(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210685575.6 (22)申请日 2022.06.17 (71)申请人 南京中谷芯信息科技有限公司 地址 210012 江苏省南京市雨 花台区软件 大道118号B2栋2层东 (72)发明人 贾明霖　孔德春　 (74)专利代理 机构 北京久维律师事务所 1 1582 专利代理师 邢江峰 (51)Int.Cl. G08B 17/00(2006.01) G08B 17/06(2006.01) G08B 21/16(2006.01) G08B 25/08(2006.01) G08B 25/10(2006.01) G08B 31/00(2006.01)G01D 21/02(2006.01) G06N 3/04(2006.01) (54)发明名称 一种基于多传感器数据融合技术的储能消 防早期预警系统 (57)摘要 本发明公开一种基于多传感器数据融合技 术的储能消防早期预警系统， 包括： MCU、 无线通 讯模块、 热解粒子传感器、 一氧化碳传感器、 氢气 传感器、 温度传感器、 报警器； 所述MCU通过接口 电路分别与热解粒子传感器、 一氧化碳传感器、 氢气传感器、 温度传感器连接， 所述无线通讯模 块、 报警器分别 与所述MCU连接。 本发明涉及消防 预警技术领域， 解决现有的储能消防预警系统预 警时间过晚， 缺乏对多种传感器的数据融合的问 题。 权利要求书2页 说明书6页 附图5页 CN 114783133 A 2022.07.22 CN 114783133 A 1.一种基于多传感器数据融合技术的储能消防早期预警系统， 其特征在于， 包括： MCU （1） 、 无线通讯模块 （2） 、 热解粒子传感器 （3） 、 一氧化碳传感器 （4） 、 氢气传感器 （5） 、 温度传 感器 （6） 、 报警器 （7） ； 所述MCU （1） 通过接口电路分别与热解粒子传感器 （3） 、 一氧化碳传感 器 （4） 、 氢气传感器 （5） 、 温度传感器 （6） 连接， 所述无线通讯模块 （2） 、 报警器 （7） 分别与所述 MCU （1） 连接； 所述MCU （1） 用于通过相应 的接口电路与热解粒子传感器 （3） 、 一氧化碳传感器 （4） 、 氢 气传感器 （5） 、 温度传感器 （6） 进行通讯， 并以1s 的周期轮询读取以上四种传感器的实时数 据； 将四种传感器的实时数据作为卷积神经网络AI模型 的输入数据， 根据所述输入数据输 出火灾风险指数预测 值； 判断所述火灾风险指数预测 值是否超过了用户设置的报警阈值； 如果火灾风险指数预测值超过用户设置的报警 阈值， 控制报警器 （7） 报警； 通过无线通讯模 块 （2） 与云平台进行通讯， 将所述四种传感器的实时数据和火灾风险指数预测值发送给后 台进行展示。 2.如权利要求1所述的一种基于多传感器数据融合技术的储能消防早期预警系统， 其 特征在于， 所述MCU （1） 为ST公司的STM32F405RGT6芯片， 芯片内置ARM ® Cortex® ‑M4 内 核， 主频最大168M Hz 。 3.如权利要求1所述的一种基于多传感器数据融合技术的储能消防早期预警系统， 其 特征在于， 通过相应的接口电路与热解粒子传感器 （3） 、 一氧化碳传感器 （4） 、 氢气传感器 （5） 、 温度传感器 （6） 进行通讯之前， 所述MCU （1） 先用于进行MCU内核及各外围模块的初始 化， 然后进入总任务调度； 所述总任务调度中有两个任务分支； 其中一个任务分支为数据采集任务及卷积神经网 络， 用于以1s的周期轮询读取以上四种传感器的实时数据； 将四种传感器的实时数据作为 卷积神经网络AI模型的输入数据， 根据所述输入数据输出火灾 风险指数 预测值； 另一个任务分支为无线通讯任务， 用于通过无线通讯模块 （2） 与云平台进行通讯， 将所 述四种传感器的实时数据和火灾 风险指数 预测值发送给后台进行展示； 之后判断所述火灾 风险指数 预测值是否超过了用户设置的报警阈值； 如果火灾 风险指数 预测值超过用户设置的报警阈值， 控制报警器 （7） 报警； 如果火灾 风险指数 预测值未超过用户设置的报警阈值， 正常执 行总任务调度。 4.如权利要求1所述的一种基于多传感器数据融合技术的储能消防早期预警系统， 其 特征在于， 卷积神经网络依次包括输入层、 卷积层、 池化层、 全连通层、 输出层； 输入层的输入数据是四种传感器的实时数据， 卷积层的功能是对输入数据进行特征提 取， 卷积层内部包含多个卷积核， 组成卷积核的每个元素都对应一个权重系 数和一个偏差 量； 在卷积层 进行特征提取后， 输出的特征图会被传递至池化层进 行特征选择和信息过滤； 池化层包含预设定的池化函数， 池化函数的功能是将特征图中单个点的结果替换为其相 邻 区域的特征图统计量； 再经过一层卷积层和池化层后进入输出层， 输出A I模型的预测结果， 输出层输出的数据是火灾 风险指数 预测值。 5.如权利要求1所述的一种基于多传感器数据融合技术的储能消防早期预警系统， 其 特征在于， 卷积神经网络AI模型训练所需的实际采集数据样本通过以下方式实现： 选用容 量为60Ah的锂电池组， 电池电压为3.7V， 放置于实验防爆电池箱内， 实验防爆电池箱内上部 安装有四种传感器， 包括热解粒子传感器、 一氧化碳传感器、 氢气传感器和温度传感器， 同权　利　要　求　书 1/2 页 2 CN 114783133 A 2时用70A/3.7V的恒流电源对锂电池组进 行过充， 观察并记录锂电池组的发热及火灾发生过 程并采集四种传感器的数据。 6.如权利要求5所述的一种基于多传感器数据融合技术的储能消防早期预警系统， 其 特征在于， 卷积神经网络A I模型训练中， 将火灾风险指数和时间成指数关系， 拟合后的公式 为 ； 其中y是火灾风险指 数， 取值范围为0 ‑100， 数值越大代表风险越大； x代表时间， 单位是分钟。 7.如权利要求6所述的一种基于多传感器数据融合技术的储能消防早期预警系统， 其 特征在于， 使用STM32CubeMX工具中的X ‑Cube‑AI扩展包将AI框架进行C代码的转化， 以支持 在嵌入式设备上使用， Cube ‑AI把AI模型转化为一堆数组， 而后将这些数组内容解析成模 型， 然后在STM 32的工程代码中使用。权　利　要　求　书 2/2 页 3 CN 114783133 A 3