1. 项目概述与核心价值最近在做一个挺有意思的项目是关于电气火灾预警的。你可能觉得火灾预警系统不新鲜了但传统的方案比如基于电流阈值或者简单的温度监测误报率高得让人头疼要么就是“狼来了”频繁报警让人麻木要么就是真出事了反应迟钝。我们这次想做的是让预警系统变得更“聪明”能提前嗅到危险的气息。核心思路就是利用长短时记忆网络LSTM来处理电气线路中采集到的时序数据并且创新性地引入了“高低频融合”的策略。简单来说电气线路的电流、电压、温度等信号里藏着火灾发生前的秘密。有些异常是缓慢发生的比如线路老化导致电阻缓慢增大这体现在信号的低频分量上而有些异常是瞬间突发的比如某个接头松动打火这会产生高频的尖峰脉冲。传统的单一频率分析很容易顾此失彼。我们这个系统就是要把这些不同时间尺度上的特征都抓出来融合在一起喂给LSTM模型让它做出更精准的判断。这不仅仅是调个参、跑个模型那么简单它涉及到信号处理、特征工程、深度学习模型设计以及软硬件协同的一整套工程实践。如果你正在做工业物联网、智慧安防或者时序数据预测相关的项目这里面的很多坑和经验或许能帮你省下不少时间。2. 系统整体架构与设计思路拆解2.1 为什么选择LSTM与高低频融合首先得聊聊为什么是LSTM。电气参数如三相电流、零序电流、线缆温度是典型的时间序列数据其当前状态严重依赖于历史状态。比如一个持续缓慢上升的温度趋势比一个瞬间的高温尖峰更具火灾风险。LSTM网络因其独特的门控机制遗忘门、输入门、输出门天生擅长捕捉时间序列中的长期依赖关系非常适合用来学习电气参数变化的正常模式与异常模式。那么“高低频融合”又是怎么回事这是本项目设计的精髓。我们通过实验和理论分析发现低频特征反映了系统的稳态和缓慢变化趋势。例如线路绝缘老化会导致泄漏电流缓慢增加设备长期过载会使温度基线缓慢抬升。这些变化频率低但持续时间长是“温水煮青蛙”式的隐患。高频特征反映了系统的瞬态和突发事件。例如电弧故障俗称“打火”会产生持续时间极短但幅值很高的电流脉冲机械振动导致接触不良也会引起信号的剧烈抖动。这些变化频率高是“急性病”的前兆。如果只分析原始信号LSTM需要非常复杂的结构和大量的数据才能同时学好这两种特征容易过拟合或收敛困难。因此我们决定在数据进入LSTM之前先进行“特征解耦”。具体做法是使用数字信号处理DSP技术将原始时序数据通过滤波器组分解成低频子带和高频子带。然后我们设计了一个双分支的LSTM网络一个分支专门处理低频序列学习长期趋势另一个分支处理高频序列捕捉短期突变。最后在网络的深层将两个分支学习到的特征向量进行融合例如拼接或加权相加再通过全连接层进行最终的火灾风险等级分类或回归预测。这种设计有两大优势一是模型结构更清晰每个LSTM分支的任务更专一训练更高效二是特征表达更丰富同时兼顾了趋势性风险和突发性风险理论上能显著降低误报和漏报率。2.2 系统层级架构设计整个预警系统我们设计为四个层次感知层、边缘计算层、平台层和应用层。这不是一个单纯的算法Demo而是一个可落地的系统工程。感知层负责“感”和“采”。我们选用了高精度的交流采样芯片如ATT7022EU搭配电流互感器CT和温度传感器如DS18B20或PT100以1kHz以上的频率同步采集三相电流、零序电流和线缆表面温度。这里的关键是同步采样和抗干扰设计。电气柜内电磁环境复杂必须做好传感器的屏蔽、信号线的双绞以及PCB板上的滤波电路确保采集到的原始信号信噪比足够高。边缘计算层这是系统的“智能边缘”。我们采用树莓派CM4或性能更强的Jetson Nano作为边缘计算单元。它的核心任务有三个信号预处理与分解对采集到的原始信号进行去噪、校准然后实时进行高低频分解。我们使用了小波变换Wavelet Transform而非简单的傅里叶滤波因为小波变换在时域和频域都有良好的局部化特性更适合分析非平稳信号。选用‘db4’小波基进行3层分解得到近似系数低频和细节系数高频。模型推理将分解后的高低频序列按照时间窗例如一个包含过去10分钟数据的滑动窗口组织好送入部署在边缘设备上的双分支LSTM模型进行前向推理。本地决策与告警根据模型输出的风险概率值结合简单的规则如连续3个窗口风险值超过阈值触发本地声光报警器并通过4G/以太网将预警信息和原始数据片段上传至平台层。平台层基于云服务器或私有化部署的服务器负责“管”和“析”。它接收所有边缘节点的数据进行集中存储、可视化展示和深度分析。更重要的是平台层具备模型持续学习的能力。当现场运维人员确认某次报警是真警或误报后可以将该时间段的数据打上标签回传到平台。平台定期用新的标注数据对全局模型进行微调训练再将优化后的模型参数下发到各个边缘节点实现系统的自我进化。应用层面向运维管理人员提供Web界面或移动APP。可以实时查看各个监测点的电气参数曲线、风险等级、报警历史并接收推送告警信息。3. 核心模块实现与关键技术细节3.1 数据预处理与高低频特征提取这是整个项目的数据基石如果这里没做好再好的模型也是白搭。第一步数据清洗与校准采集到的原始数据首先需要去除明显的异常点如由于采样干扰产生的瞬态极大/极小值我们采用滑动中值滤波进行初步处理。然后进行校准电流值需要根据CT变比和采样芯片的系数换算为真实安培值温度值也需要根据传感器特性进行线性校正。第二步滑动窗口构建LSTM处理的是序列数据因此我们需要将连续的数据流切分成固定长度的重叠窗口。例如采样频率是1kHz我们设定窗口长度为60000个点即1分钟的数据滑动步长为1000个点即1秒。这样每分钟我们都能基于过去一分钟的数据做出一个新的风险评估既保证了实时性又提供了足够的历史上下文。第三步小波分解提取高低频分量这是特征工程的核心。我们使用PyWavelets库对每个窗口内的电流、温度信号分别进行离散小波变换DWT。import pywt import numpy as np def extract_wavelet_features(signal, waveletdb4, level3): 对输入信号进行小波分解提取低频近似系数和高频细节系数。 signal: 输入的一维时序信号长度需为2^level的整数倍可通过补零实现。 wavelet: 小波基选择db4因其具有较好的紧支撑性和光滑性。 level: 分解层数3层是一个经验值能在计算复杂度和特征粒度间取得平衡。 # 确保信号长度合适不足则补零 coeffs pywt.wavedec(signal, wavelet, levellevel) # coeffs是一个列表[cA3, cD3, cD2, cD1] # cA3: 第3层的近似系数最低频 # cD3, cD2, cD1: 第3,2,1层的细节系数从低频到高频 low_freq_feat coeffs[0] # 低频特征用于趋势分析 # 将多个高频细节系数拼接或降采样后拼接作为高频特征 high_freq_feat np.concatenate([coeffs[i] for i in range(1, len(coeffs))]) return low_freq_feat, high_freq_feat注意小波分解后低频和高频系数的长度会远小于原始信号。我们需要对它们进行重采样或插值使其长度统一以便后续构建模型输入。通常我们会将低频序列通过插值恢复到与高频序列相近的长度或者将两者都降采样到一个固定的、较短的序列长度以减少模型计算量。3.2 双分支LSTM模型构建我们使用PyTorch来构建模型。模型的核心是一个并行处理结构。import torch import torch.nn as nn class DualBranchLSTM(nn.Module): def __init__(self, low_freq_input_size, high_freq_input_size, hidden_size, num_layers, num_classes): super(DualBranchLSTM, self).__init__() # 低频分支LSTM self.lstm_low nn.LSTM(input_sizelow_freq_input_size, hidden_sizehidden_size, num_layersnum_layers, batch_firstTrue, dropout0.2 if num_layers1 else 0) # 高频分支LSTM self.lstm_high nn.LSTM(input_sizehigh_freq_input_size, hidden_sizehidden_size, num_layersnum_layers, batch_firstTrue, dropout0.2 if num_layers1 else 0) # 融合层 self.fusion_fc nn.Linear(hidden_size * 2, hidden_size) # 将拼接后的特征降维 self.relu nn.ReLU() # 分类/回归头 self.classifier nn.Sequential( nn.Linear(hidden_size, 64), nn.ReLU(), nn.Dropout(0.3), nn.Linear(64, num_classes) # 如果是二分类风险正常/预警num_classes2 ) def forward(self, x_low, x_high): # x_low: [batch_size, seq_len, low_freq_input_size] # x_high: [batch_size, seq_len, high_freq_input_size] _, (h_n_low, _) self.lstm_low(x_low) _, (h_n_high, _) self.lstm_high(x_high) # 取最后一层的最后一个隐藏状态作为特征 feat_low h_n_low[-1, :, :] # [batch_size, hidden_size] feat_high h_n_high[-1, :, :] # [batch_size, hidden_size] # 特征融合拼接 fused_feat torch.cat((feat_low, feat_high), dim1) # [batch_size, hidden_size*2] fused_feat self.relu(self.fusion_fc(fused_feat)) # [batch_size, hidden_size] # 输出 output self.classifier(fused_feat) return output关键参数解析input_size对应经过预处理后每个时间步的特征维度。对于低频/高频分支可能就是1单变量但更常见的做法是传入多变量如A/B/C三相电流的低频分量此时input_size就是3。hidden_sizeLSTM隐藏层神经元数量。这是一个超参数需要调优。通常从64或128开始尝试。太小则模型容量不足太大容易过拟合且增加计算负担。num_layersLSTM堆叠的层数。对于电气火灾预警这种任务1-2层通常足够。层数增加能提升模型表达能力但也会使训练更困难并可能导致梯度消失/爆炸。batch_firstTrue这是一个非常实用的设置它让输入张量的形状为[batch_size, seq_len, input_size]更符合我们的思维习惯。3.3 损失函数与优化器选择在模型定义中loss和optimizer是决定模型能否学好的关键。损失函数Loss Function 我们的任务本质是一个分类问题正常、预警、高危因此选择交叉熵损失CrossEntropyLoss。如果将其设计为回归问题预测一个0-1的风险值则可以使用均方误差损失MSELoss或平滑L1损失SmoothL1Loss。我们最终采用了带权重的交叉熵损失因为“预警”和“高危”的样本数量远少于“正常”样本给少数类别更高的权重可以缓解类别不平衡问题。# 假设三类样本数量比为 正常:预警:高危 1000:100:10 class_weights torch.tensor([1.0, 10.0, 100.0]) criterion nn.CrossEntropyLoss(weightclass_weights)优化器Optimizer 我们对比了SGD、Adam和AdamW。SGD配合动量Momentum和适当的学习率衰减有时能收敛到更优的解但需要精细调参。Adam自适应调整学习率在早期收敛很快是深度学习中的默认选择。然而Adam在某些任务上可能存在泛化能力稍差的问题。我们最终选择了AdamW它是Adam的一个变种修正了权重衰减Weight Decay的实现方式被证明通常能获得更好的泛化性能。optimizer torch.optim.AdamW(model.parameters(), lr1e-3, weight_decay1e-4)学习率调度器Scheduler 我们使用了**余弦退火热重启CosineAnnealingWarmRestarts**策略。这种策略让学习率像余弦函数一样周期性下降和重启有助于模型跳出局部最优在训练后期找到更优的解对于时序预测任务尤其有效。scheduler torch.optim.lr_scheduler.CosineAnnealingWarmRestarts(optimizer, T_010, T_mult2) # T_0是初始周期长度epoch数T_mult是周期倍增因子4. 模型训练、部署与系统集成实操4.1 数据准备与模型训练流程数据标注这是最耗时但最关键的一步。我们需要大量的历史数据并请领域专家如经验丰富的电气工程师根据报警记录、维修日志和波形特征对数据窗口进行标注。标注类别至少包括“正常”、“异常预警”、“故障高危”。也可以进行更细粒度的标注如“过载”、“电弧”、“绝缘老化”等。训练-验证-测试集划分切忌按时间顺序随机划分因为数据具有强时间相关性随机划分会导致信息泄露用未来的模式预测过去。必须按时间顺序划分例如用前70%时间的数据训练中间15%验证最后15%测试。训练技巧梯度裁剪Gradient ClippingLSTM在训练时可能会遇到梯度爆炸问题。在optimizer.step()之前加入torch.nn.utils.clip_grad_norm_(model.parameters(), max_norm1.0)将梯度范数限制在某个阈值内能显著提升训练稳定性。早停Early Stopping监控验证集损失当其在连续多个epoch如10个不再下降时停止训练并回滚到验证集损失最小的模型参数。这能有效防止过拟合。模型集成训练多个不同初始化或不同超参数的DualBranchLSTM模型在推理时对它们的输出进行平均或投票可以进一步提升预测的鲁棒性和准确性。4.2 边缘侧模型部署与优化将训练好的PyTorch模型部署到树莓派这类资源受限的设备上需要做一系列优化模型量化Quantization将模型参数从32位浮点数FP32转换为8位整数INT8。这能大幅减少模型体积和内存占用并提升推理速度。PyTorch提供了方便的量化API。模型剪枝Pruning移除模型中冗余的权重或神经元。例如可以将权重绝对值小的连接剪枝然后对剪枝后的模型进行微调恢复精度。转换为推理引擎格式将PyTorch模型转换为ONNX格式然后使用TensorRT针对NVIDIA Jetson或LibTorchPyTorch C接口进行部署以获得最佳的推理性能。对于树莓派也可以使用ONNX Runtime或TFLite如果先将模型转成TensorFlow格式。编写高效的推理服务在边缘设备上使用C或高性能Python结合多进程/线程编写推理服务。服务需要循环执行从共享内存或消息队列中获取一个时间窗口的数据 - 调用预处理函数小波分解- 调用模型推理接口 - 根据输出结果判断是否报警。务必注意内存管理和线程安全。4.3 系统联调与现场测试软硬件集成后必须进行严格的现场测试。白盒测试在实验室环境下模拟各种故障如使用调压器模拟过欠压、使用滑动变阻器模拟过载、使用火花发生器模拟电弧验证系统是否能正确触发相应等级的报警。黑盒测试在真实的配电箱/柜中安装系统进行为期数月的试运行。记录所有报警事件并与实际的电气巡检记录、设备运行日志进行比对计算系统的精确率Precision、召回率Recall和误报率False Positive Rate。压力与稳定性测试模拟边缘设备长时间运行、网络断续、数据流峰值等场景确保系统不死机、不丢数据、报警不延迟。5. 踩坑实录与经验总结做这个项目的过程中踩的坑比写的代码还多。这里分享几个最典型的坑一数据同步问题最初我们使用多个独立的传感器模块通过UART分别上报数据。结果发现电流和温度数据的时间戳对不上有几百毫秒的偏差。这在融合特征时是致命的。解决方案改用主控芯片如STM32的多个ADC通道进行同步采样或者使用具备精确时间同步协议的工业数据采集模块支持IEEE 1588 PTP。确保所有数据源在同一个时间基准下。坑二小波分解的边界效应小波变换在信号边界处会产生失真导致每个数据窗口的开始和结束部分特征不可靠。如果直接使用模型会在窗口边界处做出错误判断。解决方案采用“对称延拓”或“周期延拓”的方式对窗口两端进行扩展分解后再截取中间可靠部分。或者更简单有效的方法是使用滑动窗口时让窗口有较大的重叠率比如75%这样每个预测点都会落在多个窗口的中间可靠区域通过平均或投票来决策平滑边界效应。坑三LSTM模型对噪声敏感尽管我们做了硬件滤波和小波去噪但残留的噪声仍会被LSTM学习甚至被放大导致模型对噪声产生过激反应。解决方案在训练数据中主动加入适量的、与真实环境相似的噪声数据增强并配合使用Dropout和权重衰减Weight Decay强制模型学习更鲁棒的特征而不是去拟合噪声。坑四边缘设备推理延迟初期在树莓派上直接跑PyTorch模型一个窗口的推理时间超过2秒完全无法满足实时性要求。解决方案如前所述进行模型量化、剪枝并转换为ONNX Runtime推理。同时将预处理小波变换用NumPy或C代码优化。最终我们将单次推理时间稳定在了200毫秒以内。一个实用的调参心得hidden_size和num_layers不是越大越好。我们通过实验发现对于我们的数据集hidden_size128,num_layers2的双分支模型其表现远好于hidden_size256,num_layers3的复杂模型。更大的模型需要更多的数据来喂养否则极易过拟合。在资源有限的边缘场景“小而精”的模型往往是更优选择。最后这个系统目前还在持续迭代中。高低频融合的思路已经被证明是有效的我们的下一阶段目标是引入注意力机制Attention让模型能自适应地关注当前时刻最重要的特征是低频趋势异常还是高频突变并探索图神经网络GNN来建模同一配电柜内多个监测点之间的电气拓扑关系让预警系统不仅“看得深”还能“看得广”。 
长河君 · 2026/8/8 1:01:58 · 阅读 1.2k 基于LSTM与高低频融合的电气火灾智能预警系统设计与工程实践
1. 项目概述与核心价值最近在做一个挺有意思的项目是关于电气火灾预警的。你可能觉得火灾预警系统不新鲜了但传统的方案比如基于电流阈值或者简单的温度监测误报率高得让人头疼要么就是“狼来了”频繁报警让人麻木要么就是真出事了反应迟钝。我们这次想做的是让预警系统变得更“聪明”能提前嗅到危险的气息。核心思路就是利用长短时记忆网络LSTM来处理电气线路中采集到的时序数据并且创新性地引入了“高低频融合”的策略。简单来说电气线路的电流、电压、温度等信号里藏着火灾发生前的秘密。有些异常是缓慢发生的比如线路老化导致电阻缓慢增大这体现在信号的低频分量上而有些异常是瞬间突发的比如某个接头松动打火这会产生高频的尖峰脉冲。传统的单一频率分析很容易顾此失彼。我们这个系统就是要把这些不同时间尺度上的特征都抓出来融合在一起喂给LSTM模型让它做出更精准的判断。这不仅仅是调个参、跑个模型那么简单它涉及到信号处理、特征工程、深度学习模型设计以及软硬件协同的一整套工程实践。如果你正在做工业物联网、智慧安防或者时序数据预测相关的项目这里面的很多坑和经验或许能帮你省下不少时间。2. 系统整体架构与设计思路拆解2.1 为什么选择LSTM与高低频融合首先得聊聊为什么是LSTM。电气参数如三相电流、零序电流、线缆温度是典型的时间序列数据其当前状态严重依赖于历史状态。比如一个持续缓慢上升的温度趋势比一个瞬间的高温尖峰更具火灾风险。LSTM网络因其独特的门控机制遗忘门、输入门、输出门天生擅长捕捉时间序列中的长期依赖关系非常适合用来学习电气参数变化的正常模式与异常模式。那么“高低频融合”又是怎么回事这是本项目设计的精髓。我们通过实验和理论分析发现低频特征反映了系统的稳态和缓慢变化趋势。例如线路绝缘老化会导致泄漏电流缓慢增加设备长期过载会使温度基线缓慢抬升。这些变化频率低但持续时间长是“温水煮青蛙”式的隐患。高频特征反映了系统的瞬态和突发事件。例如电弧故障俗称“打火”会产生持续时间极短但幅值很高的电流脉冲机械振动导致接触不良也会引起信号的剧烈抖动。这些变化频率高是“急性病”的前兆。如果只分析原始信号LSTM需要非常复杂的结构和大量的数据才能同时学好这两种特征容易过拟合或收敛困难。因此我们决定在数据进入LSTM之前先进行“特征解耦”。具体做法是使用数字信号处理DSP技术将原始时序数据通过滤波器组分解成低频子带和高频子带。然后我们设计了一个双分支的LSTM网络一个分支专门处理低频序列学习长期趋势另一个分支处理高频序列捕捉短期突变。最后在网络的深层将两个分支学习到的特征向量进行融合例如拼接或加权相加再通过全连接层进行最终的火灾风险等级分类或回归预测。这种设计有两大优势一是模型结构更清晰每个LSTM分支的任务更专一训练更高效二是特征表达更丰富同时兼顾了趋势性风险和突发性风险理论上能显著降低误报和漏报率。2.2 系统层级架构设计整个预警系统我们设计为四个层次感知层、边缘计算层、平台层和应用层。这不是一个单纯的算法Demo而是一个可落地的系统工程。感知层负责“感”和“采”。我们选用了高精度的交流采样芯片如ATT7022EU搭配电流互感器CT和温度传感器如DS18B20或PT100以1kHz以上的频率同步采集三相电流、零序电流和线缆表面温度。这里的关键是同步采样和抗干扰设计。电气柜内电磁环境复杂必须做好传感器的屏蔽、信号线的双绞以及PCB板上的滤波电路确保采集到的原始信号信噪比足够高。边缘计算层这是系统的“智能边缘”。我们采用树莓派CM4或性能更强的Jetson Nano作为边缘计算单元。它的核心任务有三个信号预处理与分解对采集到的原始信号进行去噪、校准然后实时进行高低频分解。我们使用了小波变换Wavelet Transform而非简单的傅里叶滤波因为小波变换在时域和频域都有良好的局部化特性更适合分析非平稳信号。选用‘db4’小波基进行3层分解得到近似系数低频和细节系数高频。模型推理将分解后的高低频序列按照时间窗例如一个包含过去10分钟数据的滑动窗口组织好送入部署在边缘设备上的双分支LSTM模型进行前向推理。本地决策与告警根据模型输出的风险概率值结合简单的规则如连续3个窗口风险值超过阈值触发本地声光报警器并通过4G/以太网将预警信息和原始数据片段上传至平台层。平台层基于云服务器或私有化部署的服务器负责“管”和“析”。它接收所有边缘节点的数据进行集中存储、可视化展示和深度分析。更重要的是平台层具备模型持续学习的能力。当现场运维人员确认某次报警是真警或误报后可以将该时间段的数据打上标签回传到平台。平台定期用新的标注数据对全局模型进行微调训练再将优化后的模型参数下发到各个边缘节点实现系统的自我进化。应用层面向运维管理人员提供Web界面或移动APP。可以实时查看各个监测点的电气参数曲线、风险等级、报警历史并接收推送告警信息。3. 核心模块实现与关键技术细节3.1 数据预处理与高低频特征提取这是整个项目的数据基石如果这里没做好再好的模型也是白搭。第一步数据清洗与校准采集到的原始数据首先需要去除明显的异常点如由于采样干扰产生的瞬态极大/极小值我们采用滑动中值滤波进行初步处理。然后进行校准电流值需要根据CT变比和采样芯片的系数换算为真实安培值温度值也需要根据传感器特性进行线性校正。第二步滑动窗口构建LSTM处理的是序列数据因此我们需要将连续的数据流切分成固定长度的重叠窗口。例如采样频率是1kHz我们设定窗口长度为60000个点即1分钟的数据滑动步长为1000个点即1秒。这样每分钟我们都能基于过去一分钟的数据做出一个新的风险评估既保证了实时性又提供了足够的历史上下文。第三步小波分解提取高低频分量这是特征工程的核心。我们使用PyWavelets库对每个窗口内的电流、温度信号分别进行离散小波变换DWT。import pywt import numpy as np def extract_wavelet_features(signal, waveletdb4, level3): 对输入信号进行小波分解提取低频近似系数和高频细节系数。 signal: 输入的一维时序信号长度需为2^level的整数倍可通过补零实现。 wavelet: 小波基选择db4因其具有较好的紧支撑性和光滑性。 level: 分解层数3层是一个经验值能在计算复杂度和特征粒度间取得平衡。 # 确保信号长度合适不足则补零 coeffs pywt.wavedec(signal, wavelet, levellevel) # coeffs是一个列表[cA3, cD3, cD2, cD1] # cA3: 第3层的近似系数最低频 # cD3, cD2, cD1: 第3,2,1层的细节系数从低频到高频 low_freq_feat coeffs[0] # 低频特征用于趋势分析 # 将多个高频细节系数拼接或降采样后拼接作为高频特征 high_freq_feat np.concatenate([coeffs[i] for i in range(1, len(coeffs))]) return low_freq_feat, high_freq_feat注意小波分解后低频和高频系数的长度会远小于原始信号。我们需要对它们进行重采样或插值使其长度统一以便后续构建模型输入。通常我们会将低频序列通过插值恢复到与高频序列相近的长度或者将两者都降采样到一个固定的、较短的序列长度以减少模型计算量。3.2 双分支LSTM模型构建我们使用PyTorch来构建模型。模型的核心是一个并行处理结构。import torch import torch.nn as nn class DualBranchLSTM(nn.Module): def __init__(self, low_freq_input_size, high_freq_input_size, hidden_size, num_layers, num_classes): super(DualBranchLSTM, self).__init__() # 低频分支LSTM self.lstm_low nn.LSTM(input_sizelow_freq_input_size, hidden_sizehidden_size, num_layersnum_layers, batch_firstTrue, dropout0.2 if num_layers1 else 0) # 高频分支LSTM self.lstm_high nn.LSTM(input_sizehigh_freq_input_size, hidden_sizehidden_size, num_layersnum_layers, batch_firstTrue, dropout0.2 if num_layers1 else 0) # 融合层 self.fusion_fc nn.Linear(hidden_size * 2, hidden_size) # 将拼接后的特征降维 self.relu nn.ReLU() # 分类/回归头 self.classifier nn.Sequential( nn.Linear(hidden_size, 64), nn.ReLU(), nn.Dropout(0.3), nn.Linear(64, num_classes) # 如果是二分类风险正常/预警num_classes2 ) def forward(self, x_low, x_high): # x_low: [batch_size, seq_len, low_freq_input_size] # x_high: [batch_size, seq_len, high_freq_input_size] _, (h_n_low, _) self.lstm_low(x_low) _, (h_n_high, _) self.lstm_high(x_high) # 取最后一层的最后一个隐藏状态作为特征 feat_low h_n_low[-1, :, :] # [batch_size, hidden_size] feat_high h_n_high[-1, :, :] # [batch_size, hidden_size] # 特征融合拼接 fused_feat torch.cat((feat_low, feat_high), dim1) # [batch_size, hidden_size*2] fused_feat self.relu(self.fusion_fc(fused_feat)) # [batch_size, hidden_size] # 输出 output self.classifier(fused_feat) return output关键参数解析input_size对应经过预处理后每个时间步的特征维度。对于低频/高频分支可能就是1单变量但更常见的做法是传入多变量如A/B/C三相电流的低频分量此时input_size就是3。hidden_sizeLSTM隐藏层神经元数量。这是一个超参数需要调优。通常从64或128开始尝试。太小则模型容量不足太大容易过拟合且增加计算负担。num_layersLSTM堆叠的层数。对于电气火灾预警这种任务1-2层通常足够。层数增加能提升模型表达能力但也会使训练更困难并可能导致梯度消失/爆炸。batch_firstTrue这是一个非常实用的设置它让输入张量的形状为[batch_size, seq_len, input_size]更符合我们的思维习惯。3.3 损失函数与优化器选择在模型定义中loss和optimizer是决定模型能否学好的关键。损失函数Loss Function 我们的任务本质是一个分类问题正常、预警、高危因此选择交叉熵损失CrossEntropyLoss。如果将其设计为回归问题预测一个0-1的风险值则可以使用均方误差损失MSELoss或平滑L1损失SmoothL1Loss。我们最终采用了带权重的交叉熵损失因为“预警”和“高危”的样本数量远少于“正常”样本给少数类别更高的权重可以缓解类别不平衡问题。# 假设三类样本数量比为 正常:预警:高危 1000:100:10 class_weights torch.tensor([1.0, 10.0, 100.0]) criterion nn.CrossEntropyLoss(weightclass_weights)优化器Optimizer 我们对比了SGD、Adam和AdamW。SGD配合动量Momentum和适当的学习率衰减有时能收敛到更优的解但需要精细调参。Adam自适应调整学习率在早期收敛很快是深度学习中的默认选择。然而Adam在某些任务上可能存在泛化能力稍差的问题。我们最终选择了AdamW它是Adam的一个变种修正了权重衰减Weight Decay的实现方式被证明通常能获得更好的泛化性能。optimizer torch.optim.AdamW(model.parameters(), lr1e-3, weight_decay1e-4)学习率调度器Scheduler 我们使用了**余弦退火热重启CosineAnnealingWarmRestarts**策略。这种策略让学习率像余弦函数一样周期性下降和重启有助于模型跳出局部最优在训练后期找到更优的解对于时序预测任务尤其有效。scheduler torch.optim.lr_scheduler.CosineAnnealingWarmRestarts(optimizer, T_010, T_mult2) # T_0是初始周期长度epoch数T_mult是周期倍增因子4. 模型训练、部署与系统集成实操4.1 数据准备与模型训练流程数据标注这是最耗时但最关键的一步。我们需要大量的历史数据并请领域专家如经验丰富的电气工程师根据报警记录、维修日志和波形特征对数据窗口进行标注。标注类别至少包括“正常”、“异常预警”、“故障高危”。也可以进行更细粒度的标注如“过载”、“电弧”、“绝缘老化”等。训练-验证-测试集划分切忌按时间顺序随机划分因为数据具有强时间相关性随机划分会导致信息泄露用未来的模式预测过去。必须按时间顺序划分例如用前70%时间的数据训练中间15%验证最后15%测试。训练技巧梯度裁剪Gradient ClippingLSTM在训练时可能会遇到梯度爆炸问题。在optimizer.step()之前加入torch.nn.utils.clip_grad_norm_(model.parameters(), max_norm1.0)将梯度范数限制在某个阈值内能显著提升训练稳定性。早停Early Stopping监控验证集损失当其在连续多个epoch如10个不再下降时停止训练并回滚到验证集损失最小的模型参数。这能有效防止过拟合。模型集成训练多个不同初始化或不同超参数的DualBranchLSTM模型在推理时对它们的输出进行平均或投票可以进一步提升预测的鲁棒性和准确性。4.2 边缘侧模型部署与优化将训练好的PyTorch模型部署到树莓派这类资源受限的设备上需要做一系列优化模型量化Quantization将模型参数从32位浮点数FP32转换为8位整数INT8。这能大幅减少模型体积和内存占用并提升推理速度。PyTorch提供了方便的量化API。模型剪枝Pruning移除模型中冗余的权重或神经元。例如可以将权重绝对值小的连接剪枝然后对剪枝后的模型进行微调恢复精度。转换为推理引擎格式将PyTorch模型转换为ONNX格式然后使用TensorRT针对NVIDIA Jetson或LibTorchPyTorch C接口进行部署以获得最佳的推理性能。对于树莓派也可以使用ONNX Runtime或TFLite如果先将模型转成TensorFlow格式。编写高效的推理服务在边缘设备上使用C或高性能Python结合多进程/线程编写推理服务。服务需要循环执行从共享内存或消息队列中获取一个时间窗口的数据 - 调用预处理函数小波分解- 调用模型推理接口 - 根据输出结果判断是否报警。务必注意内存管理和线程安全。4.3 系统联调与现场测试软硬件集成后必须进行严格的现场测试。白盒测试在实验室环境下模拟各种故障如使用调压器模拟过欠压、使用滑动变阻器模拟过载、使用火花发生器模拟电弧验证系统是否能正确触发相应等级的报警。黑盒测试在真实的配电箱/柜中安装系统进行为期数月的试运行。记录所有报警事件并与实际的电气巡检记录、设备运行日志进行比对计算系统的精确率Precision、召回率Recall和误报率False Positive Rate。压力与稳定性测试模拟边缘设备长时间运行、网络断续、数据流峰值等场景确保系统不死机、不丢数据、报警不延迟。5. 踩坑实录与经验总结做这个项目的过程中踩的坑比写的代码还多。这里分享几个最典型的坑一数据同步问题最初我们使用多个独立的传感器模块通过UART分别上报数据。结果发现电流和温度数据的时间戳对不上有几百毫秒的偏差。这在融合特征时是致命的。解决方案改用主控芯片如STM32的多个ADC通道进行同步采样或者使用具备精确时间同步协议的工业数据采集模块支持IEEE 1588 PTP。确保所有数据源在同一个时间基准下。坑二小波分解的边界效应小波变换在信号边界处会产生失真导致每个数据窗口的开始和结束部分特征不可靠。如果直接使用模型会在窗口边界处做出错误判断。解决方案采用“对称延拓”或“周期延拓”的方式对窗口两端进行扩展分解后再截取中间可靠部分。或者更简单有效的方法是使用滑动窗口时让窗口有较大的重叠率比如75%这样每个预测点都会落在多个窗口的中间可靠区域通过平均或投票来决策平滑边界效应。坑三LSTM模型对噪声敏感尽管我们做了硬件滤波和小波去噪但残留的噪声仍会被LSTM学习甚至被放大导致模型对噪声产生过激反应。解决方案在训练数据中主动加入适量的、与真实环境相似的噪声数据增强并配合使用Dropout和权重衰减Weight Decay强制模型学习更鲁棒的特征而不是去拟合噪声。坑四边缘设备推理延迟初期在树莓派上直接跑PyTorch模型一个窗口的推理时间超过2秒完全无法满足实时性要求。解决方案如前所述进行模型量化、剪枝并转换为ONNX Runtime推理。同时将预处理小波变换用NumPy或C代码优化。最终我们将单次推理时间稳定在了200毫秒以内。一个实用的调参心得hidden_size和num_layers不是越大越好。我们通过实验发现对于我们的数据集hidden_size128,num_layers2的双分支模型其表现远好于hidden_size256,num_layers3的复杂模型。更大的模型需要更多的数据来喂养否则极易过拟合。在资源有限的边缘场景“小而精”的模型往往是更优选择。最后这个系统目前还在持续迭代中。高低频融合的思路已经被证明是有效的我们的下一阶段目标是引入注意力机制Attention让模型能自适应地关注当前时刻最重要的特征是低频趋势异常还是高频突变并探索图神经网络GNN来建模同一配电柜内多个监测点之间的电气拓扑关系让预警系统不仅“看得深”还能“看得广”。