【技术实现步骤摘要】
基于BP神经网络的火焰探测器灵敏度设置方法
[0001]本专利技术涉及火焰探测器
，尤其涉及一种基于BP神经网络的火焰探测器灵敏度设置方法。
技术介绍
[0002]在火焰探测器中，热释电红外传感器、紫外传感器先后得到应用，并互相融合。基于热释电的红外传感器(本文记为IR)选择不同的滤光片，就可以检测不同对象信号。红外通道的滤光片一般选择3.8um左右(检测人工热源干扰信号)、5.0um左右(检测背景噪声干扰信号)、2.95um左右(检测氢火焰信号)、4.4um左右(检测传统碳氢火焰信号)；紫外传感器(本文记为UV)输出脉冲信号，脉冲信号密度越大代表信号越强，紫外传感器对于碳氢火焰和氢火焰均有检测效果，缺点是检测距离不如红外传感器。基于以上IR和UV可以组合出不同类型的火焰探测器，如IR碳氢、IR氢、IR\UV碳氢、IR\UV氢、IR4碳氢(4.4um左右选择两个)、IR4碳氢+氢、IR3\UV碳氢、IR3\UV氢、IR4\UV碳氢+氢等。
[0003]然而，传统的基于热释电红外传感器和紫外脉冲传感器开发的火焰探...
【技术保护点】
【技术特征摘要】
1.一种基于BP神经网络的火焰探测器灵敏度设置方法，其特征在于，包括：样本录制，其中，所述样本的种类包括火焰和干扰源，每种样本均在离火焰探测器不同距离、不同角度下组合录制；对录制的样本进行裁剪，得到固定时长的样本集；对所述样本集进行红外特征提取和紫外特征提取，并对提取的红外特征和紫外特征进行合并，得到特征样本集；以所述特征样本集作为第一训练集，训练第一BP神经网络模型；仅使用红外火焰通道特征和紫外特征，对所述特征样本集进行裁剪，将裁剪后的特征样本集作为第二训练集，训练第二BP神经网络模型；基于所述第一BP神经网络模型和第二BP神经网络模型构建火焰探测器，所述火焰探测器被配置为：对紫外传感器和所述红外传感器采集的探测数据进行特征提取；将特征提取的结果输入第一BP神经网络模型，以识别探测目标是否为火焰；如果探测目标为火焰，将特征提取的结果输入第二BP神经网络模型，以对火焰信号大小进行分类；如果火焰信号大小满足设置的灵敏度要求，第二BP神经网络模型输出报火预警，火焰探测器发出火焰报警。2.如权利要求1所述的方法，其特征在于，样本录制，其中，所述样本的种类包括火焰和干扰源，每种样本均在离火焰探测器不同距离、不同角度下组合录制的步骤中，上位机编写GUI，下位机编写相应驱动，最终通过上位机指令开始和结束样本录制，数据通过Modbus从下位机传输到上位机，并在上位机保存成txt或者bin文件。3.如权利要求1所述的方法，其特征在于，对录制的样本进行裁剪，得到固定时长的样本集的步骤中，采样频率为Fs＝128Hz，其中一个需要裁剪的样本为矩阵X4×
1280
，表示4通道数据，时长为秒。4.如权利要求3所述的方法，其特征在于，对所述样本集进行红外特征提取和紫外特征提取，并对提取的红外特征和紫外特征进行合并，得到特征样本集的步骤中，红外特征提取包括：裁剪后的样本集的矩阵为Y4×
256
×
N
，N为裁剪后的样本集的长度，对其中一个样本y4×
256
进行特征提取，前3通道为y
IR，3
×
256
，最后一个通道为y
UV，1
×
256
；红外特征提取采用傅里叶变换，红外1通道y
IR1，1
×
256
的傅里叶变换过程如下：f(k)为傅里叶变换频域值，i为累加角标，j为复数符号，k为频域序列；频域最小分辨率为|f(0)|对应直流分量，|f(1)|对应频域0.5Hz幅值，以此类推；去除直流分量和对称数据，则频域幅值特征数量为128，记为{|f(1)|，|f(2)|，...，|f(128)|}。5.如权利要求4所述的方法，其特征在于，对所述样本集进行红外特征提取和紫外特征提取，并对提取的红外特征和紫外特征进行合并，得到特征样本集的步骤中，紫外特征提取包括：每个离散UV信号表示前内紫外脉冲数量，紫外通道提取脉冲数量f_
UV1...
【专利技术属性】
技术研发人员：章军，杨伟伟，郭晶，曹志兵，俞莉佳，
申请(专利权)人：无锡格林通安全装备有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。