预测温度上升事件专利检索-温度物理专利检索查询-专利查询网

预测 温度上升事件

阅读：55发布：2021-04-06

专利汇可以提供预测温度上升事件专利检索，专利查询，专利分析的服务。并且提供了一种用于预测由环境内的火灾引发的温度上升事件的方法。该方法包括接收由用于感测环境中环境温度的至少一个温度传感器 (6、8)捕获的温度数据，使用经训练机器学习模型(16)来处理在先前时间窗口中至少一个温度传感器捕获的温度数据以确定指示发生的温度上升事件在未来时间窗口中的风险的风险指示，并且根据使用机器学习模型确定的风险指示来输出警告指示。这对于向消防员提供关于诸如闪络事件之类的危险温度上升的超前警告是有用的。，下面是预测温度上升事件专利的具体信息内容。

权利要求

1.一种用于预测由环境内火灾引起的温度上升事件发生的方法，包括：
接收由被配置为感测所述环境内的环境温度的至少一个温度传感器捕获的温度数据；
使用经训练机器学习模型处理在先前时间窗口中由所述至少一个温度传感器捕获的温度数据，以确定指示在所述环境中发生的温度上升事件在未来时间窗口中的风险的风险指示；以及
根据使用所述机器学习模型确定的所述风险指示输出警告指示。
2.根据权利要求1所述的方法，其中，所述温度上升事件包括闪络事件。
3.根据权利要求1和2中任一项所述的方法，包括使用所述经训练机器学习模型来处理在连续滑动时间窗口中捕获的温度数据，以确定针对相应的未来滑动时间窗口的风险指示。
4.根据任一项前述权利要求所述的方法，其中，所述风险指示包括对多个各形态风险等级中的一个风险等级的指示。
5.根据权利要求4所述的方法，其中，所述警告指示在所述风险指示指示所述多个各形态风险等级的预定子集中的一个风险等级时被输出。
6.根据权利要求1-3中任一项所述的方法，其中，所述风险指示包括针对所述未来时间窗口的一个或多个预测温度值。
7.根据权利要求6所述的方法，其中，所述警告指示在针对所述未来时间窗口的所述一个或多个预测温度值中的至少一个预测温度值满足预定条件的情况下被输出。
8.根据权利要求7所述的方法，其中，所述预定条件包括以下各项中的至少一项：
所述一个或多个预测温度值中的至少一个预测温度值超过温度阈值；以及预测温度值关于时间的变化率超过变化率阈值。
9.根据任一项前述权利要求所述的方法，其中，所述经训练机器学习模型包括人工神经网络。
10.根据任一项前述权利要求所述的方法，其中，所述经训练机器学习模型是从与不同类型的环境相关联的多个经训练机器学习模型中选择的。
11.根据任一项前述权利要求所述的方法，包括接收由多个温度传感器捕获的温度数据，这些温度传感器被配置为感测所述环境内不同高度处的环境温度，并使用所述经训练机器学习模型处理来自所述多个传感器的温度数据以确定所述风险指示。
12.根据权利要求11所述的方法，其中，所述温度传感器包括设置在所述环境内的不同高度处的多个温度传感器。
13.根据任一项前述权利要求所述的方法，其中，所述至少一个温度传感器包括至少一个远程温度传感器，该远程温度传感器被配置为感测在远离所述远程温度传感器的位置的位置处的环境温度。
14.根据权利要求13所述的方法，其中，所述远程温度传感器包括红外温度传感器，该红外温度传感器被配置为基于来自所述远程位置对所述红外温度传感器的入射红外辐射来感测所述远程位置处的温度。
15.根据任一项前述权利要求所述的方法，其中，所述至少一个温度传感器包括设置在所述环境内的静态位置处的至少一个静态温度传感器。
16.根据权利要求1-14中任一项所述的方法，其中，所述至少一个温度传感器包括设置在所述环境内的体戴式设备上的至少一个体戴式温度传感器。
17.根据权利要求16所述的方法，其中，所述体戴式设备包括消防员的呼吸装置。
18.根据权利要求16和17中任一项所述的方法，其中，所述体戴式设备包括远程温度传感器，该远程温度传感器被配置为感测在远离所述远程温度传感器的位置的位置处的环境温度；并且所述方法包括：
检测所述体戴式设备的方位处于至少一个预定范围之外时的一个或多个时段；以及将在所述一个或多个时段中由所述远程温度传感器捕获的温度数据排除在用于确定所述风险指示的处理外。
19.根据任一项前述权利要求所述的方法，包括接收由至少一个另外的传感器捕获的传感器数据，该另外的传感器被配置为感测所述周围环境的除温度之外的属性；以及使用所述经训练机器学习模型来处理在前一个时间窗口中由所述至少一个温度传感器捕获的温度数据和由所述至少一个另外的传感器捕获的传感器数据，以确定所述风险指示。
20.根据权利要求19所述的方法，其中，所述至少一个另外的传感器包括以下各项中的至少一项：
气体传感器，被配置为感测所述环境中的一种或多种预定气体的存在；
湿度传感器，被配置为感测所述环境中的湿度；
压力传感器，被配置为感测所述环境中的气压。
21.根据任一项前述权利要求所述的方法，其中，所述警告指示是经由可穿戴设备输出的。
22.根据权利要求21所述的方法，其中，所述可穿戴设备包括以下各项中的至少一项：
腕戴式设备；
体戴式设备；以及
头戴式设备。
23.根据权利要求21和22中任一项所述的方法，其中，所述警告指示包括以下各项中的至少一项：
听觉指示；
视觉指示；以及
振动指示。
24.根据任一项前述权利要求所述的方法，其中，所述警告指示包括发送到远离所述环境的远程命令中心的信号。
25.一种装置，包括处理电路，被配置为执行根据权利要求1至24中任一项所述的方法。
26.一种程序，包括控制数据处理装置执行根据权利要求1至24中任一项所述的方法的指令。
27.一种消防员保护装置，包括：
至少一个温度传感器，被配置为感测所述装置周围环境中的环境温度；以及处理电路，被配置为使用经训练机器学习模型处理在先前时间窗口中由至少一个温度传感器捕获的温度数据，以确定指示在所述环境中发生的温度上升事件在未来时间窗口中的风险的风险指示，并根据使用所述机器学习模型确定的所述风险指示控制警告指示的输出。
28.根据权利要求27所述的消防员保护装置，其中，所述消防员保护装置包括呼吸装置。

说明书全文

预测温度上升事件

技术领域

[0001] 本技术涉及消防领域。更具体地，本发明涉及一种用于预测由火灾引发的温度上升事件的方法、装置和程序。

背景技术

[0002] 安全是消防员在置身于火场时的首要考虑因素。虽然目前消防员的防护服可应对低于约300℃的温度，但是在火灾时的温度可能高于此温度并且可能超过600℃。高于300℃防护服开始炭化，在500至700℃的范围内，火灾附近的任何人都没有幸存的机会。在火灾期间，温度升高的速率可能是高度非线性且不可预测的，特别是在诸如住宅房间或办公空间之类的封闭空间内发生的火灾。由于消防员身着防护服，消防员很难感知到温度升高。在火灾发生时，温度会迅速升高，特别是在称为“闪络”的情况中(当火灾附近的可燃物质自燃时)。已经提出为消防员提供用于感测环境温度的传感器，该传感器在温度上升到超过阈值的情况下可以触发警告。然而，实际中，当温度上升到超过阈值时，消防员几乎没有时间不受伤害地脱身。替代地，可以将阈值设置得更低，但是在这种情况下，可以在实际发生闪络之前的某个时间触发警告，并且这可能使得消防员面临过早地离开火灾现场而降低从火灾中救出其他人的机会的风险。因此，基于阈值的方法可能无法提供对温度上升的适当警告。

发明内容

[0003] 至少一些示例提供了一种用于预测由环境内的火灾引发的温度上升事件的方法，包括：

[0004] 接收由被配置为感测环境内的环境温度的至少一个温度传感器捕获的温度数据；

[0005] 使用经训练机器学习模型来处理在先前时间窗口中由至少一个温度传感器捕获的温度数据，以确定指示在环境中发生的温度上升事件在未来时间窗口中的风险的风险指示；以及

[0006] 根据使用机器学习模型确定的风险指示来输出警告指示。

[0007] 至少一些示例提供了一种装置，包括被配置为执行上述方法的处理电路。

[0008] 至少一些示例提供了包括控制数据处理装置执行上述方法的指令的程序。

[0009] 至少一些示例提供了一种消防员保护装置，包括：

[0010] 至少一个温度传感器，被配置为感测该装置周围环境内的环境温度；

[0011] 处理电路，被配置为使用经训练机器学习模型来处理在先前时间窗口中由至少一个温度传感器捕获的温度数据，以确定指示在环境中发生的温度上升事件在未来时间窗口中的风险的风险指示，并根据使用机器学习模型确定的风险指示控制警告指示的输出。附图说明

