[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

说明书

本发明公开了一种基于LSTM的工厂设备故障光纤感知方法和系统。其中，该方法将振动数据进行转换、融合等预处理，然后利用长短时记忆网络（Long Short‑Term Memory，简称LSTM）训练模型并分析故障；其中，该系统利用部署到工厂设备上的光纤感知振动信息，感知到设备振动信息时，利用LSTM模型分析判断设备运行状况和发生故障概率；最后保存分析结果并显示。通过上述方式，本发明利用了LSTM分析方法对大量数据模型训练，有效的判断工厂设备运行状况，达到实时监控、感知设备状况目的。并且，一条光纤可以同时感知工厂多台设备的状态，利用该系统能够减少人员巡检次数，加强工厂安全生产。

技术领域

本发明涉及大数据处理分析和瑞利散射光纤传感技术，特别是涉及长短记忆网络分析光纤传感据技术。

背景技术

随着光纤传感技术发展，可利用光纤探测周边环境状况。当光纤受到外界干扰影响发生振动时，光纤中传输光的部分特性就会改变。

大数据技术发展，已经处处影响到我们生活，大型工厂大量机器设备长时间运转，需要减少人员巡视次数情况下保障设备正常运转。

然而，现在大型工厂设备状况基本上都是员工通过经验去判断，很难准确的量化结果，并且工厂内具有很多不可预见的危险。因此，急需一种利用现代技术远程预知设备状况的系统。短时记忆网络对信息的长时记忆是它们的自发行为，能够更准确的根据振动特征判断运行状况。利用光纤瑞利散射实时感知工厂设备振动，采集的数据通过预处理，LSTM有效的预测设备运行状况，即时发现设备故障。

发明内容

本发明主要解决的技术问题是提供一种算法解决工厂设备运行状况，同时能够感知多台设备的振动情况，并保存采集到的数据，通过历史数据进行预处理提取振动特征，利用历史数据训练模型，加载训练好的模型，实时采集到设备振动数据处理过后，能够分析判断设备运行状况，是否发生故障。

为解决上述技术问题，本发明采用的一种技术方案是：利用光纤瑞利散射原理实时感知多个设备振动状况，同时利用大数据LSTM算法训练模型，来达到判断设备运行状况的目的，包括：设备振动数据采集，将光纤环绕到需要监控的设备上；采集到的振动数据进行预处理，提取特征，采用LSTM训练模型，利用模型识别设备运行状况和相似度，并通过业务输出给出展示。

其中，所述设备振动数据采集：将光纤环绕到需要监控的设备上，利用瑞利散射原理可以长距离同时感知多光纤上的所有点振动情况；采集振动信息时，首先往光纤发送10ns的光，光在光纤前向传播，经过振动点发生瑞利散射；将所述散射回光利用光电转换变成电信号，其中该信号为模拟信号，将该模拟信号AD变换成数字信号，该数字信号即作为后续运算的采集的设备数据。

其中，所述数据预处理提取特征，是对数据按照时域处理成矩阵，在数据处理过程中需要数据清洗和加工，对于上述原始数据进行归一化，让数据分布在0-1之间，避免由于数据部分数据过大或者过小引起特征不明显，影响判断准确率。

其中，所述将数据分析采用LSTM算法，实现学习长期依赖关系，对信息的长期记忆是它们自发行为，数据计算过程中采取链条形式的传播方向。其核心所在是cell状态，即cell state，据此决定其中的删除和增加信息，由sigmoid网络层与一个按位乘操作。

其中，需确定从cell里面需要抛弃哪些信息，决定操作是由sigmoid层遗忘层来实现，在输入层时是和，输出为0到1之间的数，为每个在cell中所有在0和1之间的数值，把数值为0的全部抛弃，其计算公式为：。

其中，处理传送给下一步信息时，需要确定什么样信息被存储更新，首先利用sigmoid层决定哪些信息需要更新值，然后生成一个新的候选变量，将其加入到状态中，将新读入的设备振动特征加入到cell状态，将上述2个值结合用来更新cell状态，以防止忘记原来的设备振动特征状态。