CN108831121A - 矿井安全生产的预警方法及装置 - Google Patents
矿井安全生产的预警方法及装置 Download PDFInfo
- Publication number
- CN108831121A CN108831121A CN201810509057.2A CN201810509057A CN108831121A CN 108831121 A CN108831121 A CN 108831121A CN 201810509057 A CN201810509057 A CN 201810509057A CN 108831121 A CN108831121 A CN 108831121A
- Authority
- CN
- China
- Prior art keywords
- value
- gas sensor
- concentration value
- methane
- hydrogen
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 24
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims abstract description 178
- 239000007789 gas Substances 0.000 claims abstract description 115
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims abstract description 62
- 239000001301 oxygen Substances 0.000 claims abstract description 62
- 229910052760 oxygen Inorganic materials 0.000 claims abstract description 62
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 claims abstract description 58
- 229910052739 hydrogen Inorganic materials 0.000 claims abstract description 47
- 239000001257 hydrogen Substances 0.000 claims abstract description 47
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims abstract description 26
- 229910002091 carbon monoxide Inorganic materials 0.000 claims abstract description 26
- 238000004880 explosion Methods 0.000 claims abstract description 20
- 231100000572 poisoning Toxicity 0.000 claims abstract description 20
- 230000000607 poisoning effect Effects 0.000 claims abstract description 20
- 238000003062 neural network model Methods 0.000 claims description 40
- 230000006870 function Effects 0.000 claims description 25
- 238000005457 optimization Methods 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 17
- 230000002068 genetic effect Effects 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000001514 detection method Methods 0.000 claims description 9
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 7
- 229910052799 carbon Inorganic materials 0.000 claims description 6
- 238000009529 body temperature measurement Methods 0.000 claims description 4
- 238000010438 heat treatment Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 18
- 238000003860 storage Methods 0.000 description 12
- 238000013507 mapping Methods 0.000 description 6
- 230000001537 neural effect Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000035772 mutation Effects 0.000 description 3
- 241001269238 Data Species 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 210000004218 nerve net Anatomy 0.000 description 2
- 230000003647 oxidation Effects 0.000 description 2
