CN114518163A - 一种基于Gaussian-LM算法进行全声态光纤监测的方法 - Google Patents
一种基于Gaussian-LM算法进行全声态光纤监测的方法 Download PDFInfo
- Publication number
- CN114518163A CN114518163A CN202210166640.4A CN202210166640A CN114518163A CN 114518163 A CN114518163 A CN 114518163A CN 202210166640 A CN202210166640 A CN 202210166640A CN 114518163 A CN114518163 A CN 114518163A
- Authority
- CN
- China
- Prior art keywords
- gaussian
- algorithm
- optical signal
- signal
- optical
- 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.)
- Granted
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 43
- 239000013307 optical fiber Substances 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 23
- 230000003287 optical effect Effects 0.000 claims abstract description 109
- 230000003595 spectral effect Effects 0.000 claims abstract description 21
- 238000006243 chemical reaction Methods 0.000 claims abstract description 19
- 230000005540 biological transmission Effects 0.000 claims abstract description 13
- 230000008054 signal transmission Effects 0.000 claims abstract description 11
- 230000002159 abnormal effect Effects 0.000 claims abstract description 7
- 238000013473 artificial intelligence Methods 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 16
- 238000001228 spectrum Methods 0.000 claims description 8
- 238000000985 reflectance spectrum Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 description 6
- 230000008878 coupling Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000005260 corrosion Methods 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000004568 cement Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H9/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by using radiation-sensitive means, e.g. optical means
- G01H9/004—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by using radiation-sensitive means, e.g. optical means using fibre optic sensors
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Optical Communication System (AREA)
Abstract
本发明涉及光纤监测技术领域，公开了一种基于Gaussian‑LM算法进行全声态光纤监测的方法，包括：根据光源的接收装置接收检测到的电信号，并通过主机将电信号转化为光信号；将光信号输入进铠装电缆，光信号经过光缆受路线后随声纹振动进行信号波动，采集光信号波动数据；使用光源转换装置将光信号波动数据转换后输入进光谱仪中获取光谱数据，将光谱数据进行数据迭代后获取高斯拟合系数，选取高斯拟合系数输入进Gaussian‑LM算法中后，在信号传输装置中对光信号波动数据进行自适应调整，获取调整后的光信号，将光信号转为电信号；使用无线传输系统将电信号上传至人工智能数据库中进行人工智能对比，通过声纹之间的对比判断正在发生的事件类型，对异常事件进行及时预警。
Description
技术领域
本发明涉及光纤监测技术领域，具体地说，是一种基于Gaussian-LM算法进行全声态光纤监测的方法，用于通过检测光纤对异常事件进行即时预警。
背景技术
现有的光纤声纹监测系统设备主机机体很大，光纤需要使用暗埋，且需要在相应的监测节点添加拾音器，这样监测是点式监测，监测范围受拾音器的密度限制，且不易维护。设备不可移动，昂贵的造价却只能在固定的地方使用具有很大的局限性。同时现有的光信号转化的不够精准，在采集大量的光信号信息时，处理的速度很慢。
因此，亟需一种技术方案，能够采用可移动式设计，易组装易拆解，局限性小，在一个场景使用完毕后可拆解，移动到下一个场景继续组装使用，同时息处理的速度更加快，使得光纤采集事件声纹的准确性更加高。
发明内容
本发明的目的在于提供一种基于Gaussian-LM算法进行全声态光纤监测的方法，实现易组装易拆解的功能，具有对异常事件进行即时预警的效果。
本发明通过下述技术方案实现：一种基于Gaussian-LM算法进行全声态光纤监测的方法，包括以下步骤：
步骤S1.根据光源的接收装置接收检测到的电信号，并通过主机将电信号转化为光信号；
步骤S2.将光信号输入进铠装电缆，光信号经过光缆受路线后随声纹振动进行信号波动，采集光信号波动数据；
步骤S3.使用光源转换装置将光信号波动数据转换后输入进光谱仪中获取光谱数据，将光谱数据进行数据迭代后获取高斯拟合系数，选取高斯拟合系数输入进Gaussian-LM算法中后，根据Gaussian-LM算法在信号传输装置中对光信号波动数据进行自适应调整，获取调整后的光信号，并将光信号转化为电信号；
步骤S4.使用无线传输系统将电信号上传至人工智能数据库中进行人工智能对比，通过声纹之间的对比判断正在发生的事件类型，对异常事件进行及时预警。
本发明由主机柜、铠装光缆组成，在光纤主机中无需内设其他拾音设备耦合设备，在获取更精准的光谱数据的时候可以使用光源转换装置将光信号波动数据进行转换，再将信息输入到光谱仪中，根据Gaussian-LM算法确定自适应调整的最佳模式后，将自使用的模式调整为最优，再使用主机柜、铠装光缆进行光纤监测预警，在此过程中无需其他拾音设备耦合设备就能精准的采集事件声纹并输入进人工智能数据库进行比对。需要强调的是，主机将电信号转化为光信号，光信号进入铠装光缆，光信号经过光缆受路线上的声纹振动影响发生变化，主机将变化后的光信号接收并转换为电信号，通过无线传输系统上传到人工智能，人工智能将信号对比建立好的声纹模型，判断正在发生的事件类型，对异常事件进行即时预警，在这一过程中为了后续光纤采集事件声纹的准确性更加高，使用了光源转换装置将光信号波动数据转换，然后使用一个光谱仪中获取光谱数据。根据Gaussian-LM算法采集的大量光谱数据直接自己进行自适应调整。在本申请文件中光源转换装置本身就会将光信号波动数据进行转换，可以选择外接光谱仪，根据光谱仪获取光谱数据，再使用Gaussian-LM算法结合获取到的光谱数据令光信号波动数据进行自适应调整，光信号波动数据能够自适应调整是Gaussian-LM算法的优点。在本申请中，如果光源转换装置将光信号波动数据转换后，不外接光谱仪对光信号波动数据进行自适应调整，光信号也会转换成电信号，但是精度会有偏差。在实际光纤的应用场景中会根据实际施工现场选择是否外接光谱仪并在在信号传输装置中设置光信号波动数据的自适应调节功能。
为了更好地实现本发明，进一步地，步骤S1中的主机外配置有可移动主机柜。
为了更好地实现本发明，进一步地，主机包括光源的发射装置、光源的接收装置、光源转换装置、信号传输装置、UPS电源系统和温控系统。
为了更好地实现本发明，进一步地，步骤S2包括：
根据瑞利散射原理采集光信号经过光缆受路线后的波动信号。
为了更好地实现本发明，进一步地，步骤S3包括：
所述光谱数据包括波长分辨率、波峰、波长值和反射谱的带宽，将光谱数据进行数据迭代后获取高斯拟合系数α0、α1和α2，其中α0代表波峰强度、α1代表中心波长值，带宽α2代表反射谱的带宽；
将高斯拟合系数α0、α1和α2输入进Gaussian-LM算法中；
Gaussian-LM算法公式为：
获取调整后的光信号。
