多变量统计过程控制方法在火灾自动探测中的应用
大数据平台在火灾调查上的应用
随着社会进入智能化时代，火灾调查工作也随之进入飞速发展阶段。
火调工作的理念更新、时代变革和人材紧缺，也促使着火灾调查工作在大数据运用等方面必须发展、进步。
获取相对准确的数据和完整、直观的证据是火灾调查大数据统计工作的前提，数据质量的高低是大数据统计重要指标，以数据和证据为支撑的调查技术势必成为当今或者未来火灾调查技术发展的大趋势。
火灾调查；大数据；应用消防救援队伍从“橄榄绿”过渡到“火焰蓝”后，火灾调查工作对民众和社会的影响也越来越大。
但是，火灾调查技术发展依旧落后、火灾调查数据仍然僵化。
从部队到队伍的转变，“智慧消防”系统仅推动了社会面消防监督执法工作发展，始终未见火灾调查的变革，火灾调查几十年来“以不变应万变”的守旧作风顽强到底。
火灾调查业务系统存在设计缺陷、操作繁琐、智能化低、更新缓慢等问题，严重滞后的技术水平已经成为火灾调查技术发展的困扰。
业务系统及数据库之间形成信息孤岛，从现阶段火灾调查实践应用发现，如消防救援机构开展1业务应用的“全国火灾统计管理系统”“消防监督综合业务平台”和“全国火灾和警情统计管理系统”三个系统，由于建设时期不同、内外网技术壁垒、业务应用重点不同等原因，造成现在的火灾调查电子档案重复录人，数据无交换。
流程无关联。
形成为了数据孤岛，大大降低了实际工作效率和数据价值。
虽然火灾调查研究机构建立了众多火灾调查数据库，但由于不同的数据被存放在不同的系统中，数据资源相互隔离，没有形成有效的流动互通，数据被困在孤岛内，缺乏生机。
传统的以经验为主、依靠专家的“中医式”火灾调查方式曾经在我国火灾事故调查的发展历程中发挥了很大作用。
随着社会的进步，信息化的快速发展，智能化和信息化的发展的未来，“理论数据加证据支持”的火灾调查模式逐渐成为主流。
准确的数据和证据是现代和未来火灾调查的重要支撑，依靠先进的实验室分析仪器，结合专家丰富的现场经验，是查明火灾原因行之有效的办法。
综上所述，消防救援机构亟须建立科学、合理、有效的数据接口标准，并利用大数据、云计算、人工智能、区块链等先进技术，建立火灾调查一体化平台和大数据中心，实现全国火灾调查数据和信息的统一化、电子化、标签化采集、存储与管理，彻底改变当前数据管理模式陈旧、火调信息孤岛等现状，建立科学、系统、完善的数据体系，促进火灾调查工作的信息化建设。
火灾风险的监测和预警系统
温度监测利用温度传感器检测环境温 度的变化。当温度异常升高时，可能 表明存在火灾。温度监测具有简单、 直观的特点，适用于一些特定场所， 如仓库、油库等。
化学气体监测
总结词
化学气体监测通过检测燃烧产生的气体来识别火灾。
详细描述
化学气体监测利用气敏传感器检测空气中特定气体的浓度。当检测到异常浓度的气体时，可能表明存 在火灾。化学气体监测具有较高的准确性，适用于一些特定场所，如化工厂、石油平台等。但可能受 到环境因素和气体泄漏的影响。
视频监控
总结词
视频监控通过实时监测图像变化来识别火灾。
详细描述
视频监控系统利用摄像头捕捉现场图像，通过图像处理技术分析图像变化，如烟雾、火光等，判断是否存在火灾 。视频监控具有直观、实时性强的特点，能够提供现场的详细信息，但可能受到光照、角度等因素的影响。
温度监测
总结词
温度监测通过检测温度变化来识别火 灾。
详细描述
红外线监测技术利用红外探测器检测物体发出的红外辐射，通过分析辐射强度 和波长变化，判断是否存在火灾。该技术具有较高的灵敏度和准确性，能够快 速响应火灾。
烟雾探测
总结词
烟雾探测通过检测烟雾颗粒来识别火灾。
详细描述
烟雾探测器利用光电原理或离子原理检测空气中的烟雾颗粒。当探测到烟雾颗粒 时，探测器会发出警报，提醒人员采取措施。烟雾探测器适用于各种环境和场所 ，但可能受到环境因素的影响，如灰尘、水汽等。
增强实时性
