文物建筑热解粒子特征识别的电气火灾监控方法与流程

1.本发明涉及文物建筑领域，具体为文物建筑热解粒子特征识别的电气火灾监控方法。


背景技术：

2.物质在受热时分解出粒子和气体，此种粒子是能够以自由状态存在的最小物质组分。无论何种原因引起的电气火灾，早期都体现为物体发热，释放粒子、气体，产生异味。高、低压配电柜内发生的电气故障主要的发热体是线缆、负荷开关和保护电器，在配电柜内发热分解出的粒子主要是烟粒子和气体分子。文物建筑的配电设施，特别是一些古村落的配电柜安装在文物建筑的木质结构本体上，配电柜的温度会传导到木质材料上，温度过高会引起木材的热解。
3.在一般民用建筑中通常采用气体传感器结合激光烟雾传感器的方法进行热解粒子的探测。配电柜中各类绝缘材料的热解温度一般为80℃，热解气体成分以塑化剂成分为主，在配电柜的实际探测中，热解气体达到可感知的浓度时，材料的表面温度可达到90℃以上。
4.木结构建筑不能长期处于50℃的温度中使用，若木材长期处于60℃～100℃，会引起水分和所含挥发物的蒸发，强度下降，变形增大，颜色呈暗褐色，增加文物建筑电气火灾的风险为此我们提出文物建筑热解粒子特征识别的电气火灾监控方法。


技术实现要素：

5.基于背景技术存在的技术问题，本发明提出了文物建筑热解粒子特征识别的电气火灾监控方法，以解决背景技术中提出的问题。
6.本发明提供如下技术方案：
7.文物建筑热解粒子特征识别的电气火灾监控方法，包括如下步骤：
8.a、采用激光粒子传感器，分析不同热解粒子的1.0μm、2.5μm和10.0μm粒径分布特征，采用voc气体传感器分析气体浓度特征，采用bp神经网络分析算法，建立木材和各类电气绝缘材料的特征数据，实现木材挥发物与电气绝缘材料热解气体的特征识别技术；
9.b、网络的输出为电气火灾风险量化值α，风险量化值采用风险评估函数进行计算：
[0010][0011]
式中：
[0012]
t—材料表面温度，取值范围：0℃～190℃；
[0013]
n—材料种类编号，取值范围：1～9；
[0014]
tr—材料达到热解起始温度后的持续时间，单位：s。
[0015]
输入矩阵x＝[λ1，λ
2.5
，λ
10
，p1，p2，p3，v]，输出值为风险评估值α；
[0016]
c、在对实验样本进行训练时，采用层次分析法获取评估值；首先对不同材料类型
进行编码，任何根据不同材料的输入矩阵和表面温度，按照相关的专业知识进行客观的重要度比较后对比较结果进行一定的定量表示，再利用数学方法确定比较结果的科学性和合理性。
[0017]
优选的，所述bp神经网络模型作为前馈神经网络模型，由输入层、隐藏层和输出层三部分组成。
[0018]
优选的，所述隐含层是连接神经网络输入层和输出层的中间结构，采用单隐层网络结构，隐含层的节点数量根据公式进行计算：
[0019][0020]
式中：
[0021]
m—隐含层节点个数；
[0022]
m—输出层神经元个数；
[0023]
n—输入层神经元个数；
[0024]
a—0到10之间的常数。
[0025]
本发明提供了文物建筑热解粒子特征识别的电气火灾监控方法，本发明针对文物建筑本体为木结构的特点，分析木材在60℃条件下，以及各类电气绝缘材料在80℃条件下，热解挥发物粒径特征和气体成分特征，解决热解粒子探测技术在文物建筑中的适用性问题。
附图说明
[0026]
图1为本发明标识解析图；
具体实施方式
[0027]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0028]
请参阅图1，本发明提供一种技术方案：
[0029]
文物建筑热解粒子特征识别的电气火灾监控方法，包括如下步骤：
[0030]
a、采用激光粒子传感器，分析不同热解粒子的1.0μm、2.5μm和10.0μm粒径分布特征，采用voc气体传感器分析气体浓度特征，采用bp神经网络分析算法，建立木材和各类电气绝缘材料的特征数据，实现木材挥发物与电气绝缘材料热解气体的特征识别技术；
[0031]
b、网络的输出为电气火灾风险量化值α，风险量化值采用风险评估函数进行计算：
[0032][0033]
式中：
[0034]
t—材料表面温度，取值范围：0℃～190℃；
[0035]
n—材料种类编号，取值范围：1～9；
[0036]
tr—材料达到热解起始温度后的持续时间，单位：s。
[0037]
输入矩阵x＝[λ1，λ
2.5
，λ
10
，p1，p2，p3，v]，输出值为风险评估值α；
[0038]
c、在对实验样本进行训练时，采用层次分析法获取评估值；首先对不同材料类型进行编码，任何根据不同材料的输入矩阵和表面温度，按照相关的专业知识进行客观的重要度比较后对比较结果进行一定的定量表示，再利用数学方法确定比较结果的科学性和合理性。
[0039]
进一步地，所述bp神经网络模型作为前馈神经网络模型，由输入层、隐藏层和输出层三部分组成；除输入层和输出层只有一层外，隐藏层可以有一层也可以有多层，以单隐层进行分析，如图1所示，其中x
a
是网络结构的输入数据，i是网络结构的输入层，w
ab
是输入层参数x
a
到隐藏层节点hb的连接权值，h是网络结构的隐藏层，w
bc
是隐藏层节点hb到输出层节点o
c
的连接权值，o是网络结构的输出层，y
c
是网络结构的实际输出；
[0040]
网络的输入参数包括：
[0041]
λ1—1μm粒子浓度；
[0042]
λ
2.5
—2.5μm粒子浓度；
[0043]
λ
10
—10μm粒子浓度；
[0044]
p1—1μm粒子浓度与2.5μm粒子浓度的比值；
[0045]
p2—1μm粒子浓度与10μm粒子浓度的比值；
[0046]
p3—2.5μm粒子浓度与10μm粒子浓度的比值；
[0047]
v—voc传感器响应值。
[0048]
进一步地，所述隐含层是连接神经网络输入层和输出层的中间结构，采用单隐层网络结构，隐含层的节点数量根据公式进行计算：
[0049][0050]
式中：
[0051]
m—隐含层节点个数；
[0052]
m—输出层神经元个数；
[0053]
n—输入层神经元个数；
[0054]
a—0到10之间的常数。
[0055]
本文中m＝1；n＝7；a取值2；则隐含层节点数m＝5。
[0056]
神经网络的激活函数选取logsigmoid函数：
[0057][0058]
表1列举了神经网络的部分训练数据，本发明采用400组数据进行了网络训练，并对600组实验数据进行电气火灾风险预测，部分实验数据的预测结果如表2所示；
[0059]
表1电气火灾风险量化值训练样本举例
[0060][0061]
表2电气火灾风险分析结果
[0062][0063]
由表2数据分析，本发明建立的数据分析模型，预测准确率为88.52％。预测模型对于高火灾风险时的准确率高于低风险时的准确率。
[0064]
以上，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。