报警管理

在火灾探测等众多应用中,可使用简单的最大阈值、温度梯度或与平均温度差的报警方式实现可靠的防护。根据环境条件和预期的临界阈值,可针对每个检测区域分别设置和调整这些参数,以最大限度地满足应用需求。

我们专有的SmartAlarm™报警管理技术优于这些简单的方法。

我们与各应用领域的专家合作,开发了独特的方法和算法,可检测较小的泄漏量等异常;即使环境条件不断变化、泄漏本身不会产生较大的温差,也能实现检测。 我们根据现场条件的具体情况,开发并应用不同的算法。 在标准报警参数往往无法检测到的局部事件下,或者在由于超敏感参数而导致误报警的局部事件下,SmartAlarm也可以发出警报。

这些算法可以分析整体资产(例如管道或电力电缆)的历史温度变化和趋势。 同时捕捉运行过程中环境温度的变化和影响。 将这些信息组合后开发的统计算法可以区分资产的正常环境变化与泄漏等异常事件。即使在传统定义的报警参数无法设置的挑战性多变条件下,也能实现可靠的检测。

此外,我们的机器学习瞬态报警(MLTA)算法可以识别异常资产行为,否则这些行为将一直隐藏在分布式温度传感(DTS)系统捕获的温度曲线中。我们独特的MLTA技术的实施可以隔离受监控资产的热瞬变,即使是冷点和热点的很小的异常情况也可以快速可靠地发出警报。 

我们的主要目的是使用分布式声音传感/分布式振动传感(DAS/DVS),提高检测概率(POD)和降低干扰报警率(NAR)。 机器学习算法分析声音模式,例如声音大小、空间传播、频率范围、持续时间和重复次数、速度和其他参数。 因此,系统能够忽略正常的背景活动,同时识别关键的第三方入侵(TPI)事件。 DAS机器学习可检测各种事件,例如挖掘、钻孔或靠近的车辆,也可以检测泄漏引起的负压力波或孔口等事件。 然后,可以在与客户商定的定义情景下发出警报。此类情景包括挖掘或钻孔、靠近的车辆、管道泄漏产生的负压力波和孔口噪音,或者抛锚在电力电缆附近等水下威胁。 我们的资产可视化软件SmartVision可以对这些报警点进行轻松监控,一目了然。

可配置多种报警类型,包括:
  • 温度报警:最大阈值、梯度和相对温度变化。 ​
  • 声信号报警:基于特定事件产生的声音模式的报警。
  • 机器学习瞬态报警:复杂的报警算法,以可靠地识别运行期间的异常事件。
  • 系统状态和故障:仪器、软件或传感光纤(光纤断裂)的任何故障。
  • 外部传感器报警:任何外部传感器的信号。 ​​
SmartAlarm模块的综合资产报警管理可以实现:
  • 沿着监测资产配置报警区域和多边形资产区域
  • 每个区域的阈值和报警类型
  • 向外围设备或上级管理系统发送警报
  • 处理报警,例如确认、历史、导出
  • 列出所有连接仪器以及系统状态和连通性监测
  • 基于客户需求的其他功能