a time series analysis of the measurement signal S based on a rolling window.
  • the measurement signal S in FIG. 5a is based, for example, on the occurrence of a smoldering fire at time to.
  • Figures 4 explained Does the measurement signal S or its mean value only react with a time delay with an increase.
  • Figure 5b shows the trend-adjusted measurement signal S * for the measurement signal S from Figure 5a .
  • This now essentially forms a fluctuation around a constant value, here S 125.
  • the time series analysis is carried out for the trend-adjusted measurement signal S *.
  • the rolling window method is used, an analysis time interval being shifted 11 as a "time window”.
  • a first analysis time interval A 1 and a second analysis time interval A 2 are shown.
  • the analysis time intervals A 1 , A 2 have the same length and are only offset in time.
  • the analysis time interval A 2 is shifted further in time.
  • the Figures 5c and 5d show the analysis parameters for the time series analyzes, where Figure 5c shows the analysis parameters ⁇ for the analysis time interval A 1 and Figure 5d shows the analysis parameters ⁇ for the analysis time interval A 2 .
  • a fire determination is already possible before the mean value of the measurement signal as in Figure 5a exceeds a threshold value X

Landscapes

  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Fire Alarms (AREA)
  • Fire-Detection Mechanisms (AREA)

Abstract

Verfahren zur Branderkennung mittels eines Brandmelders 1, wobei der Brandmelder 1 eine Sensoreinrichtung zur Erfassung einer Messgröße und zur Ausgabe eines Messsignals S umfasst, wobei das Messsignal S ein Rauschen und/oder eine Streuung aufweist, wobei das Verfahren folgende Schritte umfasst:- Erfassen des Messsignals S der Sensoreinrichtung für ein Auswertezeitintervall,- Durchführen einer Zeitreihenanalyse für das Messsignal S im Auswertezeitintervall,- Feststellung eines Brandereignisses basierend auf der Zeitreihenanalyse.

