CN117057234A - 基于激光器的光纤测温点定位*** - Google Patents
基于激光器的光纤测温点定位*** Download PDFInfo
- Publication number
- CN117057234A CN117057234A CN202311022254.9A CN202311022254A CN117057234A CN 117057234 A CN117057234 A CN 117057234A CN 202311022254 A CN202311022254 A CN 202311022254A CN 117057234 A CN117057234 A CN 117057234A
- Authority
- CN
- China
- Prior art keywords
- temperature
- heat source
- distribution
- optical fiber
- laser
- 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
- 239000013307 optical fiber Substances 0.000 title claims abstract description 67
- 238000009826 distribution Methods 0.000 claims abstract description 154
- 238000009529 body temperature measurement Methods 0.000 claims abstract description 87
- 230000005540 biological transmission Effects 0.000 claims abstract description 20
- 238000004590 computer program Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 19
- 238000012163 sequencing technique Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 6
- 239000000835 fiber Substances 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 2
- 230000004927 fusion Effects 0.000 abstract 1
- 238000000034 method Methods 0.000 description 9
- 238000012544 monitoring process Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Geometry (AREA)
- Computer Hardware Design (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点定位***,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,传输光纤部署于真实测温场景中,数据库中包括参考测温场景中各个第一热源在三维参考模型中的第一坐标信息,对每个第一热源进行温度建模并融合,得到第一整体温度分布,根据第一测温点采集到的温度信息和第一整体温度分布,将第一热源的第一分布参数更新为更新参数,根据第一热源的属性信息及其更新参数,训练分布参数预测模型,预测真实测温场景中第二热源的第二分布参数,对真实测温场景建模,得到第二整体温度分布,进而得到光纤测温点部署位置。
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点定位***。
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。
点式温度测量通常由人工设置测温点,以在光纤中对重点关注的位置进行温度测量或者监控,现有技术中也有通过均匀间距设置测温点实现点式温度测量的方式,例如公开号CN116183056A,一种基于分布式光纤传输的在线监测及预警***,公开了在传感光缆中每间隔0.5米获取一个温度采样数据的内容。
但是,无论是人工设置测温点还是间距设置测温点的方式,都无法以较少的测温点数量实现最准确的光纤整体测温,因此,如何确定最有效的光纤测温点,在降低光纤测温的成本的同时,提高光纤测温的覆盖率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点定位***,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,传输光纤部署于真实测温场景中,数据库中包括参考测温场景中各个第一热源在三维参考模型中对应的第一坐标信息,当计算机程序被处理器执行时,实现以下步骤:
S1,根据每个第一热源预设的第一分布参数和每个第一热源对应的第一坐标信息,得到每个第一热源对应的参考温度分布;
S2,根据所有第一热源的参考温度分布,得到三维参考模型对应的第一整体温度分布;
S3,根据参考测温场景中部署的若干个第一测温点采集到的温度信息和第一整体温度分布,对每个第一热源的第一分布参数进行更新,得到更新参数;
S4,根据各个第一热源的属性信息及其更新参数,对分布参数预测模型进行训练,得到经训练的分布参数预测模型,分布参数预测模型用于将属性信息映射为更新参数;
S5,根据真实测温场景中部署的若干个第二热源的属性信息和经训练的参数预测模型,得到每个第二热源的第二分布参数;
S6,根据每个第二热源的第二分布参数,得到所述真实测温场景对应的第二整体温度分布;
S7,根据所述第二整体温度分布,得到光纤测温点部署位置。
本发明至少具有以下有益效果:
通过对参考测温场景进行建模分析,对第一热源的第一分布参数进行更新,准确确定出第一热源对应的更新参数,结合第一热源的属性信息和更新参数,训练分布参数预测模型,将经训练的分布参数预测模型应用于真实测温场景中,从而准确对真实测温场景进行建模,进而提高基于建模得到的第二整体温度分布的准确性,确定真实测温场景中最需要进行温度监控的位置作为光纤测温点部署位置,能够根据真实测温场景动态确定光纤测温点部署位置,从而实现高危位置的监控,以较低的光纤测温成本,实现较高的光纤测温覆盖率。
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点定位***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点定位***,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,传输光纤部署于真实测温场景中,数据库中包括参考测温场景中各个第一热源在三维参考模型中对应的第一坐标信息,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,根据每个第一热源预设的第一分布参数和每个第一热源对应的第一坐标信息,得到每个第一热源对应的参考温度分布。
其中,第一分布参数可以是指三维高斯分布的可调整参数,也即三维高斯分布的协方差矩阵和均值向量,参考温度分布可以是指对第一热源进行温度建模后的结果。
具体地,本实施例中以三维高斯分布进行第一热源的温度建模,也即默认在三维参考模型中第一热源及其邻域的温度符合三维高斯分布特性,仅考虑单个第一热源的情况,第一热源处温度相对最高,距离第一热源越远,温度相对越低。
在一个具体的实施方式中,在S1步骤中还包括如下步骤:
S11,针对任一个第一热源,根据第一热源预设的第一分布参数,确定第一热源对应的第一温度卷积核;
S12,根据第一温度卷积核的尺寸和第一热源的第一坐标信息,得到第一热源的第一空间邻域信息;
S13,采用第一温度卷积核对第一空间邻域信息中的每个空间点进行卷积处理,得到第一空间邻域信息中每个空间点对应的第一温度值;
S14,由第一空间邻域信息中所有空间点对应的第一温度值形成第一热源对应的参考温度分布。
其中,第一温度卷积核可以是指用于三维卷积计算的卷积核,第一温度卷积核中的参数符合基于第一分布参数确定的三维高斯分布,第一热源的第一空间邻域信息可以视作第一热源温度影响的空域范围,第一温度值可以是指在单个第一热源影响下对应空间点的温度值,参考温度分布可以用于表征在第一热源邻域范围内的温度值分布情况。
具体地,在本实施例中,第一温度卷积核的尺寸为3*3*3,实施者可以根据实际情况调整该尺寸,例如调整为5*5*5、7*7*7等,需要说明的是,由于三维高斯函数的特性,三维卷积核可以视作三个维度的一维卷积核相乘,或者视作一个二维卷积核和一个一维卷积核相乘,则本实施例中采用第一温度卷积核进行卷积操作可以直接应用常见的二维高斯卷积和一维高斯卷积实现。
在采用第一温度卷积核对第一空间邻域信息中的每个空间点进行卷积处理时,针对第一空间邻域信息中的任一个空间点,按照第一温度卷积核的尺寸确定该空间点的卷积范围,将卷积范围内的空间点值和第一温度卷积核进行卷积计算,得到计算结果作为该空间点的卷积处理结果,本实施例中,可以设置第一热源对应空间点的空间点值为1,其他空间点对应的空间点值为0。
本实施例中,通过空域卷积的方式进行单个第一热源周围区域的温度分布建模,提高温度分布信息的可表示性,进而在后续能够灵活调整第一分布参数以适应真实温度分布情况,相较于现有技术定点测温以进行空域温度建模的方式,极大地节省了温度建模成本,同时能够保证较高的温度建模准确率。
上述根据每个第一热源预设的第一分布参数和每个第一热源对应的第一坐标信息,得到每个第一热源对应的参考温度分布的步骤,采用三维高斯分布形式对第一热源的温度分布进行建模,将温度分布建模转换为包含超参数的数学模型,从而有效提高了温度分布建模的便捷性及可调整性。
S2,根据所有第一热源的参考温度分布,得到三维参考模型对应的第一整体温度分布。
其中,第一整体温度分布可以用于表征三维参考模型中各个空间点的温度分布信息。
具体地,根据温度的叠加原理,三维参考模型中多个第一热源的参考温度分布可以分别建模,将所有参考温度分布叠加,即可得到三维参考模型中的温度分布,也即第一整体温度分布。
在一个具体的实施方式中,在S3步骤中还包括如下步骤:
S21,针对三维参考模型中的任一个空间点,确定空间点分别对应每个参考温度分布的第一温度值;
S22,将所有第一温度值相加,得到相加结果作为空间点的叠加温度值;
S23,由三维参考模型中所有空间点对应的叠加温度值形成第一整体温度分布。
其中,空间点可以是指三维参考模型中的任一位置的三维点,第一温度值可以是指空间点在单个第一热源影响下的温度值,叠加温度值可以是指根据叠加原理,得到空间点在多个第一热源影响下的温度值。
具体地,每个空间点均能够计算得到其对应的叠加温度值,而每个空间点在三维参考模型中对应的位置信息是不同的,因此可以由三维参考模型中所有空间点对应的叠加温度值形成三维参考模型的第一整体温度分布。
上述根据所有第一热源的参考温度分布,得到三维参考模型对应的第一整体温度分布的步骤,应用温度叠加定理,使得三维参考模型复杂的温度分布建模通过较为简单的单个第一热源的温度分布建模实现,从而提高三维参考模型温度分布建模的便捷性。
S3,根据参考测温场景中部署的若干个第一测温点采集到的温度信息和第一整体温度分布,对每个第一热源的第一分布参数进行更新,得到更新参数。
其中,第一测温点可以是指在参考测温场景下进行定点测温的位置,温度信息可以是指第一测温点经测温得到的真实温度值,更新参数可以是指能够使第一整体温度分布和第一测温点采集到的温度信息相匹配的分布参数。
在一个具体的实施方式中,在S4步骤中还包括如下步骤:
S31,确定参考测温场景中各个第一测温点对应的第二坐标信息,根据每个第一测温点的第二坐标信息,从第一整体温度分布中确定每个第一测温点对应的叠加温度值;
S32,计算每个第一测温点的温度信息和叠加温度值之间的温度差值,确定所有温度差值之和为目标温度差异值;
S33,更新每个第一热源的第一分布参数,直至目标温度差异值小于预设第一阈值,得到每个第一热源的更新参数。
其中,第二坐标信息同样为三维坐标形式,第二坐标可以用于表征对应第一测温点在三维参考模型中的位置信息,叠加温度值可以是指根据当前各个第一热源的第一分布参数建模得到的第一测温点处的拟合温度信息,温度差值可以用于表征对应第一测温点的拟合温度信息和测温得到的真实温度信息之间的差异,目标温度差异值可以是指所有第一测温点的拟合温度信息和测温得到的真实温度信息之间的总差异。
预设第一阈值可以用于指导第一分布参数更新,也即目标温度差异值和预设第一阈值用于构建第一分布参数更新的目标函数。
具体地,由于根据第一分布参数执行的卷积计算操作,以及后续叠加操作均是可导的,因此可以将根据各个第一分布参数得到每个第一测温点的叠加温度值的过程视作简单的神经网络推理过程,则各个第一分布参数可以采用梯度下降法进行更新,在本实施例中,用于计算梯度的目标函数可以是目标温度差异值的绝对值,以达到全局最优的第一分布参数更新效果,相应地,更新结束的条件为目标函数收敛,也即目标温度差异值在多次更新后基本保持不变,在更新结束后,得到各个第一分布参数对应的更新参数。
上述根据参考测温场景中部署的若干个第一测温点采集到的温度信息和第一整体温度分布,对每个第一热源的第一分布参数进行更新,得到更新参数的步骤,通过与真实测温信息比对的方式,对第一分布参数进行更新,以得到符合真实情况的温度分布拟合结果,进而为后续分布参数预测模型提供训练数据。
S4,根据各个第一热源的属性信息及其更新参数,对分布参数预测模型进行训练,得到经训练的分布参数预测模型。
其中,属性信息可以用于描述第一热源的属性,属性信息可以包括热源类型、热源尺寸、热源能耗等,分布参数预测模型用于将属性信息映射为更新参数。
具体地,针对任一个第一热源,以该第一热源的属性信息作为训练样本数据,属性信息可以通过一维属性向量表示,一维属性向量中每个位置的元素均有其对应的属性信息,在本实施例中,属性向量的首个元素表示热源类型,第二个元素表示热源尺寸,热源能耗表示热源能耗,该第一热源的更新参数作为上述训练样本数据对应的训练标签数据,则该训练样本数据和该训练标签数据组成对应该第一热源的单个训练数据。
特别地,显然上述方式难以获取到大量训练数据以保证经训练的分布参数预测模型的泛化能力,因此,本实施例中分布参数预测模型的训练过程为实时训练,也即在每次应用分布参数预测模型时,均需要根据参考测温场景提供的训练数据进行训练,从而提高分布参数预测模型应用在当前测温场景下的准确性,从而避免由于不同测温场景所部署的第一热源属性信息不同,而导致分布参数预测模型的泛化能力较低,例如,若当前测温场景为工厂场景,则可以选择单个车间作为参考测温场景,在得到经训练的分布参数预测模型之后,应用于其他车间。
优选地,实施者可以预先存储若干个存储测温场景内包含热源的属性信息及该存储测温场景对应的经训练的分布参数预测模型的模型参数信息,在应用于新的测温场景时,根据新的测温场景内热源的属性信息在存储数据中搜索是否存在相似的测温场景,若存在与新的测温场景相似的存储测温场景,则可以直接使用该存储测温场景对应的模型参数信息配置分布参数预测模型,从而无需进行实时训练,提高测温点部署的效率。
在一个具体的实施方式中,属性信息至少包括:热源类型、热源尺寸。
其中,热源类型可以包括掌上电脑、桌上型计算机、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer,UMPC)、上网本、云端终端设备、个人数字助理(personal digital assistant,PDA)、摄像头、摄影机、录影机、手持摄影设备、具有摄影功能的移动设备等,热源尺寸可以是指热源对应的最小外接长方体的尺寸信息。
在一个具体的实施方式中,在S4步骤中还包括如下步骤:
S41,针对任一个第一热源,将第一热源的属性信息输入分布参数预测模型中,输出第一热源的预测参数;
S42,根据第一热源的预测参数和更新参数,得到第一热源对应的参数预测子损失;
S43,由所有参数预测子损失之和作为参数预测损失,根据参数预测损失,对分布参数预测模型进行训练,直至参数预测损失收敛,得到经训练的分布参数预测模型。
其中,预测参数可以是指根据第一热源的属性信息预测得到的参数,参数预测子损失可以是指对应单个第一热源的损失值,参数预测损失可以是指对应所有第一热源的损失总值。
具体地,参数预测子损失可以采用距离度量方式计算,距离度量可以采用欧式距离、余弦距离、均方误差等方式计算,参数预测损失收敛的条件为,在迭代预设次数后,参数预测损失稳定,具体地,本实施例中,预设次数为5次,若最后5次迭代得到的参数预测损失计算得到的方差小于第二阈值,则说明参数预测损失收敛,第二阈值可以取值为2。
上述根据各个第一热源的属性信息及其更新参数,对分布参数预测模型进行训练,得到经训练的分布参数预测模型的步骤,通过构建分布参数预测模型的方式,使得在参考测温场景下建模分析得到的属性信息与更新参数的关系能够应用于其他测温场景下,从而无需多次建模,精简了光纤测温的流程,提高了光纤测温的效率。
S5,根据真实测温场景中部署的若干个第二热源的属性信息和经训练的参数预测模型,得到每个第二热源的第二分布参数。
其中,第二热源可以是指真实测温场景中的热源,第二热源的属性信息可以用于描述对应第二热源的属性,第二分布参数可以是指对第二热源进行温度分布建模时的分布参数。
具体地,在本实施例中,默认第一热源和第二热源的属性信息是相近的,由于参数预测模型是实时训练的,也即可以默认参数预测模型在根据第二热源的属性信息时预测结果是较为准确的。
S6,根据每个第二热源的第二分布参数,得到真实测温场景对应的第二整体温度分布。
其中,根据每个第二热源的第二分布参数,确定每个第二热源的预测温度分布,根据所有第二热源的预测温度分布,确定所述真实测温场景对应的第二整体温度分布。
预测温度分布可以是指对第二热源进行温度建模后的结果,第二整体温度分布可以用于表征真实测温场景中各个空间点的温度分布信息。
具体地,同样采用叠加的方式,根据所有第二热源的预测温度分布,叠加得到真实测温场景对应的第二整体温度分布。
在一个具体的实施方式中,在S6步骤中还包括如下步骤:
S61,针对任一个第二热源,根据第二热源的预测分布参数,确定第二热源对应的第二温度卷积核;