- 238000007254 oxidation reaction Methods 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 206010002660 Anoxia Diseases 0.000 description 1
- 241000976983 Anoxia Species 0.000 description 1
- 241000208340 Araliaceae Species 0.000 description 1
- 206010003497 Asphyxia Diseases 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 206010021143 Hypoxia Diseases 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 150000001335 aliphatic alkanes Chemical class 0.000 description 1
- 230000007953 anoxia Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 150000002431 hydrogen Chemical class 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000002341 toxic gas Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/12—Alarms for ensuring the safety of persons responsive to undesired emission of substances, e.g. pollution alarms
- G08B21/16—Combustible gas alarms
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Health & Medical Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- General Health & Medical Sciences (AREA)
- Toxicology (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
Abstract
本发明公开了一种矿井安全生产的预警方法及装置，该方法包括：采集气体传感器阵列中各气体传感器输出的电阻值，其中，所述气体传感器阵列包括甲烷传感器、一氧化碳传感器、氢气传感器和氧气传感器；根据所述各气体传感器输出的电阻值，确定甲烷浓度值、一氧化碳浓度值、氢气浓度值和氧气浓度值；将所述甲烷浓度值、所述一氧化碳浓度值、所述氢气浓度值和所述氧气浓度值的配比与预设爆炸配比值进行比对，以及将所述甲烷浓度值和所述一氧化碳浓度值分别与各自对应的预设中毒浓度值进行比对，得到比对结果；根据所述比对结果，确定预警类型，并发出相应的预警。
Description
技术领域
本发明涉及矿井安全检测技术领域，更具体地，涉及一种矿井安全生产的预警方法、一种矿井安全生产的预警装置。
背景技术
在煤炭开采过程中，煤炭安全事故时有发生。高精度实时监测矿井瓦斯，并及时分析出可能存在的潜在危险对矿井灾害预警具有相当重要的理论基础和现实意义。
发明内容
本发明的一个目的是提供一种矿井灾害预警的新技术方案。
根据本发明的第一方面，提供了一种矿井安全生产的预警方法，其特征在于，包括：
采集气体传感器阵列中各气体传感器输出的电阻值，其中，所述气体传感器阵列包括甲烷传感器、一氧化碳传感器、氢气传感器和氧气传感器；
根据所述各气体传感器输出的电阻值，确定甲烷浓度值、一氧化碳浓度值、氢气浓度值和氧气浓度值；
将所述甲烷浓度值、所述一氧化碳浓度值、所述氢气浓度值和所述氧气浓度值的配比与预设爆炸配比值进行比对，以及将所述甲烷浓度值和所述一氧化碳浓度值分别与各自对应的预设中毒浓度值进行比对，得到比对结果；
根据所述比对结果，确定预警类型，并发出相应的预警。
可选地，根据所述各气体传感器输出的电阻值，确定甲烷浓度值、一氧化碳浓度值、氢气浓度值和氧气浓度值，包括：
将所述各气体传感器输出的电阻值输入至优化后的RBF神经网络模型中；
利用所述优化后的RBF神经网络模型，对所述各气体传感器输出的电阻值进行处理，得到所述甲烷浓度值、所述一氧化碳浓度值、所述氢气浓度值和所述氧气浓度值。
可选地，所述优化后的RBF神经网络模型的优化步骤包括：
将训练样本输入至RBF神经网络模型，其中，所述训练样本是由甲烷、一氧化碳、氢气和氧气四种气体的浓度值和该四种气体经过气体传感器阵列测量得到的四个电阻值组成的样本数据；
利用遗传算法，对所述RBF神经网络模型中的径向基函数的扩展常数进行优化处理；
将所述RBF神经网络模型中输出的四种气体的浓度值与所述四种气体的已知浓度值的误差满足训练精度要求时对应的扩展常数，传输至所述RBF神经网络模型，得到优化后的RBF神经网络模型。
可选地，根据所述比对结果，确定预警类型，并发出相应的预警，包括：
在所述甲烷浓度值、所述一氧化碳浓度值、所述氢气浓度值和所述氧气浓度值的配比达到预设爆炸配比值的情况下，发出爆炸预警；
在所述甲烷浓度值达到甲烷中毒浓度值或者所述一氧化碳浓度值达到一氧化碳中毒浓度值的情况下，发出中毒预警；
在所述甲烷浓度值、所述一氧化碳浓度值、所述氢气浓度值和所述氧气浓度值达到预设爆炸配比值，且所述甲烷浓度值达到甲烷中毒浓度值或者所述一氧化碳浓度值达到一氧化碳浓度值的情况下，发出高级预警。
可选地，在采集气体传感器阵列中各气体传感器输出的电阻值之前，所述方法还包括：
