一种基于LSTM的工厂设备故障光纤传感方法和系统技术方案

本发明专利技术公开了一种基于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，本发明专利技术利用了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。

A fault optical fiber sensing method and system for factory equipment based on LSTM

The invention discloses a fault optical fiber sensing method and system of factory equipment based on LSTM. In this method, the vibration data are transformed, fused and preprocessed, then the long short-term memory (LSTM) is used to train the model and analyze the faults; in this system, the optical fiber deployed on the plant equipment is used to sense the vibration information of the equipment, and the LSTM model is used to analyze and judge the operation status and faults of the equipment when sensing the vibration information of the equipment Probability; finally save the analysis results and display them. Through the above methods, the invention uses the LSTM analysis method to train a large number of data models, effectively judges the operation status of the plant equipment, and achieves the purpose of real-time monitoring and sensing the equipment status. In addition, a single optical fiber can sense the status of multiple devices in the factory at the same time. Using this system can reduce the number of personnel inspection and strengthen the safety production of the factory.

【技术实现步骤摘要】
一种基于LSTM的工厂设备故障光纤传感方法和系统
本专利技术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。
技术介绍
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。
技术实现思路
本专利技术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，本专利技术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cellstate，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。在上述技术中，本专利技术采用形式进行特征数据传输，需要确定输出的内容，据此决定了cell状态，因此具有如下流程；首先，我们会运行一个sigmoid层决定cell状态输出哪一部分。其次，我们把cell状态通过函数将输出值保持在-1至1之间。最后，我们再乘以sigmoid门的输出值，得到结果，表示振动特征经过变换的值。为解决上述技术问题，本专利技术采用的再一个技术方案是：，随着新的振动特征数据输入确定记录数据，并随着激活函数运用，将历史特征数据进行LSTM训练得到了模型。其中，上述方案提出的加载的模型，最后判断设备运行状态和相似度，当实时检测到设备振动的时候通过大数据屏的形式进业务输出，同时，给出设备控制方案。上述方案，业务输出端将分析处理的的运行状况实时统计，并且对于有故障的机器提前做出预警，无需人工参与，实现了对设备运行状况可自动判定，在具有严重故障的情况下，给设备接口命令，让其停止工作，而且，业务输出采用大数据显示模式，对数据进行多维度统计，故提高可视化和直观展示。附图说明图1是本专利技术基于LSTM工厂设备状况光纤感知方法一流程图；图2是本专利技术基于LSTM工厂设备状况光纤感知系统一实施方式结构示意图；图3是本专利技术基于LSTM工厂设备状况光纤感知方法一流程图；图4是本专利技术基于LSTM工厂设备状况光纤感知方法示意图；图5是本专利技术基于LSTM工厂设备状况光纤感知系统流程图。具体实施方式以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、接口、技术之类的具体细节，以便透彻理解本申请。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施方式中也可以实现本申请。在其它情况中，省略系统、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。请参阅图1，基于LSTM工厂设备光纤感知方法一流程图，该方法包括：采集到的设备数据S11进行保存，历史数据清洗加工预处理S12：所述数据预处理提取特征，对数据按照时域处理成矩阵，在数据处理过程中需要对特征提取。对于上述历史数据进行归一化，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。其中历史数据由光纤传感采集到，预处理数据的时候采用统一的方式，需要对部分数据进行区分根据设备种类分开，不同种类的特征表征了设备不同运行状况。LSTM模型训练S13：采用LSTM算法能够学习长期依赖关系，对信息的长期记忆是它们自发行为，具有链条形式的传播方向，其中在模型训练过程中首先对数据进行分块，分块避免同时导入太多数据内存过大。数据训练过程中对设备振动特征数据训练需要的时间较长，数据也包括设备运行状况的标签。光纤同时环绕很多设备上，不同设备振动频率和振幅，以及振动波形都有差异，需要对具有差异性的设备产生的数据分开或者归类成不同的类别。将上述所述训练好的模型保存到磁盘。读取模型S16：将上述训练好模型加载到内存，利用LSTM分析的时候，保存模型的checkpoint形式，在对指定的文件夹内部建立索引点，在训练过程中也会涉及到更新模型，然后利用新数据不断优化模型。识别判断S17：利用上述训练好的模型，对以相同方法提取的设备振动特征进行识别，计算给出相似度，判断设备是否出现故障，并且不同的故障具有不同的特征。业务输出S18：数据最终可视化展示，业务输出多种形式，其中对于判断出机械故障会造成危害社会对设备发送控制指令，采取协调措施让其修复，甚至停止工作等待检查，另外还包括在给人直观展示整个工厂运行状况。请结合图2举例说明，图2示基于LSTM工厂设备状况光纤感知分析系统一实施方式结构示意图，该系统包括：其中，工厂设备运行时候，设备S24会按照一定规律发生振本文档来自技高网...

【技术保护点】
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：/n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；/n采用长短记忆网络建立数学模型，判断工厂设备运行状况。/n

【技术特征摘要】
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（cellstate），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...

【专利技术属性】
技术研发人员：刘本刚，邓子璇，顾宗随，张洁，魏嘉，柴军杰，
申请(专利权)人：光子瑞利科技北京有限公司，
类型：发明
国别省市：北京;11