CN117053941B - 基于激光器的光纤测温场景故障预警系统 - Google Patents
基于激光器的光纤测温场景故障预警系统 Download PDFInfo
- Publication number
- CN117053941B CN117053941B CN202311023703.1A CN202311023703A CN117053941B CN 117053941 B CN117053941 B CN 117053941B CN 202311023703 A CN202311023703 A CN 202311023703A CN 117053941 B CN117053941 B CN 117053941B
- Authority
- CN
- China
- Prior art keywords
- information
- temperature distribution
- heat source
- sample
- encoder
- 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
Links
- 238000009529 body temperature measurement Methods 0.000 title claims abstract description 126
- 239000013307 optical fiber Substances 0.000 title claims abstract description 71
- 230000004927 fusion Effects 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 18
- 238000005259 measurement Methods 0.000 claims description 13
- 238000000034 method Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 abstract description 18
- 238000004590 computer program Methods 0.000 abstract description 8
- 230000006870 function Effects 0.000 description 17
- 239000013598 vector Substances 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 4
- 238000001514 detection method Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 230000001502 supplementing effect Effects 0.000 description 2
- 230000008485 antagonism Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
Classifications
-
- 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
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/0475—Generative 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
- 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
- G06N3/09—Supervised learning
-
- 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
- G06N3/094—Adversarial learning
-
- 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Measuring Temperature Or Quantity Of Heat (AREA)
Abstract
本发明提供了一种基于激光器的光纤测温场景故障预警系统,包括:激光器、传输光纤、数据库、处理器和存储有计算机程序的存储器,其中,激光器生成激光,通过传输光纤对激光进行传输,传输光纤部署于光纤测温场景中,获取光纤测温场景中若干个测温点分别对应的测温点信息,获取光纤测温场景中若干个热源分别对应的热源参考信息,根据所有测温点信息和所有热源参考信息,得到热源温度分布特征,获取每个热源分别对应的运行信息,根据所有测温点信息和所有运行信息,得到温度分布调整特征,根据热源温度分布特征和温度分布调整特征,得到真实温度分布信息,根据真实温度分布信息,得到出现故障的热源并进行故障预警。
Description
技术领域
本发明涉及光纤传感领域,特别是涉及一种基于激光器的光纤测温场景故障预警系统。
背景技术
传输光纤在应用常规的宽带光源时,会导致传输的信噪比和以及光纤传感器的分辨率较低,因此现有方法采用光纤激光器作为光源,从而有效提高光信号传输的信噪比及光纤传感器的分辨率,例如,光纤激光器可以采用光纤DFB激光器、DBR激光器、环型谐振腔激光器等。
光纤测温技术可以用于火灾自动报警、监测点定位、线路自检及定位等多种应用场景下,光纤测温技术通常可以分为点式温度测量、准分布式温度测量和完全分布式温度测量,其中,点式温度测量由于其成本较低,广泛应用于光纤测温技术中。
在采用点式温度测量进行光纤测温场景故障预警时,通常是通过设置预警阈值的方式实现,也即当出现一个测温点的温度采集数据大于预警阈值时,向运维人员进行预警。
但是,根据测温点的温度采集数据与阈值比较的方式进行预警,仍然难以确定测温场景下的具体故障位置,也即无法具体定位到出现故障的热源,而且,由于测温点通常并非部署于热源上的,在满足阈值条件时往往已经出现了滞后的情况,导致预警的及时性和精细度较差,因此,如何提高光纤测温场景的故障预警的及时性和精细度成为了亟待解决的问题。
发明内容
针对上述技术问题,本发明采用的技术方案为:一种基于激光器的光纤测温场景故障预警系统,包括:激光器、传输光纤、数据库、处理器和存储有计算机程序的存储器,其中,激光器生成激光,通过传输光纤对激光进行传输,传输光纤部署于光纤测温场景中,当计算机程序被处理器执行时,实现以下步骤:
S1,获取光纤测温场景中若干个测温点分别对应的测温点信息,测温点信息包括对应测温点的第一位置信息和温度采集信息;
S2,获取光纤测温场景中若干个热源分别对应的热源参考信息,热源参考信息包括对应热源的第二位置信息和参考温度分布信息;
S3,根据所有测温点信息和所有热源参考信息,得到热源温度分布特征;
S4,获取每个热源分别对应的运行信息,根据所有测温点信息和所有运行信息,得到温度分布调整特征;
S5,根据热源温度分布特征和温度分布调整特征,得到真实温度分布信息;
S6,根据真实温度分布信息,得到出现故障的热源并进行故障预警。
本发明至少具有以下有益效果:
本发明提供了一种基于激光器的光纤测温场景故障预警系统,包括:激光器、传输光纤、数据库、处理器和存储有计算机程序的存储器,其中,激光器生成激光,通过传输光纤对激光进行传输,传输光纤部署于光纤测温场景中,当计算机程序被处理器执行时,实现以下步骤:获取光纤测温场景中若干个测温点分别对应的测温点信息,测温点信息包括对应测温点的第一位置信息和温度采集信息,获取光纤测温场景中若干个热源分别对应的热源参考信息,热源参考信息包括对应热源的第二位置信息和参考温度分布信息,根据所有测温点信息和所有热源参考信息,得到热源温度分布特征,获取每个热源分别对应的运行信息,根据所有测温点信息和所有运行信息,得到温度分布调整特征,根据热源温度分布特征和温度分布调整特征,得到真实温度分布信息,根据真实温度分布信息,得到出现故障的热源并进行故障预警,根据热源的运行信息得到温度分布调整特征,对基于热源参考信息得到的热源温度分布特征进行调整,综合热源的运行信息对热源的散热能力进行修正,也即对温度分布进行修正,得到更为准确地真实温度分布信息,相较于通过测温点采集信息与阈值比较的方式,根据真实温度分布信息能够在热源出现故障时及时发现,并且准确定位出现故障的热源,提高了光纤测温场景的故障预警的及时性和精细度。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于激光器的光纤测温场景故障预警系统的执行计算机程序的流程图。
具体实施方式
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,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有作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。
本发明的实施例提供了一种基于激光器的光纤测温场景故障预警系统,包括:激光器、传输光纤、数据库、处理器和存储有计算机程序的存储器,其中,激光器生成激光,通过传输光纤对激光进行传输,传输光纤部署于光纤测温场景中,在本实施例中,激光器选用光纤DFB激光器,以在全光纤结构下使用分布式反馈来产生线偏振得到单频激光,实现稳定高效的单频激光输出,再由传输光纤对单频激光进行传输,为了保证激光传输过程中的稳定性,需要在激光传输场景,也即真实测温场景中确定测温点,以在保证测温成本较低的情况下,准确监控激光传输时的温度情况。
当计算机程序被处理器执行时,实现以下步骤:
S1,获取光纤测温场景中若干个测温点分别对应的测温点信息,测温点信息包括对应测温点的第一位置信息和温度采集信息。
其中,光纤测温场景可以是指已部署光纤测温点且需要进行场景内热源故障检测的场景,测温点可以用于采集对应位置的温度信息,第一位置信息可以用于表征测温点在光纤测温场景下的位置,第一位置信息的表示形式为三维坐标,温度采集信息可以是指测温点采集到的温度值,单个测温点信息可以通过1*4的向量表示。
S2,获取光纤测温场景中若干个热源分别对应的热源参考信息,热源参考信息包括对应热源的第二位置信息和参考温度分布信息。
其中,热源可以是指光纤测温场景中部署的耗能设备,光纤测温场景中在不考虑环境温度的情况下,其主要的温度分布取决于热源所散发的热量,第二位置信息可以用于表征热源在光纤测温场景下的位置,第二位置信息的表示形式也为三维坐标,参考温度分布信息可以是指在无噪声干扰情况下对应热源形成的温度分布。
具体地,由于热源在运行过程中,会收到环境噪声、器件损耗、运行时长等多方面因素的影响,因此,在本实施例中,以热源对应设备的出厂属性或者额定属性确定其参考温度分布信息,参考温度分布信息可以通过三维高斯函数拟合得到,以表征出单个热源对其周围的温度影响,参考温度分布信息可以通过三维高斯函数的均值参数和协方差参数表示。
S3,根据所有测温点信息和所有热源参考信息,得到热源温度分布特征。
其中,热源温度分布特征可以用于表征光纤测温场景下各个热源对应的温度分布的特征信息。
在一个具体的实施方式中,在步骤S3中还包括如下步骤:
S31,将所有测温点信息输入经训练的第一编码器中进行特征提取,输出测温点信息特征;
S32,将所有热源参考信息输入经训练的第二编码器中进行特征提取,输出热源参考信息特征;
S33,将测温点信息特征和热源参考信息特征进行特征融合,得到热源温度分布特征。
其中,经训练的第一编码器可以用于提取所有测温点信息的特征,测温点信息特征可以用于表征所有测温点信息的特征,经训练的第一编码器可以用于提取所有热源参考信息的特征,测温点信息特征可以用于表征所有热源参考信息的特征,热源温度分布特征可以包括测温点信息特征和热源参考信息特征。
具体地,单个测温点信息可以通过1*4的向量表示,则所有测温点信息以Q*4的矩阵表示,Q可以是指测温点的最大部署数量,若光纤测温场景中的测温点数量小于Q,则采用补行的方式形成Q*4的矩阵,所补的行中元素值可以均为0,从而使得经训练的第一编码器能够应用于不同的光纤测温场景下。
同样地,单个热源参考信息可以通过1*5的向量表示,则所有热源参考信息以P*5的矩阵表示,P可以是指热源的最大部署数量,若光纤测温场景中的热源数量小于P,则采用补行的方式形成P*5的矩阵,所补的行中元素值也可以均为0,从而使得经训练的第二编码器能够应用于不同的光纤测温场景下。
在本实施例中,测温点信息特征和热源参考信息特征的尺寸设置为存在至少一个维度相同,以使得测温点信息特征和热源参考信息特征能够通过拼接方式实现特征融合。
在一实施方式中,还可以将测温点信息特征和热源参考信息特征的尺寸设置为相同,以使得测温点信息特征和热源参考信息特征能够通过直接相加的方式实现特征融合。
上述根据所有测温点信息和所有热源参考信息,得到热源温度分布特征的步骤,综合测温点信息特征和热源参考信息特征得到热源温度分布特征,以热源参考信息为基础,测温点信息为额外的嵌入信息,使得热源温度分布特征的表征能力更丰富,从而为后续真实温度分布生成提供准确的热源温度分布特征,进而提高光纤测温场景中故障预警的准确率。
S4,获取每个热源分别对应的运行信息,根据所有测温点信息和所有运行信息,得到温度分布调整特征。
其中,运行信息可以包括热源的单次连续运行时长、投入运行的总时长、运行频率、运行耗能信息等。
温度分布调整特征可以作为嵌入特征以调整热源温度分布特征,也即温度分布调整特征和热源温度分布特征尺寸一致。
在一个具体的实施方式中,在步骤S4中还包括如下步骤:
S41,获取每个热源分别对应的运行信息;
S42,将所有测温点信息和所有运行信息输入经训练的第三编码器中,输出温度分布调整特征。
其中,经训练的第三编码器可以用于提取所有测温点信息和所有运行信息的特征信息,也即温度分布调整特征。
具体地,经训练的第三编码器包含第一编码分支和第二编码分支,第一编码分支用于提取所有测温点信息的特征,第二编码分支用于所有运行信息的特征,第一编码分支和第二编码分支的输出尺寸一致,第一编码分支和第二编码分支的输出通过相加融合的方式得到温度分布调整特征。运行信息可以表示1*E尺寸的向量,向量中的每一列表征一类运行信息,则第二编码分支的输入尺寸为1*E。
本实施例中,通过测温点信息和运行信息进行温度分布调整特征的预测,使得温度分布调整特征能够作为嵌入特征对热源温度分布特征进行调整,以融合热源的运行信息,提高后续温度分布信息生成的准确率。
在一个具体的实施方式中,运行信息至少包括:对应热源的运行功耗、运行时长和运行频率。
其中,运行功耗可以是指预设时间段内该热源的平均功耗,运行时长可以是指该热源的连续工作时长,运行频率可以是指预设时间段内该热源的启动运行次数。
上述获取每个热源分别对应的运行信息,根据所有测温点信息和所有运行信息,得到温度分布调整特征的步骤,额外预测温度分布调整特征以对热源温度分布特征进行调整,使得后续真实温度分布信息生成时能够综合热源的运行信息,以提高真实温度分布信息生成的准确率。
S5,根据热源温度分布特征和温度分布调整特征,得到真实温度分布信息。
其中,真实温度分布信息可以用于表征光纤测温场景中的真实温度分布。
在一个具体的实施方式中,在步骤S5中还包括如下步骤:
S51,将热源温度分布特征和温度分布调整特征进行特征融合,得到融合特征;
S52,将融合特征输入经训练的解码器中进行特征重构,得到真实温度分布信息。
其中,融合特征可以包括热源温度分布特征和温度分布调整特征的特征信息,经训练的解码器可以用于对融合特征进行重构,以得到温度分布信息。
在一个具体的实施方式中,第一编码器、第二编码器和解码器的训练过程包括:
获取样本测温场景下的若干个样本测温点信息和若干个热源样本信息,热源样本信息包括对应样本热源的样本位置信息和样本温度分布信息;
将样本测温点信息输入第一编码器中,输出样本测温点信息特征,将热源样本信息输入第二编码器中,输出热源样本信息特征;
将热源样本信息特征和样本测温点信息特征融合,得到样本温度分布特征,将样本温度分布特征分别和N个预设的样本调整特征进行特征融合,得到N个样本融合特征;
将N个样本融合特征输入解码器中,输出N个预测温度分布信息;
根据样本温度分布信息和N个预测温度分布信息,对第一编码器、第二编码器和解码器进行训练,得到经训练的第一编码器、经训练的第二编码器和经训练的解码器。
其中,N为大于一的整数,样本测温场景可以指用于样本获取的光纤测温场景,样本测温点信息可以是指样本测温场景中样本测温点对应的测温点信息,热源样本信息可以是指样本测温场景中样本热源对应的热源信息,样本位置信息可以表征对应样本热源在样本测温场景中的位置,样本温度分布信息可以是指在无噪声干扰情况下对应样本热源形成的温度分布。
样本测温点信息特征可以用于表征样本测温点信息的特征,热源样本信息特征可以用于表征热源样本信息的特征,样本温度分布特征可以包括热源样本信息特征和样本测温点信息特征的特征信息。
N个预设的样本调整特征中任两个样本调整特征均不相同,样本融合特征可以包括样本温度分布特征和对应的样本调整特征的特征信息,预测温度分布信息可以是指预测得到的样本测温场景的温度分布。
具体地,样本调整特征可以视作额外嵌入的噪声特征,则可以通过噪声随机采样生成N个互不相同的样本调整特征。
在一个具体的实施方式中,根据样本温度分布信息和N个预测温度分布信息,对第一编码器、第二编码器和解码器进行训练,得到经训练的第一编码器、经训练的第二编码器和经训练的解码器,包括:
将每个预测温度分布信息分别和样本温度分布信息进行距离度量,得到每个预测温度分布信息对应的第一距离度量结果,将所有第一距离度量结果相加,确定相加结果为第一损失函数;
将每两个预测温度分布信息之间进行距离度量,得到M个第二距离度量结果,将所有第二距离度量结果相加,确定相加结果为第二损失函数;
根据第一损失函数和第二损失函数,对第一编码器、第二编码器和解码器进行训练,得到经训练的第一编码器、经训练的第二编码器和经训练的解码器。
其中,第一距离度量结果可以用于表征对应预测温度分布信息和样本温度分布信息之间的差异,第二距离度量结果可以用于表征两个预测温度分布信息之间的差异。
第一损失函数可以用于监督预测温度分布信息与样本温度分布信息尽可能相似,以使得模型具备抗噪声能力,第二损失函数可以用于监督预测温度分布信息之间互不相似,以使得模型面对不同的嵌入噪声特征时,能够生成不同的预测温度分布信息。
具体地,由于预测温度分布信息的数量为N,则M的取值为N!/[2*(N-2)!],距离度量可以采用欧式距离、余弦距离等方式实现。
本实施例中,第一损失函数和第二损失函数联合训练,而由于第一损失函数和第二损失函数存在一定的对抗性,使得经训练后模型能够输出与样本温度分布信息近似,但并不完全一致的预测温度分布信息,并且,该预测温度分布信息受到样本调整特征的影响,使得在模型实际应用过程中,能够通过提供温度分布调整特征的方式生成符合预期的真实温度分布信息。
在一个具体的实施方式中,在根据样本温度分布信息和N个预测温度分布信息,对第一编码器、第二编码器和解码器进行训练,得到经训练的第一编码器、经训练的第二编码器和经训练的解码器之后,还包括:
将任一样本融合特征输入经训练的解码器中,输出目标温度分布信息;
根据目标温度分布信息和样本测温点信息,对样本融合特征对应的样本调整特征进行更新,得到更新调整特征;
获取样本测温场景下的若干个样本运行信息,根据样本测温点信息、样本运行信息和更新调整特征,对预设的第三编码器进行训练,得到经训练的第三编码器。
其中,目标温度分布信息可以是指对应样本融合特征的特征重构结果,更新调整特征可以是指经过更新后的样本调整特征。
预设的第三编码器可以用于拟合测温点信息和运行信息,与温度分布调整特征之间的映射关系。
具体地,本实施例相当于固定经训练的第一编码器、经训练的第二编码器和经训练的解码器的参数,仅对样本融合特征进行参数更新,因此仍可以采用梯度下降法进行训练更新。
训练更新时的损失函数可以根据目标温度分布信息和样本测温点信息确定,也即根据样本测温点的位置信息,从目标温度分布信息确定样本测温点对应的目标温度值,将该目标温度值和样本测温点的采集温度值进行均方误差损失函数的计算,即可得到训练更新时的损失函数。
在得到更新调整特征之后,再基于更新调整特征、样本测温点信息和样本运行信息,对预设的第三编码器进行训练,将样本测温点信息和样本运行信息输入第三编码器,输出预测调整特征,根据预测调整特征和更新调整特征进行均方误差损失函数的计算,得到第三编码器训练时的损失函数,采用梯度下降法对第三编码器进行训练,得到经训练的第三编码器。
本实施例中,构建第三编码器以将测温点信息和运行信息映射为温度分布调整特征,从而得到符合实际情况的温度分布调整特征,进而得到更加符合实际情况的真实温度分布信息,以提高光纤测温场景的故障预警的准确率。
上述根据热源温度分布特征和温度分布调整特征,得到真实温度分布信息的你步骤,
S6,根据真实温度分布信息,得到出现故障的热源并进行故障预警。
其中,由于热源的第二位置信息已知,因此可以直接从真实温度分布信息中确定热源位置处对应的温度值,进而直接以热源温度值进行阈值比较,若热源温度值大于阈值,则认为热源出现故障进行预警。特别地,实施者可以根据实际情况,为不同热源可以设置不同的阈值。
上述根据真实温度分布信息,得到出现故障的热源并进行故障预警的步骤,通过真实温度分布信息的生成,使得光纤测温场景内每个位置都能确定对应的温度值,提高了光纤测温场景的故障预警的精细度,并且直接以热源的温度值与其对应的阈值比较,在热源出现故障时及时发现,提高了光纤测温场景的故障预警的及时性。
本发明实施例中,根据热源的运行信息得到温度分布调整特征,对基于热源参考信息得到的热源温度分布特征进行调整,综合热源的运行信息对热源的散热能力进行修正,也即对温度分布进行修正,得到更为准确地真实温度分布信息,相较于通过测温点采集信息与阈值比较的方式,根据真实温度分布信息能够在热源出现故障时及时发现,并且准确定位出现故障的热源,提高了光纤测温场景的故障预警的及时性和精细度。
虽然已经通过示例对本发明的一些特定实施例进行了详细说明,但是本领域的技术人员应该理解,以上示例仅是为了进行说明,而不是为了限制本发明的范围。本领域的技术人员还应理解,可以对实施例进行多种修改而不脱离本发明的范围和精神。本发明开的范围由所附权利要求来限定。
Claims (7)
1.一种用于光纤测温场景的故障预警方法,其特征在于,所述故障预警方法包括如下步骤:
S1,获取所述光纤测温场景中若干个测温点分别对应的测温点信息,所述测温点信息包括对应测温点的第一位置信息和温度采集信息;
S2,获取所述光纤测温场景中若干个热源分别对应的热源参考信息,所述热源参考信息包括对应热源的第二位置信息和参考温度分布信息;
S3,根据所有测温点信息和所有热源参考信息,得到热源温度分布特征,其中,在步骤S3中还包括如下步骤:
S31,将所有测温点信息输入经训练的第一编码器中进行特征提取,输出测温点信息特征;
S32,将所有热源参考信息输入经训练的第二编码器中进行特征提取,输出热源参考信息特征;
S33,将所述测温点信息特征和所述热源参考信息特征进行特征融合,得到所述热源温度分布特征;
S4,获取每个热源分别对应的运行信息,根据所有测温点信息和所有运行信息,得到温度分布调整特征;
S5,根据所述热源温度分布特征和所述温度分布调整特征,得到真实温度分布信息,其中,在步骤S5中还包括如下步骤:
S51,将所述热源温度分布特征和所述温度分布调整特征进行特征融合,得到融合特征;
S52,将所述融合特征输入经训练的解码器中进行特征重构,得到所述真实温度分布信息;
S6,根据所述真实温度分布信息,得到出现故障的热源并进行故障预警;
其中,所述第一编码器、所述第二编码器和所述解码器的训练过程包括:
获取样本测温场景下的若干个样本测温点信息和若干个热源样本信息,所述热源样本信息包括对应样本热源的样本位置信息和样本温度分布信息;
将所述样本测温点信息输入所述第一编码器中,输出样本测温点信息特征,将所述热源样本信息输入所述第二编码器中,输出热源样本信息特征;
将所述热源样本信息特征和所述样本测温点信息特征融合,得到样本温度分布特征,将所述样本温度分布特征分别和N个预设的样本调整特征进行特征融合,得到N个样本融合特征;
将所述N个样本融合特征输入所述解码器中,输出N个预测温度分布信息;
根据所述样本温度分布信息和所述N个预测温度分布信息,对所述第一编码器、所述第二编码器和所述解码器进行训练,得到所述经训练的第一编码器、所述经训练的第二编码器和所述经训练的解码器。
2.根据权利要求1所述的故障预警方法,其特征在于,所述根据所述样本温度分布信息和所述N个预测温度分布信息,对所述第一编码器、所述第二编码器和所述解码器进行训练,得到所述经训练的第一编码器、所述经训练的第二编码器和所述经训练的解码器,包括:
将每个预测温度分布信息分别和所述样本温度分布信息进行距离度量,得到每个预测温度分布信息对应的第一距离度量结果,将所有第一距离度量结果相加,确定相加结果为第一损失函数;
将每两个预测温度分布信息之间进行距离度量,得到M个第二距离度量结果,将所有第二距离度量结果相加,确定相加结果为第二损失函数;
根据所述第一损失函数和所述第二损失函数,对所述第一编码器、所述第二编码器和所述解码器进行训练,得到所述经训练的第一编码器、所述经训练的第二编码器和所述经训练的解码器。
3.根据权利要求1所述的故障预警方法,其特征在于,在所述根据所述样本温度分布信息和所述N个预测温度分布信息,对所述第一编码器、所述第二编码器和所述解码器进行训练,得到所述经训练的第一编码器、所述经训练的第二编码器和所述经训练的解码器之后,还包括:
将任一样本融合特征输入所述经训练的解码器中,输出目标温度分布信息;
根据所述目标温度分布信息和样本测温点信息,对所述样本融合特征对应的样本调整特征进行更新,得到更新调整特征;
获取样本测温场景下的若干个样本运行信息,根据所述样本测温点信息、所述样本运行信息和所述更新调整特征,对预设的第三编码器进行训练,得到经训练的第三编码器。
4.根据权利要求2所述的故障预警方法,其特征在于,在步骤S4中还包括如下步骤:
S41,获取每个热源分别对应的运行信息;
S42,将所有测温点信息和所有运行信息输入所述经训练的第三编码器中,输出所述温度分布调整特征。
5.根据权利要求1所述的故障预警方法,其特征在于,所述运行信息至少包括:对应热源的运行功耗、运行时长和运行频率。
6.一种非瞬时性计算机可读存储介质,所述存储介质中存储有至少一条指令或至少一段程序,所述至少一条指令或所述至少一段程序由处理器加载并执行以实现如权利要求1-5中任意一项的所述故障预警方法。
7.一种电子设备,其特征在于,包括处理器和权利要求6中所述的非瞬时性计算机可读存储介质。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311023703.1A CN117053941B (zh) | 2023-08-14 | 2023-08-14 | 基于激光器的光纤测温场景故障预警系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311023703.1A CN117053941B (zh) | 2023-08-14 | 2023-08-14 | 基于激光器的光纤测温场景故障预警系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117053941A CN117053941A (zh) | 2023-11-14 |
CN117053941B true CN117053941B (zh) | 2024-03-29 |
Family
ID=88667141
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311023703.1A Active CN117053941B (zh) | 2023-08-14 | 2023-08-14 | 基于激光器的光纤测温场景故障预警系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117053941B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107462597A (zh) * | 2017-07-26 | 2017-12-12 | 华中科技大学 | 一种金属材料对激光的吸收率的标定方法 |
CN112598201A (zh) * | 2021-03-01 | 2021-04-02 | 湖北鑫英泰系统技术股份有限公司 | 一种基于分布式光纤测温的电网负荷估算方法与装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5761235B2 (ja) * | 2013-03-06 | 2015-08-12 | 横河電機株式会社 | 光ファイバ温度分布測定装置 |
US9285273B2 (en) * | 2013-12-17 | 2016-03-15 | Macau University Of Science And Technology | Optical fiber-based environmental detection system and the method thereof |
-
2023
- 2023-08-14 CN CN202311023703.1A patent/CN117053941B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107462597A (zh) * | 2017-07-26 | 2017-12-12 | 华中科技大学 | 一种金属材料对激光的吸收率的标定方法 |
CN112598201A (zh) * | 2021-03-01 | 2021-04-02 | 湖北鑫英泰系统技术股份有限公司 | 一种基于分布式光纤测温的电网负荷估算方法与装置 |
Also Published As
Publication number | Publication date |
---|---|
CN117053941A (zh) | 2023-11-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107729985B (zh) | 识别技术设施的过程异常的方法和相应的诊断系统 | |
KR20190017121A (ko) | 기계학습 기법에 기반한 기계의 오류 데이터를 검출하기 위한 알고리즘 및 방법 | |
US11636557B2 (en) | Systems and methods for enhanced power system model validation | |
CN111033413B (zh) | 监视设备和用于监视系统的方法 | |
KR102495422B1 (ko) | 열화 검지 시스템 | |
JP2017161991A (ja) | 品質評価システム、品質評価方法及びプログラム | |
KR20200046905A (ko) | IoT 기상환경 수집 데이터의 안정성 확보 방법 | |
CN117053941B (zh) | 基于激光器的光纤测温场景故障预警系统 | |
CN117706413B (zh) | 一种基于数据分析的标准电源模块运行自检系统 | |
CN115018012A (zh) | 一种高维度特性下的物联网时间序列异常检测方法及系统 | |
CN117387603A (zh) | 电力巡检地图导航方法及装置、介质、电子设备 | |
US20230024645A1 (en) | Systems and methods for identifying electric power delivery system event locations using machine learning | |
CN117057234B (zh) | 基于激光器的光纤测温点定位系统 | |
US9529042B2 (en) | Device for and method of estimating error point in logic diagram | |
CN117538710A (zh) | 用于局部动态放电监测的智能预警方法及系统 | |
CN114384885B (zh) | 基于异常工况的工艺参数调整方法、装置、设备和介质 | |
US9644958B2 (en) | Method for the validation of solar altitude-dependent measured values of several measurement channels | |
CN117057236B (zh) | 基于激光器的光纤测温点评估系统 | |
US20190236375A1 (en) | Data fusion based safety surveillance system and method | |
CN117057235B (zh) | 基于激光器的光纤测温点部署系统 | |
Fuhrmann et al. | X-AMINOR: A Mobile Multi-Sensor Platform for Lifecycle-Monitoring of Transformers. | |
CN115764926B (zh) | 一种针对新能源场站的功率检测方法和系统 | |
CN118037725B (zh) | 电气元件故障检测方法、电子设备及存储介质 | |
US20220308097A1 (en) | Control method of an electrotechnical device | |
CN116662060B (zh) | 传感器信号采集处理系统的数据处理方法及系统 |
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 |