基于LSTM算法与模糊推理的机房火灾报警研究

随着物联网技术的迅猛发展,各传感器及其应用所产生的数据量呈海量增长。用于在网络设备上进行传递、加速、展示、计算、存储数据信息的数据中心机房建设迎来了蓬勃发展。鉴于机房的重要地位,一旦发生火灾将会对整个数据中心造成毁灭性影响。为了识别当前火灾所处状态并发出分级火灾报警信息,文章提出了基于长短时记忆网络（Long Short Term Memory,LSTM）算法与模糊推理的多传感器信息融合机房火灾报警模型。该模型分为数据层、特征层和决策层三层。其中数据层对多传感器的数据进行采集与预处理;特征层使用LSTM算法对传感器数据进行火灾状态识别;决策层将识别结果与数据中心机房保护等级和火灾持续时间进行模糊推理融合得出最终的火灾报警决策。通过燃烧实验进行验证,结果表明：文章所提模型对机房火灾状态识别效果优于反向传播（Back Propagation,BP）算法与循环神经网络（Gate Recurrent Unit,GRU）算法的同时可以发出符合当前火情的分级报警决策。     

一种基于Fluent的室内温度传感器优化方案

智慧建筑的实现依赖于传感器,因此,在不影响功能实现或信息传递的情况下,传感器的数量成为决定智慧建筑成本的一个重要因素。文章以优化室内温度传感器布点数为目标,采用ANSYS Fluent对普通工作场所进行三维流体力学模拟,并基于Realizable k-epsilon模型采用二阶迎风格式对室内温度分布进行了仿真分析。仿真结果显示送风口和回风口附近的数据受其影响波动较大,在3～8 m处环境数据趋于稳定。在此基础上,针对30个测量点的ET(Effective Temperature,有效温度指数)值对传感器的测量点位进行优化。实际测试结果表明,所选点位的ET值标准差均低于其余测量点,验证了温度传感器优化方案的可行性。