摘 要

伴随着工业技术的迅猛发展，钢铁、电力等工业的规模逐步增大。而随之也带来了越来越多的工业火灾事故，特别是电缆火灾事故，使得企业对于消防安全问题越来越重视。在实际的应用当中，温度报警系统普遍是通过设定温度阈值的方式来实现的。在这种工作方式下，倘若阈值在开始设定时过小有可能导致系统误报，如果阈值在设定时太大，同样存在火势突起而来不及处理的问题。针对这一问题，本文提出了通过构建长短期记忆（Long short-term memory，LSTM）网络算法模型实现对光纤光栅的温度曲线进行短时间内的趋势预测，可以有效地防止因为光纤光缆温度过高而引发的火灾等一系列重大安全事故。对大量的光纤光栅温度数据进行了训练和预测，所得到的结果对于预防由于光纤光栅温度过高而引发的火灾具有重要的指导意义。

本文主要研究了如何基于长短期记忆网络实现对大量光纤光栅的温度数据进行训练和预测。首先，介绍了目前存在的一些监测电缆温度的系统以及循环神经网络（Recurrent neural network，RNN）的研究现状；接着介绍了数据归一化处理、RNN、LSTM和Keras框架的原理，了解了本文所涉及的原理知识；然后，对光纤光栅温度数据进行了处理，搭建了LSTM模型；最后实现了对光纤光栅温度曲线的预测。

研究结果表明：利用长短期记忆网络算法模型对大量的光纤光栅温度数据的训练，最后的预测结果与实际的温度值基本上保持一致，均方根误差保持在15%以内，并且平均可提前20 s进行报警。将长短期记忆网络算法模型利用到预测光纤光栅温度数据走势上，并应用于光纤光栅技术的火灾报警中，有着很大的研究前景和价值。

关键词：长短期记忆；递归神经网络；光纤布拉格光栅

Abstract

With the rapid development of industrial technology, the scale of industries such as steel and electric power has gradually increased. As a result, more and more industrial fire accidents, especially cable fire accidents, have caused enterprises to pay more and more attention to fire safety issues. In practical applications, temperature alarm systems are generally implemented by setting temperature thresholds. In this mode of operation, if the threshold is too small at the beginning of the setting, it may cause a system false alarm. If the threshold is too large at the time of setting, there is also a problem that the fire is not protruding and cannot be processed. Aiming at this problem, this paper proposes to predict the temperature curve of fiber Bragg grating in a short time by constructing a long short-term memory (LSTM) network algorithm model, which can effectively prevent the temperature of the fiber optic cable from being too high. A series of major safety incidents such as fires. A large number of fiber grating temperature data are trained and predicted, and the obtained results have important guiding significance for preventing fire caused by excessive temperature of the fiber grating.

This paper mainly studies how to train and predict the temperature data of a large number of fiber gratings based on long-term and short-term memory networks. Firstly, it introduces some existing systems for monitoring cable temperature and the research status of Recurrent Neural Network (RNN). Then it introduces the principles of data normalization, RNN, LSTM and Keras framework. The principle knowledge involved; then, the fiber grating temperature data is processed, and the LSTM model is built; finally, the prediction of the fiber grating temperature curve is realized.

The research results show that the long-term and short-term memory network algorithm model is used to train a large number of fiber grating temperature data. The final prediction result is basically consistent with the actual temperature value. The root mean square error is kept within 15%, and the average can be advanced by 20s. Make an alarm. The long-term and short-term memory network algorithm model is used to predict the trend of fiber grating temperature data, and it is applied to the fire alarm of fiber Bragg grating technology, which has great research prospects and value.

Key words: Long short-term memory ; Recurrent neural network ; Fiber Bragg grating（FBG）

目录

摘 要 I

Abstract II

第1章 绪论 1

1.1 研究目的及意义 1

1.2 国内外研究现状 1

1.2.1 光纤光栅温度监测系统研究现状 1

1.2.2 循环神经网络研究现状 2

1.3 本文主要研究内容及组织结构 3

第2章 数据归一化和循环神经网络及Keras框架原理 5

2.1 光纤光栅温度数据归一化处理原理 5

2.2 SimpleRNN单元 5

2.3 RNN的拓扑结构 7

2.4 长短期记忆网络 8

2.5 Keras深度学习框架 9

2.5.1 Keras简介 9

2.5.2 Keras中的模型 10

2.5.3 Keras中的重要对象 10

2.6 本章小结 10

第3章 基于LSTM的光纤光栅温度曲线预测报警系统的设计 12

3.1 光纤光栅温度曲线预测报警系统需求分析 12

3.2 光纤光栅传感温度数据准备 12

3.2.1 光纤光栅传感温度数据导入 12

3.2.2光纤光栅传感温度数据转化 13

3.3 LSTM模型设计 14

3.4 本章小结 15

第4章 基于LSTM的光纤光栅温度曲线预测报警系统的实现 16

4.1 光纤光栅温度曲线预测报警系统测试 16

4.2 光纤光栅温度曲线预测报警系统功能实现 20

4.3 本章小结 22

第5章 总结与展望 23

5.1 全文总结 23

5.2 展望 23

参考文献 24

致谢 26

第1章 绪论

1.1 研究目的及意义

随着我国工业技术的不断发展，钢铁、电力等企业的规模逐渐增大，同时也伴随着不断出现的工业火灾事故，其中最令人担忧的便是电缆火灾事故越来越多，使得对于企业的消防安全形势不容乐观。为了确保光纤光栅能够安全地运行，需要对所安装的电缆及其周围的环境进行实时的温度监测与预报^[1]。

光纤光栅测温传感技术在近些年来发展异常迅猛，相关的测温仪表在火灾报警等场所的应用上发挥着越来越重要的作用，它的工作原理在于可以将波长变化的值转换成为温度数据从而对接收的温度数据进行实时的监测与报警^[2]。在实际的应用当中，温度报警系统普遍是通过设定温度阈值的方式来实现的^[3]。在这种工作方式下，倘若阈值在开始设定时过小有可能导致系统误报，相反地，如果阈值在设定时太大，同样存在火势突起而来不及处理的问题。那么，通过构建算法模型从而实现对温度曲线进行短时间内的趋势预测就显得尤为的重要。长短期记忆网络属于时间递归的神经网络，通常用在处理和预测时间数据中延迟较长的事件^[4]，能够十分有效地对光纤光栅温度曲线数据进行预测，防止因为温度过高而引发的火灾等重大安全事故的发生。因此，本文通过构建LSTM神经网络模型，来对光纤光栅温度曲线数据进行预测，并应用于光纤光栅技术的火灾报警中，是一项具有较大的研究前景和价值的研究。

1.2 国内外研究现状

1.2.1 光纤光栅温度监测系统研究现状

对于电力电缆，一般带负荷和超负荷是其主要的两种运行方式。不管是何种运行方式，系统工作的电压始终由电力电缆的绝缘负担，巧合的是，电力电缆的工作寿命由电力电缆的绝缘决定。而电力电缆绝缘的温度又决定了其老化的程度，当然，在一般工作状态下温度没有太大的影响，但是当在超负荷运行的状态下，就可能出现电缆过热而导致一系列的不便。

电缆的安装方式、表面的温度、电缆所处环境的热特性信息以及负载电流这些因素都是建立电力电缆温度监测系统所要考虑到的，它会通过实时的计算算法计算出导体运行时的温度信息，从而确保电缆工作环境的安全。

现在，比较普及的监测电缆温度的系统主要分为如下两个类型，利用电信号的传感器是其中的一种类型，其中包括了有常用的热电阻以及热电偶等等，采用这种方式来对电缆的温度进行监测具有很多的优点，比如说测量温度的精度会更高、反应的速度会更快等等，但是，令人遗憾的是这个方式同时也存在着一系列的不方便的地方，比如说在布线的方面十分复杂、并且线路容易遭到损坏、更加突出的问题是维护的工作量十分的巨大，这也将导致资金方面的大量支出^[5]；还有另一种监测温度的系统被称为光信号传感器，它的分类主要有光纤光栅以及拉曼光纤这两种类型，这两者中拉曼散射方式可以用来测量沿线光缆的温度分布情况，它的优势可以说是在于对长远距离的光缆温度进行在线监测的方面，但是遗憾的是，这种技术要求十分的苛刻不容易实施，因为它对于光源的要求特别的高，除此之外，考虑到造价方面的问题，很容易想到随着电缆距离的不断增加光电监测设备的造价也会有很大幅度的上升^[6]，从而导致造价十分昂贵。另外一种类型是光纤光栅温度传感器，它的功能与上述介绍的点状电信号温度传感器有一些类似，其封装的外壳采用不锈钢材料制作，热反应时间会较短。其中，有这样一种结构，多个探头采取串接在同一条检测回路中的方式，从而实现分布式快速测量多个目标的温度数据的目的^[7]。利用光纤芯层材料光敏特性的光纤布拉格光栅，借助紫外线激光曝光的手段，使得一段本来沿着光纤轴线分布均匀的光纤纤芯的折射率产生规律性的永久变化，因此，只需要对光栅反射光的布拉格波长变化量进行准确地测量，光纤光栅处所测量的物理量就可以获得了^[8]。

1.2.2 循环神经网络研究现状

前馈神经网络（Feed-Forward Neural Network，FNN），也就是传统的神经网络，它的结构比较简单，由一些结构简单的神经元构成，有输入层、输出层以及隐藏层。各层之间的神经元采取全连接的方式，每一层中的神经元之间互不相连。网络结构上也十分简单，不会存在那种环路或者回路的结构，输出和模型也不存在反馈连接。FNN对所有的观测值采取相互独立处理的方式，这就决定了对于关联性强的数据，FNN不适用。RNN（Recurrent neural network，RNN）应运而生。

本论文研究的光纤光栅温度数据属于时间序列数据，有多种模型可以适用于现有的时间序列数据预测算法，例如支持向量回归^[9]、自回归移动平均^[10]、人工神经网络^[11]、小波神经网络^[12]等。随着不断深入地对深度学习算法研究，使得时间序列数据的预测问题可以使用深度学习模型进行解决，深度学习算法提取特征信息的方式比较特别，它通过对输入的数据信息一步一步的分层抽象进而进行信息的提取，在数据序列中有一种隐含关系，而深度学习算法便是用来提取这种隐含关系的。循环神经网络的结构构建引入了时间的序列概念，使得循环神经网络在时间序列数据分析中性能表现的更好，但是可能会出现梯度消失和梯度爆炸等一系列问题。长短期记忆单元是递归神经网络的一种变体，它弥补了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]。通过大量的研究表明，LSTM递归神经网络相较于差分整合移动平均自回归模型、小波神经网络、支持向量回归机具有拟合效果更好、稳定性更高、更高的精度等一系列的优势^[14]。除此之外，LSTM模型在不同领域的时间序列数据的研究中已经取得了不少成果的应用案例，其中包括股票价格预测^[15]、机器翻译、语音识别^[16]、交通流速预测^[17]，图像文字识别，农业领域的降雨量预测^[18]等等。

1.3 本文主要研究内容及组织结构

图1.1 技术路线图

本文主要的研究目标是设计出一个基于LSTM的光纤光栅温度曲线报警系统，光纤光栅温度数据通过实验室仪器测量出来，经过一定的数据处理后用于系统测试。论文研究方案如图1.1所示。

1. 将光纤光栅的温度数据时间序列经过平稳性检验、监督学习格式转化以及标准化设置后转化为适合于LSTM网络训练的数据集；
2. 在Windows操作系统下安装CPU版本的keras开发框架，利用keras开发框架下的开发控件实现LSTM网络模型的搭建。其中，LSTM网络模型的接口需与数据集数据匹配；各层级（输入层、隐含层等）的相关参数及其对应的层级深度等要设置合理；层级之间链接的相关参数也要设置合理，之后，选用适合的函数和优化算法对LSTM网络进行编译；
3. 将光纤光栅的温度数据时间序列按一定的比例分为两个部分，训练集和试测集，以此来构建持续性预测模型对光纤光栅温度数据时间序列进行分析预测。期间，通过绘制预测曲线，同时计算出均方根误差(RMSE)，来作为评价模型预测效果的指标。由于LSTM递归神经网络训练的初始条件为随机生成的,为了验证LSTM递归神经网络模型预测效果的稳定性,对相同参数条件下的模型进行重复的实验,得到模型多次实验后的结果，对模型进行进一步的优化工作。

论文整体结构分布如下：

第1章 主要介绍了基于LSTM的光纤光栅温度曲线报警系统课题研究的目的与意义，并分析了国内外温度监测系统和RNN的研究现状以及本文研究的主要内容及技术方案。

第2章 阐述了数据归一化的方法和RNN的方法原理以及系统基于的框架Keras的介绍。

第3章 分析了系统的功能需求和对光纤光栅温度数据的处理工作以及LSTM模型的构建。

第4章 对系统进行了测试工作，给出了系统的功能实现。

第5章 对本课题的任务进行总结，并且给出了系统可以进一步改进的地方。

第2章 数据归一化和循环神经网络及Keras框架原理

本章将对本次研究课题所涉及的知识进行介绍，包括数据归一化的原理、RNN单元的结构、RNN常见的拓扑结构、LSTM的单元结构以及Keras框架。

2.1 光纤光栅温度数据归一化处理原理

数据的标准化就是按照一定的比例将原始的数据缩放到一个预想的小的区间中。这个方法经常会用于数据比较和性能评价的指标处理中，它的作用在于不需要去关心单位不同带来的限制，将数据经过操作变为无量纲的值，这样，拥有不同单位或级别的标准便方便进行比较或加权。其中，归一化处理方法是最典型，即把数据归一到[0,1]区间里进行处理。

进行数据归一化处理主要有两个方面的优势，第一，模型的收敛速度能够得到提升。除此之外，数据分析的精度也同时得到了提高，这样进行处理，在遇到一些用于距离计算的算法时效果不错。由于各个评价指标的本质各不相同，在多个指标评价体系中，一般拥有不一样的单位和数量级别。如果单纯地使用原始指标值进行评价，各指标间的相差又很大，这个时候，数值较高的指标便会突出在综合分析中的作用，而相应的，数值较低指标的影响便会相对削弱。因此，进行标准化处理很有必要。

从理论上说，数据归一化能够使得不同量纲级别或数量级之间的特征在数值上有一定可较性，大大提高评价体系的准确性。常见的数据归一化方法一般有MinMaxScaler和MaxAbsScaler两种：

1. MinMaxScaler又被叫做最小最大值标准化，该函数可用类sklearn.preprocessing进行调用。能够将所要处理的数据转换到需要的固定区间中，比如说0到1之间。转换公式如下所示：

（2.1）

（2.2）

以上是毕业论文大纲或资料介绍，该课题完整毕业论文、开题报告、任务书、程序设计、图纸设计等资料请添加微信获取，微信号：bysjorg。

相关图片展示：