DE112019007992T5

DE112019007992T5 - Gaseous fluid monitor and method for monitoring properties of a gaseous fluid

Info

Publication number: DE112019007992T5
Application number: DE112019007992.1T
Authority: DE
Inventors: Isabelle Raible; Tjalf Pirk; Bee Keen Gan; Chi Trung Ngo
Original assignee: Robert Bosch GmbH
Current assignee: Robert Bosch GmbH
Priority date: 2019-12-23
Filing date: 2019-12-23
Publication date: 2022-10-27
Also published as: WO2021129919A1

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 einer Überwachungseinrichtung 100 für ein gasförmiges Fluid in Übereinstimmung mit diversen Ausführungsformen zeigt;
- 2 eine schematische Veranschaulichung einer Überwachungseinrichtung 100 für ein gasförmiges Fluid, die einen Vorprozessor 130 enthält, in Übereinstimmung mit diversen Ausführungsformen zeigt;
- 3 eine schematische Veranschaulichung einer Überwachungseinrichtung 100 für ein gasförmiges Fluid, die eine Dimensionalitäts-Verringerungseinheit 140 enthält, in Übereinstimmung mit diversen Ausführungsformen zeigt;
- 4 eine schematische Veranschaulichung eines Detektors 110, der einen Feststoffteilchensensor 112 und einen Gassensor 114 enthält, in Übereinstimmung mit diversen Ausführungsformen zeigt;
- 5 einen Ablaufplan eines Verfahrens 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.

Embodiments of the invention will now be described by way of example and with reference to the following drawings, in which:

- 1 12 shows a schematic illustration of a gaseous fluid monitor 100 in accordance with various embodiments;
- 2 12 shows a schematic illustration of a gaseous fluid monitor 100 including a preprocessor 130, in accordance with various embodiments;
- 3 12 shows a schematic illustration of a gaseous fluid monitor 100 including a dimensionality reduction unit 140, in accordance with various embodiments;
- 4 12 shows a schematic illustration of a detector 110 including a particulate matter sensor 112 and a gas sensor 114, in accordance with various embodiments;
- 5 Figure 2 shows a flowchart of a method 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.

1 zeigt eine schematische Veranschaulichung einer Überwachungseinrichtung 100 für ein gasförmiges Fluid zum Überwachen von Eigenschaften eines gasförmigen Fluids 30 in Übereinstimmung mit diversen Ausführungsformen. Die Eigenschaften können eine Teilchengröße enthalten. Die Überwachungseinrichtung 100 für ein gasförmiges Fluid kann einen Detektor 110 und eine Klassifizierungseinheit 120 enthalten. Der Detektor 110 kann konfiguriert sein, eine Detektion von mindestens einer der Eigenschaften des gasförmigen Fluids 30 auszuführen und jeweilige Detektionsdaten 201 bereitzustellen. Der Detektor kann einen Feststoffteilchensensor 112 enthalten, der konfiguriert ist, erste Teilchen 32 und zweite Teilchen 34, die z. B. als ein Aerosol in dem gasförmigen Fluid 30 suspendiert sind, zu detektieren. Der Detektor kann ferner konfiguriert sein, als Bestandteil der Detektionsdaten 201 eine erste Konzentration der ersten Teilchen 32 und eine zweite Konzentration der zweiten Teilchen 34 bereitzustellen. Die ersten Teilchen 32 weisen eine erste Größe auf und die zweiten Teilchen 34 weisen eine zweite Größe auf, die von der ersten Größe verschieden ist. Zum Beispiel kann die erste Größe kleiner als die zweite Größe sein. Alternativ kann die zweite Größe kleiner als die erste Größe sein. 1 10 shows a schematic illustration of a gaseous fluid monitor 100 for monitoring properties of a gaseous fluid 30 in accordance with various embodiments. The properties may include particle size. The gaseous fluid monitor 100 may include a detector 110 and a classification unit 120 . The detector 110 can be configured to perform a detection of at least one of the properties of the gaseous fluid 30 and to provide respective detection data 201 . The detector may include a particulate matter sensor 112 configured to detect first particles 32 and second particles 34, e.g. B. suspended as an aerosol in the gaseous fluid 30 to detect. The detector may further be configured to provide a first concentration of the first particles 32 and a second concentration of the second particles 34 as part of the detection data 201 . The first particles 32 have a first size and the second particles 34 have a second size different from the first size. For example, the first size can be smaller than the second size. Alternatively, the second size can be smaller than the first size.

Die in 1 gezeigte Klassifizierungseinheit 120 kann konfiguriert sein, die Detektionsdaten 201 (die vom Detektor stammen oder weiter verarbeitet sein können) in eine vorgegebene Gruppe von Klassen zu klassifizieren, die zu Veranschaulichungszwecken als 41, 42, CL0-CL4 gezeigt sind. Zum Beispiel können mindestens zwei Klassen der vorgegebenen Gruppe von Klassen Indikatoren für jeweilige Quellen des gasförmigen Fluids 30 sein. Zwei Klassen können zur Identifikation von Feuer und kein Feuer verwendet werden, wie z. B. die Klasse 41 zur Angabe von Feuer und die Klasse 42 zur Angabe kein Feuer.In the 1 The classification unit 120 shown may be configured to classify the detection data 201 (which may originate from the detector or may be further processed) into a predetermined set of classes shown as 41, 42, CL0-CL4 for illustrative purposes. For example, at least two classes of the predetermined set of classes may be indicators of respective gaseous fluid 30 sources. Two classes can be used to identify fire and no fire, such as: B. class 41 to indicate fire and class 42 to indicate no fire.

2 zeigt eine schematische Veranschaulichung einer Überwachungseinrichtung 100 für ein gasförmiges Fluid, die einen Vorprozessor 130 enthält, in Übereinstimmung mit diversen Ausführungsformen. Der Vorprozessor verarbeitet die Detektion vorab als vorverarbeitete Daten PD1, die als Eingang in die Klassifizierungseinheit 120 eingespeist werden. 2 12 shows a schematic illustration of a gaseous fluid monitor 100 including a preprocessor 130, in accordance with various embodiments. The pre-processor pre-processes the detection as pre-processed data PD1 which is fed to the classification unit 120 as an input.

3 zeigt eine schematische Veranschaulichung einer Überwachungseinrichtung 100 für ein gasförmiges Fluid, die einen Vorprozessor 130 enthält, in Übereinstimmung mit diversen Ausführungsformen. Die Überwachungseinrichtung 100 für ein gasförmiges Fluid enthält ferner eine Dimensionalitäts-Verringerungseinheit 140. Der Vorprozessor verarbeitet die Detektionsdaten vorab als vorverarbeitete Daten PD1, die in die Dimensionalitäts-Verringerungseinheit 140 eingespeist werden, die wiederum konfiguriert ist, die vorverarbeiteten Daten in Merkmale als Hauptkomponenten OF1 umzuwandeln, die daraufhin als Eingang in die Klassifizierungseinheit 120 eingespeist werden. 3 12 shows a schematic illustration of a gaseous fluid monitor 100 including a preprocessor 130, in accordance with various embodiments. The gaseous fluid monitor 100 further includes a dimensionality reduction unit 140. The preprocessor preprocesses the detection data as preprocessed data PD1, which is fed to the dimensionality reduction unit 140, which in turn is configured to convert the preprocessed data into features as principal components OF1 , which are then fed as an input to the classification unit 120.

4 zeigt eine schematische Veranschaulichung eines Detektors 110, der einen Feststoffteilchensensor 112 und einen Gassensor 114 enthält, in Übereinstimmung mit diversen Ausführungsformen. Die Detektion 202 enthält eine erste Konzentration der ersten Teilchen und eine zweite Konzentration der zweiten Teilchen und Gasdetektionsdaten. 4 12 shows a schematic illustration of a detector 110 including a particulate matter sensor 112 and a gas sensor 114, in accordance with various embodiments. The detection 202 includes a first concentration of the first particles and a second concentration of the second particles and gas detection data.

5 zeigt einen Ablaufplan eines Verfahrens 200 zum Überwachen der Eigenschaften eines gasförmigen Fluids 30, wobei die Eigenschaften eine Teilchengröße enthalten, in Übereinstimmung mit diversen Ausführungsformen. Das Verfahren 200 enthält das Detektieren 210 der ersten Teilchen 32 und der zweiten Teilchen 34, die in dem gasförmigen Fluid 30 suspendiert sind, und das Bereitstellen entsprechender Detektionsdaten 201. Wie vorhergehend beschrieben ist, weisen die ersten Teilchen 32 eine erste Größe auf und die zweiten Teilchen 34 weisen eine zweite Größe auf, die von der ersten Größe verschieden ist. Das Verfahren 200 enthält ferner das Klassifizieren 220 der Detektionsdaten 201 in eine vorgegebene Gruppe von Klassen, wobei mindestens zwei Klassen der vorgegebenen Gruppe von Klassen Indikatoren für Quellen des gasförmigen Fluids 30 sind. Das Verfahren 200 kann ferner das Vorverarbeiten 204 der Detektionsdaten 201 in vorverarbeitete Daten (PD1) enthalten und wobei die Klassifizierungseinheit 120 die vorverarbeiteten Daten (PD1) als Eingang empfängt. Die vorverarbeiteten Daten (PD1) enthalten eine zeitabhängige Teilchenkonzentration der ersten Teilchen 32 und/oder der zweiten Teilchen 34. Die zeitabhängige Teilchenkonzentration enthält mindestens eines der folgenden Elemente: ein Integral, eine erste Ableitung, eine zweite Ableitung. Die zeitabhängige Teilchenkonzentration kann ferner eine Konzentrationsdifferenz zwischen den ersten Teilchen und den zweiten Teilchen enthalten. 5 FIG. 2 shows a flowchart of a method 200 for monitoring properties of a gaseous fluid 30, the properties including particle size, in accordance with various embodiments. The method 200 includes detecting 210 the first particles 32 and the second particles 34 suspended in the gaseous fluid 30 and providing corresponding detection data 201. As previously described, the first particles 32 have a first size and the second Particles 34 have a second size that is different than the first size. The method 200 further includes classifying 220 the detection data 201 into a predetermined set of classes, where at least two classes of the predetermined set of classes are indicators of gaseous fluid 30 sources. The method 200 may further include pre-processing 204 the detection data 201 into pre-processed data (PD1) and wherein the classification unit 120 receives the pre-processed data (PD1) as input. The pre-processed data (PD1) contains a time-dependent particle concentration of the first particles 32 and/or the second particles 34. The time-dependent particle concentration contains at least one of the following elements: an integral, a first derivative, a second derivative. The time-dependent particle concentration may further include a concentration difference between the first particles and the second particles.

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.

6a-6f zeigen eine erste Gruppe von Versuchen, wobei eine Klassifizierung für Umweltdaten (als CL0 markiert), Feuer (als CL1 markiert) und Immissionen (als CL2 markiert) unter Verwendung von PCA und SVM vorgenommen wird. 6a-6f show a first set of experiments where classification for environmental data (marked as CL0), fire (marked as CL1) and immissions (marked as CL2) is made using PCA and SVM.

6a zeigt die Konfusionsmatrix mit Integral unter Verwendung der (Hauptkomponenten (PC) = 3). 6a shows the confusion matrix with integral using the (principal components (PC) = 3).

6b zeigt die Konfusionsmatrix mit ersten Ableitungen (PC = 3). 6b shows the confusion matrix with first derivatives (PC = 3).

6c zeigt die Konfusionsmatrix mit zweiten Ableitungen (PC = 3). 6c shows the confusion matrix with second derivatives (PC = 3).

6d zeigt die Konfusionsmatrix mit Integral, ersten Ableitungen und zweiten Ableitungen (PC = 10). 6d shows the confusion matrix with integral, first derivatives and second derivatives (PC=10).

6e zeigt die Konfusionsmatrix mit Integral, ersten Ableitungen, zweiten Ableitungen und Teilchenzählungsdifferenz zwischen Teilchen mit verschiedenen Größen (PC = 12). 6e Figure 12 shows the confusion matrix with integral, first derivatives, second derivatives and particle count difference between particles of different sizes (PC=12).

6f zeigt die Konfusionsmatrix mit Integral, ersten Ableitungen, zweiten Ableitungen und Teilchenzählungsdifferenz zwischen Teilchen mit verschiedenen Größen, Standardabweichung und Kovarianz des Integrals der PM (PC = 13). 6f Figure 12 shows the confusion matrix with integral, first derivatives, second derivatives and particle count difference between particles of different sizes, standard deviation and covariance of the integral of the PM (PC=13).

Wie in 6a, 6b und 6c gezeigt ist, ist die Klassifizierungsgenauigkeit des Modells schlechter, wenn lediglich Integral, erste oder zweite Ableitung verwendet werden, etwa 38 %. Dies könnte deshalb sein, weil lediglich ein Merkmal nicht ausreichend ist, damit ein ML-Algorithmus drei verschiedene Klassen unterscheidet. Jedoch erhöht die Kombination dieser drei Merkmale die Genauigkeit bis auf 77 %, wie in 6d angezeigt ist. Hervorragende Ergebnisse wurden erzielt, wenn die Konzentrationsdifferenz zwischen verschiedenen Teilchengrößen berücksichtigt wurde, wie in 6e gezeigt ist, wo die Genauigkeit etwa 96 % beträgt.As in 6a , 6b and 6c As shown, the classification accuracy of the model is worse when only integral, first or second derivatives are used, about 38%. This could be because just one feature is not sufficient for an ML algorithm to distinguish three different classes. However, the combination of these three features increases the accuracy up to 77%, as in 6d is displayed. Excellent results were obtained when the difference in concentration between different particle sizes was taken into account, as in 6e is shown where the accuracy is about 96%.

7a-7f zeigen eine zweite Gruppe von Versuchen, wobei Feuer in die folgenden Klassen gruppiert wurden: offenes Holzfeuer (TF1) CL1, schwelendes Feuer (TF2 und TF3), flammendes Feuer (TF4, TF5 und TF8). Die Feuer wurden mit Umgebungsdaten CL0 und Immissionen CL3 unter Verwendung von PCA und Langzeit-Kurzzeit-Gedächtnis klassifiziert. 7a-7f show a second set of experiments where fires were grouped into the following classes: open log fire (TF1) CL1, smoldering fire (TF2 and TF3), flaming fire (TF4, TF5 and TF8). The fires were classified with environmental data CL0 and immissions CL3 using PCA and long-term short-term memory.

7a zeigt die Konfusionsmatrix mit Integral (PC = 3). 7a shows the confusion matrix with integral (PC = 3).

7b zeigt die Konfusionsmatrix mit erster Ableitung (PC = 3). 7b shows the confusion matrix with first derivative (PC = 3).

7c zeigt die Konfusionsmatrix mit zweiter Ableitung (PC = 3). 7c shows the second derivative (PC=3) confusion matrix.

7d zeigt die Konfusionsmatrix mit Integral, erster Ableitung, zweiter Ableitung (PC = 10). 7d shows the confusion matrix with integral, first derivative, second derivative (PC=10).

7e zeigt die Konfusionsmatrix mit Integral, erster und zweiter Ableitung und Teilchenzählungsdifferenz zwischen verschiedenen Teilchengrößen (PC = 12). 7e shows the confusion matrix with integral, first and second derivative and particle count difference between different particle sizes (PC=12).

7f zeigt die Konfusionsmatrix mit Integral, erster und zweiter Ableitung, Teilchenzählungsdifferenz zwischen verschiedenen Teilchengrößen und Standardabweichung und Kovarianz des Integrals der Hauptkomponente (PC = 13). 7f Figure 12 shows the confusion matrix with integral, first and second derivatives, particle count difference between different particle sizes and standard deviation and covariance of the integral of the principal component (PC = 13).

Wie in 7a, 7b und 7c gezeigt ist, wird die Klassifizierungsgenauigkeit des Modells verbessert, wenn mehr Parameter als lediglich Integral und erste Ableitungen verwendet werden. Indem drei Parameter (Integral, erste Ableitung, zweite Ableitung) mit der Konzentrationsdifferenz zwischen verschiedenen Teilchengrößen kombiniert werden, nimmt die Genauigkeit auf 90 % oder höher zu, wie in 7d und 7e angezeigt ist. Hervorragende Ergebnisse werden erzielt, wenn die Standardabweichung und die Kovarianz des Integrals der Teilchengrößen 0,5 und 1,0 um berücksichtigt werden, wie in 7f, wo die Genauigkeit etwa 98 % für TF1 und 91 % für die Gruppe von TF2 + TF3 beträgt.As in 7a , 7b and 7c As shown, the classification accuracy of the model is improved when more parameters than just integral and first derivatives are used. By combining three parameters (integral, first derivative, second derivative) with the concentration difference between different particle sizes, the accuracy increases to 90% or higher, as in 7d and 7e is displayed. Excellent results are obtained when the standard deviation and covariance of the integral of the 0.5 and 1.0 µm particle sizes are taken into account, as in 7f , where the accuracy is about 98% for TF1 and 91% for the group of TF2 + TF3.

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

Überwachungseinrichtung (100) für ein gasförmiges Fluid zum Überwachen von Eigenschaften eines gasförmigen Fluids (30), wobei die Überwachungseinrichtung (100) für ein gasförmiges Fluid Folgendes umfasst: einen Detektor (110), der konfiguriert ist, Detektionsdaten (201) von mindestens einer der Eigenschaften des gasförmigen Fluids (30) bereitzustellen, wobei der Detektor einen Feststoffteilchensensor (112) umfasst, der konfiguriert ist, erste Teilchen (32) und zweite Teilchen (34), die in dem gasförmigen Fluid (30) suspendiert sind, zu detektieren, und ferner konfiguriert ist, als Bestandteil der Detektionsdaten (201) eine erste Konzentration der ersten Teilchen (32) und eine zweite Konzentration der zweiten Teilchen (34) bereitzustellen, wobei die ersten Teilchen (32) eine erste Größe aufweisen und die zweiten Teilchen (34) eine zweite Größe aufweisen, die von der ersten Größe verschieden ist; und eine Klassifizierungseinheit (120), die konfiguriert ist, die Detektionsdaten (201) in eine vorgegebene Gruppe von Klassen zu klassifizieren, wobei mindestens zwei Klassen der vorgegebenen Gruppe von Klassen Indikatoren für jeweilige Quellen des gasförmigen Fluids (30) sind.A gaseous fluid monitor (100) for monitoring properties of a gaseous fluid (30), the gaseous fluid monitor (100) comprising: a detector (110) configured to receive detection data (201) from at least one of the to provide properties of the gaseous fluid (30), the detector comprising a particulate matter sensor (112) configured to detect first particles (32) and detecting second particles (34) suspended in the gaseous fluid (30), and further configured to include as part of the detection data (201) a first concentration of the first particles (32) and a second concentration of the second particles ( 34) wherein the first particles (32) have a first size and the second particles (34) have a second size different from the first size; and a classification unit (120) configured to classify the detection data (201) into a predetermined group of classes, wherein at least two classes of the predetermined group of classes are indicators for respective sources of the gaseous fluid (30).

Überwachungseinrichtung (100) für ein gasförmiges Fluid nach Anspruch 1, wobei die Klassifizierungseinheit (120) ferner konfiguriert ist, die Detektionsdaten (201) in Umgebungsdaten auszuwerten.Monitoring device (100) for a gaseous fluid claim 1 , wherein the classification unit (120) is further configured to evaluate the detection data (201) in environmental data.

Überwachungseinrichtung (100) für ein gasförmiges Fluid nach Anspruch 1 oder Anspruch 2, wobei die Klassifizierungseinheit (120) ferner konfiguriert ist zu bestimmen, ob das gasförmige Fluid (30) eine Folge eines Feuers ist.Monitoring device (100) for a gaseous fluid claim 1 or claim 2 , wherein the classification unit (120) is further configured to determine whether the gaseous fluid (30) is a result of a fire.

Überwachungseinrichtung (100) für ein gasförmiges Fluid nach einem der vorhergehenden Ansprüche, wobei die vorgegebene Gruppe von Klassen mindestens zwei der folgenden Klassen umfasst: Umgebungsdaten, offenes Holzfeuer, schwelendes Feuer, flammendes Feuer, Immissionen.A gaseous fluid monitor (100) as claimed in any preceding claim, wherein the predetermined set of classes includes at least two of the following classes: ambient data, open wood fire, smoldering fire, flaming fire, immissions.

Überwachungseinrichtung (100) für ein gasförmiges Fluid nach einem der vorhergehenden Ansprüche, die ferner einen Vorprozessor (130), um die Detektionsdaten (201) vorab in vorverarbeitete Daten (PD1) zu verarbeiten, umfasst und wobei die Klassifizierungseinheit (120) die vorverarbeiteten Daten (PD1) als Detektionsdaten (201) empfängt.A gaseous fluid monitor (100) according to any one of the preceding claims, further comprising a preprocessor (130) for preprocessing the detection data (201) into preprocessed data (PD1), and wherein the classifying unit (120) processes the preprocessed data ( PD1) as detection data (201).

Überwachungseinrichtung (100) für ein gasförmiges Fluid nach Anspruch 5, wobei die vorverarbeiteten Daten (PD1) eine zeitabhängige Teilchenkonzentration der ersten Teilchen (32) und/oder der zweiten Teilchen (34) umfassen und wobei die zeitabhängige Teilchenkonzentration mindestens eines der folgenden Elemente umfasst: ein Integral, eine erste Ableitung, eine zweite Ableitung.Monitoring device (100) for a gaseous fluid claim 5 , wherein the pre-processed data (PD1) comprises a time-dependent particle concentration of the first particles (32) and/or the second particles (34) and wherein the time-dependent particle concentration comprises at least one of the following elements: an integral, a first derivative, a second derivative.

Überwachungseinrichtung (100) für ein gasförmiges Fluid nach Anspruch 6, wobei die vorverarbeiteten Daten (PD1) die zweite Ableitung der zeitabhängigen Teilchenkonzentration der ersten Teilchen (32) und/oder die zweite Ableitung der zeitabhängigen Teilchenkonzentration der zweiten Teilchen (34) umfassen.Monitoring device (100) for a gaseous fluid claim 6 , wherein the pre-processed data (PD1) comprises the second derivative of the time-dependent particle concentration of the first particles (32) and/or the second derivative of the time-dependent particle concentration of the second particles (34).

Überwachungseinrichtung (100) für ein gasförmiges Fluid nach Anspruch 6 oder Anspruch 7, wobei die vorverarbeiteten Daten (PD1) eine Konzentrationsdifferenz zwischen den ersten Teilchen (32) und den zweiten Teilchen (34) umfassen.Monitoring device (100) for a gaseous fluid claim 6 or claim 7 , wherein the pre-processed data (PD1) comprises a concentration difference between the first particles (32) and the second particles (34).

Überwachungseinrichtung (100) für ein gasförmiges Fluid nach einem der Ansprüche 5 bis 8, die ferner eine Dimensionalitäts-Verringerungseinheit (140) umfasst, die konfiguriert ist, die vorverarbeiteten Daten (PD1) in Merkmale (OF1) als Hauptkomponenten umzuwandeln, und wobei die Klassifizierungseinheit (120) die Merkmale (OF1) als die Detektionsdaten (201) empfängt.A gaseous fluid monitoring device (100) according to any one of Claims 5 until 8th , further comprising a dimensionality reduction unit (140) configured to convert the pre-processed data (PD1) into features (OF1) as principal components, and wherein the classification unit (120) receives the features (OF1) as the detection data (201). .

Überwachungseinrichtung (100) für ein gasförmiges Fluid nach einem der vorhergehenden Ansprüche, wobei der Detektor (110) ferner einen Gassensor (114) enthält und wobei die Detektionsdaten (201) ferner Gasdetektionsdaten enthalten.A gaseous fluid monitor (100) as claimed in any preceding claim, wherein the detector (110) further includes a gas sensor (114) and wherein the detection data (201) further includes gas detection data.

Überwachungseinrichtung (100) für ein gasförmiges Fluid nach einem der vorhergehenden Ansprüche, die ferner Folgendes umfasst: eine Recheneinheit, die konfiguriert ist, die Detektionsdaten zu verarbeiten und eine Klassifizierung mit der Klassifizierungseinheit auszuführen; und eine Kommunikationsschaltung, die konfiguriert ist, Informationen, die auf der Grundlage der Gruppe von Klassen die Quelle des gasförmigen Fluids (30) angeben, zu übertragen.A gaseous fluid monitor (100) according to any one of the preceding claims, further comprising: a computing unit configured to process the detection data and perform classification with the classification unit; and a communication circuit configured to transmit information indicative of the source of the gaseous fluid (30) based on the group of classes.

Verfahren (200) zum Überwachen der Eigenschaften eines gasförmigen Fluids (30), wobei die Eigenschaften eine Teilchengröße umfassen, wobei das Verfahren (200) Folgendes umfasst: Detektieren (202) erster Teilchen (32) und zweiter Teilchen (34), die in dem gasförmigen Fluid (30) suspendiert sind, und Bereitstellen von Detektionsdaten (201), wobei die ersten Teilchen (32) eine erste Größe aufweisen und die zweiten Teilchen (34) eine zweite Größe aufweisen, die von der ersten Größe verschieden ist; und Klassifizieren (208) der Detektionsdaten (201) in eine vorgegebene Gruppe von Klassen, wobei mindestens zwei der vorgegebenen Gruppe von Klassen Indikatoren für Quellen des gasförmigen Fluids (30) sind.A method (200) for monitoring properties of a gaseous fluid (30), the properties including particle size, the method (200) comprising: detecting (202) first particles (32) and second particles (34) suspended in the gaseous fluid (30) and providing detection data (201), the first particles (32) having a first size and the second particles (34) have a second size different from the first size; and Classifying (208) the detection data (201) into a predetermined group of classes, at least two of the predetermined group of classes being indicators for sources of the gaseous fluid (30).

Verfahren (200) nach Anspruch 12, das ferner Folgendes umfasst: Vorverarbeiten (204) der Detektionsdaten (201) in vorverarbeitete Daten (PD1) und wobei die Klassifizierungseinheit (120) die vorverarbeiteten Daten (PD1) als Detektionsdaten (201) empfängt und wobei das Klassifizieren (208) die vorverarbeiteten Daten (PD1) als die Detektionsdaten (201) verwendet.Method (200) according to claim 12 , further comprising: pre-processing (204) the detection data (201) into pre-processed data (PD1) and wherein the classification unit (120) receives the pre-processed data (PD1) as detection data (201) and wherein the classifying (208) the pre-processed data (PD1) is used as the detection data (201).

Verfahren (200) nach Anspruch 13, wobei die vorverarbeiteten Daten (PD1) eine zeitabhängige Teilchenkonzentration der ersten Teilchen (32) und/oder der zweiten Teilchen (34) umfassen und wobei die zeitabhängige Teilchenkonzentration mindestens eines der folgenden Elemente umfasst: ein Integral, eine erste Ableitung, eine zweite Ableitung.Method (200) according to Claim 13 , wherein the pre-processed data (PD1) comprises a time-dependent particle concentration of the first particles (32) and/or the second particles (34) and wherein the time-dependent particle concentration comprises at least one of the following elements: an integral, a first derivative, a second derivative.

Verfahren (200) nach Anspruch 13 oder Anspruch 14, wobei die vorverarbeiteten Daten (PD1) eine Konzentrationsdifferenz zwischen den ersten Teilchen (32) und den zweiten Teilchen (34) umfassen.Method (200) according to Claim 13 or Claim 14 , wherein the pre-processed data (PD1) comprises a concentration difference between the first particles (32) and the second particles (34).

Computerprogrammprodukt, das Anweisungen, um zu bewirken, dass eine Überwachungseinrichtung für ein gasförmiges Fluid die Anweisungen des Verfahrens nach einem der Ansprüche 12 bis 15 ausführt, umfasst.Computer program product comprising instructions for causing a gaseous fluid monitor to perform the instructions of the method of any one of Claims 12 until 15 executes, includes.