对所述气体传感器阵列进行加热处理，以及检测工作温度，以使各气体传感器的工作温度达到预设温度值。
可选地，在采集气体传感器阵列中各气体传感器输出的电阻值之后，所述方法还包括：
对所述各气体传感器输出的电阻值进行滤波处理。
根据本发明的第二方面，提供了一种矿井安全生产的预警装置，包括：
气体传感器阵列，包括甲烷传感器、一氧化碳传感器、氢气传感器和氧气传感器；
信号采集模块，用于采集气体传感器阵列中各气体传感器输出的电阻值；
处理模块，用于根据所述各气体传感器输出的电阻值，确定甲烷浓度值、一氧化碳浓度值、氢气浓度值和氧气浓度值；
比对模块，用于将所述甲烷浓度值、所述一氧化碳浓度值、所述氢气浓度值和所述氧气浓度值的配比与预设爆炸配比值进行比对，以及将所述甲烷浓度值和所述一氧化碳浓度值分别与各自对应的预设中毒浓度值进行比对，得到比对结果；
报警模块，根据所述比对结果，确定预警类型，并发出相应的预警。
可选地，所述装置还包括：
加热测温模块，用于对所述气体传感器阵列进行加热处理，以及检测工作温度，以使各气体传感器的工作温度达到预设温度值。
可选地，所述信号采集模块进一步用于：对所述各气体传感器输出的电阻值进行滤波处理。
根据本发明的第三方面，提供了一种矿井安全生产的预警装置，气体传感器阵列、存储器和处理器，其中，所述气体传感器阵列包括甲烷传感器、一氧化碳传感器、氢气传感器和氧气传感器，所述存储器用于存储指令，所述指令用于控制所述处理器进行操作以执行根据第一方面任一项所述的方法。
本发明的一个实施例的有益效果在于：通过气体传感器阵列中甲烷传感器、一氧化碳传感器、氢气传感器和氧气传感器输出的电阻值，可以确定出甲烷、一氧化碳、氢气和氧气的浓度值，实现了对矿井气体中的甲烷、一氧化碳、氢气和氧气的实时监测，同时，通过确定出的甲烷、一氧化碳、氢气和氧气的浓度值，确定发出的预警类型，通过不同类型的预警，实现了对矿井中潜在危险的准确分析和定位。
通过以下参照附图对本发明的示例性实施例的详细描述，本发明的其它特征及其优点将会变得清楚。
附图说明
被结合在说明书中并构成说明书的一部分的附图示出了本发明的实施例，并且连同其说明一起用于解释本发明的原理。
图1是根据本发明一个实施例的矿井安全生产的预警方法的处理流程图。
图2是根据本发明又一个实施例的矿井安全生产的预警方法的处理流程图。
图3是RBF神经网络结构模型示意图。
图4是根据本发明一个实施例的矿井安全生产的预警装置的结构示意图。
图5是根据本发明又一个实施例的矿井安全生产的预警装置的结构示意图。
图6是根据本发明一个实施例的矿井安全生产的预警装置的硬件结构示意图。
具体实施方式
现在将参照附图来详细描述本发明的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
在这里示出和讨论的所有例子中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它例子可以具有不同的值。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
本发明的一个实施例提供了一种矿井安全生产的预警方法。图1是根据本发明一个实施例的矿井安全生产的预警方法的处理流程图。参见图1，该方法至少包括步骤S101至步骤S104。
步骤S101，采集气体传感器阵列中各气体传感器输出的电阻值，其中，气体传感器阵列包括甲烷传感器、一氧化碳传感器、氢气传感器和氧气传感器。
矿井瓦斯中的主要气体成分为甲烷，甲烷是瓦斯爆炸的主要来源。适量的一氧化碳和氢气的加入，也会增加瓦斯爆炸的危险性和危害性。另外，甲烷和一氧化碳均是有毒的气体，浓度过高时会导致矿井工作人员缺氧窒息，甚至死亡。本发明实施例中，设置甲烷传感器、一氧化碳传感器、氢气传感器和氧气传感器，可以实现对矿井气体中的甲烷、一氧化碳、氢气和氧气实时监测。
本发明实施例中，气体传感器阵列在构建时，气体传感器选取在低温下就能做出快速优异响应的气敏器件。例如，甲烷传感器优先选取由石墨烯和金属氧化物复合而成的甲烷传感器。
气体传感器阵列虽然采用了工作温度较低的气体传感器，但是，矿井的环境温度较低，达不到气体传感器阵列的工作温度。因此，本发明实施例中，参见图2，该方法还包括步骤S105，对气体传感器阵列进行加热处理以及工作温度的检测。步骤S106，判断各气体传感器的工作温度是否达到预设温度值，得到判断结果。在判断结果为是的情况下，执行步骤S107，气体传感器阵列工作并输出电阻值。在判断结果为否的情况下，执行步骤S105。例如，利用加热电阻(Pt电阻)对气体传感器阵列进行加热处理，以及利用测温电阻(Pt电阻)进行工作温度的检测，同时通过PID(Proportional-Integral-Differential，比例-积分-微分)实现气体传感器的工作温度的精确控制。
本发明实施例中，参见图2，在采集气体传感器阵列中各气体传感器输出的电阻值之后，该方法还包括步骤S108，对各气体传感器输出的电阻值进行滤波处理。
步骤S102，根据各气体传感器输出的电阻值，确定甲烷浓度值、一氧化碳浓度值、氢气浓度值和氧气浓度值。
本发明实施例中，首先，将各气体传感器输出的电阻值输入至优化后的RBF(Radial Basis Function，径向基函数)神经网络模型中，然后，利用优化后的RBF神经网络模型，对各气体传感器输出的电阻值进行处理，得到甲烷浓度值、一氧化碳浓度值、氢气浓度值和氧气浓度值。
RBF神经网络是一种具有单隐含层的三层网络，其结构模型参见图3。在RBF神经网络中，其映射关系是由输入层到隐含层的映射以及隐含层到输出层的映射两部分构成。输入层到隐含层之间的映射，是基于径向基函数将输入样本x＝(x1,x2,...,xi,...,xn)映射到隐含层节点上，该映射过程是非线性的。其中，隐含层节点的基函数为高斯函数，表现形式为：
其中，ck为径向基函数中心，||x-ck||为向量x-ck的欧几里德范数，代表x与ck之间的距离，σk为径向基函数的扩展常数。隐含层到输出层之间的映射，是基于权值矩阵将隐含层节点输出进行加权求和，进而映射到输出层，该映射过程是线性的。输出层最终的线性合并表现形式为：