S62,根据第二温度卷积核的尺寸和第二热源在真实测温场景中的第三坐标信息,得到第二热源的第二空间邻域信息;
S63,采用第二温度卷积核对第二空间邻域信息中的每个空间点进行卷积处理,得到第二空间邻域信息中每个空间点对应的第二温度值;
S64,由第二空间邻域信息中所有空间点对应的第二温度值形成第二热源对应的预测温度分布;
S65,将所有预测温度分布叠加,得到第二整体温度分布。
其中,第二温度卷积核可以是指用于三维卷积计算的卷积核,第二温度卷积核中的参数符合基于预测分布参数确定的三维高斯分布,第二热源的第二空间邻域信息可以视作第二热源温度影响的空域范围,第二温度值可以是指在单个第二热源影响下对应空间点的温度值,预测温度分布可以用于表征在第二热源邻域范围内的温度值分布情况。
S7,根据第二整体温度分布,得到光纤测温点部署位置。
其中,光纤测温点部署位置可以是指提供给光纤运维人员进行光纤测温点部署的推荐位置
在一个具体的实施方式中,在S7步骤中还包括如下步骤:
S71,将第二整体温度分布中各个空间点对应的预测温度值排序,得到排序结果;
S72,确定排序结果中前K个预测温度值分别对应的空间点在真实测温场景中所属的第二坐标信息作为光纤测温点部署位置。
其中,排序结果包括按序排列的若干个空间点及其对应的预测温度值,按序排列可以是指按照预测温度值从大到小的顺序排列,K值可以由实施者自行设置,本实施例中设置为5。
优选地,K值可以自适应确定,将所有预测温度值取均值,以均值作为第三阈值,统计所有大于第三阈值的预测温度值的数量作为K值,从而能够保证需要温度相对较高的位置均作为光纤测温点部署位置,需要说明的是,实施者还可以根据所有预测温度值的众数、中位数、四分位数等作为第三阈值,也可以通过将均值和预设系数相乘的方式确定第三阈值,在此不作限制。
上述根据第二整体温度分布,得到光纤测温点部署位置的步骤,准确对真实测温场景进行建模,从而提高基于建模得到的第二整体温度分布的准确性,确定真实测温场景中最需要进行温度监控的位置作为光纤测温点部署位置,以较低的光纤测温成本,实现较高的光纤测温覆盖率。
本发明实施例中,通过对参考测温场景进行建模分析,对第一热源温度建模所使用的第一分布参数进行更新,准确确定出第一热源对应的更新参数,结合第一热源的属性信息和更新参数,训练分布参数预测模型,将经训练的分布参数预测模型应用于真实测温场景中,从而准确对真实测温场景进行建模,从而提高基于建模得到的第二整体温度分布的准确性,确定真实测温场景中最需要进行温度监控的位置作为光纤测温点部署位置,能够根据真实测温场景动态确定光纤测温点部署位置,从而实现高危位置的监控,以较低的光纤测温成本,实现较高的光纤测温覆盖率,从而保证了基于激光器的光纤传输过程的稳定性。
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 (8)
1.一种基于激光器的光纤测温点定位***,其特征在于,所述***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,所述激光器生成激光,通过所述传输光纤对所述激光进行传输,所述传输光纤部署于真实测温场景中,所述数据库中包括参考测温场景中各个第一热源在三维参考模型中对应的第一坐标信息,当所述计算机程序被处理器执行时,实现以下步骤:
S1,根据每个第一热源预设的第一分布参数和每个第一热源对应的第一坐标信息,得到每个第一热源对应的参考温度分布;
S2,根据所有第一热源的参考温度分布,得到所述三维参考模型对应的第一整体温度分布;
S3,根据所述参考测温场景中部署的若干个第一测温点采集到的温度信息和所述第一整体温度分布,对每个第一热源的第一分布参数进行更新,得到更新参数;
S4,根据各个第一热源的属性信息及其更新参数,对分布参数预测模型进行训练,得到经训练的分布参数预测模型,所述分布参数预测模型用于将所述属性信息映射为所述更新参数;
S5,根据真实测温场景中部署的若干个第二热源的属性信息和所述经训练的参数预测模型,得到每个第二热源的第二分布参数;
S6,根据每个第二热源的第二分布参数,得到所述真实测温场景对应的第二整体温度分布;
S7,根据所述第二整体温度分布,得到光纤测温点部署位置。
2.根据权利要求1所述的基于激光器的光纤测温点定位***,其特征在于,在S1步骤中还包括如下步骤:
S11,针对任一个第一热源,根据所述第一热源预设的第一分布参数,确定所述第一热源对应的第一温度卷积核;
S12,根据所述第一温度卷积核的尺寸和所述第一热源的第一坐标信息,得到所述第一热源的第一空间邻域信息;
S13,采用所述第一温度卷积核对所述第一空间邻域信息中的每个空间点进行卷积处理,得到所述第一空间邻域信息中每个空间点对应的第一温度值;
S14,由所述第一空间邻域信息中所有空间点对应的第一温度值形成所述第一热源对应的参考温度分布。
3.根据权利要求2所述的基于激光器的光纤测温点定位***,其特征在于,在S2步骤中还包括如下步骤:
S21,针对所述三维参考模型中的任一个空间点,确定所述空间点分别对应每个参考温度分布的第一温度值;
S22,将所有第一温度值相加,得到相加结果作为所述空间点的叠加温度值;
S23,由所述三维参考模型中所有空间点对应的叠加温度值形成所述第一整体温度分布。
4.根据权利要求3所述的基于激光器的光纤测温点定位***,其特征在于,在S3步骤中还包括如下步骤:
S31,确定所述参考测温场景中各个第一测温点对应的第二坐标信息,根据每个第一测温点的第二坐标信息,从所述第一整体温度分布中确定每个第一测温点对应的叠加温度值;
S32,计算每个第一测温点的温度信息和叠加温度值之间的温度差值,确定所有温度差值之和为目标温度差异值;
S33,更新每个第一热源的第一分布参数,直至所述目标温度差异值小于预设第一阈值,得到每个第一热源的更新参数。
5.根据权利要求1所述的基于激光器的光纤测温点定位***,其特征在于,所述属性信息至少包括:热源类型、热源尺寸。
6.根据权利要求1所述的基于激光器的光纤测温点定位***,其特征在于,在S4步骤中还包括如下步骤:
S41,针对任一个第一热源,将所述第一热源的属性信息输入所述分布参数预测模型中,输出所述第一热源的预测参数;
S42,根据所述第一热源的预测参数和更新参数,得到所述第一热源对应的参数预测子损失;
S43,由所有参数预测子损失之和作为参数预测损失,根据所述参数预测损失,对所述分布参数预测模型进行训练,直至所述参数预测损失收敛,得到所述经训练的分布参数预测模型。
7.根据权利要求1所述的基于激光器的光纤测温点定位***,其特征在于,在S6步骤中还包括如下步骤:
S61,针对任一个第二热源,根据所述第二热源的预测分布参数,确定所述第二热源对应的第二温度卷积核;
S62,根据所述第二温度卷积核的尺寸和所述第二热源在所述真实测温场景中的第三坐标信息,得到所述第二热源的第二空间邻域信息;
S63,采用所述第二温度卷积核对所述第二空间邻域信息中的每个空间点进行卷积处理,得到所述第二空间邻域信息中每个空间点对应的第二温度值;
S64,由所述第二空间邻域信息中所有空间点对应的第二温度值形成所述第二热源对应的预测温度分布;
S65,将所有预测温度分布叠加,得到所述第二整体温度分布。
8.根据权利要求1所述的基于激光器的光纤测温点定位***,其特征在于,在S7步骤中还包括如下步骤:
S71,将所述第二整体温度分布中各个空间点对应的预测温度值排序,得到排序结果;
S72,确定排序结果中前K个预测温度值分别对应的空间点在所述真实测温场景中所属的第二坐标信息作为所述光纤测温点部署位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311022254.9A CN117057234B (zh) | 2023-08-14 | 2023-08-14 | 基于激光器的光纤测温点定位*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311022254.9A CN117057234B (zh) | 2023-08-14 | 2023-08-14 | 基于激光器的光纤测温点定位*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117057234A true CN117057234A (zh) | 2023-11-14 |
CN117057234B CN117057234B (zh) | 2024-03-22 |
Family
ID=88660305
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311022254.9A Active CN117057234B (zh) | 2023-08-14 | 2023-08-14 | 基于激光器的光纤测温点定位*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117057234B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117631629A (zh) * | 2023-12-01 | 2024-03-01 | 上海频准激光科技有限公司 | 基于仿真处理的激光控制*** |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130150073A1 (en) * | 2011-12-12 | 2013-06-13 | Qualcomm Incorporated | Methods and apparatus for updating information used in generating a signal prediction map |
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 |
CN110763363A (zh) * | 2019-05-06 | 2020-02-07 | 中国计量大学 | 基于脉冲编码技术的粮仓分布式光纤拉曼温度监测仪 |
CN111256859A (zh) * | 2019-05-09 | 2020-06-09 | 清华大学 | 检测热影响区温度的***和方法及存储介质 |
CN113378467A (zh) * | 2021-06-17 | 2021-09-10 | 北京邮电大学 | 光纤信道建模的方法、装置、电子设备及存储介质 |
CN114136488A (zh) * | 2021-10-29 | 2022-03-04 | 中国人民解放军海军工程大学 | 一种提高分布式光纤测温***空间定位精度的方法及*** |
CN115239508A (zh) * | 2022-08-02 | 2022-10-25 | 中国平安人寿保险股份有限公司 | 基于人工智能的场景规划调整方法、装置、设备及介质 |
CN116503446A (zh) * | 2023-04-26 | 2023-07-28 | 华南理工大学 | 目标驱动和分布热力图输出的多模态车辆轨迹预测方法 |
-
2023
- 2023-08-14 CN CN202311022254.9A patent/CN117057234B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130150073A1 (en) * | 2011-12-12 | 2013-06-13 | Qualcomm Incorporated | Methods and apparatus for updating information used in generating a signal prediction map |
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 |
CN110763363A (zh) * | 2019-05-06 | 2020-02-07 | 中国计量大学 | 基于脉冲编码技术的粮仓分布式光纤拉曼温度监测仪 |
CN111256859A (zh) * | 2019-05-09 | 2020-06-09 | 清华大学 | 检测热影响区温度的***和方法及存储介质 |
CN113378467A (zh) * | 2021-06-17 | 2021-09-10 | 北京邮电大学 | 光纤信道建模的方法、装置、电子设备及存储介质 |
CN114136488A (zh) * | 2021-10-29 | 2022-03-04 | 中国人民解放军海军工程大学 | 一种提高分布式光纤测温***空间定位精度的方法及*** |
CN115239508A (zh) * | 2022-08-02 | 2022-10-25 | 中国平安人寿保险股份有限公司 | 基于人工智能的场景规划调整方法、装置、设备及介质 |
CN116503446A (zh) * | 2023-04-26 | 2023-07-28 | 华南理工大学 | 目标驱动和分布热力图输出的多模态车辆轨迹预测方法 |
Non-Patent Citations (2)
Title |
---|
段志梅;: "基于混沌理论的光纤陀螺仪温度非线性建模", 激光杂志, no. 01, 25 January 2016 (2016-01-25) * |
秦飞舟;吴辰宁;: "基于分布式光纤温度传感器的热源定位方法", 宁夏大学学报(自然科学版), no. 04, 25 December 2012 (2012-12-25) * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117631629A (zh) * | 2023-12-01 | 2024-03-01 | 上海频准激光科技有限公司 | 基于仿真处理的激光控制*** |
Also Published As
Publication number | Publication date |
---|---|
CN117057234B (zh) | 2024-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10951500B2 (en) | Method and apparatus for warning | |
JP6635038B2 (ja) | シミュレーション装置、シミュレーション方法、および、記憶媒体 | |
CN117057234B (zh) | 基于激光器的光纤测温点定位*** | |
CN113872328A (zh) | 基于神经网络的变电站远程智能巡检方法及*** | |
CN112363251A (zh) | 天气预测模型的生成方法、天气预测方法、装置 | |
JP2016031714A (ja) | 重回帰分析装置および重回帰分析方法 | |
Elogne et al. | An application of Spartan spatial random fields in environmental mapping: focus on automatic mapping capabilities | |
KR20220091714A (ko) | 인공 지능 모델을 이용한 기후 지수 예측 결과에 대한 불확실성과 기여도를 제공하는 기후 지수 예측 방법 및 시스템 | |
CN117057235B (zh) | 基于激光器的光纤测温点部署*** | |
US20200293704A1 (en) | Method, a system and a computer program product for monitoring remote infrastructure networks | |
Meng et al. | Tropical cyclone intensity probabilistic forecasting system based on deep learning | |
CN114863201A (zh) | 三维检测模型的训练方法、装置、计算机设备和存储介质 | |
Zhu et al. | A Bayesian approach for shipboard lifetime wave load spectrum updating | |
KR20140063867A (ko) | 파장가변 다이오드 레이저 흡수 분광학에 기초하여 가스 농도 재구성을 위한 베이지안 접근방식 | |
CN110208808B (zh) | 一种被动声纳非合作目标线谱信息融合方法 | |
Wilkie et al. | Nonparametric statistical downscaling for the fusion of data of different spatiotemporal support | |
Schuh et al. | Machine learning and generalized linear model techniques to predict aboveground biomass in Amazon rainforest using LiDAR data | |
CN115526503A (zh) | 设备巡检数据处理方法、装置、设备及可读存储介质 | |
CN113408019A (zh) | 一种基于bme-gwr的水系沉积物地球化学异常制图方法 | |
CN112541292A (zh) | 一种基于分布式光纤测温原理的海底电缆埋深估计算法 | |
CN117057239B (zh) | 一种基于激光器的光纤测温点定位*** | |
CN117848515B (zh) | 一种开关柜温度监测方法及*** | |
Al Maruf et al. | Hammersley-chapman-robbins lower bounds on pole and residue estimates from impulse response data | |
CN117057236B (zh) | 基于激光器的光纤测温点评估*** | |
CN117787109B (zh) | 一种风速转换可靠性评估方法及*** |
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 |