DE112019007992T5 - Gaseous fluid monitor and method for monitoring properties of a gaseous fluid - Google Patents
Gaseous fluid monitor and method for monitoring properties of a gaseous fluid Download PDFInfo
- Publication number
- DE112019007992T5 DE112019007992T5 DE112019007992.1T DE112019007992T DE112019007992T5 DE 112019007992 T5 DE112019007992 T5 DE 112019007992T5 DE 112019007992 T DE112019007992 T DE 112019007992T DE 112019007992 T5 DE112019007992 T5 DE 112019007992T5
- Authority
- DE
- Germany
- Prior art keywords
- gaseous fluid
- particles
- data
- detection data
- classes
- 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.)
- Pending
Links
- 239000012530 fluid Substances 0.000 title claims abstract description 109
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000012544 monitoring process Methods 0.000 title claims abstract description 14
- 239000002245 particle Substances 0.000 claims abstract description 140
- 238000001514 detection method Methods 0.000 claims abstract description 73
- 239000013618 particulate matter Substances 0.000 claims abstract description 22
- 230000009467 reduction Effects 0.000 claims description 12
- 230000036962 time dependent Effects 0.000 claims description 12
- 230000007613 environmental effect Effects 0.000 claims description 10
- 238000012806 monitoring device Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 239000002023 wood Substances 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 239000007789 gas Substances 0.000 description 31
- 239000011159 matrix material Substances 0.000 description 12
- 238000013145 classification model Methods 0.000 description 7
- 238000002474 experimental method Methods 0.000 description 7
- 238000005259 measurement Methods 0.000 description 7
- 238000000513 principal component analysis Methods 0.000 description 7
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 4
- 238000013459 approach Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 229910002091 carbon monoxide Inorganic materials 0.000 description 4
- 239000000779 smoke Substances 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000007774 longterm Effects 0.000 description 3
- 230000006403 short-term memory Effects 0.000 description 3
- 239000012855 volatile organic compound Substances 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000013501 data transformation Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 230000000704 physical effect Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 101100058331 Arabidopsis thaliana BHLH32 gene Proteins 0.000 description 1
- 229920000742 Cotton Polymers 0.000 description 1
- 239000000443 aerosol Substances 0.000 description 1
- 239000003054 catalyst Substances 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000000105 evaporative light scattering detection Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B17/00—Fire alarms; Alarms responsive to explosion
- G08B17/10—Actuation by presence of smoke or gases, e.g. automatic alarm devices for analysing flowing fluid materials by the use of optical means
- G08B17/117—Actuation by presence of smoke or gases, e.g. automatic alarm devices for analysing flowing fluid materials by the use of optical means by using a detection device for specific gases, e.g. combustion products, produced by the fire
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B17/00—Fire alarms; Alarms responsive to explosion
- G08B17/12—Actuation by presence of radiation or particles, e.g. of infrared radiation or of ions
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B29/00—Checking or monitoring of signalling or alarm systems; Prevention or correction of operating errors, e.g. preventing unauthorised operation
- G08B29/18—Prevention or correction of operating errors
- G08B29/185—Signal analysis techniques for reducing or preventing false alarms or for enhancing the reliability of the system
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Emergency Management (AREA)
- Business, Economics & Management (AREA)
- Automation & Control Theory (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
Ein Aspekt betrifft eine Überwachungseinrichtung für ein gasförmiges Fluid zur Überwachung von Eigenschaften eines gasförmigen Fluids, die eine Teilchengröße enthalten. Die Überwachungseinrichtung für ein gasförmiges Fluid kann einen Detektor enthalten, der konfiguriert ist, eine Detektion von mindestens einer der Eigenschaften des gasförmigen Fluids bereitzustellen, wobei der Detektor einen Feststoffteilchensensor enthalten kann, der konfiguriert ist, erste Teilchen und zweite Teilchen, die in dem gasförmigen Fluid suspendiert sind, zu detektieren und als Bestandteil der Detektion eine erste Konzentration der ersten Teilchen und eine zweite Konzentration der zweiten Teilchen bereitzustellen. Die Überwachungseinrichtung für ein gasförmiges Fluid kann eine Klassifizierungseinheit enthalten, die konfiguriert ist, die Detektion in die vorgegebene Gruppe von Klassen zu klassifizieren. Ein weiterer Aspekt betrifft ein Verfahren zum Überwachen der Eigenschaften des gasförmigen Fluids. Das Verfahren kann das Detektieren erster Teilchen und zweiter Teilchen enthalten und kann ferner das Klassifizieren der Detektion in eine vorgegebene Gruppe von Klassen enthalten.One aspect relates to a gaseous fluid monitor for monitoring properties of a gaseous fluid including particle size. The gaseous fluid monitor may include a detector configured to provide detection of at least one of the properties of the gaseous fluid, wherein the detector may include a particulate matter sensor configured to detect first particles and second particles present in the gaseous fluid are suspended, and to provide as part of the detection a first concentration of the first particles and a second concentration of the second particles. The gaseous fluid monitor may include a classification unit configured to classify the detection into the predetermined set of classes. Another aspect relates to a method for monitoring the properties of the gaseous fluid. The method may include detecting first particles and second particles, and may further include classifying the detection into a predetermined set of classes.
Description
Technisches Gebiettechnical field
Diese Offenbarung bezieht sich auf eine Überwachungseinrichtung für ein gasförmiges Fluid und ein Verfahren zum Überwachen von Eigenschaften eines gasförmigen Fluids. Diese Offenbarung bezieht sich ferner auf ein Computerprogrammprodukt.This disclosure relates to a gaseous fluid monitor and method for monitoring properties of a gaseous fluid. This disclosure also relates to a computer program product.
Hintergrundbackground
Heutzutage werden Rauchmelder weitverbreitet für die Sicherheit im Haus eingesetzt. Jedoch benötigen Rauchmelder für einige Arten von Feuer wie etwa Versuchsfeuer (TF) mit schwelendem Holz und schwelender Baumwolle eine ziemlich lange Zeit, um einen Alarm auszulösen, wenn ein Feuer ausbricht. In letzter Zeit sind Feuerdetektoren auf der Grundlage von Gassensoren erschienen. Die Haupthypothese von gasbasierten Feuerdetektoren ist, dass bei vielen Arten von Feuer Gase und flüchtige Verbindungen freigesetzt werden, bevor Rauch erscheint, wodurch es wahrscheinlicher ist, dass ein Feuer früher detektiert werden kann. Jedoch weisen bestehende Systeme nach wie vor einen erheblichen Anteil von Fehlalarmen von 35 % oder mehr auf.Today, smoke alarms are widely used for home security. However, smoke detectors for some types of fires, such as smoldering wood and smoldering cotton pilot (TF) fires, take quite a long time to sound an alarm when a fire breaks out. Recently, fire detectors based on gas sensors have appeared. The main hypothesis of gas-based fire detectors is that in many types of fires, gases and volatile compounds are released before smoke appears, making it more likely that a fire can be detected earlier. However, existing systems still have a significant false alarm rate of 35% or more.
Daher ist es erwünscht, verbesserte Feuerdetektoren mit einem verringerten Anteil von Fehlalarmen bereitzustellen.Therefore, it is desirable to provide improved fire detectors with a reduced rate of false alarms.
Kurzdarstellungabstract
Die vorliegende Offenbarung bezieht sich auf eine Überwachungseinrichtung für ein gasförmiges Fluid und ein Verfahren zum Überwachen von Eigenschaften eines gasförmigen Fluids. In einigen Ausführungsformen ist die Überwachungseinrichtung für ein gasförmiges Fluid ein Feuerdetektor.The present disclosure relates to a gaseous fluid monitor and method for monitoring properties of a gaseous fluid. In some embodiments, the gaseous fluid monitor is a fire detector.
Diverse Ausführungsformen betreffen eine Überwachungseinrichtung für ein gasförmiges Fluid zum Überwachen von Eigenschaften eines gasförmigen Fluids. Die Eigenschaften des gasförmigen Fluids können mindestens eines der folgenden Elemente enthalten: Teilchengröße, Teilchengrößenkonzentration, Teilchengeschwindigkeit, Art der Gasmoleküle, Konzentration der Gasmoleküle. Die Eigenschaften des gasförmigen Fluids können außerdem physikalische Eigenschaften wie z. B. Druck und/oder relative Feuchtigkeit und/oder absolute Feuchtigkeit und/oder Temperatur enthalten. Die Überwachungseinrichtung für ein gasförmiges Fluid kann einen Detektor und eine Klassifizierungseinheit enthalten. Der Detektor kann konfiguriert sein, eine Detektion von mindestens einer der Eigenschaften des gasförmigen Fluids auszuführen und die entsprechenden Detektionsdaten bereitzustellen. Der Detektor kann einen Feststoffteilchensensor enthalten, der konfiguriert ist, erste Teilchen und zweite Teilchen, die in dem gasförmigen Fluid suspendiert sind, zu detektieren. Der Detektor kann ferner konfiguriert sein, als Bestandteil der Detektionsdaten eine erste Konzentration der ersten Teilchen und eine zweite Konzentration der zweiten Teilchen bereitzustellen. Die ersten Teilchen können Teilchen mit einer ersten Größe sein und die zweiten Teilchen können Teilchen mit einer zweiten Größe sein, die von der ersten Größe verschieden ist. Die Klassifizierungseinheit kann konfiguriert sein, die Detektionsdaten in eine vorgegebene Gruppe von Klassen zu klassifizieren. Mindestens zwei Klassen der vorgegebenen Gruppe von Klassen können Indikatoren für jeweilige Quellen des gasförmigen Fluids sein.Various embodiments relate to a gaseous fluid monitor for monitoring properties of a gaseous fluid. The properties of the gaseous fluid can include at least one of the following elements: particle size, particle size concentration, particle velocity, type of gas molecules, concentration of gas molecules. The properties of the gaseous fluid can also include physical properties such as e.g. B. pressure and / or relative humidity and / or absolute humidity and / or temperature. The gaseous fluid monitor may include a detector and a classification unit. The detector can be configured to perform a detection of at least one of the properties of the gaseous fluid and to provide the corresponding detection data. The detector may include a particulate matter sensor configured to detect first particles and second particles suspended in the gaseous fluid. The detector may be further configured to provide a first concentration of the first particles and a second concentration of the second particles as part of the detection data. The first particles may be particles of a first size and the second particles may be particles of a second size different from the first size. The classification unit can be configured to classify the detection data into a predetermined group of classes. At least two classes of the given set of classes can be indicators for respective sources of the gaseous fluid.
Diverse Ausführungsformen betreffen ein Verfahren zum Überwachen der Eigenschaften eines gasförmigen Fluids. Das Verfahren kann das Detektieren erster Teilchen und zweiter Teilchen, die in dem gasförmigen Fluid suspendiert sind, enthalten. Die ersten Teilchen können eine erste Größe aufweisen und die zweiten Teilchen können eine zweite Größe aufweisen, die von der ersten Größe verschieden ist. Das Verfahren kann ferner das Klassifizieren der Detektionsdaten in eine vorgegebene Gruppe von Klassen enthalten. Mindestens zwei Klassen der vorgegebenen Gruppe von Klassen können Indikatoren für jeweilige Quellen des gasförmigen Fluids sein.Various embodiments relate to a method for monitoring the properties of a gaseous fluid. The method may include detecting first particles and second particles suspended in the gaseous fluid. The first particles can have a first size and the second particles can have a second size different from the first size. The method may further include classifying the detection data into a predetermined set of classes. At least two classes of the given set of classes can be indicators for respective sources of the gaseous fluid.
Diverse Ausführungsformen betreffen ein Computerprogrammprodukt, das Anweisungen, um zu bewirken, dass eine Überwachungseinrichtung für ein gasförmiges Fluid, wie hier beschrieben, die Anweisungen des Verfahrens, wie hier beschrieben, ausführt, enthält.Various embodiments relate to a computer program product that includes instructions for causing a gaseous fluid monitor as described herein to perform the instructions of the method as described herein.
Figurenlistecharacter list
Ausführungsformen der Erfindung werden nun auf beispielhafte Weise und unter Bezugnahme auf die folgenden Zeichnungen beschrieben, wobei:
- -
1 eine schematische Veranschaulichung einerÜberwachungseinrichtung 100 für ein gasförmiges Fluid in Übereinstimmung mit diversen Ausführungsformen zeigt; - -
2 eine schematische Veranschaulichung einerÜberwachungseinrichtung 100 für ein gasförmiges Fluid, die einenVorprozessor 130 enthält, in Übereinstimmung mit diversen Ausführungsformen zeigt; - -
3 eine schematische Veranschaulichung einerÜberwachungseinrichtung 100 für ein gasförmiges Fluid, die eine Dimensionalitäts-Verringerungseinheit 140 enthält, in Übereinstimmung mit diversen Ausführungsformen zeigt; - -
4 eine schematische Veranschaulichung einesDetektors 110, der einenFeststoffteilchensensor 112 und einenGassensor 114 enthält, in Übereinstimmung mit diversen Ausführungsformen zeigt; - -
5 einen Ablaufplan einesVerfahrens 200 in Übereinstimmung mit diversen Ausführungsformen zeigt; - -
6a-6f eine erste Gruppe von Versuchen zeigen, wobei unter Verwendung von Hauptkomponentenanalyse (PCA) und Hilfsvektormaschine (SVM) eine Klassifizierung für Umgebungsdaten, Feuer und Immissionen vorgenommen wird; - -
7a-7f eine zweite Gruppe von Versuchen zeigen, wobei eine Klassifizierung für Umgebungsdaten, offenes Holzfeuer (TF1), schwelendes Feuer (TF2 und TF3), flammendes Feuer (TF4, TF5 und TF 8) und Immissionen vorgenommen wird.
- -
1 12 shows a schematic illustration of agaseous fluid monitor 100 in accordance with various embodiments; - -
2 12 shows a schematic illustration of agaseous fluid monitor 100 including apreprocessor 130, in accordance with various embodiments; - -
3 12 shows a schematic illustration of agaseous fluid monitor 100 including adimensionality reduction unit 140, in accordance with various embodiments; - -
4 12 shows a schematic illustration of adetector 110 including aparticulate matter sensor 112 and agas sensor 114, in accordance with various embodiments; - -
5 Figure 2 shows a flowchart of amethod 200 in accordance with various embodiments; - -
6a-6f show a first group of experiments, using principal component analysis (PCA) and auxiliary vector machine (SVM) to carry out a classification for environmental data, fire and immissions; - -
7a-7f show a second group of experiments, where a classification for environmental data, open wood fire (TF1), smoldering fire (TF2 and TF3), flaming fire (TF4, TF5 and TF 8) and immissions is made.
Genaue BeschreibungPrecise description
In der folgenden Beschreibung sind die Zeichnungsfiguren nicht notwendigerweise maßstabsgerecht und bestimmte Merkmale können im Sinne von Klarheit und Prägnanz oder zu Informationszwecken in einer verallgemeinerten oder schematischen Form gezeigt sein. Außerdem sollte anerkannt werden, dass ,wie hier beschrieben, viele erfindungsgemäße Konzepte bereitgestellt sind, die in einer breiten Vielfalt von Zusammenhängen ausgeführt sein können, obwohl unten Herstellung und Verwendung diverser Ausführungsformen im Einzelnen diskutiert sind. Die hier diskutierten Ausführungsformen sind lediglich repräsentativ und nicht einschränkend.In the following description, the drawing figures are not necessarily to scale, and certain features may be shown in a generalized or schematic form for the sake of clarity and conciseness or for informational purposes. Additionally, although the making and using of various embodiments are discussed in detail below, it should be appreciated that as described herein, many inventive concepts are provided that can be embodied in a wide variety of contexts. The embodiments discussed herein are representative only and not limiting.
Diverse hier offenbarte Ausführungsformen beziehen sich auf die diversen Aspekte der Offenbarung wie etwa eine Überwachungseinrichtung, ein Verfahren und ein Computerprogrammprodukt. Ausführungsformen und Erklärungen davon, die in Verbindung mit einer Ausführungsform offenbart sind, können auf andere Ausführungsformen anwendbar sein. Zum Beispiel können Ausführungsformen und Erklärungen für das System auf das Verfahren anwendbar sein.Various embodiments disclosed herein relate to the various aspects of the disclosure such as a monitoring device, a method and a computer program product. Embodiments and explanations thereof disclosed in connection with one embodiment may be applicable to other embodiments. For example, embodiments and explanations for the system may be applicable to the method.
Gemäß diversen Ausführungsformen können die Eigenschaften des gasförmigen Fluids mindestens eines der folgenden Elemente enthalten: Teilchengröße, Teilchengrößenkonzentration, Teilchengeschwindigkeit, Art der Gasmoleküle, Konzentration der Gasmoleküle. Die Eigenschaften des gasförmigen Fluids können außerdem physikalische Eigenschaften wie z. B. mindestens eines der folgenden Elemente enthalten: Druck, relative Feuchtigkeit, absolute Feuchtigkeit und Temperatur. Zum Beispiel kann das gasförmige Fluid Feststoffteilchen mit einer Teilchengrößenverteilung enthalten und wobei die eine oder mehreren Teilchengrößen und/oder eine oder mehrere Teilchengeschwindigkeiten als Eigenschaften des gasförmigen Fluids gewählt werden können. Das gasförmige Fluid kann Luft sein. Ferner können die Eigenschaften des gasförmigen Fluids die Konzentration einer Gaskomponente wie z. B. Kohlenmonoxid enthalten.According to various embodiments, the properties of the gaseous fluid can include at least one of the following elements: particle size, particle size concentration, particle velocity, type of gas molecules, concentration of gas molecules. The properties of the gaseous fluid can also include physical properties such as e.g. B. contain at least one of the following elements: pressure, relative humidity, absolute humidity and temperature. For example, the gaseous fluid may contain solid particles having a particle size distribution and the one or more particle sizes and/or one or more particle velocities may be selected as properties of the gaseous fluid. The gaseous fluid can be air. Furthermore, the properties of the gaseous fluid, the concentration of a gas component such. B. contain carbon monoxide.
Gemäß diversen Ausführungsformen kann die Überwachungseinrichtung für ein gasförmiges Fluid einen Detektor und eine Klassifizierungseinheit enthalten. Gemäß diversen Ausführungsformen kann der Detektor einen Feststoffteilchensensor enthalten. Der Feststoffteilchensensor kann konfiguriert sein, erste Teilchen und zweite Teilchen, die in dem gasförmigen Fluid suspendiert sind, zu detektieren. Der Detektor kann ferner einen Gassensor enthalten und die Detektionsdaten können Gasdetektionsdaten enthalten.According to various embodiments, the gaseous fluid monitor may include a detector and a classifier. According to various embodiments, the detector may include a particulate matter sensor. The particulate matter sensor may be configured to detect first particles and second particles suspended in the gaseous fluid. The detector may further include a gas sensor and the detection data may include gas detection data.
Gemäß diversen Ausführungsformen kann der Detektor ferner konfiguriert sein, als Bestandteil der Detektion und als Detektionsdaten eine erste Konzentration, die die Konzentration der ersten Teilchen in dem gasförmigen Fluid ist, und eine zweite Konzentration, die die Konzentration der zweiten Teilchen in dem gasförmigen Fluid ist, bereitzustellen. Die ersten Teilchen können Teilchen mit einer ersten Größe sein und die zweiten Teilchen können Teilchen mit einer zweiten Größe sein, die von der ersten Größe verschieden ist. Der Detektor kann konfiguriert sein, eine Konzentration und/oder eine Teilchengeschwindigkeit weiterer Teilchen mit verschiedenen Größen bereitzustellen, die in den Detektionsdaten enthalten sind. Zum Beispiel kann der Detektor konfiguriert sein, Teilchen mit einer oder mehreren Größen zu detektieren, die ausgewählt sind aus: 0,5 Mikrometer, 1 Mikrometer, 2,5 Mikrometer, 5 Mikrometer, z. B. mit einer Toleranz von ±10 %. In einem weiteren Beispiel kann der Detektor konfiguriert sein, Teilchen in einem oder mehreren Größenbereichen zu detektieren, die ausgewählt sind aus: im Wesentlichen kleiner oder gleich 0,5 Mikrometer (z. B. PM0,5), im Wesentlichen kleiner oder gleich 1 Mikrometer (z. B. PM1,0), im Wesentlichen kleiner oder gleich 2,5 Mikrometer (z. B. PM2,5), im Wesentlichen kleiner oder gleich 5 Mikrometer (z. B. PM5,0). Die Feststoffteilchen können z. B. in Übereinstimmung mit ISO 7708:1995 bestimmt werden.According to various embodiments, the detector can further be configured, as part of the detection and as detection data, a first concentration, which is the concentration of the first particles in the gaseous fluid, and a second concentration, which is the concentration of the second particles in the gaseous fluid. to provide. The first particles may be particles of a first size and the second particles may be particles of a second size different from the first size. The detector can be configured to provide a concentration and/or a particle velocity of other particles of different sizes included in the detection data. For example, the detector may be configured to detect particles of one or more sizes selected from: 0.5 microns, 1 micron, 2.5 microns, 5 microns, e.g. B. with a tolerance of ±10%. In another example, the detector may be configured to detect particles in one or more size ranges selected from: substantially less than or equal to 0.5 microns (eg, PM0.5), substantially less than or equal to 1 micron (e.g. PM1.0), substantially less than or equal to 2.5 microns (e.g. PM2.5), substantially less than or equal to 5 microns (e.g. PM5.0). The solid particles can, for. B. be determined in accordance with ISO 7708:1995.