其中，q表示隐含层节点个数，wkj表示第k个隐含层与第j个输出层之间的权值。
RBF神经网络中径向基函数的扩展常数(spread)的设置对RBF神经网络性能有较大的影响。选择一个合适的spread对加快RBF神经网络的学习速度和提高网络的学习精度有至关重要的作用。
本发明实施例中，利用遗传算法实现RBF神经网络中径向基函数的扩展常数spread的优化。
RBF神经网络模型的优化步骤包括：将训练样本输入至RBF神经网络模型，其中，训练样本是由甲烷、一氧化碳、氢气和氧气四种气体的浓度值和该四种气体经过气体传感器阵列测量得到的四个电阻值组成的样本数据，利用遗传算法，对RBF神经网络模型中的径向基函数的扩展常数进行优化处理；将RBF神经网络模型中输出的四种气体的浓度值与四种气体的已知浓度值的误差满足训练精度要求时对应的扩展常数，传输至RBF神经网络模型，得到优化后的RBF神经网络模型。
本发明实施例中，将训练样本输入至RBF神经网络模型之前，根据以下公式，对训练样本数据进行归一化处理，
其中，xmax为训练样本数据中的最大值，xmin为训练样本数据中的最小值，xi为训练样本中第i个数据，X为第i个数据归一化之后的值。以训练样本中的甲烷传感器输出的电阻值为例，xmax为训练样本中甲烷传感器输出的电阻值中的最大值，xmin为训练样本中甲烷传感器输出的电阻值中的最小值，xi为训练样本第i个甲烷传感器输出的电阻值。
spread寻优范围为(0，1)，利用遗传算法，从该范围中找到RBF神经网络模型中输出的四种气体的浓度值与四种气体的已知浓度值的误差满足训练精度要求时对应的扩展常数。
遗传算法主要包括以下步骤：种群初始化；对扩展常数进行实数编码；适应度计算；种群遗传；迭代进化；最优解输出和模型确定。
种群初始化步骤中，种群规模N的大小直接影响遗传算法优化RBF神经网络模型中的spread的速度及精度。当N过大时，因计算量的增多会直接导致算法学习效率降低。当N过小时，因遗传算法处理模式的减少会导致算法极易陷入局部最优。本发明实施例中，权衡spread优化的速度及精度，将种群规模N选取为50，即从寻优范围(0，1)中选取50个值。
适应度计算步骤中，适应度函数是引导遗传算法全局搜索的唯一信息，其选取的合适与否直接影响着RBF神经网络模型的性能。适应度函数是指RBF神经网络模型中输出层输出的实际值与RBF神经网络模型中输出层输出的期望值的误差平方和的倒数。
种群遗传操作中，首先，以适应度作为选择准则，通过以下计算式计算每个个体的适应度比例，
其中，pi为第i个个体的适应度比例，F(i)为第i个个体的适应度函数值。通过适应度比例，决定其是否被选择复制到下一代。因为寻优结束后只需要输出一组最优参数值，所以在此可采用只保留最优解的策略，仅将适应度最大的个体复制到下一代种群中。然后，进行交叉操作：采用0.85的交叉概率随机选择种群中的某对个体进行部分基因的交叉运算，从而得到具备部分父类基因且不同于父类的新个体。最后，进行变异操作：变异概率取0.01，并基于此概率对经过选择、交叉操作后的群体进行变异运算。
迭代进化步骤中，重复上述适应度计算步骤和种群遗传操作过程，逐代优化RBF神经网络中的径向基函数的spread，直到训练精度达到10-5或迭代次数t达到最大进化代数100次。
最优解输出及模型确定步骤中，将RBF神经网络模型中输出的四种气体的浓度值与四种气体的已知浓度值的误差满足训练精度要求时对应的扩展常数，传输至RBF神经网络模型，得到优化后的RBF神经网络模型。
利用基于遗传算法优化的RBF神经网络模型，可以实现高精度的确定矿井中的甲烷浓度值、一氧化碳浓度值、氢气浓度值和氧气浓度值，进而可以及时分析出潜在危险，提高了矿井生产的安全性。
步骤S103，将甲烷浓度值、一氧化碳浓度值、氢气浓度值和氧气浓度值的配比与预设爆炸配比值进行比对，以及将甲烷浓度值和一氧化碳浓度值分别与各自对应的预设中毒浓度值进行比对，得到比对结果。
步骤S104，根据比对结果，确定预警类型，并发出相应的预警。
在甲烷浓度值、一氧化碳浓度值、氢气浓度值和氧气浓度值的配比达到预设爆炸配比值的情况下，发出爆炸预警。
在甲烷浓度值达到甲烷中毒浓度值或者一氧化碳浓度值达到一氧化碳中毒浓度值的情况下，发出中毒预警。
在甲烷浓度值、一氧化碳浓度值、氢气浓度值和氧气浓度值达到预设爆炸配比值，且甲烷浓度值达到甲烷中毒浓度值或者一氧化碳浓度值达到一氧化碳浓度值的情况下，发出高级预警。
参见图2，在发出预警之后，该方法还包括步骤S109，将确定出的甲烷浓度值、一氧化碳浓度值、氢气浓度值和氧气浓度值，以及预警结果进行显示。
参见图2，在发出预警之后，该方法还包括步骤S110，将确定出的甲烷浓度值、一氧化碳浓度值、氢气浓度值和氧气浓度值，以及预警结果传输至终端设备。矿井外的工作人员通过该终端设备接收到的数据信息，可以实时掌握矿井中的安全情况。
本发明实施例提供的矿井安全生产的预警方法，通过气体传感器阵列中甲烷传感器、一氧化碳传感器、氢气传感器和氧气传感器输出的电阻值，可以确定出甲烷、一氧化碳、氢气和氧气的浓度值，实现了对矿井气体中的甲烷、一氧化碳、氢气和氧气的实时监测，同时，通过确定出的甲烷、一氧化碳、氢气和氧气的浓度值，确定发出的预警类型，通过不同类型的预警，实现了对矿井中潜在危险的准确分析和定位。
基于同一发明构思，本发明的一个实施例提供了一种矿井安全生产的预警装置。
图4是根据本发明一个实施例的矿井安全生产的预警装置的结构示意图。参见图4，该装置至少包括：气体传感器阵列410，包括甲烷传感器、一氧化碳传感器、氢气传感器和氧气传感器；信号采集模块420，用于采集气体传感器阵列中各气体传感器输出的电阻值；处理模块430，用于根据所述各气体传感器输出的电阻值，确定甲烷浓度值、一氧化碳浓度值、氢气浓度值和氧气浓度值；比对模块440，用于将甲烷浓度值、一氧化碳浓度值、氢气浓度值和氧气浓度值的配比与预设爆炸配比值进行比对，以及将甲烷浓度值和一氧化碳浓度值分别与各自对应的预设中毒浓度值进行比对，得到比对结果；报警模块450，根据比对结果，确定预警类型，并发出相应的预警。
本发明的一个实施例中，信号采集模块420进一步用于：对各气体传感器输出的电阻值进行滤波处理。
本发明的一个实施例中，处理模块430进一步用于：将各气体传感器输出的电阻值输入至优化后的RBF神经网络模型中；利用优化后的RBF神经网络模型，对各气体传感器输出的电阻值进行处理，得到甲烷浓度值、一氧化碳浓度值、氢气浓度值和氧气浓度值。
本发明实施例中，优化后的RBF神经网络模型的优化步骤包括：将训练样本输入至RBF神经网络模型，其中，训练样本为已知气体浓度的甲烷、一氧化碳、氢气和氧气经过气体传感器阵列测量得到的电阻值；利用遗传算法，对RBF神经网络模型中的径向基函数的扩展常数进行优化处理；将RBF神经网络模型中输出的四种气体的浓度值与四种气体的已知浓度值的误差满足训练精度要求时对应的扩展常数，传输至RBF神经网络模型，得到优化后的RBF神经网络模型。
本发明的一个实施例中，报警模块450进一步用于：在甲烷浓度值、一氧化碳浓度值、氢气浓度值和氧气浓度值的配比达到预设爆炸配比值的情况下，发出爆炸预警；在甲烷浓度值达到甲烷中毒浓度值或者一氧化碳浓度值达到一氧化碳中毒浓度值的情况下，发出中毒预警；在甲烷浓度值、一氧化碳浓度值、氢气浓度值和氧气浓度值达到预设爆炸配比值，且甲烷浓度值达到甲烷中毒浓度值或者一氧化碳浓度值达到一氧化碳浓度值的情况下，发出高级预警。
本发明的一个实施例中，参见图5，该装置还包括：加热测温模块460，用于对气体传感器阵列进行加热处理，以及检测工作温度，以使各气体传感器的工作温度达到预设温度值。例如，加热测温模块包括加热电阻(Pt电阻)和测温电阻(Pt电阻)，利用加热电阻(Pt电阻)对气体传感器阵列进行加热处理，以及利用测温电阻(Pt电阻)进行工作温度的检测。
本发明的一个实施例中，参见图5，该装置还包括：显示模块470，用于将确定出的甲烷浓度值、一氧化碳浓度值、氢气浓度值和氧气浓度值，以及预警结果进行显示。
本发明的一个实施例中，参见图5，该装置还包括：无线传输模块480，用于将确定出的甲烷浓度值、一氧化碳浓度值、氢气浓度值和氧气浓度值，以及预警结果传输至终端设备。将确定出的甲烷浓度值、一氧化碳浓度值、氢气浓度值和氧气浓度值，以及预警结果传输至终端设备。
图6是根据本发明一个实施例的矿井安全生产的预警装置的硬件结构示意图。参见图6，该装置至少包括：处理器610、存储器620和气体传感器阵列630。气体传感器阵列630包括甲烷传感器、一氧化碳传感器、氢气传感器和氧气传感器。存储器620用于存储指令，该指令用于控制处理器610进行操作以执行根据上述任一实施例提供的方法。
本发明涉及的主机可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本发明的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本发明操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本发明的各个方面。
这里参照根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。对于本领域技术人员来说公知的是，通过硬件方式实现、通过软件方式实现以及通过软件和硬件结合的方式实现都是等价的。
以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。本发明的范围由所附权利要求来限定。
Claims (10)
1.一种矿井安全生产的预警方法，其特征在于，包括：
采集气体传感器阵列中各气体传感器输出的电阻值，其中，所述气体传感器阵列包括甲烷传感器、一氧化碳传感器、氢气传感器和氧气传感器；
根据所述各气体传感器输出的电阻值，确定甲烷浓度值、一氧化碳浓度值、氢气浓度值和氧气浓度值；
将所述甲烷浓度值、所述一氧化碳浓度值、所述氢气浓度值和所述氧气浓度值的配比与预设爆炸配比值进行比对，以及将所述甲烷浓度值和所述一氧化碳浓度值分别与各自对应的预设中毒浓度值进行比对，得到比对结果；
根据所述比对结果，确定预警类型，并发出相应的预警。
2.根据权利要求1所述的方法，其特征在于，根据所述各气体传感器输出的电阻值，确定甲烷浓度值、一氧化碳浓度值、氢气浓度值和氧气浓度值，包括：
将所述各气体传感器输出的电阻值输入至优化后的RBF神经网络模型中；
利用所述优化后的RBF神经网络模型，对所述各气体传感器输出的电阻值进行处理，得到所述甲烷浓度值、所述一氧化碳浓度值、所述氢气浓度值和所述氧气浓度值。
3.根据权利要求2所述的方法，其特征在于，所述优化后的RBF神经网络模型的优化步骤包括：
将训练样本输入至RBF神经网络模型，其中，所述训练样本是由甲烷、一氧化碳、氢气和氧气四种气体的浓度值和该四种气体经过气体传感器阵列测量得到的四个电阻值组成的样本数据；
利用遗传算法，对所述RBF神经网络模型中的径向基函数的扩展常数进行优化处理；
将所述RBF神经网络模型中输出的四种气体的浓度值与所述四种气体的已知浓度值的误差满足训练精度要求时对应的扩展常数，传输至所述RBF神经网络模型，得到优化后的RBF神经网络模型。
4.根据权利要求1所述的方法，其特征在于，根据所述比对结果，确定预警类型，并发出相应的预警，包括：
在所述甲烷浓度值、所述一氧化碳浓度值、所述氢气浓度值和所述氧气浓度值的配比达到预设爆炸配比值的情况下，发出爆炸预警；
在所述甲烷浓度值达到甲烷中毒浓度值或者所述一氧化碳浓度值达到一氧化碳中毒浓度值的情况下，发出中毒预警；
在所述甲烷浓度值、所述一氧化碳浓度值、所述氢气浓度值和所述氧气浓度值达到预设爆炸配比值，且所述甲烷浓度值达到甲烷中毒浓度值或者所述一氧化碳浓度值达到一氧化碳浓度值的情况下，发出高级预警。
