一种神经网络辅助的水成膜灭火剂低温预警装置 |
|||||||
申请号 | CN202211612601.9 | 申请日 | 2022-12-15 | 公开(公告)号 | CN115845315B | 公开(公告)日 | 2024-04-26 |
申请人 | 上海纳米技术及应用国家工程研究中心有限公司; | 发明人 | 崔大祥; 张放为; 张芳; 卢玉英; 葛美英; | ||||
摘要 | 本 发明 公开一种神经网络辅助的 水 成膜 灭火剂 低温预警装置,由 云 端 服务器 、本地核心 节点 、本地终端机、微 控制器 (MCU)和两只 温度 传感器 组成。通过一个经过优化和简化的多层神经网络处理温度 传感器数据 和当地天气预报最高/最低气温数据,高效预测未来24小时中罐储水成膜灭火剂所能达到的最低温度。 | ||||||
权利要求 | 1.一种神经网络辅助的水成膜灭火剂低温预警装置,其特征在于,通过在线监测系统监测水成膜灭火剂的温度,包括如下部件: |
||||||
说明书全文 | 一种神经网络辅助的水成膜灭火剂低温预警装置技术领域背景技术[0002] 水成膜泡沫灭火剂(AFFF)是一类广泛用于扑灭油脂火灾的泡沫灭火剂(刘大鹏, 王煊军, 夏本立,等. 水成膜泡沫灭火剂的发展与应用[J]. 化学工程与装备, 2013(2):4.)。在自动化的灭火系统中,其一般以原液的形式储存于不锈钢罐中,使用先将其与大量水混合,然后鼓入大量空气即可形成能够覆盖油脂表面并隔绝空气的灭火泡沫。水成膜灭火剂原液就决定了最终灭火泡沫的性能,尚祖政等(尚祖政, 谈龙妹, 郎需庆, 等. 石化企业现有泡沫灭火剂的质量分析[J]. 消防科学与技术, 2017, 2.)曾检测国内3家石化企业配备的水成膜灭火剂原液,发现有部分灭火剂原液在保质期内已经失效,而其他一些原液虽已过保质期但还能保有足够的灭火性能。显然经过长期存放的原液的有效性与其储存状态也有关,袁余斌等人通过实验证明,水成膜灭火剂原液的储存寿命与储存温度的关系符合阿龙尼乌斯公式,即储存寿命随储存温度成指数下降(袁余斌, 谢贤俊, 韩永和,等. 新型水成膜灭火剂储存寿命测定方法[J]. 消防科学与技术, 2008, 27(5):3.)。根据上述公式,储存温度越低,对应的储存寿命越长,然而水成膜灭火剂原液的本质是一种高浓度溶胶水溶液,其温度过低并接近凝固点时,容易发生失稳分层或沉降;温度达到凝固点时,将发生相变以致完全失效,即使温度重新回升至凝固点以上也难以复原。实验表明,AFFF灭火剂在不锈钢储罐中随昼夜交替温度周期性变化,一天中最低温度总是出现在夜间或清晨,不利于人工干预,而对于负责在全寿命范围内监控水成膜灭火剂有效性的系统而言,为了干预过低温,则须自动装定加热装置的工作时间、功率等参数,不但需要具备持续收集灭火剂原液温度的能力,也需要对接近凝固点的低温状况做出前瞻性估计。 [0003] 水成膜灭火剂原液一般储存在避光的方形不锈钢罐体中,其内部温度跟随附近大气温度变化,而附近大气温度不但受到当地气象条件影响,也与附近的人员、机器的活动有关。为了通过罐体温度传感器数据结合当地天气预报预测可能出现的过低原液温度,就需要建立合适的数学模型,因为上述各种影响因素经常发生变化(例如,气候转变为冬天,工作人员关上了附近的窗户等),所以对应的数学模型也必须具备学习能力,自动装定模型中各项参数的值,有必要引入深度学习模型处理数据,考虑到系统的自主可控需求和国产中央处理器(CPU)普遍性能较弱,必须简化和优化模型,使模型能够及时完成预测。 发明内容[0004] 本发明针对针对水成膜灭火剂储藏过程中过低温度预警的现实问题,提供一种具有四层结构的预测装置,并结合深度学习技术提高预测精度。 [0006] (1)微控制器(MCU),负责收集从两只温度传感器中获得的温度数据,其中一只位于水成膜灭火剂罐体表面,且由保温块覆盖,回传温度记为To,另一只位于罐体附近的空气中,回传温度记为Ta;MCU将获取的所有数据通过晶体管‑晶体管逻辑集成电路(TTL)通信向上传递,如附图1所示。 [0007] (2)本地终端机,负责暂存MCU回传的数据,并对其进行初步分析后,将温度特征数据的数据向上传递(附图1)。对于每个从当日15点到第二日15点的24小时周期,向上传递Ta和To的初始值,记为Ta_start、To_start;Ta和To的终值Ta_end和To_end;Ta和To在每日最后两个小时中的平均值Ta_avg和To_avg;Ta和To在一日之中的最小取值Ta_min和To_min,每日通过安全外壳(SSH)通信共向上传递以上8个数据作为当日的天气特征值。 [0008] (3)本地核心节点,负责接收数据和执行神经网络训练与预测功能(附图1)。 [0009] (4)云端服务器,负责通过网络爬虫获取当地天气预报特征数据并将其传递给本地核心节点,云端服务器负责收集当日预报最低气温F_min和最高气温F_max;下一日预报最低气温F_next_min和最高气温F_next_max。实际操作中,其仅需每日将F_next_min和F_next_max两个数据通过SSH通信下载至本地核心节点,本地核心节点自动将上一日的F_next_min和F_next_max记为今日F_min和最高气温F_max。 [0010] 优选的,微控制器每10分钟收集一次温度数据。 [0011] 优选的,装置中所有设备对温度的储存和处理使用绝对温标(开尔文)从而避免深度学习网络在数据跨0时产生的不合理行为。 [0012] 优选的,本地核心节点使用以下方式预测下一个24小时中罐体的最低温度(其图形化表示在附图1右侧): [0013] 为了预测明日To序列的最低值,将它的实测值记为To_next_min,而模型预测值记为PTo_next_min。不妨首先建立一个极简模型,即预测明日To最低值与今日相同: [0014] [0016] [0017] 其中N为参与计算的数据个数。设想To序列的最低值随气象预报的气温最低值改变,对应的优化权重记为W1: [0018] [0019] 根据(3)式,若气象局预报今日当地最低气温是283.2 K,而明日最低气温上升至287.2 K,那么我们预测明日To最低值也将上升,幅度由气温变化值+4.0 K和权重W1的乘积决定,即+4.0*W1.基于同样的原理,可以写出其他3个预测式,分别有: [0020] 以气象预报气温最高值预测: [0021] [0022] 以To序列终温预测: [0023] [0024] 容易理解,在此式中To_start的意义是前一日的To_end。同样地,也可通过Ta序列终温进行预测: [0025] [0026] 在以上4个预测模式的基础上,还发现了其他一些能为模型提供明显改进,使损失函数L2显著降低的数据差值组合,分别是当日罐体附近空气的终温与最低温度的差值Ta_end – Ta_min、当日最后两小时罐体附近空气温度和罐体温度的差值Ta_avg – To_avg以及当日气象预报最高温度与第二日气象预报最低温度的差值F_max – F_next_min,以上3个温度差对应的权重分别记为W5、W6和W7。根据以上研究,第二层神经网络中共输出7个温度差值,另外引入常数权重输入下一层,在图1中以常数“1”神经元表示,对应的权重记为W0。第三层神经网络则以全连接的形式输出预测结果。在本模型中,作为参考基准的To_min总是直接传递至输出端,而优化模型即是指通过输入数据优化权重W0‑W7。 [0027] 输入过去2周数据(共14个点)并通过批梯度下降(Batch Gradient Descent)策略更新参数W0‑W7以降低L2 ,学习率定为0.001。经过100万次迭代后完成模型优化。 [0028] 最后,利用优化后的参数W0‑W7和当日数据演绎模型,获取最终预测结果,即PTo_next_min神经元的值。 [0029] 本发明的优点: [0030] (1) 传感系统仅包括两只温度传感器,成本低廉。 [0031] (2)充分利用当地天气预报数据,使装置具有较好的预测精度。 [0032] (3)引入高度优化的深度学习网络模型,在较低算力需求的前提下大幅提高预测精度,并使装置能够自动适应气候、季节和其他储藏条件的变换。 附图说明[0033] 图1,本发明神经网络辅助的水成膜灭火剂低温预警装置示意图。 具体实施方式[0034] 下面结合具体实施例,进一步阐述本发明。下述实施例中所使用的实验方法如无特殊说明,均为常规方法。下述实施例中所用的材料、试剂等,如无特殊说明,均可从商业途径得到。应理解,这些实施例仅用于说明本发明而不用于限制本发明的范围。 [0035] 实施例1. [0036] 罐体模拟装置最低温度的预测。 [0037] 一、装置搭建:参考图1本发明神经网络辅助的水成膜灭火剂低温预警装置示意图所示: [0038] 由国网电力科学研究院有限公司提供市售水成膜灭火剂并灌装至容积为10升的双层不锈钢罐体中作为模拟实验平台,在线监测系统由微控制器MCU、本地节点、本地核心节点和云端服务器组成,其中: [0039] 所述的微控制器为STM32L431RCT6单片机并安装华为LiteOS® 5.0实时操作系统,负责从两个具有防水功能的温度传感器(型号DS18B20)中收集温度数据,收集间隔为10分钟;微控制器MCU将数据通过TTL(Transistor Transistor Logic)通讯传回本地节点(龙芯2K1000单片机,安装Loongnix 1.0操作系统),本地节点通过SSH(Secure Shell)通讯将数据传至本地核心节点(龙芯3A5000计算机,安装Loongnix 20操作系统),而后通过物联网传至云端服务器(鲲鹏920节点,安装Ubuntu 18.04操作系统,由华为提供服务)。本地气象预报由上海市气象局网络站点提供。全系统概况如附图1所示。 [0040] 模拟实验收集数据分为两段,每段20个数据,其中第一段对应2022年1月8日至1月27日,第二段对应2022年2月18日至3月9日。用于预测实验的数据也分为两段,每段6个,分别对应1月22日至1月28日和3月4日至3月9日。其他数据点(共28个)则仅用于训练模型。 [0041] 根据式(1)进行机械式预测,全部12个预测日损失函数L2(根据式(2)计算)为1.01,根据本专利提供的装置进行预测,全部12个预测日损失函数L2(根据式(2)计算)为 0.171,损失函数L2的下降表明预测精度有了明显提升。 [0042] 以python3代码实现本专利提供的学习模型,执行一次预测在INTEL酷睿®10900X@3.7 GHz上需要238秒,在龙芯3A5000@2.5 GHz上需要419秒,在鲲鹏920@2.6 GHz上需要435秒,在龙芯2K1000@1.0 GHz上需要4164秒,得益于python的可移植特性,在上述各种平台上均得到完全相同的结果。 [0043] 上述实施例仅仅是为清楚地说明本发明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明的保护范围之中。 |