为了更好地实现本发明，进一步地，步骤S4包括：
步骤S4.1.预先在人工智能数据库中建立声纹模型；
步骤S4.2.根据光纤采集事件声纹；
步骤S4.3.将采集到的事件声纹信息上传至人工智能数据库中；
步骤S4.4.人工智能数据库对上传的事件信息和声纹模型进行对比和一次判断，再使用人工复核的方式进行二次判断；
步骤S4.5.根据判断结果进行预警，并更新人工智能数据库。
为了更好地实现本发明，进一步地，步骤S4.2包括：
光纤采用线式监控的方式采集事件声纹信息。
为了更好地实现本发明，进一步地，步骤S4.4包括：
步骤S4.4.1.判断声纹数据是否在人工智能数据库中，如果是，直接进行分级预警处理或正常处理，再整理复核结果后更新人工智能数据库，如果否，进入步骤S4.4.2；
步骤S4.4.2.人工智能进行一次判断，判断分级预警处理或正常处理；
步骤S4.4.3.人工复核进行二次判断，判断分级预警处理或正常处理，再整理复核结果后更新人工智能数据库。
为了更好地实现本发明，进一步地，步骤S4还包括：
无线传输系统在自我安全监测过程中，判断到光缆自身出现问题时，精确监测自身断点并即时报警，且断点连接到主机的近侧光缆继续进行自我安全监测。
本发明与现有技术相比，具有以下优点及有益效果：
(1)本发明提供的可移动式主机采用可移动式设计，易组装易拆解，局限性小，在一个场景使用完毕后可拆解，移动到下一个场景继续组装使用；
(2)本发明提供的可移动式主机使用铠装电缆，防护能力强，具有防腐蚀耐高温等特性，可适用于各种复杂场景；
(3)本发明提供的可移动式主机安装简单，铠装光缆可架空、可地埋、可利用快干水泥粘贴在墙壁上、可直接投放在水池中、可绑扎在围栏上，也可以直接放置在地表；
(4)本发明提供的可移动式主机维护简单，铠装光缆寿命长、易维护，如遇意外情况造成光缆断裂，系统可以在三秒内报警，并显示出精确的光缆断点位置，此时断裂点近侧连接到设备端的一部分光缆仍然可以进行不间断监测，将断裂开的光缆进行熔接修复，系统即可恢复正常；
(5)本发明选用Gaussian-LM算法进行全声态光纤监测，在Gaussian-LM算法中进行自适应调整后的光信号更加精准，信息处理的速度更加快，后续光纤采集事件声纹的准确性更加高。
附图说明
本发明结合下面附图和实施例做进一步说明，本发明所有构思创新应视为所公开内容和本发明保护范围。
图1为本发明提供的一种基于Gaussian-LM算法进行全声态光纤监测的方法的流程图。
图2为本发明提供的一种基于Gaussian-LM算法进行全声态光纤监测的方法中人工智能处理声纹信息并进行预警的流程图。
图3为本发明提供的主机在施工现场的示意图。
图4为本发明提供的可移动主机柜的结构示意图。
具体实施方式
为了更清楚地说明本发明实施例的技术方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，应当理解，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例，因此不应被看作是对保护范围的限定。基于本发明中的实施例，本领域普通技术工作人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“设置”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；也可以是直接相连，也可以是通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1：
本实施例的一种基于Gaussian-LM算法进行全声态光纤监测的方法，如图1所示，包括以下步骤：
步骤S1.根据光源的接收装置接收检测到的电信号，并通过主机将电信号转化为光信号；
步骤S2.将光信号输入进铠装电缆，光信号经过光缆受路线后随声纹振动进行信号波动，采集光信号波动数据；
步骤S3.使用光源转换装置将光信号波动数据转换后输入进光谱仪中获取光谱数据，将光谱数据进行数据迭代后获取高斯拟合系数，选取高斯拟合系数输入进Gaussian-LM算法中后，根据Gaussian-LM算法在信号传输装置中对光信号波动数据进行自适应调整，获取调整后的光信号，并将光信号转化为电信号；
步骤S4.使用无线传输系统将电信号上传至人工智能数据库中进行人工智能对比，通过声纹之间的对比判断正在发生的事件类型，对异常事件进行及时预警。
