CN112101244A - 基于深度学习预测光纤振动信号危险等级的方法 - Google Patents

基于深度学习预测光纤振动信号危险等级的方法 Download PDF

Info

Publication number
CN112101244A
CN112101244A CN202010982865.8A CN202010982865A CN112101244A CN 112101244 A CN112101244 A CN 112101244A CN 202010982865 A CN202010982865 A CN 202010982865A CN 112101244 A CN112101244 A CN 112101244A
Authority
CN
China
Prior art keywords
signal
data
sequence
time
danger level
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.)
Pending
Application number
CN202010982865.8A
Other languages
English (en)
Inventor
王一川
施运强
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.)
WUXI KEY-SENSOR PHOTONICS TECHNOLOGY CO LTD
Original Assignee
WUXI KEY-SENSOR PHOTONICS TECHNOLOGY CO LTD
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 WUXI KEY-SENSOR PHOTONICS TECHNOLOGY CO LTD filed Critical WUXI KEY-SENSOR PHOTONICS TECHNOLOGY CO LTD
Priority to CN202010982865.8A priority Critical patent/CN112101244A/zh
Publication of CN112101244A publication Critical patent/CN112101244A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms
    • G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Signal Processing (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明公开了一种基于深度学习预测光纤振动信号危险等级的方法，包括如下内容：时间序列样本采集、提取单帧样本数据、数据预处理、特征提取、SVM单帧样本添加危险等级标签、SVM单帧样本训练，并生成SVM模板、构建LSTM模型，生成LSTM模型；采集实时信号序列、实时信号序列数据预处理、实时信号序列特征提取、使用LSTM模板预测数据序列，预测出单帧特征数据序列；SVM算法对预测出的单帧特征数据序列进行危险等级分类。本发明不仅能够实时报警，还能预测当前信号序列的危险等级，方便现场情况的紧急处理；对时间序列进行分析不仅关注瞬时信号，还关注前向信号，并预测后向信号，对信号的危险等级进行整体分析。

Description

基于深度学习预测光纤振动信号危险等级的方法
技术领域
本发明涉及光纤探测技术领域，具体涉及一种基于深度学习预测光纤振动信号危险等级的方法。
背景技术
现有的振动型光纤传感产品对信号进行分类的技术有：振动信号幅值和强度判断、多点特征有监督模式识别算法、一维信号转二维图像后，进行图像模式识别、振动信号的频域和相位谱分析。
现有的振动型光纤传感产品对信号进行分类的技术的主要缺陷：
1)振幅和强度的特征表现不足
单一的振动幅度值和强度值，只能代表当前信号的能量强度，不能代表信号的类别。不同的信号类型可能存在相同的振幅和强度值。
2)多点特征有监督模式识别算法只与当前信号相关
多点特征有监督模式识别算法，提取了当前信号的多个特征点，能基本判断当前信号的类别，无法进行预测。
3)模式识别算法与时间序列无关
常规的模式识别算法无法对时间序列进行预测和分类。
4)一维信号转二维图像丢失时间相关性
一维信号转二维图像后进行图像模式识别的技术，只关注信号的特征分布，不关注相邻数据之间的时间相关性。
5)频域和相位谱分析比较困难
基于频域和相位谱分析的算法，由于一维振动信号携带的数据有限，进行分析是往往比较困难，不但耗时长，而且分类效果也不佳。
6)不具备对危险等级进行预测的能力
现有的分类方式只能对信号进行简单的分类，如：攀爬、风、雨等。暂时还不存在信号危险等级的预测，如：只敲击一次和连续敲击的危险等级没法区分。
发明内容
本发明要解决的技术问题是解决上述现有技术的不足，提供一种基于深度学习预测光纤振动信号危险等级的方法。
为了解决上述现有技术的不足，本发明采用的技术方案为：一种基于深度学习预测光纤振动信号危险等级的方法,包括采集时间序列样本采集、生成SVM模板和构建LSTM模型，
其中采集时间序列样本采集如下内容：采集各种振动类型的时间序列数据并获得多个单帧样本数据、对提取单帧样本数据进行中心化和标准化预处理、对经过预处理的数据进行特征提取；
利用LSTM算法对上述特征值进行计算，构建LSTM模型；
根据输入信号的类型，对上述单针样本数据加入危险等级标签，此处可以分为多个危险等级，将加入危险等级标签的单帧信号集输入到SVM算法，进行模板训练；
具体的预测方法如下：
1)采集振动信号一段时间的实时序列；
2)对实时信号序列数据预处理；
3)实时信号序列特征提取；
4)使用LSTM模板预测数据序列，预测出单帧特征数据序列；
5)SVM算法对预测出的单帧特征数据序列进行危险等级分类，最终输出信号的危险等级。
从上述技术方案可以看出本发明具有以下优点：本发明创新性的将基于深度学习算法的序列预测能力引入到振动光纤产品领域，不仅能够实时报警，还能预测当前信号序列的危险等级，能有效的提高系统的警报分析功能，为用户提供了更加精准的预判，方便现场情况的紧急处理；对时间序列进行分析不仅关注瞬时信号，还关注前向信号，并预测后向信号，对信号的危险等级进行整体分析，解决了振动信号分析中时间序列不相关的问题。
附图说明
图1为本发明的流程图。
具体实施方式
以下结合附图对本发明的具体实施方式做具体说明。
本发明的基于深度学习预测光纤振动信号危险等级的方法如图1所示。包括如下内容
时间序列样本采集：采集四种类型的时间序列数据，这四种类型分别是持续敲击、持续攀爬、持续中雨、持续刮风。每种类型的数据采集两秒钟的序列信号数据，这两秒钟的序列信号数据由六包瞬时数据组成。每种类型的时间序列数据采集二十个，共4x20包时间序列数据；
提取单帧样本数据：采集到的两秒序列信号数据由六包瞬时数据组成，单帧样本数据即为瞬时数据，每个序列信号数据可以提取六个单帧样本数据；
数据预处理：对序列数据进行中心化和标准化处理。
特征提取：通过特征提取算法可以降低数据量，减少运算时间。这里可以以单帧样本数据为例，每个单帧样本数据只需要提取不大于16个特征值；
使用LSTM算法构建模型
1)此处采用深度学习的算法LSTM，LSTM是一种递归神经网络(RNN)算法，是对RNN算法的改进，通过不同三个门控制前置信息对当前信息的影响。分别是：遗忘门、输入门、输出门。
遗忘门控制应该被遗忘的神经元，计算公式为：
ft＝σ(Wf·[ht-1,xt]+bf)
上式中，Wf是遗忘门的权重矩阵，[ht-1,xt]表示把两个向量连接成一个更长的向量，bf是遗忘门的偏置项，σ是sigmoid函数。
输入门控制应该被加入的新状态，计算公式为：
it＝σ(Wi·[ht-1,xt]+bi)
Figure BDA0002688188660000031
输出门控制根据当前的状态和现在的输入状态，应该输出什么，计算公式为：
ot＝σ(Wo·[ht-1,xt]+bo)
ht＝ot*tanh(Ct)
2)构建LSTM模型；这里使用的训练算法是反向传播算法，主要有三个步骤：
步骤一：前向计算每个神经元的输出值，即ft、it、
Figure BDA0002688188660000032
ot、ht五个向量的值；
步骤二：反向计算每个神经元的误差项值。与循环神经网络一样，LSTM误差项的反向传播也是包括两个方向：一个是沿时间的反向传播，即从当前t时刻开始，计算每个时刻的误差项；一个是将误差项向上一层传播；
步骤三：根据相应的误差项，计算每个权重的梯度；
使用SVM算法构建模式识别模板
1)给单帧信号添加危险等级标签：根据输入信号的类型，人为加入危险等级标签，此处可以分为多个危险等级，如：无害、轻度危险、中度危险、重度危险等。这些危险等级用于后续判别预测信号；
2)训练样本数据生成模板：将加入危险等级标签的单帧信号集输入到SVM算法，进行模板训练；
预测光纤振动信号危险等级的方法：
输入实时信号序列：采集两秒钟的序列信号数据，采集到的两秒序列信号数据由六包瞬时数据组成，单帧样本数据即为瞬时数据，每个序列信号数据可以提取六个单帧样本数据；
数据预处理：对序列数据进行中心化和标准化处理；
特征提取：通过特征提取算法可以降低数据量，减少运算时间。这里可以以单帧样本数据为例，每个单帧样本数据只需要提取不大于16个特征值。
输出预测出的信号序列(单帧信号特征列)：使用LSTM模型预测数据序列并输出，此处输出的为单帧信号的特征值序列；
使用SVM对输出单帧信号进行危险等级分类：将生成的单帧信号的特征值序列直接输入给SVM算法进行预测，最终输出信号的危险等级。
本发明创新性的将基于深度学习算法的序列预测能力引入到振动光纤产品领域，不仅能够实时报警，还能预测当前信号序列的危险等级，能有效的提高系统的警报分析功能，为用户提供了更加精准的预判，方便现场情况的紧急处理；对时间序列进行分析不仅关注瞬时信号，还关注前向信号，并预测后向信号，对信号的危险等级进行整体分析，解决了振动信号分析中时间序列不相关的问题；采用简单的特征提取算法，最终的危险等级判别更预测出的单帧信号序列相关，所有最大限度降低了对信号特征的依赖层度。

Claims (3)

1.一种基于深度学习预测光纤振动信号危险等级的方法,包括采集时间序列样本采集、生成SVM模板和构建LSTM模型，
其中采集时间序列样本采集如下内容：采集各种振动类型的时间序列数据并获得多个单帧样本数据、对提取单帧样本数据进行中心化和标准化预处理、对经过预处理的数据进行特征提取；
利用LSTM算法对上述特征值进行计算，构建LSTM模型；
根据输入信号的类型，对上述单针样本数据加入危险等级标签，此处可以分为多个危险等级，将加入危险等级标签的单帧信号集输入到SVM算法，进行模板训练；
具体的预测方法如下：
1)采集振动信号一段时间的实时序列；
2)对实时信号序列数据预处理；
3)实时信号序列特征提取；
4)使用LSTM模板预测数据序列，预测出单帧特征数据序列；
5)SVM算法对预测出的单帧特征数据序列进行危险等级分类，最终输出信号的危险等级。
2.根据权利要求1所述的基于深度学习预测光纤振动信号危险等级的方法，其特征在于：采集持续敲击、持续攀爬、持续中雨、持续刮风四种振动类型的样本数据，每种类型的数据采集两秒钟的序列信号数据，该两秒钟的序列信号数据由六包瞬时数据组成。
3.根据权利要求1或者2所述的基于深度学习预测光纤振动信号危险等级的方法，其特征在于：LSTM算法通过遗忘门、输入门、输出门控制前置信息对当前信息的影响；
遗忘门控制应该被遗忘的神经元，计算公式为：
ft＝σ(Wf·[ht-1,xt]+bf)
上式中，Wf是遗忘门的权重矩阵，[ht-1,xt]表示把两个向量连接成一个更长的向量，bf是遗忘门的偏置项，σ是sigmoid函数。
输入门控制应该被加入的新状态，计算公式为：
it＝σ(Wi·[ht-1,xt]+bi)
Figure FDA0002688188650000011
输出门控制根据当前的状态和现在的输入状态，应该输出什么，计算公式为：
ot＝σ(Wo·[ht-1,xt]+bo)
ht＝ot*tanh(Ct)
使用的训练算法是反向传播算法，主要有三个步骤：
步骤一：前向计算每个神经元的输出值，即ft、it、
Figure FDA0002688188650000021
ot、ht五个向量的值；
步骤二：反向计算每个神经元的误差项值。与循环神经网络一样，LSTM误差项的反向传播也是包括两个方向：一个是沿时间的反向传播，即从当前t时刻开始，计算每个时刻的误差项；一个是将误差项向上一层传播；
步骤三：根据相应的误差项，计算每个权重的梯度。
CN202010982865.8A 2020-09-18 2020-09-18 基于深度学习预测光纤振动信号危险等级的方法 Pending CN112101244A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010982865.8A CN112101244A (zh) 2020-09-18 2020-09-18 基于深度学习预测光纤振动信号危险等级的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010982865.8A CN112101244A (zh) 2020-09-18 2020-09-18 基于深度学习预测光纤振动信号危险等级的方法

Publications (1)

Publication Number Publication Date
CN112101244A true CN112101244A (zh) 2020-12-18

Family

ID=73758825

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010982865.8A Pending CN112101244A (zh) 2020-09-18 2020-09-18 基于深度学习预测光纤振动信号危险等级的方法

Country Status (1)