5.根据权利要求1-4中任一所述的方法，其特征在于，在采集气体传感器阵列中各气体传感器输出的电阻值之前，所述方法还包括：
对所述气体传感器阵列进行加热处理，以及检测工作温度，以使各气体传感器的工作温度达到预设温度值。
6.根据权利要求1-4中任一所述的方法，其特征在于，在采集气体传感器阵列中各气体传感器输出的电阻值之后，所述方法还包括：
对所述各气体传感器输出的电阻值进行滤波处理。
7.一种矿井安全生产的预警装置，其特征在于，包括：
气体传感器阵列，包括甲烷传感器、一氧化碳传感器、氢气传感器和氧气传感器；
信号采集模块，用于采集气体传感器阵列中各气体传感器输出的电阻值；
处理模块，用于根据所述各气体传感器输出的电阻值，确定甲烷浓度值、一氧化碳浓度值、氢气浓度值和氧气浓度值；
比对模块，用于将所述甲烷浓度值、所述一氧化碳浓度值、所述氢气浓度值和所述氧气浓度值的配比与预设爆炸配比值进行比对，以及将所述甲烷浓度值和所述一氧化碳浓度值分别与各自对应的预设中毒浓度值进行比对，得到比对结果；
报警模块，用于根据所述比对结果，确定预警类型，并发出相应的预警。
8.根据权利要求7所述的装置，其特征在于，所述装置还包括：
加热测温模块，用于对所述气体传感器阵列进行加热处理，以及检测工作温度，以使各气体传感器的工作温度达到预设温度值。
9.根据权利要求7或8所述的装置，其特征在于，所述信号采集模块进一步用于：对所述各气体传感器输出的电阻值进行滤波处理。
10.一种矿井安全生产的预警装置，其特征在于，气体传感器阵列、存储器和处理器，其中，所述气体传感器阵列包括甲烷传感器、一氧化碳传感器、氢气传感器和氧气传感器，所述存储器用于存储指令，所述指令用于控制所述处理器进行操作以执行根据权利要求1至6中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810509057.2A CN108831121B (zh) | 2018-05-24 | 2018-05-24 | 矿井安全生产的预警方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810509057.2A CN108831121B (zh) | 2018-05-24 | 2018-05-24 | 矿井安全生产的预警方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108831121A true CN108831121A (zh) | 2018-11-16 |
| CN108831121B CN108831121B (zh) | 2020-11-24 |
Family
ID=64145289
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810509057.2A Active CN108831121B (zh) | 2018-05-24 | 2018-05-24 | 矿井安全生产的预警方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108831121B (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111812278A (zh) * | 2020-07-31 | 2020-10-23 | 中煤科工集团重庆研究院有限公司 | 基于数据融合的煤矿采空区气体监测预警系统及方法 |
| CN112091950A (zh) * | 2020-08-21 | 2020-12-18 | 华南理工大学 | 基于混合遗传模拟退火算法的机器人运动学参数辨识方法 |
| CN112109083A (zh) * | 2020-08-21 | 2020-12-22 | 华南理工大学 | 基于遗传禁忌搜索算法的机器人运动学参数辨识方法 |
| WO2020260461A1 (de) * | 2019-06-27 | 2020-12-30 | EnBW Energie Baden-Württemberg AG | Verfahren zur brennwertbestimmung, verfahren zur energiemengenbestimmung eines gases und vorrichtung hierzu |
| CN113049519A (zh) * | 2019-12-27 | 2021-06-29 | 苏州五蕴明泰科技有限公司 | 用于确定一氧化碳排放量的方法、设备和介质 |
| CN113791128A (zh) * | 2021-11-16 | 2021-12-14 | 南京尚中过滤与分析设备有限公司 | 一种转炉煤气中气体浓度安全报警系统及方法 |
| CN115451446A (zh) * | 2022-09-28 | 2022-12-09 | 嵊州市浙江工业大学创新研究院 | 采用静电吸附的智能内循环式吸油烟机系统及其控制方法 |
| CN115719540A (zh) * | 2022-10-17 | 2023-02-28 | 国网河北省电力有限公司电力科学研究院 | 火灾告警装置及火灾告警方法 |
| CN118483945A (zh) * | 2024-05-31 | 2024-08-13 | 镇江金鹏软件科技有限公司 | 一种矿用受控和反馈装置控制系统及其控制方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN201382934Y (zh) * | 2009-04-15 | 2010-01-13 | 北京嘉东科技有限公司 | 一种气体探测传感装置 |
| CN101949892A (zh) * | 2010-08-20 | 2011-01-19 | 中国人民解放军第三军医大学第三附属医院 | 基于rbf人工神经网络和saw气体传感器的气体浓度检测方法 |