[0012] 从以下与附图结合阅读的实施例的描述中，本发明的其他方面、特征和优点将变得显而易见，其中：

[0013] 图1是示出在火灾期间房间内两个不同高度处记录的温度变化的第一示例的曲线图；

[0014] 图2是示出在火灾期间房间内八个不同高度处记录的温度变化的第二示例的曲线图；

[0015] 图3示意性地示出了消防员保护装置和可穿戴设备的示例；

[0016] 图4示出了可以安装消防员保护装置的呼吸装置的示例；

[0017] 图5示出了消防员携带的装置如何能够记录在高于消防员高度的天花板高度处的环境温度的示例；

[0018] 图6示出了基于在滑动过去时间窗口中由温度传感器记录的温度数据来预测滑动未来时间窗口的温度值的示例；

[0019] 图7示出了使用人工神经网络来用于基于先前感测的温度预测火灾期间的未来温度的示例；

[0020] 图8至图15示出了使用经训练人工神经网络预测房间中不同高度处的温度的结果；

[0021] 图16是图示预测温度上升事件发生的方法的流程图；

[0022] 图17是图示使用经训练人工神经网络来预测温度上升事件发生的示例的流程图；

[0023] 图18示出了用于图示训练网络的过程的神经网络的简化示例；

[0024] 图19示出了用于在训练过程中更新权重的反向传播的示例；以及

[0025] 图20示出了当基于仅由单个温度传感器捕获的温度数据来训练模型时的测试结果。

具体实施方式

[0026] 提供了一种用于预测由环境内的火灾引起的温度上升事件发生的方法。该方法包括接收由被配置为感测环境内的环境温度的至少一个温度传感器捕获的温度数据，使用经训练机器学习模型来处理在先前时间窗口中由传感器捕获的温度数据以确定指示在环境中发生的温度上升事件在未来时间窗口中的风险的风险指示，并且根据使用机器学习模型确定的风险指示来输出警告指示。

[0027] 因此，机器学习模型可被训练(例如，基于在以前发生的火灾中测得的温度数据)以识别先前温度测量的模式，该模式指示在未来的时间窗口中存在温度上升事件发生的风险。基于机器学习模型识别出的风险，可以随后输出警告，例如，信号告知消防员应该离开火灾环境以保证他们自身的生命安全。通过使用基于来自先前时间窗口的温度传感器数据训练机器学习模型来预测未来温度上升的风险，可以提供对温度上升事件的更强的超前警告。

[0028] 预测的温度上升事件可以是要检测的温度上升的任何期望模式，例如温度是否达到给定温度阈值、或温度上升的变化率是否大于给定量、或某一其他关注条件。然而，在预测的温度上升事件包括闪络事件的情况下，本技术特别有用。闪络是火灾时环境中可燃物质因为房间内的空气温度超过了这些材料的自燃温度而自燃的现象。闪络会对消防员的安全构成重大威胁，因为这可能导致温度突然升高超过消防员所穿安全服所能承受的最高温度，因此，为了确保消防员的安全提供对闪络事件发生的预警是有价值的。

[0029] 使用经训练机器学习模型来基于传感器捕获的温度数据进行的处理可以随时间基于不同窗口的传感器数据重复，以提供对温度上升事件发生的风险的持续更新。因此，可以向经训练机器学习模型提供在连续的滑动时间窗口中捕获的温度数据，并处理每个窗口的温度数据以确定针对相应的未来滑动时间窗口的风险指示。例如，可以以特定刷新率捕获温度值，并且可以将最近的J个值输入到机器学习模型，该机器学习模型可以预测针对对应于随后的特定数目K的温度测量的未来滑动时间窗口的风险指示。机器学习模型对单个窗口的传感器数据的处理可以在传感器数据的一个刷新周期内完成，使得每次接收到新的传感器数据时，该处理都准备好对该新的传感器数据进行处理。风险指示通过这种方式被重复更新，并且如果确定在未来时间窗口中存在温度上升事件出现的实足风险，则输出警告指示。

[0030] 在一些情况下，风险指示可以包括对多个或各形态风险等级中的一个风险等级的指示，例如，温度上升事件的风险是否被视为低、中或高。因此，在一些示例中，风险指示可以仅仅是对风险的定性评估。在这种情况下，当风险指示指示各形态风险等级的预定子集中的一个风险等级时(例如，若风险被视为高)，可以输出警告指示。这仍能够向消防员提供足够的警告。

[0031] 替代地，风险指示可以是更定量的指示，例如温度上升事件发生的概率。

[0032] 然而，风险指示包括针对未来时间窗预测的一个或多个预测温度值可以是特别有用的。因此，经训练机器学习模型可以基于先前针对先前时间窗口监测的温度数据来预测预计在将来出现的实际温度值，而不仅仅是风险的指示。预测实际温度值可能是有用的，因为这允许确定除风险指示之外的附加信息，例如，可以预测距离温度上升事件发生的预计时间。

[0033] 当通过模型预测未来温度值时，该方法可以包括：确定预测温度值是否满足预定条件，并且如果满足预定条件则输出警告指示。例如，预定条件可以是预测温度值是否包括超过温度阈值(例如，500℃)的至少一个值，或预测温度值关于时间的变化率是否超过变化率阈值。

[0034] 可以使用各种类型的机器学习模型来预测温度上升事件的风险。例如，经训练机器学习模型可以是监督机器学习模型(例如人工神经网络(ANN)、隐马尔可夫模型(HMM)、或支持向量机)或无监督机器学习模型(例如聚类模型(KNN)或随机森林算法)。可以通过提供包括在受监测的火灾期间由传感器记录的一系列温度数据的训练数据来训练模型。

[0035] 例如，在训练阶段(预先执行，而不是火灾现场使用该方法)，可以选择初始模型参数(例如权重或系数，用于组合输入传感器数据以计算风险指示)，并且可以使用迭代方法来基于训练数据来细化模型参数。在每次迭代中，训练数据可以被划分到各个窗口中，并且可以使用由当前模型参数定义的模型来处理每个窗口的训练数据，以预测针对相应的后续时间窗口的风险指示(定性风险等级或未来温度值)。然后可以将针对每个窗口预测的风险指示与根据相应的后续窗口中的之后捕获的温度值评估的实际风险(或未来的温度值本身)进行比较，以计算误差。可以从针对每个窗口的训练数据计算的误差导出迭代的总误差分值(例如，通过对每个窗口的误差求平均)。然后可以调整模型参数并执行另一次迭代以查看误差分值是增加还是减少。然后可以对用于稍后迭代的模型参数进行(例如，使用梯度下降算法或其他优化算法)后续调整，以使得倾向于导致误差分值减小，并且迭代该过程直到误差分值小于给定阈值(例如，可能需要小于0.7％的预测误差)。此时，用于最终迭代的模型参数被保存为该技术随后于现场中使用时要使用的模型参数。因此，待被标识用于评估风险指示的模式可以通过监督或无监督机器学习方法自动学习，而不是由人类设计者预先定义。

[0036] 虽然可以使用许多类型的机器学习模型，但是使用人工神经网络作为经训练机器学习模型尤其有用，因为即使输入数据中存在噪声，人工神经网络也能够更好地综合预测(例如忽略异常值)，从而能够做出可以更好估计风险的分级预测。

[0037] 在某些情况下，相同的经训练机器学习模型可用于所有环境类型中的火灾。然而，不同类型的环境可能具有不同的特征，例如，在火灾期间温度上升的不同模式或速率。例如，室内环境中的火灾可能与船舶或潜水艇中金属隔间内的火灾表现不同，这是因为这些环境中材料或空间大小是不同的。为了对正在处理的环境类型提供更准确的预测，可以从与不同类型的环境相关联的多个模型中选择经训练机器学习模型。该多个模型可以是不同类型的(例如，一个为HMM和一个为ANN)，或者可以是相同类型的(例如，ANN)但具有基于在各种类型的环境中捕获的不同训练数据学习的不同的模型参数。可以基于预先为给定设备(例如，给定设备可被指定为分别使用于室内或船舶环境中，但是如果被重新分配给不同的环境，则可以通过更新配置数据来切换)静态地存储的配置数据集来在候选模型之间进行选择。替代地，可以基于用户输入进行该选择。例如，当消防员(或管理救援作业的操纵员)在场时，可以按下按钮或提供指定现场环境的类型的输入(可以从远离消防员持有的设备的远程设备发送)。另一种选项是根据自动检测(例如，基于用于基于指示环境类型的摄像机图像属性的图像识别或机器视觉，或者基于GPS或可以允许检测消防员是在陆地上还是在船舶上的其他位置传感器进行检测)的环境类型提供对要使用的模型的动态选择。

[0038] 然而，在许多情况下，单个经训练机器学习模型可能就足够了，特别是在消防员通常预计参与的某种最常见类型的火灾的情况下。因此，一些实施例可以针对所有状况使用单个训练模型。

[0039] 用于收集用于输入至机器学习模型的温度数据的一个或多个温度传感器可以以不同方式来实现。在一些情况下，可以使用设置在火灾环境内的静态位置的至少一个静态温度传感器。例如，这对某些环境是有用的，例如商业建筑(例如，办公室)、公共建筑(例如，图书馆或博物馆)或工业建筑(例如，工厂)可以在不同位置处安装一个或多个温度传感器，这些传感器在火灾事件时可以提供温度数据以供消防部门使用来预测未来是否可能发生温度上升事件。

[0040] 然而，消防员通常参与的是在没有增设这种温度传感器的环境中发生的火灾。例如，家庭住宅相对不太可能安装这种温度传感器。因此，在该环境中使用设置在体戴式设备上的至少一个体戴式温度传感器是有用的。因此，消防员可以身着体戴式装置以将他们自己的温度传感器携带到火灾环境中，该温度传感器收集要被输入到经训练机器学习模型中用以评估温度上升事件发生的风险的温度数据。例如，体戴式设备可以包括消防员所穿的衣服、消防员所戴的头盔或防护面具、或者可以物理地附接到消防员的任何其他设备或物品，以便随参与消防的消防员一起移动。然而，尤其有用的是，将温度传感器安装在消防员使用的呼吸装置上。通常，消防员进入燃烧中的建筑物时可携带氧气供应，以允许他们在含有潜在有毒烟雾和低氧水平的环境中呼吸。将温度传感器安装在呼吸装置上确保温度传感器不会被落下(因为消防员通常会携带呼吸装置)，并且呼吸装置通常还提供可供安装传感器的区域，这不太可能阻碍消防员行进。

[0041] 有用的是，提供至少一个温度传感器用于感测环境中高于预计消防员所处的位置的更高位置处的环境温度，例如在天花板高度处或高于消防员高度的另一高度处。这是因为当房间内发生火灾时，在火灾开始时的火灾初始阶段期间，来自燃烧物体(例如家具或垃圾桶)的热气体和烟雾积聚在房间的顶部。随着火势的进展，更多气体被释放，因此上方的热气体与下方的较冷的空气之间的边界(称为“中性面”)逐渐朝地板下降。因此，在给定高度处，当中性面通过时，温度随时间趋于增加，并且在较高处记录的温度比在较低处记录的温度更早地趋于增加。因此，通过提供用于感测环境中相对高处(例如在房间的天花板附近)的温度的传感器，经训练机器学习模型能够对在更低处(例如消防员的肩高处)的温度上升状况提供更超前的警告。

[0042] 可以通过多种方式进行天花板温度测量。在静态传感器预先设置在火灾环境中的情况下，传感器可以简单地设置在所需高度处。例如，可以使用热电偶或用于感测传感器本身的紧邻地带中的温度的其他类型的“近程”型温度传感器。替代地，可以使用物理上位于较低高度处(例如在消防员的身体上)的温度传感器来感测天花板高度处的温度。这可以使用能够感测远离温度传感器本身的位置处的环境温度的远程温度传感器来完成。例如，远程温度传感器可以包括基于从远程位置处至传感器的入射红外辐射来感测温度的红外温度传感器。所有物体放射的电磁辐射(称为黑体辐射)，其强度和波长分布取决于物体的温度。红外温度传感器可以具有用于将来自给定区域的红外辐射聚焦到传感器上的光学器件，并且可以从检测到的红外辐射的强度和/或波长推导出该区域的温度。因此，对于体戴式传感器的情况，至少一个温度传感器包括至少一个红外温度传感器或其他远程温度传感器是特别有用的，以允许测量高于消防员位置处的温度。在红外传感器的情况下，传感器在体戴式设备上安装的方位应使得传感器在使用时指向上方。

[0043] 在一些实施例中，机器学习模型可基于来自在一些实施例中的单个温度传感器的温度数据来确定风险指示。如果单个传感器感测天花板高度处的温度，则该方法会特别有效，因为天花板温度可以为消防员高度处的温度上升预测提供更长的提前时间。

[0044] 然而，当多个温度传感器被提供用于感测环境内不同高度处的环境温度时，可以改进预测的准确度和提前时间。这允许模型使用不同高度处的温度上升之间的相关性来识别可能指示温度上升事件的风险的模式。例如，消防员高度处的温度上升往往滞后于较高处的温度上升，因此相比由单个传感器进行的感测，考虑不同高度处的多个传感器能够提高预测的稳健性并降低对噪声的敏感度。同样地，存在其中温度传感器可布置以检测不同高度处的温度的不同的方式。在静态情况下，温度传感器可以简单地设置在增设有设备的环境中。在体戴式情况下，消防员可以携带具有多个近程温度传感器的设备，当设备被佩戴时，多个近程温度传感器在不同的垂直水平处彼此间隔开。例如，消防员可以携带某种框架或支架，该框架或支架具有向上延伸以承载用于感测更高处的温度的温度传感器的部分。然而，这在某些情况下会限制消防员的移动，因此对消防员而言，提供具有用于感测消防员高度处的温度的至少一个近程传感器(例如热电偶)以及感测较高位置处的温度但位于消防员高度处的至少一个远程传感器的设备，可能不会构成太严重的干扰。这允许实现更紧凑的设备。

[0045] 在体戴式设备包括至少一个远程温度传感器的情况下，由远程温度传感器感测到的温度的位置可与消防员在穿过建筑物移动时的方位有关。例如，红外传感器可具有有限的视野，并且如果消防员必须倾身或沿着地面爬行，则传感器的视野不再指向上方。为了解决这一问题，该方法可以包括检测体戴式设备的方位超出至少一个预定范围的时段，并且将在这些时段中由远程温度传感器捕获的温度数据排除在用于确定风险指示的处理外。例如，诸如加速度计、磁力计或陀螺仪之类的一个或多个惯性传感器可用于感测承载远程温度传感器的设备的方位。可接受方位的范围可以是例如远程温度传感器应指向离垂直方向的特定阈值(例如，20度)内，并且当体戴式设备的方位使得远程温度传感器指向比这个阈值更水平时，则可以排除这样的温度数据。

[0046] 在方位超出范围的时段中，排除来自远程温度传感器的温度数据可能导致不对这些时段进行预测。替代地，仍然可以通过用虚拟数据(例如，在当方位在允许范围内时的有效时段中测得的温度)或者使用先前从监测数据导出的内插数据代替远程温度传感器的温度数据来进行预测。而且，如上所述，一些实施例可能已经使用机器学习模型本身预测了未来温度值，因此在这种情况下，来自模型的先前预测的未来温度值可以代替在方位位于范围之外的时段期间在相应的时序位置处获得的传感器数据。这使得即使在消防员的方位使远程温度传感器数据不可靠的时段期间也能够继续进行预测。在实际中，消防员很可能在相对较短的时段后返回直立位置，因此使用预测值而不是实际温度值的短时段并不会明显降低模型预测的准确性。

[0047] 温度传感器不一定是用作对机器学习模型的输入的唯一类型的传感器。该模型还可以使用由被布置为感测周围环境的除温度之外的属性的另外的至少一个传感器捕获的传感器数据。经训练机器学习模型可以将该另外的传感器数据与温度传感器数据结合使用，以确定指示温度上升事件发生的风险的风险指示。例如，另外的传感器可以是用于感测环境中一种或多种预定气体(例如，可能会在火灾期间生成的一氧化碳、二氧化硫、氮氧化物、或氯)的存在的气体传感器、用于感测环境中的湿度的湿度传感器、和/或用于感测环境中的气压的压力传感器。可以提供这些类型的另外的传感器中的一者或多者的任何组合。通过提供与火灾发生有关的附加信息，可以通过将温度变化与被监测环境中其他因素的变化相关联来进行更准确的预测。同样，另外的传感器可以是静态传感器或由消防员携带的体戴式传感器。

[0048] 可以以不同方式生成用于在可能发生温度上升事件时警告消防员的警告指示。例如，警告可以是可以让消防员意识到风险的听觉指示(例如，警报声或其他噪声)、诸如闪光灯或呈现有警告图像或文本的显示器的视觉指示、和/或诸如消防员穿戴的设备上的嗡嗡声动作之类的振动指示。通常，可以使用向消防员进行信号告知存在即将升温的风险的任何方式。经由可与承载温度传感器的设备或用于运行机器学习模型的处理电路的设备不同的可穿戴设备输出警告指示是特别有用的。例如，该可穿戴设备可以是腕戴式设备(例如手表或手镯)、体戴式设备(例如马甲、徽章或衣物)、或者头戴式设备(例如帽子、头盔、面罩或平视显示器)。可穿戴设备可以通过可以是有线或无线的任何已知技术与承载传感和处理电路的设备通信。然而，无线通信是优选的，以减少对消防员移动的限制。例如，可以使用或其他无线通信协议。

[0049] 除了警告消防员之外，警告指示还可以包括发送到远离火灾环境本身的远程命令中心的信号。这可以向作业操纵员或监视救援操作的其他方提供警告，以在他们的消防员可能处于潜在危险时发出信号。因此，消防员携带的设备可以具有更长距离的通信能力，例如经由蜂窝网络与远程指挥中心通信的蜂窝无线电发射器。

[0050] 装置可以具有用于执行上述方法的处理电路。例如，该装置可以具有包括专用硬件(例如现场可编程门阵列)或运行软件的通用处理硬件的处理电路，用于实现经训练机器学习模型。该装置不需要包括温度传感器本身。例如，在建筑物安装有静态传感器的情况下，提供使用机器学习模型处理传感器数据的装置可以是中央处理器或服务器，其接收由外部传感器捕获的传感器数据并向消防员返回指示风险指示的信号或向消防员触发警告的信号。

[0051] 可以提供一种计算机程序，包括用于控制数据处理装置执行接收温度传感器数据、使用经训练机器学习模型来评估风险、并输出警告指示(其可以简单地是到由消防员携带的另一设备的信号)的方法的指令。该程序可以存储在可以是暂态的或非暂态的记录介质上。

[0052] 在其他示例中，可以提供消防员保护装置，其旨在由消防员携带于火灾现场中。消防员保护装置可包括：至少一个温度传感器，用于感测装置的环境内的环境温度；以及处理电路，用于运行经训练机器学习模型、使用该模型和来自至少一个温度传感器的传感器数据来确定风险指示、并根据风险指示控制警告指示的输出。这种类型的设备可以更普遍地适用于任何类型的火灾，因为当消防员进入火灾地点时，消防员可以携带他们自己的温度感测和温度上升预测功能。尽管可以提供一种收集温度传感器数据并将其输出到单独的服务器或其他中央处理器以使用机器学习模型计算风险的装置，通过在消防员保护装置本身上提供这样的功能，降低了对消防员的威胁，因为即使消防员与中心位置之间的通信发生故障，消防员仍然有本地处理电路来计算风险指示并提供警告。

[0053] 消防员保护装置可以是由消防员携带的任何设备，但是作为呼吸装置或适于附接到呼吸装置的模块是特别有用的。例如，可以提供用于附接到现有呼吸装置的模块，该模块具有包括一个或多个温度传感器和用于运行经训练学习机模型的处理电路(例如微处理器或其他芯片)的封闭模块。替代地，可以提供包括呼吸装置硬件和至少一个温度传感器以及用于运行模型的处理电路的集成产品。

[0054] 图1是示出在餐厅火灾期间随时间记录的温度的图表。线A示出在天花板高度附近(在本示例中为地面上方7.42英尺处)记录的温度，线B示出在普通消防员肩高处(在本示例中为高于地面5.50英尺处)记录的温度。图2示出了起居室中另一场火灾的相应数据。两次火灾的数据是根据美国国家标准与技术研究院(NIST)的研究得到的。除了7.42英尺和5.50英尺传感器的数据外，图2还示出了针对在起居室中高度为6.5、4.5、3.5、2.5、1.5和0.5英尺的其他传感器记录的温度变化。虽然为了使7.42英尺和5.5英尺数据之间的比较更清晰未在图1中示出，但针对餐厅火灾的NIST数据集以与图2相对应的方式还包括在6.5、4.5、3.5、2.5、1.5和0.5英尺处记录的传感器数据。从图2中可以看出，相比较在较低的高度处，在较高的高度处更早发生温度上升，并且对于给定温度(例如，300℃温度升高)，上部的传感器首先触及该温度，之后随中性面的下降逐渐降低温度。

[0055] 基于NIST数据，在室内火灾中可以注意到以下特征：

[0056] 1.在餐厅中，当在接近天花板高度(7.42英尺)处记录到温度201℃时，对应于肩高(5.50英尺)的温度是46℃。

[0057] 2.肩高温度传感器需要大约24秒才能报告升至206℃。

[0058] 3.到这时(阶段2)，天花板温度已经到了310℃，将在约12秒内增加到494℃，由此表示闪络情况。

[0059] 另一方面，图2中所示的起居室测试示出了以下特征：

[0060] 1.当肩高温度为163℃时，天花板高度处的室内天花板温度记录在202℃。

[0061] 2.在约21秒内，肩高温度升至211℃。

[0062] 3.在此阶段，天花板值被记录为302℃，与餐厅火灾行为类似，将在约36秒内增加到502℃，由此表示闪络情况。

[0063] 尽管在两种情况下天花板温度读数升至500℃以上所花费的时间不同，但如果结合肩高温度行为监测天花板温度的变化率，则可以预测闪络状况。

[0064] 图3示出了用于预先警告消防员的温度上升状况的消防员保护装置2的示例。装置2包括用于执行数据处理的处理电路4、多个温度传感器(在该示例中包括红外温度传感器
6，其是用于感测远离装置2自身位置处的温度的远程温度传感器的示例)、以及热电偶8(其是用于检测装置2附近的温度的近程温度传感器的示例)。虽然图3示出了具有两个温度传感器的示例，但是其他示例可以仅具有温度传感器6、8中的一者，或者可以具有包括所示类型中的一种或两种都包括的三个或更多个传感器。可选地，装置2可包括至少一个另外的传感器10，例如气体传感器、湿度传感器或压力传感器。处理电路4执行存储在数据存储电路
14(例如，诸如闪存或DRAM之类的存储器)中的程序代码12。程序代码12可以定义用于处理传感器数据并确定是否向消防员发布警告的算法。程序代码12可以实现机器学习模型，该机器学习模型可以基于来自传感器6、8、10的传感器数据来计算温度上升发生的估计风险。
该模型使用在训练阶段期间基于在观察中的实际火灾中记录的相应传感器数据确定的经训练模型系数16或权重来被定义。该模型将在下面更详细地讨论。数据存储装置14还可以存储来自传感器6、8、10的原始传感器数据18，和/或可以存储由经训练模型预测的针对未来时间的预测温度数据20。装置2还具有方位传感器22，用于检测装置2相对于某个参考点的方位选项。例如，方位传感器22可包括一个或多个惯性传感器，例如加速计、陀螺仪或磁力计。

[0065] 装置2还具有用于与其他设备通信的通信电路24、26，包括远程通信电路24(例如用于经由蜂窝网络进行通信的无线电发射器)，用于与远程服务器或由业务指挥员使用的其他设备通信来控制或监督多个消防员处理火灾。远程通信可经由网状网络来进行。而且，短程通信电路26可以被提供用于与消防员持有的其他设备(例如相机(图3中未示出或可由消防员穿戴的可穿戴设备30))本地通信。例如，短程通信26可以经由蓝牙、Wifi、Zigbee或任何其他类型的协议来进行相对短距离的通信。

[0066] 虽然图3示出了在处理电路4和传感器6、8、10、22之间使用有线连接的示例，但是在其他示例中，传感器6、8、10、22中的至少一者可以经由无线通信将其传感器数据通传到处理电路4。因此，在这种情况下，短程通信电路26还可用于从无线连接的传感器接收传感器数据。

[0067] 可穿戴设备30可以例如是消防员佩戴的手表、手镯或腕带、衣物、头盔或面罩或平视显示器，并且可被用于向消防员提供反馈。当运行在处理电路4上的机器学习模型预测存在温度上升事件发生的风险时，由短程通信电路26向可穿戴设备30发送信号，这触发可穿戴设备30输出警告。例如，可穿戴设备可以包括用于向消防员呈现文本或图像的显示器32、用于点亮或闪烁以提供警告的LED 34或其他警告灯、用于提供声音警告的扬声器36、或者用于向消防员提供可由消防员感觉到的触觉警报的振动元件38(例如蜂鸣器或压电元件)。设备30还包括用于与消防员保护装置2中的短程通信电路26通信的通信电路40以及用于处理由通信电路40接收到的信号并相应地控制输出设备32至38的操作的处理电路42。应当理解，可穿戴设备30的特定实施方式不需要具有所有这些元件32、34、36、38。例如，手镯可以设置有LED 34和振动元件38，但是可以没有扬声器，而耳机可以设置有平视显示器32和扬声器36，但是没有LED或振动元件。因此，向佩戴者提供的特定形式的警报可以取决于可穿戴设备的类型。此外，一些实施方式可以使用两种或更多种类型的可穿戴设备的组合(例如，耳机和腕表两者)。

[0068] 一个特别有用的示例可以是提供要在消防员的防护服里面佩戴的手镯(其使用可由消防员感觉到的振动元件38提供警告)以及要在防护服外面佩戴的智能手表或其他腕带式设备(包括用于向消防员显示警告指示和可选的其他信息的显示器32)。提供内置手镯增加了消防员快速感知警告的可能性，因为它不需要消防员看智能手表，但是提供额外的手表允许提供另外的信息，例如对监测温度的指示、估计距离闪络的时间、检测到的风险程度等。

[0069] 虽然图3示出了具有用于向消防员提供警告的独立的可穿戴设备30的示例，但是在其他示例中，可穿戴设备30的一些或全部功能可以与消防员保护装置2集成。例如，装置2本身可以具有用于输出声音警告的扬声器。

[0070] 图4示出了消防员保护装置2的一个示例实施方式。消防员保护装置2可包括模块(例如匣子或外壳)，其可安装在由消防员佩戴的呼吸装置50上。呼吸装置可包括用于容纳由消防员呼吸的氧气或空气的气罐52、用于控制从罐52向消防员供应空气或氧气的阀门或其他控制装置54、向可以由消防员佩戴的面罩58提供空气的管56、和用于将呼吸装置50附接到消防员背部的配线60。如图4中所示，有用的是，可将消防员保护装置2尽可能高地安装在呼吸装置50上，以便减少来自电路24、26的通信被消防员的身体阻挡的程度。然而，如果需要，消防员保护装置2可以安装得更低。在一些情况下，可单独提供消防员保护装置2并且之后将其安装到现有的呼吸装置。替代地，消防员保护装置2可以完全作为单个产品与呼吸装置50集成。

[0071] 在一个特定实施例中，处理电路4可以包括在嵌入式“模块上系统”(SOM)上运行的芯片组，其本质上是紧凑型独立计算机。SOM安装在印刷电路板上、在坚固的外壳2内部，该外壳还将采用各种传感器输入来收集和处理SOM上的数据。呼吸装置组上的核心硬件还提供经由无线和蜂窝网络的连接，以允许信息(包括例如GPS导出的位置)从呼吸装置设置模块2被发送。较短程无线网络通信用于与呼吸装置设置模块2附近的独立的设备(例如，用于提供视频数据的头盔式相机、或配对的蓝牙设备(例如智能手表))通信，以向个人消防员提供本地信息反馈。较远程蜂窝通信可以通过公共和私有蜂窝网络来进行，以提供到基于云的服务器的空载传输(back haul)。该服务器可以由单独设备(例如，平板电脑)上的事故指挥员访问，以查看从他/她的每一个消防员生成的信息。该软件可以使用运行实现机器学习模型的应用程序的商业现成操作系统(例如， )，这些应用程序可以用诸如Java之类的编程语言来编写。SOM从紧凑型、非接触式、红外传感器获取输入数据，该传感器头部中还有局部热电偶。传感器可以例如是由德国米铱(micro-epsilon)提供的商用现成CT-SF22-C3传感器。非接触式红外传感器包括耦合到提供对被加热物体的聚焦的一组光学器件的热电堆。传感器被垂直安装以测量消防员上方(即大多数建筑环境中的天花板)的温度，以及进行肩高处的热电偶测量。温度数据被馈送到人工神经网络，该人工神经网络已根据来自国家标准与技术研究所(NIST)的基于房屋火灾实验的综合时间序列数据集进行了训练。该实验测得房间内不同高度处的温度和热通量随着闪络势态进展的发展。先前描述的人工神经网络已被训练来采样数据并预测温度上升速率，并且已成功地在闪络状况发生前27秒进行了预测。可以经由配对设备(例如智能手表)将本地温度和警告传达给消防员；温度作为直接数值给出，而警告指示可以基于与闪络状况的进展有关的许多不同类别进行颜色编码(例如绿色到红色)。此数据也可以通过远程通信返回到云服务器，以便为即时指挥员提供此信息。

[0072] 图5示出了室内火灾中消防员携带的设备如何用于监控房间内多个垂直高度处的温度的示例。消防员保护装置2内的热电偶8可测量装置2自身的高度(即肩高)处的温度Tth，且红外温度传感器6可向上指向并基于在某一视野70内检测到的红外辐射来测量温度TIR。例如，视野70可以覆盖相对小的区域，例如直径为几毫米或厘米的光斑尺寸。因此，红外传感器6的方位可能很重要，因为如果消防员倾身到很大程度(例如当爬行或躲避以避开障碍物时)，红外传感器则可能不再向上指向天花板而是可能会测量在较低位置处(例如在墙壁上)的温度。为了防止影响模型预测的这种不准确的读数，方位传感器22可以用于排除红外温度传感器6当方位不总是处于对应于传感器的向上方向的特定范围时捕获的传感器读数。针对这样的范围确定的确切角度将取决于所使用的实施方式，例如，取决于方位传感器使用的参考点和方位传感器22和红外温度传感器6安装在消防员保护装置2上的相对角度方位。

[0073] 应当理解，图5示出了可以使用的可能的传感器的一个示例布置，但是也可以使用其他布置。在另一示例中，一个热电偶可以安装在消防员的头盔上，而第二个热电偶可以安装在下方，例如，在肩高或腰高处。安装在消防员身体上不同高度处的多个热电偶的组合已经过了测试，并且发现其为机器学习模型提供了足够的预测能力。因此，不必提供远程(红外)传感器或记录天花板高度温度数据。

[0074] 如图6中所示，训练模型可以用于基于分别由红外传感器6和热电偶8捕获的温度传感器数据的相应滑动过去窗口来重复预测针对滑动未来时间窗口的未来温度。在该示例中，预测的温度值是预测将由红外传感器6在天花板高度处感测的值，因为这可以给出对温度上升事件的更早的警告，但预测的温度值也可以使用该模型来预测将改为由热电偶8感测到的温度或使用该模型来预测多个高度处的温度。通常，随着火灾温度的升高，红外传感器6将检测到比热电偶8更高的温度，因为较热的气体积聚在天花板高度处。在给定时刻t0，用于经训练模型的输入数据包括来自两个传感器6、8中的每一者的过去的N个测量值，在该示例中N＝5，并因此输入数据包括由热电偶8在时间t-4到t0(其中t0是最近捕获的时间)分别捕获的值Tth-4到Tth0以及在时间t-4到t0捕获的值TIR-4到TIR0。该模型处理这些输入以计算针对未来时间窗口的P个预测值，在该示例中P＝10，因此预测值包括分别对应于未来时间t-1到t10的温度T1至T10。

[0075] 基于预测的未来窗口的温度值，处理电路4可以确定这些值中是否有任何值满足用于触发警告指示的给定条件。例如，处理电路4可以确定任何预测温度值是否超过给定阈值(例如，用于检测闪络事件的500℃)或者预测温度值的变化率是否超过给定阈值。如果满足触发条件，则通过处理电路4控制短程通信电路26向可穿戴设备30信号告知合适的控制值来将警告信号发送至可穿戴设备30。

[0076] 随着时间的推移，滑动过去和未来窗口会随着接收到更多温度数据而及时移动。例如，在图6中所示的计算之后，在时间t1接收到另外的温度传感器数据，因此下一滑动过去时间窗口将对应于在时间t-4到t0中捕获的温度值，以及针对其进行预测的下一未来时间窗口将对应于时间t1到t11。因此，计算被重复多次以获得每个连续窗口的传感器数据，以提供对温度上升事件风险的持续预测。

[0077] 图7示出了可以用作机器学习模型的人工神经网络的示例。应当理解，图7中的示图仅仅是由人工神经网络执行的处理的示意图。实际中，网络可以用执行一系列计算以计算网络的每个节点的值的软件来实现。

[0078] 神经网络包括包含多个节点102的输入层100。在滑动过去时间窗口期间由各个传感器8、6捕获的温度值Tth-4到Tth0和TIR-4到TIR0中的每一者都被输入到输入层100的节点102中相应的一个节点。如果在装置2中设置另外的(非温度)传感器10，则可以提供另外的节点用于从该另外的传感器10接收传感器数据。输入层100还可以具有接收独立于捕获的传感器数据的常数值b(常数值b可以是在训练阶段期间学习的参数之一)的一个或多个附加节点103。

[0079] 该网络还包括至少一个节点106的隐藏层104。在每个隐藏层104中，每个节点106接收由前一层的每个节点102表示的值。在该特定示例中，仅存在一个隐藏层104，因此每个节点106接收在输入层100的每个节点102处输入的值，但是如果提供了多个隐藏层104，则第一隐藏层将从输入层100的节点接收值，随后的隐藏层104将接收由前一隐藏层的节点106输出的值。隐藏层104的每个节点106输出作为该节点的所有输入的函数获得的值f(x0,x1,xN,w0,w1,wN)以及在训练阶段期间学习的相应权重集w。可以为隐藏层104的每个节点定义单独的权重集，并且对于隐藏层的给定节点106，可以为每个输入x定义单独的权重。要使用的权重可以由数据存储库14中存储的模型系数16来定义。该存储的模型系数16还可以指定定义要使用的特定函数的其他参数。

[0080] 例如，隐藏层104的给定节点106的输出可以根据以下等式来确定：

[0081] f(x0…xN，W0…WN)＝σ(t) (1)

[0082] 其中，t是到该节点的输入的加权和：

[0083]

[0084] 并且σ(t)是用作激活函数的sigma函数，用于控制隐藏层104的每个节点106影响最终预测的相对程度：

[0085]

[0086] β是在模型系数16中定义的斜率参数。斜率参数β对于所有节点可以是相同的，或者可以是不同的并且作为训练阶段的一部分针对每个节点进行学习。应当理解，可以使用其他激活函数来控制输入的权重和对输出的影响程度，但sigma函数是特别有用的，因为其导数易于计算，这使得用于更新权重w的一些训练算法更容易实现。应当理解，上面的等式1至3仅是用于确定每个节点的输出的可能函数的一个示例。

[0087] 人工网络的最后一层是包括多个节点110的输出层108，其输出表示预测温度值T1到T10。对于隐藏层104，每个输出节点110接收针对前一层106的每个节点106计算的值，并例如根据上面所示的等式1至3将其输出计算为其输入x和权重w的函数。

[0088] 为了训练网络，在真实环境中的火灾期间测得的温度传感器数据(例如上面提到的NIST数据)被划分到时间窗口中。选择初始权重集w和其他模型参数(例如上面提到的常数b或斜率参数)，并且将每个窗口的训练数据输入到网络并使用当前模型参数进行处理以预测未来温度，如图5中所示的假定方式，该模型最初假定一些默认权重。然后，网络在输出层112处预测针对未来时间窗口的值，并且将这些值与在实际火灾期间观察到的实际温度值进行比较，并且计算预测温度值和实际温度值之间的误差。可以计算出每个窗口的训练数据的误差值，并且可以导出总误差分值。然后使用误差最小化函数(例如，使用反向传播和/或梯度下降算法)来调整权重和模型参数，以尝试减少训练阶段的后续迭代的误差。然后，将更新的模型参数用于另一次基于训练数据来预测温度值进行的尝试，并再次评估误差。逐渐地，随着模型参数的改善，误差会减小，并且当误差降至给定阈值以下时，训练过程最终停止。可能需要数百或数千次迭代才能获得要使用的最终模型参数。下面的附录B中描述了训练过程的更详细示例。

[0089] 下面的附录A示出了将经训练人工神经网络应用于NIST起居室数据以测试模型预测能力的结果。为简明起见，附录A未示出用于预测的所有过去温度值，并且附录A的每一行仅示出“当前温度(current temperature)”和针对接下来30秒预测(next 30s prediction)的10个预测温度。在该示例中，神经网络是基于在起居室数据集中针对7.42英尺处的传感器的NIST数据训练的，并在来自餐厅数据集的相应高度数据上对该神经网络进行了测试。温度传感器的刷新周期是3秒，因此附录A的每一行表示在前一预测之后3秒进行的预测。如附录A中所示，当前温度最初约为15-16℃，表示着火前的室温。在附录A的第34-第39行附近，由于火灾，温度开始升高。

[0090] 附录A第56行是其中一个预测温度首次超过500℃，表明预计会发生闪络事件。此时，可以向消防员触发警告。附录A第70行中，肩高处的实际温度达到500℃。因此，模型预测闪络与出现的真实闪络事件之间需要14个时步。由于此示例中的刷新率为3秒，这意味着该模型提供了对即将发生的闪络的42秒警告。在警告被提供时(第56行)，肩高处当前温度仍然是269℃，消防员的防护服仍可以安全地承受该温度。因此，这示出了经训练模型如何能够持续提供对即将发生的闪络事件的充分警告。

[0091] 图8至图15示出了指示经训练人工神经网络在NIST温度数据上进行的进一步测试的结果的图表。在每种情况下，神经网络是基于NIST起居室数据集中由八个传感器中的一者记录的温度训练的，然后通过将经训练模型应用于NIST餐厅数据集中相应高度处记录的温度数据进行了如下测试：

[0092]图热电偶距地面的高度(米) 距地面的高度(英尺)
8 TC0 2.26 7.42
9 TC1 1.98 6.5
10 TC2 1.68 5.5
11 TC3 1.37 4.5
12 TC4 1.07 3.5
13 TC5 0.76 2.5
14 TC6 0.46 1.5
15 TC7 0.15 0.5

[0093] 在每个图表中，线A表示NIST餐厅数据集中由相应热电偶记录的实际温度，线B表示由经训练人工神经网络预测的温度。当消防员站直时，假定该消防员的标准高度小于或等于6.5英尺，因此传感器TC1-TC7都可表示温度升高会对消防员造成危险的高度。然而，消防员并不总是直立的，因此在俯卧姿势中高度近似为0.76米/2.5英尺，所以来自传感器TC5的数据由此受到关注。对于所使用的特定数据集，实际闪络(基于最高处的TC0温度传感器)在3分30秒时开始。然而，在接下来的3秒内，安装在标准消防员高度(1.98米/6.5英尺)处的传感器达到了类似温度闪络状况，并且随着中性面进一步向下移动，对于俯卧高度(0.76米/2.5英尺)，TC6传感器在接下来的1分18秒内报告了类似的闪络状况。基于图8至图15，可以得到如下观察。

[0094] 如图8中所示，对于表示典型的天花板高度的2.26米(7.42英尺)处的传感器TC0，模型在当前(实际)温度为322摄氏度时在第58个瞬间(2分54秒)预测到闪络。温度在过去63秒内从137度增加到322度。当温度升高到502摄氏度时，即在算法预测的闪络后36秒，实际闪络发生在第70次读数。

[0095] 如图9中所示，对于对应于消防员的头部高度的1.98m(6.5英尺)处的传感器TC1，在当前温度为265摄氏度时在第59个瞬间(2分57秒)预测到闪络。温度在过去的66秒内从100度增加到265度。当温度升高到504摄氏度时(这发生在算法预测到闪络后36秒)，实际的闪络发生在第71次读数。

[0096] 如图10中所示，对于1.68米(5.5英尺)处的传感器TC2，当前温度为306摄氏度时在第65个瞬间(3分15秒)预测到闪络。温度在过去72秒内从110度增加到306度。当温度升高到516摄氏度时(这是在算法预测到闪络后24秒发生的)，实际闪络发生在73次读数。

[0097] 如图11中所示，对于在1.37米(4.5英尺)处的传感器TC3，当前温度为306摄氏度时在第70个瞬间(3分30秒)预测到闪络。在过去72秒内温度从110度增加到306度。当温度升高到513摄氏度时(这是在算法预测到闪络后18秒发生的)，实际闪络发生在第76次读数。

[0098] 如图12中所示，对于1.07米(3.5英尺)处的传感器TC4，当前温度为214摄氏度时在第70个瞬间(3分30秒)预测到闪络。在过去33秒内温度从92度增加到214度。当温度升至512摄氏度时(这发生在算法闪络报告后30秒)，实际闪络发生在80次读数。

[0099] 如图13中所示，对于被认为是典型的人类俯卧高度(俯卧姿势是救援任务期间消防员的典型姿势，特别是在受限制的地方)的0.76米(2.5英尺)处的传感器TC5，在当前温度为357摄氏度时在第77个瞬间(3分35秒)预测到闪络。温度在过去21秒内从100度增加到357度。当温度升高到520摄氏度时(这发生在算法闪络报告后60秒)，实际闪络发生在第97次读数。

[0100] 如图14中所示，对于0.46米(1.5英尺)处的传感器TC6，在当前温度已经为219.0摄氏度时在第133个瞬间(5分21秒)预测到闪络。然而，实际闪络从未发生，因为在7分12秒内达到的350摄氏度的最高温度表现出不稳定行为(见线A)，可能是由于传感器高度太低。

[0101] 如图15中所示，对于0.15米(0.5英尺)处的传感器TC7，总温度曲线很低并且没有发生闪络。因此，该模型没有预测闪络事件。

[0102] 这些测试的结果总结在下表中：

[0103]

[0104] 因此，实际闪络预测范围为18至60秒，最长的预测情况记录在0.76米/2.5英尺的高度处。然而，该高度报告了最快的RoT自大约100摄氏度的正常状况起在21秒内进行预测。在1.98米/6.5英尺高度处，闪烁状况如所预测的发生在36秒后，而温度在1分3秒的持续时段内达到265摄氏度的算法预测阶段(第3列)。第2列中示出的持续时段可以被视为“警告段”，对于所有7个传感器预测，平均花费大约1分7秒。对于最低高度的温度传感器，从未预测到闪络。但是，在这种情况下，最高温度从未超过166摄氏度。倒数第二行示出安装在0.46米/1.5英尺处的传感器确实示出了误报，因为它预测闪络将在接近第7分钟标记处发生。然而，温度在接下来的33秒内仅达到350摄氏度，然后再次降低。基于来自所有传感器的数据，可以理解大多数传感器以高精度预测即将发生的闪络。然而，较早的预测仍来自最高处的传感器。尽管如此，第二和第三高传感器仍然能够在充足的时间内发出警告(在两种情况下，预测都是在天花板高度发生闪络的3分30秒之前进行的)。这表明，虽然使用天花板高度温度测量可以提供最长的警告时间，但是也可以仅使用下方安装在消防员身体上的传感器来执行预测。

[0105] 图16是示出了预测温度上升事件发生的方法的流程图。在步骤150，接收由火灾环境内的至少一个温度传感器捕获的温度数据。在步骤152，使用机器学习模型处理来自先前时间窗口的温度数据，以确定指示在未来时间窗口中发生温度上升状况的风险的风险指示。风险指示可以是图6和图7中的预测温度值，或替代地可以是风险的定性指示，例如风险状况的类别或类型(例如红色、琥珀色或绿色或风险等级的某些其他指示)。在步骤154，根据在步骤152确定的风险指示输出警告指示。例如，如果风险指示满足某些标准(例如温度数据高于给定阈值或风险类别是给定多个类型中的一个)，则可以生成警告指示。

[0106] 图17更详细地示出了该方法。在步骤200，处理器接收先前滑动时间窗口的传感器数据。例如，来自传感器的温度值可以加载到阵列中，并且在预测模型的每次迭代之后，当添加新的传感器数据时，温度值可以在阵列中上移一个位置，或者替代地，传感器数据的滑动窗口可通过使用移位寄存器或FIFO 缓冲器来在硬件中进行管理。

[0107] 在步骤202，处理电路4基于方位传感器22确定设备的方位是否在某范围之外。如果是，则在步骤204，来自红外传感器60的传感器数据被排除在后续计算之外，或者被替换为经估计的传感器数据，例如通过先前检测到的当方位在范围内时的值的插补获得的传感器数据，或者先前预测的针对相应的时刻使用模型确定的传感器数据20。另一方面，如果方位在允许的范围内，则省略步骤204。

[0108] 在步骤206，传感器数据(其中一些数据根据需要在步骤204中排除或替换)被输入到经训练机器学习模型，该模型处理这些数据以基于在训练期间学习的系数或权重16来评估网络的每个节点。该模型输出针对未来时间窗口的预测风险等级或预测温度值。在步骤208，处理电路4确定预测的风险等级或温度值是否满足某警告标准，如果是，则在步骤210输出警告(直接由消防员保护装置2自身输出，或经由短程通信电路26输出到相关的可穿戴设备30)。还可以通过远程通信电路24向诸如作业指挥员的服务器或平板电脑之类的远程设备发送警告。如果在步骤208风险指示不满足警告标准，则省略步骤210并且不输出警告。
在步骤212，用(一个或多个)下一读数更新温度传感器数据，以继续进行下一滑动时间窗口，并且在步骤202，继续处理下一窗口。因此，针对连续窗口的传感器数据，一次又一次地重复该方法。

[0109] 在本申请中，词语“被配置为......”用于表示装置的元件具有能够执行所定义的操作的配置。在此上下文中，“配置”表示硬件或软件的互连的布置或方式。例如，该装置可以具有提供所定义的操作的专用硬件，或者可以对处理器或其他处理设备进行编程以执行该功能。“配置为”并不意味着设备元件为提供定义的操作而需要以任何方式来改变。

[0110] 尽管本文已经参考附图详细描述了本发明的说明性实施例，但是应该理解，本发明不限于那些精确的实施例，并且本领域技术人员可以在其中实现各种改变和修改，而不脱离由所附权利要求限定的本发明的范围和精神。

[0111] 附录A

[0112] 1.Current temperature 15.O Next 30s Prediction 22.959 24.782 26.655 28.65 31.248 34.708 37.065 39.967 44.485 47.732

[0113] 2.Current temperature 15.0 Next 30s Prediction 22.82 24.669 26.562 28.614 31.204 34.677 37.053 40.038 44.551 47.926

[0114] 3.Current temperature 16.0 Next 30s prediction 23.111 25.022 26.959 29.032 31.585 35.023 37.447 40.355 44.871 48.167

[0115] 4.Current temperature 16.0 Next 30s Prediction 23.314 25.27 27.287 29.401 31.994 35.474 37.92 40.959 45.444 48.848

[0116] 5.Current temperature 16.0 Next 30s Prediction 23.184 25.124 27.075 29.199 31.777 35.289 37.729 40.756 45.281 48.685

[0117] 6.Current temperature 16.0 Next 30s Prediction 23.032 24.883 26.77 28.815 31.439 34.971 37.345 40.364 44.892 48.245

[0118] 7.Current temperature 16.0 Next 30s Prediction 23.039 24.875 26.749 28.792 31.422 34.949 37.32 40.34 44.882 48.268

[0119] 8.Current temperature 15.0 Next 30s prediction 23.338 25.222 27.124 29.186 31.787 35.275 37.692 40.633 45.195 48.534

[0120] 9.Current temperature 16.0 Next 30s prediction 22.839 24.631 26.426 28.43 31.02 34.505 36.855 39.744 44.316 47.595

[0121] 10.Current temperature 16.0 Next 30s Prediction 23.469 25.368 27.336 29.386 32.004 35.46 37.882 40.835 45.357 48.697

[0122] 11.Current temperature 16.0 Next 30s Prediction 23.492 25.466 27.433 29.574 32.129 35.596 38.079 41.026 45.587 48.977

[0123] 12.Current temperature 16.0 Next 30s Prediction 23.331 25.23 27.147 29.21 31.804 35.297 37.716 40.658 45.204 48.511

[0124] 13.Current temperature 15.0 Next 30s Prediction 23.039 24.875 26.749 28.792 31.422 34.949 37.32 40.34 44.882 48.268

[0125] 14.Current temperature 15.0 Next 30s Prediction 22.839 24.631 26.426 28.43 31.02 34.505 36.855 39.744 44.316 47.595

[0126] 15.Current temperature 16.0 Next 30s Prediction 22.966 24.774 26.633 28.626 31.232 34.686 37.041 39.942 44.476 47.755

[0127] 16.Current temperature 16.0 Next 30s Prediction 23.623 25.613 27.647 29.778 32.348 35.782 38.272 41.23 45.75 49.14

[0128] 17.Current temperature 16.0 Next 30s prediction 23.485 25.474 27.456 29.599 32.147 35.618 38.104 41.052 45.597 48.953

[0129] 18.Current temperature 16.0 Next 30s Prediction 23.032 24.883 26.77 28.815 31.439 34.971 37.345 40.364 44.892 48.245

[0130] 19.Current temperature 15.0 Next 30s Prediction 23.039 24.875 26.749 28.792 31.422 34.949 37.32 40.34 44.882 48.268

[0131] 20.Current temperature 15.0 Next 30s Prediction 22.839 24.631 26.426 28.43 31.02 34.505 36.855 39.744 44.316 47.595

[0132] 21.Current temperature 16.0 Next 30s Prediction 22.966 24.774 26.633 28.626 31.232 34.686 37.041 39.942 44.476 47.755

[0133] 22.Current temperature 15.0 Next 30s Prediction 23.623 25.613 27.647 29.778 32.348 35.782 38.272 41.23 45.75 49.14

[0134] 23.Current temperature 16.0 Next 30s Prediction 22.982 24.878 26.75 28.833 31.371 34.841 37.259 40.155 44.71 48.006

[0135] 24.Current temperature 16.0 Next 30s prediction 23.161 25.028 26.98 29.014 31.654 35.154 37.534 40.565 45.053 48.406

[0136] 25.Current temperature 16.0 Next 30s Prediction 23.191 25.116 27.053 29.175 31.76 35.267 37.704 40.731 45.272 48.709

[0137] 26.Current temperature 16.0 Next 30s Prediction 23.331 25.23 27.147 29.21 31.804 35.297 37.716 40.658 45.204 48.511

[0138] 27.Current temperature 16.0 Next 30s Prediction 23.039 24.875 26.749 28.792 31.422 34.949 37.32 40.34 44.882 48.268

[0139] 28.Current temperature 16.0 Next 30s Prediction 23.338 25.222 27.124 29.186 31.787 35.275 37.692 40.633 45.195 48.534

[0140] 29.Current temperature 16.0 Next 30s Prediction 23.338 25.222 27.124 29.186 31.787 35.275 37.692 40.633 45.195 48.534

[0141] 30.Current temperature 16.0 Next 30s Prediction 23.338 25.222 27.124 29.186 31.787 35.275 37.692 40.633 45.195 48.534

[0142] 31.Current temperature 16.0 Next 30s Prediction 23.338 25.222 27.124 29.186 31.787 35.275 37.692 40.633 45.195 48.534

[0143] 32.Current temperature 16.0 Next 30s Prediction 23.338 25.222 27.124 29.186 31.787 35.275 37.692 40.633 45.195 48.534

[0144] 33.Current temperature16.0 Next 30s Prediction 23.338 25.222 27.124 29.186 31.787 35.275 37.692 40.633 45.195 48.534

[0145] 34.Current temperature 16.0 Next 30s Prediction 23.338 25.222 27.124 29.186 31.787 35.275 37.692 40.633 45.195 48.534

[0146] 35.Current temperature 16.0 Next 30s Prediction 23.338 25.222 27.124 29.186 31.787 35.275 37.692 40.633 45.195 48.534

[0147] 36.Current temperature 59.0 Next 30s Prediction 23.338 25.222 27.124 29.186 31.787 35.275 37.692 40.633 45.195 48.534

[0148] 37.Current temperature 137.0 Next 30s Prediction 58.183 68.263 80.787 86.861 87.937 88.341 95.279 100.749 100.973 107.013

[0149] 38.Current temperature 203.0 Next 30s Prediction 204.208 258.524 306.759 326.58 305.949 281.811 298.235 299.757 272.353 274.773

[0150] 39.Current temperature 191.0 Next 30s Prediction 342.701 403.268 433.255 443.174 425.0 400.166 403.475 399.096 361.706 350.059

[0151] 40.Current temperature 202.0 Next 30s Prediction 200.525 212.391 202.482 202.128 213.172 225.038 218.351 229.716 227.442 230.98

[0152] 41.Current temperature 220.0 Next 30s Prediction 245.243 244.528 236.853 225.889 240.21 236.187 228.868 231.252 224.692 226.812

[0153] 42.Current temperature 203.0 Next 30s Prediction 271.754 278.017 280.24 284.532 291.965 291.881 299.086 308.467 312.439 331.959

[0154] 43.Current temperature 204.0 Next 30s Prediction 199.662 200.981 198.721 202.82 206.636 215.306 222.16 228.141 242.509 251.304

[0155] 44.Current temperature 206.0 Next 30s Prediction 202.311 199.03 198.585 198.687 205.298 209.652 213.9 221.405 226.982 237.365

[0156] 45.Current temperature 204.0 Next 30s Prediction 204.57 204.675 206.985 211.989 216.012 221.114 227.003 238.103 246.583 261.716

[0157] 46.Current temperature 193.0 Next 30s Prediction 195.11 196.401 201.981 206.352 209.624 215.886 221.062 232.887 243.948 254.892

[0158] 47.Current temperature 198.0 Next 30s Prediction 184.837 181.524 177.321 177.891 180.387 184.344 186.954 190.363 196.044 201.156

[0159] 48.Current temperature 195.0 Next 30s Prediction 192.57 191.211 194.722 196.716 200.418 203.844 207.437 216.928 222.461 232.474

[0160] 49.Current temperature 196.0 Next 30s Prediction 190.309 190.712 192.703 196.38 198.164 202.289 206.457 214.349 222.478 231.315

[0161] 50.Current temperature 201.0 Next 30s prediction 191.412 191.658 195.611 198.017 201.188 205.48 209.627 218.294 226.119 234.28

[0162] 51.Current temperature 206.0 Next 30s Prediction 203.479 205.058 209.596 213.581 217.634 222.121 227.899 237.889 246.315 258.191

[0163] 52.Current temperature 224.0 Next 30s Prediction 208.889 212.225 219.067 224.337 228.838 234.752 241.779 253.808 264.734 277.936

[0164] 53.Current temperature 223.0 Next 30s Prediction 239.778 247.778 262.199 270.218 277.674 284.833 295.319 313.423 326.25 345.602

[0165] 54.Current temperature 249.0 Next 30s Prediction 233.598 239.967 245.937 255.024 263.194 274.892 287.374 303.126 322.669 344.542

[0166] 55.Current temperature 263.0 Next 30s Prediction 275.636 287.245 307.561 318.312 332.25 344.008 360.098 385.423 404.052 432.785

[0167] 56.Current temperature 269.0 Next 30s Prediction 296.412 314.259 332.889 353.2 371.118 393.423 419.01 449.476 482.376 521.146

[0168] 57.Current temperature 302.0 Next 30s Prediction 287.664 303.406 321.943 342.247 366.588 397.226 427.977 461.944 502.916 544.588

[0169] 58.Current temperature 322.0 Next 30s Prediction 352.605 378.319 408.654 434.869 464.424 493.753 527.041 560.947 593.789 628.158

[0170] 59.Current temperature 313.0 Next 30s Prediction 361.387 397.174 432.056 471.22 508.287 550.538 588.544 619.613 651.224 673.275

[0171] 60.Current temperature 362.0 Next 30s Prediction 336.483 360.633 377.118 411.604 453.596 507.05 553.177 586.47 629.179 659.525

[0172] 61.Current temperature 377.0 Next 30s Prediction 412.169 451.809 496.786 534.298 572.198 604.978 635.541 658.149 676.902 689.396

[0173] 62.Current temperature 395.0 Next 30s Prediction 402.173 448.207 489.296 537.749 577.174 617.385 647.18 667.272 684.82 693.577

[0174] 63.Current temperature 385.0 Next 30s Prediction 411.605 455.554 502.895 546.391 587.582 624.658 652.312 670.921 686.641 694.303

[0175] 64.Current temperature 372.0 Next 30s Prediction 437.604 461.216 463.65 494.923 530.254 570.803 606.21 625.674 652.93 674.048

[0176] 65.Current temperature 415.0 Next 30s Prediction 379.717 389.473 385.207 408.145 441.278 484.683 525.853 547.369 584.66 620.669

[0177] 66.Current temperature 416.0 Next 30s prediction 384.996 425.375 487.537 537.348 578.02 613.487 643.247 666.983 683.731 693.111

[0178] 67.Current temperature 421.0 Next 30s Prediction 402.906 434.702 465.764 505.218 539.776 579.663 610.881 635.272 662.58 678.34

[0179] 68.Current temperature 449.0 Next 30s Prediction 415.117 443.474 476.728 512.244 549.489 585.866 616.738 640.105 664.572 680.045

[0180] 69.Current temperature 498.0 Next 30s prediction 461.565 496.598 533.63 570.157 599.715 624.504 647.401 665.27 680.414 690.383

[0181] 70.Current temperature 502.0 Next 30s Prediction 481.631 528.178 580.843 614.378 637.776 655.339 669.982 682.559 691.723 696.148

[0182] 71.Current temperature 523.0 Next 30s Prediction 522.825 549.94 568.174 589.488 607.831 624.251 638.561 650.924 666.71 676.593

[0183] 72.Current temperature 557.0 Next 30s Prediction 550.817 573.776 592.587 609.151 623.977 633.059 644.834 655.693 667.522 677.185

[0184] 73.Current temperature 550.0 Next 30s Prediction 574.643 595.198 610.318 624.216 634.277 639.81 648.209 657.313 667.086 675.657

[0185] 74.Current temperature 586.0 Next 30s Prediction 565.424 572.714 569.758 573.242 577.102 579.391 580.723 577.876 580.707 576.753

[0186] 75.Current temperature 626.0 Next 30s Prediction 592.006 603.798 614.172 620.927 627.123 627.8 632.257 638.011 644.634 651.072

[0187] 76.Current temperature 639.0 Next 30s Prediction 623.19 633.489 637.228 640.837 643.0 643.278 644.385 646.437 651.648 655.034

[0188] 77.Current temperature 666.0 Next 30s Prediction 634.676 639.604 636.596 633.77 631.716 629.208 623.887 616.793 615.372 604.906

[0189] 78.Current temperature 681.0 Next 30s Prediction 654.541 658.358 655.383 652.375 648.998 642.419 635.448 626.53 618.646 606.937

[0190] 79.Current temperature 686.0 Next 30s Prediction 659.334 660.701 654.494 649.471 643.153 636.008 625.815 612.704 600.295 583.615

[0191] 80.Current temperature 682.0 Next 30s Prediction 659.552 658.739 651.921 645.057 637.264 630.222 618.758 605.446 593.9 577.824

[0192] 附录B

[0193] 下面示出了用于基于训练数据更新人工神经网络的权重的训练过程的示例。应当理解，这仅是训练过程的一个示例，且其他技术可被使用。

[0194] 反向传播过程经历了权重优化过程，以允许底层神经网络学习将任意输入映射到输出。训练过程是迭代过程，其中，每次迭代包括前向传播部分和后向误差传播，在前向传播部分中，使用给定权重集的网络基于输入训练数据来计算预测温度，并将其与相应时序位置处的实际温度进行比较以确定误差，在后向误差传播中，使用预测温度和实际温度之间的检测误差来更新权重。

[0195] 前向传播

[0196] 图18示出了用于理解训练过程的神经网络的简化示例。为了评估该网络的误差计算、权重调整和训练，在滑动窗口中考虑来自训练数据集的两个初始值15和16摄氏度。对象将学习滑动窗口的下两个未来值，在该示例中为24和25摄氏度。应当理解，为了便于理解，该示例被大大简化，并且在实际中，网络可以在输入/隐藏/输出层中具有更多神经元。假设初始迭代的示例权重w和常数b1、b2，如图18中所示。

[0197] 前向计算的步骤如下：

[0198] 计算每个隐藏层神经元的总净输入。

[0199] 使用逻辑函数来制约总净输入。

[0200] 对隐藏层重复与输入层相同的过程。

[0201] 计算神经元h1的总净输入：

[0202] neth1＝(w11×i1)+(w21×i2)+(b1×1) (1)

[0203] neth1＝(0.15×15)+(0.25×16)+(0.35×1)＝5.8 (2)

[0204] 现在利用所使用的激活函数来对在(2)中获得的值进行制约。可以使用任何激活函数，虽然这里使用的是上面提到的sigmoid函数：

[0205]

[0206] 对于输入2，将再次重复(1)-(3)中所示的过程，如下所示：

[0207] neth2＝(w12×i1)+(w22×i2)+(b1×1)＝(0.2×15)+(0.3×16)+(0.35×1) (4)[0208] neth2＝8.15 (5)

[0209]

[0210] 对输出层神经元重复上述过程，如下所示：

[0211] neto1＝(wh1o1×h1)+(wh2o1×h2)+(b2×1) (7)

[0212] neto1＝(0.4×0.9986)+(0.5×0.9997)+(0.6×1)＝0.3994+0.49985+0.6 (8)[0213] neto1＝1.49925 (9)

[0214]

[0215] neto2＝(wh1o2×h1)+(wh2o2×h2)+(b2×1) (11)[0216] neto2＝(0.45×0.9986)+(0.55×0.9997)+(0.6×1)＝0.44937+0.5498+0.6 (12)[0217] neto2＝1.5991 (13)[0218]

[0219] 因此，第一个型样(epoch)的总误差将基于(10)和(14)以及下面给出的等式计算：

[0220]

[0221] 在(15)中，原始值是图18中所示的24和25。计算值在等式(10)和(14)中示出：

[0222]

[0223]

[0224] Etotal＝278.477+302.95＝581.42 (18)[0225] 反向误差传播过程：

[0226] 反向传播的目标是更新网络中的每个权重，以使实际输出值更接近目标值。这导致每个输出神经元和随后的整个ANN的误差最小化。

[0227] 考虑权重wh1o1，现在的目标是找出这个权重的多大的变化会改变(减少)总误差。这可以表述为：

[0228]

[0229]

[0230] 等式(19)可以被理解为Etotal关于wh1o1的偏导，其也被称为“关于wh1o1的斜率”。对(19)应用链式法则将产生等式：

[0231] 图19示意性地示出了“反向传播”过程，其中误差用于调整后续训练过程和误差最小化的相应权重。由于总误差定义如下：

[0232]

[0233]

[0234]

[0235] 逻辑函数导数的偏导被计算为输出乘以(1减去输出)：

[0236]

[0237]

[0238] 因此，基于(25)，o1的总净输入相对于wh1o1的变化可以如下被计算：

[0239] neto1＝(wh1o1×h1)+(wh2o1×h2)+(b2×1)

[0240]

[0241] 根据等式(20)将所有值代入：

[0242]

[0243] 现在，为了减少误差，从当前权重中减去上述(27)中的值，并且可选地乘以当前设定为0.5的学习率η，如下所示：

[0244]

[0245] 其他权重也可以以类似的方式来计算。一旦更新了所有权重，就使用这些权重来代替较旧的权重，预计这些权重会减少后续型样中的误差。随着针对上述延长型样(迭代)的过程的重复，整体误差趋于下降到较小的值，此时网络模型被认为是经训练为可用于对抗未看见数据以便预测预期结果。

[0246] 图20示出了当基于仅由单个温度传感器(在该示例中为热电偶)捕获的温度数据来训练模型时的测试结果。热电偶安装在闪络测试室内1.68米的高度处，并在闪络事件期间于测试室内测量温度。在第一“燃烧”期间收集数据，并且基于第一燃烧数据训练模型。然后在第二“燃烧”期间收集数据，并将其用作模型的输入，以确定未来温度上升事件的风险。图20中的实线示出了在第二燃烧期间测得的实际温度，虚线示出了模型基于先前测得的温度超前绘制时间30秒预测的温度。如图20中所示，模型的30秒超前预测很好地对实际温度进行了跟踪，并充分预测闪络事件发生的时刻(当温度突然上升时)。因此，这表明使用相对有限数目的“真实世界”数据，上述技术也能够提供对潜在温度上升事件的预先警告，即使仅使用单个温度传感器。这可以有助于降低消防员保护装置的成本，因为不需要提供诸如热电堆之类的第二温度传感器。此外，由于热电偶比热电堆(远程红外传感器)更不易受到浓烟对测量的影响，因此可以提高可靠性。

标题	发布/更新时间	阅读量
温度开关	2020-05-12	251
一种隔离式温度控制仪	2020-05-11	251
温度控制	2020-05-12	494
温度探针	2020-05-12	476
温度表	2020-05-12	748
温度奶瓶	2020-05-12	291
温度监视	2020-05-13	765
非接触式有源温度传感器	2020-05-12	625
隔离式温度控制仪	2020-05-11	316
温度探针	2020-05-13	609

预测温度上升事件

预测温度上升事件

技术领域

背景技术

发明内容

具体实施方式

该功能需要专业版企业版VIP权限，您可以：