CN106197646A - 一种光纤振动检测减小误差的方法及纤振动检测装置 - Google Patents
一种光纤振动检测减小误差的方法及纤振动检测装置 Download PDFInfo
- Publication number
- CN106197646A CN106197646A CN201610472547.0A CN201610472547A CN106197646A CN 106197646 A CN106197646 A CN 106197646A CN 201610472547 A CN201610472547 A CN 201610472547A CN 106197646 A CN106197646 A CN 106197646A
- Authority
- CN
- China
- Prior art keywords
- vibration
- rank
- signal
- weight coefficient
- test
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H9/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by using radiation-sensitive means, e.g. optical means
- G01H9/004—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by using radiation-sensitive means, e.g. optical means using fibre optic sensors
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种光纤振动检测减小误差的方法及纤振动检测装置,该方法包括:获取样本振动信号的特征数据组;对样本振动信号的特征数据组进行加权处理,得到测试振动级别,并将测试振动级别与样本振动信号的期望振动级别进行匹配;在测试振动级别与样本振动信号的期望振动级别匹配时,确定当前权系数为设定权系数;在测试振动级别与样本振动信号的期望振动级别不匹配时,调整当前权系数,并采用调整后的权系数执行对样本振动信号的特征数据组进行加权处理,得到测试振动级别,并将测试振动级别与样本振动信号的期望振动级别进行匹配的步骤,直到测试振动级别与期望振动级别匹配。通过上述方式,能够提高光纤振动检测的准确性,减小虚警的概率。
Description
技术领域
本发明涉及振动检测技术领域,特别是涉及一种光纤振动检测减小误差的方法及纤振动检测装置。
背景技术
采用光纤作为传感器可以实现长距离无缘探测,光纤沿着一定的路径分布,利用光纤在外界压力、机械振动下的内应力变化所带来的信号扰动感知,或外界对网络的侵扰来实现定位和振动模式识别。其优势在于能够同时获得被测量振动信号的空间分布和时间变化。具有现场无源、抗腐蚀与电磁干扰、灵敏度高。
但高灵敏度也造成误报率高,现多采用门限、模式识别的方式来过滤虚警。一、门限上的设计思路主要是从源头过滤,提取出信号的幅度特性,同时也包括杂波和噪声幅度变化。将提取到的幅度特性与门限比较,将高于门限的信号提取后报警。二、模式识别主要利用CFAR(Constant False-Alarm Rate,恒虚警率)算法通过提取振动信号幅度、时间、频率等特征进行分类识别判断。
现有的研究存在的主要问题:采用门限方法只能针对单点进行过滤,忽略了该点周边振动信号的振动情况,并且只在幅度特性上进行过滤,缺乏频率、路况信息等的考量,故采用门限的方式瓶颈大,即便在理想情况下也只能够区分单点是否振动,无法综合判断振源类别,危害程度,造成虚警数量大。而采用模式识别的方法理论上能够在时空上综合考量,但由于光纤的扰动信号与语音信号有较大差异,故并不契合光纤振动模型。
发明内容
本发明主要解决的技术问题是提供一种光纤振动检测减小误差的方法及纤振动检测装置,能够提高光纤振动检测的准确性,减小虚警的概率。
为解决上述技术问题,本发明采用的一个技术方案是:提供一种光纤振动检测减小误差的方法,该方法包括:获取样本振动信号的特征数据组;对样本振动信号的特征数据组进行加权处理,得到测试振动级别,并将测试振动级别与样本振动信号的期望振动级别进行匹配;在测试振动级别与样本振动信号的期望振动级别匹配时,确定当前权系数为设定权系数;在测试振动级别与样本振动信号的期望振动级别不匹配时,调整当前权系数,并采用调整后的权系数执行对样本振动信号的特征数据组进行加权处理,得到测试振动级别,并将测试振动级别与样本振动信号的期望振动级别进行匹配的步骤,直到测试振动级别与期望振动级别匹配。
其中,对样本振动信号的特征数据组进行加权处理,得到测试振动级别,包括:采用设定权系数对样本振动信号的特征数据组进行加权求和,得到测试振动级别。
其中,特征数据组包括从振动信号中提取的用以表示振动强度、振动频率、振动时间的特征数据中的至少一个。
其中,特征数据组包括M个元素,振动级别包括N个级别,设定权系数为M×N的权系数组;其中M、M为正整数。
其中,在测试振动级别与样本振动信号的期望振动级别不匹配时,调整当前权系数,包括:在测试振动级别与样本振动信号的期望振动级别不匹配时,根据测试振动级别与样本振动信号的期望振动级别的误差大小,对当前权系数进行相应的调整。
其中,该方法还包括:获取目标光纤位置的振动信号的特征数据组;采用设定权系数对样本振动信号的特征数据组进行加权处理,以得到目标光纤位置的振动级别。
其中,获取目标光纤位置的振动信号的特征数据组,包括:向光纤通入第一光信号,接收第一光信号经由光纤反射的第二光信号;将第二光信号转化为电信号;提取电信号的多个特征,将多个特征作为振动信号的特征数据组。
为解决上述技术问题,本发明采用的另一个技术方案是:提供一种光纤振动检测装置,该装置包括:获取模块,用于获取样本振动信号的特征数据组;处理模块,用于对样本振动信号的特征数据组进行加权处理,得到测试振动级别,并将测试振动级别与样本振动信号的期望振动级别进行匹配;确定模块,用于在测试振动级别与样本振动信号的期望振动级别匹配时,确定当前权系数为设定权系数;调整模块,用于在测试振动级别与样本振动信号的期望振动级别不匹配时,调整当前权系数,并采用调整后的权系数执行对样本振动信号的特征数据组进行加权处理,得到测试振动级别,并将测试振动级别与样本振动信号的期望振动级别进行匹配的步骤,直到测试振动级别与期望振动级别匹配。
其中,处理模块具体用于采用设定权系数对样本振动信号的特征数据组进行加权求和,得到测试振动级别。
其中,特征数据组包括从振动信号中提取的用以表示振动强度、振动频率、振动时间的特征数据中的至少一个。
本发明的有益效果是:区别于现有技术的情况,本发明的光纤振动检测减小误差的方法包括:获取样本振动信号的特征数据组;对样本振动信号的特征数据组进行加权处理,得到测试振动级别,并将测试振动级别与样本振动信号的期望振动级别进行匹配;在测试振动级别与样本振动信号的期望振动级别匹配时,确定当前权系数为设定权系数;在测试振动级别与样本振动信号的期望振动级别不匹配时,调整当前权系数,并采用调整后的权系数执行对样本振动信号的特征数据组进行加权处理,得到测试振动级别,并将测试振动级别与样本振动信号的期望振动级别进行匹配的步骤,直到测试振动级别与期望振动级别匹配。通过上述方式,能够通过网络神经算法在将振动信号的特征数据组转化为振动级别的过程中,采用实际输出和期望输出的误差对权系数进行修正,使得实际输出更加接近期望输出,从而在光纤振动级别的检测中,提高光纤振动检测的准确性,减小虚警的概率。
附图说明
图1是本发明光纤振动检测减小误差的方法一实施方式的流程示意图;
图2是本发明光纤振动检测减小误差的方法一实施方式的结构框架示意图;
图3是本发明光纤振动检测减小误差的方法一实施方式中两层神经网络结构示意图;
图4是本发明光纤振动检测减小误差的方法一实施方式中多层神经网络结构示意图;
图5是本发明光纤振动检测装置一实施方式的结构示意图;
图6是本发明光纤振动检测装置另一实施方式的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定***结构、接口、技术之类的具体细节,以便透彻理解本申请。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施方式中也可以实现本申请。在其它情况中,省略对众所周知的装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
参阅图1,图1是本发明光纤振动检测减小误差的方法一实施方式的流程示意图,该方法包括:
S11:获取样本振动信号的特征数据组。
其中,样本振动信号是指用以测试的振动信号,该样本振动信号可以是人为在光纤的预设位置处造成的振动,因此,该样本振动信号的振动级别是已知的,即S12中提到的样本振动信号的期望振动级别。
例如,可以令一辆重型卡车碾压路面,该路面下设置的光纤检测到振动信号,若人为设置的重型卡车碾压路面的振动级别为1级,则该振动信号对应的振动级别也为1级。
可选的,特征数据组包括从振动信号中提取的用以表示振动强度、振动频率、振动时间的特征数据中的至少一个。
S12:对样本振动信号的特征数据组进行加权处理,得到测试振动级别,并将测试振动级别与样本振动信号的期望振动级别进行匹配。
可选的,在一种实施方式中,加权处理的方式为加权求和,即采用设定权系数对样本振动信号的特征数据组进行加权求和,得到测试振动级别。
