本发明涉及光纤探测技术、深度学习领域,具体涉及一种基于深度学习的光纤测温系统危险等级预测方法。
背景技术:
1、现有的光纤测温系统一般采用基于报警阈值的方法进行温度报警判别,根据判别方法的实时性,主要的判别方法有实时判别和历史分析判别。
2、实时判别方法有。
3、1)超温阈值判别法,对所监测区域或监测点设置超温阈值,当该区域温度值达到或超过超温阈值时,就生成超温警报。
4、2)温升阈值判别法,对所监测区域或监测点设置温升时间间隔和温升阈值,当温升时间间隔内,该监测区域或者监测点的温度上升速度超过温升阈值是,就生成温升警报。
5、历史分析判别方法有。
6、1)区域历史数据叠加判别法,采集一段时间监测区域或者监测点的温度数据,并将所有历史数据叠加显示,设定区域或点叠加次数阈值和温度阈值,如果超过温度阈值的叠加次数大于设定的叠加次数阈值,则生成报警提醒。
7、2)点单历史数据分析判别法,采集一段时间监测区域或者监测点的温度数据,对所有温度异常点进行时间序列分析,并设置报警阈值,如果出现多次警报,可生成报警提醒。
8、现有的光纤测温系统对温度判别方法的主要缺陷。
9、1)依赖于单一的阈值判别,误报率高。
10、光纤测温系统人为设定报警阈值后,只要超过报警阈值就立即报警。现实中温度受多种因素影响,存在波动性,存在单次达到阈值,却没有持续,此时生成的警报就属于误报。
11、2)没有警报危险等级分类功能。
12、现有光纤测温系统简单的实现了超温报警,温升报警,历史分析报警等,并没有对报警危险等级进行分类,随着人工智能和机器学习技术的不断发展,智能危险等级分析和预测成为了光纤测温系统发展的方向。
13、3)温度阈值判断失去了温度时间序列的相关性。
14、温度是受到外界因素的影响,才会变化,而且这个变化过程受热传导的影响一般是迟缓的,现有光纤测温系统只考虑当前温度的值,而忽略了温度变化前置时间序列的变化,导致误报率过高。
15、4)历史分析失去了实时性特点。
16、历史分析判别方法虽然能够很好的对时间序列过程进行分析和判别,但是缺失的最重要的实时性,无法进行实时预测。
17、5)受奇异值影响较大。
18、现有光纤测温系统,由于设备本身的误差问题,会存在奇异值问题,当温度在接近报警阈值波动时,尤其明显,而目前采用的阈值处理方式会出现误报和系统不稳定问题。
19、6)依赖人工干预,人工成本高。
20、传统光纤测温系统由于稳定性差、误报率高,需要人工干预,进行二次预判,增加了人工成本。
技术实现思路
1、本发明要解决的技术问题是传统测温系统误报率高的不足,提供一种基于深度学习的光纤测温系统危险等级预测方法。
2、本发明是一种基于深度学习的光纤测温系统危险等级预测方法,包括模型lstm模型训练过程、svm模型训练过程和预测过程三部分。
3、lstm模型训练过程如下。
4、1) 根据现场应用环境,定义多种危险等级。
5、2) 采集各种危险等级下的多个单帧样本数据。
6、3) 对采集到的单帧数据进行预处理,包括中心化和标准化。
7、4) 采用预处理后的数据构建lstm模型。
8、5) 生成lstm模型。
9、svm模型训练过程如下。
10、1) 根据现场应用环境,定义多种危险等级。
11、2) 采集各种危险等级下的多个单帧样本数据。
12、3) 对采集到的单帧数据进行预处理,包括中心化和标准化。
13、4) 对预处理后的数据通过pca算法进行特征识别,并提取特征值序列。
14、5) 对特征值序列增加危险等级标签。
15、6) 将加入危险等级标签的特征值序列模型输入到svm算法,进行模式识别模板训练。
16、预测过程如下。
17、1) 采集一段时间间隔的单帧实时温度时间序列样本数据。
18、2) 对采集到的单帧数据进行预处理,包括中心化和标准化。
19、3) 使用lstm算法预测单帧温度时间序列数据。
20、4) 使用pca算法对预测出的单帧数据进行特征识别,并提取特征值序列。
21、5) 使用svm算法对特征值序列数据进行危险等级识别,并输出危险等级。
1.一种基于深度学习的光纤测温系统危险等级预测方法,包括模型lstm模型训练过程、svm模型训练过程和预测过程三部分,具体过程如下:
2.根据权利要求1所述的基于深度学习的光纤测温系统危险等级预测方法,其特征在于:构建lstm模型,具体过程如下:
3.根据权利要求1所述的基于深度学习的光纤测温系统危险等级预测方法,其特征在于:构建svm模式识别模型,具体过程如下:
4.根据权利要求1所述的基于深度学习的光纤测温系统危险等级预测方法,其特征在于:险等级预测的步骤如下: