CN113872024A - 面向光纤激光系统多源物理监测量的智能故障诊断方法 - Google Patents

面向光纤激光系统多源物理监测量的智能故障诊断方法 Download PDF

Info

Publication number
CN113872024A
CN113872024A CN202111448107.9A CN202111448107A CN113872024A CN 113872024 A CN113872024 A CN 113872024A CN 202111448107 A CN202111448107 A CN 202111448107A CN 113872024 A CN113872024 A CN 113872024A
Authority
CN
China
Prior art keywords
fiber laser
laser system
fault diagnosis
optical fiber
functional component
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
CN202111448107.9A
Other languages
English (en)
Inventor
李思敏
秋勇涛
刘友江
贺寓东
杨大龙
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.)
Institute of Electronic Engineering of CAEP
Original Assignee
Institute of Electronic Engineering of CAEP
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 Institute of Electronic Engineering of CAEP filed Critical Institute of Electronic Engineering of CAEP
Priority to CN202111448107.9A priority Critical patent/CN113872024A/zh
Publication of CN113872024A publication Critical patent/CN113872024A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01S—DEVICES USING THE PROCESS OF LIGHT AMPLIFICATION BY STIMULATED EMISSION OF RADIATION [LASER] TO AMPLIFY OR GENERATE LIGHT; DEVICES USING STIMULATED EMISSION OF ELECTROMAGNETIC RADIATION IN WAVE RANGES OTHER THAN OPTICAL
    • H01S3/00—Lasers, i.e. devices using stimulated emission of electromagnetic radiation in the infrared, visible or ultraviolet wave range
    • H01S3/0014—Monitoring arrangements not otherwise provided for
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M11/00—Testing of optical apparatus; Testing structures by optical methods not otherwise provided for
    • 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

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Electromagnetism (AREA)
  • Plasma & Fusion (AREA)
  • Optics & Photonics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Lasers (AREA)
  • Laser Beam Processing (AREA)

Abstract

本发明公开了一种面向光纤激光系统多源物理监测量的智能故障诊断方法，该方法首先利用光纤激光系统中不同功能部件的多源异构物理监测量的时序信号数据建立了面向光纤激光系统多源监测物理量的智能故障诊断模型，之后利用该模型对各功能部件的工作状态和光纤激光系统整体运行状态进行实时诊断评估。本发明公开的光纤激光系统的智能故障诊断方法不依赖专业人员，能够直接对光纤激光系统的各功能部件运行状态进行实时精准评估，并根据评估结果对光纤激光系统的故障部件及原因进行精准定位分析，极大减轻了对人力物力的消耗，能够保障激光器的生产效率和工作性能，为光纤激光系统在光通信、工业制造等领域的高可靠、无人化应用提供了可能。

Description

面向光纤激光系统多源物理监测量的智能故障诊断方法
技术领域
本发明属于智能故障诊断领域，尤其涉及面向光纤激光系统多源物理监测量的智能故障诊断方法。
背景技术
光纤激光系统在光通信、工业制造等领域具有非常重要的作用，为了实现人们对激光输出功率日益增长的需求，光纤激光系统的结构也越来越复杂。复杂光纤激光系统中部件的性能直接影响了各级激光子系统甚至整个光纤激光系统的出光性能，这些相对精密的关键部件长期运行于各种复杂实验环境中，不可避免会发生各类故障，故障发生后，若没有及时对故障进行监测和排除，不仅会引起激光系统其他部件的损坏，甚至会导致灾难性事故的发生。因此，在光纤激光系统工作过程中，光纤激光系统状态监测与快速故障诊断系统尤其重要，它是保障光纤激光系统安全运行和经济维护的关键。
传统的光纤激光系统故障诊断方法主要依靠工程经验，一般是在故障发生后依赖专业人员进行现场勘查和手动调试检修，以确认故障并制定维修方案，这种方法不仅成本高、效率低下。随着计算机技术、传感器技术、无线传输技术及人工智能技术的不断发展，智能故障诊断技术应运而生，虽然目前智能故障诊断已经逐步在光纤激光系统中得到了应用，但针对复杂光纤激光系统的智能故障诊断需求仍存在以下缺陷：（1）目前尚无专门针对光纤激光系统监测物理量数据故障诊断的智能模型；（2）现有的智能诊断方法仅针对系统中单个功能部件的单个物理量的监测数据进行故障判别，无法实现光纤激光系统中多个不同功能部件的综合故障诊断与定位，以及无法考虑单个功能部件中多个可监测的物理量信号之间的耦合关系。
因此，亟需一种面向光纤激光系统多源物理监测量的智能故障诊断方法，用于实时监测光纤激光系统的工作状态并提供可靠、精准的故障部件定位。
发明内容
有鉴于此，本发明提供一种面向光纤激光系统多源物理监测量的智能故障诊断方法，该方法通过监测光纤激光系统中不同功能部件的多源异构物理监测量的时序信号数据，实时对各功能部件的工作状态和光纤激光系统整体运行状态进行诊断评估。
一种面向光纤激光系统多源物理监测量的智能故障诊断方法，该方法通过监测光纤激光系统不同功能部件的多源异构物理监测量的时序信号数据，实时对各功能部件的工作状态和光纤激光系统整体运行状态进行诊断评估，包括以下步骤：
S1：建立基于光纤激光系统多源物理监测量的智能故障诊断模型；
S2：利用建立的智能故障诊断模型判断光纤激光系统的工作状态，并输出对应的工作模式；
所述步骤S1包括：
S11：选取表征光纤激光系统工作状态的可监测物理量；
S12：形成光纤激光系统各功能部件的不同工作模式和与其对应的可监测物理量的时序信号数据集，并将数据集分为训练集和测试集，时序信号数据集表示如下：
将光纤激光系统任意一个功能部件的任意一个监测物理量m在第i种工作模式
Figure 294412DEST_PATH_IMAGE001
下的时序信号数据可表示为：
Figure 227996DEST_PATH_IMAGE002
则任意工作模式
Figure 774383DEST_PATH_IMAGE001
下，光纤激光系统任意一个功能部件的所有可监测物理量的 时序信号数据集为：
Figure 102597DEST_PATH_IMAGE003
其中，M表示光纤激光系统任意一个功能部件的可监测物理量的总数量，I表示光纤激光系统该功能部件的工作模式的总数量；
S13：建立光纤激光系统各功能部件的工作模式与各部件可监测物理量的时序信号数据之间的非线性耦合映射函数；
光纤激光系统任意一个功能部件在工作模式
Figure 540793DEST_PATH_IMAGE001
下，各相关可监测物理量的时序 信号数据集
Figure 838920DEST_PATH_IMAGE004
与工作模式
Figure 911918DEST_PATH_IMAGE001
之间具有非线性耦合映射函数关系
Figure 709235DEST_PATH_IMAGE005
，即：
Figure 867684DEST_PATH_IMAGE006
按上述过程建立光纤激光系统每个功能部件的多源监测物理量与工作模式之间的非线性耦合映射函数关系；
S14：采用深度学习网络模型对非线性耦合映射函数
Figure 641605DEST_PATH_IMAGE005
建模；
S15：利用训练集对上述深度学习网络模型进行训练，训练的过程就是求解各功能 部件的非线性耦合映射函数
Figure 569109DEST_PATH_IMAGE005
中的未知参数的过程，具体如下：
利用最小化的非线性耦合映射函数
Figure 271748DEST_PATH_IMAGE005
投影值与真实各工作模式标签
Figure 651914DEST_PATH_IMAGE001
之间的 差异的方法，求解一个功能部件的非线性耦合映射函数的最优映射权重参数
Figure 495105DEST_PATH_IMAGE007
，即 可得到该功能部件的非线性耦合映射函数中的未知参数，即
Figure 277116DEST_PATH_IMAGE008
上式中，
Figure 885078DEST_PATH_IMAGE007
表示具体一个功能部件的非线性耦合映射函数中的权重参数，W，b为非线性耦合映射函数
Figure 18119DEST_PATH_IMAGE005
中的权重参数，利用该方法求得光纤激光系统每个功能部 件的非线性耦合映射函数中的权重参数，完成深度学习网络模型的训练；
S16：利用测试集对训练完成的深度学习网络模型进行测试，若测试结果达到预设要求，该深度学习网络模型作为基于多源物理监测量的光纤激光系统智能故障诊断模型使用，若测试结果达不到预设要求，则对该深度学习网络模型继续训练，直至其测试结果达到预设要求，以最后测试合格的深度学习网络模型作为基于多源物理监测量的光纤激光系统智能故障诊断模型使用。
优选的，所述可监测物理量包括：振荡器输出功率、放大器输出功率、放大器反射功率、驱动电压、驱动电流、环境温度、环境湿度、露点温度、泵浦源温度、剥除器温度和冷却水流量中的一种或多种。
优选的，所述不同工作模式包括：正常工作模式和不同故障工作模式。
优选的，所述深度学习网络模型包括：编码映射网络、数据拼接操作层、多层神经网络变换和逻辑回归函数。
优选的，所述步骤S2包括：
首先将待诊断光纤激光系统的其中一个功能部件的M个物理监测量的时序信号数 据集
Figure 133842DEST_PATH_IMAGE009
经过编码映射网络
Figure 35939DEST_PATH_IMAGE010
得到特征空间中的投影 向量
Figure 80381DEST_PATH_IMAGE011
在特征空间中将M个物理监测量时序数据的特征投影向量
Figure 700718DEST_PATH_IMAGE012
，进行拼接操作
Figure 354553DEST_PATH_IMAGE013
，得到：
Figure 111157DEST_PATH_IMAGE014
接着对拼接操作后的
Figure 762718DEST_PATH_IMAGE015
进行多层神经网络变换得到光纤激光系统该功能部件的 综合诊断向量
Figure 457570DEST_PATH_IMAGE016
；
最后将综合诊断向量
Figure 915097DEST_PATH_IMAGE016
送入多项式逻辑回归函数
Figure 463890DEST_PATH_IMAGE017
，判断该功能部件的工作模 式，并将判断结果进行输出。
本发明的有益效果是：本发明公开的面向光纤激光系统多源物理监测量的智能故障诊断方法，该方法通过监测光纤激光系统中不同功能部件的多源物理监测量的时序信号数据，实时对各功能部件的工作模式和光纤激光系统整体运行状态的智能诊断评估；本发明公开的光纤激光系统的智能故障诊断方法不依赖专业人员进行现场检验调试，直接对传感器采集到的光纤激光系统的各功能部件状态参数进行实时精准评估，并根据评估结果对光纤激光系统的故障部件及原因进行精准定位分析，极大减轻了对人力物力的消耗，能够保障激光器的生产效率和工作性能，为光纤激光系统在光通信、工业制造等领域的高可靠、无人化应用提供了可能。
附图说明
图1 为本发明的面向光纤激光系统多源物理监测量的智能故障诊断模型的结构示意图；
图2为本发明实施例中放大器输出功率的时序信号图；
图3为本发明实施例中放大器反射功率的时序信号图；
图4为本发明实施例中放大器剥除器温度的时序信号图。
具体实施方式
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。
面向光纤激光系统多源物理监测量的智能故障诊断方法，所述方法包括：
（一）建立基于光纤激光系统多源物理监测量的智能故障诊断模型；
第一步：确定能够表征光纤激光系统智能故障诊断时的各功能部件工作状态的可监测物理量，一般选择表1中列出的可监测物理量，包括：振荡器输出功率、放大器输出功率、放大器反射功率、驱动电压、驱动电流、环境温度、环境湿度、露点温度、泵浦源温度、剥除器温度和冷却水流量；
表1 光纤激光系统物理监测量选取
Figure 348669DEST_PATH_IMAGE018
第二步：设置光纤激光系统的工作在不同的工作模式下，分别收集不同工作模式对应的上述各监测物理量的时序信号数据，建立工作模式与各监测物理量的时序信号数据一一对应的数据集，并将数据集按80%的训练集及20%的测试集进行划分；不同工作模式包括：正常模式以及不同的故障模式，时序信号数据集表示如下：
将光纤激光系统任意一个功能部件的任意一个监测物理量m在第i种工作模式
Figure 179484DEST_PATH_IMAGE001
下的时序信号数据可表示为：
Figure 440701DEST_PATH_IMAGE019
则任意工作模式
Figure 171897DEST_PATH_IMAGE001
下，光纤激光系统任意一个功能部件的各相关可监测物理量 的时序信号数据集为：
Figure 227577DEST_PATH_IMAGE003
其中，M表示光纤激光系统任意一个功能部件的可监测物理量的总数量，I表示光纤激光系统任意一个功能部件的工作模式的总数量；
第三步：建立光纤激光系统各功能部件的工作模式与各部件可监测物理量的时序信号数据之间的非线性耦合映射函数，考虑到光纤激光系统的同一功能部件在工作时，与其相关的各物理监测量之间不是完全独立的，而是存在一定的耦合关系，因此需要对同一功能部件的多个物理监测量进行联合映射；
光纤激光系统任意一个功能部件在工作模式
Figure 545688DEST_PATH_IMAGE001
下，各相关可监测物理量的时序 信号数据集
Figure 345017DEST_PATH_IMAGE004
与工作模式
Figure 258615DEST_PATH_IMAGE001
之间具有非线性耦合映射函数关系
Figure 422881DEST_PATH_IMAGE005
，即：
Figure 228288DEST_PATH_IMAGE006
；
按上述过程建立光纤激光系统每个功能部件的多源监测物理量与工作模式之间的非线性耦合映射函数关系；
第四步：采用深度学习网络模型对非线性耦合映射函数
Figure 565728DEST_PATH_IMAGE005
建模，建立光纤激光 系统各功能部件的多源输入信号耦合的深度学习网络模型，如图1所示深度学习网络模型 包括：编码映射网络、数据拼接操作层、多层神经网络变换和逻辑回归函数。
第五步：利用上一步的训练集对深度学习网络模型进行优化训练，得到基于多源 物理监测量光纤激光系统的智能故障诊断模型，训练的过程就是求解各功能部件的非线性 耦合映射函数
Figure 271516DEST_PATH_IMAGE005
中的未知参数的过程，具体如下：
利用训练集，通过最小化非线性耦合映射函数
Figure 498360DEST_PATH_IMAGE005
投影值与真实各工作模式标签
Figure 555178DEST_PATH_IMAGE001
之间的差异的方法，求解出一组描述函数
Figure 696309DEST_PATH_IMAGE005
的最优映射权重参数
Figure 459866DEST_PATH_IMAGE007
，即可得 到该功能部件的非线性耦合映射函数中的未知参数，即
Figure 795295DEST_PATH_IMAGE008
上式中，
Figure 808250DEST_PATH_IMAGE007
表示具体一个功能部件的非线性耦合映射函数中的权重参数，W，b为非线性耦合映射函数
Figure 753072DEST_PATH_IMAGE005
中的权重参数，利用该方法求得光纤激光系统每个功能部 件的非线性耦合映射函数中的权重参数，完成深度学习网络模型的训练；
第六步：利用测试集对训练完成的深度学习网络模型进行测试，若测试结果达到预设准确率，则该深度学习网络模型作为基于多源物理监测量的光纤激光系统智能故障诊断模型使用，若测试结果准确率较低，则对该深度学习网络模型继续训练，直至其测试结果达到预设要求，以最后测试合格的深度学习网络模型作为基于多源物理监测量的光纤激光系统智能故障诊断模型使用。
（二）利用上述基于多源物理监测量的光纤激光系统智能故障诊断模型进行光纤激光系统的故障诊断，并输出判断的系统工作模式。判断光纤激光系统工作模式的标准为：判断实际多源物理量输入上述智能故障诊断模型后，得到的输出函数的投影值与真实工作模式标签之间的差异，选取差异最小的工作模式为当前光纤激光系统的工作模式，具体过程如下：
首先将待诊断光纤激光系统的其中一个功能部件的M个物理监测量的时序信号数 据集
Figure 167873DEST_PATH_IMAGE004
经过编码映射网络
Figure 674203DEST_PATH_IMAGE010
得到特征空间中的投影 向量
Figure 174455DEST_PATH_IMAGE011
在特征空间中将M个物理监测量时序数据的特征投影向量
Figure 657388DEST_PATH_IMAGE012
，进行拼接操作
Figure 192275DEST_PATH_IMAGE013
，得到：
Figure 869506DEST_PATH_IMAGE014
；
接着对拼接操作后的
Figure 653791DEST_PATH_IMAGE015
进行多层神经网络变换得到光纤激光系统该功能部件的 综合诊断向量
Figure 940416DEST_PATH_IMAGE016
；
最后将综合诊断向量
Figure 64230DEST_PATH_IMAGE016
送入多项式逻辑回归函数
Figure 912363DEST_PATH_IMAGE017
，判断该功能部件的工作模 式，并将判断结果进行输出。
以光纤激光系统中的功能部件——放大器光路为例，验证本发明提出的基于多源物理监测量的深度神经网络模型在智能故障诊断方面的效果。
以放大器输出功率
Figure 387206DEST_PATH_IMAGE020
、放大器反射功率
Figure 477522DEST_PATH_IMAGE021
和剥除器温度
Figure 721422DEST_PATH_IMAGE022
的时序数据 为光纤激光系统智能故障诊断模型的输入，为了验证光纤激光系统智能故障诊断模型的故 障诊断效果，本实施例中分别采集上述3个信号分别处于正常状态、异常状态和异常状态下 的时序信号数据作为本发明所提基于多源物理监测量的智能故障诊断模型输入。
图2~图4分别显示了传感器采集到的预设放大器光路的三个物理监测量随时序信号的变化图，从图中可以看出，放大器输出功率正常，放大器反射功率及剥除器温度异常不稳定，将这三个物理检测量的时序数据输入本发明的智能故障诊断模型后，本发明的智能故障诊断模型判断出光纤激光系统的放大器部件运行出现故障，且故障分析为光纤可能出现断裂或断点以及剥除器冷却不足，其输出结果如表2所示，这与预先设置的三个物理监测量的信号状态一致，证实了本发明中提出的基于多源物理监测量的智能故障诊断模型的有效性。
进一步，采用本发明所提方法对光纤激光系统中的所有功能部件（驱动电路、泵浦源、放大器光路、震荡器光路、水冷板等）的物理监测量时序数据进行1000次实时智能故障诊断实验，所得故障诊断准确率达到98.7%，充分说明本发明所提出的面向光纤激光系统多源物理监测量的智能故障诊断方法在面对复杂、多功能部件的光纤激光系统时，能够进行准确、全面地故障判断和分析，且具有较高的准确性和可靠性，解决了现有光纤激光系统故障诊断的缺陷。
表2 放大器光路故障诊断验证实验
Figure 537193DEST_PATH_IMAGE023

Claims (5)

1.一种面向光纤激光系统多源物理监测量的智能故障诊断方法，其特征在于，所述方法包括：
S1：建立基于光纤激光系统多源物理监测量的智能故障诊断模型；
S2：利用建立的智能故障诊断模型判断光纤激光系统的工作状态，并输出对应的工作模式；
所述步骤S1包括：
S11：选取表征光纤激光系统工作状态的可监测物理量；
S12：形成光纤激光系统各功能部件的不同工作模式和与其对应的可监测物理量的时序信号数据集，并将数据集分为训练集和测试集，时序信号数据集表示如下：
将光纤激光系统任意一个功能部件的任意一个监测物理量m在第i种工作模式
Figure 828145DEST_PATH_IMAGE001
下的 时序信号数据表示为：
Figure 223616DEST_PATH_IMAGE002
则任意工作模式
Figure 587601DEST_PATH_IMAGE001
下，光纤激光系统任意一个功能部件的所有可监测物理量的时序 信号数据集为：
Figure 10492DEST_PATH_IMAGE003
其中，M表示光纤激光系统任意一个功能部件的可监测物理量的总数量，I表示光纤激光系统该功能部件的工作模式的总数量；
S13：建立光纤激光系统各功能部件的工作模式与各部件可监测物理量的时序信号数据之间的非线性耦合映射函数；
光纤激光系统任意一个功能部件在工作模式
Figure 459928DEST_PATH_IMAGE001
下，各相关可监测物理量的时序信号 数据集
Figure 393512DEST_PATH_IMAGE004
与工作模式
Figure 346424DEST_PATH_IMAGE001
之间具有非线性耦合映射函数关系
Figure 205796DEST_PATH_IMAGE005
，即：
Figure 876948DEST_PATH_IMAGE006
按上述过程建立光纤激光系统每个功能部件的多源监测物理量与工作模式之间的非线性耦合映射函数关系；
S14：采用深度学习网络模型对非线性耦合映射函数
Figure 614223DEST_PATH_IMAGE005
建模；
S15：利用训练集对上述深度学习网络模型进行训练，训练的过程就是求解各功能部件 的非线性耦合映射函数
Figure 15117DEST_PATH_IMAGE005
中的未知参数的过程，具体如下：
利用最小化的非线性耦合映射函数
Figure 45390DEST_PATH_IMAGE005
投影值与真实各工作模式标签
Figure 970883DEST_PATH_IMAGE001
之间的差异 的方法，求解一个功能部件的非线性耦合映射函数的最优映射权重参数
Figure 744804DEST_PATH_IMAGE007
：
Figure 672308DEST_PATH_IMAGE008
；
上式中，
Figure 873483DEST_PATH_IMAGE007
表示具体一个功能部件的非线性耦合映射函数中的权重参数，W，b为 非线性耦合映射函数
Figure 20692DEST_PATH_IMAGE005
中的权重参数，利用该方法求得光纤激光系统每个功能部件的非 线性耦合映射函数中的权重参数，完成深度学习网络模型的训练；
S16：利用测试集对训练完成的深度学习网络模型进行测试，若测试结果达到预设要求，该深度学习网络模型作为基于多源物理监测量的光纤激光系统智能故障诊断模型使用，若测试结果达不到预设要求，则对该深度学习网络模型继续训练，直至其测试结果达到预设要求，以最后测试合格的深度学习网络模型作为基于多源物理监测量的光纤激光系统智能故障诊断模型使用。
2.根据权利要求1所述的面向光纤激光系统多源物理监测量的智能故障诊断方法，其特征在于，所述可监测物理量包括：振荡器输出功率、放大器输出功率、放大器反射功率、驱动电压、驱动电流、环境温度、环境湿度、露点温度、泵浦源温度、剥除器温度和冷却水流量中的一种或多种。
3.根据权利要求1所述的面向光纤激光系统多源物理监测量的智能故障诊断方法，其特征在于，所述不同工作模式包括：正常工作模式和不同故障工作模式。
4.根据权利要求1所述的面向光纤激光系统多源物理监测量的智能故障诊断方法，其特征在于，所述深度学习网络模型，其结构包括：编码映射网络、数据拼接操作层、多层神经网络变换和逻辑回归函数。
5.根据权利要求1所述的面向光纤激光系统多源物理监测量的智能故障诊断方法，其特征在于，所述步骤S2包括：
首先将待诊断光纤激光系统的其中一个功能部件的M个物理监测量的时序信号数据集
Figure 535987DEST_PATH_IMAGE004
经过编码映射网络
Figure 583578DEST_PATH_IMAGE009
得到特征空间中的投影向量
Figure 221233DEST_PATH_IMAGE010
在特征空间中将M个物理监测量时序数据的特征投影向量
Figure 832301DEST_PATH_IMAGE011
，进行拼接操作
Figure 948025DEST_PATH_IMAGE012
，得 到：
Figure 850121DEST_PATH_IMAGE013
接着对拼接操作后的
Figure 393098DEST_PATH_IMAGE014
进行多层神经网络变换得到光纤激光系统该功能部件的综合诊 断向量
Figure 249321DEST_PATH_IMAGE015
；
最后将综合诊断向量
Figure 496632DEST_PATH_IMAGE015
送入多项式逻辑回归函数
Figure 925339DEST_PATH_IMAGE016
，判断该功能部件的工作模式， 并将判断结果进行输出。
CN202111448107.9A 2021-12-01 2021-12-01 面向光纤激光系统多源物理监测量的智能故障诊断方法 Pending CN113872024A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111448107.9A CN113872024A (zh) 2021-12-01 2021-12-01 面向光纤激光系统多源物理监测量的智能故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111448107.9A CN113872024A (zh) 2021-12-01 2021-12-01 面向光纤激光系统多源物理监测量的智能故障诊断方法

Publications (1)

Publication Number Publication Date
CN113872024A true CN113872024A (zh) 2021-12-31

Family

ID=78985486

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111448107.9A Pending CN113872024A (zh) 2021-12-01 2021-12-01 面向光纤激光系统多源物理监测量的智能故障诊断方法

Country Status (1)

Country Link
CN (1) CN113872024A (zh)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105913025A (zh) * 2016-04-12 2016-08-31 湖北工业大学 一种基于多特征融合的深度学习人脸识别方法
CN109474333A (zh) * 2018-12-27 2019-03-15 国网山西省电力公司晋中供电公司 一种基于深度学习的电力光缆实时监测保护系统
CN111510205A (zh) * 2020-04-21 2020-08-07 北京邮电大学 一种基于深度学习的光缆故障定位方法、装置及设备
CN111563770A (zh) * 2020-04-27 2020-08-21 杭州金智塔科技有限公司 一种基于特征差异化学习的点击率预估方法
US20200285997A1 (en) * 2019-03-04 2020-09-10 Iocurrents, Inc. Near real-time detection and classification of machine anomalies using machine learning and artificial intelligence
CN111952883A (zh) * 2020-08-25 2020-11-17 广东电网有限责任公司 一种基于三维激光雷达的输电线路故障识别系统及方法
CN111986193A (zh) * 2020-08-31 2020-11-24 香港中文大学（深圳） 一种遥感影像变化检测方法、电子设备及存储介质
WO2020244134A1 (zh) * 2019-06-05 2020-12-10 华南理工大学 一种基于多任务特征共享神经网络的智能故障诊断方法
WO2021092845A1 (en) * 2019-11-14 2021-05-20 Elekta (Shanghai) Technology Co., Ltd. Predictive maintenance of dynamic leaf guide based on deep learning
US20210174958A1 (en) * 2018-04-13 2021-06-10 Freenome Holdings, Inc. Machine learning implementation for multi-analyte assay development and testing
CN113141208A (zh) * 2020-01-19 2021-07-20 烽火通信科技股份有限公司 一种实现光通道路径健康度评估和故障定位的方法及系统
CN113158814A (zh) * 2021-03-26 2021-07-23 清华大学 一种基于卷积自编码器的轴承健康状态监测方法
CN113675706A (zh) * 2021-08-16 2021-11-19 中国工程物理研究院电子工程研究所 一种光纤激光器健康监测方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105913025A (zh) * 2016-04-12 2016-08-31 湖北工业大学 一种基于多特征融合的深度学习人脸识别方法
US20210174958A1 (en) * 2018-04-13 2021-06-10 Freenome Holdings, Inc. Machine learning implementation for multi-analyte assay development and testing
CN109474333A (zh) * 2018-12-27 2019-03-15 国网山西省电力公司晋中供电公司 一种基于深度学习的电力光缆实时监测保护系统
US20200285997A1 (en) * 2019-03-04 2020-09-10 Iocurrents, Inc. Near real-time detection and classification of machine anomalies using machine learning and artificial intelligence
WO2020244134A1 (zh) * 2019-06-05 2020-12-10 华南理工大学 一种基于多任务特征共享神经网络的智能故障诊断方法
WO2021092845A1 (en) * 2019-11-14 2021-05-20 Elekta (Shanghai) Technology Co., Ltd. Predictive maintenance of dynamic leaf guide based on deep learning
CN113141208A (zh) * 2020-01-19 2021-07-20 烽火通信科技股份有限公司 一种实现光通道路径健康度评估和故障定位的方法及系统
CN111510205A (zh) * 2020-04-21 2020-08-07 北京邮电大学 一种基于深度学习的光缆故障定位方法、装置及设备
CN111563770A (zh) * 2020-04-27 2020-08-21 杭州金智塔科技有限公司 一种基于特征差异化学习的点击率预估方法
CN111952883A (zh) * 2020-08-25 2020-11-17 广东电网有限责任公司 一种基于三维激光雷达的输电线路故障识别系统及方法
CN111986193A (zh) * 2020-08-31 2020-11-24 香港中文大学（深圳） 一种遥感影像变化检测方法、电子设备及存储介质
CN113158814A (zh) * 2021-03-26 2021-07-23 清华大学 一种基于卷积自编码器的轴承健康状态监测方法
CN113675706A (zh) * 2021-08-16 2021-11-19 中国工程物理研究院电子工程研究所 一种光纤激光器健康监测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
丁智: "基于深度学习的光纤网络链路故障诊断与定位方法", 《宁夏师范学院学报》, vol. 42, no. 4, 31 March 2021 (2021-03-31), pages 85 - 91 *

Similar Documents

Publication Publication Date Title
CN110647133B (zh) 轨道交通设备状态检测维护方法及系统
CN102541013B (zh) 阳极保护设备远程监控、预警及故障诊断系统与方法
CN102340811A (zh) 无线传感器网络故障诊断方法
CN117176560B (zh) 一种基于物联网的监测设备监管系统及其方法
CN112039073B (zh) 一种适用于配电房设备故障判断的协同优化方法及系统
CN111124852A (zh) 一种基于bmc健康管理模块的故障预测方法及系统
CN116308304B (zh) 基于元学习概念漂移检测的新能源智慧运维方法及系统
CN114528929B (zh) 一种多源数据的台区量测系统和方法
CN116756909A (zh) 一种基于数据模型及机理模型的火电厂预警诊断系统
CN116295948A (zh) 大温差环境下工业温度传感器的异常检测方法、系统及存储介质
CN110262460B (zh) 一种结合聚类思想进行特征提取的砼活塞故障预测方法
CN113109666B (zh) 一种基于深度卷积神经网络的轨道电路故障诊断方法
CN115081647A (zh) 基于贝叶斯网络模型的工业智能仪表故障预诊断方法
CN113644974A (zh) 一种光纤通信端口网络的故障管控系统
Abdelli et al. Machine learning based data driven diagnostic and prognostic approach for laser reliability enhancement
CN117556347A (zh) 一种基于工业大数据的电力设备故障预测与健康管理方法
CN113872024A (zh) 面向光纤激光系统多源物理监测量的智能故障诊断方法
CN117526561A (zh) 基于数字孪生的变电站设备异常监控和预警方法及系统
CN117435883A (zh) 一种基于数字孪生的设备故障预测的方法和系统
CN116611953A (zh) 基于物联网的电能表生产制造实时数据管理方法和系统
CN116840658A (zh) 一种针对芯片固件的故障预测和诊断方法
CN114386603B (zh) 基于时序因果网络的火电厂发电机故障预警方法
CN113052499B (zh) 一种电力基础设施哑资源管理方法、装置、终端及介质
CN115828744A (zh) 一种白光发光二极管故障在线诊断与寿命预测方法
CN114779739A (zh) 基于概率图模型的云边端协同下工业过程的故障监测方法

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