| CN102192927A (zh) * | 2010-11-05 | 2011-09-21 | 重庆大学 | 一种基于电子鼻技术的空气质量监测系统及其监测方法 |
| CN104268575A (zh) * | 2014-09-29 | 2015-01-07 | 西南大学 | 基于混合特征矩阵的电子鼻信号处理方法 |
| CN204666549U (zh) * | 2015-05-14 | 2015-09-23 | 中国人民解放军军械工程学院 | 基于bp神经网络的混合气体检测系统 |
| CN105510268A (zh) * | 2015-12-07 | 2016-04-20 | 华中科技大学 | 一种基于光电融合的光纤网络气体传感系统 |
| CN105737886A (zh) * | 2014-12-11 | 2016-07-06 | 徐州江煤科技有限公司 | 矿井用多参数测定器 |
| CN105866207A (zh) * | 2016-05-13 | 2016-08-17 | 池州学院 | 一种矿用气体检测装置 |
| CN105954323A (zh) * | 2016-06-02 | 2016-09-21 | 中国石油大学(华东) | 一种火电厂排放气态污染物超低浓度智能监测装置 |
-
2018
- 2018-05-24 CN CN201810509057.2A patent/CN108831121B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN201382934Y (zh) * | 2009-04-15 | 2010-01-13 | 北京嘉东科技有限公司 | 一种气体探测传感装置 |
| CN101949892A (zh) * | 2010-08-20 | 2011-01-19 | 中国人民解放军第三军医大学第三附属医院 | 基于rbf人工神经网络和saw气体传感器的气体浓度检测方法 |
| CN102192927A (zh) * | 2010-11-05 | 2011-09-21 | 重庆大学 | 一种基于电子鼻技术的空气质量监测系统及其监测方法 |
| CN104268575A (zh) * | 2014-09-29 | 2015-01-07 | 西南大学 | 基于混合特征矩阵的电子鼻信号处理方法 |
| CN105737886A (zh) * | 2014-12-11 | 2016-07-06 | 徐州江煤科技有限公司 | 矿井用多参数测定器 |
| CN204666549U (zh) * | 2015-05-14 | 2015-09-23 | 中国人民解放军军械工程学院 | 基于bp神经网络的混合气体检测系统 |
| CN105510268A (zh) * | 2015-12-07 | 2016-04-20 | 华中科技大学 | 一种基于光电融合的光纤网络气体传感系统 |
| CN105866207A (zh) * | 2016-05-13 | 2016-08-17 | 池州学院 | 一种矿用气体检测装置 |
| CN105954323A (zh) * | 2016-06-02 | 2016-09-21 | 中国石油大学(华东) | 一种火电厂排放气态污染物超低浓度智能监测装置 |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020260461A1 (de) * | 2019-06-27 | 2020-12-30 | EnBW Energie Baden-Württemberg AG | Verfahren zur brennwertbestimmung, verfahren zur energiemengenbestimmung eines gases und vorrichtung hierzu |
| CN113049519A (zh) * | 2019-12-27 | 2021-06-29 | 苏州五蕴明泰科技有限公司 | 用于确定一氧化碳排放量的方法、设备和介质 |
| CN111812278A (zh) * | 2020-07-31 | 2020-10-23 | 中煤科工集团重庆研究院有限公司 | 基于数据融合的煤矿采空区气体监测预警系统及方法 |
| CN112091950A (zh) * | 2020-08-21 | 2020-12-18 | 华南理工大学 | 基于混合遗传模拟退火算法的机器人运动学参数辨识方法 |
| CN112109083A (zh) * | 2020-08-21 | 2020-12-22 | 华南理工大学 | 基于遗传禁忌搜索算法的机器人运动学参数辨识方法 |
| CN113791128A (zh) * | 2021-11-16 | 2021-12-14 | 南京尚中过滤与分析设备有限公司 | 一种转炉煤气中气体浓度安全报警系统及方法 |
| CN113791128B (zh) * | 2021-11-16 | 2022-02-01 | 南京尚中过滤与分析设备有限公司 | 一种转炉煤气中气体浓度安全报警系统及方法 |
| CN115451446A (zh) * | 2022-09-28 | 2022-12-09 | 嵊州市浙江工业大学创新研究院 | 采用静电吸附的智能内循环式吸油烟机系统及其控制方法 |
| CN115719540A (zh) * | 2022-10-17 | 2023-02-28 | 国网河北省电力有限公司电力科学研究院 | 火灾告警装置及火灾告警方法 |
| CN118483945A (zh) * | 2024-05-31 | 2024-08-13 | 镇江金鹏软件科技有限公司 | 一种矿用受控和反馈装置控制系统及其控制方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108831121B (zh) | 2020-11-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108831121A (zh) | 矿井安全生产的预警方法及装置 | |
| Bhoi et al. | Fireds-iot: A fire detection system for smart home based on iot data analytics | |
| CN109325541A (zh) | 用于训练模型的方法和装置 | |
| CN104986347B (zh) | 一种民机航线飞行员操作差错的实时检测方法 | |
| CN118629184A (zh) | 一种烟雾报警器的测试方法及装置 | |
| CN115221233A (zh) | 基于深度学习的变电站多类带电检测数据异常检测方法 | |
| CN109886554A (zh) | 违规行为判别方法、装置、计算机设备和存储介质 | |
| Wu et al. | An IoT tree health indexing method using heterogeneous neural network | |
| Koroglu et al. | Diagnosis of power transformer faults based on multi-layer support vector machine hybridized with optimization methods | |
| Hong et al. | Cluster‐Based Multiobjective Particle Swarm Optimization and Application for Chemical Plants | |
| CN118965223B (zh) | 一种无油干式真空机组的异常诊断方法及系统 | |
| Pednekar et al. | Fire detection using transfer learning and pre-trained model | |
| CN115795353B (zh) | 一种基于不均衡数据集的地下金属目标分类方法及系统 | |
| Lim et al. | Shapelet-based sensor fault detection and human-centered explanations in industrial control system | |
| Marasović et al. | Indoor localization of industrial IoT devices and applications based on recurrent neural networks | |
| Meleshko et al. | Combined approach to anomaly detection in wireless sensor networks on example of water management system | |
| CN118277808A (zh) | 基于dl的高比例新能源电网安全风险评估系统及方法 | |
| Mahmoud et al. | Optimized deep learning for gas sensor | |
| Wang et al. | Concrete compression test data estimation based on a wavelet neural network model | |
| Ganbayev et al. | Enhancing Customs Fraud Detection: A Comparative Study of Methods for Performance Measurement and Feature Improvement | |
| Rong et al. | Hybrid algorithm for two-objective software defect prediction problem | |
| CN113099408A (zh) | 基于仿真的数据机理双驱动的传感器节点部署方法和系统 | |
| CN119207055B (zh) | 一种基于人工智能的智慧消防运维平台 | |
| Pratama et al. | Application of Genetic Algorithm Neural Network in Identifying Buildings in Landslide-Prone Areas | |
| Putra et al. | Lightweight YOLO11 with GhostNet and CBAM for Real-Time Fire Detection |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20200603 Address after: 261061 building 10, Geer phase II Industrial Park, No. 102, Ronghua Road, Ronghua community, Xincheng street, high tech Zone, Weifang City, Shandong Province Applicant after: Weifang goer Microelectronics Co.,Ltd. Address before: 261031 Dongfang Road, Weifang high tech Development Zone, Shandong, China, No. 268 Applicant before: GOERTEK Inc. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |