CN112697299A - 一种基于自回归模型的光纤测温系统警报风险预测方法 - Google Patents
一种基于自回归模型的光纤测温系统警报风险预测方法 Download PDFInfo
- Publication number
- CN112697299A CN112697299A CN202011428005.6A CN202011428005A CN112697299A CN 112697299 A CN112697299 A CN 112697299A CN 202011428005 A CN202011428005 A CN 202011428005A CN 112697299 A CN112697299 A CN 112697299A
- Authority
- CN
- China
- Prior art keywords
- model
- time sequence
- temperature
- optical fiber
- temperature time
- 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
Links
- 239000013307 optical fiber Substances 0.000 title claims abstract description 24
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000009529 body temperature measurement Methods 0.000 title claims abstract description 17
- 238000001514 detection method Methods 0.000 claims abstract description 19
- 238000007689 inspection Methods 0.000 claims abstract description 8
- 230000006641 stabilisation Effects 0.000 claims abstract description 4
- 238000011105 stabilization Methods 0.000 claims abstract description 4
- 238000012360 testing method Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 2
- 238000004861 thermometry Methods 0.000 claims 2
- 238000005516 engineering process Methods 0.000 abstract description 7
- 230000006870 function Effects 0.000 description 8
- 238000007405 data analysis Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 238000012430 stability testing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K11/00—Measuring temperature based upon physical or chemical changes not covered by groups G01K3/00, G01K5/00, G01K7/00 or G01K9/00
- G01K11/32—Measuring temperature based upon physical or chemical changes not covered by groups G01K3/00, G01K5/00, G01K7/00 or G01K9/00 using changes in transmittance, scattering or luminescence in optical fibres
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Measuring Temperature Or Quantity Of Heat (AREA)
Abstract
本发明公开了一种基于自回归模型的光纤测温系统警报风险预测方法，包括如下步骤：温度时间序列数据采集；对温度时间序列数据做白噪声检验，如果经过检验判定温度时间序列为白噪声；对温度时间序列做平稳性检验，若经过检验判定为非平稳，则进行温度时间序列的平稳化处理；建立模型，估算模型参数；检验模型的适用性，若检验通过，则得到拟合后的模型；预测时间序列；风险等级判别。解决了传统技术依赖单一阈值判别容易引起误报的问题。该方法可以根据前序信号的相关性，预测出后序信号，不在依赖单一阈值判别。
Description
技术领域
本发明涉及光纤探测技术领域，具体涉及一种基于自回归模型的光纤测温系统警报风险预测方法。
背景技术
现有的分布式光纤测温类产品对温度信号的处理一般都是基于阈值判断进行分类，分类的方法有：
1)超温报警判断。在所有检测区域设置不同的超温阈值，当存在温度超过超温阈值的检测点时，就生成超温报警；
2)温升报警判断。人工设定时间间隔和温升报警阈值，当在设定的时间间隔内，存在检测点的温度上升速度超过温升阈值时，就生成超温报警；
3)预警判断。有些厂家在设定超温报警和温升报警后，新增了超温预警和超温预警判断，在没有达到报警的情况下，提前生成预警；
4)历史数据分析。基本所有的分布式光纤测温类产品都提供了历史数据分析功能，方便用户分析过去一段时间的温度变化情况。
现有的分布式光纤测温类产品对温度信号分类技术的主要缺陷：
1)只能依赖阈值判断，误报率高。
现有光纤测温类产品普遍采用阈值判断作为报警条件，只要有超过一个检测点温度达到或超过报警阈值，系统就会报警。但是现实中温度是多变的，存在达到报警阈值，却没有持续报警状态的情况，如果此时发出警报就属于误报。
2)温度时间序列前后数据基本无关联。
现有光纤测温类产品，只关注光纤当前温度，而没有对温度变化前后的温度时间序列进行分析。温升报警判断虽然对前面一定时间内的数据进行分析，但是也仅限于最大温度值和最小温度值的对比，远远达不到前后关联分析的程度。
3)没有警报风险预测功能。
现有光纤测温类产品，不存在对警报风险预测功能。随着人工智能和机器学习的不断进步，智能风险分析和预测成为了报警类产品发展的方向。智能风险分析能够辅助光纤测温类产品更好的降低误报率。
4)历史数据分析只能事后处理，无法实时预判。
历史数据分析功能现有光纤类产品基本都有，可以对全传感段和单点进行分析，初步统计温度的变化情况，分析出危险容易发现的地点和时间段。但是，不能做到实时分析和预判，而且无法脱离人工干预过程。
发明内容
本发明要解决的技术问题是传统技术依赖单一阈值判别容易引起误报的问题。
为了解决上述技术问题，本发明采用的技术方案为：一种基于自回归模型的光纤测温系统警报风险预测方法，利用光纤探测对温度进行检测，包括如下步骤：
1)温度时间序列采集：持续采集温度时间序列，将每n个连续的检测点作为一个数组；
2)对数组进行白噪声检测，当数组为非白噪声时，则对其进行平稳性检验；
3)对温度时间序列做平稳性检验，若经过检验判定为非平稳，则对数组进行的平稳化处理，并进入步骤2中再次进行白噪声检测；若经过检验判定为平稳，则建立回归模型；
4)建立回归模型，并计算模型参数；
5)对计算出的模型参数进行检验，若检验通过，则得到拟合后的模型；否则进入步骤4；
6)根据回归模型，预测该数组后续时间t内的温度数据；
7)根据步骤6得到的温度数据，如果存在超过报警阀值的数超过设定的比例，则可认定为高风险。
进一步的，通过LB检验白噪声算法，假设数据不是独立的，即至少存在某个
其中i≤m，算法公式如下：
其中T是样本容量，m是人为设定的一个数量，
是i阶滞后的自相关系数；
在原假设成立的条件下，Q(m)服从自由度为m的卡方分布，给定显著性水平α，则拒绝域是
进一步的，平稳性检验采用均值判断，假设x(t)为时间序列，如果其均值Ex(t)＝m为常数值，则此时间序列是平稳的。
进一步的，自回归模型的参数估计采用最小二乘法估计：
假设步骤1采集到的时间序列为：{xt}，当j≥p+1时，白噪声εj的估计为：
通常称
为残差，此时评估一组参数，使残差值平方和最小化；
参数平方和计算公式如下：
假设
得到如下线性方程组
Y＝Xa+ε
通过解线性方程组并对a求导，得到参数a的最小二乘估计为：
进一步的，对计算出的模型参数aj(j＝1,...,p)进行检验，检验统计量为t统计量：
在给定的显著水平a下，当检验统计量T大部分位于分点t1-a/2，或该统计量的P值小于a时，则可以以1-a的置信水平拒绝原假设，认为模型参数显著；反之，则不能显著拒绝参数为0 的假设。
从上述技术方案可以看出本发明具有以下优点：传统技术依赖单一阈值判别容易引起误报的问题，该方法可以根据前序信号的相关性，预测出后序信号，不在依赖单一阈值判别；通过分析前序信号，预测出后序信号，最大程度的利用了温度时间序列信号的相关性特征，解决了传统计算无法通过温度时间序列相关性进行分析判别的问题；引入了风险等级判别功能，该功能不仅降低了系统误报率，而且实现了自动判别全程无人工干预。极大的提升的产品的智能化水平。
附图说明
图1为本发明的流程图。
具体实施方式
以下结合图1对本发明的具体实施方式做具体说明。
系统工作流程：
1.温度时间序列采集：采集前置温度时间序列数据，具体采集过程：假如10s一组温度数据，数据长度：5000，即5000个检测点。采集前序10个小时的温度数据数组，共3600组长度为 5000的数据，其中，每个检测点的时间序列数据长度为3600。
2.白噪声检测：白噪声就是任何两个相邻时序点时随机变量，没有线性关系，也无法进行时间序列预测。如果是白噪声进入步骤8，结束建模。这里通过LB检验算法，假设数据不是独立的，即至少存在某个
其中i≤m，算法公式如下：
其中T是样本容量，m是人为设定的一个数量，
是i阶滞后的自相关系数。
在原假设成立的条件下，Q(m)服从自由度为m的卡方分布。给定显著性水平α，则拒绝域是
3.平稳性检验：如果是非平稳则进入步骤9进行时间序列的差分平稳化处理。这里采用均值判断，假设x(t)为时间序列，如果其均值Ex(t)＝m为常数值，则此时间序列是平稳的。
4.建立回归模型：自回归模型的参数估计主要有三种方法：矩估计、最小二乘估计和最大似然估计。这里采用最小二乘法估计。假设步骤1采集到的时间序列为：{xt}，当j≥p+1时，白噪声εj的估计为：
通常称
为残差，此时评估一组参数，使残差值平方和最小化。参数平方和计算公式如下：
假设
得到如下线性方程组
Y＝Xa+ε
通过解线性方程组并对a求导，得到参数a的最小二乘估计为：
5.适用性检验：对上面计算出的模型参数aj(j＝1,...,p)进行检验，检验统计量为t统计量：
在给定的显著水平a下，当检验统计量T大部分位于分点t1-a/2，或该统计量的P值小于a时，则可以以1-a的置信水平拒绝原假设，认为模型参数显著。反之，则不能显著拒绝参数为0 的假设。
6.预测：根据回归模型，即回归线性方程Y＝Xa+ε，预测出后序10分钟的时间序列，即60 个温度数据。7.风险等级判别：根据步骤6得到的温度数据，如果存在超过报警阈值的数据超过25％，既可认定为高风险。风险等级的设置可以根据现场实际需求。
8.结束建模：是随机时间序列，无法进行建模，所以结束建模；
9.平稳化处理：采用差分对时间序列进行处理既可。
本发明的有益效果如下
1)解决了靠单一阈值判断不准确的问题
本发明提供了一种基于自回归模型的光纤测温系统警报风险预测方法，该方法解决了传统技术依赖单一阈值判别容易引起误报的问题。该方法可以根据前序信号的相关性，预测出后序信号，不在依赖单一阈值判别。
2)解决了无法通过相关性进行分析的问题
本发明通过分析前序信号，预测出后序信号，最大程度的利用了温度时间序列信号的相关性特征，解决了传统计算无法通过温度时间序列相关性进行分析判别的问题。
3)创新性的采用了实时温度时间序列预测技术
本发明创新性的采用自回归算法对温度时间序列进行了预测，预测数据依赖前序温度时间序列数据，预测准确率非常高，极大的降低了系统的误报率。而且是实时计算，解决了传统技术只能通过历史数据进行事后分析的问题。
4)创新性的引入了风险等级判断功能
本发明创新性的在光纤测温系统中引入了风险等级判别功能，该功能不仅降低了系统误报率，而且实现了自动判别全程无人工干预。极大的提升的产品的智能化水平。
Claims (5)
1.一种基于自回归模型的光纤测温系统警报风险预测方法，利用光纤探测对温度进行检测，包括如下步骤：
1)温度时间序列采集：持续采集温度时间序列，将每n个连续的检测点作为一个数组；
2)对数组进行白噪声检测，当数组为非白噪声时，则对其进行平稳性检验；
3)对温度时间序列做平稳性检验，若经过检验判定为非平稳，则对数组进行的平稳化处理，并进入步骤2中再次进行白噪声检测；若经过检验判定为平稳，则建立回归模型；
4)建立回归模型，并计算模型参数；
5)对计算出的模型参数进行检验，若检验通过，则得到拟合后的模型；否则进入步骤4；
6)根据回归模型，预测该数组后续时间t内的温度数据；
7)根据步骤6得到的温度数据，如果存在超过报警阀值的数超过设定的比例，则可认定为高风险。
2.根据权利要求1所述的基于自回归模型的光纤测温系统警报风险预测方法，其特征在于：通过LB检验白噪声算法，假设数据不是独立的，即至少存在某个
其中i≤m，算法公式如下：
其中T是样本容量，m是人为设定的一个数量，
是i阶滞后的自相关系数；
在原假设成立的条件下，Q(m)服从自由度为m的卡方分布，给定显著性水平α，则拒绝域是
3.根据权利要求1或者2所述的基于自回归模型的光纤测温系统警报风险预测方法，其特征在于：平稳性检验采用均值判断，假设x(t)为时间序列，如果其均值Ex(t)＝m为常数值，则此时间序列是平稳的。
4.根据权利要求1或者2所述的基于自回归模型的光纤测温系统警报风险预测方法，其特征在于：自回归模型的参数估计采用最小二乘法估计：
假设步骤1采集到的时间序列为：{xt}，当j≥p+1时，白噪声εj的估计为：
通常称
为残差，此时评估一组参数，使残差值平方和最小化；
参数平方和计算公式如下：
假设
得到如下线性方程组
Y＝Xa+ε
通过解线性方程组并对a求导，得到参数a的最小二乘估计为：
5.根据权利要求1所述的基于自回归模型的光纤测温系统警报风险预测方法，其特征在于：对计算出的模型参数aj(j＝1,...,p)进行检验，检验统计量为t统计量：
在给定的显著水平a下，当检验统计量T大部分位于分点t1-a/2，或该统计量的P值小于a时，则可以以1-a的置信水平拒绝原假设，认为模型参数显著；反之，则不能显著拒绝参数为0的假设。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011428005.6A CN112697299A (zh) | 2020-12-07 | 2020-12-07 | 一种基于自回归模型的光纤测温系统警报风险预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011428005.6A CN112697299A (zh) | 2020-12-07 | 2020-12-07 | 一种基于自回归模型的光纤测温系统警报风险预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112697299A true CN112697299A (zh) | 2021-04-23 |
Family
ID=75507060
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011428005.6A Pending CN112697299A (zh) | 2020-12-07 | 2020-12-07 | 一种基于自回归模型的光纤测温系统警报风险预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112697299A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116311829A (zh) * | 2023-05-22 | 2023-06-23 | 广州豪特节能环保科技股份有限公司 | 一种数据机房远程报警方法及装置 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102736558A (zh) * | 2011-04-07 | 2012-10-17 | 姚晓栋 | 基于时间序列算法的数控机床热误差实时补偿建模方法 |
| CN106992994A (zh) * | 2017-05-24 | 2017-07-28 | 腾讯科技（深圳）有限公司 | 一种云服务的自动化监控方法和系统 |
| CN107025403A (zh) * | 2016-01-29 | 2017-08-08 | 大连秘阵科技有限公司 | 一种动态图形密码管理方法及系统 |
| CN108984870A (zh) * | 2018-06-29 | 2018-12-11 | 中国科学院深圳先进技术研究院 | 基于arima的冷库温湿度数据预测方法及相关产品 |
| CN109600752A (zh) * | 2018-11-28 | 2019-04-09 | 国家计算机网络与信息安全管理中心 | 一种深度聚类诈骗检测的方法和装置 |
| CN109934422A (zh) * | 2019-04-25 | 2019-06-25 | 中国人民解放军国防科技大学 | 一种基于时间序列数据分析的神经网络风速预测方法 |
| CN110806493A (zh) * | 2019-09-12 | 2020-02-18 | 南京医科大学 | 一种微孔板加样指示系统 |
-
2020
- 2020-12-07 CN CN202011428005.6A patent/CN112697299A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102736558A (zh) * | 2011-04-07 | 2012-10-17 | 姚晓栋 | 基于时间序列算法的数控机床热误差实时补偿建模方法 |
| CN107025403A (zh) * | 2016-01-29 | 2017-08-08 | 大连秘阵科技有限公司 | 一种动态图形密码管理方法及系统 |
| CN106992994A (zh) * | 2017-05-24 | 2017-07-28 | 腾讯科技（深圳）有限公司 | 一种云服务的自动化监控方法和系统 |
| CN108984870A (zh) * | 2018-06-29 | 2018-12-11 | 中国科学院深圳先进技术研究院 | 基于arima的冷库温湿度数据预测方法及相关产品 |
| CN109600752A (zh) * | 2018-11-28 | 2019-04-09 | 国家计算机网络与信息安全管理中心 | 一种深度聚类诈骗检测的方法和装置 |
| CN109934422A (zh) * | 2019-04-25 | 2019-06-25 | 中国人民解放军国防科技大学 | 一种基于时间序列数据分析的神经网络风速预测方法 |
| CN110806493A (zh) * | 2019-09-12 | 2020-02-18 | 南京医科大学 | 一种微孔板加样指示系统 |
Non-Patent Citations (7)
| Title |
|---|
| 于金波等: "半潜式无人艇运动姿态预报方法研究", 计算机仿真, vol. 35, no. 02, pages 251 - 256 * |
| 俞会新: "中国人均GDP的时间序列模型的建立与分析", 河北工业大学学报, vol. 29, no. 05, pages 74 - 77 * |
| 刘晓斐等: "孤岛煤柱冲击地压电磁辐射前兆时间序列分析", 煤炭学报, vol. 35, no. 1, pages 15 - 18 * |
| 孙璐等: "浅埋黄土地区隧道健康监测之结构变形的时间序列预测模型", 交通运输工程与信息学报, no. 04, pages 1 - 8 * |
| 林鑫等: "基于ARMA平稳时间序列的机票价格预测模型――以山海关机场为例", 中国高新技术企业, no. 05, pages 19 - 20 * |
| 谢瑞等: "基于时序模型的变形预报研究", 测绘科学, vol. 37, no. 04, pages 96 - 98 * |
| 赵培信等: "变系数部分线性模型的拟合优度检验", 应用数学, vol. 21, no. 04, pages 695 - 702 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116311829A (zh) * | 2023-05-22 | 2023-06-23 | 广州豪特节能环保科技股份有限公司 | 一种数据机房远程报警方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110533229B (zh) | 轨道维修时刻预测方法及装置 | |
| CN116644373B (zh) | 基于人工智能的汽车流量数据分析管理系统 | |
| CN110648480B (zh) | 一种基于变化速率的单变量报警系统及方法 | |
| CN102069094A (zh) | 一种基于数据挖掘的板形控制关键工艺参数优化系统 | |
| CN108436050B (zh) | 一种采用空间密度聚类dbscan预报连铸结晶器漏钢的方法 | |
| CN106198749B (zh) | 一种基于金属裂纹监测的多路传感器的数据融合方法 | |
| CN117439827B (zh) | 一种网络流量大数据分析方法 | |
| CN111721834A (zh) | 一种电缆局部放电在线监测缺陷辨识方法 | |
| CN112697299A (zh) | 一种基于自回归模型的光纤测温系统警报风险预测方法 | |
| CN118260723B (zh) | 电缆通道结构沉降监测系统 | |
| CN110956155B (zh) | 基于co数据的综采工作面作业工序模糊聚类识别方法 | |
| CN114297264B (zh) | 一种时序信号异常片段检测方法及系统 | |
| CN115034094A (zh) | 一种金属加工机床运行状态预测方法及系统 | |
| CN117314020B (zh) | 一种浮游生物的湿地碳汇数据监测系统 | |
| CN118091341A (zh) | 一种基于多声纹特征谱图识别的电缆局放检测方法及系统 | |
| CN117872900A (zh) | 基于物联网技术的无纺布生产设备远程监控系统 | |
| CN117807538A (zh) | 一种基于动态阈值和趋势预测的故障检测方法 | |
| CN108594035B (zh) | 一种负荷检测方法及系统 | |
| CN112419304B (zh) | 一种面向一维数据的多阶段目标检测方法及装置 | |
| CN112258458B (zh) | 基于热成像识别的超高层混凝土泵管的检测方法及系统 | |
| CN114813935A (zh) | 基于新型阵列的储罐声发射检测方法及系统 | |
| CN112101244A (zh) | 基于深度学习预测光纤振动信号危险等级的方法 | |
| CN116341993B (zh) | 一种用于聚苯乙烯生产过程中状态监测方法及系统 | |
| CN113673634B (zh) | 一种输电线路通道吊车隐患误告警的确认方法 | |
| CN118192391B (zh) | 一种基于电子信息控制链路的异常检测方法及系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210423 |