Description

    Stand der Technik
  • Die vorliegende Erfindung betrifft ein Verfahren zur Branderkennung mit einem Brandmelder, sowie einen erfindungsgemäß eingerichteten Brandmelder, ein Computerprogramm und ein maschinenlesbares Speichermedium.
  • Brandmelder sind häufig als Streulichtbrandmelder ausgebildet, die eine Streulichtstrecke, eine Lichtquelle (z.B. LED) und einen Lichtsensor (z.B. Photodiode) aufweisen. Die Lichtquelle sendet dabei Licht im IR- oder VIS-Bereich aus. Der Lichtsensor ist in einem definierten Winkel zur Abstrahlrichtung der Lichtquelle angeordnet, sodass Licht im Normalfall nicht oder nur in sehr geringem Maße auf den Lichtsensor trifft. Licht wird erst dann von dem Lichtsensor detektiert, wenn Partikel (z.B. Rauch oder Staub) in den optischen Pfad zwischen Lichtquelle und Lichtsensor eintreten und das Licht der Lichtquelle auf den Lichtsensor streuen. Abhängig von dem Signalanstieg wird beispielsweise ein Brand detektiert und als Alarm ausgegeben. Zusätzlich oder alternativ können weitere physikalische Größen, z.B. Temperatur und/oder CO-Gehalt, als Kriterien der Branddetektion genutzt werden.
  • Die Druckschrift DE 10 2010 041 693 A1 , die wohl den nächstkommenden Stand der Technik bildet, beschreibt ein Verfahren zum Prüfen der Funktionsfähigkeit eines photoelektrischen Rauchmelders mit einem Sendeelement und einem Sensorelement. Zur Prüfung der Funktionsfähigkeit wird das Sendelement zur Aussendung eines Prüfstrahls angesteuert und von einem Sensorelement als Messsignal erfasst. Das erfasste Messsignal wird mit einem Referenzsignal verglichen und darauf basierend die Funktionsfähigkeit des Rauchmelders, im Speziellen von Sendeelement und Sensorelement bestimmt.
  • Die Brandbestimmung mittels solcher Brandmelder basiert auf der Verwendung eines relativ trägen Anstiegs der Messgröße und Überschreiten eines Schwellwerts. Brände werden dadurch oft erst zu einem späten Zeitpunkt detektiert.
  • Es ist daher ein Verfahren zur verbesserten Branddetektion mit einem Brandmelder wünschenswert, insbesondere um einen Brand frühzeitig, insbesondere im Entstehungsprozess, zu detektieren und/oder zwischen Brandarten und/oder Brandquellen unterscheiden zu können. Auch eine verbesserte Robustheit gegenüber Störquellen wäre wünschenswert.
    • Offenbarung der Erfindung
  • Erfindungsgemäß wird ein Verfahren zur Branderkennung mit einem Brandmelder mit den Merkmalen des Anspruchs 1 vorgeschlagen. Ferner werden ein Brandmelder, ein Computerprogramm und ein maschinenlesbares Speichermedium vorgeschlagen. Bevorzugte und/oder vorteilhafte Ausführungsformen ergeben sich aus den Unteransprüchen und der Beschreibung.
  • Es wird ein Verfahren zur Branderkennung mit einem Brandmelder vorgeschlagen. Der Brandmelder ist zur Detektion eines Brandes, insbesondere von Rauch, Flammen, Glut und/oder eines Schwelbrands ausgebildet. Der Brandmelder ist vorzugsweise als ein optischer Brandmelder ausgebildet, insbesondere als Rauchmelder mit einem Streulichtdetektor (Streulichtrauchmelder). Streulichtrauchmelder messen mit einem Lichtdetektor das vom Rauch gestreute Licht einer Lichtquelle, wobei der Lichtdetektor so angeordnet ist, dass der Lichtdetektor nur gestreutes Licht aber kein direktes Licht von der Lichtquelle erfassen kann. Lichtdetektor und Lichtquelle sind in einer Messkammer angeordnet, wobei der Rauch in die Messkammer eindringt. Alternativ und/oder ergänzend ist der Brandmelder zur Detektion des Brandes basierend auf einer thermischen Größe, beispielsweise der Temperatur, einer Schwächung, beispielsweise von ionisierender Strahlung, und/oder einer Leitfähigkeit ausgebildet. Im Speziellen kann der Brandmelder eine Kamera zur bildbasierten Branderkennung umfassen.
  • Der Brandmelder weist mindestens eine Sensoreinrichtung zur Erfassung einer Messgröße auf. Die Sensoreinrichtung kann eine Lichtdetektionseinrichtung, eine Streulichtdetektionseinrichtung, eine Signalschwächungsdetektionseinrichtung eine Temperaturdetektionseinrichtung, eine Kohlenmonoxiddetektionseinrichtung und/oder anderweitige Sensoreinrichtung zur Detektion einer physikalischen und/oder chemischen Größe umfassen und/oder bilden. Die Sensoreinrichtung ist ausgebildet eine Messgröße zu erfassen. Die Messgröße ist beispielsweise eine Lichtmenge, eine Temperatur oder eine Schwächung. Die Sensoreinrichtung ist ausgebildet, die Messgröße als Messsignal auszugeben, wobei das Messsignal die Messgröße in gewandelter Form umfassen kann, beispielsweise eine Lichtmenge als Messgröße misst und als Spannungs- und/oder Stromsignal ausgibt.
  • Die Sensoreinrichtungen umfasst vorzugsweise eine Lichtquelle und einen Lichtsensor. Lichtquelle und Lichtsensor sind dabei so angeordnet, dass das Licht der Lichtquelle ohne Streuung an Partikeln und/oder Rauch nicht vom Lichtsensor detektiert wird, und erst durch Streuung des von der Lichtquelle emittierten Lichts an Partikeln, Schmutz, Feuchtigkeit und/oder Rauch vom Lichtsensor detektiert wird. Der Lichtsensor ist insbesondere ausgebildet, eine Lichtmenge zu messen und als Messgröße zu erfassen. Die Ausgabe der erfassten Messgröße erfolgt beispielsweise als Spannung und/oder Strom. Die ausgegebene Messgröße bildet insbesondere das Messsignal. Vorzugsweise ist der Lichtsensor als eine Fotodiode ausgebildet. Das Messsignal bildet dabei vorzugsweise die der detektierten Lichtmenge in Millivolt. Die Erfassung der Messgröße durch die Sensoreinrichtungen erfolgt insbesondere kontinuierlich und/oder zyklisch, beispielsweise im Sekundentakt oder schneller. Das Messsignal umfasst insbesondere die erfasste Messgröße und bildet beispielsweise einen zeitlichen Verlauf der Messgröße.
  • Das Messsignal umfasst insbesondere Fluktuationen, Rauschen und/oder eine Streuung. Die Messung der Messgröße ist eine fehlerbehaftete Messung, sodass beispielsweise die Messung einer konstanten Größe auch zu Abweichungen in der erfassten Messgröße führt, wobei diese Abweichungen beispielsweise eine Streubreite, eine Standardabweichung und/oder eine Varianz aufweisen. Die Abweichungen werden insbesondere als Rauschen und/oder Streuung, insbesondere um den realen Messwert und/oder einen Mittelwert, verstanden. Das Rauschen und/oder Streuen ist insbesondere basierend auf elektronischem Rauschen, Messgenauigkeiten und/oder Sensitivität der Sensoreinrichtungen, Schwankungen in Umgebungsparametern und/oder sonstige Fehlerquellen. Das Rauschen und/oder Streuen ist insbesondere ein Abweichen auf kleinen Zeitskalen, insbesondere kleiner als 1 Sekunde. Insbesondere erfolgt das Erfassen der Messgröße mit einer Abtastrate kleiner 1 Sekunde, insbesondere kleiner oder im Bereich des statistischen Rauschens und/oder Streuens. Ferner erfolgt das Erfassen der Messgröße insbesondere in einer Auflösung kleiner 1 V, im speziellen kleiner 1 mV, vorzugsweise in einer Auflösung kleiner dem statistischen und/oder elektronischen Rauschen und/oder Streuens. Im Speziellen kann das Messsignal eine Mehrzahl und/oder eine Überlagerung von unterschiedlichen Rauschens und/oder Streuens sein, beispielsweise ist das Messsignal ein gemessener Mittelwert und/oder realer Wert plus ein erstes Rauschen, beispielsweise elektronisches Rauschen, plus ein zweites Rauschen, beispielsweise Änderung der Umgebungsparameter. Das Messsignal ist vorzugsweise als ein analoges Signal, insbesondere Strom oder Spannungssignal, ausgebildet. Die Fluktuationen basieren vorzugsweise auch auf Veränderungen der Messgröße, beispielsweise bei frischem Entstehen eines Brandes.
  • Das Verfahren umfasst das Erfassen des Messsignals der Sensoreinrichtung und/oder das Erfassen mehrerer Messsignale mehrerer Sensoreinrichtungen für und/oder über mindestens ein Auswertezeitintervall. Das Auswertezeitintervall ist insbesondere ausgebildet mindestens 1000, vorzugsweise mindestens 10000 und im Speziellen mindestens 100000 Messpunkte zu umfassen, wobei ein Messpunkt eine zu einem Zeitpunkt erfasste Messgröße beschreibt. Beispielsweise wird das Messsignal für mindestens 5 Minuten, insbesondere mindestens 1 Stunde und im Speziellen mindestens einen Tag erfasst, wobei die zeitliche Auflösung der Messgrößenerfassung beispielsweise kleiner gleich 1 Sekunde und im speziellen kleiner gleich 500 Millisekunden ist. Beispielsweise ist der Lichtsensor seine Fotodiode zur Ausgabe eines Spannungssignals ausgebildet, wobei die Auflösung und/oder Skalenunterteilung des Messsignals kleiner gleich 1 mV ist. Vorzugsweise umfasst das Erfassen des Messsignals eine Speicherung des Messsignals insbesondere als Messsignalverlauf.
  • Das Verfahren sieht eine Zeitreihenanalyse für das erfasste Messsignal und/oder für die erfassten Messsignale vor. Die Zeitreihenanalyse erfolgt für das Auswertezeitintervall. Zur Zeitreihenanalyse wird beispielsweise das Auswertezeitintervall in Teilintervalle unterteilt, wobei die Teilintervalle insbesondere gleich groß ausgebildet sind. Die Teilintervalle weisen insbesondere eine Teilintervalllänge s auf. Vorzugsweise erfolgt für die Zeitreihenanalyse eine Unterteilung des Zeitintervalls auf unterschiedliche Art, beispielsweise für unterschiedliche Teilintervalllängen. Beispielsweise umfasst die Zeitreihenanalyse hierzu eine Mehrzahl an Teilauswertungen für unterschiedliche Teilintervalle. Die Zeitreihenanalyse kann insbesondere auf bekannten statistischen, mathematischen und/oder stochastischen Methoden und/oder Modellen basieren. Vorzugsweise erfolgt die Zeitreihenanalyse mittels eines Computers und/oder softwareimplementiert. Insbesondere werden durch die Zeitreihenanalyse Analyseparameter bestimmt, berechnet und/oder geschätzt. Die erhaltenen Analyseparameter sind beispielsweise Analyseergebnisse der Zeitreihenanalyse.
  • Basierend auf der Zeitreihenanalyse wird ein Brandereignis detektiert und/oder erkannt. Vorzugsweise erfolgt das Erkennen des Brandereignisses basierend auf dem und/oder den erhaltenen Analyseparametern. Zum Beispiel erfolgt eine Bestimmung einer Abweichung des oder der Analyseparameter von einem Sollwert oder Sollbereich, wobei beispielsweise bei einer zu großen Abweichung nach oben und/oder nach unten eine Verschmutzung als detektiert und/oder vorliegend gilt.
  • Der Erfindung liegt die Überlegung zugrunde, dass durch Auswertung eines Messsignals in einem Auswertezeitintervall das Erkennen, insbesondere frühzeitige Erkennen eines Brandereignisses, beispielsweise in der Entstehungsphase, möglich ist. Während zur Auswertung und/oder Bestimmung eines Brandes bisher eine aktuelle bzw. zu einem Zeitpunkt vorliegende Bewertung des Betrags des Messwerts herangezogen wurde, kann durch Zeitreihenanalyse eines Messsignals in einem längeren Zeitintervall genauere, bessere und fehlerfreiere Detektion von Bränden ermöglichen.
  • Vorzugsweise erfolgt die Zeitreihenanalyse für die Fluktuationen, das Rauschen und/oder die Streuung. Das Verfahren sieht beispielsweise eine Zeitreihenanalyse des Verlaufs und/oder Verhaltens der Fluktuationen, der Streuung und/oder des Rauschens mit der Zeit vor. Dies basiert auf der Überlegung, dass der Mittelwert bzw. Hauptanteil des Messsignals, der bisher zur Brandbestimmung benutzt wurde, schon bei Entstehen eines Brandes mit charakteristischen Fluktuationen behaftet ist. Beispielsweise reicht die Rauchkonzentration noch nicht aus, um einen vorgegebenen Schwellwert zu überschreiben, aber für charakteristische Fluktuationen im Messsignal reicht bereits diese geringe Rauchmenge aus. Durch eine Auswertung und Zeitreihenanalyse dieser kleinen Schwankungen in Form der Fluktuationen, des Rauschens und/oder der Streuung, können auch geringfügige Änderungen im Entstehungsprozess des Brandes detektiert werden. Beispielsweise wird hierbei detektiert und/oder analysiert, wie sich die Fluktuationen, das Rauschen und/oder die Streuung zeitlich im Auswertezeitintervall verändert. Beispielsweise kann hierzu eine Breite der Fluktuationen, eine Streubreite und/oder Breite des Rauschens bestimmt, analysiert und/oder genutzt werden.
  • Das Messsignal setzt sich insbesondere aus einem dominanten Mittelwertanteil, einem langsam veränderlichen Trendanteil und/oder einem quasiperiodischen Trendanteil zusammen. Der Mittelwertanteil entspricht zum Beispiel einer bestimmten Partikelkonzentration, der beispielsweise in einem Brandfall mit einem starken Anstieg reagiert. Der langsame Trendanteil basiert beispielsweise auf einer Verschmutzung, insbesondere in Form von Ablagerung von Staub, Feuchtigkeit oder einer Alterung der Lichtquelle und/oder des Lichtsensors. Als quasiperiodischer Trendanteil wird beispielsweise eine verwirbelte Bildung von Staub, beispielsweise durch Lüften, Anblasen und/oder Thermik verstanden. Insbesondere kann der Mittelwertanteil als Trend ein charakteristisches funktionelles Verhalten im Brandfall aufweisen, zum Beispiel ein exponentieller Anstieg. Das Verfahren sieht dabei beispielsweise vor, dass vor der Zeitreihenanalyse das Messsignal Trendbereinigt wird. Insbesondere kann das Trendbereinigen das Messsignals für das erfasste Messsignal im Auswertezeitintervall nach dem Erfassen des Messsignals erfolgen aber vor der Zeitreihenanalyse. Der Trend kann beispielsweise ein linearer, ein exponentieller, ein quadratischer oder beliebiger polynomialer Trend sein. Die Zeitreihenanalyse erfolgt dabei für das trendbereinigte Messsignal. Im Speziellen kann die Trendbereinigung auch während der eigentlichen Zeitreihenanalyse erfolgen, wobei hierzu das Messsignal des Auswertezeitintervalls in die Teilintervalle unterteilt wird und die Trendbereinigung für die jeweiligen Teilintervalle erfolgt, wobei die weitere eigentliche Zeitreihenanalyse, insbesondere der Fluktuationen, des Rauschens und/oder der Streuung, für und/oder in den trendbereinigten Teilintervallen erfolgt. Dieser Ausgestaltung liegt die Überlegung zugrunde, dass manche Zeitreihenanalysen, insbesondere statistische, stochastische und/oder mathematische Verfahren, nicht für trendbehaftete Größen, Signale und/oder Verläufe möglich sind.
  • Die Trendbereinigung basiert vorzugsweise auf einem parameterfreien Verfahren, beispielsweise einer Empirischen-Moden-Dekomposition (EMD), einer Hilbert-Huang-Transformation und/oder einer Spline-Aproximation. Alternativ und/oder ergänzend kann die Trendbereinigung auf einem numerischen und/oder analytischen Verfahren und/oder Fit basieren. Beispielsweise kann der analytische Zusammenhang des Trends, z.B. basierend auf einer physikalischen Gesetzmäßigkeit, bekannt sein und genutzt werden, das Messsignal vom Trend zu bereinigen. Insbesondere entsteht so ein trendbereinigtes Messsignal das im Wesentlichen um einen konstanten Mittelwert, z.B. Null, fluktuiert, wobei die Zeitreihenanalyse diese Fluktuationen auswertet.
  • Insbesondere ist die Zeitreihenanalyse als eine Fluktuationsanalyse ausgebildet. Im Speziellen ist die Fluktuationsanalyse ausgebildet, eine Zeitreihe und/oder Messreihe, hier das Messsignal, mathematisch zu analysieren und insbesondere eine Korrelation, im Speziellen Langzeitkorrelation, zu bestimmen und/oder zu quantifizieren. Die Zeitreihenanalyse, im Speziellen die Fluktuationsanalyse, kann analytisch und/oder numerisch umgesetzt werden. Die Fluktuationsanalyse kann für Autokorrelationen und/oder Kreuzkorrelationen bestimmt werden. Dieser Ausgestaltung liegt die Überlegung zugrunde, dass Änderungen des Messsignals im Entstehen des Brandes nicht notwendigerweise sofort mit einer Veränderung des Mittelwerts einhergehen müssen, sondern auch eine langsame Veränderung bewirken können, die lange Zeit unbemerkt bleiben. Aus diesem Grund kann beispielsweise eine Korrelation des Messsignals, insbesondere der Fluktuationen, des Rauschens und/oder der Streuung bewertet werden und zur frühzeitigen Branddetektion herangezogen werden. Kleinste Veränderungen im Messsignal, welche noch keine Auswirkung auf den Mittelwert haben, können sich schon in den Fluktuationen, in der Streuung und/oder im Rauschen manifestieren, wobei neben der Rauschbreite insbesondere die Korrelation ein empfindliches Maß für die Veränderungen ist und somit Veränderungen auf kleinster Skala frühzeitig feststellen kann.
  • Besonders bevorzugt ist es daher, dass die Zeitreihenanalyse eine Korrelationsanalyse und/oder eine Autokorrelationsanalyse umfasst. Durch die Feststellung von Korrelationen im Messsignal können physikalisch relevante Informationen über Prozesse, Brände, Rauch, Staub, physikalische und/oder chemische Vorgänge in einer Umgebung des Brandmelders frühzeitig detektiert werden ohne den langsamen Trend und/oder eine zeitverzögerte Reaktion im Mittelwert des Messsignals abwarten zu müssen. Es wird somit ein Verfahren bereitgestellt, das frühzeitig Brandereignisse detektieren und feststellen kann. Insbesondere werden durch die Zeitreihenanalyse auch Prozesse als Brandereignisse ausgeschlossen, die ein anderes Korrelationsverhalten aufweisen als Brandereignisse. Es wird somit auch ein Verfahren für das Feststellen eines Brandereignisses bereitgestellt, das resistent gegen Fehldetektionen und/oder Fehlalarme ist.
  • Vorzugsweise umfasst die Zeitreihenanalyse eine Hurst-Analyse. Mittels der Hurst-Analyse wird als Analyseparameter, beispielsweise ein Exponent H, der sogenannte Hurst-Exponent, bestimmt. Beispielsweise wird hierzu als Zeitreihenanalyse eine Hurst-R/S-Analyse durchgeführt. Hierzu wird beispielsweise für das in Teilintervalle mit einer Teilintervalllänge (s) zerteilte Auswertezeitintervall der Range (R) der kumulierten und gegebenenfalls mittelwertbereinigten Zeitreihe, hier das Messsignal, ermittelt und ins Verhältnis zur Standardabweichung (S) der nicht kumulierten Zeitreihe gesetzt, sodass R/S ermittelt wird. Durch Wahl unterschiedlicher Beobachtungslängen (Teilintervalllänge s) für die Teilintervalle kann ein funktioneller Zusammenhang von R/S in Abhängigkeit der Beobachtungslänge s bestimmt werden. Der funktionelle Zusammenhang wird insbesondere als Potenzgesetzt R/S ∼sH ausgewertet und H als Hurst-Exponent bestimmt. Vorzugsweise wird zur Bestimmung des Brandereignisses eine Abweichung des Hurst-Exponenten von einem oder mehreren Referenzwerten herangezogen. Beispielsweise wird ein erster, ein zweiter und dritter Referenzwert festgelegt, wobei der erste Referenzwert zum Beispiel C1=1,5, der zweite Referenzwert C2=1,0 und der dritte Referenzwert C3=0,5 ist. Im Speziellen kann zur Detektion verwendet werden: H> C1 ist Schwelbrand, C2<H< C1 ist offenes Feuer, C3<H< C2 ist Braten/Frittieren und H<C3 ist Wasserdampf.
  • Der Hurst-Exponent ist insbesondere auf den Bereich 0<H<1 beschränkt! Die Hurst R/S-Analyse kann im Speziellen nur bei streng stationären Reihen angewendet werden. Kleinste Instationaritäten / Trends (z.B. insbesondere bei einem Signalanstieg im Falle eines Brandes) verfälschen den Hurst Exponenten. Im Falle instationärer Reihen bleibt der Exponent quasi bei H=1. Die DFA hingegen ist auch für trendbehaftete sowie instationäre Reihen geeignet. Hier kann der Korrelationsexponent α (der im stationären Fall äquivalent zum Hurt-Exponent H ist) auch Werte größer 1 anzeigen, z.B. wenn anstatt eines trendbehafteten Rauschens (z.B. eines sog. fraktionellen Gaussschen Rauschens) eigentlich eine Bewegung (z.B. eine sog. fraktionelle Brownsche Bewegung) stattfindet. In diesem Fall spricht man davon, dass die Reihe unbeschränkt ist. Je nach Art des Ereignisses (z.B. einem Brand) kann unter Umständen auch ein solcher Fall auftreten, so dass es hier beispielsweise zweckmäßig ist, eine DFA durchzuführen und den Korrelationsexponenten α heranzuziehen. Es kann zweckmäßig sein, auch eine multifraktale DFA (MF-DFA) mit einem variierbaren statistischen Moment q durchzuführen und eine ggf. vorliegende Multifraktalität als weiteres Merkmal mit zu berücksichtigen, was z.B. vorliegt, wenn α signifikant vom statistischen Moment q abhängt. Eine Multifraktalität wird insbesondere über eine MF-DFA und statt über eine Hurst R/S-Analyse untersucht, auch wenn α(q) in der Literatur bisweilen auch als "verallgemeinerter" Hurst-Exponent H(q) bezeichnet wird. Der multifraktale Korrelationsexponent α(q) kann, muss aber nicht zwingend zwischen 0<α(q)<1 liegen, sondern kann gegenüber dem Exponenten aus der Hurst-Analyse auch über 1 liegen. Im Falle einer instationären Reihe, wie z.B. einer fraktionellen Brownschen Bewegung (fBm) kann eine Hurst R/S-Analyse (nach ggf. vorheriger Trendbereinigung) auf der inkrementellen Reihe angewendet werden (die inkrementelle Reihe entspricht einfach der Ableitung der Originalreihe, also xi←xi-xi-1). Liegt z.B. der Fall α=1,7 vor, also eine positiv korrelierte fraktionelle Brownsche Bewegung, z.B. im Falle einer Superdiffusion, so ist der korrespondierende Korrelationsexponent der inkrementellen Reihe gerade α'=1-α=0,7. Dies kann z.B. genutzt werden um zu prüfen, ob wirklich eine fraktionelle Brownsche Bewegung vorliegt. Ist die Reihe vor der Inkrementierung vollständig von Trends bereinigt worden und führt man z.B. an dieser bereinigten inkrementellen Reihe eine Hurst R/S-Analyse durch, so gilt in diesem Falle für die inkrementelle Reihe auch α'=H. Dies kann als zweite Validierungsmöglichkeit herangezogen werden. Im zeitlichen Bereich der Branderkennung, d.h. wenn sich das Signal noch nicht signifikant über den Ruhemittelwert hinausbewegt hat, kann eine Hurst R/S-Analyse im Speziellen ausreichend sein, um ein Ereignis frühzeitig zu erkennen,sprich Veränderungen im Korrelationsverhalten des vermeintlichen Grundrauschens zu erkennen. Sobald das Signal hingegen stark ansteigt (in der Phase der Brandklassifikation), kann neben die dem Anstieg/Trend überlagerte Fluktuation entweder ein fraktionelles Gausssches Rauschen mit 0<α ≤1 oder eine fraktionelle Brownsche Bewegung α>1 sein.
  • Eine Ausgestaltung der Erfindung sieht vor, dass die Zeitreihenanalyse eine Mehrzahl an Einzelzeitreihenanalysen umfasst. Die Einzelzeitreihenanalysen sind insbesondere Zeitreihenanalysen basierend auf unterschiedlichen statistischen Momenten. Beispielsweise werden einzelne Fluktuation-, Korrelations-, Autokorrelations- und/oder Hurst-Analysen für unterschiedliche statistische Momente q durchgeführt. Wie oben erläutert, bezieht sich die Anhängigkeit des Korrelationsexponenten vom statistischen Moment insbesondereauf die multifraktale DFA. Für die üblich verwendete Varianz und Standardabweichung beträgt das statistische Moment zum Beispiel q=2. Vorzugsweise werden als statistische Momente ganzzahlige Werte zwischen -10 und 10 verwendet. Zum Beispiel werden für die unterschiedlichen statistischen Momente die Hurst Exponenten H als H(q) bestimmt. Eine solche Analyse wird insbesondere als Multifraktale Spektrum bezeichnet. Insbesondere basiert die Verschmutzungsbestimmung und/oder Betriebsbereitschaftsbestimmung auf einer Auswertung des funktionalen Zusammenhangs von H(q).
  • Besonders bevorzugt ist es, dass die Zeitreihenanalyse umfasst und/oder basiert auf einer Autokorrelationsfunktion eine Fourier Transformation des Messsignals einer trendbereinigten Fluktuationsanalyse (DFA, Detrended Fluctuation Analysis) und/oder einer multifraktalen trendbereinigten Fluktuationsanalyse (MF-DFA, Multifractal Detrended Fluctuation Analysis).
  • Insbesondere wird mittels der Zeitreihenanalyse mindestens ein Analyseparameter bestimmt, wobei in einer Ausgestaltung mindestens einer der Analyseparameter einen Skalenparameter bildet und/oder beschreibt. Beispielsweise wird basierend auf dem Analyseparameter insbesondere dem Skalenparameter zwischen Brandarten, wie offenes Feuer und Schwelbrand, und/oder zwischen Störgrößen, wie Wasserdampf, Fett, Staub und/oder Zigarettenrauch, und/oder zwischen Brandarten und Störgrößen unterschieden.
  • Eine Ausgestaltung des Verfahrens sieht vor, dass das Messsignal für eine Mehrzahl an Auswertezeitintervallen erfasst wird, beispielsweise mindestens zweimal, vorzugsweise mindestens zehnmal und im Speziellen mindestens 100-mal. Die Auswertezeitintervalle sind vorzugsweise bündig aneinander angeschlossen, beispielsweise das nach Beendigung des ersten Auswertezeitintervalls das nächste Auswertezeitintervall direkt anschließt, alternativ können die Auswertezeitintervalle Überlappungen aufweisen oder überlappungsfrei ausgebildet sein, sodass beispielsweise zwischen zwei Auswertezeitintervallen eine Pause der Erfassung vorliegt. Die einzelnen Auswertezeitintervalle werden mittels der Zeitreihenanalyse ausgewertet. Für die erfassten Messsignale der Mehrzahl an Auswertezeitintervallen wird jeweils die Zeitreihenanalyse, insbesondere die Bestimmung des Hurst-Exponenten und/oder der Analyseparameter, durchgeführt. Beispielsweise werden die Analyseparameter und/oder Hurst-Parameter verglichen. Alternativ und/oder ergänzend wird ein zeitlicher Verlauf, eine Veränderung, eine Korrelation oder ein funktioneller Zusammenhang für die Hurst-Exponenten und/oder Analyseparameter bestimmt, wobei die Bestimmung des Brandereignisses vorzugsweise auf dem Vergleich, der Bestimmung und/oder Auswertung basiert.
  • Vorzugsweise basieren die Auswertezeitintervalle auf einem Rolling Window. Rolling Window wird teilweise auch als sliding window bezeichnet. Das Rolling Window weist dabei beispielsweise eine feste Intervalllänge, insbesondere die Auswertezeitintervalllänge, auf, wobei zur Bestimmung der Mehrzahl an Auswertezeitintervallen das Rolling Window verschoben wird, wobei das Verschieben ein zeitliches Verschieben des Erfassungsstandpunktes darstellt. Das Verschieben des Rolling Window kann kontinuierlich erfolgen oder diskret, beispielsweise mit einem Zeitversatz gleich der Auswertezeitintervalllänge.
  • Optional wird basierend auf der Zeitreihenanalyse des Messsignals eine Zusatzumgebungsgröße bestimmt. Die Zusatzumgebungsgröße ist beispielsweise eine Größe und/oder Bewertung der Umgebung des Brandmelders, beispielswese der Luft, der Temperatur und/oder Lichtverhältnisse. Beispielsweise wird als Zusatzumgebungsgröße eine Luftqualität und/oder Luftströmung bestimmt. Die Luftqualität kann beispielsweise einen Kohlenmonoxidgehalt, einen Kohlendioxidgehalt und/oder eine Stabubbelastung beschreiben. Die Luftströmung kann beispielsweise einen Luftzug beschreiben. Dieser Ausgestaltung liegt die Überlegung zu Grunde, dass zum Beispiel Staubpartikel im und/oder um den Brandmelder zu Fluktuationen im Messsignal führen, wobei mittels Zeitreihenanalyse diese Fluktuationen als Charakteristika zur Bewertung der Luftqualität herangezogen werden können.
  • Einen weiteren Gegenstand der Erfindung bildet ein Brandmelder zur Detektion eines Brandereignisses, insbesondere eines Brandes und/oder von Rauch. Der Brandmelder weist eine Sensoreinrichtung zur Erfassung einer Messgröße und zur Ausgabe eines Messsignals auf. Der Brandmelder weist eine Auswerteeinheit auf, wobei diese softwaretechnisch oder hardwaretechnisch ausgebildet sein kann. Die Auswerteeinheit ist insbesondere eingerichtet und/oder ausgebildet, das vorher beschriebene Verfahren auszuführen und/oder durchzuführen. Die Auswerteeinheit ist ausgebildet, das Messsignal für das Auswertezeitintervall zu erfassen, in einer speziellen Ausgestaltung für eine Mehrzahl an Auswertezeitintervallen, zu erfassen. Für das und/oder für die Auswertezeitintervalle ist die Auswerteeinheit ausgebildet, die Zeitreihenanalyse durchzuführen. Basierend auf den Ergebnissen, beispielsweise dem Analyseparameter und im Speziellen dem Hurst-Exponenten, wird von der Auswerteeinheit ein Brandereignis bestimmt.
  • Einen weiteren Gegenstand der Erfindung bildet ein Computerprogramm zur Ausführung auf einem Computer und/oder dem Brandmelder wie vorher beschrieben. Insbesondere umfasst das Computerprogramm und/oder basiert das Computerprogramm auf einem Programmcode mit Programmcodemitteln. Das Computerprogramm ist ausgebildet, bei Ausführung auf dem Computer und/oder dem Brandmelder die Schritte des Verfahrens wie vorher beschrieben durchzuführen. Insbesondere ist das Computerprogramm im Brandmelder implementiert, im Speziellen in der Auswerteeinheit, sodass die Auswerteeinheit mittels Durchführung des Computerprogramms und damit des Verfahrens das Brandereignis detektiert.
  • Einen weiteren Gegenstand der Erfindung bildet ein maschinenlesbares Speichermedium, beispielsweise eine DVD, CD, Diskette oder anderweitig Restspeichermedium. Auf dem Speichermedium ist das Computerprogramm, insbesondere der Programmcode und/oder die Programmcodemittel, gespeichert.
  • Weitere Vorteile, Ausgestaltungen und Wirkungen ergeben sich aus den beigefügten Figuren und deren Beschreibung. Dabei zeigen:
    • Figuren 1a, b einen Brandmelder in unterschiedlichen Zuständen;
    • Figur 2a, b, c, d Messsignal und Beispiel einer Zeitreihenanalyse;
    • Figuren 3a, b Beispiel eines realen Messsignals und Analyseparameter;
    • Figuren 4a, b, c beispielhafte Branderkennung mittels Zeitreihenanalyse;
    • Figuren 5a, b, c, d Beispiel einer Branderkennung mittels Rolling Window.
  • Die Figuren 1a und b zeigen ein Ausführungsbeispiel eines als photoelektrischen Brandmelders 1. Der Brandmelder 1 ist zur Montage an einer Decke 2 ausgebildet. Der Brandmelder 1 umfasst eine Sensoreinrichtung, wobei die Sensoreinrichtung eine Lichtquelle 3 und einen Lichtdetektor 4 umfasst. Ferner weißt der Brandmelder 1 einen Messkanal 5 auf, wobei der Messkanal 5 auch als Streulichtstrecke und/oder Rauchkammer bezeichnet wird. Der Lichtdetektor 4 ist ausgebildet, einfallendes Licht als Messgröße zu detektieren und als Messsignal ein Spannungssignal auszugeben.
  • Der Brandmelder 1 in Figur 1a zeigt den Brandmelder 1 in einem Normalzustand, auch Ruhezustand genannt. Der Normalzustand wird als Zustand des Brandmelders in einem voll funktionsfähigen Zustand ohne Rauch und/oder Brand, Verschmutzung, Staub und/oder Feuchtigkeit. Die Lichtquelle 3 und Lichtdetektor 4 sind in einer gemeinsamen Ebene beispielsweise (Anm.: die Ebene kann auch anders verlaufen) gleichgerichtet zur Decke 2 angeordnet. Die Lichtquelle 3, beispielswese eine LED, strahlt Licht, insbesondere IR-Strahlung und/oder sichtbares Licht, ab. Die Abstrahlung kann insbesondere gerichtet oder sphärisch erfolgen. Das von der Lichtquelle 3 emittierte Licht kann in Richtung des Lichtdetektors 4 durch einen Strahlengang 6 beschrieben werden. Im vorliegenden Zustand wird vom Lichtdetektor 3 kein von der Lichtquelle 3 emittiertes Licht detektiert, da sich der normale Strahlengang 6 nicht zum Detektor erstreckt. Eine Detektion könnte nur erfolgen, wenn das emittierte Licht zum Lichtdetektor 4 gestreut wird. Da in diesem Zustand keine Partikel, z.B. Rauch oder Schmutz, vorliegen, die das Licht in den Lichtdetektor 4 streuen könnten, wird vom Lichtdetektor 4 kein Licht detektiert. Das Messsignal ist hierbei eine Spannung um einen Mittelnullwert, z.B. 0 mV oder 0 mV plus einem Offset, wobei das Messsignal eine Streuung und/oder Rauschen um den Mittelnullwert aufweist.
  • Figur 1b zeigt den Brandmelder 1 aus Figur 1a bei Vorliegen eines Brandes. Im Messkanal 5 ist nun Rauch 7 eingedrungen. Der Rauch 7 umfasst insbesondere Partikel und weist reflektierende Eigenschaften auf. Das von der Lichtquelle 3 emittierte Licht wird im Messkanal 5 vom Rauch 7 gestreut, wobei ein Teil des gestreuten Lichts einem erweiterten Strahlengang 8 zum Lichtdetektor 4 folgt. Das gestreute Licht wird vom Lichtdetektor 4 detektiert und als Messgröße bzw. Messsignal ausgegeben, wobei das Messsignal vom Mittelnullwert deutlich abweicht. Basierend auf dem Messsignal wird schließlich der Brand detektiert.
  • Die Figuren 2a - d zeigen beispielhaft das Prinzip einer trendbereinigten Fluktuationsanalyse eines Messsignals S. Das Messsignal S weißt Fluktuationen auf und schwankt bzw. rauscht damit um den Wert S=0, dem Mittelnullwert des vorliegenden Messsignals S. Obwohl dem Rauschen an sich kein eigentlicher Trend oder Verlauf anzusehen ist, kann durch Zeitreihenanalyse des Signals, insbesondere der Fluktuationen und des Rauschens, eine frühzeitige Branderkennung erfolgen. Während zum starken Anstieg des Mittelwerts des Messsignals S eine Mindestmenge an Rauch zur Streuung des Lichts benötigt wird, können bereits kleinste Rauchmengen bei der Entstehung des Brandes und/oder bei einem Schwelbrand zu merklichen Fluktuationen im Messsignal führen. Durch Auswertung der Fluktuationen mittels der Zeitreihenanalyse können so Brände frühzeitig erkannt werden.
  • Neben dem eigentlichen Messsignal S ist in Figur 6a auch eine kumulierte Reihe 9 dargestellt. Die kumulierte Reihe 9 ergibt sich wie bei einer klassischen Hurst-Analyse durch sukzessives aufsummieren der Zeitreihe, wobei die Zeitreihe das Messsignal S bildet.
  • Die Figuren 2b und 2c zeigen die ebenfalls das Messsignal S und die kumulierte Reihe 9. Nun wird das Analysezeitintervall in gleichgroße Segmente (Teilintervalle) der Länge s geteilt. Für die Zeitreihenanalyse wird das Analysezeitintervall jeweils auf unterschiedliche Art geteilt, wobei sich die Arten in der gewählten Länge s unterscheiden. Figur 2b zeigt eine Unterteilung in kleinere Teilintervalle, also kleinere Länge s, als die in Figur 2c gezeigte Unterteilung. In jedem Segment wird nun an die Zeitreihe ein Polynom n-ten Grades angepasst und von der kumulierten Reihe abgezogen. Von dem so erhaltenen Residuum wird nun die Varianz in jedem Segment ermittelt und über die Anzahl der Segmente gemittelt. Von dieser gemittelten Varianz wird nun die Wurzel gezogen (Standartabweichungsbildung). Das Ergebnis wird beispielsweise als Fluktuationsparameter F(s) bezeichnet.
  • Dies wird für die unterschiedlichen Längen s durchgeführt und anschließend der funktionelle Zusammenhang der Form F(s)=Const.1∗sα+const.2 bestimmt, wobei α im Wesentlichen dem Hurst-Exponenten entspricht. Eine logarithmische Auftragung ist in Figur 2d gezeigt, wobei α die Steigung der Geraden beschreibt. Die unterschiedlichen Geraden entsprechen unterschiedlichen Ordnungen n des Fit-Polynoms.
  • Figur 3a zeigt eine beispielhafte Zeitreihenanalyse eines realen Messsignals S ausgegeben von einem Brandmelder 1. Das Messsignal weißt als Trend einen Anstieg auf, der Beispielsweise durch Rauch eines entstehenden Brandes hervorgerufen wird. Während übliche Brandmelder beispielsweise warten, bis das Messsignal einen Schwellwert überschritten hat, kann gemäß dem Verfahren bereits vorher ein Brand detektiert werden. Hierzu wird für das Messsignal eine Zeitreihenanalyse, insbesondere trendbereinigte Fluktuationsanalyse durchgeführt.
  • Das Ergebnis für einige Fluktuationsanalysen ist in Figur 3b gezeigt. Die Fluktuationsanalysen basieren auf Trendbereinigung mit unterschiedlichen Polynomgraden n des Fitpolynoms. Aus diesem Zusammenhang wird beispielsweise als Analyseparameter der Hurst-Exponent H, hier als Skalenparameter α aufgefasst, bestimmt werden. Basierend Skalenparameter α wird auf einen Brand geschlossen und/oder zwischen Brandarten diskriminiert.
  • Figuren 4a, b, c zeigen schematisch eine Zeitreihenanalyse des Messsignals S in einer Rolling Window Analyse. Figur 6a zeigt den Verlauf eines Brandereignisses Z als zeitlichen Verlauf. Das Brandereignis setzt schlagartig zu einem Zeitpunkt to ein. Figur 4b zeigt das zugehörige Messsignal S des Brandmelders 1 im gleichen Zeitraum. Das Messsignal ändert sich anders als das Brandereignis Z nicht schlagartig bei to, sondern antwortet Zeitverzögert mit τ 1. Erst nach t 0 + τ 1, übersteigt das Messsignal S, bzw. dessen Mittelwert den Schwellwert X. Figur 4c zeigt den Analyseparameter α, beispielsweise den Hurst-Exponenten. Eine Veränderung des Analyseparameter α stellt man bereits nach einer Zeitverzögerung τ 2 fest, wobei τ 2 « τ 1. Durch Zeitreihenanalyse ist somit eine frühzeitigere Branderkennung möglich.
  • Figuren 5a-d zeigen beispielhaft eine Zeitreihenanalyse des Messsignals S basierend auf einem Rolling Window. Das Messsignal S in 5a basiert z.B. auf der Entstehung eines Schwelbrandes zum Zeitpunkt to. Wie in zu Figuren 4 erläutert Reagiert das Messsignal S bzw. dessen Mittelwert erst zeitverzögert mit einem Anstieg.
  • Figur 5b zeigt das trendbereinigte Messsignal S* für das Messsignal S aus Figur 5a. Dieses bildet nun im Wesentlichen eine Fluktuation um einen konstanten Wert, hier S=125. Die Zeitreihenanalyse wird für das trendbereinigte Messsignal S* durchgeführt. Hierzu wird das Verfahren des Rolling Window angewendet, wobei ein Analysezeitintervall als "Zeitfenster" zeitlich verschoben 11 wird. Ein erstes Analysezeitintervall A1 und ein zweites Analysezeitintervall A2 dargestellt sind. Die Analysezeitintervalle A1, A2 gleich lang ausgebildet und lediglich zeitlich versetzt. Zur weiteren Analyse wird das Analysezeitintervall A2 weiter zeitlich verschoben.
  • Die Figuren 5c und 5d zeigen die Analyseparameter für die Zeitreihenanalyen, wobei Figur 5c die Analyseparameter α für das Analysezeitintervall A1 zeigt und Figur 5d die Analyseparameter αfür das Analysezeitintervall A2 zeigt. Der Analyseparameter α unterscheiden sich für die beiden Analysezeitintervalle A1, A2 signifikant, wobei z.B. wie in der schematischen Darstellung gezeigt, α = 0,56 für A1 und α = 0,68 für A2 ist. Basierend auf den Analyseparameter α bzw. der Zeitreihenanalyse ist eine Brandbestimmung bereits möglich, bevor der Mittelwert des Messsignals wie in Figur 5a einen Schwellwert X überschreitet.

Claims (15)

  1. Verfahren zur Branderkennung mit einem Brandmelder (1),
    wobei der Brandmelder (1) eine Sensoreinrichtung zur Erfassung einer Messgröße und zur Ausgabe eines Messsignals (S) umfasst, wobei das Messsignal (S) Fluktuationen, Rauschen und/oder Streuung aufweist,
    wobei das Verfahren folgende Schritte umfasst:
    - Erfassen des Messsignals (S) der Sensoreinrichtung für ein Auswertezeitintervall,
    - Durchführen einer Zeitreihenanalyse für das Messsignal (S) im Auswertezeitintervall,
    - Erkennung eines Brandereignisses basierend auf der Zeitreihenanalyse.
  2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass die Zeitreihenanalyse für die Fluktuationen, das Rauschen und/oder die Streuung durchgeführt wird.
  3. Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass das Messsignal (S) einen dominanten Mittelwertanteil, einen langsamen Trendanteil und/oder einen quasiperiodischen Trendanteil aufweist, wobei vor Zeitreihenanalyse das Messsignal (S) trendbereinigt wird, wobei die Zeitreihenanalyse für das trendbereinigte Messsignal durchgeführt wird.
  4. Verfahren nach Anspruch 3, dadurch gekennzeichnet, dass die Trendbereinigung auf einer Empirischen-Moden-Dekomposition, einer Hilbert-Huang-Transformation und/oder einer Spline-Approximation basiert.
  5. Verfahren nach einem der vorherigen Ansprüche, dadurch gekennzeichnet, dass die Zeitreihenanalyse eine Fluktuationsanalyse, eine Korrelations- und/oder Autokorrelationsanalyse umfasst und/oder bildet.
  6. Verfahren nach einem der vorherigen Ansprüche, dadurch gekennzeichnet, dass die Zeitreihenanalyse eine Hurst-Analyse und/oder trendbereinigte Fluktuationsanalyse (DFA) oder eine multifraktale DFA (MF-DFA) mit einem multifraktalen Exponenten a(q) umfasst und/oder bildet.
  7. Verfahren nach einem der vorherigen Ansprüche, dadurch gekennzeichnet, dass die Zeitreihenanalyse eine Mehrzahl an Einzelzeitreihenanalysen umfasst, wobei die Einzelzeitreihenanalysen auf unterschiedlichen statistischen Momenten basieren und/oder unterschiedlichen Graden eines Polynomfits basieren
  8. Verfahren nach einem der vorherigen Ansprüche, dadurch gekennzeichnet, dass mittels der Zeitreihenanalyse mindestens ein Analyseparameter bestimmt wird, wobei mindestens einer der Analyseparameter einen Skalenparameter α beschreibt, wobei basierend auf dem Skalenparameter α zwischen Brand und Störung und/oder zwischen Brandarten und/oder Störungsarten unterschieden wird.
  9. Verfahren nach einem der vorherigen Ansprüche, dadurch gekennzeichnet, dass Messsignals (S) der Sensoreinrichtung für eine Mehrzahl an Auswertezeitintervallen (A1, A2) erfasst wird, wobei für die Messsignale (S) der Auswertezeitintervalle (A1, A2) jeweils die Zeitreihenanalyse durchgeführt wird, wobei basierend auf einem Vergleich der Mehrzahl an Zeitreihenanalysen das Brandereignis bestimmt wird.
  10. Verfahren nach Anspruch 9, dadurch gekennzeichnet, dass die Mehrzahl an Auswertezeitintervallen (A1, A2) auf einem Rolling Window basieren.
  11. Verfahren nach einem der vorherigen Ansprüche, dadurch gekennzeichnet, dass basierend auf der Zeitreihenanalyse eine Unterscheidung der Brandarten Schwelbrand, offenes Feuer und/oder Verpuffung erfolgt.
  12. Verfahren nach einem der vorherigen Ansprüche, dadurch gekennzeichnet, dass basierend auf der Zeitreihenanalyse eine Zusatzumgebungsgröße, insbesondere eine Luftqualität, bestimmt wird.
  13. Brandmelder (1) zur Detektion eines Brandereignisses, eines Brandes und/oder von Rauch basierend auf einer Messgröße und/oder einem Messsignal (S), wobei der Brandmelder (1) eine Sensoreinrichtung zur Erfassung der Messgröße und zur Ausgabe des Messsignals (S) umfasst, wobei das Messsignal (S) Fluktuationen, Rauschen und/oder Streuung aufweist, mit einer Auswerteeinheit, insbesondere zur Durchführung des Verfahrens nach einem der vorherigen Ansprüche, wobei die Auswerteeinheit ausgebildet ist, das Messsignal (S) für ein Auswertezeitintervall zu erfassen, eine Zeitreihenanalyse des Messsignals (S) im Auswertezeitintervall durchzuführen und basierend auf der Zeitreihenanalyse ein Brandereignis zu bestimmen.
  14. Computerprogramm zur Ausführung auf einem Computer und/oder dem Brandmelder (1) nach Anspruch 13, dadurch gekennzeichnet, dass das Computerprogramm ausgebildet ist, bei Ausführung auf dem Computer und/oder dem Brandmelder (1) die Schritte des Verfahrens nach einem der Ansprüche 1 bis 12 durchzuführen.
  15. Maschinenlesbares Speichermedium, insbesondere nichtflüchtiges maschinenlesbares Speichermedium, auf dem das Computerprogramm nach Anspruch 14 gespeichert ist.
EP21167838.8A 2020-05-25 2021-04-12 Verfahren zur branderkennung mit einem brandmelder, brandmelder, computerprogramm und maschinenlesbares speichermedium Active EP3916692B1 (de)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
DE102020206454.7A DE102020206454A1 (de) 2020-05-25 2020-05-25 Verfahren zur Branderkennung mit einem Brandmelder, Brandmelder, Computerprogramm und maschinenlesbares Speichermedium

Publications (2)

Publication Number Publication Date
EP3916692A1 true EP3916692A1 (de) 2021-12-01
EP3916692B1 EP3916692B1 (de) 2024-02-14

Family

ID=75477932

Family Applications (1)

Application Number Title Priority Date Filing Date
EP21167838.8A Active EP3916692B1 (de) 2020-05-25 2021-04-12 Verfahren zur branderkennung mit einem brandmelder, brandmelder, computerprogramm und maschinenlesbares speichermedium

Country Status (2)

Country Link
EP (1) EP3916692B1 (de)
DE (1) DE102020206454A1 (de)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116092281A (zh) * 2023-01-04 2023-05-09 秦皇岛泰和安科技有限公司 双向感烟探测器的标定方法、装置、设备及存储介质
CN116778661A (zh) * 2023-07-05 2023-09-19 深圳市华翌科技有限公司 一种烟感智能预警方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE69531898T2 (de) * 1994-08-26 2004-05-19 Interlogix, Inc., North Saint Paul Autonomer, selbsteinstellender rauchmelder und verfahren zu seinem betrieb
US20050200475A1 (en) * 2004-02-11 2005-09-15 Southwest Sciences Incorporated Fire alarm algorithm using smoke and gas sensors
DE102010041693A1 (de) 2010-09-30 2012-04-05 Robert Bosch Gmbh Verfahren zum Prüfen der Funktionsfähigkeit eines photoelektrischen Rauchmelders
US20180350220A1 (en) * 2017-05-31 2018-12-06 Eric V. Gonzales Smoke device and smoke detection circuit

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE69531898T2 (de) * 1994-08-26 2004-05-19 Interlogix, Inc., North Saint Paul Autonomer, selbsteinstellender rauchmelder und verfahren zu seinem betrieb
US20050200475A1 (en) * 2004-02-11 2005-09-15 Southwest Sciences Incorporated Fire alarm algorithm using smoke and gas sensors
DE102010041693A1 (de) 2010-09-30 2012-04-05 Robert Bosch Gmbh Verfahren zum Prüfen der Funktionsfähigkeit eines photoelektrischen Rauchmelders
US20180350220A1 (en) * 2017-05-31 2018-12-06 Eric V. Gonzales Smoke device and smoke detection circuit

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116092281A (zh) * 2023-01-04 2023-05-09 秦皇岛泰和安科技有限公司 双向感烟探测器的标定方法、装置、设备及存储介质
CN116778661A (zh) * 2023-07-05 2023-09-19 深圳市华翌科技有限公司 一种烟感智能预警方法
CN116778661B (zh) * 2023-07-05 2024-06-07 深圳市华翌科技有限公司 一种烟感智能预警方法

Also Published As

Publication number Publication date
EP3916692B1 (de) 2024-02-14
DE102020206454A1 (de) 2021-11-25

Similar Documents

Publication Publication Date Title
EP3916692B1 (de) Verfahren zur branderkennung mit einem brandmelder, brandmelder, computerprogramm und maschinenlesbares speichermedium
EP1022700B1 (de) Streulichtbrandmelder
EP1630758B1 (de) Streulicht-Rauchmelder
EP3916691B1 (de) Verfahren zur verschmutzungserkennung eines brandmelders, brandmelder, computerprogramm und maschinenlesbares speichermedium
WO2001067415A1 (de) Bildgebender brandmelder
EP2307876A1 (de) Verfahren zur laserspektroskopischen detektion von gasen und gassensor
EP2305105B1 (de) Verfahren zur Erkennung einer Fehlfunktion eines Sensors zur in-vivo Messung einer Analytkonzentration
DE102006058051B4 (de) Verfahren zur Überwachung der Konzentration eines Wasserinhaltsstoffes in einem wässrigen Medium
WO2020099269A1 (de) Verfahren und vorrichtung zur analyse von biologischem material
EP2142913B1 (de) Analysesystem mit einem analysegerät und einem testträger zur photometrischen bestimmung eines analyten in einer körperflügssigkeit
EP2581890B1 (de) Verfahren zur Erhöhung der Fehlalarmsicherheit eines Brandmelders
EP2758948B1 (de) Brandmelder mit sensorfeld
DE102007015611A1 (de) Verfahren zur nichtdispersiven Infrarot-Gasanalyse
Huhtala et al. Chemometrics in Forensic Chemistry–Part III: Quality assessment and interpretation of chemometric output
Porter et al. ESTIMATING CENTRAL TENDENCY FROM UNCENSORED TRACE LEVEL MEASUREMENTS 1
EP2154529B1 (de) Verfahren zur Auswertung von Gassensorsignalen
DE102013208533A1 (de) Brandmelder
DE102009043080A1 (de) Verfahren zur Detektion von Rauch und/oder Flammen und Detektionssystem
EP1630759B1 (de) Streulicht-Rauchmelder
DE102017211816A1 (de) Verfahren zum berechnen einer radar-abstandssichtweite, und eine vorrichtung zur durchführung des verfahrens
DE102004057350B3 (de) Verfahren zur Klassifikation und zur Bestimmung der Einzelkonzentrationen eines Stoffgemisches
DE102015118208A1 (de) Analysevorrichtung zum Analysieren einer Gasprobe
WO2001035075A2 (de) Verfahren zur auswertung elektromagnetischer spektren mittels mustererkennung
DD207256A1 (de) Verfahren zur messwertverarbeitung fuer die untersuchung kinetischer reaktionen
EP0937970B1 (de) Vorrichtung und Verfahren zur Analyse von Signalen

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

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

Free format text: STATUS: THE APPLICATION HAS BEEN PUBLISHED

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC MK MT NL NO PL PT RO RS SE SI SK SM TR

B565 Issuance of search results under rule 164(2) epc

Effective date: 20211006

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

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20220601

RBV Designated contracting states (corrected)

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC MK MT NL NO PL PT RO RS SE SI SK SM TR

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

Free format text: STATUS: EXAMINATION IS IN PROGRESS

17Q First examination report despatched

Effective date: 20221017

GRAP Despatch of communication of intention to grant a patent

Free format text: ORIGINAL CODE: EPIDOSNIGR1

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

Free format text: STATUS: GRANT OF PATENT IS INTENDED

INTG Intention to grant announced

Effective date: 20230913

GRAS Grant fee paid

Free format text: ORIGINAL CODE: EPIDOSNIGR3

GRAA (expected) grant

Free format text: ORIGINAL CODE: 0009210

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

Free format text: STATUS: THE PATENT HAS BEEN GRANTED

AK Designated contracting states

Kind code of ref document: B1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC MK MT NL NO PL PT RO RS SE SI SK SM TR

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: DE

Ref legal event code: R096

Ref document number: 502021002657

Country of ref document: DE

REG Reference to a national code

Ref country code: IE

Ref legal event code: FG4D

Free format text: LANGUAGE OF EP DOCUMENT: GERMAN

REG Reference to a national code

Ref country code: LT

Ref legal event code: MG9D

REG Reference to a national code

Ref country code: NL

Ref legal event code: MP

Effective date: 20240214

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

Ref country code: IS

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: 20240614

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

Ref country code: LT

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: 20240214

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

Ref country code: DE

Payment date: 20240619

Year of fee payment: 4

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: 20240515

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

Ref country code: RS

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: 20240514

Ref country code: HR

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: 20240214

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: 20240214

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 FAILURE TO SUBMIT A TRANSLATION OF THE DESCRIPTION OR TO PAY THE FEE WITHIN THE PRESCRIBED TIME-LIMIT

Effective date: 20240214

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

Ref country code: RS

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: 20240514

Ref country code: NO

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: 20240514

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: 20240214

Ref country code: LT

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: 20240214

Ref country code: IS

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: 20240614

Ref country code: HR

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: 20240214

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: 20240515

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: 20240214

Ref country code: ES

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: 20240214

Ref country code: BG

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: 20240214

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

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: 20240614

Ref country code: PL

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: 20240214

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

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: 20240214

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: 20240614

Ref country code: PL

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: 20240214

Ref country code: LV

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: 20240214