[实用新型]一种多参量火灾探测器

说明书

技术领域

本实用新型涉及传感器技术领域，具体地，涉及一种多参量火灾探测器。

背景技术

各种不同材料燃烧产生的火焰辐射光谱各不相同，火焰的光谱从紫外、可见光到红外波段均有能量辐射，但红外波段辐射的能量比紫外波段大的多，这也是火焰发红的原因。在火焰红外波段内的4.35μm附近能够观察到峰值，这称为CO₂原子团的发光光谱，是火焰特有的性质，并且此波长的辐射能量强度相对较大。

火焰燃烧存在闪烁现象，闪烁时的红外辐射幅值是不同的，大量的实验表明典型的红外辐射幅值在5％～20％之间。火焰的闪烁的物理特性，还表现在辐射强度以1～30Hz的频率波动，这一特性也是本实用新型对火灾信号进行识别处理时的理论依据。

火灾探测包含两层含义：一是针对某一(些)物理特征采用何种探测方法，二是基于该探测方法采用何种算法才能在环境中准确的探测火灾。火灾探测技术是传感技术和火灾探测算法相结合的产物，其实质是将各种火灾参量通过传感器接收转化为容易处理的信号，其中尤以转换为电压信号最为常见，然后通过识别算法判断是否发生火灾。火灾还具有各种参量的频谱特性，初期燃烧时烟的频率集中在0～15MHz范围，温度的频率集中在0～55MHz范围，而出现明火后，火焰的频率为1～12Hz。所以探测火灾各种目标参量的频谱特征并进行信号分析是火灾探测的重要技术手段

在信号处理中数字滤波主要是为了滤除信号中可能存在的干扰，提高信噪比。就是把输入序列通过一定的运算变换成输出序列。其中频域法，即先对输入信号进行傅立叶变换，分析其频谱，然后根据所希望的频率特性进行滤波。时域法，即对离散抽样序列做差分数学运算来达到滤波目的。

模式识别技术是随着现代科学技术的发展，特别是计算机技术的发展而形成的一种模拟人的各种识别能力和方法的技术，属于自动判别和分类的理论，它的目标是要在表示空间和解释空间找到一种映射关系。模式识别的方法有多种，如数据聚类、统计分类、神经网络等，但通常它们都有学习和识别两个过程。模式识别的多种方法中，神经网络模式识别是通过适当的调节权重系数来实现监督下的学习和非监督下的识别工作的，同时，神经网络是一个“模型无关”的机器，表现出非监督条件下分类器的性能，具有能够通过调整使得输出在特征空间中逼近任意目标的优点，对于火灾识别这类无法确定精确模型的问题，使用神经网络来实现模式识别是比较合适的。

在人工神经网络的实际应用中，BP网络广泛应用于函数逼近、模式识别/分类、数据压缩等，80％～90％的人工神经网络模型是采用BP网络或它的变化形式，它也是前馈神经网络的核心，体现了人工神经网络最精华的部分。

数据融合又称作信息融合或多传感器数据融合，其基本原理就像人脑综合处理信息一样，充分利用多个传感器资源，通过对多传感器及其观测信息的合理支配和使用，把多传感器在空间和时间上冗余或互补信息依据某种准则来进行组合，以获得被测对象的一致性解释或描述。其融合原理如下：

(1)N个不同类型的传感器(或者同一复合传感器的不同类型的监测参量)收集观测目标的数据；

(2)对传感器的输出数据(离散的或连续的时间函数数据、输出矢量、成像数据或一个直接的属性说明)进行特征提取的变换，提取代表观测数据的特征矢量Yi；

(3)对特征矢量Yi进行模式识别处理，完成各传感器关于目标的说明；

(4)将各传感器关于目标的说明数据按同一目标进行分组，即关联；

(5)利用融合算法将每一目标各传感器数据进行合成，得到该目标的一致性解释与描述。

在实现本实用新型的过程中，发明人发现现有技术中至少存在可靠性低、适用范围小和使用不方便等缺陷。

实用新型内容

本实用新型的目的在于，针对上述问题，提出一种多参量火灾探测器，以实现可靠性高、适用范围大和使用方便的优点。

为实现上述目的，本实用新型采用的技术方案是：一种多参量火灾探测器，包括外壳，设置在所述外壳顶部外壁的多个太阳能电池板，安装在所述外壳底部外壁的4.4um红外光学透镜系统，以及安装在所述外壳内部的数据采集和通信控制电路、充电电池、4.4um红外传感器、模拟电路板、烟感探测单元，温湿度传感器和照度传感器；所述多个太阳能电池板、4.4um红外光学透镜系统、充电电池、4.4um红外传感器、模拟电路板、烟感探测单元，温湿度传感器和照度传感器，分别与数据采集和通信控制电路连接。