Gemäß diversen Ausführungsformen kann die Überwachungseinrichtung für ein gasförmiges Fluid mit dem Detektor, der einen oder mehrere Feststoffteilchensensoren (PM-Sensoren) enthält, ausgerüstet sein. Jeder PM-Sensor kann eine Konzentration von Teilchen mit einer bestimmten Teilchengröße und/oder eine Teilchenkonzentrationsverteilung detektieren. Wie in der vorliegenden Offenbarung verwendet und in Übereinstimmung mit diversen Ausführungsformen, kann der Ausdruck „Konzentration“, wenn er in Verbindung mit Teilchen verwendet wird, Teilchenzählungen pro Sekunde für eine vorgegebene Durchflussmenge bedeuten. Eine Teilchenkonzentration kann absolut oder relativ sein, somit kann der Ausdruck „Teilchenzählung“, wie hier verwendet und in Übereinstimmung mit diversen Ausführungsformen, für eine bestimmte Art von Teilchen (z. B. Teilchen mit derselben Größe), wenn im Zeitablauf gemessen wird (z. B. Teilchenrate), derart verwendet werden, dass er sich auf eine relative Teilchenkonzentration bezieht, die ein Wert ist, der zur absoluten Teilchenkonzentration proportional ist. Jeder PM-Sensor kann unter Verwendung diverser Prinzipien wie etwa z. B. optischer Detektion oder Massendetektion arbeiten. Die Überwachungseinrichtung für ein gasförmiges Fluid kann mit einer Strömungserzeugungseinheit für ein gasförmiges Fluid wie z. B. einem Lüfter zum Steuern der Strömung des gasförmigen Fluids (z. B. einer Luftströmung) im Inneren des Detektors und Erzeugen des notwendigen Austauschs oder der notwendigen Strömung des gasförmigen Fluids für jeden der PM-Sensoren, der bzw. die zum Betrieb des PM-Sensors bzw. der PM-Sensoren notwendig ist, ausgerüstet sein. Zum Beispiel können sich Umgebungs-PM im Inneren des PM-Sensors von einem Einlass zu einem Auslass bewegen, wobei sie durch den Luftstrom getragen werden.According to various embodiments, the gaseous fluid monitor may be equipped with the detector including one or more particulate matter (PM) sensors. Each PM sensor can measure a concentration of particles with a certain particle size and/or a particle concen- tration detect distribution. As used in the present disclosure and consistent with various embodiments, the term "concentration" when used in connection with particles can mean counts of particles per second for a given flow rate. A particle concentration may be absolute or relative, thus, as used herein and in accordance with various embodiments, the term "particle count" may apply to a particular type of particle (e.g., particles of the same size) when measured over time (e.g., B. particle rate) can be used in such a way that it refers to a relative particle concentration, which is a value proportional to the absolute particle concentration. Each PM sensor can be constructed using various principles such as e.g. B. optical detection or mass detection work. The gaseous fluid monitor may be combined with a gaseous fluid flow generating unit such as a gaseous fluid flow generator. B. a fan for controlling the flow of the gaseous fluid (e.g. an air flow) inside the detector and generating the necessary exchange or flow of the gaseous fluid for each of the PM sensors, which is necessary for the operation of the PM -Sensors or the PM sensors is necessary to be equipped. For example, ambient PM can move from an inlet to an outlet inside the PM sensor, being carried by the airflow.
Gemäß diversen Ausführungsformen kann die Überwachungseinrichtung für ein gasförmiges Fluid mit dem Detektor, der einen oder mehrere Gassensoren enthält, ausgerüstet sein. Jeder der Gassensoren kann für ein bestimmtes Gas selektiv sein, wie z. B. eine elektrochemische Zelle zur Überwachung von Kohlenmonoxid, oder kann konfiguriert sein, die Summe mehrerer Gase zu messen, wie z. B. Metalloxidsensoren für flüchtige organische Verbindungen (VOC). Der Gassensor kann konfiguriert sein, eine Gaskomponente wie z. B. Kohlenmonoxid zu detektieren. Die Detektionsdaten können Gasdetektionsdaten enthalten. Die Überwachungseinrichtung für ein gasförmiges Fluid kann mit einer Strömungserzeugungseinheit für ein gasförmiges Fluid wie z. B. einem Lüfter zum Steuern der Strömung des gasförmigen Fluids (z. B. einer Luftströmung) im Inneren des Detektors und Erzeugen des notwendigen Austauschs oder der notwendigen Strömung des gasförmigen Fluids für jeden der einen oder mehreren Gassensoren, der bzw. die zum Betrieb des Gassensors bzw. der Gassensoren notwendig ist, ausgerüstet sein. Zum Beispiel kann sich das gasförmige Fluid im Inneren des Sensors von einem Einlass zu einem Auslass bewegen, wobei es durch den Luftstrom getragen wird. Die Strömungserzeugungseinheit kann dieselbe Strömungserzeugungseinheit für den (die) Gassensor(en) und den (die) PM-Sensor(en) sein.According to various embodiments, the gaseous fluid monitor may be equipped with the detector including one or more gas sensors. Each of the gas sensors can be selective for a particular gas, such as e.g. B. an electrochemical cell for monitoring carbon monoxide, or can be configured to measure the sum of several gases, such. B. Metal oxide sensors for volatile organic compounds (VOC). The gas sensor can be configured, a gas component such. B. to detect carbon monoxide. The detection data may include gas detection data. The gaseous fluid monitor may be connected to a gaseous fluid flow generating unit such as a gaseous fluid flow generator. B. a fan for controlling the flow of gaseous fluid (e.g. airflow) inside the detector and generating the necessary exchange or flow of gaseous fluid for each of the one or more gas sensors used to operate the Gas sensor or gas sensors is necessary to be equipped. For example, the gaseous fluid inside the sensor can move from an inlet to an outlet, being carried by the airflow. The flow generating unit may be the same flow generating unit for the gas sensor(s) and the PM sensor(s).
Gemäß diversen Ausführungsformen kann die Überwachungseinrichtung für ein gasförmiges Fluid ferner andere Arten von Sensoren wie etwa Standardumweltsensoren wie z. B. für Temperatur, Druck, Feuchtigkeit, Schall enthalten. Die Detektionsdaten können ferner eines oder mehrere der folgenden Elemente enthalten: Temperatur, Druck, relativer Feuchtigkeit, Schalldaten.According to various embodiments, the gaseous fluid monitor may further include other types of sensors, such as standard environmental sensors such as e.g. B. for temperature, pressure, humidity, sound included. The detection data can also contain one or more of the following elements: temperature, pressure, relative humidity, sound data.
Gemäß diversen Ausführungsformen kann die Überwachungseinrichtung für ein gasförmiges Fluid als ein Feuerdetektor implementiert sein.According to various embodiments, the gaseous fluid monitor may be implemented as a fire detector.
