دانلود ترجمه مقاله سیستم تشخیص زودهنگام نشت گاز و آتش سوزی در خانه هوشمند

1. مقدمه 2. مروری کلی بر سیستم 3. آزمایش 4. نتایج 5. مقالات مرتبط 6. نتیجه گیری

چکیده – ساخت منازل دربرگیرنده تر، ایمن تر، تاب آورتر و با دوام تر، یک نیاز مهم محسوب می شود که باید در هر جامعه ای حاصل گردد. نشت گاز و حریق در منازل هوشمند، مسائل جدی هستند که سبب مرگ و میر انسان ها و خسارت وارد شدن به اموال می شوند. در حال حاضر، سیستم های پیشگیری کننده و هشدار دهنده به طور گسترده ای در دسترس هستند. در عین حال، به طور کلی واحدهای انفرادی دارای کارکردهای مقدماتی بدون قابلیت های کافی چند حسگری و تعامل با شبکه خانگی ماشین به ماشین (M2M) موجود، در کنار شبکه های خارجی همانند اینترنت حضور دارند. در حقیقت، این الگوی مخابراتی به طور آشکار، برجسته ترین الگو و نمونه در آینده نزدیک برای شبکه های خانگی ماشین به ماشین محسوب خواهد شد. در این مقاله، یک مدل سیستم کارامد را برای تلفیق سیستم آشکارسازی نشت گاز و حریق در یک شبکه خانگی ماشین به ماشین متمرکز با استفاده از دستگاه های کم هزینه ارائه می دهیم. آنگاه، از طریق رویکرد یادگیری ماشین، یک روش داده کاوی را همراه با اطلاعات دریافت شده مشمول می نماییم و تغییرات وضعیت هوای غیر عادی را در الگوهای پنهان برای پیش بینی اولیه رخدادهای خطر نمایان می سازیم. این کار به ارتقاء ایمنی و حفظ اموال در خانه های هوشمند کمک خواهد کرد. مقدمه: نشت گاز و حریق در منازل قربانیان بسیار زیاد را به جای گذاشته و به اموال و دارایی ها خسارت وارد می کند. برای مثال، نشت های گاز طبیعی که به شدت قابل اشتعال هستند، خطر حریق را افزایش داده و حتی می توانند سبب ایجاد انفجار شوند. افزون بر آن، مواجهه با نشت گاز در منزل یا استنشاق دود می تواند سبب مشکلات تنفسی بسیار شدید شود. در واقع، استفاده از یک دستگاه اعلام خطر به هنگام، به کاهش قابل توجه خسارات منجر خواهد شد. هر چه یک گاز یا دود زودتر کشف شود، پیامد آن برای نجات افراد و اموال، بهتر خواهد بود. عملاً، دستگاه های آشکارسازی دود و حریق، به عنوان خط اول دفاعی در مقابل چنین مسائلی قلمداد می شوند. در بازار کنونی، اکثر این دستگاه ها خودکفا (واحدهای انفرادی) هستند و بعضاً به عنوان یک شاخص آنی بروز حریق بکار می روند که به طور کلی یک هشدار سمعی یا بصری محلی را از خود آشکارساز صادر نموده که اعلام می کند، یک وضعیت اضطراری برای تخلیه وجود دارد [1،2].

Making houses more inclusive, safer, resilient and sustainable is an important requirement that must be achieved in every society. Gas leakage and fires in smart houses are serious issues that are causing people's death and properties losses. Currently, preventing and alerting systems are widely available. However, they are generally individual units having elementary functions without adequate capabilities of multi-sensing and interaction with the existing Machine-to-Machine (M2M) home network along with the outside networks such as Internet. Indeed, this communication paradigm will be clearly the most dominant in the near future for M2M home networks. In this paper, we are proposing an efficient system model to integrate the gas leakage and fire detection system into a centralized M2M home network using low cost devices. Then, through machine learning approach, we are involving a data mining method with the sensed information and detect the abnormal air state changes in hidden patterns for early prediction of the risk incidences. This work will help to enhance safety and protect property in smart houses. INTRODUCTION: Gas leakage and fires in houses are causing many victims and property damages. For example, the natural gas leaks, which is highly flammable, increase the risk of fire and can even provoke explosion. Furthermore, exposure to gas leak in home or smoke inhalation can cause very serious respiratory complications. Indeed, the use of an early warning system results in significant reduction in losses. The sooner a gas or smoke is detected, the better the outcome for saving lives and properties. Practically, smoke and fire detection devices are considered the first line of defense against these issues. On the current market, most of these devices are standalone (individual units) and typically used as an immediate indicator of fire incidence that generally issues a local audible or visual alarm from the detector itself announcing that there is an emergency for evacuation [1,2].

ترجمه این مقاله در 14 صفحه آماده شده و در ادامه نیز صفحه 12 آن به عنوان نمونه قرار داده شده است که با خرید این محصول می توانید، فایل WORD و PDF آن را دریافت نمایید.