CN111222743A - 一种光纤感知事件的垂直偏移距离及威胁级别判断方法 - Google Patents
一种光纤感知事件的垂直偏移距离及威胁级别判断方法 Download PDFInfo
- Publication number
- CN111222743A CN111222743A CN201911125636.8A CN201911125636A CN111222743A CN 111222743 A CN111222743 A CN 111222743A CN 201911125636 A CN201911125636 A CN 201911125636A CN 111222743 A CN111222743 A CN 111222743A
- Authority
- CN
- China
- Prior art keywords
- optical fiber
- event
- vertical offset
- model
- offset distance
- 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.)
- Granted
Links
- 239000013307 optical fiber Substances 0.000 title claims abstract description 86
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000010801 machine learning Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 34
- 238000012360 testing method Methods 0.000 claims description 22
- 238000007637 random forest analysis Methods 0.000 claims description 16
- 238000012706 support-vector machine Methods 0.000 claims description 16
- 238000013145 classification model Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 10
- 238000001228 spectrum Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 8
- 238000003066 decision tree Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000007635 classification algorithm Methods 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 abstract description 38
- 238000001514 detection method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 239000002609 medium Substances 0.000 description 3
- 239000002689 soil Substances 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 239000004568 cement Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
- G06F2218/14—Classification; Matching by matching peak patterns
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Game Theory and Decision Science (AREA)
- Medical Informatics (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种光纤感知事件的垂直偏移距离及威胁级别判断方法,通过分布式光纤振动传感***感知和采集埋地光缆沿线的振动信号,对事件影响范围内沿埋地光纤分布各个空间点的纵向时间信号进行频域信号处理构建能量衰减特征序列,并用机器学习方法学习在不同威胁程度下能量衰减的空间分布特征差异,识别地面上振动源与光缆的垂直偏移距离,从而判断振动源对光缆的威胁程度并给予精准预警。
Description
技术领域
本发明属于埋地光电线缆及油气管道安全监测及界线安防管控技术领域,具体涉及一种复杂埋地条件下光纤感知事件的垂直偏移距离及威胁级别判断方法。
背景技术
基于相敏光时域反射技术的分布式光纤振动传感***在长距离光电线缆及油气管道安全监测、周界安防等领域有广泛应用。可利用现有埋地光缆感知光纤沿线各种振动及声源,对机械施工、人为挖掘等威胁安全的危险事件进行实时检测、识别与定位,防患于未然。随着该技术的进一步应用,维护及管理人员更关心危险振动源的威胁级别,或者危险源与光缆的垂直偏移距离,根据垂直偏移距离远近判定其威胁级别大小,以达到精准出勤或出警的目的。
但现有技术中均是对各种振动源进行检测识别,并对其沿光纤的纵向位置进行定位,较少涉及对振动源与光纤的垂直偏移距离进行估计及威胁级别判断的方法。上海光机所利用天线阵列信号处理方法MUSIC处理光纤接收的声传感阵列信号,估计空气及水介质中声源信号的空间位置信息,因为在空气或水中,传输介质比较单一,容易根据阵列信号的波达关系确定声源的空间位置。Samaneh Azadi等人利用埋地光缆采集信号,通过多点计算时延差来确定地震源方位,该方法对于估计埋地条件下远距离的振动源比较有效。但在复杂埋地条件下,土壤介质比空气和水复杂,光缆一般放置在地下缆沟,振动及声源传播到光缆实际经过了多层混合土壤介质、水泥或金属管廊、空气等多种介质,传播过程复杂,影响信号接收延时的因素多、波动大;特别对于近距离(如10米以内)的振动源,到达光纤的传播时间短,复杂的地下传播路径带来较大的时延波动影响其偏移距离估计的准确性,给振动源的垂直偏移距离估计和威胁级别判断带来了较大的挑战。
发明内容
本发明的目的在于:解决现有方法中多是仅对各种危险振动源进行检测识别和沿光纤纵向位置定位,不能判定振动源与光纤的垂直偏移距离远近进而判断威胁程度,并且由于埋地条件复杂和近距离振动源到达光纤传播延时影响因素多,波动大,对振动源偏离埋地光纤的垂直距离准确估计有较大难度,提出了一种光纤感知事件的垂直偏移距离及威胁级别判断方法。
本发明采用的技术方案如下:
一种光纤感知事件的垂直偏移距离及威胁级别判断方法,方法包括:
采集沿埋地光纤分布各个空间点的纵向时间信号,得到沿光纤分布的全线时空信号;
确定振动事件沿埋地光纤分布的中心位置,根据振动事件影响范围在中心位置左右各选取沿光纤空间分布的若干个纵向时间信号组成信号阵列,对该选取区域内的每一个空间点时间信号进行频域信号处理后得到其能量特征,并将不同空间点的能量特征值按空间顺序拼接构建该事件信号沿光纤分布的能量衰减特征序列;
离线训练时,采集某一振动事件发生时不同垂直偏移距离下的事件信号,构建事件样本数据集,并计算得到每一个事件信号样本沿光纤分布的能量衰减特征序列作为训练集,输入一个多个分类器融合的机器学习模型中进行训练,得到振动源与光纤的垂直偏移距离的分类模型;
在线测试时,将某一振动事件信号影响范围内的沿光纤分布的能量衰减特征序列输入构建并训练好的分类模型中,识别得到该振动源与光纤的垂直偏移距离,进而得到该垂直偏移距离对应的威胁级别。
进一步,如前所述一种光纤感知事件的垂直偏移距离及威胁级别判断方法,构建事件信号沿光纤分布的能量衰减特征序列的具体方法为:
S2.1时域到频域的转换:对各个空间点的时间信号分别进行傅里叶变换,获取频率域上的功率谱;
S2.2频率域滤波:在频率域通过滤波滤掉有用频率范围以外的噪声分量;
S2.3选取主要频率分量区间并计算其能量值:滤波后,在频率域寻找峰值区域,由若干个峰值附近区域的频段功率谱计算其信号能量特征值;
S2.4将每一个空间点信号进行S2.1-S2.3的处理后得到的信号能量特征值按空间分布顺序拼接,构建一个能量分布特征矢量作为该事件信号沿光纤分布的能量衰减特征序列。
进一步,如前所述一种光纤感知事件的垂直偏移距离及威胁级别判断方法,由若干个峰值附近区域的频段功率谱计算其信号能量特征值的具体方法为:计算每个峰值附近一个频率区间范围内的平均功率值,对求得的所有峰值附近的平均功率值计算平均值作为其信号能量特征值。
进一步,如前所述一种光纤感知事件的垂直偏移距离及威胁级别判断方法,机器学习模型为随机森林和支持向量机两种模型基于二级Stacking融合得到的分类模型,先用4个支持向量机分类器进行4折交叉验证输出预测结果,将其结果合并为新的特征用随机森林分类器加以训练。
进一步,如前所述一种光纤感知事件的垂直偏移距离及威胁级别判断方法,在分类模型中,支持向量机分类算法通过使用核函数将低维数据映射到高维空间上,通过超平面分割进行区分,随机森林分类算法通过构建出多个并行决策树分别进行分类,之后多数表决得出最终分类结果。
进一步,如前所述一种光纤感知事件的垂直偏移距离及威胁级别判断方法,随机森林和支持向量机两种模型二级Stacking融合的离线构建及训练过程具体为:
S6.1、对于支持向量机训练得到的每一个模型,将训练集D分为k份,对每一份都先作为测试集,用剩余数据集来训练模型,预测这一份的结果;
S6.2、重复S6.1直到每一个模型都得到预测结果,得到次级模型训练集;
S6.3、由k份测试集平均后得到次级模型的测试集;
S6.4、将随机森林分类器作为次级模型,分别利用S6.2、S6.3得到的训练集和测试集对其进行训练和测试;
S6.5、待S6.4中次级模型训练完成后,保存两级模型,作为垂直偏移距离分类器。
进一步,如前所述一种光纤感知事件的垂直偏移距离及威胁级别判断方法,方法中采用分布式光纤振动传感***采集振动事件影响范围内沿埋地光纤分布各个空间点的纵向时间信号。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
1、本发明方法通过分布式光纤传感***感知和采集埋地光缆沿线的振动信号,对事件影响范围内沿埋地光纤分布各个空间点的纵向时间信号进行频域信号处理,构建能量衰减特征序列,并用机器学习方法学习在不同威胁程度下能量衰减的空间分布特征差异,识别地面上振动源与光缆的垂直偏移距离,从而判断振动源对光缆的威胁程度并给予精准预警。该检测定位方法可以在复杂埋设条件及传播路径下实现,即振动源通过多层混合土壤介质、水泥或金属管廊、空气等多种介质传播到光缆。在这种复杂埋地条件下,当振动源与光纤垂直偏移距离较近时(如<10m),不满足远场条件,现有时延估计方法定位误差较大或已不适用,而本发明方法受影响较小。
2、本发明方法在对振动源检测识别与定位功能基础上,增加了振动源与光缆的垂直偏移距离估计和对光缆威胁程度的判断,能够进一步提高***报警的准确性及智能化水平,大大提高精准出勤或出警的效率。
3、本发明中方法是基于振动源影响范围内分布式光纤传感***接收阵列信号的空间能量衰减特性进行,利用分布式光纤传感***沿光纤采集信号阵列的空间关联以及在空间分布特性估计危险源对光缆的影响程度,可以避免复杂埋地传播路径中信号相对时延估计不准或其他方法带来的定位不准问题。本方法克服了埋地条件复杂和接收延时误差大的影响,不仅对危险振动源沿光纤纵向位置定位,还能够在不均匀埋地介质及复杂埋地环境下判断振动源偏离光纤的垂直距离,进一步提高***报警的准确性及智能化水平。
4、本发明方法采用数据驱动学习的方法,通过构建样本数据库及适合的机器学习网络来学习不同垂直偏移距离条件下振动源能量衰减的空间分布特征差异与距离远近的映射关系,实测时根据阵列信号的空间能量分布特点进行分类,根据分类结果确定危险振动源偏离光缆的垂直距离,避免过于依赖人为经验及人工参与的弊端。
5、本发明方法时效性强,避免了传统MUSIC等方法中搜索计算时间冗余问题,可提高***在线监测运算效率。
6、本发明方法中分类模型采用基于二级Stacking方法实现支持向量机与随机森林两个分类器识别结果的融合,进一步提高垂直偏移距离估计的准确性。
7、本发明方法中由若干个峰值附近区域的频段功率谱计算其信号能量特征值,具体可通过计算每个峰值附近一个频率区间范围内的平均功率值,对求得的所有峰值的平均功率值计算平均值作为其信号能量特征值。通过寻找信号能量集中部分即峰值区域,能够避免不同频率分量在地下传播能量衰减差异带来的估计不准问题。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明方法流程示意图;
图2为本发明具体实施方式中实际现场不同垂直偏移距离下采集的挖掘机施工数据集;
图3为本发明具体实施方式中不同垂直偏移距离下同一施工事件的能量衰减特征曲线;
图4为本发明分类模型架构图;
图5为本发明具体实施方式中分类混淆矩阵及垂直偏移距离分类结果示意图;
图6为本发明具体实施方式中分布式光纤振动传感***架构及工作原理图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明,即所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以下结合实施例对本发明的特征和性能作进一步的详细描述。
在本实施例中,以通信光缆的安全监测应用为例,采用现有埋地通信光缆一根纤芯作为探测光纤,总长15km,时间采样率设置5kHz,空间采样间隔为5.16m,在距离监控中心约8km光缆附近进行挖掘机施工模拟,分为挖掘和敲击两类事件。
方法流程如图1所示,根据上述设置采集沿埋地光纤分布各个空间点的纵向时间信号,得到沿光纤分布的全线时空信号;
确定振动事件沿埋地光纤分布的中心位置,根据振动事件影响范围在中心位置左右各选取沿光纤空间分布的若干个纵向时间信号组成信号阵列,对该选取区域内的每一个空间点时间信号进行频域信号处理并构建该事件信号沿光纤分布的能量衰减特征序列;
离线训练时,采集某一振动事件发生时不同垂直偏移距离下的事件信号,构建事件样本数据集,并计算得到每一个事件信号样本沿光纤分布的能量衰减特征序列作为训练集,输入一个多个分类器融合的机器学习模型中进行训练,得到振动源与光纤的垂直偏移距离的分类模型;
在线测试时,将某一振动事件信号影响范围内的沿光纤分布的能量衰减特征序列输入构建并训练好的分类模型中,识别得到该振动源与光纤的垂直偏移距离,进而得到该垂直偏移距离对应的威胁级别。
在具体实施方式中,数据采集及数据库的构建流程如下:
检测到某一位置有振动事件发生,以事件发生中心位置的采集点为中心,左右各取12个点共25个点位即沿光纤129m的空间影响范围,事件样本长度选取30s,构建大小为(25,150000)的单个事件的时空信号样本。基于本实施例中采集的现场数据构建的数据集如图2所示。此外,可将垂直距离按照威胁程度从高到低预设I型(0-4m)、II型(5-10m)、III型(>10m)三种等级,训练集、测试集按85∶15划分。以上时间采样率、空间采样间隔、所取空间点、事件样本长度、垂直距离的威胁程度分类都可以根据实际情况进行设置。
在具体实施方式中,对事件影响范围内的时空信号进行处理,构建该事件信号沿光纤分布的能量衰减特征序列的具体方法为:
S2.1时域到频域的转换:对各个空间点的时间信号分别进行傅里叶变换,获取频域上的功率谱;
S2.2频率域滤波:在频率域通过滤波滤掉有用频率范围以外的噪声分量。经验上施工机械产生的机械振动信号均在100Hz以下的低频区域,这里将每个采集点的时间信号通过100Hz的低通滤波器滤掉高频噪声。
S2.3选取主要频率分量区间并计算其能量特征值:滤波后,为避免不同频率分量在地下传播能量衰减差异带来的估计不准问题,需要寻找信号能量集中部分即峰值区域,由几个峰值附近区域的频段功率谱计算其能量特征。本实施例中先寻找前三个频谱峰值,计算3个谱峰附近的2Hz范围内的平均功率值p(1),p(2),p(3),之后求三者的平均值得Pi=(p(1)+p(2)+p(3))/3,作为该点获得的信号能量特征值。这里2Hz的频率区间选择是根据实际情况设置,也可以设置为其它区间如3HZ、4HZ、5HZ。
S2.4将每一个空间点信号进行S2.1-S2.3的处理后得到的能量特征值,按空间分布顺序拼接,构建出一个长度为25的能量分布特征矢量:P={P1,P2,...,P25},即为下一步分类识别准备的能量衰减特征序列。
图3为基于该方法获得的两类机械事件能量衰减特征曲线,图3(a)、(b)为不同垂直距离条件下由机械敲击事件信号得到的能量衰减特征曲线,图3(c)为不同垂直距离条件下由挖掘机挖掘事件信号得到的能量衰减特征曲线。可以看出,对应于不同距离下的能量衰减曲线其衰减规律具有较好的区分度。
在具体实施方式中,为了进一步提高垂直偏移距离估计的准确性,所述机器学习模型为随机森林(RF)和支持向量机(SVM)两种模型基于二级Stacking融合得到的分类模型,先用4个SVM分类器进行4折交叉验证输出预测结果,将其结果合并为新的特征用RF分类器加以训练。
进一步,在具体实施方式中,所述二级Stacking融合的分类模型离线构建及训练过程具体为:
S6.1、对于支持向量机训练得到的每一个模型,将训练集D分为k份(这里k=4,对应于4折交叉),对每一份都先作为测试集,用剩余数据集来训练模型,预测这一份的结果;
S6.2、重复S6.1直到每一个模型都得到预测结果,得到次级模型训练集;
S6.3、由k份测试集平均后得到次级模型的测试集;
S6.4、将随机森林分类器作为次级模型,分别利用S6.2、S6.3得到的训练集和测试集对其进行训练和测试;
S6.5、待S6.4中次级模型训练完成后,保存两级模型,作为垂直偏移距离分类器。
进一步,在具体实施方式中,所述分类模型中随机森林分类算法通过构建出多个并行决策树分别进行分类,之后多数表决得出最终分类结果,支持向量机分类算法通过使用核函数将低维数据映射到高维空间上,通过超平面分割进行区分。
实际在线测试时,将数据集中的测试集分别通过空间能量衰减特征提取和模型分类,得到的分类结果即混淆矩阵如图5所示。根据混淆矩阵,计算样本在对应定位精度范围内距离估计的准确率。以5米事件为例,统计定位精度±1m范围内分类样本的个数,即分类为4、5、6米的事件样本数,除以真实5米事件样本的总数,得到定位精度±1m范围内的距离判断准确率。由图5可以计算得到,对于挖掘机敲击事件,在定位精度±1m范围内的事件距离判断准确率为92.25%,在定位精度±2m范围内的事件距离判断准确率为100%;对于挖掘机实际挖掘的测试数据,在定位精度±1m范围内的事件距离判断准确率为83.5%,在定位精度±2m范围内的事件距离判断准确率为86.7%。进一步,根据实施例1中的事件垂直偏移距离的范围,由近至远依次分为三个区间,例如分为I(0-5m),II(6-10m)和III(10m以上),根据距离估计结果所属的区间范围进行威胁等级判别。由图5计算事件的威胁级别分类准确度,敲击事件的分类准确率为99.06%,挖掘事件的分类准确率为82.03%。
进一步,在具体实施方式中,方法中可采用分布式光纤振动传感***采集振动事件影响范围内沿埋地光纤分布各个空间点的纵向时间信号。分布式光纤振动传感***包括依次连接的处理主机、光信号解调设备和探测光缆,光信号解调设备具体包括依次连接的窄带激光器、声光调制器、光放大器、隔离器、环形器、滤波器、第一耦合器、干涉仪、第二耦合器、光电探测器和模数转换器。该***基本架构及工作原理如图6所示。其中探测光缆一般采用普通单模通信光纤,可直接利用沿道路或管道铺设的通信光缆空余纤芯,或者沿地下管道或城镇道路埋地铺设,用于感知外界入侵。光信号解调设备作为该***的核心部分。由窄线宽激光器产生的一路连续相干光信号,经由声光调制器调制过后成为窄脉冲光,光脉冲经过光放大器放大后,依次经过隔离器、环形器的1端口、2端口从探测光缆的一端注入。事件发生时,光脉冲信号在沿探测光缆传输过程中产生的后向瑞利散射光信号沿光缆返回并由环形器的2、3端口接收,依次经由光学滤波器滤波以及第一耦合器耦合后注入迈克尔逊干涉仪产生干涉,经由3*3的第二耦合器输出由外界扰动所引入的相位变化信息,即可获取振动或声波在光纤上作用所产生的信号。光信号经由光电探测器转换为电信号,再由采集卡控制的同步触发模数转换器同步采集信号,实时传输给信号处理主机。信号处理主机作为***终端,用于光纤阵列信号的分析处理,先对振动源进行检测并识别其沿光纤发生的位置,再进行垂直偏移距离估计,最后基于识别结果及其威胁级别给予精准告警。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种光纤感知事件的垂直偏移距离及威胁级别判断方法,其特征在于:方法包括:
采集沿埋地光纤分布各个空间点的纵向时间信号,得到沿光纤分布的全线时空信号;
确定振动事件沿埋地光纤分布的中心位置,根据振动事件影响范围在中心位置左右各选取沿光纤空间分布的若干个纵向时间信号组成信号阵列,对该选取区域内的每一个空间点时间信号进行频域信号处理后得到其能量特征,并将不同空间点的能量特征值按空间顺序拼接构建该事件信号沿光纤分布的能量衰减特征序列;
离线训练时,采集某一振动事件发生时不同垂直偏移距离下的事件信号,构建事件样本数据集,并计算得到每一个事件信号样本沿光纤分布的能量衰减特征序列作为训练集,输入一个多个分类器融合的机器学习模型中进行训练,得到振动源与光纤的垂直偏移距离的分类模型;
在线测试时,将某一振动事件信号影响范围内的沿光纤分布的能量衰减特征序列输入构建并训练好的分类模型中,识别得到该振动源与光纤的垂直偏移距离,进而得到该垂直偏移距离对应的威胁级别。
2.根据权利要求1所述的一种光纤感知事件的垂直偏移距离及威胁级别判断方法,其特征在于:所述构建事件信号沿光纤分布的能量衰减特征序列的具体方法为:
S2.1时域到频域的转换:对各个空间点的时间信号分别进行傅里叶变换,获取频率域上的功率谱;
S2.2频率域滤波:在频率域通过滤波滤掉有用频率范围以外的噪声分量;
S2.3选取主要频率分量区间并计算其能量特征值:滤波后,在频率域寻找峰值区域,由若干个峰值附近区域的频段功率谱计算其信号能量特征值;
S2.4将每一个空间点信号进行S2.1-S2.3的处理后得到的信号能量特征值按空间分布顺序拼接,构建一个能量分布特征矢量作为该事件信号沿光纤分布的能量衰减特征序列。
3.根据权利要求2所述的一种光纤感知事件的垂直偏移距离及威胁级别判断方法,其特征在于:所述由若干个峰值附近区域的频段功率谱计算其信号能量特征值的具体方法为:计算每个峰值附近一个频率区间范围内的平均功率值,对求得的所有峰值附近的平均功率值计算平均值作为其信号能量特征值。
4.根据权利要求1所述的一种光纤感知事件的垂直偏移距离及威胁级别判断方法,其特征在于:所述机器学习模型为随机森林和支持向量机两种模型基于二级Stacking融合得到的分类模型,先用4个支持向量机分类器进行4折交叉验证输出预测结果,将其结果合并为新的特征用随机森林分类器加以训练。
5.根据权利要求4所述的一种光纤感知事件的垂直偏移距离及威胁级别判断方法,其特征在于:所述分类模型中,支持向量机分类算法通过使用核函数将低维数据映射到高维空间上,通过超平面分割进行区分,随机森林分类算法通过构建出多个并行决策树分别进行分类,之后多数表决得出最终分类结果。
6.根据权利要求4所述的一种光纤感知事件的垂直偏移距离及威胁级别判断方法,其特征在于:所述随机森林和支持向量机两种模型二级Stacking融合的离线构建及训练过程具体为:
S6.1、对于支持向量机训练得到的每一个模型,将训练集D分为k份,对每一份都先作为测试集,用剩余数据集来训练模型,预测这一份的结果;
S6.2、重复S6.1直到每一个模型都得到预测结果,得到次级模型训练集;
S6.3、由k份测试集平均后得到次级模型的测试集;
S6.4、将随机森林分类器作为次级模型,分别利用S6.2、S6.3得到的训练集和测试集对其进行训练和测试;
S6.5、待S6.4中次级模型训练完成后,保存两级模型,作为垂直偏移距离分类器。
7.根据权利要求1所述的一种光纤感知事件的垂直偏移距离及威胁级别判断方法,其特征在于:所述方法中采用分布式光纤振动传感***采集振动事件影响范围内沿埋地光纤分布各个空间点的纵向时间信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911125636.8A CN111222743B (zh) | 2019-11-15 | 2019-11-15 | 一种光纤感知事件的垂直偏移距离及威胁级别判断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911125636.8A CN111222743B (zh) | 2019-11-15 | 2019-11-15 | 一种光纤感知事件的垂直偏移距离及威胁级别判断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111222743A true CN111222743A (zh) | 2020-06-02 |
CN111222743B CN111222743B (zh) | 2022-07-29 |
Family
ID=70825801
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911125636.8A Active CN111222743B (zh) | 2019-11-15 | 2019-11-15 | 一种光纤感知事件的垂直偏移距离及威胁级别判断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111222743B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111917466A (zh) * | 2020-07-24 | 2020-11-10 | 中山水木光华电子信息科技有限公司 | 一种光纤故障点监控识别***及方法 |
CN111912513A (zh) * | 2020-07-14 | 2020-11-10 | 国家电网有限公司 | 一种基于φ-otdr的光缆沿线挖掘机施工事件的识别方法 |
CN112067113A (zh) * | 2020-09-08 | 2020-12-11 | 武汉理工光科股份有限公司 | 一种瑞利波在土壤中传播速度的确定方法及装置 |
CN112069912A (zh) * | 2020-08-13 | 2020-12-11 | 国家电网有限公司 | 一种基于φ-otdr的光缆通道施工威胁事件的识别方法 |
CN112464777A (zh) * | 2020-11-20 | 2021-03-09 | 电子科技大学 | 一种光纤振动源垂直距离智能估算方法 |
CN112504430A (zh) * | 2020-11-26 | 2021-03-16 | 南京大学 | 一种基于振动敏感型光纤传感技术的杆塔结构健康监测的方法 |
CN114166331A (zh) * | 2021-12-03 | 2022-03-11 | 武汉理工光科股份有限公司 | 一种非威胁性信号识别方法、装置、电子设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5191557A (en) * | 1986-12-30 | 1993-03-02 | Gas Research Institute | Signal processing to enable utilization of a rig reference sensor with a drill bit seismic source |
JP2013072800A (ja) * | 2011-09-28 | 2013-04-22 | Chugoku Electric Power Co Inc:The | 振動検出システム |
CN105510959A (zh) * | 2015-11-30 | 2016-04-20 | 山东康威通信技术股份有限公司 | 一种隧道的振源类型识别方法及振源位置定位方法 |
CN106404161A (zh) * | 2016-08-19 | 2017-02-15 | 山东康威通信技术股份有限公司 | 一种对隧道施工振动位置精确定位的计算方法 |
CN108932480A (zh) * | 2018-06-08 | 2018-12-04 | 电子科技大学 | 基于1d-cnn的分布式光纤传感信号特征学习与分类方法 |
CN109520692A (zh) * | 2018-12-20 | 2019-03-26 | 泉州亿兴电力有限公司 | 一种振动信号传播试验装置及方法 |
-
2019
- 2019-11-15 CN CN201911125636.8A patent/CN111222743B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5191557A (en) * | 1986-12-30 | 1993-03-02 | Gas Research Institute | Signal processing to enable utilization of a rig reference sensor with a drill bit seismic source |
JP2013072800A (ja) * | 2011-09-28 | 2013-04-22 | Chugoku Electric Power Co Inc:The | 振動検出システム |
CN105510959A (zh) * | 2015-11-30 | 2016-04-20 | 山东康威通信技术股份有限公司 | 一种隧道的振源类型识别方法及振源位置定位方法 |
CN106404161A (zh) * | 2016-08-19 | 2017-02-15 | 山东康威通信技术股份有限公司 | 一种对隧道施工振动位置精确定位的计算方法 |
CN108932480A (zh) * | 2018-06-08 | 2018-12-04 | 电子科技大学 | 基于1d-cnn的分布式光纤传感信号特征学习与分类方法 |
US20180357542A1 (en) * | 2018-06-08 | 2018-12-13 | University Of Electronic Science And Technology Of China | 1D-CNN-Based Distributed Optical Fiber Sensing Signal Feature Learning and Classification Method |
CN109520692A (zh) * | 2018-12-20 | 2019-03-26 | 泉州亿兴电力有限公司 | 一种振动信号传播试验装置及方法 |
Non-Patent Citations (7)
Title |
---|
HUIJUAN WU 等: "Vertical Offset-Distance Estimation and Threat Level Prediction of Vibrations With DAS", 《IEEE ACCESS》, vol. 8, 22 September 2020 (2020-09-22), pages 177245 - 177254, XP011812885, DOI: 10.1109/ACCESS.2020.3025998 * |
OLIVER HEIRICH 等: "Velocity and location information from onboard vibration measurements of rail vehicles", 《PROCEEDINGS OF THE 16TH INTERNATIONAL CONFERENCE ON INFORMATION FUSION》, 21 October 2013 (2013-10-21), pages 1835 - 1840 * |
YU HEN HU 等: "Energy based collaborative source localization using acoustic micro-sensor array", 《2002 IEEE WORKSHOP ON MULTIMEDIA SIGNAL PROCESSING》, 11 June 2003 (2003-06-11), pages 371 - 375 * |
刘路等: "管道光纤安全预警技术中的威胁事件识别算法研究", 《石油科技论坛》, vol. 35, no. 1, 25 December 2016 (2016-12-25), pages 194 - 196 * |
路豪: "基于集成学习模型的DAS振动源二维定位方法研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》, no. 01, 15 January 2022 (2022-01-15), pages 136 - 627 * |
郑丁 等: "基于DVS的振动源与传感通道垂直距离的计算方法", 《HTTP://KNS.CNKI.NET/KCMS/DETAIL/45.1160.TN.20190701.1004.002.HTML》, 2 July 2019 (2019-07-02), pages 1 - 8 * |
郭学彬 等: "论***地震波在传播过程中的衰减特性", 《中国矿业》, no. 03, 15 March 2006 (2006-03-15), pages 51 - 53 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111912513A (zh) * | 2020-07-14 | 2020-11-10 | 国家电网有限公司 | 一种基于φ-otdr的光缆沿线挖掘机施工事件的识别方法 |
CN111917466A (zh) * | 2020-07-24 | 2020-11-10 | 中山水木光华电子信息科技有限公司 | 一种光纤故障点监控识别***及方法 |
CN111917466B (zh) * | 2020-07-24 | 2021-11-09 | 中山水木光华电子信息科技有限公司 | 一种光纤故障点监控识别***及方法 |
CN112069912A (zh) * | 2020-08-13 | 2020-12-11 | 国家电网有限公司 | 一种基于φ-otdr的光缆通道施工威胁事件的识别方法 |
CN112067113A (zh) * | 2020-09-08 | 2020-12-11 | 武汉理工光科股份有限公司 | 一种瑞利波在土壤中传播速度的确定方法及装置 |
CN112067113B (zh) * | 2020-09-08 | 2022-03-25 | 武汉理工光科股份有限公司 | 一种瑞利波在土壤中传播速度的确定方法及装置 |
CN112464777A (zh) * | 2020-11-20 | 2021-03-09 | 电子科技大学 | 一种光纤振动源垂直距离智能估算方法 |
CN112504430A (zh) * | 2020-11-26 | 2021-03-16 | 南京大学 | 一种基于振动敏感型光纤传感技术的杆塔结构健康监测的方法 |
CN112504430B (zh) * | 2020-11-26 | 2022-03-01 | 南京大学 | 一种基于振动敏感型光纤传感技术的杆塔结构健康监测的方法 |
CN114166331A (zh) * | 2021-12-03 | 2022-03-11 | 武汉理工光科股份有限公司 | 一种非威胁性信号识别方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111222743B (zh) | 2022-07-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111222743B (zh) | 一种光纤感知事件的垂直偏移距离及威胁级别判断方法 | |
CN108932480B (zh) | 基于1d-cnn的分布式光纤传感信号特征学习与分类方法 | |
CN109344195B (zh) | 基于hmm模型的管道安全事件识别及知识挖掘方法 | |
CN101556724B (zh) | 光纤周界安全管理***及其模式识别方法 | |
CN107256635B (zh) | 一种智能交通中基于分布式光纤传感的车辆识别方法 | |
CN201191221Y (zh) | 分布式光纤振动传感***扰动信号判别模块 | |
CN111649817B (zh) | 一种分布式光纤振动传感器***及其模式识别方法 | |
Bai et al. | Detection and identification of external intrusion signals from 33 km optical fiber sensing system based on deep learning | |
CN101968550B (zh) | 基于阵列光纤传感器的岩层识别装置及方法 | |
CN102563361A (zh) | 基于常规数据和音波信号的输气管道泄漏检测定位装置及方法 | |
CN109190272B (zh) | 基于弹性波和机器学习的混凝土结构缺陷检测方法 | |
Yang et al. | Pipeline safety early warning by multifeature-fusion CNN and LightGBM analysis of signals from distributed optical fiber sensors | |
WO2022046949A1 (en) | City-scale acoustic impulse detection and localization | |
CN101299635B (zh) | 宽域全光纤扰动信号前-后判别装置及方法 | |
CN111780855A (zh) | 基于光纤径向振源测距振动识别的电缆防外破方法及*** | |
JP2023550091A (ja) | 分散型光ファイバセンシングによる振動の垂直距離予測 | |
CN110361164A (zh) | 一种海底光缆断点位置和扰动位置分析方法及*** | |
CN116026449B (zh) | 一种基于单芯光纤传感的振动定位监测*** | |
CN105222885A (zh) | 一种光纤振动检测方法及装置 | |
CN105046859A (zh) | 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 | |
CN116186642A (zh) | 一种基于多维特征融合的分布式光纤传感事件预警方法 | |
US20230024104A1 (en) | Identification of false transformer humming using machine learning | |
CN114088308B (zh) | 一种基于低反射啁啾光栅阵列的输运管道拾振检漏方法 | |
CN114719950A (zh) | 一种分步式光纤多维特征参数采集提取方法 | |
CN101626271B (zh) | 光电复合缆外部安全预警定位***中计算预警事件发生位置的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |