(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211241547.1 (22)申请日 2022.10.11 (71)申请人 中煤科工集团重庆研究院有限公司 地址 400039 重庆市九龙坡区二郎科城路6 号 (72)发明人 王博文　张书林　周德胜　李军　 槐利　赵庆川　罗前刚　梁光清　 但强　吴科　周妮　 (74)专利代理 机构 北京同恒源知识产权代理有 限公司 1 1275 专利代理师 廖曦 (51)Int.Cl. G01K 15/00(2006.01) G06N 20/00(2019.01) (54)发明名称 基于机器学习的测温主机光纤受力异常故 障识别方法 (57)摘要 本发明涉及一种基于机器学习的测温主机 光纤受力异常故障识别方法， 属于计算机领域。 该方法为： 建立RBF神经网络模型， 将RBF神经网 络模型算法置入单片机ROM， 通过打开开关变量 启动自学习的方法训练网络模型； 设置样本数量 N， 在实验室模拟测温主机的工作环境， 用加热器 将测温主机的光纤的一个或多个点加热； 在加热 的过程中， 持续采集测 温点的Pa,Ps,To数据作为 模型输入样本； 对测温主机单片机内部的RBF网 络模型进行在线学习， 学习完成后将模型参数保 存至ROM中； 得出温度异常的结果向量， 来判断当 前的温度数据是否异常， 如果RBF神经网络模型 判断出当期的温度数据为异常， 则输出异常告警 或对当前的异常温度数据进行过滤。 权利要求书1页 说明书3页 附图1页 CN 115541061 A 2022.12.30 CN 115541061 A 1.基于机器学习的测温主机光纤受力异常故障识别方法， 其特 征在于： 该 方法为： 令斯托克斯光光强数值为Pa， 反斯托克斯光光强数值为Ps， 通过换算将Pa， Ps数据换算为 温度数据To， 当光纤测温主机敷设 的光纤受到外力挤压时， Pa和Ps数据会出现异常， 导致输 出的温度数据To出现异常， 有： To＝f(Pa,Ps)                            (1) 建立RBF神经网络模型， 输入向量Xl包括三个分量Pa,Ps,To,即Xl＝{Pa,Ps,To}， 其中l＝ 1,2,3...N， N是输入样本数量； 输出向量为Y＝{y}， y的取值范围为0％～100％， 表 示光纤受 到外力后输出温度数据To为异常值的概 率； 将所述RB F神经网络模型算法置入单片机ROM， 通过打开开关变量启动自学习的方法训 练网络模型； 设置样本数量N， 在实验室模拟测温主机的工作环境， 用加热器将测温主机的光纤的一 个或多个点加热； 在加热的过程中， 持续采集测温点的Pa,Ps,To数据作为模型输入样本； 用 采集的样本对测温主机单片机内部的RBF网络模型进行在线学习， 学习完成后将模型参数 保存至ROM中； 当测温主机处于正常工作状态时， 将采集的Pa,Ps及温度数据To通过滑动窗口 的方式实时输入RBF神经网络模型， 并得出温度异常 的结果向量Y＝{y}， 根据y来判断当前 的温度数据是否异常， 如果 RBF神经网络模型判断出当期的温度数据为异常， 则输出异常告 警或对当前的异常温度数据进行 过滤。 2.根据权利要求1所述的基于机器学习的测温主机光纤受力异常故障识别方法， 其特 征在于： 所述加热器将测温主机的光纤的一个或多个点加热的温度范围为0℃至20 0℃。 3.根据权利要求1所述的基于机器学习的测温主机光纤受力异常故障识别方法， 其特 征在于： 所述RBF神经网络模型的输出结果y≥Vh时， 表示当前光纤测温点的温度值为异常 值， 当y<Vh时， 表示当前光纤测温点的温度值 为正常值； Vh表示门限。权　利　要　求　书 1/1 页 2 CN 115541061 A 2基于机器学习的测温 主机光纤受力异常故障识别方 法 技术领域 [0001]本发明属于计算机领域， 涉及基于机器学习的测温主机光纤受力 异常故障识别方 法。 背景技术 [0002]目前市场上的光纤测温主机在工作环境下使用时， 当异物(如煤块， 石块)等覆盖 挤压光纤， 测温主机会在挤压受力点检测到异常的高温信号， 严重影响了测温主机的可靠 性和有效性(这种异常的高温信号是 由于光纤受外力挤压造成的测温主机误判， 不是正常 有效的环境温度信号)。 发明内容 [0003]有鉴于此， 本发明的目的在于提供一种基于机器学习的测温主机光纤受力异常故 障识别方法。 [0004]为达到上述目的， 本发明提供如下技 术方案： [0005]基于机器学习的测温主机光纤受力异常故障识别方法， 该 方法为： [0006]令斯托克斯光光强数值为Pa， 反斯托克斯光光强数值为Ps， 通过换算将Pa， Ps数据 换算为温度数据To， 当光纤测温主机敷设 的光纤受到外力挤压时， Pa和Ps数据会出现异常， 导致输出的温度数据To出现异常， 有： [0007]To＝f(Pa,Ps)                            (1) [0008]建立RBF神经网络模型， 输入向量Xl包括三个分量Pa,Ps,To,即Xl＝{Pa,Ps,To}， 其中 l＝1,2,3...N， N是输入样本数量； 输出向量为Y＝{ y}， y的取值范 围为0％～100％， 表示光 纤受到外力后输出温度数据To为异常值的概 率； [0009]将所述RBF神经 网络模型算法置入单片机ROM， 通过打开开关变量启动自学习的方 法训练网络模型； [0010]设置样本数量N， 在实验室模拟测温主机的工作环境， 用加热器将测温主机的光纤 的一个或多个点加热； 在加热的过程中， 持续采集测温点的Pa,Ps,To数据作为模型输入样 本； 用采集的样本对测温主机单片 机内部的RBF网络模型进 行在线学习， 学习完成后将模型 参数保存至ROM中； 当测温主机处于正常工作状态时， 将采集的Pa,Ps及温度数据To通过滑动 窗口的方式实时输入RBF神经网络模型， 并得出温度异常 的结果向量Y＝{y}， 根据y来判断 当前的温度数据是否异常， 如果 RBF神经网络模 型判断出当期的温度数据为异常， 则输出异 常告警或对当前的异常温度数据进行 过滤。 [0011]可选的， 所述加热器将测温主机 的光纤的一个或多个点加热的温度范围为0℃至 200℃。 [0012]可选的， 所述RBF神 经网络模型的输出结果y≥Vh时， 表示当前光纤测温点的温度 值为异常值， 当y<Vh时， 表示当前光纤测温点的温度值 为正常值； Vh表示门限。 [0013]本发明的有益效果在于： 当测温主机敷设的光纤受到异物覆盖挤压时， 测温主机说　明　书 1/3 页 3 CN 115541061 A 3