CN110324081B - 分布式多节点协同的光纤布拉格光栅传感器故障定位方法 - Google Patents

分布式多节点协同的光纤布拉格光栅传感器故障定位方法 Download PDF

Info

Publication number
CN110324081B
CN110324081B CN201910644626.9A CN201910644626A CN110324081B CN 110324081 B CN110324081 B CN 110324081B CN 201910644626 A CN201910644626 A CN 201910644626A CN 110324081 B CN110324081 B CN 110324081B
Authority
CN
China
Prior art keywords
fbg
node
spectrum
data
distortion
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910644626.9A
Other languages
English (en)
Other versions
CN110324081A (zh
Inventor
江灏
王尤刚
陈静
缪希仁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fuzhou University
Original Assignee
Fuzhou University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Fuzhou University filed Critical Fuzhou University
Priority to CN201910644626.9A priority Critical patent/CN110324081B/zh
Publication of CN110324081A publication Critical patent/CN110324081A/zh
Application granted granted Critical
Publication of CN110324081B publication Critical patent/CN110324081B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D18/00—Testing or calibrating apparatus or arrangements provided for in groups G01D1/00 - G01D15/00
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B10/00—Transmission systems employing electromagnetic waves other than radio-waves, e.g. infrared, visible or ultraviolet light, or employing corpuscular radiation, e.g. quantum communication
    • H04B10/07—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems
    • H04B10/075—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using an in-service signal
    • H04B10/079—Arrangements for monitoring or testing transmission systems; Arrangements for fault measurement of transmission systems using an in-service signal using measurements of the data signal
    • H04B10/0791—Fault location on the transmission path

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Signal Processing (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Electromagnetism (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Optical Communication System (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明涉及一种分布式多节点协同的光纤布拉格光栅传感器故障定位方法。针对FBG传感网络中的故障数据的异常状态，结合蚁群算法与支持向量机，对分布式多节点的FBG网络故障节点进行精准定位。

Description

分布式多节点协同的光纤布拉格光栅传感器故障定位方法
技术领域
本发明涉及光传感技术、光纤布拉格光栅以及智能算法应用等领域，具体涉及一种基于蚁群算法与支持向量机的分布式多节点协同的光纤布拉格光栅传感器故障定位方法。
背景技术
随着工业智能化的不断推进革新，新型传感技术起着越来越重要的作用。光纤布拉格光栅(Fiber Bragg Grating,FBG)传感器作为新型传感技术的一个重要分支，由于其完全无源并且没有使用任何电子元件的特点，使其能工作在极端环境并能抗电磁干扰，另外FBG传感器还具有对应力和温度线性传感、体积小、灵敏度高、耐腐蚀、可复用等优势，因此，FBG传感技术逐渐在新型传感技术中脱颖而出并得到广泛的使用。
尽管FBG传感器拥有以上诸多优势，但随着其应用场景需求不断趋向智能化和多样化，其使用环境也变得越发恶劣复杂，在如此极端的环境中长期工作以及施工技术和结构设计的局限，FBG传感器不可避免的会出现不同程度的性能退化现象，导致FBG传感器的故障。FBG传感网络中一旦出现局部故障失效会直接导致整个系统采集的数据不准确，使监测系统无法得到正确的检测信息，从而做出错误的决策，进而降低整个传感网络的服务质量。准确地识别和定位故障节点能够为FBG传感网络进行有针对性的故障修复提供数据支撑，提高FBG传感网络的可靠性。因此，对FBG传感网络中的故障节点进行识别和定位的研究具有重要的现实意义。
目前，对FBG传感器故障检测的研究仅停留在FBG节点损坏和光纤线路断裂等外部结构破坏的层面，没有针对FBG传感网络中故障数据的异常状态进行判决，而FBG传感网络因长期工作于极端环境并且受到目前技术的限制，必然导致性能退化，故即使FBG传感器外部结构尚未断裂破坏也会存在因网络中传感器数据异常导致整个网络的故障失效。根据FBG传感网络中故障数据的异常状态可将FBG传感网络故障分为以下两类：一、由于FBG传感通讯故障，导致FBG传感器所采信号丢失；二、FBG传感器性能退化，导致FBG传感器所采集数据出现不同程度的光谱畸变、光强衰减、光谱重叠等现象。
发明内容
本发明的目的在于克服上述技术不足，提供一种分布式多节点协同的光纤布拉格光栅传感器故障定位方法，针对FBG传感网络中的故障数据的异常状态，结合蚁群算法与支持向量机，对分布式多节点的FBG网络故障节点进行精准定位。
为实现上述目的，本发明提供了一种分布式多节点协同的光纤布拉格光栅传感器故障定位方法，针对不同的故障数据异常状态分别制定了以下故障定位方案：
方案1：为解决因FBG传感通讯故障，导致FBG传感器所采集信号丢失的故障定位问题，由于此类故障会直接导致故障节点的检测数据缺失，直观性强，对此本发明直接采用对数据统计分析，若某节点数据出现缺失，则判定该FBG传感网络节点故障。
方案2：为解决因FBG传感器性能退化，导致FBG传感器所采集数据出现不同程度的光谱畸变、光强衰减等故障定位问题，本方案通过提取不同应变或温度下FBG网络的监测光谱信号，对畸变光谱信号进行特征分析，采用具有不对称性质的类超高斯函数构造畸变光谱理论方程，运用基于反射光谱重构的解调原理，设计应对畸变光谱的解调模型。利用蚁群算法实现该解调模型，对采集的畸变光谱进行寻优，寻得FBG的中心波长与畸变参数，通过对所获取到的FBG的中心波长和畸变参数设定一定的阈值，当实测中心波长与畸变参数超出所设定阈值范围时，则判定该FBG传感网络节点故障。
方案3：为解决因FBG传感器性能退化，导致FBG传感器所采集数据较实际值出现波长偏移的故障定位问题，本方案通过分析FBG传感网络节点之间相关性强弱，采集各节点的历史数据作为样本，运用支持向量机进行训练，构建所有节点的冗余模型，利用节点的冗余模型对FBG网络节点的故障进行监测，若通过光谱仪所采集到的FBG传感网络节点的实际波长值与冗余模型所得到的计算波长值不等，则判定该FBG传感网络节点故障。
相较于现有技术，本发明具有以下有益效果：本发明方法针对FBG传感网络中的故障数据的异常状态，结合蚁群算法与支持向量机，对分布式多节点的FBG网络故障节点进行精准定位。
附图说明
图1光谱数据采集示意图。
图2典型畸变光谱示意图。
图3蚁群算法对畸变光谱解调流程图。
图4基于SVM的分布式FBG传感器的故障定位系统架构图。
具体实施方式
下面结合附图，对本发明的技术方案进行具体说明。
首先，需要分析光纤布拉格光栅的理论模型，由理论分析可知，布拉格光纤光栅的反射光谱是一个窄带光谱，其尖峰的中心波长被称为布拉格波长λB。布拉格波长λB取决于光纤光栅的有效折射率neff和光栅周期Λ。布拉格方程给出，当光纤光栅受到应力或温度影响时，有效折射率neff和光栅周期Λ会发生不同程度的改变，从而引发布拉格波长λB的漂移。只要测量出这个波长漂移就可以间接测量出传感参量的值。任何使有效折射率neff和光栅周期Λ发生改变的物理过程都将引起光栅布拉格波长的漂移，光纤光栅的一系列传感应用正是基于这个物理原理设计。在所有引起光纤光栅布拉格波长漂移的外界因素中，最直接的是应力和温度参量，这两个参量与布拉格波长漂移的关系是线性的，而且是同时作用的。其传感方程可以表示如下:
Figure GDA0003639482640000031
式中ξ是应力的变化，ΔT是温度的变化，Kξ是应变敏感系数，KT是温度敏感系数。各类光纤传感应用原理均是在此基础上具体分析和推导的。
其次，应对FBG传感网络数据的采集过程进行说明，如图1所示为光谱数据采集示意图，FBG的反射光谱通过3dB光耦合器进入光谱分析仪(OSA)等光谱分析设备，周期性采样后便可以得到光谱数据，将实时获取到的采样数据上传至计算机端进行存储和处理。通过上述数据采集过程可以得到FBG的反射光谱样本，为下述各方案的实现提供了数据支撑。
具体的，本发明提供了一种分布式多节点协同的光纤布拉格光栅传感器故障定位方法，针对不同的故障数据异常状态分别制定了以下故障定位方案：
方案1：为解决因FBG传感通讯故障，导致FBG传感器所采集信号丢失的故障定位问题，由于此类故障会直接导致故障节点的检测数据缺失，直观性强，对此本发明直接采用对数据统计分析，若某节点数据出现缺失，则判定该FBG传感网络节点故障。
方案2：为解决因FBG传感器性能退化，导致FBG传感器所采集数据出现不同程度的光谱畸变、光强衰减等故障定位问题，本方案通过提取不同应变或温度下FBG网络的监测光谱信号，对畸变光谱信号进行特征分析，采用具有不对称性质的类超高斯函数构造畸变光谱理论方程，运用基于反射光谱重构的解调原理，设计应对畸变光谱的解调模型。利用蚁群算法实现该解调模型，对采集的畸变光谱进行寻优，寻得FBG的中心波长与畸变参数，通过对所获取到的FBG的中心波长和畸变参数设定一定的阈值，当实测中心波长与畸变参数超出所设定阈值范围时，则判定该FBG传感网络节点故障。
方案3：为解决因FBG传感器性能退化，导致FBG传感器所采集数据较实际值出现波长偏移的故障定位问题，本方案通过分析FBG传感网络节点之间相关性强弱，采集各节点的历史数据作为样本，运用支持向量机进行训练，构建所有节点的冗余模型，利用节点的冗余模型对FBG网络节点的故障进行监测，若通过光谱仪所采集到的FBG传感网络节点的实际波长值与冗余模型所得到的计算波长值不等，则判定该FBG传感网络节点故障。
方案1的具体实现方式为：通过将所采集到的FBG传感网络所有节点数据进行数据统计分析处理，若对应FBG传感网络节点的光谱消失，则判定该FBG传感器网络节点故障。
方案2的具体实现方式为：
(2.1)如图2所示为典型的FBG畸变光谱图，由FBG传感器性能退化而引起的光谱畸变可以大致分为四种类型：一、展宽变大，峰顶变平；二、光谱波形不对称，中心波长偏移；三、光强变弱，中心波长难以识别；四、旁瓣增加，旁瓣会发生叠加产生附加峰。针对以上畸变类型，本发明在超高斯函数基础上，采用如下基本模型框架，得到适用于畸变光谱的理论模型：
Figure GDA0003639482640000041
式中λB是布拉格波长；ε是衰减因子且ε<1，衡量对光强Ir的影响，反映光谱衰减程度，ε的值越小，光谱衰减越严重，光谱峰值越低；τ是展宽参数(理论上是大于0的偶数)，τ值越大主峰展宽越大；α则是控制波形不对称的参数(理论上是大于1的数)，α值越大光谱波形左右差异越大，即波形越不对称；
(2.2)大量实验测试得到畸变参数范围，对应不同应用场景，对波长精度要求的大小，设定不同的畸变参数波长范围，即ε∈(εe，1)、τ∈(0，τe)、α∈(1，αe)；其中，εe是衰减阈值，表示光谱可接受的衰减极限值，由人为设定在(0,1)之间的一个值；τe是最大允许展宽阈值，表示光谱可接受的最大展宽畸变值，由人为设定的大于0的偶数；αe是最大允许波形不对称度，表示光谱可接受的最大波形不对称畸变值，由人为设定大于0的常数；
(2.3)在(2.1)得到的畸变光谱的理论模型的基础上，利用最小化理论光谱与实际光谱差异度的原理来进行FBG解调，构建如下的解调模型：
min:
Figure GDA0003639482640000042
式中λB,ε,τ,α为待求的决策变量；R0(λ)为实际需要解调的FBG传感网络光谱数据，在求解该解调模型的同时，还需要辨识出ε,τ,α这三个畸变参数；
(2.4)利用蚁群算法实现(2.3)得到的解调模型对畸变光谱的解调求解，如图3所示为利用蚁群算法对畸变光谱解调流程图：①对相关参数进行初始化，包括蚁群规模、信息素因子、启发函数因子、信息素挥发因子、信息素常数、最大迭代次数等，以及将R0(λ)读入程序，并进行预处理；②随机将蚂蚁放于不同出发点，对每个蚂蚁计算其下个访问城市，直到有蚂蚁访问完所有城市；③计算各蚂蚁经过的路径长度，记录当前迭代次数最优解，同时对路径上的信息素浓度进行更新；④判断是否达到最大迭代次数，若否，返回②；是，结束程序；⑤输出最优解，得到采样光谱的中心波长值λB与三个畸变参数ε,τ,α；
(2.5)将(2.4)所求出的三个畸变参数ε,τ,α与(2.2)中所设定畸变参数波长范围进行比较，若实测畸变参数超出所设定波长范围时，则判定该FBG传感网络节点故障。
方案3的具体实现方式为：
(3.1)如图4所示为基于SVM的分布式FBG传感器的故障定位系统架构图，首先将采集的FBG传感网络所有节点数据，对每个节点分别与其他节点进行相关性分析，得到每一个FBG传感器对应的相关性最强的领域节点；其中相关性大小的计算公式如下所示：
Figure GDA0003639482640000051
式中n为FBG节点数，ρij为第i个FBG节点与第j个FBG节点的相关性值，bi，bj分别是第i，j个FBG节点对应的数据向量，x是数据向量b中第x个数据，其中
Figure GDA0003639482640000052
由上式计算可以得到每个节点FBG的相关性大小，得到相关性矩阵如下；
Figure GDA0003639482640000053
(3.2)根据(3.1)的计算公式计算选出每个节点的强相关邻域节点；
(3.3)采用支持向量机(SVM)为每个节点进行冗余模型训练，得到每个节点的SVM冗余模型；将采集到的数据分成训练集和测试集，用训练集完成模型的训练，用测试集来验证模型的正确率；
(3.4)FBG传感网络节点故障监测：通过将采集的光谱数据分别输入至SVM冗余模型和常规解调模块(常规解调模块是将光谱数据通过3dB光耦合器进入光谱分析仪(OSA)等光谱分析设备，直接得到光谱波长值)，分别得到两个波长值λi1、λi2，则其误差值Δλi＝|λi1-λi2|，设定误差容许值Δλe，若Δλi＜Δλe，则该FBG传感网络节点正常，反之，则该传感网络FBG节点故障。
以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。

Claims (3)

1.一种分布式多节点协同的光纤布拉格光栅传感器故障定位方法，其特征在于，实现如下：
(1)对FBG传感网络所有节点数据进行数据统计分析处理，若FBG传感网络节点的数据缺失，则判定该FBG传感网络节点故障；
(2)提取不同应变或温度下FBG网络的监测光谱信号，对畸变光谱信号进行特征分析，采用具有不对称性质的类超高斯函数构造畸变光谱理论方程，运用基于反射光谱重构的解调原理，设计应对畸变光谱的解调模型；而后，利用蚁群算法实现该畸变光谱的解调模型，对采集的畸变光谱进行寻优，寻得FBG的中心波长与畸变参数，通过对所获取到的FBG的中心波长和畸变参数设定预定阈值，当实测中心波长与畸变参数超出设定阈值范围时，则判定该FBG传感网络节点故障；
(3)通过分析FBG传感网络节点之间相关性强弱，采集各节点的历史数据作为样本，运用支持向量机进行训练，构建所有节点的冗余模型，利用节点的冗余模型对FBG传感网络节点的故障进行监测，若通过光谱仪所采集到的FBG传感网络节点的实际波长值与冗余模型所得到的计算波长值不等，则判定该FBG传感网络节点故障；
所述(2)的具体实现方式为：
(2.1)针对由FBG传感器性能退化而引起的光谱畸变，在超高斯函数基础上，采用如下基本模型框架，得到适用于畸变光谱的理论模型：
Figure FDA0003639482630000011
式中λB是布拉格波长；ε是衰减因子且ε<1，衡量对光强Ir的影响，反映光谱衰减程度，ε的值越小，光谱衰减越严重，光谱峰值越低；τ是展宽参数，τ值越大主峰展宽越大；α则是控制波形不对称的参数，α值越大光谱波形左右差异越大，即波形越不对称；
(2.2)设定不同的畸变参数波长范围，即ε∈(εe，1)、τ∈(0，τe)、α∈(1，αe)；其中，εe是衰减阈值，表示光谱可接受的衰减极限值；τe是最大允许展宽阈值，表示光谱可接受的最大展宽畸变值；αe是最大允许波形不对称度，表示光谱可接受的最大波形不对称畸变值；
(2.3)在(2.1)得到的畸变光谱的理论模型的基础上，利用最小化理论光谱与实际光谱差异度的原理来进行FBG解调，构建如下的解调模型：
Figure FDA0003639482630000021
式中λB,ε,τ,α为待求的决策变量；R0(λ)为实际需要解调的FBG传感网络光谱数据，在求解该解调模型的同时，还需要辨识出ε,τ,α这三个畸变参数；
(2.4)利用蚁群算法实现(2.3)得到的解调模型对畸变光谱的解调求解，得到采样光谱的中心波长值λB与三个畸变参数ε,τ,α；
(2.5)将(2.4)所求出的三个畸变参数ε,τ,α与(2.2)中所设定畸变参数波长范围进行比较，若实测畸变参数超出所设定波长范围时，则判定该FBG传感网络节点故障；
所述(3)的具体实现方式为：
(3.1)首先将采集的FBG传感网络所有节点数据，对每个节点分别与其他节点进行相关性分析，得到每一个FBG传感器对应的相关性最强的领域节点；其中相关性大小的计算公式如下所示：
Figure FDA0003639482630000022
式中n为FBG节点数，ρij为第i个FBG节点与第j个FBG节点的相关性值，bi，bj分别是第i，j个FBG节点对应的数据向量，x是数据向量b中第x个数据，其中
Figure FDA0003639482630000023
由上式计算可以得到每个节点FBG的相关性大小，得到相关性矩阵如下；
Figure FDA0003639482630000024
(3.2)根据(3.1)的计算公式计算选出每个节点的强相关邻域节点；
(3.3)采用支持向量机为每个节点进行冗余模型训练，得到每个节点的SVM冗余模型；将采集到的数据分成训练集和测试集，用训练集完成模型的训练，用测试集来验证模型的正确率；
(3.4)FBG传感网络节点故障监测：通过将采集的光谱数据分别输入至SVM冗余模型和常规解调模块，分别得到两个波长值λi1、λi2，则其误差值Δλi＝|λi1-λi2|，设定误差容许值Δλe，若Δλi＜Δλe，则该FBG传感网络节点正常，反之，则该FBG传感网络节点故障。
2.根据权利要求1所述的分布式多节点协同的光纤布拉格光栅传感器故障定位方法，其特征在于，所述(1)的具体实现方式为：通过将所采集到的FBG传感网络所有节点数据进行数据统计分析处理，若对应FBG传感网络节点的光谱消失，则判定该FBG传感网络节点故障。
3.根据权利要求1所述的分布式多节点协同的光纤布拉格光栅传感器故障定位方法，其特征在于，所述(2.4)中的利用蚁群算法对畸变光谱解调方式具体为：①对相关参数进行初始化，包括蚁群规模、信息素因子、启发函数因子、信息素挥发因子、信息素常数、最大迭代次数，以及将R0(λ)读入程序，并进行预处理；②随机将蚂蚁放于不同出发点，对每个蚂蚁计算其下个访问城市，直到有蚂蚁访问完所有城市；③计算各蚂蚁经过的路径长度，记录当前迭代次数最优解，同时对路径上的信息素浓度进行更新；④判断是否达到最大迭代次数，若否，返回②；是，结束程序；⑤输出最优解，得到采样光谱的中心波长值λB与三个畸变参数ε,τ,α。
CN201910644626.9A 2019-07-17 2019-07-17 分布式多节点协同的光纤布拉格光栅传感器故障定位方法 Active CN110324081B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910644626.9A CN110324081B (zh) 2019-07-17 2019-07-17 分布式多节点协同的光纤布拉格光栅传感器故障定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910644626.9A CN110324081B (zh) 2019-07-17 2019-07-17 分布式多节点协同的光纤布拉格光栅传感器故障定位方法

Publications (2)

Publication Number Publication Date
CN110324081A CN110324081A (zh) 2019-10-11
CN110324081B true CN110324081B (zh) 2022-08-05

Family

ID=68123786

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910644626.9A Active CN110324081B (zh) 2019-07-17 2019-07-17 分布式多节点协同的光纤布拉格光栅传感器故障定位方法

Country Status (1)

Country Link
CN (1) CN110324081B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112491468B (zh) * 2020-11-20 2022-04-01 福州大学 基于孪生节点辅助传感的fbg传感网络节点故障定位方法
CN115655323A (zh) * 2022-10-28 2023-01-31 广州市南沙区北科光子感知技术研究院 一种光纤光栅传感网络的光谱类型识别方法
CN115727881A (zh) * 2022-11-25 2023-03-03 河北工程大学 一种具有带宽灵活分配功能的光谱智能解调系统及方法
CN116016142B (zh) * 2022-12-14 2024-03-26 南方电网数字电网研究院有限公司 传感网络故障识别方法、装置、计算机设备和存储介质
CN116701043B (zh) * 2023-08-04 2024-01-12 浪潮电子信息产业股份有限公司 面向异构计算系统的故障节点切换方法、装置和设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107796421A (zh) * 2017-10-13 2018-03-13 北京卫星环境工程研究所 快速确定fbg反射光谱异常模式的方法
CN109141488A (zh) * 2018-07-26 2019-01-04 福州大学 一种基于交换粒子群的布拉格光纤光栅传感器重叠光谱解调方法
CN109489699A (zh) * 2019-01-07 2019-03-19 福州大学 一种光纤光栅畸变光谱解调方法
CN109743103A (zh) * 2019-02-01 2019-05-10 福州大学 基于elm的fbg传感网络节点故障修复方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107796421A (zh) * 2017-10-13 2018-03-13 北京卫星环境工程研究所 快速确定fbg反射光谱异常模式的方法
CN109141488A (zh) * 2018-07-26 2019-01-04 福州大学 一种基于交换粒子群的布拉格光纤光栅传感器重叠光谱解调方法
CN109489699A (zh) * 2019-01-07 2019-03-19 福州大学 一种光纤光栅畸变光谱解调方法
CN109743103A (zh) * 2019-02-01 2019-05-10 福州大学 基于elm的fbg传感网络节点故障修复方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
高冗余光纤光栅传感网络的设计与实验研究;郑文宁等;《半导体光电》;20161231;第906-910,916页 *

Also Published As

Publication number Publication date
CN110324081A (zh) 2019-10-11

Similar Documents

Publication Publication Date Title
CN110324081B (zh) 分布式多节点协同的光纤布拉格光栅传感器故障定位方法
CN109282837B (zh) 基于lstm网络的布拉格光纤光栅交错光谱的解调方法
CN109489699B (zh) 一种光纤光栅畸变光谱解调方法
CN107490397B (zh) 高精度自适应滤波fbg光谱快速寻峰方法
CN103245861A (zh) 一种基于贝叶斯网络的变压器故障诊断方法
CN109743103B (zh) 基于elm的fbg传感网络节点故障修复方法
KR101908865B1 (ko) 기온 측정 자료의 품질 분석방법
JP6328765B2 (ja) 光ファイバ上で発生する障害のライフサイクル管理
von der Weid et al. Adaptive filter for automatic identification of multiple faults in a noisy OTDR profile
CN114866137B (zh) 电力光缆网的检测方法及装置
CN110501092A (zh) 一种布里渊光纤传感系统温度提取方法
CN117554752A (zh) 电力电缆故障在线检测系统及方法
CN117434387A (zh) 基于边缘计算的配网线路故障分析方法、系统和介质
CN112902994A (zh) 一种基于差分进化改进极限学习机的光纤光栅传感网络畸变光谱解调方法及系统
CN108614803A (zh) 一种气象数据质量控制方法及系统
CN117686102A (zh) 变压器异常温度主动预警的方法及装置
CN117353811A (zh) 一种电力光通信系统多工况状态监测及分析方法
CN110657882B (zh) 一种利用单测点响应的桥梁实时安全状态监测方法
CN106092159A (zh) 具解调结果可信度自诊断功能的光纤光栅传感系统及方法
CN110455438A (zh) 光纤温度分布测试仪光纤长度自动校准及自动测试方法
Jiang et al. Recognition and Localization of FBG Temperature Sensing Based on Combined CDAE and 1-DCNN
CN110296725B (zh) 基于分布式估计算法的光纤布拉格光栅传感器非对称光谱解调方法
CN113891189A (zh) 一种新型fbg传感网络的设计
JP4342295B2 (ja) 光ケーブルの浸水検知方法および光ケーブルの保守計画作成方法
CN113194366B (zh) 一种基于闭环约束的业务配置合理性校验方法与装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant