[发明专利]基于机器学习的测温主机光纤受力异常故障识别方法

权利要求书

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P_a，反斯托克斯光光强数值为P_s，通过换算将P_a，P_s数据换算为温度数据T_o，当光纤测温主机敷设的光纤受到外力挤压时，P_a和P_s数据会出现异常，导致输出的温度数据T_o出现异常，有：

T_o＝f(P_a,P_s) (1)

建立RBF神经网络模型，输入向量X_l包括三个分量P_a,P_s,T_o,即X_l＝{P_a,P_s,T_o}，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T_o为异常值的概率；

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；

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P_a,P_s,T_o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P_a,P_s及温度数据T_o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200℃。

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yVh时，表示当前光纤测温点的温度值为正常值；Vh表示门限。