1.1 研究目的及意义

随着我国工业技术的发展，钢铁、电力等企业规模逐渐增大，不断出现的工业火灾事故，尤其是电缆火灾事故也越来越多，使得企业的消防安全形势不容乐观。为了确保电缆的安全运行，需要对所安装的电缆及周围环境进行实时温度监测^[1]。

近年来，随着光纤光栅测温传感技术的高速发展，相关测温仪表在火灾报警等场所的应用上具有重要作用，其原理在于将波长变化值转换成温度值来进行监测^[2]。在实际应用中，温度报警普遍通过设定温度阈值的方式实现^[3]。这种工作方式下，阈值设定过小可能存在误报，阈值设定太大存在火势突起而来不及处理的问题。那么通过构建算法模型实现对温度曲线进行短时间内的趋势预测就显得尤为重要。长短期记忆网络（Long Short-Term Memory）是一种时间递归神经网络，适合于处理和预测时间序列中间隔和延迟相对较长的事件^[4]，能够有效地对光纤光栅温度进行预测，防止因为温度过高引发的火灾等重大事故。因此，采用LSTM神经网络模型，对光纤光栅温度数据进行预测，并应用于光纤光栅技术的火灾报警中，具有较大的研究意义和实用价值。

1.2 国内外研究现状

现有的电缆温度监测系统主要有主要有两种，一种是电信号传感器，其包括传统的热电偶和热电阻等，具有测温精度高、反应快的特点，但存在布线复杂、易损坏、维护工作量大等缺点^[5]；另一种是光信号传感器，主要有拉曼光纤和光纤光栅两种类型，拉曼散射技术可以对电缆沿线的温度分布进行测量，在长距离电缆温度在线监测方面具有一定的优势，但它对光源的要求特别高，光电监测设备造价随着电缆距离的增加而大幅度上升^[6]。光纤光栅温度传感器的功能类似于点状的电信号温度传感器，不锈钢外壳封装，热反应时间短。其中有这样一种结构，在同一条检测回路中串接多个探头，从而实现对多个目标温度分布式快速测量^[7]。光纤布拉格光栅利用光纤芯层材料的光敏特性，通过紫外激光曝光的方法，使一段本来沿光纤轴线均匀分布的光纤纤芯折射率发生周期性永久改变，因此，通过精确地测量光栅反射光的布拉格波长的变化量，就可以获得光纤光栅处所测量物理量^[8]。

光纤光栅温度数据是时间序列数据，现有针对时间序列数据的预测算法有多种模型，例如自回归移动平均^[9]、支持向量回归^[10]、人工神经网络^[11]、小波神经网络^[12]等。随着深度学习算法研究的不断深入，深度学习模型能够适用于时间序列数据的预测问题，深度学习算法通过对输入的数据信息逐步分层抽象并提取特征，提取出包含在数据序列中的隐含关系。递归神经网络（RNN）将时间的序列概念引入到神经网络结构构建中去，使递归神经网络在时间序列数据分析中性能表现更好，但是可能出现梯度消失和梯度爆炸等问题。长短期记忆单元是递归神经网络的一种变体，弥补了RNN可能出现的梯度消失和梯度爆炸、长期数据记忆能力有限等问题，能够有效地进行处理长时间的序列信息^[13]。大量研究表明，LSTM递归神经网络相较于ARIMA、WNN、SVR具有拟合效果好、稳定性高、更高的精度等一系列优势^[14]。另外，LSTM模型在不同领域的时间序列数据研究中已取得了不少成果的应用案例，包括股票价格预测^[15]、语音识别^[16]、机器翻译，图像文字识别、交通流速预测^[17]，农业领域的降雨量预测^[18]等。

2. 研究的基本内容与方案

2.1 研究的基本内容

本课题拟实现基于LSTM的光纤光栅温度曲线预测报警系统。可借助于官方提供的开源库，搭建平台对以往温度曲线进行分析、训练和测试，实现温度曲线的预测，对结果进行验证。

2.2 研究目标

基于LSTM实现对光纤光栅温度曲线数据的预测，并且对结果进行验证。