火焰检测系统的制作方法

专利名称：火焰检测系统的制作方法
技术领域：
本发明涉及火焰检测系统。
背景技术：
火焰检测器可以包括光传感器，用于检测指示火焰存在的电磁辐射，例如，可见光、红外线或紫外线。火焰检测器可以检测并测量(例如)在大约4.3微米的光频谱上的红外线(IR)辐射，该波长是二氧化碳的辐射光谱(opticalspectrum)峰值的特性。光传感器还可以检测大约在200-260纳米的紫外线范围内的辐射。这是火焰具有强辐射的区域，但是大气将太阳的紫外线能量充分过滤，以致于可以构造实用的现场仪器。
某些火焰检测器可以使用在火焰辐射的频谱区域特性之一上运行的单一检测器，例如光传感器。火焰检测器可以测量与传感器的整个视场对应的整体辐射，并且测量在该视场中正在感测的频谱范围中的所有辐射源发出的辐射，这些辐射源包括可能存在的火焰和/或非火焰源。当所感测的组合辐射的级别到达被熟知或认为指示火焰的预定阈值时，火焰检测器可以产生“火”警，意欲指示检测到火焰。
某些火焰检测器可能产生由仪器不能辨别火焰发出的辐射以及由诸如白炽灯、加热器、电弧焊或其它光辐射源之类的其它源发出的辐射而引起的假警报。单波长火焰检测器还可以产生由其它背景辐射源触发的假警报，这些辐射源包括各种反射，诸如日光或从诸如水、工业设备、背景建筑和车辆之类的表面反射的光。
已经开发了希望来降低火焰检测器中的假警报的各种技术。虽然这些技术可以在假警报率方面提供了一些改进，但是假警报率仍然高于预期。

发明内容
为了解决现有技术中的上述和/或其它问题，本发明提供火焰检测系统，包括多个离散光辐射传感器；用于联合时间频率信号地预处理来自多个离散光辐射传感器的输出以提供经预处理的信号的装置；和用于处理经预处理的信号并提供指示火焰状态的输出的人工神经网络。
根据本发明的另一方面，提供火焰检测系统，包括多个离散光辐射传感器；和人工神经网络，用于处理指示来自多个传感器的输出的多个信号，并且提供指示火焰状态的输出。
根据本发明的另一方面，提供火焰检测系统，包括多个离散传感器，用于产生多个相应传感器信号，所述多个传感器包括响应于火焰发射的一组传感器；和数字信号处理器，包括用于处理传感器信号来提供与火焰状态对应的输出的人工神经网络(ANN)。
根据本发明的另一方面，提供用于检测火焰的方法，包括使用多个离散传感器在视场上感测光辐射，并且产生指示所感测的辐射的传感器信号；和由包括人工神经网络(ANN)的数字信号处理器处理传感器信号，以提供与火焰状态对应的输出。
根据本发明的另一方面，提供用于训练火焰检测系统的人工神经网络(ANN)的方法，包括将多个离散光辐射传感器暴露到多种火焰、非火焰、错误警报和背景状态中来收集包括已知输入向量的训练数据；和使用训练数据训练ANN来开发突触连接权重的工作组。
根据本发明的另一方面，提供火焰检测系统，包括多个离散光辐射传感器；用于联合时间频率信号地预处理来自多个离散光辐射传感器的输出以提供经预处理的信号的装置；和数字信号处理器，用于处理经预处理的信号并提供指示火焰状态的输出。


本领域技术人员将从下面的本发明示例性实施例的详细描述中更容易地理解本发明的特征和优点，其中在附图中图解了其示例性实施例，在附图中图1是火焰检测系统的示例性实施例的示意方框图。
图1A图解适用于支承(housing)火焰检测系统的光传感器的示例性传感器支承结构。
图2是示例性火焰检测系统的功能方框图。
图3用于检测火焰的方法的示例性流程图。
图4图解示例性数据窗(windowing)函数。
图5图解将JTFA应用到数字信号的示例性实施例。
图6A和6B图解ANN处理的示例性实施例。
图7A和7B图解用于图6的ANN处理的示例性激活函数。
图8图解用于训练(training)ANN的方法的示例性实施例。
图9图解来自ANN的输出信号的后处理(post-processing)的示例性实施例。
图10是采用多个火焰检测器系统的火焰检测系统的系统级方框图。
具体实施例方式
在下面的详细描述和在附图的数张图中，使用相同的附图标记标识相同组成部分。
图1图解了示例性火焰检测器系统1的示意方框图，该火焰检测器系统包括响应于光辐射来产生多个相应模拟检测器信号3的多个检测器2。模拟-数字转换器(ADC)4将模拟检测器信号3转换为数字检测器信号5。在示例性实施例中，ADC4提供24位分辨率。
在示例性实施例中，火焰检测器系统1包括电子控制器8，如数字信号处理器(DSP)8、ASIC或微计算机或基于微处理器的系统。在示例性实施例中，虽然对于其它应用或实施例来说可以替代地采用其它装置或逻辑电路，但是信号处理器8可以包括德州仪器的F2812 DSP。在示例性实施例中，信号处理器8包括作为串行通信接口(SCI)81的双通用异步接收发器(UART)81、串行外围接口(SPI)83、ADC84和用于例如闪存22之类的非易失性存储器的外部存储器接口(EMIF)85。SCI MODBUS 91或HART 92协议可以用作通过SCI 81进行串行通信的接口。MODBUS和HART协议是用于对接用户计算机或可编程逻辑控制器(PLC)的公知标准。
在示例性实施例中，信号处理器8通过串行外围接口SPI 83从ADC 4接收数字检测器信号5。在示例性实施例中，信号处理器8通过SPI 83连接到多个接口。这些接口可以包括模拟输出21、闪存22、实时时钟23、警告继电器24、警报继电器25和/或故障(fault)继电器26。在示例性实施例中，模拟输出21可以是0-20mA的输出。在示例性实施例中，在模拟输出21上的第一电流电平，例如20mA，可以指示火焰(警报)，在模拟输出21上的第二电流电平，例如4mA，可以指示正常操作，如不存在火焰，而在模拟输出21上的第三电流电平，如0mA，可以指示可能由诸如电子故障之类的状态引起的系统故障。在其它实施例中，可以选择其它电流电平来表示各种状态。在示例性实施例中，可以将模拟输出用于触发防火单元。
在示例性实施例中，火焰检测器系统1还可以包括温度检测器6，用于提供温度信号7，该信号指示火焰检测器系统的周围温度以便进行后续温度补偿。可以将温度检测器6连接到信号处理器8的ADC 84，该ADC 84将温度信号7转换为数字形式。系统1还可以包括振动传感器，用于提供指示系统1经历的振动级的振动信号。可以将振动传感器连接到信号处理器8的ADC 84，该ADC 84将振动信号转换为数字形式。
在示例性实施例中，将信号处理器8编程来执行预处理和人工神经网络处理，将在下面更加全面地描述这些处理。
在示例性实施例中，多个检测器2包括多个频谱传感器，其可以具有不同的频谱范围，并且可以布置在阵列中。在示例性实施例中，多个检测器2包括对多种波长敏感的光传感器。至少一个或多个检测器2能够检测火焰发出强光辐射的频谱区域中的光辐射。例如，传感器可以检测UV到IR频谱范围中的辐射。适用于示例性火焰检测系统1的示例性传感器(仅是示例性的)包括硅、碳化硅、磷化镓、氮化镓和氮化镓铝传感器和光电管型传感器。其它适用于示例性火焰检测系统的示例性传感器包括诸如热电、硫化铅(PbS)、硒醚铅(lead selenide，PbSe)之类的IR传感器和其它量子或热传感器。在示例性实施例中，合适的UV传感器工作在200-400纳米区域中。在示例性实施例中，光电管类型传感器和/或氮化镓铝传感器中每一个都对“日光不敏感(solar blindness)”或对日光钝感(immunity)。在示例性实施例中，合适的IR传感器工作在特定于碳氢化合物火焰的4.3微米区域和/或特定于氢火焰的2.9微米区域。
在示例性实施例中，除了针对它们对火焰发光(如，UV，2.9微米和4.3微米)的敏感性而选择的传感器之外，多个传感器2包括对不同波长敏感的一个或多个传感器，以帮助从非火焰辐射中唯一地识别火焰辐射。这些称为钝感传感器的传感器对火焰发光较不敏感，但是它们提供关于红外背景辐射的附加信息。钝感传感器检测与火焰不相关的波长，并且可以使用来帮助区分火焰辐射和辐射的非火焰源。在示例性实施例中，钝感传感器包括，例如2.2微米波长检测器。在美国专利6150659中描述了适用于该目的的传感器。
在图1的示例性实施例中，火焰检测系统1包括四个传感器2A-2D的阵列，其合并有分别对在4.9um(2A)、2.2um(2B)、4.3um(2C)和4.45um(2D)上的辐射敏感的频谱滤波器(spectral filter)。在示例性实施例中，选择具有窄工作带宽，如100nm级的滤波器，使得这些传感器仅响应于相应工作带宽的辐射，而阻塞在工作频带外的辐射。在示例性实施例中，将光传感器2紧密地封装为簇或将其组合在单一的检测器封装中。该配置导致较小、较便宜的传感器支承结构，并且还提供更统一的仪器视角光场。适用于该目的的示例性检测器支承结构是用于检测器LIM 314(InfraTecGmbh，Dresden，Germany)的支承结构。图1A图解适用于将传感器2A-2D固定在集成单元中的示例性传感器支承结构20。
图2是示例性传感器系统的示例性功能方框图。该系统包括传感器数据收集功能，其从传感器(如传感器2A-2D)收集模拟传感器信号，并且将传感器信号转换为用于由数字信号处理器处理的数字形式。然后将包含预处理、人工神经网络(ANN)处理和后处理的确认算法应用到传感器数据来确定传感器状态。然后将后处理的输出提供到模拟输出端和各种状态LED、控制继电器和诸如通过光纤、串行、红外或无线介质工作的MODBUS、HART、CANBus、FieldBus或以太网协议之类的外部通信接口。在着火的事件中，电子模拟信号提供火焰状态的指示，并且可以激活继电器来提供警告或激活灭火系统。后处理的输出还可以经由通信接口之一(通过光纤、串行、红外或无线介质工作的MODBUS、HART、CANBus、FieldBus或以太网协议)可选地提供到用户，允许用户分析数据并经由他的灭火系统作出反应。
图3图解操作图1的火焰检测系统1的方法100的示例性实施例的功能图。在示例性实施例中，方法100包括收集传感器数据(101)，应用确认算法(110)，输出数据(120)和用户处理(130)。
在示例性实施例中，收集传感器数据(101)包括产生模拟信号(102)并将模拟信号转换为数字形式(103)。在示例性实施例中，传感器2和温度传感器6(图1)产生模拟信号(102)，并且ADC 4和ADC 84(图1)将模拟信号转换为数字形式(103)，以通过DSP 8(图1)进行进一步处理。
在示例性实施例中，应用确认算法(110)包括预处理数字信号(111)，经预处理的信号的人工神经网络处理(112)和来自ANN的输出信号的后处理(113)。在示例性实施例中，由信号处理器8(图1)执行预处理111、ANN处理112和后处理113全部。
在示例性实施例中，由ADC 4将来自光传感器的模拟信号周期地转换为数字形式。还可以将来自一个或多个温度和振动传感器的信息用作附加ANN输入。将经数字化的信号的预处理(111)应用到经数字化的传感器信号。在示例性实施例中，预处理步骤的目的是建立信号的频域和时域的关联。在示例性实施例中，预处理包括应用数据窗函数(114)，并且应用诸如离散傅立叶变换、Gabor变换之类的联结时间-频率分析(JTFA)函数(115)或或离散小波变换(116)。在示例性实施例中，应用数据窗函数包括应用Hanning、Hamming、Parzen、矩形、高斯、指数或其它合适的数据窗函数。图4图解示例性数据窗函数117。在该实施例中，数据窗函数117包括Hamming窗口函数。图4图解余弦型函数WHm=12{1.08-0.92cos(2πnN-1)}]]>其中N是采样点的数量(如，512)，而n在1和N之间。
在示例性实施例中，在应用JFTA函数(115)之前，将称为窗口117的数据预处理应用到原始输入信号(114)。该数据窗函数减轻信号的频谱“流失”，因此改善ANN分类的精度。
再次参照图3，在示例性实施例中，(115)JTFA包含具有移位时间窗的短时傅立叶变换(STFT)(也称为Gabor变换)。还可以替换地应用其它函数来进行JTFA，这些函数包括离散傅立叶变换(DFT)或离散小波变换(DWT)。图5图解(115)JTFA应用的图形表示。以固定速率移位数据窗口119(125)。在每次移位125后，计算信号片断的傅立叶变换。每次移位125产生输入向量，然后将其用作用于ANN处理112的输入。除了光传感器输入之外，示例性实施例包括来自温度和振动传感器的输入。包括振动和温度传感器的主要目的是在极度不利的工业环境下提供仪器的强度。
在示例性实施例中，在存储器中存储用于JTFA、窗口函数、定标(scale)函数和ANN的系数和算法。在示例性实施例中，可以在外部存储器(例如非易失性闪存22或EEPROM存储器)中存储系数。在示例性实施例中，可以将用于JTFA、窗口函数、定标函数和ANN的算法写入内部存储器中，例如写入DSP 8的内部非易失性闪存87中。
再次参照图3，在示例性实施例中，进一步的信号处理(111)包括在ANN之前标准化JTFA输出，以提供对于ANN处理来说更加可定标的数据。在示例性实施例中，来自JTFA函数的输出包括向量，其中每个向量值表示要定标的不同ANN输入。例如，在一个实施例中，通过512点快速傅立叶变换(FFT)来处理来自每个传感器的数字化输出，因此到ANN的输入包括对于每个传感器的512个值。从每个值减去定标系数(均值)，并且将结果除以第二系数(标准偏差)。在针对ANN的训练集的预处理中计算这些系数。
图6A图解ANN处理112的示例性实施例的功能方框图。ANN处理112可以包括两层ANN处理。在示例性实施例中，ANN处理112包括接收多个预处理信号10(x1-xi)(对应于来自检测器2A-2D的经FFT处理并定标的信号，图1中所示的6和9)、隐藏层12和输出层13。在其它示例性实施例中，ANN处理112可以包括多个隐藏层12。
在示例性实施例中，隐藏层包括多个人工神经元14，例如，四个到八个神经元。神经元14的数量可以依赖于在训练期间通过ANN处理112获得的训练级和分类(图8)。在示例性实施例中，输出层13包括与各种状态对应的多个目标15(或输出神经元)，这些状态包括，例如火焰、非火焰辐射源(焊接、热物体)、周围或背景辐射(日光、光反射)。目标1 5的数量可以是，例如从1到4。图6B的示例性实施例采用一个目标神经元，其将火焰似然值(likelihood value)18’输出端决定处理19’。
在示例性实施例中，外部闪存存储器(图1)保存用于隐藏层12的接合(synaptic connection)权重Hij和用于输出层13的突触连接权重Ojk。在一个实施例中，信号处理器8将每个都被乘以了对应的突触连接权重Hij的多个经预处理的信号10相加。然后对于多个神经元14中的每一个将非线性激活(或挤压(squashing))函数16(f(zi))应用到结果加权和zi。在示例性实施例中，激活函数16是单极性S形函数(s(zi))。
图7A-7B显示激活函数的示例性实施例，图7A显示二进制(0，1)激活函数，而图7B显示单极性激活函数或其它合适和函数。在示例性实施例中，还将偏差Bh输入到隐藏层12。在示例性实施例中，偏差Bh具有值1。
再次参照图6A，在示例性实施例中，将神经元输出17(s(Zi))输入到输出层13。在示例性实施例中，还将偏差Bo输入到输出层13。在示例性实施例中，将输出17(s(Zi))每个都乘以对应的突触连接权重Ojk，并且对于输出层13中的每个目标15将对应的结果相加，从而产生对应和yj。在示例性实施例中，将函数s(yk)应用到和yj。在示例性实施例中，与图7B所示的S形函数类似，函数s(yk)是S形函数s(yk)。在其它示例性实施例中，函数f(yk)可以是双极性函数。在示例性实施例中，对于每个目标15A-15C的结果s(yk)对应于ANN输出信号18。对于每个目标15A-15C，对应的输出信号18A-18C的值对应于对应的目标15状态，即，“错误警报”、“火焰”或“平静”的似然性。在示例性实施例中，输出信号18用于做出最终决定19。
因此，如图6A所示，将经信号处理的输入Xi连接到隐藏神经元，并且将权重Hij分配给输入和隐藏层之间的连接。在每个隐藏的神经元，以下面的顺序应用相乘、相加和S形函数。
Zj=Σi=1nXiHij]]>S(Zj)=11+e-Zj]]>将来自隐藏层的S形函数S(Zi)的输出导入输出层。将权重Ojk分配给隐藏和输出层之间的连接。现在，在本示例性实施例中，以下面的顺序在每个输出神经元上应用相乘、相加和S形函数Yk=Σi=1nS(Zj)Ojk]]>S(Yk)=11+e-Yk]]>在ANN训练的示例性处理中，经常由反向传播(back propagation，BP)优化权重Hij和Ojk。在示例性实施例中，基于用于ANN训练的均方根误差来最小化BP算法。然后在ANN确认中使用这些连接权重，以计算ANN输出S(Yk)，该输出被用于做出最终决定。例如在Rumelhart，D.E，Hinton，G.E &Williams，R.J.，Learning Representations by Back-Propagating Errors，(1986)Nature，323，533-536中描述了使用BP算法来设置突触连接权重的多层ANN和ANN训练。
在图6A所示的示例性实施例中，ANN处理112输出值18A-18C分别表示非火焰事件、火焰事件和平静状态的百分比似然性。将阈值应用到输出，设置似然性的极限，在该极限上指示警报状态。在图9所示的实例中，大于0.8的火焰神经元输出指示强火焰似然性，而较小的输出指示强非火焰或平静状态的似然性。
在示例性实施例中，ANN系数Hij、Ojk包括各种输入和目标之间的一组相关标准。将该信息用于标识成功分类最相关的输入，并且消除降低分类能力的输入。ANN处理提供与由从传感器2、6接收的输入表示的实际状态对应的输出。在示例性实施例中，系数包括特定火背景组合的唯一“指纹”。在示例性实施例中，在训练(图8)期间建立系数Hij、Ojk，使得ANN处理112输出将精确地对应于由检测器2(图1)感测的状态，包括各种火焰、非火焰和/或背景状态的各种组合。
在示例性实施例中，操作火焰检测系统的方法100包括ANN输出信号的后处理(113)。图9图解示例性后处理分析。对来自多个ANN输出信号18A-18C的输出值执行后处理(图6A)。将后处理函数应用到至少一个值，并且可以应用到多个值或所有值。在示例性实施例中，将函数应用到特定值可能依赖于火焰检测器的特性和/或规格。例如，后处理函数可能依赖于灵敏度、最大和最小火焰检测范围、错误警报拒绝范围和/或检测器响应时间。在示例性实施例，后处理包括应用用于ANN输出信号的阈值，并且可以在指示警告或警报状态之前限制阈值可被超出的次数。例如，在输出警报状态之前，可以在给定时间段内，例如一秒钟中，使用于火焰神经元的输出信号18B超出阈值四次。这限制了孤立的假输入状态和/或过渡(transient)状态被解释为火焰状态而引起错误警报的似然性。
在示例性实施例中，输出信号120可以包括下列信号中的一个或多个提供模拟输出21(121)(图1-3)，发送信号到指示器(122)，例如LED指示器和/或继电器24、25、26(图1)，和经由通信接口91、92(图1)将输出提供到用户(123)。在示例性实施例中，LED指示器可以指示火焰状态或正常操作。例如，红LED可以指示火焰状态，而绿LED可以指示正常操作。在示例性实施例中，用户MODBUS处理包括处理第一用户MODBUS输出(131)，处理第二用户MODBUS输出(132)，和将信号输出到用户MODBUS输出端123(133)。在示例性实施例中，MODBUS接口允许用户设置参数，更新ANN系数和收集信号和ANN输出信息。
在示例性实施例中，通过训练建立系数Hij和Ojk。图8图解用于ANN处理112的示例性训练处理200。在示例性实施例中，在使火焰检测系统1(图1)进行检测火焰的业务之前，进行训练处理200。训练包括提供已知输入向量202和在图8中所示为目标“值”的已知目标向量208。将已知输入向量202和目标向量208导入在ANN 112上运行的反向传播(BP)算法。在示例性实施例中，已知输入向量202可以包括与表示给定火焰状态/背景状态的经预处理的信号10(图6)对应的信号。在示例性实施例中，已知输入向量是下述进行的广泛室内和室外测试的结果，即，在训练设置中使用传感器阵列1收集的数据结果。在示例性实施例中，通过将火焰检测器暴露在多个火焰/非火焰/背景组合中来训练ANN。在示例性实施例中，根据应用，虽然可以使用更少或更多个组合，但是可以使用两百或更多的组合来训练特定ANN。在示例性实施例中，已知目标向量208可以包括与目标状态15对应的真或假(1或零)值(图6A)。在示例性实施例中，即使关于人工创造或预选择的现场状态来训练ANN，示例性系统可以有效地推断不是初始训练中的一部分的特定火源的状态细节。
假设突触连接权重Hij、Ojk的随机开始组，该算法通过ANN计算前传(forward pass)计算(212)，并且输出输出信号18。将输出信号18与已知目标向量208比较，并且将两者之间的差输入回ANN，以进行反向传播。在示例性实施例中，在已知测试状态存在的情况下获得已知目标向量208。然后通过BP算法来反向传播所计算出的输出信号18和已知目标向量208之间的差，以计算经更新的突触连接权重Hij、Ojk。在训练集的数据收集完成后执行神经网络的训练。然后使用经更新的突触连接权重作为关于ANN的前传计算的输入，以重复该过程。
前传计算和对应的差的反向传播的每次迭代被称为时代(epoch)，并且在示例性实施例中进行递归重复，直到差值收敛到特定的预定阈值。例如，时代的数量可以是某个预定数，或者阈值可以是某个误差值。
在示例性实施例中，在训练期间，ANN建立与突触连接权重Hij和Ojk对应的不同输入和目标之间的相关标准。该信息用于标识特定火焰背景组合的指纹。
在示例性实施例中，在每个训练时代后ANN可以经历确认处理。可以执行确认来确定训练的成功。在示例性实施例中，确认包括使ANN从训练数据的给定的子集中计算目标。将所计算出的目标与实际目标比较。可以将系数加载到用于现场测试的火焰检测器系统来执行确认。
在示例性实施例中，用于ANN的训练采用一组极端室内、室外和工业设施测试。可以以相同比例和格式使用这些测试的数据以进行训练。可以在个人或工作站计算机上执行ANN训练，而将数字化的传感器输入提供到计算机。可以将来自标准化的训练的连接权重加载到所制造的火焰检测器系统的特定模型的传感器单元。
在示例性实施例中，室外火棚用于室外弧焊和火焰/非火焰测试。对于示例性实施例来说，已经观察到室内的丁烷枪和丙烷喷灯以及室外的n-庚烷火焰足够能检测到甲烷、汽油和所有其它火焰，而不需要对这些特定现象进行训练。可以逐地点地收集附加的训练数据，然而，标准测试的目的在于降低或消除定制数据收集。
下面的表1-2列出了在用于火焰检测器的ANN示例性基线训练中采用的标准室内和室外测试的名称和状态。在示例性实施例中，有四个不同的目标平静、火焰、错误警报和测试灯(TL103)。在上面，关于图6A的ANN描述了平静、火焰、错误警报目标。测试灯目标用于训练一组测试灯ANN系数，这对于在现场测试火焰检测器是有用的。在示例性实施例中，可以根据由用户在火焰检测器仪器上设置的模式来将测试灯看作火焰或错误警报。在可以由检测器固件上的开关选择的测试灯模式中，由ANN使用测试系数，并且该仪器旁路警报模式，诸如模拟输出和继电器。将仪器暴露给测试灯。经由状态LED和MODBUS来显示测试灯识别，以指示该仪器是工作的。
为输入所安排的测试的顺序也可以影响神经网络的训练。在表3中显示了示例性测试顺序，其为实验性最佳分类而训练ANN。在该实例中，每个测试是30秒(3000样本)长。
表1标准室内测试


表2标准室外测试

表3基线ANN训练顺序





训练数据收集过程的示例性实施例包括下面的四个步骤1.使用LabView数据收集程序在某个时间段，如30秒，收集数据。将原始电压记载在具有预定名称的文本文件中。可以将ANN输出可选地记载在每个当前训练的网络中。
2.如在MATLAB中格式化用于预处理和训练程序的数据，MATLAB是用于使用矩阵和向量进行数值计算的工具。可以使用附加的目标列和每行的测试名称来编辑通过LabView程序获得的原始文本文件。可以在逗号划界的文件(data.csv，target.csv)中分离地保存数据和目标列，并将其导入MATLAB以进行预处理和ANN训练。
3.对于每个所收集到的30秒测试，将测试状态信息记载到数据库，例如Access数据库中。
4.可以为每次测试产生IR信号强度图表。这可以在训练前标识数据是否对于ANN训练是有用的。例如，如果通过在15英尺点燃丁烷灯所产生的IR信号与平静状态中的IR信号一样弱，则丁烷灯可能对于ANN训练不是有用的。如上面关于图8所述的那样，在已经收集了训练数据后，可以将其用于ANN/BP训练。
图10是采用多个火焰检测器系统1的火焰检测系统325的系统级方框图。可以将独立地址(如，01，02，03)分配给火焰检测器系统1，并且在本实施例中通过串行通信数据总线350将其连接到主控制器340。在由一个或多个火焰检测器系统1正在检测的火焰事件中，可以经由(如)继电器，如继电器25，来由相应的火焰检测器直接激活本地火警360和灭火系统370。另外，主控制器340可以激活远程火警380。
使用诸如通过光纤、串行、红外或无线介质操作的MODBUS、HART、FieldBus或以太网协议，主控制器还可以使用串行通信数据总线350重新编程火焰检测器1，如更新ANN系数。
应该理解上述实施例仅说明可以体现本发明的原理的可能特定实施例。本领域技术人员可以根据这些原理来设计其它的布置，而不背离本发明的范围和宗旨。
权利要求
1.一种火焰检测系统，包括多个离散光辐射传感器；用于联合时间频率信号地预处理来自多个离散光辐射传感器的输出以提供经预处理的信号的装置；和用于处理经预处理的信号并提供指示火焰状态的输出的人工神经网络。
2.如权利要求1所述的系统，其中火焰状态包括火焰存在、火焰不存在或错误警报之一。
3.如权利要求1所述的系统，其中火焰状态是火焰存在或不存在之一。
4.如权利要求1所述的系统，其中多个光辐射传感器包括离散传感器阵列。
5.如权利要求4所述的系统，其中将离散传感器的阵列安装在统一支承结构中。
6.如权利要求1所述的系统，其中多个离散光辐射传感器包括4.9um传感器、2.2um传感器、4.3um传感器和4.45um传感器。
7.如权利要求1所述的系统，其中人工神经网络包括两层人工神经网络。
8.如权利要求1所述的系统，其中所述预处理装置建立来自离散光传感器的输出的频域和时域之间的关联。
9.如权利要求8所述的系统，其中用于建立关联的所述装置包括适用于执行离散傅立叶变换、具有移位时间窗的短时傅立叶变换或离散小波变换之一的电子信号处理器。
10.如权利要求1所述的系统，还包括温度传感器，用于感测系统的温度，并且所述人工神经网络还响应于指示所感测的温度的信号来提供所述输出。
11.如权利要求1所述的系统，还包括振动传感器，用于感测系统经历的振动级，并且所述人工神经网络还响应于指示所感测的振动级的信号来提供所述输出。
12.一种火焰检测系统，包括多个离散光辐射传感器；和人工神经网络，用于处理指示来自多个传感器的输出的多个信号，并且提供指示火焰状态的输出。
13.如权利要求12所述的系统，其中火焰状态包括火焰存在、火焰不存在或错误警报之一。
14.如权利要求12所述的系统，其中火焰状态是火焰存在或不存在之一。
15.如权利要求12所述的系统，其中多个光辐射传感器包括离散传感器阵列。
16.如权利要求1 5所述的系统，其中将离散传感器的阵列安装在统一支承结构中。
17.如权利要求12所述的系统，其中多个离散光辐射传感器包括4.9um传感器、2.2um传感器、4.3um传感器和4.45um传感器。
18.如权利要求12所述的系统，其中人工神经网络包括两层人工神经网络。
19.如权利要求12所述的系统，其中所述预处理装置建立来自离散光传感器的输出的频域和时域之间的关联。
20.如权利要求19所述的系统，其中用于建立关联的所述装置包括适用于执行离散傅立叶变换、具有移位时间窗的短时傅立叶变换或离散小波变换之一的电子信号处理器。
21.如权利要求12所述的系统，还包括温度传感器，用于感测系统的温度，并且所述人工神经网络还响应于指示所感测的温度的信号来提供所述输出。
22.一种火焰检测系统，包括多个离散传感器，用于产生多个相应传感器信号，所述多个传感器包括响应于火焰发射的一组光辐射传感器；和数字信号处理器，包括用于处理传感器信号来提供与火焰状态对应的输出的人工神经网络(ANN)。
23.如权利要求22所述的系统，其中火焰状态包括火焰存在、火焰不存在或错误警报之一。
24.如权利要求22所述的系统，其中火焰状态是火焰存在或不存在之一。
25.如权利要求22所述的系统，其中多个离散传感器包括安装在公共支承结构中的传感器阵列。
26.如权利要求25所述的系统，其中多个离散光辐射传感器包括4.9um传感器、4.3um传感器和4.45um传感器。
27.如权利要求22所述的系统，其中多个传感器还包括对从紫外线到红外线的光谱中的辐射敏感的钝感传感器。
28.如权利要求27所述的系统，其中所述钝感传感器对2.2微米波长辐射敏感。
29.如权利要求22所述的系统，其中多个传感器包括温度传感器，用于产生指示温度的温度传感器信号。
30.如权利要求22所述的系统，其中人工神经网络包括两层人工神经网络。
31.如权利要求22所述的系统，其中数字信号处理器还包括预处理装置，用于处理传感器信号来为所述ANN提供经预处理的信号，其中预处理装置包括用于建立信号的频域和时域之间的关联的装置，所述装置执行离散傅立叶变换、具有移位时间窗的短时傅立叶变换或离散小波变换之一。
32.如权利要求30所述的系统，其中人工神经网络包括将一组隐藏层连接权重和S形函数应用到所述经预处理的信号来提供隐藏层输出信号的人工神经元的隐藏层，以及将一组输出连接权重和S形函数应用到所述隐藏层输出信号来提供火焰神经元输出值的输出神经元的输出层。
33.如权利要求22所述的系统，还包括决定处理器，其响应于来自ANN的输出来基于所述传感器信号确定火焰检测状态。
34.如权利要求33所述的系统，其中当阈值被超出时，决定处理器产生警报状态。
35.一种用于检测火焰的方法，包括使用多个离散传感器在视场上感测光辐射，并且产生指示所感测的辐射的传感器信号；和由包括人工神经网络(ANN)的数字信号处理器处理传感器信号，以提供与火焰状态对应的输出。
36.如权利要求35所述的方法，其中火焰状态包括火焰存在、火焰不存在或错误警报之一。
37.如权利要求35所述的方法，其中多个离散光辐射传感器包括4.9um传感器、2.2um传感器、4.3um传感器和4.45um传感器。
38.如权利要求35所述的方法，其中人工神经网络包括两层人工神经网络。
39.如权利要求35所述的方法，还包括建立传感器的频域和时域之间的关联。
40.如权利要求39所述的方法，其中所述建立关联包括执行离散傅立叶变换、具有移位时间窗的短时傅立叶变换或离散小波变换之一。
41.一种用于训练火焰检测系统的人工神经网络(ANN)的方法，包括将多个离散光辐射传感器暴露到多种火焰、非火焰、错误警报和背景状态中来收集包括已知输入向量的训练数据；和使用训练数据训练ANN来开发突触连接权重的工作组。
42.如权利要求41所述的系统，其中所述使用训练数据包括(i)假设突触连接权重的开始组，通过ANN计算前传计算来提供输出信号；(ii)将输出信号与已知目标向量比较来确定输出信号和已知目标向量之间的差值；(iii)通过反向传播(BP)算法传播差值来计算经更新的突触连接权重；(iv)使用经更新的突触连接权重作为到ANN的前传计算的输入；和(v)重复(ii)、(iii)和(iv)，直到已经获得工作组为止。
43.如权利要求41所述的系统，其中所述多个火焰、非火焰、错误警报和背景状态包括一组室内测试状态和一组室外测试状态。
44.如权利要求43所述的系统，其中所述室内测试状态包括关于丁烷火焰和丙烷火焰源的训练，而所述室外测试包括关于室外n-庚烷火焰的训练。
45.如权利要求41所述的系统，其中所述多个火焰、非火焰、错误警报和背景状态包括暴露到用于现场测试的测试灯下。
46.一种火焰检测系统，包括多个离散光辐射传感器；用于联合时间频率信号地预处理来自多个离散光辐射传感器的输出来提供经预处理的信号的装置；和数字信号处理器，用于处理经预处理的信号并提供指示火焰状态的输出。
47.如权利要求46所述的系统，其中火焰状态包括火焰存在、火焰不存在或错误警报之一。
48.如权利要求46所述的系统，其中火焰状态是火焰存在或不存在之一。
49.如权利要求46所述的系统，其中多个光辐射传感器包括离散传感器阵列。
50.如权利要求46所述的系统，其中多个离散光辐射传感器包括4.9um传感器、2.2um传感器、4.3um传感器和4.45um传感器。
51.如权利要求46所述的系统，其中数字信号处理器包括人工神经网络。
52.如权利要求46所述的系统，其中所述预处理装置建立来自离散光传感器的输出的频域和时域之间的关联。
53.如权利要求52所述的系统，其中所述预处理装置适用于执行离散傅立叶变换、具有移位时间窗的短时傅立叶变换或离散小波变换之一。
全文摘要
火焰检测系统包括用于产生多个相应传感器信号的多个传感器。多个传感器包括响应于火焰以及非火焰发射的一组离散光辐射传感器。可以在处理传感器信号时应用人工神经网络，以提供与火焰状态对应的输出。
文档编号G08B17/12GK1989534SQ200580024193
公开日2007年6月27日 申请日期2005年4月22日 优先权日2004年7月20日
发明者加里·D·舒宾斯基, 尚卡·巴利加, 贾维德·J·休赛诺夫, 兹维·博格 申请人:通用监控器股份有限公司