Gemäß diversen Ausführungsformen kann die Überwachungseinrichtung für ein gasförmiges Fluid ferner Folgendes umfassen: eine Recheneinheit, die konfiguriert ist, die Detektionsdaten zu verarbeiten und mit einer Klassifizierungseinheit eine Klassifizierung auszuführen; und eine Kommunikationsschaltung, die konfiguriert ist, Informationen, die auf der Grundlage der Gruppe von Klassen die Quelle des gasförmigen Fluids angeben, zu übertragen. Zum Beispiel kann die Kommunikationsschaltung befähigt sein, eine Nachricht für die Feuerwache zu senden, die die Detektion eines Feuers enthalten kann und ferner Informationen über die Quelle des Feuers enthalten kann.According to various embodiments, the gaseous fluid monitor may further include: a computing unit configured to process the detection data and perform classification with a classification unit; and a communication circuit configured to transmit information indicative of the source of the gaseous fluid based on the group of classes. For example, the communications circuit may be capable of sending a message for the fire station, which may include detection of a fire and may further include information about the source of the fire.
Ein Klassifizierungsmodell versucht, aus einem Eingang wie etwa Beobachtungswerten (Detektionsdaten) oder Trainingsdaten Schlüsse zu ziehen. Eine Klassifizierung kann z. B. mit einem Klassifizierungsmodell, das ein neurales Netz enthält, bereitgestellt werden. Es gibt zwei Ansätze, ein Klassifizierungsmodell, das ein neurales Netz enthält, aufzubauen, namentlich überwachtes und nicht überwachtes Lernen. Überwachtes Lernen verwendet einen markierten Trainingsdatensatz, um das Klassifizierungsmodell aufzubauen. Andererseits verwendet nicht überwachtes Lernen einen nicht markierten Trainingsdatensatz, um Häufungen aufzubauen, um in dem Datensatz nach Ähnlichkeiten, Mustern oder Sonderfällen zu suchen. Andere beispielhafte Ansätze zur Klassifizierung können auf statistischen Modellen und/oder analytischen Modellen beruhen, die außerdem ferner mit einem neuralen Netz kombiniert sein können.A classification model attempts to infer from an input such as observation values (detection data) or training data. A classification can e.g. B. be provided with a classification model that includes a neural network. There are two approaches to building a classification model containing a neural network, namely supervised and unsupervised learning. Supervised learning uses a tagged training data set to build the classification model. On the other hand, unsupervised learning uses an untagged training dataset to build clusters to look for similarities, patterns, or outliers in the dataset. Other example classification approaches may be based on statistical models and/or analytical models, which may also be further combined with a neural network.
Gemäß diversen Ausführungsformen kann die Klassifizierungseinheit konfiguriert sein, die Detektionsdaten in eine vorgegebene Gruppe von Klassen wie z. B. unter Verwendung einer vorab trainierten Klassifizierungseinheit zu klassifizieren. Die Klassifizierungseinheit kann ein geeignetes Klassifizierungsmodell enthalten, das z. B. mit Klassifizierungsdaten trainiert wird. Mindestens zwei Klassen der vorgegebenen Gruppe von Klassen können Indikatoren für jeweilige Quellen des gasförmigen Fluids sein. Die vorgegebene Gruppe von Klassen kann mindestens zwei der folgenden Klassen enthalten: Umgebungsdaten, offenes Holzfeuer, schwelendes Feuer, flammendes Feuer, Immissionen. Indikatoren für Quellen des gasförmigen Fluids können z. B. sein: eine Klasse offenes Holzfeuer als Indikator für ein offenes Holzfeuer als eine Quelle; eine Klasse flammendes Feuer als Indikator für ein flammendes Feuer als eine Quelle; eine Klasse schwelendes Feuer als Indikator für ein schwelendes Feuer als eine Quelle. Die Klassifizierungseinheit kann ferner konfiguriert sein, die Detektionsdaten in Umgebungsdaten auszuwerten. Umgebungsdaten beziehen sich auf Umgebungsumweltdaten, wenn keine Ereignisse von Feuer oder Immission vorliegen. Die Klassifizierungseinheit kann ferner konfiguriert sein zu bestimmen, ob das gasförmige Fluid eine Folge eines Feuers ist, indem z. B. Detektionsdaten in Feuer und kein Feuer klassifiziert werden. Die Klassifizierungseinheit kann mit Algorithmen des maschinellen Lernens implementiert sein, die z. B. ausgewählt sind aus: Hilfsvektormaschine (SVM), K-nächste-Nachbarn (KNN), Mehrschichtperzeptron (MLP), Langzeit-Kurzzeit-Gedächtnis (LSTM) und Abwandlungen davon. Die Maschinenklassifizierungseinheit kann zwei Aufgaben oder mehr durchführen, wie z. B. ein Feuer detektieren, kein Feuer detektieren, und die Detektionsdaten in eine Feuerklasse klassifizieren. Die Algorithmen können mit Datensätzen trainiert werden, die von kontrollierten Feuern verschiedener bekannter Arten (Klassen) von Feuer erhalten werden, wie z. B. einem Datensatz mit Daten, die von Feuern der Norm EN54 erfasst worden ist.According to various embodiments, the classification unit can be configured to classify the detection data into a predetermined group of classes such as e.g. B. using a pre-trained classification unit. The classification unit can contain a suitable classification model, e.g. B. is trained with classification data. At least two classes of the given group of classes can indi be catalysts for respective sources of the gaseous fluid. The default set of classes can include at least two of the following classes: environmental data, open wood fire, smoldering fire, blazing fire, immissions. Indicators for sources of the gaseous fluid can e.g. B. be: an open log fire class as an indicator of an open log fire as a source; a flaming fire class as an indicator of a flaming fire as a source; a class of smoldering fire as an indicator of a smoldering fire as a source. The classification unit can also be configured to evaluate the detection data in environmental data. Ambient data refers to ambient environmental data when there are no fire or immission events. The classification unit may be further configured to determine whether the gaseous fluid is a result of a fire, e.g. B. Detection data can be classified into fire and no fire. The classification unit can be implemented with machine learning algorithms, e.g. B. are selected from: auxiliary vector machine (SVM), K-nearest-neighbors (KNN), multi-layer perceptron (MLP), long-term short-term memory (LSTM) and derivatives thereof. The machine classification unit can perform two tasks or more, such as B. detect a fire, detect no fire, and classify the detection data in a fire class. The algorithms can be trained on data sets obtained from controlled fires of various known types (classes) of fire, such as: a data set of data collected from EN54 standard fires.
Wie hier verwendet und in Übereinstimmung mit diversen Ausführungsformen, können sich die „Detektionsdaten“ auf die Daten beziehen, die durch den Detektor bereitgestellt werden. Ferner können sich die „Detektionsdaten“ außerdem auf Detektionsdaten beziehen, die durch den Detektor bereitgestellt werden, die weiter verarbeitet sind (verarbeitet kann ebenso als umgewandelt bezeichnet sein), wie z. B. durch den Vorprozessor vorverarbeitet und/oder durch die Dimensionalitäts-Verringerungseinheit verarbeitet. Somit kann die Klassifizierungseinheit in einigen Ausführungsformen direkt Detektionsdaten, die durch den Detektor bereitgestellt werden, als Eingang empfangen. In anderen Ausführungsformen kann die Klassifizierungseinheit die weiter verarbeiteten Detektionsdaten als Eingang empfangen.As used herein and in accordance with various embodiments, "detection data" may refer to the data provided by the detector. Furthermore, the "detection data" may also refer to detection data provided by the detector that is further processed (processed may also be referred to as converted), such as e.g. B. pre-processed by the pre-processor and/or processed by the dimensionality reduction unit. Thus, in some embodiments, the classification unit may directly receive detection data provided by the detector as input. In other embodiments, the classification unit may receive the further processed detection data as input.
Gemäß diversen Ausführungsformen kann die Überwachungseinrichtung für ein gasförmiges Fluid einen oder mehrere Datenumwandlungsschritte enthalten, die auf die Detektionsdaten anzuwenden sind, bevor die Detektionsdaten (in ihrem umgewandelten Zustand) in die Klassifizierungseinheit eingespeist werden. Zum Beispiel können die Schritte das Vorverarbeiten der Detektionsdaten und das Verringern der vorverarbeiteten Daten z. B. in Hauptkomponenten enthalten. Dementsprechend kann die Überwachungseinrichtung für ein gasförmiges Fluid einen Vorprozessor und/oder eine Dimensionalitäts-Verringerungseinheit enthalten.According to various embodiments, the gaseous fluid monitor may include one or more data transformation steps to be applied to the detection data before the detection data (in its transformed state) is fed to the classification unit. For example, the steps of pre-processing the detection data and reducing the pre-processed data may e.g. B. contained in main components. Accordingly, the gaseous fluid monitor may include a preprocessor and/or a dimensionality reduction unit.
Gemäß diversen Ausführungsformen kann die Überwachungseinrichtung für ein gasförmiges Fluid ferner einen Vorprozessor enthalten. Der Vorprozessor kann konfiguriert sein, die Detektionsdaten vorab in vorverarbeitete Daten als Merkmale zu verarbeiten. Die Klassifizierungseinheit kann konfiguriert sein, die vorverarbeiteten Daten als Eingang zu empfangen. Die vorverarbeiteten Daten können eine zeitabhängige Teilchenkonzentration der ersten Teilchen und/oder der zweiten Teilchen und/oder mindestens eines der folgenden Elemente: ein Integral, eine erste Ableitung, eine zweite Ableitung, enthalten. Zum Beispiel können die vorverarbeiteten Daten die zweite Ableitung der zeitabhängigen Teilchenkonzentration der ersten Teilchen oder die zweite Ableitung der zeitabhängigen Teilchenkonzentration der zweiten Teilchen enthalten. Ferner können die vorverarbeiteten Daten eine Konzentrationsdifferenz zwischen den ersten Teilchen und den zweiten Teilchen enthalten. Die Detektionsdaten können durch den Vorprozessor vorverarbeitet werden, um Rauschen zu entfernen und belastbare Informationen zu extrahieren, die als Merkmale bekannt sind. Die Merkmale können mindestens eines der folgenden Elemente enthalten: Integrale, erste Ableitung, zweite Ableitungen, Differenz der Teilchenkonzentration zwischen verschiedenen Teilchengrößen (z. B. der ersten Teilchen und der zweiten Teilchen), Standardabweichung und Varianz von Integral und erster Ableitung der Teilchen wie z. B. von Teilchen der Größe 0,5 um und 1,0 µm. Alternativ oder zusätzlich können die Merkmale eines oder mehrere der folgenden Elemente enthalten: eine Differenz der Messungen von Teilchen PM0,5 und der Messungen von Teilchen PM1,0, eine Differenz von PM0,5-Messungen und PM2,5-Messungen, eine Differenz zwischen PM0,5-Messungen und PM5,0-Messungen, wobei die Messungen sich auf die Konzentration der Teilchen oder einen entsprechenden oder proportionalen Wert (z. B. Zählungen pro Zeit) beziehen können. Die Standardabweichung von Integral und erster Ableitung der Teilchen misst das Ausmaß, in dem Integral- und Steigungsdaten von Teilchenzählungen pro Sekunde vom Mittelwert der Integral- und Steigungsdaten abweichen. Die Varianz ist die Summe der Quadrate der Differenzen zwischen Integral- und Steigungsdaten und ihren Mittelwerten.According to various embodiments, the gaseous fluid monitor may further include a preprocessor. The pre-processor may be configured to pre-process the detection data into pre-processed data as features. The classification unit may be configured to receive the pre-processed data as input. The pre-processed data can contain a time-dependent particle concentration of the first particles and/or the second particles and/or at least one of the following elements: an integral, a first derivative, a second derivative. For example, the pre-processed data may include the second derivative of the time dependent particle concentration of the first particle or the second derivative of the time dependent particle concentration of the second particle. Furthermore, the pre-processed data may include a concentration difference between the first particles and the second particles. The detection data can be pre-processed by the pre-processor to remove noise and extract robust information known as features. The features may include at least one of the following: integrals, first derivative, second derivatives, difference in particle concentration between different particle sizes (e.g., the first particle and the second particle), standard deviation and variance of the integral and first derivative of the particles, such as . 0.5 µm and 1.0 µm particles. Alternatively or additionally, the features may include one or more of the following: a difference in measurements of particles PM0.5 and measurements of particles PM1.0, a difference of PM0.5 measurements and PM2.5 measurements, a difference between PM0.5 measurements and PM5.0 measurements, where the measurements may be related to the concentration of the particles or a corresponding or proportional value (e.g. counts per time). The standard deviation of the integral and first derivative of the particles measures the extent to which the integral and slope data of particle counts per second deviate from the mean of the integral and slope data. The variance is the sum of the squares of the differences between the integral and slope data and their means.
Gemäß diversen Ausführungsformen kann die Überwachungseinrichtung für ein gasförmiges Fluid ferner eine Dimensionalitäts-Verringerungseinheit enthalten, die konfiguriert ist, die vorverarbeiteten Daten in Merkmale als Hauptkomponenten umzuwandeln. Die Klassifizierungseinheit kann konfiguriert sein, die Merkmale als die Detektionsdaten zu empfangen. Zum Beispiel kann eine Hauptkomponentenanalyse (PCA) zur Merkmalsverringerung verwendet werden und die erhaltenen, neuen Hauptkomponenten können daraufhin als Detektionsdaten in die Klassifizierungseinheit eingespeist werden. Dimensionalitätsverringerung bezieht sich auf den Prozess des Verringerns der Anzahl der Zufallsvariablen in den vorverarbeiteten Daten, um eine Gruppe von Hauptvariablen zu erhalten. Ein Ansatz ist eine Merkmalsauswahl, wobei unter Verwendung verschiedener Strategien wie etwa Filterstrategie, Hüllenstrategie und Einbettungsstrategie versucht wird, eine Untergruppe von Attributen herauszufinden. Ein weiterer Ansatz ist eine Merkmalsprojektion (oder Merkmalsextraktion), die die Daten aus dem hochdimensionalen Raum in weniger Dimensionen umwandelt. Die Datenumwandlung kann linear oder nicht linear sein. Somit können die Ausdrücke „Verringerungseinheit“ oder „Verringerung“, wie hier verwendet, Merkmalsauswahl und/oder Merkmalsextraktion enthalten.According to various embodiments, the gaseous fluid monitor may further be a dimensionality reduction unit configured to convert the pre-processed data into features as principal components. The classification unit may be configured to receive the features as the detection data. For example, principal component analysis (PCA) can be used for feature reduction and the obtained new principal components can then be fed into the classification unit as detection data. Dimensionality reduction refers to the process of reducing the number of random variables in the pre-processed data to obtain a set of principal variables. One approach is feature selection, trying to find a subset of attributes using different strategies such as filter strategy, skinning strategy and embedding strategy. Another approach is feature projection (or feature extraction), which transforms the data from high-dimensional space into fewer dimensions. The data transformation can be linear or non-linear. Thus, as used herein, the terms "reduction unit" or "reduction" may include feature selection and/or feature extraction.
Eine beschriebene Architektur zum Verarbeiten der Detektionsdaten kann die Datenerfassung von Rohdaten, die Vorverarbeitung der Rohdaten in aufbereitete Daten, die Dimensionalitätsverringerung der aufbereiteten Daten in Merkmale und die Klassifizierung der Merkmale in die Klassen, die ferner durch ein Klassifizierungsmodell klassifiziert werden können, enthalten. Jedoch ist die Offenbarung nicht darauf eingeschränkt und Abwandlungen oder andere Architekturen können bei der Implementierung der Überwachungseinrichtung für ein gasförmiges Fluid und ebenfalls bei dem Verfahren zum Überwachen der Eigenschaften eines gasförmigen Fluids verwendet werden.A described architecture for processing the detection data can include the data acquisition of raw data, the pre-processing of the raw data into processed data, the dimensionality reduction of the processed data into features and the classification of the features into the classes, which can be further classified by a classification model. However, the disclosure is not so limited, and modifications or other architectures may be used in the implementation of the gaseous fluid monitor and also in the method for monitoring the properties of a gaseous fluid.
Gemäß diversen Ausführungsformen kann der Detektor ferner einen Gassensor enthalten. Die Detektion kann ferner Gasdetektionsdaten enthalten. Zum Beispiel kann der Gassensor ein Sensor für ein Gas, das oxidiert ist, wie z. B. Kohlenmonoxid sein.According to various embodiments, the detector may further include a gas sensor. The detection may also include gas detection data. For example, the gas sensor can be a sensor for a gas that is oxidized, such as e.g. B. be carbon monoxide.
Diverse Ausführungsformen betreffen ein Verfahren zum Überwachen der Eigenschaften eines gasförmigen Fluids. Gemäß diversen Ausführungsformen kann das Verfahren das Detektieren erster Teilchen und zweiter Teilchen, die in dem gasförmigen Fluid suspendiert sind, und das Bereitstellen von Detektionsdaten enthalten. Das Verfahren kann ferner enthalten, als Bestandteil der Detektionsdaten eine erste Konzentration der ersten Teilchen und eine zweite Konzentration der zweiten Teilchen bereitzustellen. Das Verfahren kann ferner das Klassifizieren der Detektionsdaten in die vorgegebene Gruppe von Klassen mit der Klassifizierungseinheit, wie in diversen Ausführungsformen beschrieben, enthalten. Mindestens zwei Klassen der vorgegebenen Gruppe von Klassen können Indikatoren für jeweilige Quellen des gasförmigen Fluids sein.Various embodiments relate to a method for monitoring the properties of a gaseous fluid. According to various embodiments, the method may include detecting first particles and second particles suspended in the gaseous fluid and providing detection data. The method may further include providing as part of the detection data a first concentration of the first particles and a second concentration of the second particles. The method may further include classifying the detection data into the predetermined set of classes with the classifier as described in various embodiments. At least two classes of the given set of classes can be indicators for respective sources of the gaseous fluid.
Gemäß diversen Ausführungsformen kann das Verfahren ferner das Vorverarbeiten der Detektion in vorverarbeitete Daten enthalten und wobei die Klassifizierungseinheit die vorverarbeiteten Daten als Eingang empfängt und wobei das Klassifizieren die vorverarbeiteten Daten als Eingang verwendet.According to various embodiments, the method may further include pre-processing the detection into pre-processed data, and wherein the classification unit receives the pre-processed data as input, and wherein the classifying uses the pre-processed data as input.
Diverse Ausführungsformen betreffen ein Computerprogrammprodukt, das Anweisungen, um zu bewirken, dass eine Überwachungseinrichtung für ein gasförmiges Fluid die Anweisungen des Verfahrens gemäß diversen Ausführungsformen ausführt, enthält.Various embodiments relate to a computer program product including instructions for causing a gaseous fluid monitor to carry out the instructions of the method according to various embodiments.
Die in
Es gibt mehrere Hauptvorteile bei der Verwendung der Kombination von Gassensoren und Feststoffteilchensensoren (PM-Sensoren) zur Feuerdetektion. Erstens ermöglicht sie eine frühe Feuerdetektion, insbesondere im Fall schwelender Feuer, wobei Gas freigesetzt wird, bevor sich Rauch entwickelt. Zweitens wird geglaubt, dass sie zusätzliche Leistungen für Gebäudebewohner bringt, da es auf der Grundlage verschiedener freigesetzter chemischer Signaturen von Feuern und von Teilchen mit verschiedenen Teilchengrößen und Mustererkennungsalgorithmen möglich ist, verschiedene Arten von Feuern zu identifizieren und eine geeignete und zeitnahe Warnung bereitzustellen, um Gebäudebewohner und Feuerwehrpersonal dabei zu unterstützen, die möglichen Orte zu bestimmen, an denen das Feuer auftreten kann, und wie es zu löschen und wie zu evakuieren ist. Drittens sind die Kosten der Feuerdetektoren wesentlich aufgrund der großen Verfügbarkeit von Sensoren für Unterhaltungselektronik niedrig. Viertens wird die Größe der Feuerdetektoren kleiner, wenn keine lonisierungskammern mehr verwendet werden. Schließlich ist es außerdem möglich, die Überwachungseinrichtung für ein gasförmiges Fluid, die mit Gas- und PM-Sensoren ausgerüstet ist, die den Fall enthält, wenn die Überwachungseinrichtung ein Feuerdetektor ist, für Umweltaufgaben wie das Messen von flüchtigen organischen Verbindungen und Teilchen zur Überwachung der Innenraumluftqualität zu verwenden. Dadurch können Gebäudebewohnern zusätzliche Leistungen bereitgestellt werden, indem z. B. Warnungen über weitere mögliche Gesundheitsrisiken außer Feuer ausgegeben werden können.There are several key advantages to using the combination of gas sensors and particulate matter (PM) sensors for fire detection. First, it enables early fire detection, particularly in the case of smoldering fires, where gas is released before smoke develops. Second, it is believed to bring additional benefits to building occupants, since based on various released chemical signatures of fires and particles of different particle sizes and pattern recognition algorithms, it is possible to identify different types of fires and provide appropriate and timely warning to building occupants and to assist firefighters in determining the possible locations where the fire may occur and how to extinguish it and how to evacuate. Third, the cost of fire detectors is substantially low due to the wide availability of consumer electronics sensors. Fourth, the size of fire detectors will decrease as ionization chambers are no longer used. Finally, it is also possible to use the gaseous fluid monitor equipped with gas and PM sensors, including the case where the monitor is a fire detector, for environmental tasks such as measuring volatile organic compounds and particulates to monitor the use indoor air quality. As a result, building occupants can be provided with additional services, e.g. B. Warnings about possible health risks other than fire can be issued.
Es wurden Vergleichsversuche durchgeführt, um zu bestimmen, welches Merkmal die Ergebnisse der Mustererkennung beherrscht und um die Leistungsfähigkeit der Überwachungseinrichtung für ein gasförmiges Fluid und des Verfahrens in Übereinstimmung mit diversen Ausführungsformen zu bewerten. Ein erster Datensatz wurde als Trainingsdaten bereitgestellt und ein zweiter Satz wurde für Versuchsdaten bereitgestellt. Für diese Versuche wurden ein Algorithmus des überwachten maschinellen Lernens - Hilfsvektormaschine (SVM) und ein neurales Netz - Langzeit-Kurzzeit-Gedächtnis (LSTM) verwendet. Die Merkmale, die für die folgenden Versuche berücksichtigt wurden, sind Integral, erste Ableitung, zweite Ableitung und Konzentrationsdifferenz zwischen verschiedenen Teilchengrößen, diese Merkmale wurden durch Vorverarbeitung extrahiert. Jedes Merkmal und jede Merkmalskombination wurde variiert, um die Leistungsfähigkeit des Klassifizierungsmodells zu bewerten.Comparative experiments were performed to determine which feature dominates the pattern recognition results and to evaluate the performance of the gaseous fluid monitor and method in accordance with various embodiments. A first set of data was provided as training data and a second set was provided for experimental data. For these experiments, a supervised machine learning algorithm - assistive vector machine (SVM) and a neural network - long-term short-term memory (LSTM) were used. The features considered for the following experiments are integral, first derivative, second derivative and concentration difference between different particle sizes, these features were extracted by pre-processing. Each feature and feature combination was varied to assess the performance of the classification model.
Wie in
Wie in
Die Überwachungseinrichtung für ein gasförmiges Fluid ermöglicht in einem ersten Schritt das Detektieren eines Ereignisses wie z. B. großer Abweichungen von einer üblichen Umgebungskonzertration mit einem Signal über einem Schwellenwert. In einem zweiten Schritt ermöglicht sie das Erhalten von Informationen wie z. B. Feuer im Gegensatz zu Immissionen oder eine Art des Feuers. Wie gezeigt ist, stellen diverse Ausführungsformen einen geringen Anteil von Fehlalarmen und eine Feuerklassifizierung bereit. Außerdem kann eine Feuerklassifizierung ermöglichen, dass Ersthelfer besser vorbereitet sind, um ein Feuer zu bekämpfen, z. B. indem geeignete Löschmittel, um das Feuer zu löschen, vorbereitet werden.The monitoring device for a gaseous fluid enables in a first step the detection of an event such as e.g. B. large deviations from a usual ambient concertration with a signal above a threshold. In a second step, it allows obtaining information such as B. Fire as opposed to immissions or a type of fire. As shown, various embodiments provide low false alarm percentage and fire classification. Also, a fire classification can allow first responders to be better prepared to fight a fire, e.g. B. by preparing suitable extinguishing agents to extinguish the fire.
Claims (16)
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/EP2019/086898 WO2021129919A1 (en) | 2019-12-23 | 2019-12-23 | Gaseous fluid monitor and method for monitoring properties of gaseous fluid |
Publications (1)
Publication Number | Publication Date |
---|---|
DE112019007992T5 true DE112019007992T5 (en) | 2022-10-27 |
Family
ID=69063798
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE112019007992.1T Pending DE112019007992T5 (en) | 2019-12-23 | 2019-12-23 | Gaseous fluid monitor and method for monitoring properties of a gaseous fluid |
Country Status (2)
Country | Link |
---|---|
DE (1) | DE112019007992T5 (en) |
WO (1) | WO2021129919A1 (en) |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10393714B2 (en) * | 2016-11-28 | 2019-08-27 | International Business Machines Corporation | Particulate matter monitoring |
CN111630365B (en) * | 2018-02-27 | 2023-02-24 | 松下知识产权经营株式会社 | Particle detection sensor |
-
2019
- 2019-12-23 WO PCT/EP2019/086898 patent/WO2021129919A1/en active Application Filing
- 2019-12-23 DE DE112019007992.1T patent/DE112019007992T5/en active Pending
Also Published As
Publication number | Publication date |
---|---|
WO2021129919A1 (en) | 2021-07-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE60126971T2 (en) | DEVICE FOR CPAP USING A NEURAL NETWORK | |
Rotem et al. | Ethylene compressor monitoring using model‐based PCA | |
DE102019209565A1 (en) | Method and device for checking the robustness of an artificial neural network | |
CN108566364A (en) | Intrusion detection method based on neural network | |
DE10140134A1 (en) | Multi-sensor detector e.g. for detecting gas quality to detect fire state, delivers information relating to ambient states via data communication medium | |
WO2008037293A1 (en) | Detection of smoke with a video camera | |
CN111460392B (en) | Magnetic suspension train and suspension system fault detection method and system thereof | |
EP3557549B1 (en) | Method for evaluating a motion event | |
EP1389331A1 (en) | Self-aspirating fire detection system | |
EP2857916B1 (en) | Method and device for detecting a fault in an assembly | |
DE19622806A1 (en) | Method and device for detecting a fire with different types of fire sensors | |
EP1346330B1 (en) | Video smoke detection system | |
DE4227727C2 (en) | Method for status detection of gaseous and liquid media using multi-sensor systems | |
WO2020239540A1 (en) | Method and apparatus for detecting smoke | |
CN113283315B (en) | Multi-flight-state helicopter fault dynamic monitoring and alarming method | |
DE112019007992T5 (en) | Gaseous fluid monitor and method for monitoring properties of a gaseous fluid | |
DE102004034904A1 (en) | Smoke warning system for aircraft, has output device e.g. display which generates and outputs alarm if established alarm threshold is exceeded and/or not reached | |
EP3391349A1 (en) | Method and apparatus for classifying eye opening data for at least one eye of an occupant of a vehicle, and method and apparatus for sensing drowsiness and/or microsleep in an occupant of a vehicle | |
CN114202907B (en) | Fire alarm real-time classification method and system | |
EP1762995A1 (en) | Detection of smoke with a video camera | |
EP1640888A2 (en) | Method for estimating and supervising the medical risks of health problems for a patient | |
EP1157317B1 (en) | Method and device for reducing a number of measured values of a technical system | |
EP2188688B1 (en) | Method for monitoring a technical installation and monitoring system for carrying out said method | |
EP2297717A1 (en) | Determination of an alarm-issuing time of an alarm device | |
DE102020209162A1 (en) | Method and device for detecting anomalies in sensor recordings of a technical system |