优化数据传输和处理流程，缩短预警响应时 间，提高预警的实时性。
扩大应用范围
将火灾风险的监测和预警系统应用于更多领 域和场景，提高系统的应用价值。
提高可靠性
加强系统的稳定性和可靠性，确保在复杂环 境和条件下能够正常工作。
火灾发生分析线性回归分析报告
火灾发生分析线性回归分析报告概述线性回归是一种常用的统计方法，可以用来研究两个或多个变量之间的关系。
在火灾预防和管理领域中，通过线性回归分析可以探索各种因素对火灾发生率的影响。
本文将对选择的相关变量进行线性回归分析，并提供相应的结果和结论。
数据来源与变量选择本次分析所使用的数据来自国家统计局和消防部门公开发布的数据集，包括各地区的火灾案例数量、年平均温度、人口密度以及建筑物密度等。
经过初步筛选和观察，我们选择了年平均温度、人口密度和建筑物密度作为自变量，火灾案例数量作为因变量。
结果与讨论模型检验：首先，在进行线性回归之前，我们需要对所选自变量与因变量之间是否存在线性关系进行验证。
采用散点图可视化显示不同自变量与因变量之间的关系，并通过判断散点图中是否存在明显趋势来初步判断是否适合进行线性回归。
从图中观察到自变量（年平均温度、人口密度和建筑物密度）与因变量（火灾案例数量）之间均存在一定的线性关系，因此满足进行线性回归的基本条件。
模型建立：接下来，我们使用最小二乘法估计了线性回归模型，并得出相应的回归系数、相关系数和显著性水平。
根据数据拟合和检验结果，得到以下线性回归方程：火灾案例数量 = 0.045 * 年平均温度 + 0.002 * 人口密度 + 0.001 * 建筑物密度其中，年平均温度、人口密度和建筑物密度的回归系数分别为0.045、0.002和0.001。
相关系数表明这些自变量与因变量之间存在正向关系，并且在统计上是显著的。
影响分析：通过对回归方程中各项系数的解释，可以对火灾发生率受年平均温度、人口密度和建筑物密度的影响进行讨论。
1. 年平均温度：根据模型结果显示，年平均温度与火灾案例数量呈正相关关系。
这可能是因为高温天气极易引发火灾，并且在炎热季节人们更倾向于进行户外烧烤等活动，从而增加了火灾风险。
因此，在火灾预防工作中，应重点关注高温条件下的防火措施和宣传教育。
2. 人口密度：模型结果表明，人口密度也与火灾案例数量正相关。
人工智能在火灾预防中的应用
人工智能在火灾预防中的应用随着科技的不断发展，人工智能（Artificial Intelligence，AI）的应用范围也越来越广泛。
在火灾预防领域，人工智能技术的应用正在发挥重要作用，极大地提高了火灾预防的效率和准确性。
本文将探讨人工智能在火灾预防中的具体应用。
一、火灾风险评估与预测火灾风险评估与预测是火灾预防的基础工作之一，而人工智能能够准确地分析火灾风险因素，并对火灾潜在的发生可能性进行预测。
通过机器学习和大数据分析，人工智能系统可以分析历史火灾数据、建筑结构、消防设施状态等多种因素，从而识别出潜在的火灾风险点，并给出预防建议。
例如，智能消防系统可以通过实时监测火灾风险因素，如电路负载、气体泄漏等，及时预警并采取措施消除潜在隐患。
二、智能监控与报警系统火灾发生时，及早发现并迅速反应是保障人员生命安全的关键。
人工智能技术在智能监控与报警系统中的应用，能够实现自动化、智能化的火灾监测与报警。
传感器、摄像头等设备搭配人工智能算法，可以检测火灾烟雾、高温等异常情况，并及时触发报警系统。
此外，人工智能系统还能通过图像识别技术自动分析火灾图像，准确判断火势发展、火灾类型等，为消防人员提供有针对性的救援措施。
三、智能指挥与决策支持在火灾发生时，指挥调度的及时准确性对于救援工作的顺利进行至关重要。
人工智能技术能够为指挥中心提供智能决策支持，快速分析火灾现场情况，提供各种应急响应指南。
通过数据融合、机器学习等技术手段，人工智能系统可以实时监测火灾发展情况、人员疏散状况等，提供灵活、高效的应急决策。
