CN117057236B - 基于激光器的光纤测温点评估*** - Google Patents
基于激光器的光纤测温点评估*** Download PDFInfo
- Publication number
- CN117057236B CN117057236B CN202311022379.1A CN202311022379A CN117057236B CN 117057236 B CN117057236 B CN 117057236B CN 202311022379 A CN202311022379 A CN 202311022379A CN 117057236 B CN117057236 B CN 117057236B
- Authority
- CN
- China
- Prior art keywords
- temperature
- optical fiber
- points
- distributions
- 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.)
- Active
Links
- 239000013307 optical fiber Substances 0.000 title claims abstract description 108
- 238000011156 evaluation Methods 0.000 title claims abstract description 39
- 238000009826 distribution Methods 0.000 claims abstract description 156
- 238000009529 body temperature measurement Methods 0.000 claims abstract description 96
- 230000005540 biological transmission Effects 0.000 claims abstract description 21
- 238000004458 analytical method Methods 0.000 claims abstract description 20
- 238000004590 computer program Methods 0.000 claims abstract description 9
- 238000005070 sampling Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 10
- 238000000034 method Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 2
- 239000000835 fiber Substances 0.000 claims 1
- 238000004861 thermometry Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 230000003321 amplification Effects 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
- 230000008034 disappearance Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000012423 maintenance 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
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000010287 polarization Effects 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
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (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评估***,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,根据光纤测温场景中若干个测温点分别采集的测温点信息,得到光纤测温场景对应的基础温度分布,根据基础温度分布和经训练的变分自编码器,得到N个预测温度分布,对N个预测温度分布进行差异分析,得到光纤测温场景中满足预设条件的至少一个待评估区域,根据所有待评估区域和光纤测温场景,得到光纤测温点的评估结果。
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评估***。
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。
但是,现有测温点在部署之后,通常是以其部署位置是否能够监测到温度异常情况作为评估手段,而温度异常情况存在一定的随机性,导致在采用上述评估手段时,即使光纤测温场景中存在有未被监测到的区域,也无法根据评估结果准确反映出来,进而,运维人员也无法准确确定需要增设测温点的具***置,因此,如何提高光纤测温场景中光纤测温点性能评估的全面性和准确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评估***,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,根据光纤测温场景中若干个测温点分别采集的测温点信息,得到光纤测温场景对应的基础温度分布;
S2,根据基础温度分布和经训练的变分自编码器,得到N个预测温度分布;
S3,对N个预测温度分布进行差异分析,根据差异分析结果确定光纤测温场景中满足预设条件的至少一个待评估区域;
S4,根据所有待评估区域和光纤测温场景,得到光纤测温点的评估结果。
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点评估***,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,根据光纤测温场景中若干个测温点分别采集的测温点信息,得到光纤测温场景对应的基础温度分布,根据基础温度分布和经训练的变分自编码器,得到N个预测温度分布,对N个预测温度分布进行差异分析,根据差异分析结果确定光纤测温场景中满足预设条件的至少一个待评估区域,根据所有待评估区域和光纤测温场景,得到光纤测温点的评估结果,采用变分自编码器对仅包含测温点信息的基础温度分布进行处理得到预测温度分布,实现温度插值的效果,而由于测温点信息的数量限制,会导致多次得到的预测温度分布之间存在差异,通过差异分析即可得到难以准确拟合的区域,也即待评估区域,进而根据待评估区域确定评估结果,对光纤测温场景整体进行分析,保证了测温点性能评估的全面性,通过待评估区域有效表征出测温点难以有效监测的位置,也便于评估结果的量化,进而提高了光纤测温点性能评估的准确率。
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评估***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评估***,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,根据光纤测温场景中若干个测温点分别采集的测温点信息,得到光纤测温场景对应的基础温度分布。
其中,光纤测温场景可以是指已部署测温点且需要进行光纤测温的场景,测温点信息可以是指在预设时间点采集到的温度值,基础温度分布可以用于表征光纤测温场景在预设时间点时各个测温点的温度值分布信息。
在一个具体的实施方式中,在步骤S1中还包括如下步骤:
S11,根据光纤测温场景,建立测温场景模型;
S12,针对任一测温点,确定测温点在测温场景模型中对应的空间点,将测温点采集的测温点信息作为测温点对应空间点的温度值;
S13,以预设值作为未对应测温点的空间点的温度值,得到基础温度分布。
其中,测温场景模型可以是指对应光纤测温场景的三维模型,光纤测温场景中任一位置均在测温场景模型中存在对应的空间点,显然,光纤测温场景中测温点的位置在测温场景模型也有对应的空间点,温度值可以是指空间点对应的元素值,也即将测温点采集的测温点信息作为测温点对应空间点的温度值的步骤,实质上是以测温点信息对空间点的元素值进行赋值。
具体地,预设值在本实施例中设置为零,得到的基础温度分布可以采用三维张量形式进行表示,一空间点在三维张量中对应的维度即为该空间点的坐标,该空间点在三维张量中对应的元素值即为温度值,在基础温度分布中,仅有测温点对应空间点的元素值不为零,其他空间点的元素值均为零。
本实施例中,通过建模方式得到基础温度分布,以准确表征光纤测温场景中各个测温点的测温点信息,同时将表征方式标准化,以便于后续对基础温度分布进行预测。
上述根据光纤测温场景中若干个测温点分别采集的测温点信息,得到光纤测温场景对应的基础温度分布的步骤,通过基础温度分布表征出真实采集到的温度信息,以作为基础信息供后续变分自编码器实现温度分布预测,提高温度分布预测的准确率。
S2,根据基础温度分布和经训练的变分自编码器,得到N个预测温度分布。
其中,经训练的变分自编码器可以用于根据基础温度分布生成预测温度分布,经训练的变分自编码器的输入为基础温度分布,经训练的变分自编码器的输出为预测温度分布,基础温度分布的尺寸和预测温度分布的尺寸一致。
具体地,由于变分自编码器对基础温度分布进行特征提取得到的隐层特征是以分布的形式表示的,在特征重构时,需要先对隐层特征分布进行随机采样,可以知晓,多次随机采样的结果会存在差别,导致用于重构的特征互不相同,因此,将基础温度分布通过经训练的变分自编码器进行N次处理,可以得到N个互不相同的预测温度分布。
在一个具体的实施方式中,经训练的变分自编码器包括经训练的编码器和经训练的解码器;
在步骤S2中还包括如下步骤:
S21,将基础温度分布输入经训练的编码器中进行特征提取,输出基础特征分布;
S22,对基础特征分布进行N次采样,得到N个采样特征;
S23,将N个采样特征分别输入经训练的解码器中进行特征重构,输出N个预测温度分布。
其中,经训练的编码器可以用于提取输入的基础温度分布的特征信息,也即基础特征分布,采样特征可以是指对基础特征分布的采样结果,经训练的解码器可以用于将输入的采样特征进行特征重构,得到特征重构结果,也即预测温度分布。
在一个具体的实施方式中,编码器和解码器的训练过程包括:
获取样本测温场景对应的样本温度分布,样本温度分布包括若干个样本点及其对应的样本温度值;
将M个预设比例分别和样本温度分布中所有样本点的样本点数量相乘,得到M个遮挡点数量;
根据M个遮挡点数量,分别对样本温度分布进行随机遮挡,得到M个遮挡温度分布;
将M个遮挡温度分布分别输入编码器中,输出M个遮挡特征分布;
将M个遮挡特征分布分别输入解码器中,输出M个参考温度分布;
根据M个参考温度分布分别和样本温度分布之间的差异,对编码器和解码器进行训练,得到经训练的编码器和经训练的解码器。
其中,样本测温场景可以是指理想情况下的测温场景,理想情况可以是指测温场景中的每个位置的温度值都能采集到,样本温度分布可以用于表征样本测温场景中各个位置的温度分布信息,样本测温场景中的任一位置在样本温度分布均有对应的样本点,样本温度值可以是指样本点对应的温度信息。
预设比例可以用于确定遮挡点数量,样本点数量可以是指样本温度分布中所有样本点的数量,遮挡点数量可以是指需要进行遮挡处理的样本点的数量。
遮挡温度分布可以是指样本温度分布按照遮挡点数量进行遮挡处理后的结果,遮挡特征分布可以用于表征遮挡温度分布的特征信息,参考温度分布可以是指根据遮挡特征分布进行特征重构的结果。
具体地,在本实施例中,样本点数量设为109,则预设比例可以分别设置为1*10i,i为[0,8]范围内的整数,以确定出不同的遮挡点数量,也即对样本温度分布的不同遮挡程度。
遮挡处理可以采用置零方式,从样本温度分布中随机采样得到遮挡点,将遮挡点的样本温度值置零,即完成对该遮挡点的遮挡处理。
将M个遮挡特征分布分别输入解码器之前,也需要对遮挡特征进行采样处理,将采样结果输入解码器,输出参考温度分布。
分别计算每个参考温度分布和样本温度分布之间的均方误差,以衡量参考温度分布和样本温度分布之间的差异,进而监督变分自编码器能够根据不同遮挡程度下的遮挡温度分布,重构出与样本温度分布相似的参考温度分布,从而实现温度插值的效果。
在本实施例中,以均方误差之和作为编码器和解码器进行训练的损失函数,采用梯度下降法对编码器和解码器进行训练,直至均方误差损失函数收敛,得到经训练的编码器和解码器。
在一实施方式中,可以根据预设比例从大到小的顺序对编码器和解码器进行训练,也即,先生成较小预设比例下的遮挡温度分布,使用编码器和解码器进行处理,得到对应遮挡温度分布的参考温度分布,根据参考温度分布和样本温度分布的均方误差,对编码器和解码器进行初次训练,再生成较大预设比例下的遮挡温度分布,对编码器和解码器进行再次训练,从而使编码器和解码器逐步学习到根据已知温度值预测未知温度值的能力,避免直接采用较大预设比例下的遮挡温度分布进行训练,会导致编码器和解码器的训练梯度消失。
特别地,由于遮挡过程和遮挡特征分布的采样过程均是随机的,因此采用本实施例的训练方式可以直接通过多次遮挡或者多次特征分布采样来实现数据扩增,以提高经训练的编码器和经训练的解码器的泛化性。
本实施例中,通过不同预设比例遮挡处理后的遮挡温度分布进行编码器和解码器的训练,能够使编码器和解码器学习到通过已知温度值样本点进行未知温度值样本点的温度值预测,相当于学习样本点之间的空域关联和温度关联信息,从而实现温度非线性插值的效果,拟合出测温场景下的整体温度分布,提高测温点评估的全面性。
上述根据基础温度分布和经训练的变分自编码器,得到N个预测温度分布的步骤,利用变分自编码器随机采样的特性,生成多个预测温度分布,以便于后续结合多个预测温度分布进行待评估区域的确定,可以预见的是,对于温度值容易预测的空间点,多个预测温度分布均能较为准确地预测出该空间点的温度值,而对于温度值难以预测的空间点,多个预测温度分布中对应该空间点的温度值预测结果由于随机采样的原因,将会出现较大差异,从而确定出光纤测温场景中测温点难以有效监控的区域,提高测温点评估的准确率。
S3,对N个预测温度分布进行差异分析,根据差异分析结果确定光纤测温场景中满足预设条件的至少一个待评估区域。
其中,差异分析结果可以用于表征N个预测温度分布互相之间的差异情况,待评估区域可以是指测温点难以有效监控的区域。
具体地,由于存在N个预测温度分布,因此在两两进行差异分析时,可以得到N!/[2*(N-2)!]个差异分析结果。
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N个预测温度分布中的每两个预测温度分布之间进行差值计算,得到K个差异温度分布;
S32,将K个差异温度分布分别进行阈值化处理,得到K个二值温度分布;
S33,将K个二值温度分布相加,得到叠加温度分布;
S34,获取叠加温度分布中温度值大于预设温度阈值的空间点,由所有空间点进行连通域分析,得到至少一个待评估区域。
其中,差异温度分布可以用于表征进行差值计算的两个预测温度分布之间的差异情况,在本实施例中,两个预测温度分布之间进行差值计算后,可以进行取绝对值处理。
差异温度分布可以采用预设的固定阈值,也可以采用动态阈值,例如差异温度分布中各个差值的均值、中位数等,实施者也可以选用大津阈值法等方式进行阈值化处理,在此不作限制。
二值温度分布可以是指差异温度分布的阈值化结果,二值温度分布中空间点对应的元素值为两类,一类元素值为1,表示该空间点在两个预测温度分布中对应预测温度值的差值较大,一类元素值为0,表示该空间点在两个预测温度分布中对应预测温度值的差值较小。
叠加温度分布可以是由K个二值温度分布逐空间点进行差值叠加得到的,在此仍将元素值称为温度值,但该温度值实际表征的是该空间点出现较大差异的次数,相应地,温度阈值可以用于衡量空间点的预测温度值是否稳定,若叠加温度分布中温度值大于预设温度阈值,则说明该空间点的预测温度值波动较大,属于难以有效监测的空间点,若叠加温度分布中温度值小于或者等于预设温度阈值,则说明该空间点的预测温度值波动较小,属于能够有效监测的空间点。
连通域分析可以确定叠加温度分布中温度值大于预设温度阈值的空间点之间的空域关联,以形成的连通域作为待评估区域,一个待评估区域中包含至少一个空间点。
本实施例中,通过对多个预测温度分布进行差异分析,确定出难以通过预测准确得到温度值的空间点,从而确定出光纤测温场景中测温点难以有效监控的区域,提高测温点评估的准确率。
上述对N个预测温度分布进行差异分析,得到光纤测温场景中满足预设条件的至少一个待评估区域的步骤,通过待评估区域有效表征出测温点难以有效监测的位置,也便于后续评估结果的量化,进而提高了光纤测温点性能评估的准确率。
S4,根据所有待评估区域和光纤测温场景,得到光纤测温点部署的评估结果。
其中,评估结果可以表示为归一化的评分值。
具体地,在本实施例中,评估结果还可以包括推荐增设的测温点位置,以待评估区域的中心点位置作为推荐增设的测温点位置。
在一个具体的实施方式中,在步骤S4中还包括如下步骤:
S41,获取每个待评估区域内包含空间点的第一空间点数量;
S42,根据第一空间点数量,得到参考空间点数量;
S43,获取光纤测温场景内包含空间点的第二空间点数量;
S44,根据参考空间点数量和第二空间点数量,得到光纤测温点部署的评估结果。
其中,第一空间点数量可以是指对应待评估区域内包含的空间点数量,参考空间点数量可以是指所有待评估区域内的空间点数量,第二空间点数量可以是指光纤测温场景内包含的空间点数量。
具体地,将所有第一空间点数量相加,以相加结果作为参考空间点数量。
将参考空间点数量和第二空间点数量进行比值计算,得到的计算结果值域为[0,1],以该计算结果作为归一化的光纤测温点部署的评分值,也即评估结果。
本实施例中,通过空间点数量进行光纤测温点部署的评估,也即根据已有测温点难以有效监测区域的大小进行评估,从而得到更为全面、更为准确的评估结果。
在一个具体的实施方式中,在步骤S42中还包括如下步骤:
S421,将每个第一空间点数量分别与其对应的预设权值相乘,得到若干个相乘结果;
S422,将所有相乘结果相加,确定相加结果为参考空间点数量。
其中,预设权值可以是指第一空间点数量加权相加时对应的权值。
在一个具体的实施方式中,在步骤S421中还包括如下步骤:
S4211,针对任一待评估区域,在光纤测温场景内确定待评估区域的至少一个关联区域;
S4212,根据所有关联区域和经训练的变分自编码器,得到待评估区域的P个参考温度子分布;
S4213,根据P个参考温度子分布的波动程度,得到待评估区域对应第一空间点数量的预设权值。
其中,关联区域可以是指与待评估区域空域上较为接近的区域,参考温度子分布可以是指根据待评估区域的所有关联区域对待评估区域进行温度分布预测的结果。
波动程度可以表征P个参考温度子分布的差异变化情况,波动程度可以通过方差来表示。
具体地,由于光纤测温场景可以通过三维张量表示,则可以对该三维张量进行均分,得到X个场景子块,各个场景子块的尺寸均一致。
确定待评估区域包含的所有空间点分别所属的场景子块,以包含待评估区域中的空间点数量最多的场景子块作为目标子块,确定目标子块的26个相邻场景子块作为该目标子块的关联区域,也即该待评估区域的关联区域。
在基础温度分布中将非关联区域的空间点温度值置零,则可以仅根据所有关联区域和经训练的变分自编码器,对参考温度子分布,由经训练的变分自编码器进行P次处理,即可得到P个参考温度子分布,需要说明的是,由于经训练的变分自编码器对非关联区域的空间点也会输出预测值,此时仅需再次将输出结果中的非关联区域的空间点温度值置零即可得到参考温度子分布。
本实施例中,P个参考温度子分布通过逐空间点计算方差再相加,得到波动程度,可以根据映射关系将波动程度映射为预设权值,设预设权值的取值范围为[0,2],则映射函数可以设置为:y=2/[e^(5-z)+1],其中,z可以是指波动程度,y为对应波动程度的映射结果,也即预设权值。
上述根据所有待评估区域和光纤测温场景,得到光纤测温点部署的评估结果的步骤,根据光纤测温场景中通过已有测温点难以有效监测区域的大小进行评估,能够有效对评估结果进行量化,并且得到更为全面、更为准确的评估结果。
本发明实施例中,采用变分自编码器对仅包含测温点信息的基础温度分布进行处理得到预测温度分布,实现温度插值的效果,而由于测温点信息的数量限制,会导致多次得到的预测温度分布之间存在差异,通过差异分析即可得到难以准确拟合的区域,也即待评估区域,进而根据待评估区域确定评估结果,对光纤测温场景整体进行分析,保证了测温点性能评估的全面性,通过待评估区域有效表征出测温点难以有效监测的位置,也便于评估结果的量化,进而提高了光纤测温点性能评估的准确率。
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 (5)
1.一种基于激光器的光纤测温点评估***,其特征在于,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光纤测温场景中,当所述计算机程序被处理器执行时,实现以下步骤:
S1,根据光纤测温场景中若干个测温点分别采集的测温点信息,得到所述光纤测温场景对应的基础温度分布;
S2,根据所述基础温度分布和经训练的变分自编码器,得到N个预测温度分布;
S3,对N个预测温度分布进行差异分析,根据差异分析结果确定所述光纤测温场景中满足预设条件的至少一个待评估区域;
S4,根据所有待评估区域和所述光纤测温场景,得到光纤测温点部署的评估结果,其中,在步骤S4中还包括如下步骤:
S41,获取每个待评估区域内包含空间点的第一空间点数量;
S42,根据所述第一空间点数量,得到参考空间点数量,其中,在步骤S42中还包括如下步骤:
S421,将每个第一空间点数量分别与其对应的预设权值相乘,得到若干个相乘结果,其中,在步骤S421中还包括如下步骤:
S4211,针对任一待评估区域,在所述光纤测温场景内确定所述待评估区域的至少一个关联区域;
S4212,根据所有关联区域和所述经训练的变分自编码器,得到所述待评估区域的P个参考温度子分布;
S4213,根据所述P个参考温度子分布的波动程度,得到所述待评估区域对应第一空间点数量的预设权值;
S422,将所有相乘结果相加,确定相加结果为所述参考空间点数量;
S43,获取所述光纤测温场景内包含空间点的第二空间点数量;
S44,根据所述参考空间点数量和所述第二空间点数量,得到所述光纤测温点部署的评估结果。
2.根据权利要求1所述的基于激光器的光纤测温点评估***,其特征在于,在步骤S1中还包括如下步骤:
S11,根据所述光纤测温场景,建立测温场景模型;
S12,针对任一测温点,确定所述测温点在所述测温场景模型中对应的空间点,将所述测温点采集的测温点信息作为所述测温点对应空间点的温度值;
S13,以预设值作为未对应测温点的空间点的温度值,得到所述基础温度分布。
3.根据权利要求1所述的基于激光器的光纤测温点评估***,其特征在于,所述经训练的变分自编码器包括经训练的编码器和经训练的解码器;
在步骤S2中还包括如下步骤:
S21,将所述基础温度分布输入所述经训练的编码器中进行特征提取,输出基础特征分布;
S22,对所述基础特征分布进行N次采样,得到N个采样特征;
S23,将所述N个采样特征分别输入所述经训练的解码器中进行特征重构,输出N个预测温度分布。
4.根据权利要求3所述的基于激光器的光纤测温点评估***,其特征在于,所述编码器和所述解码器的训练过程包括:
获取样本测温场景对应的样本温度分布,所述样本温度分布包括若干个样本点及其对应的样本温度值;
将M个预设比例分别和所述样本温度分布中所有样本点的样本点数量相乘,得到M个遮挡点数量;
根据所述M个遮挡点数量,分别对所述样本温度分布进行随机遮挡,得到M个遮挡温度分布;
将所述M个遮挡温度分布分别输入所述编码器中,输出M个遮挡特征分布;
将M个遮挡特征分布分别输入所述解码器中,输出M个参考温度分布;
根据M个参考温度分布分别和所述样本温度分布之间的差异,对所述编码器和所述解码器进行训练,得到所述经训练的编码器和所述经训练的解码器。
5.根据权利要求2所述的基于激光器的光纤测温点评估***,其特征在于,在步骤S3中还包括如下步骤:
S31,将N个预测温度分布中的每两个预测温度分布之间进行差值计算,得到K个差异温度分布;
S32,将所述K个差异温度分布分别进行阈值化处理,得到K个二值温度分布;
S33,将所述K个二值温度分布相加,得到叠加温度分布;
S34,获取所述叠加温度分布中温度值大于预设温度阈值的空间点,由所有空间点进行连通域分析,得到至少一个所述待评估区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311022379.1A CN117057236B (zh) | 2023-08-14 | 2023-08-14 | 基于激光器的光纤测温点评估*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311022379.1A CN117057236B (zh) | 2023-08-14 | 2023-08-14 | 基于激光器的光纤测温点评估*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117057236A CN117057236A (zh) | 2023-11-14 |
CN117057236B true CN117057236B (zh) | 2024-04-12 |
Family
ID=88658383
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311022379.1A Active CN117057236B (zh) | 2023-08-14 | 2023-08-14 | 基于激光器的光纤测温点评估*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117057236B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104236749A (zh) * | 2013-06-05 | 2014-12-24 | 天津泺佳科技有限公司 | 利用光纤测量电缆温度的测量方法 |
CN105987771A (zh) * | 2016-07-01 | 2016-10-05 | 深圳艾瑞斯通技术有限公司 | 基于光纤的温度监测方法以及*** |
CN113960408A (zh) * | 2021-09-14 | 2022-01-21 | 广州番禺电缆集团有限公司 | 光纤测温的电缆故障预测方法、装置、设备及存储介质 |
CN114519304A (zh) * | 2022-01-28 | 2022-05-20 | 天津大学 | 一种基于分布式光纤测温的多目标火场温度预测方法 |
CN115267555A (zh) * | 2022-08-08 | 2022-11-01 | 上海乐驾智慧能源科技有限公司 | 基于电池多点温度测量的储能***电池soh评估*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6284051B2 (ja) * | 2016-02-25 | 2018-02-28 | 横河電機株式会社 | 光ファイバ温度分布測定システムおよび光ファイバ温度分布測定方法 |
-
2023
- 2023-08-14 CN CN202311022379.1A patent/CN117057236B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104236749A (zh) * | 2013-06-05 | 2014-12-24 | 天津泺佳科技有限公司 | 利用光纤测量电缆温度的测量方法 |
CN105987771A (zh) * | 2016-07-01 | 2016-10-05 | 深圳艾瑞斯通技术有限公司 | 基于光纤的温度监测方法以及*** |
