用于检测光纤电缆制造过程中偏差的分数阶神经网络

为什么工厂里的微小故障很重要

每一次视频通话、云端备份和网络游戏都依赖光在细如发丝的玻璃纤维中奔跑。制造这些光纤是一门精细的工艺：温度或张力的轻微波动就可能把数公里的电缆变成昂贵的废料。本文介绍了一种新型人工智能，它实时监控光纤生产线，学会在最终质量检查出现问题之前识别细微故障，从而节省材料、能源和成本。

监视光纤厂的“生命跳动”

现代光纤电缆由若干工序组成：将玻璃拉丝成细纤维，为其涂覆保护聚合物，塞入塑料管，捻成束，再包覆外护层。在每一道工序中，数十个传感器跟踪压力、温度、速度和张力。在本文研究的挤出线上，232 个传感器每秒钟发送一次测量数据，持续多年。大多数时候生产线运行平稳，但缺陷通常只有在生产末端、成品测试（如信号损耗或机械缺陷检测）时才被发现。这样的延迟使得确切判断故障何时以及为何发生变得困难，而且海量数据使人工监控变得不可能。

教机器自行发现异常行为

为了解决这一问题，研究者采用了一类擅长处理序列数据的深度学习模型——递归神经网络（RNN），适用于语音、文本或传感器流等序列。模型并不被告知每种缺陷的精确样子，而只得到弱监督信号：某些生产批次被标记为存在问题，另一些则标为正常。团队首先用一种称为小波变换的数学工具对原始传感器数据进行压缩，将每个信号分解为短期和长期模式集合。然后他们将这些模式聚类，构建一组典型的工艺“状态”，从正常运行到若干类型的异常行为。这些状态作为近似的训练标签，使网络能够学习出哪些时间模式倾向于在不良产品出现之前出现。

神经网络的一种新型记忆

这项工作的核心创新是网络内存单元的重新设计，称为 FD-LSTM（分数导数长短期记忆）。标准的 LSTM 单元在每个时间步通过固定的数学函数决定应记住或忘记多少过去信息。作者用“分数阶”版本替代这些函数，使模型能够对遥远过去保持一种可调、渐进的记忆。FD-LSTM 不再仅对最近的传感器读数作出反应，而是可以平滑地对数分钟前发生的事件加以权衡，这在压力、温度或纤维张力缓慢漂移逐步导致缺陷的工艺中尤为关键。

在实时生产线上验证模型

研究团队在一个工业厂的光纤管挤出线上用了 2.5 年的真实数据评估他们的方法。他们将连续的传感器流切成大约四分钟的短窗口，并在严格控制的条件下训练了若干模型，仅改变记忆处理方式。FD-LSTM 达到了约 96.7% 的准确率和较高的 F1 分数（精确率与召回率的平衡），优于经典 LSTM 以及更传统的方法，如随机森林、支持向量机和更简单的递归网络。设计中的一个关键参数是分数阶，该参数控制模型有效“回看”多远的历史。略低于标准设置的取值表现最好，这表明在该生产线上，缓慢发展的漂移而非突发尖峰，更可能是主要诱因。

从数据流到更好电缆与更节能的工厂

除了统计性能外，改进后的模型能清楚地区分微弱、缓慢积累的异常与健康状态，这正是工厂工程师在嘈杂数据中难以识别的。通过更早地警示操作员，系统可以缩短生产线处于不合格状态的时间，减少报废和不必要的能耗。尽管本研究集中在单一光纤管生产线上，作者认为相同的分数阶记忆思想可以应用于任何由众多传感器监测的复杂、缓慢漂移的工业过程——从化工反应器到电网或重症监护监测。简单来说，赋予神经网络更细腻的时间感，使它们在维护产品质量和资源效率方面成为更出色的守护者。

引用: Gomolka, Z., Zeslawska, E. & Olbrot, L. Fractional-order neural network for detecting process deviations in optical fiber cable manufacturing. Sci Rep 16, 6677 (2026). https://doi.org/10.1038/s41598-026-37770-x

关键词: 光纤制造, 工业异常检测, 分数阶神经网络, 时间序列传感器, 预测性维护