此外，人工智能还可以利用虚拟现实等技术模拟火灾应急场景，为消防人员的培训提供更为真实的体验。
四、救援机器人与无人机应用火灾发生时，现场救援和情况获取常常受到诸多限制。
而通过人工智能技术，救援机器人和无人机的应用可以在很大程度上弥补这些不足。
救援机器人可以进入狭小或危险的空间，搜寻被困人员、测量火势等，提供实时情况反馈。
二元回归分析在火灾数据统计中的应用
二元回归分析在火灾数据统计中的应用摘要火灾现象具有随机性，是个复杂的系统行为。
本文根据国家1998—2002年地区火灾的相关统计数据的平均值，从3个方面：烧毁建筑面积、受伤人数、损失，来分析火灾引起的损失费用与火灾中伤人数目及烧毁建筑面积之间的相关关系，并以回归分析为理论基础，建立了多元线性回归模型。
在通过Excel软件运行求解，得到回归方程。
关键词：火灾数据分析多元线性回归分析相关分析1.引言火灾属于突发伤害事故，是当前社会中发生频率较高且危害较大的一种灾害，特别是在近年来发生的多起群死群伤突发伤害事故中，火灾事故占相当比例，每年都会造成人员伤亡和巨大的经济损失。
鉴于此，本文针对火灾损失的直接相关因素进行了相关性分析研究，并对相关的统计数据进行了回归分析。
2. 原理简介2.1 回归分析简介现实生活中，对于具有相关关系的变量，我们往往不能像函数关系那样找到它们之间的精确表达式，但是通过大量的试验（观测）数据，可以发现它们间存在一定的统计规律性，数理统计中研究某一随机变量（因变量）与其他一个或几个普通变量（自变量）之间变动关系的一种有效方法就是回归分析。
回归分析着重于寻求变量之间近似的函数关系。
回归分析的主要步骤为：①寻求变量间的近似的函数关系（即回归方程，一般通过散点图大致确定回归方程类型）；②求出合理的回归系数；③进行相关性和回归模型检验；④通过检验后，根据回归方程与具体条件进行预测和控制.其中，回归方程又分为一元线性回归、多元线性回归和非线性回归。
a.一元线性回归y=a+bxb.多元线性回归y=a+b1x1+ b2x2+...+ bmXmc.非线性回归q=ALaKb（柯布-道格拉斯生产函数）lnq=lnA+alnL+blnK2.2 相关分析简介变量之间存在很多种关系，其中大致可以分为确定性关系和相关关系。
确定性关系，数学上表述为函数关系；相关关系，变量之间存在联系，但又没有达到可以互相确定的程度。
多指标统计过程控制图的绘制及应用的开题报告
多指标统计过程控制图的绘制及应用的开题报告一、研究背景在生产制造、质量控制、服务管理等领域中，需要对多种指标进行监控和统计分析。
传统的过程控制图主要关注单一指标的变化情况，不能反映出多指标之间的相互影响关系，因此不能满足相应领域的实际需求。
为此，研究人员提出了多指标统计过程控制图（Multivariate Statistical Process Control，MSPC），该方法可以监控和控制多种指标的变化，并判断其是否处于正常范围内，从而实现对全局生产过程的控制。
二、研究内容1. 多指标统计过程控制图的绘制方法与原理：包括多变量正态分布、马氏距离、控制限的确定等。
2. 多指标统计过程控制图在实际生产中的应用：针对某一实际生产过程，构建多指标控制图，从而控制生产质量，保证产品的合格率。
3. 多指标统计过程控制图与其他统计方法的比较：对比传统的单指标过程控制图、回归分析、主成分分析等方法，分析其优缺点，从而加深对多指标控制图的理解和应用。
三、研究意义多指标控制图是一种基于多变量正态分布的统计方法，能够全面掌握生产过程的各个方面，并及时发现生产过程中的问题，提高生产效率和质量。
本研究旨在探究多指标控制图的绘制方法及其在生产实践中的应用，对各个领域实现质量管理的改进和优化具有积极的推动作用。
四、研究方法本研究将采用实证分析法，收集实际生产数据，应用多指标统计过程控制图分析生产过程中的变化规律，并通过对比不同统计方法的优缺点来验证其有效性。
五、预期结果通过对生产数据的分析和验证，本研究预计能够得到以下结果：1. 确定多指标控制图的绘制方法，实现针对多个指标进行控制。
2. 应用多指标控制图对生产过程进行全面控制，提高产品的合格率和生产效率。
3. 对比不同统计方法的优缺点，说明多指标控制图的优越性。
六、研究步骤1. 收集实际生产数据，并对数据进行清洗和处理。
2. 确定多指标控制图的绘制方法，完成绘制。
3. 应用多指标控制图对生产过程进行控制，并与传统单指标控制图进行对比分析。
统计过程控制作业指导书
统计过程控制作业指导书一、引言统计过程控制（SPC）是一种利用统计技术对生产过程进行监控和管理的工具，旨在提高产品质量、降低生产成本并减少不良率。
本作业指导书旨在为实施统计过程控制的工作人员提供一套标准化操作流程和实施方法。
二、目的本作业指导书的主要目的是确保统计过程控制在生产过程中的有效实施，提高产品质量和生产效率，同时降低生产成本和不良率。
三、适用范围本作业指导书适用于所有需要进行统计过程控制的行业和公司，包括但不限于制造业、服务业、医疗行业等。
四、职责质量管理部门负责制定和实施本作业指导书，确保所有工作人员了解并遵守本指导书。
所有参与统计过程控制的工作人员应接受相关培训，并能够理解和执行本指导书。
五、操作流程1、确定控制对象：在实施统计过程控制前，需要明确控制对象，包括产品、过程参数等。
2、数据收集：收集与控制对象相关的数据，确保数据准确、完整。
3、数据整理：对收集到的数据进行整理和分析，包括数据清洗、异常值处理等。
4、绘制控制图：根据整理后的数据，绘制控制图，包括均值-极差图、均值图等。
5、过程分析：分析控制图，查找异常原因，采取改进措施。
6、持续监控：对改进后的过程进行持续监控，确保过程稳定。
六、实施方法1、培训：对参与统计过程控制的工作人员进行培训，确保他们了解并掌握相关知识和技能。
2、制定计划：制定详细的实施计划，包括实施时间、人员分工等。
3、实施：按照实施计划进行统计过程控制的实施。
4、检查与调整：在实施过程中，定期检查统计过程控制的效果，根据检查结果进行调整。
5、总结与反馈：完成实施后，对实施效果进行总结，将结果反馈给相关部门和人员。
七、注意事项1、严格遵守本作业指导书的操作流程和实施方法。
2、对所有参与统计过程控制的工作人员进行定期培训和考核。
3、确保数据的准确性和完整性，避免因数据问题导致误判。
4、在实施过程中保持耐心和细心，遵循科学方法和规范操作。
5、对实施效果进行定期评估，及时调整实施方案。
全国森林火灾统计系统
全国森林火灾统计系统简介全国森林火灾统计系统是一个用于收集、分析和统计全国范围内森林火灾相关数据的系统。
该系统旨在帮助相关部门更好地了解和管理森林火灾情况，为预防和灭火工作提供科学依据。
功能特点数据收集全国森林火灾统计系统提供了便捷的数据收集功能。
用户可以通过系统界面输入和上传森林火灾相关数据，包括火灾地点、起火原因、火势大小等。
系统支持多种数据格式，如文本、Excel表格等。
数据分析全国森林火灾统计系统具备强大的数据分析能力。
系统可以对收集到的数据进行自动化的分析处理，通过数据可视化的方式展示火灾发生的趋势和火灾的主要特征。
用户可以根据自己的需求，选择不同的统计指标和时间范围进行数据分析。
数据统计全国森林火灾统计系统支持对森林火灾数据进行全面的统计。
系统可以根据不同的维度对数据进行统计，如按地区、按时间、按起火原因等进行统计。
用户可以通过统计结果了解各个地区、不同时间段和不同起火原因下的火灾情况，从而为制定有效的预防和灭火措施提供参考。
报表生成全国森林火灾统计系统可以生成多样化的报表。
系统可以根据用户的需求，自动化地生成图表、表格等形式的报表，直观地展示火灾数据分析和统计结果。
生成的报表可以导出为多种常见的格式，如PDF、Word、Excel等，方便用户进行查阅和分享。
多用户管理全国森林火灾统计系统支持多用户管理。
系统管理员可以设置不同用户的角色和权限，确保数据的安全性和管理的及时性。
用户可以根据自己的权限，在系统中进行数据录入、数据查询、报表生成等操作，实现多人协作和高效管理。
使用场景森林管理部门全国森林火灾统计系统为森林管理部门提供了一个集中管理火灾数据的平台。
通过系统的数据收集和分析功能，森林管理部门可以及时了解各地森林火灾的情况和趋势，为火灾预防和灭火工作提供科学指导。
预防部门全国森林火灾统计系统对于预防部门而言，是一个宝贵的工具。
通过系统的数据统计和报表生成功能，预防部门可以深入了解各个地区、不同时间段和不同起火原因下的火灾情况，从而针对性地制定和实施预防策略。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
消防设备研究 多变量统计过程控制方法在火灾自动探测中的应用王鹤寿1,2,赵 旭2,郑水波2(1.上海大学控制科学与工程学院,上海200030;2.公安部上海消防研究所,上海200032) 摘 要:针对传统火灾探测方法存在的智能程度低、误报率高等问题,提出将统计过程控制方法应用到火灾自动探测中。
利用多个传感器在火灾情况下数据中的隐含信息,构建了火灾过程的多参数统计监控模型,从而增强了火灾探测的灵敏度和可靠性。
通过模拟实验,证明了该方法的有效性。
关键词:火灾探测;统计过程控制;火灾报警中图分类号:X924,T N215,T P273 文献标志码:A文章编号:1009-0029(2008)04-0261-03火灾自动探测报警要求能够及时准确地探测并报告火情,通过采取有效的措施,确保人身安全和减少经济损失。
常用的火灾探测技术是根据某种单一的火灾探测器所采集的火灾探测信号(如烟浓度、温度等),采用阈值法来判定火情。
由于火灾探测器的灵敏度固定,探测参数单一,环境条件、噪声干扰和一些不可预测因素的影响,使得这种技术误报率较高。
例如,感温火灾探测器对阴燃火不敏感,响应速度慢;光电感烟探测器对燃烧产生的不可见烟或出现明火的黑烟没有响应。
因此,基于多探测器多参数的火灾探测系统受到越来越多的关注。
多探测器的火灾探测系统可以很全面地捕捉火灾信息,但是由于多探测器系统中各参数的多变性以及参数间的耦合性等不确定因素的存在,使得通过建立基于多参数的规范的数学模型进行火灾探测相当困难。
尤其是面对复杂的工业环境和现场,即使建立出复杂的数学模型,其实用性也不会很强,不能很好地解决火灾探测及时性和可靠性问题。
笔者将多变量统计过程监控方法应用到火灾自动探测算法中,只需要利用火灾和非火灾条件下的历史火灾参数信息,建立火灾统计监控模型对火灾进行实时监控。
该方法不仅避免了建立复杂的规范火灾数学模型,而且可以充分利用历史数据中火灾参数信息,提高火灾监控的实时性,避免单一火灾探测器引起的误报和漏报。
1 多变量统计过程控制1.1 主元分析主元分析是一种多变量统计方法,主要思想是通过线性空间变换求取主元变量,将高维数据空间投影 随着无线传感器网络技术的不断发展和成熟,应用无线传感器网络实现对古建筑的火灾监测将成为现实。
这种智能化无线网络火灾监测系统可以解决传统的有线监测系统布线复杂、造成建筑物的破坏等弊端,尤其适合古建筑火灾的早期探测。
基于无线传感器网络的火灾监测已经成为消防安全新的研究方向。
参考文献:[1]孙利民,李建中,陈渝,等.无线传感器网络[M].北京:清华大学出版社,2005.[2]陆克中,黄刘生,万颍渝,等.无线传感器网络中传感器节点的布置[J].小型微型计算机系统,2006,27(11):2003-2006.[3]王春雷,黄玉,柴乔林,等.基于无线传感器网络的火灾监控系统设计与实现[J].计算机工程与设计,2007,28(10):2320-2322.Research on wireless fire monitoringnetwork for historical buildingsLIU Shi-xing1,GU Qin-dong1,ZHANG Yo ng-ming2,QI Ning1 (1.D epar tment o f applied P hysics,Hefei U niv ersit y o f T echnolog y,A nhui Hefei230009,China; 2.State Key L abor ator y of F ir e Science,U ST C,Anhui Hefei230026, China)Abstract:T he ear ly fire detectio n is essential to the pr otection of histor ical building s.In v iew o f the hist or ical archit ect ur e character istics,t he met hod using wireless netw or k is appr opr iate fo r their fir e mo nitor ing.I n this paper,the ar chitect ur e of wireless sensor netw o rk(W SN)and the techno log y of data tr ansmission in w ir eless detection netw or k is ana ly zed,the sug gesting desig n o f w ir eless fir e mo nito ring system for ancient building s is given,the metho d of fir e monitor ing netw o rk based o n G A IN Z pro duct is descr ibed. Key words:pr otection o f histo rical buildings;fir e detectio n; WSN作者简介:刘士兴,男,合肥工业大学应用物理系副教授,博士,主要从事无线传感器网络和火灾探测研究,安徽省合肥市屯溪路193号,230009。
收稿日期:2007-12-13261到低维主元空间。
由于低维主元空间可以保留原始数据空间的大部分方差信息,并且主元变量之间具有正交性,可以去除原数据空间的冗余信息。
假设X 是一个经过标准化处理的n ×m 的数据矩阵,其中的每一列对应于一个变量,每一行对应于一个样本。
将矩阵X 进行主元分析,可以得到式(1)。
X =X ∧+E =T k P k T+E(1)式中:T k 为得分矩阵,矩阵的维数为(n ×k ),每个得分向量称为矩阵X 的主元,它们之间是相互正交的;P k 为负荷矩阵,矩阵的维数为(m ×k );k 为模型中所保留的主元的个数,第一主元向量提取了X 最多的方差信息,而第一负荷向量则代表了矩阵X 方差变化最大的方向;X ∧相当于由主元向量和负荷向量重构得到,X ∧可以说是由主元模型反推得到的原始数据X 的系统信息;E 为残差矩阵,代表了主元模型的残差信息。
主元可以通过奇异值分解和非线性迭代部分最小二乘等方法进行计算。
主元分析中所保留的主元个数对得到的主元模型的质量有重要影响,可以通过主元累计贡献率法、交叉检验法确定。
1.2 多元统计量及控制限的设定方法当主元模型建立起来后,将新的测量数据投影到由负荷向量张成的主元空间中,得到新的测量数据的主元得分向量和残差量分别表示为式(2)和式(3)。
tnewT=x new T P (P T P )-1(2)e new =x n ew -t n ew T P T(3)多变量统计过程控制就是利用主元得分向量和残差量构造多元统计量,获得系统的实时信息,辨别系统的运行状况。
主元空间中的T 2统计量定义为式(4)。
T 2=t new T S -1t new(4)式中:S 为对角线矩阵,它是由建模数据集X 的协方差矩阵的前k 个特征值所构成。
显然,T 2统计量是由前k 个主元得分共同构成的一个多变量指标,通过主元模型内部的主元向量模的波动来反映多变量的变化。
残差空间中的SPE 统计量定义为式(5)。
SPE =e new e newT(5)SPE 统计量反映了某一时刻测量值对模型的偏离程度。
统计量的控制限是指过程操作点偏离正常操作条件允许的范围。
T 2统计量的控制限可以利用F 分布按式(6)计算。
T 2a ～k (n -1)n -k F k ,n -k ,a(6)式中:n 为建模数据的样本个数;k 为主元模型中保留的主元个数;a 为显著性水平,在自由度为k ,n -k 条件下的F 分布临界值可以由统计表中查到。
残差空间中SPE 统计量的控制限可以由式(7)计算。
SPE a =1[1+C a2 2h 021+ 2h 0(h 0-1)12]1h 0( i =∑nj =k +1ij (i =1,2,3);h 0=1-21 33 22)(7)式中:C a 为正态分布在显著性水平a 下的临界值; j 为X 的协方差矩阵较小的几个特征根。
2 实验研究建模所用的经验历史数据来源于某冶金企业消防控制中心采集到的消防数据,所有的计算程序在M atlab 6环境下开发的。
冶金企业的火灾类型主要是电气室和控制中心电气火灾、地下电缆室和电缆夹层电缆火灾、液压站和润滑站油类火灾。
为了保证测试数据与历史数据的相关性,在实验室做三种类型的实验,分别是废旧电路板的燃烧实验、废旧电缆的燃烧实验和油盘火实验,每类实验做三次。
实验选用了光电感烟探测器、智能定温探测器、红外火焰探测器和CO 2探测器四种火灾探测器的组合。
其中,光电感烟探测器、智能定温探测器和CO 2探测器安装在实验室的顶部中央,红外火焰探测器安装在实验室侧面墙壁上,调整探测角度,使它包含实验的燃烧区域。
每个探测器都与实验室的数据采集系统相连,采集频率为每0.5s 采集一组数据。
每种类型的火灾探测器都设有特定的阈值,当探测器采集的数值大于设定的阈值时,火灾探测器发生报警。
多变量统计过程控制方法是利用消防控制中心的历史数据建立统计监控模型,并由式(6)和式(7)来确定相应的T 2和SPE 统计量的99%的控制限。
火灾监控时,通过各种类型的探测器实时采集过程数据,输入到已经建立好的统计监控模型中,计算相应的T 2和SPE 统计量。
当计算值大于统计量99%的控制限时,认定有火情发生。
表1是9次实验的结果,其中的第3、表1 火灾响应时间比较序号火灾类型各单一探测器的火灾响应时间/s 光电感烟智能定温红外火焰C O 2T 2统计量S PE 统计量1电气火灾45128-11040352电气火灾50126-10842393电气火灾481317111747424电缆火灾54169-9850515电缆火灾621815810659556电缆火灾60172-9060507油类火灾7138128014138油类火灾6045136914159油类火灾6942127315122624、5和6列表示单一火灾探测器探测到火情的响应时间,而第7和8列表示利用多变量统计监控方法,计算出T 2和SPE 统计量超出99%的控制限的时间,相当于该方法对火灾的响应时间。
从实验结果可以看出,对于电气火灾单一传感器中光电感烟探测器的响应时间是最快的,其次是CO 2探测器和智能定温探测器,而红外火焰探测器对电气类火灾不敏感。