其中,该设定权系数可以是预设的一个不为0的数字,一般是0-1之间的数字,加权求和的方式可以是将每一个特征数据乘以该权系数,再将多个特征数据乘以权系数的结果相加求和,从而得到一个数值,通过数值与振动级别的对应关系,就可以得到该振动信号的测试振动级别。
例如,特征数据为[X1,X2,X3],其中,X1、X2、X3分别为样本振动信号的振幅、频率、振动时间与***最大振幅、频率、振动时间的比值,因此,X1、X2、X3为[0,1]之间的数值,则采用权系数W对该特征数据组进行加权求和得到的数值即为:W X1+W X2+W X3。可以理解,求和的结果应当为[0,3],因此,可以对其进行评估设置,例如结果为[0,1.5),振动级别为1级,结果为[1.5,2.5),振动级别为2级,结果为[2.5,3],振动级别为3级。
可选的,还可以针对不同的特征数据设置不同的权系数,例如,样本振动信号的特征数据组为Xi=[X1,X2,X3],权系数Wi=[W1,W2,W3],则加权求和的结果即为:W1X1+W2X2+W3X3。
可选的,特征数据组包括M个元素,振动级别包括N个级别,设定权系数为M×N的权系数组;其中M、M为正整数。
具体地,权系数组可以是一矩阵,例如:
S13:在测试振动级别与样本振动信号的期望振动级别匹配时,确定当前权系数为设定权系数。
结合上面关于振动级别确定的例子,即加权求和的结果为[0,1.5),振动级别为1级,结果为[1.5,2.5),振动级别为2级,结果为[2.5,3],振动级别为3级。若样本振动信号特征数据组加权求和的结果为1.8,则测试振动级别应当为2级,且样本振动信号对应的期望振动级别也是2级,则可以认为测试振动级别与样本振动信号的期望振动级别匹配,将加权求和过程中使用的权系数W作为设定的权系数。
S14:在测试振动级别与样本振动信号的期望振动级别不匹配时,调整当前权系数。
在S14完成后,采用调整后的权系数再次执行S12,直到测试振动级别与期望振动级别匹配。
可选的,S14可以具体是:在测试振动级别与样本振动信号的期望振动级别不匹配时,根据测试振动级别与样本振动信号的期望振动级别的误差大小,对当前权系数进行相应的调整。
例如,在测试振动级别高于振动信号的期望振动级别时,可以将权系数适当调小,在测试振动级别低于振动信号的期望振动级别时,可以将权系数适当调大。其中将权系数调大调小的程度可以根据测试振动级别高于振动信号的期望振动级别的误差大小,既可以是人为设定的,也可以是***默认的。
可选的,在S13或S14之后,若权系数确定,就可以通过该权系数来实施振动检测了,即获取目标光纤位置的振动信号的特征数据组;采用设定权系数对样本振动信号的特征数据组进行加权处理,以得到目标光纤位置的振动级别。
具体的,获取目标光纤位置的振动信号的特征数据组,具体可以包括:
获取目标光纤位置的振动信号的特征数据组,包括:
向光纤通入第一光信号,接收第一光信号经由光纤反射的第二光信号;将第二光信号转化为电信号;提取电信号的多个特征,将多个特征作为振动信号的特征数据组。
具体地,可以向光纤通入调制的第一光信号,该第一光信号为脉冲光信号,在第一光信号通入光纤后,会在光纤的各处发生瑞利散射(或背向散射),在通入第一光信号的接口处可以接收到反射的第二光信号,从而同时检测出多个并发振源,从而实现预警和对振源定位。
在接收到第二光信号后,对第二光信号进行采样,得到多个对应不同光纤位置的光信号。其中,光纤位置与光纤末端(即通入第一光信号的接口)之间的距离可以通过如下公式计算:
其中,L为光纤位置与光纤末端之间的距离,c为光速,T为通入第一光信号到接收第二光信号的时长,n为光纤的折射率。
然后再将采样得到的光信号转换为对应的电信号便于信号的处理。这里可以通过一般的光电转换器如APD转换得到模拟信号,再通过模数转换器将模拟信号转换成数字信号。
在其他实施方式中,可以先将第二光信号转化为电信号,再对电信号进行采样以获得不同光纤位置的采样信号。
在提取电信号中的特征数据时,可以按照如下方式:
例如,***默认的最大振动幅值为100mV,最大振动频率为100Hz,最大振动时间为10分钟,若获取到的目标光纤位置振动信号的振动幅值为30mV,振动频率为40Hz,振动时间为1分钟,则该特征数据组可以是[0.3,0.4,0.1],即各个数据与最大数据的比值。
具体地,如图2所示,图2是本发明光纤振动检测减小误差的方法一实施方式的***框架示意图。
上述实施方式可以采用如图2的***框架来描述,输入部用于输入样本振动信号的特征数据组X,训练部用于采用权系数W对特征数据组进行加权处理,输出部用于输出加权处理的结果Y,然后将实际输出结果Y反馈给训练部,训练部再将实际输出结果Y与期望输出结果Y0进行比较,形成误差e,通过误差e对权系数W进行修正,以使下次测试输出的结果能够更加接近期望输出结果Y0。
在一种实施方式中,输出部为一层结构,如图3所示。
测试输出Y=W1X1+W2X2+…+WnXn,将测试输出Y与样本期望输出Y0比较,得到误差e,再采用误差e反过来对权系数W进行调节,以使测试输出Y更加接近样本期望输出Y0。
在另一种实施方式中,输出部为多层结构,如图4所示,类似神经网络,其中的每个点类似一个神经元。
下面以多层结构为例,对本实施方式进行详细说明:
首先对需要对各层的权系数Wij置初值。可选的,可以对各层的权系数Wij置一个较小的非零随机数,其中Wi,n+1=-θ。其中,θ为一个设定的阈值。
然后获取样本振动信号的特征数据组X=(Xl,X2,…,Xn,1),对应期望输出Y1,Y1可以为振动级别。该振动级别是由工程人员根据经验对相应的告警情况进行人工判定,并由此生成相应告警的振动级别。
然后再计算各层的输出,其中,对于第k层的第i个神经元的输入Xik,有:
其中,Xn+1,k-1=1,Wi,n+1=-θ。
然后在计算各层的学习误差eij,对于输出层第k层个神经元,有:
eik=Yik(1-Yik)(Yi-Yik)
其中,Yi为期望输出。
对于输出层之前的其他层的神经元j以及之前的神经元i,有:
最后,修正权系数Wij:
Wij(t+1)=Wij(t)+ηejYi
其中,t为修正的次数,0<η<1。
当求出了各层各个权系数之后,便可以采用样本振动信号的特征数据组再次进行测试,若对于给定的样本Xp=(Xp1,Xp2,…Xpn,1)和期望输出Yp=(Yp1)都满足输入输出要求,则训练结束。
区别于现有技术,本实施方式的光纤振动检测减小误差的方法包括:获取样本振动信号的特征数据组;对样本振动信号的特征数据组进行加权处理,得到测试振动级别,并将测试振动级别与样本振动信号的期望振动级别进行匹配;在测试振动级别与样本振动信号的期望振动级别匹配时,确定当前权系数为设定权系数;在测试振动级别与样本振动信号的期望振动级别不匹配时,调整当前权系数,并采用调整后的权系数执行对样本振动信号的特征数据组进行加权处理,得到测试振动级别,并将测试振动级别与样本振动信号的期望振动级别进行匹配的步骤,直到测试振动级别与期望振动级别匹配。通过上述方式,能够通过网络神经算法在将振动信号的特征数据组转化为振动级别的过程中,采用实际输出和期望输出的误差对权系数进行修正,使得实际输出更加接近期望输出,从而在光纤振动级别的检测中,提高光纤振动检测的准确性,减小虚警的概率。
参阅图5,图5是本发明光纤振动检测装置一实施方式的结构示意图,该装置包括:
获取模块51,用于获取样本振动信号的特征数据组。
可选的,特征数据组包括从振动信号中提取的用以表示振动强度、振动频率、振动时间的特征数据中的至少一个。
例如,权系数Wi=[W1,W2,W3]。
可选的,特征数据组包括M个元素,振动级别包括N个级别,设定权系数为M×N的权系数组;其中M、M为正整数。
具体地,权系数组可以是一矩阵,例如:
处理模块52,用于对样本振动信号的特征数据组进行加权处理,得到测试振动级别,并将测试振动级别与样本振动信号的期望振动级别进行匹配。
可选的,处理模块52具体用于采用设定权系数对样本振动信号的特征数据组进行加权求和,得到测试振动级别。
例如,样本振动信号的特征数据组为Xi=[X1,X2,X3],权系数Wi=[W1,W2,W3],则加权求和的结果即为:W1X1+W2X2+W3X3。
确定模块53,用于在测试振动级别与样本振动信号的期望振动级别匹配时,确定当前权系数为设定权系数。
调整模块54,用于在测试振动级别与样本振动信号的期望振动级别不匹配时,调整当前权系数,并采用调整后的权系数执行对样本振动信号的特征数据组进行加权处理,得到测试振动级别,并将测试振动级别与样本振动信号的期望振动级别进行匹配的步骤,直到测试振动级别与期望振动级别匹配。
可选的,调整模块54具体用于在测试振动级别与样本振动信号的期望振动级别不匹配时,根据测试振动级别与样本振动信号的期望振动级别的误差大小,对当前权系数进行相应的调整。
可选的,获取模块51还用于获取目标光纤位置的振动信号的特征数据组。处理模块52还用于采用设定权系数对样本振动信号的特征数据组进行加权处理,以使确定模块53得到目标光纤位置的振动级别。
可选的,该装置还包括采集模块,用于向光纤通入第一光信号,接收第一光信号经由光纤反射的第二光信号;将第二光信号转化为电信号;提取电信号的多个特征,将多个特征作为振动信号的特征数据组。
可以理解的,本实施方式提供的装置是基于上述实施方式的方法而提出的,其实施的原理和步骤类似,这里不再赘述。
参阅图6,图6是本发明光纤振动检测装置另一实施方式的结构示意图,该装置包括处理器61、存储器62、接收器63以及发送器64。
其中,处理器61、存储器62、接收器63以及发送器64均可以是一个或多个。
接收器63用于接收外部设备发送的信息,例如,可以是光纤传感器发送的光纤振动信号或从中提取的特征数据组。
发送器64用于将处理的结果发送出去,例如,可以将报警信号发送给报警器、显示器等,当然,在其他实施方式中,也可以没有发送器64。
存储器62用于存储***文件、应用软件以及预设的算法、阈值,还可以存储光纤历史振动信号或对振动级别的记录。其中,存储器62可以包括只读存储器、随机存取存储器和非易失性随机存取存储器(NVRAM)中的至少一种。
处理器61用于执行以下步骤:
通过接收器63获取样本振动信号的特征数据组。
对样本振动信号的特征数据组进行加权处理,得到测试振动级别,并将测试振动级别与样本振动信号的期望振动级别进行匹配。
在测试振动级别与样本振动信号的期望振动级别匹配时,确定当前权系数为设定权系数。
在测试振动级别与样本振动信号的期望振动级别不匹配时,调整当前权系数,并采用调整后的权系数执行对样本振动信号的特征数据组进行加权处理,得到测试振动级别,并将测试振动级别与样本振动信号的期望振动级别进行匹配的步骤,直到测试振动级别与期望振动级别匹配。
可选的,处理器61具体用于采用设定权系数对样本振动信号的特征数据组进行加权求和,得到测试振动级别。
其中,特征数据组包括从振动信号中提取的用以表示振动强度、振动频率、振动时间的特征数据中的至少一个。
其中,特征数据组包括M个元素,振动级别包括N个级别,设定权系数为M×N的权系数组;其中M、M为正整数。
可选的,处理器61还用于在测试振动级别与样本振动信号的期望振动级别不匹配时,根据测试振动级别与样本振动信号的期望振动级别的误差大小,对当前权系数进行相应的调整。
可选的,处理器61还用于获取目标光纤位置的振动信号的特征数据组;采用设定权系数对样本振动信号的特征数据组进行加权处理,以得到目标光纤位置的振动级别。
其中,处理器61具体用于通过发送器64向光纤通入第一光信号,再通过接收器63接收第一光信号经由光纤反射的第二光信号;将第二光信号转化为电信号;提取电信号的多个特征,将多个特征作为振动信号的特征数据组。
上述处理器61还可以称为CPU(Central Processing Unit,中央处理单元)。具体的应用中,终端的各个组件通过总线耦合在一起,其中总线除包括数据总线之外,还可以包括电源总线、控制总线和状态信号总线等。但是为了清楚说明起见,在图中将各种总线都标为总线。
可以理解的,处理器61可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器61中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器61可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器62,处理器61读取相应存储器中的信息,结合其硬件完成上述方法的步骤。
在本发明所提供的几个实施方式中,应该理解到,所揭露的方法以及设备,可以通过其它的方式实现。例如,以上所描述的设备实施方式仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的目的。
另外,在本发明各个实施方式中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
上述其他实施方式中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本发明各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的实施方式,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种光纤振动检测减小误差的方法,其特征在于,包括:
获取样本振动信号的特征数据组;
对所述样本振动信号的特征数据组进行加权处理,得到测试振动级别,并将所述测试振动级别与所述样本振动信号的期望振动级别进行匹配;
在所述测试振动级别与所述样本振动信号的期望振动级别匹配时,确定当前权系数为设定权系数;
在所述测试振动级别与所述样本振动信号的期望振动级别不匹配时,调整当前权系数,并采用调整后的权系数执行所述对所述样本振动信号的特征数据组进行加权处理,得到测试振动级别,并将所述测试振动级别与所述样本振动信号的期望振动级别进行匹配的步骤,直到所述测试振动级别与所述期望振动级别匹配。
2.根据权利要求1所述的方法,其特征在于,
所述对所述样本振动信号的特征数据组进行加权处理,得到测试振动级别,包括:
采用所述设定权系数对所述样本振动信号的特征数据组进行加权求和,得到测试振动级别。
3.根据权利要求2所述的方法,其特征在于,
所述特征数据组包括从振动信号中提取的用以表示振动强度、振动频率、振动时间的特征数据中的至少一个。
4.根据权利要求2所述的方法,其特征在于,
所述特征数据组包括M个元素,所述振动级别包括N个级别,所述设定权系数为M×N的权系数组;
其中M、M为正整数。
5.根据权利要求1所述的方法,其特征在于,
所述在所述测试振动级别与所述样本振动信号的期望振动级别不匹配时,调整当前权系数,包括:
在所述测试振动级别与所述样本振动信号的期望振动级别不匹配时,根据所述测试振动级别与所述样本振动信号的期望振动级别的误差大小,对当前权系数进行相应的调整。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取目标光纤位置的振动信号的特征数据组;
采用所述设定权系数对所述样本振动信号的特征数据组进行加权处理,以得到所述目标光纤位置的振动级别。
7.根据权利要求6所述的方法,其特征在于,
所述获取目标光纤位置的振动信号的特征数据组,包括:
向光纤通入第一光信号,接收所述第一光信号经由所述光纤反射的第二光信号;
将所述第二光信号转化为电信号;
提取所述电信号的多个特征,将所述多个特征作为振动信号的特征数据组。
8.一种光纤振动检测装置,其特征在于,包括:
获取模块,用于获取样本振动信号的特征数据组;
处理模块,用于对所述样本振动信号的特征数据组进行加权处理,得到测试振动级别,并将所述测试振动级别与所述样本振动信号的期望振动级别进行匹配;
确定模块,用于在所述测试振动级别与所述样本振动信号的期望振动级别匹配时,确定当前权系数为设定权系数;
调整模块,用于在所述测试振动级别与所述样本振动信号的期望振动级别不匹配时,调整当前权系数,并采用调整后的权系数执行所述对所述样本振动信号的特征数据组进行加权处理,得到测试振动级别,并将所述测试振动级别与所述样本振动信号的期望振动级别进行匹配的步骤,直到所述测试振动级别与所述期望振动级别匹配。
9.根据权利要求8所述的装置,其特征在于,
所述处理模块具体用于采用所述设定权系数对所述样本振动信号的特征数据组进行加权求和,得到测试振动级别。
10.根据权利要求9所述的装置,其特征在于,
所述特征数据组包括从振动信号中提取的用以表示振动强度、振动频率、振动时间的特征数据中的至少一个。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610472547.0A CN106197646A (zh) | 2016-06-24 | 2016-06-24 | 一种光纤振动检测减小误差的方法及纤振动检测装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610472547.0A CN106197646A (zh) | 2016-06-24 | 2016-06-24 | 一种光纤振动检测减小误差的方法及纤振动检测装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106197646A true CN106197646A (zh) | 2016-12-07 |
Family
ID=57461678
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610472547.0A Pending CN106197646A (zh) | 2016-06-24 | 2016-06-24 | 一种光纤振动检测减小误差的方法及纤振动检测装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106197646A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109325402A (zh) * | 2018-08-06 | 2019-02-12 | 高维度(深圳)生物信息智能应用有限公司 | 一种信号处理方法、***及计算机存储介质 |
CN111951505A (zh) * | 2020-08-25 | 2020-11-17 | 青岛大学 | 基于分布式光纤***的围栏振动入侵定位和模式识别方法 |
CN112562237A (zh) * | 2020-12-11 | 2021-03-26 | 无锡科晟光子科技有限公司 | 一种应用于围栏上的光纤振动***定位精度优化方法 |
WO2023119806A1 (ja) * | 2021-12-24 | 2023-06-29 | 日本電信電話株式会社 | 判定装置、判定方法、およびプログラム |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060122809A1 (en) * | 2004-12-06 | 2006-06-08 | Clarke Burton R | Vibration analysis system and method for a machine |
CN102354422A (zh) * | 2011-10-19 | 2012-02-15 | 湖南德顺电子科技有限公司 | 一种面向周界防护的可疑目标监测方法 |
CN103558042A (zh) * | 2013-10-28 | 2014-02-05 | 中国石油化工股份有限公司 | 一种基于全状态信息的机组故障快速诊断方法 |
CN103617684A (zh) * | 2013-12-12 | 2014-03-05 | 威海北洋电气集团股份有限公司 | 干涉型光纤周界振动入侵识别算法 |
CN104964736A (zh) * | 2015-07-15 | 2015-10-07 | 北方工业大学 | 基于时频特性em分类的光纤入侵振源识别方法 |
CN105046859A (zh) * | 2015-06-02 | 2015-11-11 | 北方工业大学 | 基于振动信号空时二维稀疏表示k-s检验的光纤入侵检测方法 |
CN105067101A (zh) * | 2015-08-05 | 2015-11-18 | 北方工业大学 | 振源识别的基于振动信号的基音频率特征的提取方法 |
CN105222885A (zh) * | 2015-06-19 | 2016-01-06 | 北方工业大学 | 一种光纤振动检测方法及装置 |
CN105606198A (zh) * | 2016-01-28 | 2016-05-25 | 吉林大学 | 光纤振动传感***两级信号特征提取与判别方法 |
-
2016
- 2016-06-24 CN CN201610472547.0A patent/CN106197646A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060122809A1 (en) * | 2004-12-06 | 2006-06-08 | Clarke Burton R | Vibration analysis system and method for a machine |
CN102354422A (zh) * | 2011-10-19 | 2012-02-15 | 湖南德顺电子科技有限公司 | 一种面向周界防护的可疑目标监测方法 |
CN103558042A (zh) * | 2013-10-28 | 2014-02-05 | 中国石油化工股份有限公司 | 一种基于全状态信息的机组故障快速诊断方法 |
CN103617684A (zh) * | 2013-12-12 | 2014-03-05 | 威海北洋电气集团股份有限公司 | 干涉型光纤周界振动入侵识别算法 |
CN105046859A (zh) * | 2015-06-02 | 2015-11-11 | 北方工业大学 | 基于振动信号空时二维稀疏表示k-s检验的光纤入侵检测方法 |
CN105222885A (zh) * | 2015-06-19 | 2016-01-06 | 北方工业大学 | 一种光纤振动检测方法及装置 |
CN104964736A (zh) * | 2015-07-15 | 2015-10-07 | 北方工业大学 | 基于时频特性em分类的光纤入侵振源识别方法 |
CN105067101A (zh) * | 2015-08-05 | 2015-11-18 | 北方工业大学 | 振源识别的基于振动信号的基音频率特征的提取方法 |
CN105606198A (zh) * | 2016-01-28 | 2016-05-25 | 吉林大学 | 光纤振动传感***两级信号特征提取与判别方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109325402A (zh) * | 2018-08-06 | 2019-02-12 | 高维度(深圳)生物信息智能应用有限公司 | 一种信号处理方法、***及计算机存储介质 |
CN109325402B (zh) * | 2018-08-06 | 2022-04-15 | 高维度(深圳)生物信息智能应用有限公司 | 一种信号处理方法、***及计算机存储介质 |
CN111951505A (zh) * | 2020-08-25 | 2020-11-17 | 青岛大学 | 基于分布式光纤***的围栏振动入侵定位和模式识别方法 |
CN111951505B (zh) * | 2020-08-25 | 2022-02-08 | 青岛大学 | 基于分布式光纤***的围栏振动入侵定位和模式识别方法 |
CN112562237A (zh) * | 2020-12-11 | 2021-03-26 | 无锡科晟光子科技有限公司 | 一种应用于围栏上的光纤振动***定位精度优化方法 |
WO2023119806A1 (ja) * | 2021-12-24 | 2023-06-29 | 日本電信電話株式会社 | 判定装置、判定方法、およびプログラム |
WO2023119628A1 (ja) * | 2021-12-24 | 2023-06-29 | 日本電信電話株式会社 | 判定装置、判定方法、およびプログラム |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104751580B (zh) | 分布式光纤传感信号模式识别方法及*** | |
Wu et al. | One-dimensional CNN-based intelligent recognition of vibrations in pipeline monitoring with DAS | |
Li et al. | Damage identification in civil engineering structures utilizing PCA‐compressed residual frequency response functions and neural network ensembles | |
Shiloh et al. | Efficient processing of distributed acoustic sensing data using a deep learning approach | |
CN103617684B (zh) | 干涉型光纤周界振动入侵识别算法 | |
Shao et al. | Data-driven distributed optical vibration sensors: a review | |
CN106197646A (zh) | 一种光纤振动检测减小误差的方法及纤振动检测装置 | |
Duarte et al. | Vehicle classification in distributed sensor networks | |
CN101303802A (zh) | 货车超载在线自动预判断方法及*** | |
CN114563150B (zh) | 桥梁健康在线检测模块生成方法、检测方法、工具箱及装置 | |
CN108132092A (zh) | 基于自适应均值去阈值光纤振动事件识别方法 | |
CN109272017A (zh) | 分布式光纤传感器的振动信号模式识别方法和*** | |
CN105606198A (zh) | 光纤振动传感***两级信号特征提取与判别方法 | |
CN111209853B (zh) | 基于AdaBoost-ESN算法的光纤传感振动信号模式识别方法 | |
CN104637242A (zh) | 一种基于多分类器集成的老人跌倒检测方法及*** | |
CN110487391A (zh) | 基于ai芯片的智能光纤分布式声波传感***及方法 | |
Andrade Nunes et al. | A hybrid learning strategy for structural damage detection | |
CN106301575B (zh) | 一种光纤振动信号的分类方法及装置及光纤传感*** | |
CN108599863A (zh) | 基于浅层cnn分类模型的架空输电线风舞监测预警***及方法 | |
Sitton et al. | Design and field implementation of an impact detection system using committees of neural networks | |
CN113537284A (zh) | 基于拟态机制的深度学习实现方法及*** | |
CN111951505B (zh) | 基于分布式光纤***的围栏振动入侵定位和模式识别方法 | |
CN105933063A (zh) | 一种光纤信号处理方法、装置及光纤传感*** | |
CN106056150A (zh) | 基于人工智能随机森林方法建立不同车型分零件远程定损***及方法 | |
Reyes-Galaviz et al. | Analysis of an infant cry recognizer for the early identification of pathologies |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
AD01 | Patent right deemed abandoned | ||
AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20191206 |