CN113960408A (zh) * | 2021-09-14 | 2022-01-21 | 广州番禺电缆集团有限公司 | 光纤测温的电缆故障预测方法、装置、设备及存储介质 |
CN114519304A (zh) * | 2022-01-28 | 2022-05-20 | 天津大学 | 一种基于分布式光纤测温的多目标火场温度预测方法 |
CN115267555A (zh) * | 2022-08-08 | 2022-11-01 | 上海乐驾智慧能源科技有限公司 | 基于电池多点温度测量的储能***电池soh评估*** |
Also Published As
Publication number | Publication date |
---|---|
CN117057236A (zh) | 2023-11-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Baraldi et al. | Ensemble neural network-based particle filtering for prognostics | |
Nigro et al. | Localized structural damage detection: a change point analysis | |
CN110260774B (zh) | 一种基于Pettitt算法的GNSS变形信息检验与预警方法 | |
JP2020052740A (ja) | 異常検知装置、異常検知方法及びプログラム | |
CN112101554A (zh) | 异常检测方法及装置、设备、计算机可读存储介质 | |
JP7296548B2 (ja) | 作業効率評価方法、作業効率評価装置、及びプログラム | |
EP2132609A1 (en) | Machine condition monitoring using discontinuity detection | |
JP2010049359A (ja) | プラント監視装置およびプラント監視方法 | |
JP6107967B2 (ja) | 分析装置、分析方法および分析プログラム | |
CN117629122B (zh) | 一种水坝位移的监测与预警方法及*** | |
CN117434372B (zh) | 电子产品的电磁兼容抗扰度测试方法及*** | |
Liu et al. | Structural damage diagnosis with uncertainties quantified using interval analysis | |
CN115457756B (zh) | 传感器校准的方法及装置 | |
CN117057236B (zh) | 基于激光器的光纤测温点评估*** | |
CN117057234B (zh) | 基于激光器的光纤测温点定位*** | |
US20200220555A1 (en) | Method for compressing and restoring time series data | |
CN112381380B (zh) | 航天器的***健康检测方法和装置 | |
JP2020181443A (ja) | 異常検出装置、異常検出方法、およびコンピュータプログラム | |
CN115344621A (zh) | 基于解缠绕网络的多变量时间序列异常检测方法及*** | |
Qu et al. | Outlier Detection and Forecasting for Bridge Health Monitoring Based on Time Series Intervention Analysis. | |
JP2019159365A (ja) | 状態変動検出装置及び状態変動検出用プログラム | |
CN109891235A (zh) | 基于统计方法,自动在线检测流体的实际状态与流体的参考状态的偏差的方法,特别是用于监测饮用水供应 | |
CN113779790B (zh) | 基于自编码器误差重构的故障监测方法、装置及介质 | |
San Martín et al. | Performance analysis of gaussian process regression in the temperature estimation of fiber bragg grating sensors | |
US20240184693A1 (en) | Unsupervised method for multivariate monitoring of an installation |
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 |