如图1和图3所示，在本实施例中提供的产品由主机柜、铠装光缆组成，在光纤主机中无需内设其他拾音设备耦合设备，在获取更精准的光谱数据的时候可以使用光源转换装置将光信号波动数据进行转换，再将信息输入到光谱仪中，根据Gaussian-LM算法确定自适应调整的最佳模式后，将自使用的模式调整为最优，再使用主机柜、铠装光缆进行光纤监测预警，再此过程中无需其他拾音设备耦合设备就能精准的采集事件声纹并输入进人工智能数据库进行比对。需要强调的是，主机将电信号转化为光信号，光信号进入铠装光缆，光信号经过光缆受路线上的声纹振动影响发生变化，主机将变化后的光信号接收并转换为电信号，通过无线传输系统上传到人工智能，人工智能将信号对比建立好的声纹模型，判断正在发生的事件类型，对异常事件进行即时预警，在这一过程中为了后续光纤采集事件声纹的准确性更加高，使用了光源转换装置将光信号波动数据转换，然后使用一个光谱仪中获取光谱数据。根据Gaussian-LM算法采集的大量光谱数据直接自己进行自适应调整。在本申请文件中光源转换装置本身就会将光信号波动数据进行转换，可以选择外接光谱仪，根据光谱仪获取光谱数据，再使用Gaussian-LM算法结合获取到的光谱数据令光信号波动数据进行自适应调整，光信号波动数据能够自适应调整是Gaussian-LM算法的优点。在本申请中，如果光源转换装置将光信号波动数据转换后，不外接光谱仪对光信号波动数据进行自适应调整，光信号也会转换成电信号，但是精度会有偏差。在实际光纤的应用场景中会根据实际施工现场选择是否外接光谱仪并在在信号传输装置中设置光信号波动数据的自适应调节功能。
实施例2：
本实施例在实施例1的基础上做进一步优化，在本实施例中，铠装光缆包含光缆和特制外壳，保护光缆采集信息的同时不受外界因素破坏。具有防腐蚀、耐高温等优异性能。
本实施例的其他部分与实施例1相同，故不再赘述。
实施例3：
本实施例在实施例1的基础上做进一步优化，在本实施例中，如图4所示，主机外配置有可移动主机柜。可移动的意思是指主机的体积小，比如在施工工地上使用，工地完工以后，整个监测系统包括主机和光纤可以拆走，到下一个工地上继续使用。铠装光缆和移动主机柜的意义就是保护主机和光缆在使用中不会被破坏，可以在多个使用场景重复的安装使用。将装载监测主机的移动主机柜安放在被测场地某处，将铠装光缆接入，并围绕被测场地和重点监测区域布置，即可采集整个被测场地的各种声音。只需要将光缆布放于被测场地边沿就可以将光缆附近的振动信息以及温度信息通过光缆本身回传，沿途光缆上不需要增加任何其他设备，也不需要额外电源以及再布设信号传输线。
本实施例的其他部分与实施例1相同，故不再赘述。
实施例4：
本实施例在上述实施例1-3的基础上做进一步优化，主机包括光源的发射装置、光源的接收装置、光源转换装置、信号传输装置、柜体、UPS电源系统和温控系统。在本实施例中，主机包含光源的发射和回收装置、光电转换装置、信号传输装置。柜体，用于保护主机不受风雨、灰尘、高温等环境影响。UPS电源系统，用于电源保护，即使断电也可以维持系统供应一段时间，强电(AC220V)线体封闭式处理，防止人体接触。温控系统，用于主机散热，维持主机在正常温度工作，延长使用寿命。
本实施例的其他部分与上述实施例1-3相同，故不再赘述。
实施例5：
本实施例在上述实施例1-4任一项的基础上做进一步优化，根据瑞利散射原理采集光信号经过光缆受路线后的波动信号。基于瑞利散射原理，光纤本身即可采集事件声纹。采用线式监控，24小时全天候沿线无死角声纹监控预警。
本实施例的其他部分与上述实施例1-4任一项相同，故不再赘述。
实施例6：
本实施例在上述实施例1-5任一项基础上做进一步优化，光谱数据包括波长分辨率、波峰、波长值和反射谱的带宽，将光谱数据进行数据迭代后获取高斯拟合系数α0、α1和α2，其中α0代表波峰强度、α1代表中心波长值，带宽α2代表反射谱的带宽；
将高斯拟合系数α0、α1和α2输入进Gaussian-LM算法中；
Gaussian-LM算法公式为：
获取调整后的光信号。
在本实施例中，选择合适的高斯拟合系数值a0、a1、a2对于高斯拟合的精度至关重要，一般寻峰采用的是直接寻峰得到的高斯拟合系数值a0、a1、a2,但是直接寻峰得到的系数会受光谱中噪声的影响产生较大的误差.为了解决该问题,一般是通过采集大量的原始光谱数据来对真实值有一个较准确的估计,但是在光谱处理中采集的数据都是有限的,如果采集的数据过多会影响信息处理的速度，因此，本申请使用Gaussian-LM算法来解决处理信息速度的问题，Gaussian-LM算法能够利用高斯函数的二次导数信息对迭代步长进行自适应调整,可以快速地收敛到最优解。
本实施例的其他部分与上述实施例1-5任一项相同，故不再赘述。
实施例7：
本实施例在上述实施例1-6任一项基础上做进一步优化，如图2所示，预先在人工智能数据库中建立声纹模型；根据光纤采集事件声纹；将采集到的事件声纹信息上传至人工智能数据库中；人工智能数据库对上传的事件信息和声纹模型进行对比和一次判断，再使用人工复核的方式进行二次判断；根据判断结果进行预警，并更新人工智能数据库。
本实施例的其他部分与上述实施例1-6任一项相同，故不再赘述。
实施例8：
本实施例在上述实施例1-7任一项基础上做进一步优化，光纤采用线式监控的方式采集事件声纹信息，基于瑞利散射原理，光纤本身即可采集事件声纹。采用线式监控，24小时全天候沿线无死角声纹监控预警。
本实施例的其他部分与上述实施例1-7任一项相同，故不再赘述。
实施例9：
本实施例在上述实施例7的基础上做进一步优化，在本实施例中，判断声纹数据是否在人工智能数据库中，如果是，直接进行分级预警处理或正常处理，再整理复核结果后更新人工智能数据库，如果否，进入下一步骤；人工智能进行一次判断，判断分级预警处理或正常处理；人工复核进行二次判断，判断分级预警处理或正常处理，再整理复核结果后更新人工智能数据库。
本实施例的其他部分与上述实施例7相同，故不再赘述。
实施例10：
本实施例在上述实施例1-9任一项基础上做进一步优化，在本实施例中，人工智能具备自学习能力，安装到新的场景后，可以在现有的模型基础上，继续学习新发生的事件类型，进一步提高系统的全面性，本发明能完成自我安全监测，光缆如果自身出现问题，可以在3S内精确监测到自身断点，并即时报警，且断点连接到设备的近侧光缆依旧可以继续监测。
本实施例的其他部分与上述实施例1-9任一项相同，故不再赘述。
以上所述，仅是本发明的较佳实施例，并非对本发明做任何形式上的限制，凡是依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化，均落入本发明的保护范围之内。
Claims (10)
1.一种基于Gaussian-LM算法进行全声态光纤监测的方法，其特征在于，包括以下步骤：
步骤S1.根据光源的接收装置接收检测到的电信号，并通过主机将电信号转化为光信号；
步骤S2.将光信号输入进铠装电缆，光信号经过光缆受路线后随声纹振动进行信号波动，采集光信号波动数据；
步骤S3.使用光源转换装置将光信号波动数据转换后输入进光谱仪中获取光谱数据，将光谱数据进行数据迭代后获取高斯拟合系数，选取高斯拟合系数输入进Gaussian-LM算法中后，根据Gaussian-LM算法在信号传输装置中对光信号波动数据进行自适应调整，获取调整后的光信号，并将光信号转化为电信号；
步骤S4.使用无线传输系统将电信号上传至人工智能数据库中进行人工智能对比，通过声纹之间的对比判断正在发生的事件类型，对异常事件进行及时预警。
2.根据权利要求1所述的一种基于Gaussian-LM算法进行全声态光纤监测的方法，其特征在于，所述步骤S1中的主机外配置有可移动主机柜。
3.根据权利要求1所述的一种基于Gaussian-LM算法进行全声态光纤监测的方法，其特征在于，所述步骤S2中的光缆选用铠装光缆。
4.根据权利要求2所述的一种基于Gaussian-LM算法进行全声态光纤监测的方法，其特征在于，所述主机包括光源的发射装置、光源的接收装置、光源转换装置、信号传输装置、UPS电源系统和温控系统。
5.根据权利要求1所述的一种基于Gaussian-LM算法进行全声态光纤监测的方法，其特征在于，所述步骤S2包括：
根据瑞利散射原理采集光信号经过光缆受路线后的波动信号。
6.根据权利要求1所述的一种基于Gaussian-LM算法进行全声态光纤监测的方法，其特征在于，所述步骤S3包括：
所述光谱数据包括波长分辨率、波峰、波长值和反射谱的带宽，将光谱数据进行数据迭代后获取高斯拟合系数α0、α1和α2，其中α0代表波峰强度、α1代表中心波长值，带宽α2代表反射谱的带宽；
将高斯拟合系数α0、α1和α2输入进Gaussian-LM算法中；
Gaussian-LM算法公式为：
获取调整后的光信号。
7.根据权利要求1所述的一种基于Gaussian-LM算法进行全声态光纤监测的方法，其特征在于，所述步骤S4包括：
步骤S4.1.预先在人工智能数据库中建立声纹模型；
步骤S4.2.根据光纤采集事件声纹；
步骤S4.3.将采集到的事件声纹信息上传至人工智能数据库中；
步骤S4.4.人工智能数据库对上传的事件信息和声纹模型进行对比和一次判断，再使用人工复核的方式进行二次判断；
步骤S4.5.根据判断结果进行预警，并更新人工智能数据库。
8.根据权利要求6所述的一种基于Gaussian-LM算法进行全声态光纤监测的方法，其特征在于，所述步骤S4.2包括：
光纤采用线式监控的方式采集事件声纹信息。
9.根据权利要求6所述的一种基于Gaussian-LM算法进行全声态光纤监测的方法，其特征在于，所述步骤S4.4包括：
步骤S4.4.1.判断声纹数据是否在人工智能数据库中，如果是，直接进行分级预警处理或正常处理，再整理复核结果后更新人工智能数据库，如果否，进入步骤S4.4.2；
步骤S4.4.2.人工智能进行一次判断，判断分级预警处理或正常处理；
步骤S4.4.3.人工复核进行二次判断，判断分级预警处理或正常处理，再整理复核结果后更新人工智能数据库。
10.根据权利要求1所述的一种基于Gaussian-LM算法进行全声态光纤监测的方法，其特征在于，所述步骤S4还包括：
无线传输系统在自我安全监测过程中，判断到光缆自身出现问题时，精确监测自身断点并即时报警，且断点连接到主机的近侧光缆继续进行自我安全监测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210166640.4A CN114518163B (zh) | 2022-02-21 | 2022-02-21 | 一种基于Gaussian-LM算法进行全声态光纤监测的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210166640.4A CN114518163B (zh) | 2022-02-21 | 2022-02-21 | 一种基于Gaussian-LM算法进行全声态光纤监测的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114518163A true CN114518163A (zh) | 2022-05-20 |
| CN114518163B CN114518163B (zh) | 2024-03-19 |
Family
ID=81598525
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210166640.4A Active CN114518163B (zh) | 2022-02-21 | 2022-02-21 | 一种基于Gaussian-LM算法进行全声态光纤监测的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114518163B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102636287A (zh) * | 2012-04-06 | 2012-08-15 | 南昌航空大学 | 基于lm谱线拟合算法的布里渊信号频谱高速检测方法 |
| CN106323442A (zh) * | 2016-08-18 | 2017-01-11 | 南京发艾博光电科技有限公司 | 一种基于分布式光纤振动传感系统的铁路健康监测方法 |
| CN107014519A (zh) * | 2017-04-26 | 2017-08-04 | 南京大学 | 一种智能电网覆冰监测中botdr温度、应变快速分离方法 |
| CN107402082A (zh) * | 2016-05-20 | 2017-11-28 | 北京自动化控制设备研究所 | 一种布里渊散射信号处理方法及其分布式光纤传感系统 |
| CN108896078A (zh) * | 2018-04-04 | 2018-11-27 | 天津大学 | 基于探测器时域响应的光纤布拉格光栅弱信号解调方法 |
| US20190095781A1 (en) * | 2017-09-23 | 2019-03-28 | Nanoprecise Sci Corp. | System and method for automated fault diagnosis and prognosis for rotating equipment |
| US20200380634A1 (en) * | 2019-05-31 | 2020-12-03 | Fanuc Corporation | Machine learning apparatus, robot system, and machine learning method of learning state of cable |
| CN113358239A (zh) * | 2021-05-24 | 2021-09-07 | 长春工业大学 | 一种基于fbg的波长特征识别方法 |
-
2022
- 2022-02-21 CN CN202210166640.4A patent/CN114518163B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102636287A (zh) * | 2012-04-06 | 2012-08-15 | 南昌航空大学 | 基于lm谱线拟合算法的布里渊信号频谱高速检测方法 |
| CN107402082A (zh) * | 2016-05-20 | 2017-11-28 | 北京自动化控制设备研究所 | 一种布里渊散射信号处理方法及其分布式光纤传感系统 |
| CN106323442A (zh) * | 2016-08-18 | 2017-01-11 | 南京发艾博光电科技有限公司 | 一种基于分布式光纤振动传感系统的铁路健康监测方法 |
| CN107014519A (zh) * | 2017-04-26 | 2017-08-04 | 南京大学 | 一种智能电网覆冰监测中botdr温度、应变快速分离方法 |
| US20190095781A1 (en) * | 2017-09-23 | 2019-03-28 | Nanoprecise Sci Corp. | System and method for automated fault diagnosis and prognosis for rotating equipment |
| CN108896078A (zh) * | 2018-04-04 | 2018-11-27 | 天津大学 | 基于探测器时域响应的光纤布拉格光栅弱信号解调方法 |
| US20200380634A1 (en) * | 2019-05-31 | 2020-12-03 | Fanuc Corporation | Machine learning apparatus, robot system, and machine learning method of learning state of cable |
| CN113358239A (zh) * | 2021-05-24 | 2021-09-07 | 长春工业大学 | 一种基于fbg的波长特征识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| 胡正文 等: "Gaussian-LM算法...格光栅反射光谱寻峰中的应用", 《激光与光电子学进展》, pages 013001 - 1 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114518163B (zh) | 2024-03-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111107675B (zh) | 基于泛在电力物联网的电缆通道边缘物联终端及方法 | |
| US6966754B2 (en) | System and method for monitoring a wind turbine | |
| US7786894B2 (en) | Methods, apparatus, and systems for monitoring transmission systems | |
| CN103795142A (zh) | 一种变电站智能巡视系统 | |
| CN105957287A (zh) | 一种用于架空输电线路的防破坏预警系统与方法 | |
| CN111862505A (zh) | 一种全息感知外力破坏监测系统 | |
| CN115118333A (zh) | 一种卫星地面站的天线健康管理系统及方法 | |
| KR101650366B1 (ko) | 침입 방지용 울타리 및 그 제어 방법 | |
| CN101231777A (zh) | 三维声敏预警报警复核系统 | |
| CN110867819A (zh) | 电弧光检测方法及装置 | |
| CN117098285A (zh) | 一种智能照明控制系统及控制方法 | |
| CN114518163A (zh) | 一种基于Gaussian-LM算法进行全声态光纤监测的方法 | |
| CN105910840A (zh) | 基于太阳能供电和4g无线通信的桥梁结构安全监测系统 | |
| CN104849533B (zh) | 一种高压验电器 | |
| CN207020793U (zh) | 一种具有视频联动功能的光纤围栏周界入侵监控设备 | |
| CN105575024A (zh) | 抗干扰的光纤周界防护系统及方法 | |
| CN201549049U (zh) | 变电站音视频智能报警装置 | |
| CN112118317A (zh) | 基于LoRaWAN技术的变电站电缆沟火灾监控系统 | |
| CN110481600A (zh) | 无人自主综合报警系统 | |
| JP2005032224A (ja) | 侵入検知システム | |
| CN116614176A (zh) | 一种基于云平台多用途光缆运维系统 | |
| CN113804952B (zh) | 一种防护监测系统及方法 | |
| CN211710855U (zh) | 无人自主综合报警系统 | |
| CN109377692B (zh) | 一种智能光纤振动防入侵预警方法与系统 | |
| CN113991848A (zh) | 一种建筑智能化监测方法及系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |