[發明專利]基于深度學習預測光纖振動信號危險等級的方法

在審

• 申請號: 202010982865.8
• 申請日: 2020-09-18
• 公開（公告）號: CN112101244A
• 公開（公告）日: 2020-12-18
• 發明（設計）人: 王一川;施運強
• 申請（專利權）人: 無錫科晟光子科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G08B21/18;G06N3/04;G06N3/08
• 代理公司: 北京挺立專利事務所(普通合伙) 11265
• 代理人: 沃趙新

本發明公開了一種基于深度學習預測光纖振動信號危險等級的方法，包括如下內容：時間序列樣本采集、提取單幀樣本數據、數據預處理、特征提取、SVM單幀樣本添加危險等級標簽、SVM單幀樣本訓練，并生成SVM模板、構建LSTM模型，生成LSTM模型；采集實時信號序列、實時信號序列數據預處理、實時信號序列特征提取、使用LSTM模板預測數據序列，預測出單幀特征數據序列；SVM算法對預測出的單幀特征數據序列進行危險等級分類。本發明不僅能夠實時報警，還能預測當前信號序列的危險等級，方便現場情況的緊急處理；對時間序列進行分析不僅關注瞬時信號，還關注前向信號，并預測后向信號，對信號的危險等級進行整體分析。

技術領域

本發明涉及光纖探測技術領域，具體涉及一種基于深度學習預測光纖振動信號危險等級的方法。

背景技術

現有的振動型光纖傳感產品對信號進行分類的技術有：振動信號幅值和強度判斷、多點特征有監督模式識別算法、一維信號轉二維圖像后，進行圖像模式識別、振動信號的頻域和相位譜分析。

現有的振動型光纖傳感產品對信號進行分類的技術的主要缺陷：

1)振幅和強度的特征表現不足

單一的振動幅度值和強度值，只能代表當前信號的能量強度，不能代表信號的類別。不同的信號類型可能存在相同的振幅和強度值。

2)多點特征有監督模式識別算法只與當前信號相關

多點特征有監督模式識別算法，提取了當前信號的多個特征點，能基本判斷當前信號的類別，無法進行預測。

3)模式識別算法與時間序列無關

常規的模式識別算法無法對時間序列進行預測和分類。

4)一維信號轉二維圖像丟失時間相關性

一維信號轉二維圖像后進行圖像模式識別的技術，只關注信號的特征分布，不關注相鄰數據之間的時間相關性。

5)頻域和相位譜分析比較困難

基于頻域和相位譜分析的算法，由于一維振動信號攜帶的數據有限，進行分析是往往比較困難，不但耗時長，而且分類效果也不佳。

6)不具備對危險等級進行預測的能力

現有的分類方式只能對信號進行簡單的分類，如：攀爬、風、雨等。暫時還不存在信號危險等級的預測，如：只敲擊一次和連續敲擊的危險等級沒法區分。

發明內容

本發明要解決的技術問題是解決上述現有技術的不足，提供一種基于深度學習預測光纖振動信號危險等級的方法。

為了解決上述現有技術的不足，本發明采用的技術方案為：一種基于深度學習預測光纖振動信號危險等級的方法,包括采集時間序列樣本采集、生成SVM模板和構建LSTM模型，

其中采集時間序列樣本采集如下內容：采集各種振動類型的時間序列數據并獲得多個單幀樣本數據、對提取單幀樣本數據進行中心化和標準化預處理、對經過預處理的數據進行特征提??；

利用LSTM算法對上述特征值進行計算，構建LSTM模型；

根據輸入信號的類型，對上述單針樣本數據加入危險等級標簽，此處可以分為多個危險等級，將加入危險等級標簽的單幀信號集輸入到SVM算法，進行模板訓練；

具體的預測方法如下：

1)采集振動信號一段時間的實時序列；

2)對實時信號序列數據預處理；

3)實時信號序列特征提?。?/p>

4)使用LSTM模板預測數據序列，預測出單幀特征數據序列；