[发明专利]一种基于LSTM的工厂设备故障光纤传感方法和系统

权利要求书

1.一种基于LSTM的工厂设备故障光纤感知方法，其特征在于，包括：

采用光纤瑞利散射原理，实时获取设备运行时候引起光纤振动信号的强度和波形，对数据进行预处理，提取到特征；

采用长短记忆网络建立数学模型，判断工厂设备运行状况。

2.根据权利要求1所述的方法，其关键在于，利用长短记忆模型建立数学模型：

LSTM 解决长期依赖，也就是说，对信息的长期记忆是它们的自发行为，而不是刻意去学习的，每次计算的设备振动数据特征的记忆，下一个数据输入时也作为参数。

3.根据权利要求2所述的方法，所述将所述设备振动数据特征作为数据输入，其中LSTM的核心是细胞状态（cell state），其特征是从水平线来说是贯穿运行；

细胞状态类似于传送带；

直接在整个链上运行，只有一些少量的线性交互；

信息在上面流传保持不变：判断所述设备振动特征采用LSTM 决定我们需要从 cell中抛弃哪些信息，决定是从 sigmoid 中的遗忘层来实现的；

它的输入是 和 ，输出为一个 0 到 1 之间的数；

就是每个在 cell 中所有在 0 和 1 之间的数值，就像我们刚刚所说的，0 代表全抛弃，1 代表全保留，计算公式为：。

4.根据权利要求3所述的方法，其特征在于，所述将所述设备振动信号特征提取和存储，并根据计算值，首先是 sigmoid 层（输入门）决定我们需要更新哪些值；

随后，signmoid层生成了一个新的候选向量 C`，它能够加入状态中；通过LSTM建立数学模型，通过利用历史数据提取的特征训练模型。

5.根据权利要求4所述的方法，其特征在于，所述将所述设备振动引起光纤振动的特征提取，并用LSTM进行模型训练，再次采集到设备振动时，对数据运用上述训练好的模型来判断设备状况。

6.根据权利要求4所述的方法，其特征在于，对实时数据采用相同的方法进行预处理，通过此方法提取特征，通过数学模型预测设备状况以及准确度：

在运用实时数据进行判断前，首先读取数据模型文件，将LSTM训练的模型加载，其特征通过已经训练好的LSTM模型，来判断当前产生故障以及故障严重情况；

若判断出设备运行正常，则给出现在设备与最佳运行状态的比例；

否则，判断出故障的类型以及严重情况。

7.基于LSTM工厂光纤感知分析系统，其特征在于，包括：

数据采集：设备振动引起其环绕的光纤振动，运用光纤瑞利散射原理，获取振动信息；

数据预处理：采集到数据进行清洗、加工、特征提取；

数据分析：利用长短记忆网络建立模型，历史设备振动数据提取的特征作为输入数据训练模型，其中，LSTM在判断过程中利用已经训练的模型，判断故障的类型和相似程度；

业务输出：数据分析结果保存，部分需要自动操作设备的输出工厂设备控制端口，同时通过可视化界面显示分析结果。

8.基于LSTM工厂光纤感知分析系统，其特征在于，包括数据采集、处理和业务输出；

所述数据处理用于在预处理、算法分析采集到的振动数据，作为系统的核心部分，主要是模型建立准确度，关系到设备故障判断的准确度，整个系统的核心流程，数据处理需要大量的历史数据；

所述业务输出部分，是给用户最直观的展现，也是LSTM运算结果呈现给用户、调用接口控制设备、报表统计等，其特征在于多样化的展现以及业务逻辑合理性分析。