Country Link
CN (1) CN112101244A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114323248A (zh) * 2021-12-31 2022-04-12 郑州信大先进技术研究院 一种四通道地埋光缆分布式光纤振动传感预警方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180080812A1 (en) * 2017-07-25 2018-03-22 University Of Electronic Science And Technology Of China Distributed optical fiber sensing signal processing method for safety monitoring of underground pipe network
CN108197648A (zh) * 2017-12-28 2018-06-22 华中科技大学 一种基于lstm深度学习模型的水电机组故障诊断方法与系统
CN110995339A (zh) * 2019-11-26 2020-04-10 电子科技大学 一种分布式光纤传感信号时空信息提取与识别方法
CN111104891A (zh) * 2019-12-13 2020-05-05 天津大学 基于BiLSTM的复合特征光纤传感扰动信号模式识别方法
CN111239672A (zh) * 2020-03-19 2020-06-05 东南大学 基于机器学习算法的光纤电流互感器渐变性故障预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180080812A1 (en) * 2017-07-25 2018-03-22 University Of Electronic Science And Technology Of China Distributed optical fiber sensing signal processing method for safety monitoring of underground pipe network
CN108197648A (zh) * 2017-12-28 2018-06-22 华中科技大学 一种基于lstm深度学习模型的水电机组故障诊断方法与系统
CN110995339A (zh) * 2019-11-26 2020-04-10 电子科技大学 一种分布式光纤传感信号时空信息提取与识别方法
CN111104891A (zh) * 2019-12-13 2020-05-05 天津大学 基于BiLSTM的复合特征光纤传感扰动信号模式识别方法
CN111239672A (zh) * 2020-03-19 2020-06-05 东南大学 基于机器学习算法的光纤电流互感器渐变性故障预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
WAN-JU LIN 等: "Evaluation of Deep Learning Neural Networks for Surface Roughness Prediction Using Vibration Signal Analysis", 《APPLIED SCIENCES》, pages 1 - 17 *
张燕君 等: "基于EMD-AWPP和HOSA-SVM算法的分布式光纤振动入侵信号的特征提取与识别", 《光谱学与光谱分析》, vol. 36, no. 2, pages 577 - 582 *
马愈昭 等: "基于SVD和MPSO-SVM的光纤周界振动信号识别", 《系统工程与电子技术》, vol. 42, no. 8, pages 1652 - 1661 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114323248A (zh) * 2021-12-31 2022-04-12 郑州信大先进技术研究院 一种四通道地埋光缆分布式光纤振动传感预警方法及系统

Similar Documents

Publication Publication Date Title
CN109492581B (zh) 一种基于tp-stg框架的人体动作识别方法
Saunier et al. Probabilistic collision prediction for vision-based automated road safety analysis
CN109766992B (zh) 基于深度学习的工控异常检测及攻击分类方法
CN110569843B (zh) 一种矿井目标智能检测与识别方法
Scarpiniti et al. Deep Belief Network based audio classification for construction sites monitoring
CN113283282B (zh) 一种基于时域语义特征的弱监督时序动作检测方法
CN114267082B (zh) 基于深度理解的桥侧坠落行为识别方法
Goel et al. An ontology-driven context aware framework for smart traffic monitoring
CN112329974A (zh) 基于lstm-rnn的民航安保事件行为主体识别与预测方法及系统
CN115410258A (zh) 基于注意力图像的人脸表情识别方法
CN112101244A (zh) 基于深度学习预测光纤振动信号危险等级的方法
JP2019139651A (ja) 未知の複数次元のベクトルデータ群をクラス分類するプログラム、装置及び方法
Jiang et al. Time series based behavior pattern quantification analysis and prediction—A study on animal behavior
CN115310499B (zh) 一种基于数据融合的工业设备故障诊断系统及方法
CN114706054A (zh) 一种人体运动微多普勒信号识别的方法
CN115047313A (zh) 基于oc-svm和dnn的zpw-2000r轨道电路故障诊断方法及装置
Hakim et al. Optimization of the Backpropagation Method with Nguyen-widrow in Face Image Classification
KR20230060214A (ko) 인공지능 기반 영상 객체 추적 장치 및 방법
Pandey et al. Object detection and movement prediction for autonomous vehicle: a review
Wei The construction of piano teaching innovation model based on full-depth learning
CN117668701B (zh) Ai人工智能机器学习系统及方法
CN117058627B (zh) 一种公共场所人群安全距离监测方法、介质及系统
Madaeni et al. Hydro-meteorological pattern recognition of ice jam formation
CN117636908B (zh) 数字化矿山生产管控系统
CN117158904B (zh) 基于行为分析的老年人认知障碍检测系统及方法

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