一种分布式模块化机车智能火灾防控系统的制作方法

本发明涉及机车防火技术领域，尤其涉及一种分布式模块化机车智能火灾防控系统。

背景技术：

目前，我国机车装备的车载火灾防控系统虽能一定程度的预防和监控机车火灾，但由于缺少机车领域专门的火灾理论，所以存在易误报、故障率高、适应性不强等问题。

不同的环境会影响机车火灾防控系统对火警的判断，例如：随着海拔高度的变化，机车电气系统和动力系统，特别是内燃机车的柴油机系统的火灾特性都会有很大的差异。温度湿度的差异和机车内部的恶劣环境条件也都会影响火灾防控系统的对火警的识别判断。因此，急需一种能适应机车特殊环境并根据环境的变化调节火警判断有关参数的系统。

技术实现要素：

本发明提供一种分布式模块化机车智能火灾防控系统，以克服上述技术问题。

本发明分布式模块化机车智能火灾防控系统，包括：

服务器、多个车载处理器、多个传感器和多个执行器；

所述车载处理器用于接收所述多个传感器发送的环境参数，所述环境参数包括：温度、烟度、海拔高度、机车速度和红外线参数，根据所述环境参数获得火灾等级；接收所述服务器发送的权重修正值，根据所述权重修正值和当前的环境参数重新计算火灾等级，根据所述火灾等级控制所述执行器；

服务器，用于接收车载处理器发送的所述环境参数和所述火灾等级，将所述环境参数和火灾等级进行存储，并根据所述环境参数、历史环境参数、所述火灾和所述火灾历史数据训练bp神经网络得到所述环境参数对火灾等级的权重修正值，并将所述权重修正值发送至所述车载处理器。

进一步地，所述车载处理器具体用于：

采用线性函数将原始环境参数进行归一化处理，归一化公式如下：

其中xnorm为归一化后的环境参数，xi为原始环境参数，xmax、xmin分别为所述环境参数的最大值和最小值。

进一步地，所述车载服务器具体用于：

采用神经元激发函数为：

计算神经元输出，其中，是j层网络激发函数的输出，xnorm为归一化后的环境参数，其中ωji是j层网络i神经元的权重；

神经网络输出函数为：

计算火灾风险等级，其中，为风险等级。

进一步地，所述服务器具体用于：

采用公式：

计算每个神经元的输出误差，其中e是每个神经元的输出误差，dj为针对不同车辆设定的火灾风险等级；

根据所述输出误差，通过梯度下降法来调整每个神经元的权重值。

进一步地，所述服务器具体用于：

所述采用公式：

计算修正后的每个神经元的权重值，其中η为修正值，根据机车车型而定，为差分运算符。

本发明通过对火灾历史数据训练bp神经网络得到机车环境参数对火灾等级的权重修正值，提高了火灾防控的准确性，更好地保障机车的运行安全性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明分布式模块化机车智能火灾防控系统结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1是本发明分布式模块化机车智能火灾防控系统结构示意图，如图1所示，本实施例的系统可以包括：

服务器101、多个车载处理器102、多个传感器103和多个执行器104；

所述车载处理器用于接收所述多个传感器发送的环境参数，所述环境参数包括：温度、烟度、海拔高度、机车速度和红外线参数，根据所述环境参数获得火灾等级；接收所述服务器发送的权重修正值，根据所述权重修正值和当前的环境参数重新计算火灾等级，根据所述火灾等级控制所述执行器；

服务器，用于接收车载处理器发送的所述环境参数和所述火灾等级，将所述环境参数和火灾等级进行存储，并根据所述环境参数、历史环境参数、所述火灾和所述火灾历史数据训练bp神经网络得到所述环境参数对火灾等级的权重修正值，并将所述权重修正值发送至所述车载处理器。

进一步地，所述车载处理器具体用于：

采用线性函数将原始环境参数进行归一化处理，归一化公式如下：

其中xnorm为归一化后的环境参数，xi为原始环境参数，xmax、xmin分别为所述环境参数的最大值和最小值。

具体而言，本实施例采用线性函数将原始数据线性化转换到[01]范围，归一化处理的环境参数为神经网络输入矩阵，环境参数的矩阵为[x1、x2、x3、x4、x5]，其中x1、x2、x3、x4、x5分别表示温度、烟度、海拔高度、机车速度和红外线参数。

其中，当i＝1,2,5时，环境参数对应为温度、烟度和红外线，本实施例选用的模数转换芯片为12位，温度、烟度和红外线对应的归一化公式为：

当i＝3时，环境参数对应为海拔高度，海波高度对应两种车型：非高原车型和高原车型。非高原车型对应的归一化公式为：

高原车型对应的归一化公式为：

当i＝3时，环境参数对应为机车速度，根据机车速度划分为：普通机车、高速机车、200公里标准动车组和300公里标准动车组。普通机车对应的归一化公式为：

高速机车对应的归一化公式为：

200公里标准动车组对应的归一化公式为：

300公里标准动车组对应的归一化公式为：

举例说明，车型为hxn3的机车，运行的环境参数为：海波高度100米，时速80公里/小时，温度、烟度、红外线参数传感器的模数转换后分别为：4000、3010、4005。该环境参数进行归一化处理为：

x1＝4000/4096＝0.97

x2＝3010/4096＝0.73

x3＝100/2500＝0.04

x4＝80/120＝0.66

x5＝4005/4096＝0.98

进一步地，所述车载服务器具体用于：

采用神经元激发函数为：

计算神经元输出，其中，是j层网络激发函数的输出，xnorm为归一化后的环境参数，其中ωji是j层网络i神经元的权重；

上述环境参数作为公式(9)的输入矩阵[0.97，0.73，0.04，0.66，0.98]。

具体而言，本实施例设计三层人工神经网络算法，权重矩阵，权重矩阵决定网络中各级节点的输出进而影响人工神经网络的最终输出，如下：

采用上述权重计算神经元激发函数的输出值为

[0.9778，0.9835，0.53，0.9533，0.6921]

神经网络输出函数为：

计算火灾风险等级，其中，为风险等级。

将神经元激发函数的输出值作为神经网络输出函数的输入，计算得到矩阵[0.87，0.7654，0.3217，0.2819，0.69]，该矩阵与影响矩阵[0.3，0.2，0.1，0.3，0.1]相乘，得到火灾等级0.87。表1为火灾风险等级为风险等级表，对应该表可以确定当前机车已发生火灾，且传感器即将失灵。

表1

为确保上述火灾等级的准确性。

进一步地，所述服务器具体用于：

采用公式：

计算每个神经元的输出误差，其中e是每个神经元的输出误差，dj为针对不同车辆设定的火灾风险等级；

具体而言，本实施例dj对应的矩阵为[0.765，0.6541，0.2187，0.3819，0.597]，计算得到神经元的输出误差为[0.0012，0.003，0.0021，0.0015，0.00197]。

根据所述输出误差，通过梯度下降法来调整每个神经元的权重值。

进一步地，所述服务器具体用于：

所述采用公式：

计算修正后的每个神经元的权重值，其中η为修正值，根据机车车型而定，为差分运算符。

具体而言，将上述输出误差代入公式(12)，η为修正值，根据机车车型而定，本实施例中内燃机车为η＝0.45，电力机车为η＝0.324，200公里标准动车组为η＝0.142，300公里标准动车组为η＝0.112。得到修正后的权重为

修正后的权重用于计算下一周期的火灾等级。通过对权重值的修正，提高了火灾等级的准确性。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。