CN115014571B - 一种海底电缆风险事件识别***及方法 - Google Patents
一种海底电缆风险事件识别***及方法 Download PDFInfo
- Publication number
- CN115014571B CN115014571B CN202210574302.4A CN202210574302A CN115014571B CN 115014571 B CN115014571 B CN 115014571B CN 202210574302 A CN202210574302 A CN 202210574302A CN 115014571 B CN115014571 B CN 115014571B
- Authority
- CN
- China
- Prior art keywords
- submarine cable
- characteristic information
- information
- risk event
- event
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 239000013307 optical fiber Substances 0.000 claims abstract description 68
- 238000013528 artificial neural network Methods 0.000 claims abstract description 52
- 238000004088 simulation Methods 0.000 claims abstract description 36
- 238000004458 analytical method Methods 0.000 claims abstract description 10
- 238000002474 experimental method Methods 0.000 claims abstract description 7
- 239000000835 fiber Substances 0.000 claims description 70
- 239000013598 vector Substances 0.000 claims description 40
- 238000013527 convolutional neural network Methods 0.000 claims description 29
- 238000006073 displacement reaction Methods 0.000 claims description 29
- 230000015654 memory Effects 0.000 claims description 24
- 244000035744 Hura crepitans Species 0.000 claims description 20
- 239000004677 Nylon Substances 0.000 claims description 20
- 229920001778 nylon Polymers 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 19
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 13
- 238000004891 communication Methods 0.000 claims description 12
- 239000013535 sea water Substances 0.000 claims description 12
- 229910001285 shape-memory alloy Inorganic materials 0.000 claims description 11
- 230000006403 short-term memory Effects 0.000 claims description 11
- 230000007787 long-term memory Effects 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 8
- 239000005995 Aluminium silicate Substances 0.000 claims description 4
- 235000012211 aluminium silicate Nutrition 0.000 claims description 4
- NLYAJNPCOHFWQQ-UHFFFAOYSA-N kaolin Chemical compound O.O.O=[Al]O[Si](=O)O[Si](=O)O[Al]=O NLYAJNPCOHFWQQ-UHFFFAOYSA-N 0.000 claims description 4
- 230000011664 signaling Effects 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000004806 packaging method and process Methods 0.000 claims description 2
- 238000004873 anchoring Methods 0.000 claims 2
- 230000000694 effects Effects 0.000 abstract description 14
- 210000004027 cell Anatomy 0.000 description 11
- 230000006872 improvement Effects 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 238000010606 normalization Methods 0.000 description 7
- 230000004913 activation Effects 0.000 description 6
- 238000011176 pooling Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000010802 sludge Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K11/00—Measuring temperature based upon physical or chemical changes not covered by groups G01K3/00, G01K5/00, G01K7/00 or G01K9/00
- G01K11/32—Measuring temperature based upon physical or chemical changes not covered by groups G01K3/00, G01K5/00, G01K7/00 or G01K9/00 using changes in transmittance, scattering or luminescence in optical fibres
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/16—Measuring arrangements characterised by the use of optical techniques for measuring the deformation in a solid, e.g. optical strain gauge
- G01B11/165—Measuring arrangements characterised by the use of optical techniques for measuring the deformation in a solid, e.g. optical strain gauge by means of a grating deformed by the object
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种海底电缆风险事件识别***及方法，包括：构建海底电缆的故障模拟实验模型，并进行海底电缆的风险事件的实验，获得海底电缆发生故障时的特征信息；根据海底电缆发生故障时的特征信息，基于混合神经网络建立海底电缆风险事件识别模型；根据当前时刻的海底电缆的特征信息，通过海底电缆风险事件识别模型判断当前时刻的海底电缆是否存在故障，识别当前时刻海底电缆所发生的故障对应的风险事件的类别，生成海底电缆的故障分析报告。本发明通过多个准分布式光栅光纤传感器对海底电缆实时监测，通过海底电缆风险事件识别模型，实现海底电缆的故障判断以及海底电缆的风险事件的识别，达到海底电缆故障预警的效果。
Description
技术领域
本发明属于海洋观测技术领域，具体涉及一种海底电缆风险事件识别***及方法。
背景技术
海底电缆已成为远距离跨海能源传输和新能源规模化利用的桥梁纽带和关注焦点。建立海底电缆的标准体系，开发新型海底电缆的制造技术，高海况条件下施工技术和高精度检测技术，是***解决未来更发长度，更大深度，更高精度海上工程作业难题的核心和关键。提高海底电缆风险故障的检测技术是其中重要的一环，因此，发展海底电缆安全检测技术对于支撑和保障能源安全及社会经济可持续发展具有十分中大的战略意义。
在海底电缆铺设后，电缆会受到人为和自然两方面的损害而容易出现运行安全问题。据历史数据统计，人类活动造成90％以上的海底电缆故障，而其中的三分之一是锚害。IEEE海底电缆铺设规范也把锚害列为人为灾害之首。船锚对海缆的破坏方式主要有两种：一是以一定速度下落的船锚侵彻海缆上方的敷埋淤泥层，直接刺断海缆；一是船锚侵彻到海缆周围的海床中，在起锚时钩挂海缆将海缆拖断。)自然损害包括：洋流和潮汐引起的移位和摆动、电缆护管及岩石与缆体之间摩擦造成的磨损、海水侵蚀等。
海底电缆风险事件模拟实验因为其实际操作起来的复杂性和困难性，许多学者在做的时候通常都是利用仿真软件做风险事件模拟分析，没有作实际实验，所以研究一项海底电缆风险事件模拟的方法和一个进行模拟实验的装置尤为重要，这有利于模拟海底电缆的实际工作环境，对后面的风险故障分类识别和分析的进行打下良好的基础。
光纤布拉格光栅(Fiber Bragg Grating，FBG)传感器已经迅速成为优良传感器元件，能够测量温度，应变和压力等多种物理量。它具有灵敏度高，不受电磁干扰，防水性能好，体积小，重量轻，可靠性高，可埋入复合材料等优点。因此其被广泛应用各个领域，有桥梁工程，航空航天，海洋监测，电力工程，生物医学等领域。
卷积神经网络(Convolutional Neural Networks,CNN)是一类包含卷积计算且具有深度结构的前馈神经网络，其具有表征学习的能力，可以进行监督学习和非监督学习，常用于特征提取和分类任务；长短期记忆神经网络(Long Short-Term Memory)是一种时间递归的神经网络，适用于处理和预测时间序列中间隔和延迟相对较长的事件。
发明内容
本发明的目的是提供一种海底电缆风险事件识别***及方法，以解决现有技术中所存在的一个或多个技术问题，至少提供一种有益的选择或创造条件。
本发明解决其技术问题的解决方案是：提供一种海底电缆风险事件识别***，包括：故障模拟实验模型、光纤传感单元、水声通讯机、光栅解调仪、处理单元、重构单元和风险事件识别单元；
所述故障模拟实验模型用于模拟海底电缆发生故障时对应的风险事件；
所述光纤传感单元沿海底电缆的轴向固定，所述光纤传感单元用于感测海底电缆在发生故障时的第一场信息和海底电缆在当前时刻的第二场信息，所述场信息的类型为温度场信息、应变场信息、振动场信息、位移场信息；
所述水声通讯机放置在故障模拟实验模型中并与所述光纤解调仪连接，所述光纤传感单元通过水声通讯机将所述第一场信息或第二场信息以光纤数据的形式传输至光纤解调仪；
所述光栅解调仪用于解调第一场信息对应的光纤数据，获得光纤传感单元的第一反射波波长及其变化量；
所述处理单元用于根据第一反射波波长及其变化量获得海底电缆发生故障时的温度特征信息、振动特征信息、应变特征信息；
所述重构单元用于通过重构算法对发生故障的海底电缆的形状进行重构，获得海底电缆发生故障时的位移特征信息；
所述风险事件识别单元用于根据所述温度特征信息、振动特征信息、应变特征信息、位移特征信息，基于混合神经网络建立海底电缆风险事件识别模型；
所述光栅解调仪还用于解调第二场信息对应的光纤数据，获得光纤传感单元的第二反射波波长及其变化量；
所述处理单元用于根据第二反射波波长及其变化量获得当前时刻的海底电缆的当前温度信息、当前振动信息、当前应变信息；
所述重构单元用于通过重构算法对当前时刻的海底电缆的形状进行重构，获得当前时刻的海底电缆的当前位移信息；
所述风险事件识别单元还用于根据所述当前温度信息、当前振动信息、当前应变信息、当前位移信息，通过所述海底电缆风险事件识别模型判断当前时刻的海底电缆是否发生故障，并识别海底电缆发生的故障对应的风险事件的类别，生成海底电缆的故障分析报告。
作为上述技术方案的进一步改进，所述光栅传感单元包括形状记忆合金丝、光纤光栅振动传感器、光纤光栅应变传感器和光纤光栅温度传感器，所述光纤光栅振动传感器、光纤光栅应变传感器和光纤光栅温度传感器均为准分布式光纤光栅传感器，所述光纤光栅应变传感器和光纤光栅温度传感器均安装在形状记忆合金丝上，所述形状记忆合金丝和所述光纤光栅振动传感器沿着海底电缆的轴向搭载在海底电缆上。
作为上述技术方案的进一步改进，所述故障模拟实验模型包括沙箱、模型支架、尼龙绳、按键模块、控制模块和驱动模块，所述控制模块分别与按键模块、驱动模块连接；所述模型支架为带有刻度尺的尺度杆，所述尺度杆的底部的零点与海底电缆位于同一水平面；所述模型支架放置在沙箱中，模型支架的一端与沙箱固定，模型支架的另一端连接有定滑轮，尼龙绳与定滑轮滑动连接，尼龙绳的一端系有船锚，尼龙绳的另一端与驱动模块连接；
所述沙箱用于模拟海底电缆在实际使用时所处的环境，沙箱内装有高岭土和海水，所述水声通讯机置于海水中；
所述驱动模块包括：驱动支架、导轨滑块、传送带和步进电机，驱动支架位于模型支架的底部，所述传送带安装在驱动支架的两侧，所述导轨滑块放置在传送带上，所述导轨滑块与尼龙绳远离船锚的一端连接，所述步进电机用于驱动传送带沿水平方向传动进而驱动所述导轨滑块沿水平方向运动；
所述控制模块用于检测按键模块被按下的情况，并根据按键模块被按下的情况输出第一控制信号或第二控制信号至驱动模块；所述驱动模块用于根据第一控制信号控制导轨滑块沿水平方向向左运动、根据第二控制信号控制导轨滑块沿水平方向向右运动；
所述按键模块包括启动键、暂停键、左移键和右移键，所述启动键用于启动步进电机，所述暂停键用于关闭步进电机，所述左移键用于控制步进电机正转，所述右移键用于控制步进电机反转。
一种海底电缆风险事件识别方法，应用于一种海底电缆风险事件识别***，该方法包括以下步骤：
S100、构建海底电缆的故障模拟实验模型，并进行海底电缆的风险事件的实验，获得海底电缆发生故障时的特征信息；
其中，所述海底电缆发生故障时的特征信息包括：温度特征信息、振动特征信息、应变特征信息、位移特征信息；
S200、根据海底电缆发生故障时的特征信息，基于混合神经网络建立海底电缆风险事件识别模型；
S300、根据当前时刻的海底电缆的特征信息，通过海底电缆风险事件识别模型判断当前时刻的海底电缆是否存在故障，识别当前时刻海底电缆所发生的故障对应的风险事件的类别，生成海底电缆的故障分析报告，根据风险事件的类别发出预警；
其中，所述当前时刻的海底电缆的特征信息包括：当前温度信息、当前振动信息、当前应变信息、当前位移信息。
作为上述技术方案的进一步改进，所述S100具体为：
S110、根据实际情况中海底电缆所处的环境，按一定的缩尺比构建故障模拟实验模型；
S120、在海底电缆上沿线搭载光纤传感单元，将海底电缆放置在模型支架的下面，调节模型支架，保证模型支架的底部的零点与海底电缆处于同一平面；
S130、分别进行海底电缆的锚砸事件、挂钩事件、洋流事件的模拟实验，获得海底电缆发生故障时的特征信息。
作为上述技术方案的进一步改进，所述获得海底电缆发生故障时的特征信息，还包括以下步骤：
S131、通过光纤传感单元感测处在不同风险事件中的海底电缆的场信息，海底电缆的场信息以光纤数据的形式通过水声通讯机传输至光栅解调仪；
S132、通过光栅解调仪解调光纤数据，获得光纤传感单元的反射波波长变化量；
S133、根据所述反射波波长变化量，计算所述温度特征信息、应变特征信息、振动特征信息；
其中，所述温度特征信息满足以下公式：
其中，μ表示所述温度特征信息，ΔλB表示所述光栅光纤温度传感器的第一反射波波长变化量，λB表示所述光栅光纤温度传感器的第一反射波波长的初始量，a1为光栅光纤温度传感器的热膨胀系数，b为光栅光纤温度传感器的热光效系数；
所述应变特征信息满足以下公式：
其中，ε表示所述应变特征信息，ΔλB表示所述光栅光纤应变传感器的第一反射波波长变化量，λB表示所述光栅光纤应变传感器的第一反射波波长的初始量，Pe为光栅光纤应变传感器的有效弹光系数；
所述振动特征信息满足以下公式：
其中，S表示所述振动特征信息，keff为光纤光栅振动传感器的等效刚度，Lf为光纤光栅振动传感器的封装长度，a为加速度，m为海底电缆的质量，ΔλB表示所述光栅光纤振动传感器的第一反射波波长变化量，λB表示所述光栅光纤振动传感器的第一反射波波长的初始量，Pe为光栅光纤振动传感器的弹光系数；
S134、通过重构算法对海底电缆的形状进行重构，将重构后的海底电缆的形状与重构前的海底电缆的形状进行比对，得到所述位移特征信息。
作为上述技术方案的进一步改进，步骤S200包括以下步骤：
S210、归一化处理海底电缆发生故障时的特征信息，将海底电缆发生故障时的特征信息的格式分别转换为符合卷积神经网络、长短期记忆神经网络的输入条件的格式；
S220、按比例将海底电缆发生故障时的特征信息分为训练集和测试集，将训练集分别输入至卷积神经网络、长短期记忆神经网络，训练卷积神经网络、长短期记忆神经网络，卷积神经网络输出第一特征向量，长短期记忆神经网络输出第二特征向量；
S230、设置拼接层，通过拼接层拼接第一特征向量、第二特征向量，生成风险高级特征；
S240、设置全连接层和Softmax分类器，将风险高级特征输入至全连接层和Softmax分类器，生成海底电缆风险事件识别模型及其权值；
S250、通过测试集测试海底电缆风险事件识别模型的性能。
作为上述技术方案的进一步改进，在步骤S220中，卷积神经网络训练结束输出第一特征矩阵，第一特征矩阵为二维矩阵，设置拉伸层，通过拉伸层将第一特征矩阵拉伸为第一特征向量，第一特征向量为一维特征向量。
作为上述技术方案的进一步改进，所述步骤S200还包括：通过贝叶斯优化算法优化所述长短期记忆神经网络的超参数。
作为上述技术方案的进一步改进，所述步骤S200还包括：计算海底电缆风险事件识别模型的损失函数，通过Adam算法优化海底电缆风险事件识别模型的权值。
本发明的有益效果是：本发明公开了一种海底电缆风险事件识别***及方法，通过故障模拟实验模型获取海底电缆发生故障时的特征信息，使所述特征信息更贴近实际情况，降低了所述特征信息的不确定性；通过多个准分布式光栅光纤传感器实时监测海底电缆的状况，通过混合神经网络建立海底电缆风险事件识别模型，实现海底电缆的故障判断以及对海底电缆所发生的故障对应的风险事件的类型的识别，在海底电缆有一定危险的时候发出警报，以达到故障预警的效果。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单说明。显然，所描述的附图只是本发明的一部分实施例，而不是全部实施例，本领域的技术人员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设计方案和附图。
图1是一种海底电缆风险事件识别方法的流程图；
图2是一种海底电缆风险事件识别***的故障模拟实验模型的结构示意图；
图3是一种海底电缆风险事件识别***的模块示意图；
图4A是一种海底电缆风险事件识别***的光纤传感单元搭载在海底电缆上的剖视图；
图4B是一种海底电缆风险事件识别***的光纤光栅应变传感器、光纤光栅温度传感器、形状记忆合金丝的结构示意图；
图4C是一种海底电缆风险事件识别***的光纤光栅应变传感器、光纤光栅温度传感器、形状记忆合金丝的剖视图；
图5是一种海底电缆风险事件识别方法的构建故障模拟实验模型的流程图；
图6是一种海底电缆风险事件识别方法的获得海底电缆在发生故障时的特征信息的流程图；
图7是一种海底电缆风险事件识别方法的建立海底电缆风险事件识别模型的流程图；
图8是一种海底电缆风险事件识别方法的海底电缆风险事件识别模型的结构流程图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请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申请，并不用于限定本申请。
需要说明的是，虽然在***示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于***中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
请参考图1至图8，本公开提出一种海底电缆风险事件识别***，其第一实施例，包括：故障模拟实验模型100、光纤传感单元200、水声通讯机、光栅解调仪300、处理单元400、重构单元500和风险事件识别单元600；
所述故障模拟实验模型100用于模拟海底电缆700在发生故障时对应的风险事件，以采集海底电缆700在发生故障时的特征信息；
所述光纤传感单元200沿海底电缆700的轴向固定，所述光纤传感单元200用于实时感测海底电缆700在发生故障时的第一场信息和海底电缆700在当前时刻的第二场信息，所述场信息的类型为温度场信息、应变场信息、振动场信息、位移场信息；
所述水声通讯机放置在故障模拟实验模型100中并与所述光纤解调仪300连接，所述光纤传感单元200通过水声通讯机将第一场信息或第二场信息以光纤数据的形式传输至光纤解调仪300；
所述光栅解调仪300用于解调第一场信息对应的光纤数据，获得光纤传感单元200的第一反射波波长及其变化量；
所述处理单元400用于根据第一反射波波长及其变化量获得海底电缆700在发生故障时的温度特征信息、振动特征信息、应变特征信息；
所述重构单元500用于通过重构算法对发生故障的海底电缆700的形状进行重构，获得海底电缆700在发生故障时的位移特征信息；
所述风险事件识别单元600用于根据所述温度特征信息、振动特征信息、应变特征信息、位移特征信息，基于混合神经网络建立海底电缆风险事件识别模型；
所述光栅解调仪300还用于解调第二场信息对应的光线数据，获得光纤传感单元的第二反射波波长及其变化量；
所述处理单元400用于根据第二反射波波长及其变化量获得当前时刻的海底电缆700的当前温度信息、当前振动信息、当前应变信息；
所述重构单元500用于通过重构算法对当前时刻的海底电缆700的形状进行重构，获得当前时刻的海底电缆700的当前位移信息；
所述风险事件识别单元600还用于根据所述当前温度信息、当前振动信息、当前应变信息、当前位移信息，通过所述海底电缆风险事件识别模型判断当前时刻的海底电缆700是否发生故障，并识别海底电缆700发生的故障对应的风险事件的类别，生成海底电缆700的故障分析报告。
进一步的，请参考图2，所述故障模拟实验模型100包括沙箱110、模型支架120、尼龙绳130、按键模块、控制模块和驱动模块，所述控制模块分别与按键模块、驱动模块连接；具体为：
所述沙箱110用于模拟海底电缆在实际使用时所处的环境，沙箱110内装有高岭土和海水，所述水声通讯机置于海水中；
所述模型支架120为带有刻度尺的尺度杆，所述尺度杆的底部的零点与海底电缆位于同一水平面；所述模型支架120放置在沙箱110中，模型支架120的一端与沙箱固定，模型支架120的另一端连接有定滑轮140，尼龙绳130与定滑轮140滑动连接，尼龙绳130的一端系有船锚150，尼龙绳130的另一端与驱动模块连接；
所述驱动模块包括：驱动支架160、导轨滑块170、传送带180和步进电机，驱动支架160位于模型支架120的底部，所述传送带180安装在驱动支架160的两侧，所述导轨滑块170放置在传送带180上，所述导轨滑块170与尼龙绳130远离船锚150的一端连接，所述步进电机用于驱动传送带180沿水平方向传动进而驱动所述导轨滑块170沿水平方向运动，达到控制船锚150下落和拉起的效果。
所述控制模块用于检测按键模块被按下的情况，并根据按键模块被按下的情况输出第一控制信号或第二控制信号至驱动模块；所述驱动模块用于根据第一控制信号控制导轨滑块170沿水平方向向左运动、根据第二控制信号控制导轨滑块170沿水平方向向右运动。
所述按键模块包括：启动键、暂停键、左移键和右移键，所述启动键用于启动步进电机，所述暂停键用于关闭步进电机，所述左移键用于控制步进电机正转，所述右移键用于控制步进电机反转。
本实施例中，所述步进电机的转动方向决定导轨滑块170沿水平方向运动的方向。当步进电机正转时，所述导轨滑块170沿水平方向向左运动，使船锚150下落；当步进电机反转时，所述导轨滑块170沿水平方向右运动，拉起船锚150，达到模拟海底电缆700的风险事件的效果。
本发明通过故障模拟实验模型获取海底电缆发生故障时的特征信息，所述故障模拟实验模型根据实际情况中海底电缆所处环境所构建，对比通过软件仿真模拟风险事件的发生，本发明提出的故障模拟实验模型更贴近实际情况，提高了所述特征信息的信服度和可靠性，降低了所述特征信息的不确定性。并且，所述故障模拟实验模型成本低，不需要耗费过多的人力和物力。
进一步的，请参考图4A、图4B和图4C，所述光栅传感单元200包括形状记忆合金丝210、光纤光栅振动传感器220、光纤光栅应变传感器230和光纤光栅温度传感器240，所述光纤光栅振动传感器220、光纤光栅应变传感器230和光纤光栅温度传感器240均为准分布式光纤光栅传感器，所述光纤光栅应变传感器230和光纤光栅温度传感器240均安装在形状记忆合金丝210上，所述形状记忆合金丝210和所述光纤光栅振动传感器220沿着海底电缆的轴向搭载在海底电缆700上。
本公开提出一种应用于海底电缆风险事件识别***的海底电缆风险事件识别方法，其第二实施例，该方法包括以下步骤：
S100、构建海底电缆的故障模拟实验模型，并进行海底电缆的风险事件的实验，获得海底电缆发生故障时的特征信息；
其中，所述海底电缆发生故障时的特征信息包括：温度特征信息、振动特征信息、应变特征信息、位移特征信息；
S200、根据海底电缆发生故障时的特征信息，基于混合神经网络建立海底电缆风险事件识别模型；
S300、根据当前时刻的海底电缆的特征信息，通过海底电缆风险事件识别模型判断当前时刻的海底电缆是否存在故障，识别当前时刻海底电缆所发生的故障对应的风险事件的类别，生成海底电缆的故障分析报告，根据风险事件的类别发出预警；
其中，所述当前时刻的海底电缆的特征信息包括：当前温度信息、当前振动信息、当前应变信息、当前位移信息。
所述海底电缆的故障模拟实验模型主要模拟以下几种海底电缆的风险事件：
锚砸事件。锚砸事件为实际情况中船舶在抛锚时船锚砸到海底电缆上，对海底电缆造成冲击性损伤的事件。
挂钩事件。挂钩事件为实际情况中船舶在起锚时以一定的速度拖动海底电缆，对海底电缆造成拉伸性损伤的事件。
洋流事件。洋流事件为实际情况中船舶运动时在海底电缆的上方经过，海水产生一定的振动传递给海底电缆的事件。
请参考图5，本实施例中步骤S100，所述构建海底电缆的模拟事故实验模型，并进行海底电缆的风险事件的实验，获得海底电缆发生故障时的特征信息，该方法还包括以下步骤：
S110、根据实际情况中海底电缆所处的环境，按一定的缩尺比构建故障模拟实验模型；
S120、在海底电缆上沿线搭载光纤传感单元，将海底电缆放置在模型支架的下面，调节模型支架，保证模型支架的底部的零点与海底电缆处于同一平面；
S130、分别进行海底电缆的锚砸事件、挂钩事件、洋流事件的模拟实验，获得海底电缆发生故障时的特征信息。
本公开通过光纤传感单元200实现对海底电缆700的在线监测，获得海底电缆700在发生故障时的特征信息和当前时刻的海底电缆700的特征信息。其中，光纤传感单元包括光纤光栅振动传感器220、光纤光栅应变传感器230和光纤光栅温度传感器240，这三种光纤光栅传感器均为准分布式光纤光栅传感器。较其他光纤光栅传感器而言，准分布式光纤光栅传感器的准确率更高。
请参考图6，所述获得海底电缆发生故障时的特征信息的步骤为：
S131、通过光纤传感单元感测处在不同风险事件中的海底电缆，获得第一场信息，将第一场信息以光纤数据的形式通过水声通讯机传输至光栅解调仪；
S132、通过光栅解调仪解调第一场信息对应的光纤数据，获得光纤传感单元的第一反射波波长及其变化量；
S133、根据第一反射波波长及其变化量，计算所述温度特征信息、应变特征信息、振动特征信息；
具体地，当海底电缆发生故障时，光栅光纤温度传感器240存在有热膨胀效应和热光效应，热膨胀效应对光栅光纤温度传感器240的周期产生影响，而热光效应对光栅光纤温度传感器240的有效折射率产生影响，通过热膨胀效应、热光效应计算得到所述温度特征信息：
其中，μ表示所述温度特征信息，ΔλB表示光栅光纤温度传感器的第一反射波波长变化量，λB表示光栅光纤温度传感器的第一反射波波长的初始量，a1为光栅光纤温度传感器的热膨胀系数，b为光栅光纤温度传感器的热光效系数。
当海底电缆发生故障时，光栅光纤应变传感器230受到各个方向的力，通过光栅光纤应变传感器230的有效弹光系数计算得到所述应变特征信息：
其中，ε表示所述应变特征信息，ΔλB表示光栅光纤应变传感器的第一反射波波长变化量，λB表示光栅光纤应变传感器的第一反射波波长的初始量，Pe为光栅光纤应变传感器的有效弹光系数。
当海底电缆发生故障时，可根据所述第一反射波波长变化量计算所述振动特征信息，所述振动特征信息满足以下公式：
其中，S表示所述振动特征信息，keff表示光纤光栅振动传感器的等效刚度，Lf表示光纤光栅振动传感器的封装长度，a为光纤光栅振动传感器的加速度，m为海底电缆的质量，ΔλB表示所述光栅光纤振动传感器的第一反射波波长变化量，λB表示所述光栅光纤振动传感器的第一反射波波长的初始量，Pe为光栅光纤振动传感器的弹光系数。
S134、通过重构算法对发生故障的海底电缆的形状进行重构，将重构后的海底电缆的形状与重构前的海底电缆的形状进行比对，得到所述位移特征信息。
本实施例中步骤S200，将海底电缆发生故障时的特征信息以及锚砸事件、挂钩事件、洋流事件这三种风险事件作为训练参数训练混合神经网络，生成海底电缆风险事件识别模型。
请参考图7，所述生成海底电缆风险事件识别模型包括以下步骤：
S210、归一化处理海底电缆发生故障时的特征信息，将海底电缆发生故障时的特征信息的格式分别转换为符合卷积神经网络、长短期记忆神经网络的输入条件的格式；
S220、按比例将海底电缆发生故障时的特征信息分为训练集和测试集，将训练集分别输入至卷积神经网络、长短期记忆神经网络，训练卷积神经网络、长短期记忆神经网络，卷积神经网络输出第一特征向量，长短期记忆神经网络输出第二特征向量；
S230、设置拼接层，通过拼接层拼接第一特征向量、第二特征向量，生成风险高级特征；
S240、设置全连接层和Softmax分类器，将风险高级特征输入至全连接层和Softmax分类器，生成海底电缆风险事件识别模型及其权值；
S250、通过测试集测试海底电缆风险事件识别模型的性能。
请参考图8，本发明所使用的混合神经网络为卷积神经网络-长短期记忆神经网络(CNN-LSTM)神经网络，本发明将海底电缆发生故障时的特征信息以及风险事件的类型分别输入卷积神经网络、长短期记忆神经网络两种网络中，分别训练卷积神经网络和长短期记忆神经网络，通过拼接层拼接两个神经网络的训练的结果，再经过全连接层和Softmax分类器输出海底电缆风险事件识别模型。
在将海底电缆发生故障时的特征信息输入至混合神经网络之前，首先需要归一化处理所有特征信息，并对归一化后的特征信息进行格式转换以使特征信息的格式符合卷积神经网络、长短期记忆神经网络的数据输入条件。
所述归一化处理将所有特征信息的特征都映射到同一个尺寸上，归一化处理有利于在后期训练神经网络时找到全局最优解，以避免指标之间的量纲影响，归一化后的特征信息在[0,1]内。
所述归一化处理满足以下公式：
其中，x为海底电缆发生故障时的特征信息，min(x)为海底电缆发生故障时的特征信息的最小值，max(x)为海底电缆发生故障时的特征信息的最大值，x*为归一化处理后得到的海底电缆发生故障时的特征信息。
本发明通过零填充操作将归一化后的特征信息的格式转换为符合卷积神经网络的输入格式。所述零填充操作定义为将所有特征信息的维度中心化为0、使所有特征信息的数据维度转换为N*N*1(其中N为所述特征信息的维度)，以避免数据存在偏差降低深度学习网络模型的效果。
所述零填充操作满足以下公式：
其中，Nzero定义为每个特征信息需要零填充的个数，m定义为每个特征信息所包含的总数据量，
定义为/>
向正无穷方向取整。
在归一化处理和格式转换后，将海底电缆发生故障时的特征信息按一定的比例划分为训练集和测试集，其中训练集用于作为输入参数训练混合神经网络，所述测试集用于测试海底电缆风险事件识别模型的性能。本发明将位移特征信息、应变特征信息、温度特征信息、振动特征信息这四个特征信息分别作为一个通道，组成四通道数据，以多通道方式将所述训练集输入至卷积神经网络、长短期记忆神经网络中。
根据设定的卷积神经网络的超参数，训练卷积神经网络：
在卷积神经网络中，其第i卷积层通过设定的卷积核对输入的数据进行第i次卷积计算，生成第i特征图，其第i池化层通过设定的池化规则对第i特征图进行采样，以缩减卷积神经网络模型的大小，提高卷积神经网络的计算速度和提取特征的鲁棒性，所述池化规则为最大池化方法。经多层卷积层卷积计算和多层池化层采样后输出第一特征矩阵，所述第一特征矩阵用于后期与长短期记忆神经网络所输出的第二特征向量连接。
由于第一特征矩阵是二维矩阵，该二维矩阵需要经过拉伸操作拉伸为一维向量，因此，本公开添加有拉伸层，第一特征矩阵输入至拉伸层变换为第一特征向量，所述第一特征向量为一维向量，以方便后续与长短期记忆神经网络的输出进行融合。
在训练卷积神经网络的同时，根据设定的长短期记忆神经网络的超参数，训练长短期记忆神经网络：
使用LSTMBlockCell构造细胞单元，所述细胞单元的状态为特征向量，通过遗忘门、更新门、输出门更新或遗忘第t时刻的细胞单元的位移特征信息、温度特征信息、应变位移信息、振动特征信息。设第t-1时刻的细胞单元的状态为a<t-1＞、第t时刻的输入为x＜t＞，所述遗忘门、更新门满足以下公式：
ft＝σ(wf*[a＜t-1＞,x＜t＞]+bf)；
it＝σ(wi*[a<t-1>,x<t＞]+bi)；
其中，ft、it分别定义为遗忘门、更新门的输出，wf、wi分别为遗忘门、更新门的输入的权值矩阵，bf、bi分别为遗忘门、更新门的偏置项向量，σ为Sigmond激活函数。
更新第i时刻的细胞单元的候选值：
其中，
代表第i时刻的细胞单元的候选值，tanh()为tanh激活函数，Wc为输入至tanh激活函数的权值矩阵，bc为偏置项向量；
计算第i时刻的细胞单元的状态：
上述公式定义为所述细胞单元的更新值a＜t＞通过遗忘上一个时刻的细胞单元的状态a＜t-1＞或/和加上第i时刻的细胞单元的候选值
获得。
所述输出门用于整合第i时刻的细胞单元的状态，以便获得长短期记忆神经网络序列的输出，所述输出门满足以下公式：
ot＝σ(wo*[a＜t-1＞,xvt>]+bo)；
其中，ot定义为输出门的输出，σ为激活函数，wo为输出门的输入的权值矩阵，bo为偏置项向量；
最终长短期记忆神经网络输出序列输出ht，所述序列输出ht为第二特征向量，其中，序列输出ht满足以下公式：
ht＝ot*tanh(a＜t＞)。
由卷积神经网络输出的第一特征向量和由长短期记忆神经网络输出的第二特征向量共同汇合于拼接层，第一特征向量、第二特征向量均为反映风险事件的特征，拼接层用于将第一特征向量和第二特征向量拼接整合，拼接层拼接整合第一特征向量和第二特征向量后获得反映风险事件的高级特征，所述高级特征通过激活层、归一化层计算转化为特征图，最后将所述特征图输入全连接层和Softmax分类器，生成海底电缆风险事件识别模型及其权值，计算海底电缆风险事件识别模型的损失函数，通过Adam算法对海底电缆风险事件识别模型的权值进行优化，以使海底电缆风险事件识别模型达到最好的分类结果。
对于风险事件的识别，本发明综合卷积神经网络的空间特征提取能力与长短期记忆神经网络的时间记忆能力，其中参数动态化和模型动态化是两个重点，所述参数动态化定义为利用多个光纤光栅传感器感测的数据及其历史感测的数据，提取变化信息，获得多个动态化的参数，即所述海底电缆发生故障时的特征信息；而模型动态化定义为海底电缆风险事件识别模型的各个变量随着时间的变化而变化。
本发明首先将多个符合神经网络输入条件的特征信息组合在一起，这些特征信息均能表征海底电缆故障的诱发参数，运用卷积神经网络进行多次卷积计算和池化操作，并运用可以处理时间序列数据的长短期记忆神经网络处理数据，获得反映风险事件的第一特征向量、第二特征向量，将第一特征向量和第二特征向量融合后获得反映风险事件的高级特征，通过全连接层和Softmax分类器获得海底电缆风险事件识别模型及其超参数。
优选的，在长短期记忆神经网络的序列节点每次计算时，会加载在前一个时间节点(即第t-1时刻)存储的超参数，本发明采用贝叶斯优化算法对长短期记忆神经网络的超参数进行优化，所述长短期记忆神经网络的超参数包括学习速率、隐藏层的神经元个数、激活函数等，以获得长短期记忆神经网络的最优的超参数。
进一步的，在获得海底电缆风险事件模型后，将测试集输入至海底电缆风险事件识别模型，测试海底电缆风险事件识别模型的性能。
本实施例中步骤S300，多个光栅光纤传感器感测当前时刻的海底电缆700的场信息，获得第二场信息并以光纤数据的形式通过水声通讯机传输给光栅解调仪300，光栅解调仪300解调第二场信息对应的光纤数据，通过处理单元400和重构单元500获取当前时刻的海底电缆700的特征信息，所述当前时刻的海底电缆700的特征信息包括当前温度信息、当前振动信息、当前应变信息、当前位移信息。
将当前时刻的海底电缆的特征信息作为输入，输入至海底电缆风险事件识别模型。通过海底电缆风险事件识别模型判断当前时刻的海底电缆700是否存在故障，并识别当前时刻海底电缆所发生的故障对应的风险事件的类别，生成海底电缆的故障分析报告，以达到故障预警的效果。
以上对本发明的较佳实施方式进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可作出种种的等同变型或替换，这些等同的变型或替换均包含在本申请权利要求所限定的范围内。
Claims (9)
1.一种海底电缆风险事件识别***，其特征在于，包括：故障模拟实验模型、光纤传感单元、水声通讯机、光栅解调仪、处理单元、重构单元和风险事件识别单元；
所述故障模拟实验模型用于模拟海底电缆发生故障时对应的风险事件；其中，所述风险事件包括锚砸事件、挂钩事件和洋流事件；
所述光纤传感单元沿海底电缆的轴向固定，所述光纤传感单元用于感测海底电缆在发生故障时的第一场信息和海底电缆在当前时刻的第二场信息，所述场信息的类型为温度场信息、应变场信息、振动场信息、位移场信息；
所述水声通讯机放置在故障模拟实验模型中并与所述光栅解调仪连接，所述光纤传感单元通过水声通讯机将所述第一场信息或第二场信息以光纤数据的形式传输至光栅解调仪；
所述光栅解调仪用于解调第一场信息对应的光纤数据，获得光纤传感单元的第一反射波波长及其变化量；
所述处理单元用于根据第一反射波波长及其变化量获得海底电缆发生故障时的温度特征信息、振动特征信息、应变特征信息；
所述重构单元用于通过重构算法对发生故障的海底电缆的形状进行重构，获得海底电缆发生故障时的位移特征信息；
所述风险事件识别单元用于根据所述温度特征信息、振动特征信息、应变特征信息、位移特征信息，基于混合神经网络建立海底电缆风险事件识别模型；
所述光栅解调仪还用于解调第二场信息对应的光纤数据，获得光纤传感单元的第二反射波波长及其变化量；
所述处理单元用于根据第二反射波波长及其变化量获得当前时刻的海底电缆的当前温度信息、当前振动信息、当前应变信息；
所述重构单元用于通过重构算法对当前时刻的海底电缆的形状进行重构，获得当前时刻的海底电缆的当前位移信息；
所述风险事件识别单元还用于根据所述当前温度信息、当前振动信息、当前应变信息、当前位移信息，通过所述海底电缆风险事件识别模型判断当前时刻的海底电缆是否发生故障，并识别海底电缆发生的故障对应的风险事件的类别，生成海底电缆的故障分析报告；
所述故障模拟实验模型用于模拟锚砸事件、挂钩事件和洋流事件，所述故障模拟实验模型包括沙箱、模型支架、尼龙绳、按键模块、控制模块和驱动模块，所述控制模块分别与按键模块、驱动模块连接；所述模型支架为带有刻度尺的尺度杆，所述尺度杆的底部的零点与海底电缆位于同一水平面；所述模型支架放置在沙箱中，模型支架的一端与沙箱固定，模型支架的另一端连接有定滑轮，尼龙绳与定滑轮滑动连接，尼龙绳的一端系有船锚，尼龙绳的另一端与驱动模块连接；
所述沙箱用于模拟海底电缆在实际使用时所处的环境，沙箱内装有高岭土和海水，所述水声通讯机置于海水中；
所述驱动模块包括：驱动支架、导轨滑块、传送带和步进电机，驱动支架位于模型支架的底部，所述传送带安装在驱动支架的两侧，所述导轨滑块放置在传送带上，所述导轨滑块与尼龙绳远离船锚的一端连接，所述步进电机用于驱动传送带沿水平方向传动进而驱动所述导轨滑块沿水平方向运动；
所述控制模块用于检测按键模块被按下的情况，并根据按键模块被按下的情况输出第一控制信号或第二控制信号至驱动模块；所述驱动模块用于根据第一控制信号控制导轨滑块沿水平方向向左运动、根据第二控制信号控制导轨滑块沿水平方向向右运动；
所述按键模块包括启动键、暂停键、左移键和右移键，所述启动键用于启动步进电机，所述暂停键用于关闭步进电机，所述左移键用于控制步进电机正转，所述右移键用于控制步进电机反转；
其中，所述锚砸事件定义为船舶在抛锚时，其船锚砸到海底电缆上并对海底电缆造成冲击性损伤的事件；
所述挂钩事件定义为船舶在起锚时，以一定的速度拖动海底电缆并对海底电缆造成拉伸性损伤的事件；
所述洋流事件定义为船舶运动时在海底电缆的上方经过，海水产生一定的振动传递给海底电缆的事件。
2.根据权利要求1所述的一种海底电缆风险事件识别***，其特征在于，所述光纤传感单元包括形状记忆合金丝、光纤光栅振动传感器、光纤光栅应变传感器和光纤光栅温度传感器，所述光纤光栅振动传感器、光纤光栅应变传感器和光纤光栅温度传感器均为准分布式光纤光栅传感器，所述光纤光栅应变传感器和光纤光栅温度传感器均安装在形状记忆合金丝上，所述形状记忆合金丝和所述光纤光栅振动传感器沿着海底电缆的轴向搭载在海底电缆上。
3.一种海底电缆风险事件识别方法，应用于权利要求1-2任一项所述的一种海底电缆风险事件识别***，其特征在于，该方法包括以下步骤：
S100、构建海底电缆的故障模拟实验模型，并进行海底电缆的风险事件的实验，获得海底电缆发生故障时的特征信息；
其中，所述风险事件包括锚砸事件、挂钩事件和洋流事件；
其中，所述海底电缆发生故障时的特征信息包括：温度特征信息、振动特征信息、应变特征信息、位移特征信息；
S200、根据海底电缆发生故障时的特征信息，基于混合神经网络建立海底电缆风险事件识别模型；
S300、根据当前时刻的海底电缆的特征信息，通过海底电缆风险事件识别模型判断当前时刻的海底电缆是否存在故障，识别当前时刻海底电缆所发生的故障对应的风险事件的类别，生成海底电缆的故障分析报告，根据风险事件的类别发出预警；
其中，所述当前时刻的海底电缆的特征信息包括：当前温度信息、当前振动信息、当前应变信息、当前位移信息；
所述故障模拟实验模型用于模拟锚砸事件、挂钩事件和洋流事件，所述故障模拟实验模型包括沙箱、模型支架、尼龙绳、按键模块、控制模块和驱动模块，所述控制模块分别与按键模块、驱动模块连接；所述模型支架为带有刻度尺的尺度杆，所述尺度杆的底部的零点与海底电缆位于同一水平面；所述模型支架放置在沙箱中，模型支架的一端与沙箱固定，模型支架的另一端连接有定滑轮，尼龙绳与定滑轮滑动连接，尼龙绳的一端系有船锚，尼龙绳的另一端与驱动模块连接；
所述沙箱用于模拟海底电缆在实际使用时所处的环境，沙箱内装有高岭土和海水，所述水声通讯机置于海水中；
所述驱动模块包括：驱动支架、导轨滑块、传送带和步进电机，驱动支架位于模型支架的底部，所述传送带安装在驱动支架的两侧，所述导轨滑块放置在传送带上，所述导轨滑块与尼龙绳远离船锚的一端连接，所述步进电机用于驱动传送带沿水平方向传动进而驱动所述导轨滑块沿水平方向运动；
所述控制模块用于检测按键模块被按下的情况，并根据按键模块被按下的情况输出第一控制信号或第二控制信号至驱动模块；所述驱动模块用于根据第一控制信号控制导轨滑块沿水平方向向左运动、根据第二控制信号控制导轨滑块沿水平方向向右运动；
所述按键模块包括启动键、暂停键、左移键和右移键，所述启动键用于启动步进电机，所述暂停键用于关闭步进电机，所述左移键用于控制步进电机正转，所述右移键用于控制步进电机反转；
其中，所述锚砸事件定义为船舶在抛锚时，其船锚砸到海底电缆上并对海底电缆造成冲击性损伤的事件；
所述挂钩事件定义为船舶在起锚时，以一定的速度拖动海底电缆并对海底电缆造成拉伸性损伤的事件；
所述洋流事件定义为船舶运动时在海底电缆的上方经过，海水产生一定的振动传递给海底电缆的事件。
4.根据权利要求3所述的一种海底电缆风险事件识别方法，其特征在于，所述步骤S100具体为：
S110、根据实际情况中海底电缆所处的环境，按一定的缩尺比构建故障模拟实验模型；
S120、在海底电缆上沿线搭载光纤传感单元，将海底电缆放置在模型支架的下面，调节模型支架，保证模型支架的底部的零点与海底电缆处于同一平面；
S130、分别进行海底电缆的锚砸事件、挂钩事件、洋流事件的模拟实验，获得海底电缆发生故障时的特征信息。
5.根据权利要求4所述的一种海底电缆风险事件识别方法，其特征在于，所述获得海底电缆发生故障时的特征信息，还包括以下步骤：
S131、通过光纤传感单元感测处在不同风险事件中的海底电缆的场信息，海底电缆的场信息以光纤数据的形式通过水声通讯机传输至光栅解调仪；
其中，所述光纤传感单元包括光纤光栅振动传感器、光纤光栅应变传感器和光纤光栅温度传感器；
S132、通过光栅解调仪解调光纤数据，获得光纤传感单元的反射波波长变化量；
S133、根据所述反射波波长变化量，计算所述温度特征信息、应变特征信息、振动特征信息；
其中，所述温度特征信息满足以下公式：
其中，
表示所述温度特征信息，
表示所述光纤光栅温度传感器的第一反射波波长变化量，
表示所述光纤光栅温度传感器的第一反射波波长的初始量，
为光纤光栅温度传感器的热膨胀系数，
为光纤光栅温度传感器的热光效系数；
所述应变特征信息满足以下公式：
其中，
表示所述应变特征信息，
表示所述光纤光栅应变传感器的第一反射波波长变化量，
表示所述光纤光栅应变传感器的第一反射波波长的初始量，
为光纤光栅应变传感器的有效弹光系数；
所述振动特征信息满足以下公式：
其中，S表示所述振动特征信息，
为光纤光栅振动传感器的等效刚度，
为光纤光栅振动传感器的封装长度，a为加速度，m为海底电缆的质量，
表示所述光纤光栅振动传感器的第一反射波波长变化量，
表示所述光纤光栅振动传感器的第一反射波波长的初始量，
为光纤光栅振动传感器的弹光系数；
S134、通过重构算法对海底电缆的形状进行重构，将重构后的海底电缆的形状与重构前的海底电缆的形状进行比对，得到所述位移特征信息。
6.根据权利要求3所述的一种海底电缆风险事件识别方法，其特征在于，步骤S200包括以下步骤：
S210、归一化处理海底电缆发生故障时的特征信息，将海底电缆发生故障时的特征信息的格式分别转换为符合卷积神经网络、长短期记忆神经网络的输入条件的格式；
S220、按比例将海底电缆发生故障时的特征信息分为训练集和测试集，将训练集分别输入至卷积神经网络、长短期记忆神经网络，训练卷积神经网络、长短期记忆神经网络，卷积神经网络输出第一特征向量，长短期记忆神经网络输出第二特征向量；
S230、设置拼接层，通过拼接层拼接第一特征向量、第二特征向量，生成风险高级特征；
S240、设置全连接层和Softmax分类器，将风险高级特征输入至全连接层和Softmax分类器，生成海底电缆风险事件识别模型及其权值；
S250、通过测试集测试海底电缆风险事件识别模型的性能。
7.根据权利要求6所述的一种海底电缆风险事件识别方法，其特征在于，在步骤S220中，卷积神经网络训练结束输出第一特征矩阵，第一特征矩阵为二维矩阵，设置拉伸层，通过拉伸层将第一特征矩阵拉伸为第一特征向量，第一特征向量为一维特征向量。
8.根据权利要求7所述的一种海底电缆风险事件识别方法，其特征在于，所述步骤S200还包括：通过贝叶斯优化算法优化所述长短期记忆神经网络的超参数。
9.根据权利要求8所述的一种海底电缆风险事件识别方法，其特征在于，所述步骤S200还包括：计算海底电缆风险事件识别模型的损失函数，通过Adam算法优化海底电缆风险事件识别模型的权值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210574302.4A CN115014571B (zh) | 2022-05-25 | 2022-05-25 | 一种海底电缆风险事件识别***及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210574302.4A CN115014571B (zh) | 2022-05-25 | 2022-05-25 | 一种海底电缆风险事件识别***及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115014571A CN115014571A (zh) | 2022-09-06 |
| CN115014571B true CN115014571B (zh) | 2023-03-24 |
Family
ID=83068398
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210574302.4A Active CN115014571B (zh) | 2022-05-25 | 2022-05-25 | 一种海底电缆风险事件识别***及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115014571B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115388959B (zh) * | 2022-10-31 | 2023-05-16 | 高勘(广州)技术有限公司 | 海底电缆运维方法、装置、设备及存储介质 |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102981104B (zh) * | 2012-11-19 | 2015-03-11 | 中国能源建设集团广东省电力设计研究院 | 海底电缆在线监测方法 |
| CN206593996U (zh) * | 2017-04-06 | 2017-10-27 | 国网浙江省电力公司舟山供电公司 | 光纤复合海底电缆磨损试验*** |
| CN109870627B (zh) * | 2017-12-05 | 2021-06-18 | 华北电力大学（保定） | 基于分布式光纤温度应变和振动监测数据的海底电缆故障报警和诊断方法 |
| CN110186489B (zh) * | 2019-06-28 | 2023-12-15 | 中国南方电网有限责任公司超高压输电公司广州局 | 一种海底电缆温度应力岸上模拟实验装置及方法 |
| AU2020102819A4 (en) * | 2020-10-16 | 2020-12-10 | Beihang University | Digital-twin-driven method and system for fault diagnosis of subsea production system of offshore oil |
| CN213473473U (zh) * | 2020-10-30 | 2021-06-18 | 浙江舟山海洋输电研究院有限公司 | 一种模拟船锚贯入深度的装置 |
| CN113298110A (zh) * | 2021-03-24 | 2021-08-24 | 国网河北省电力有限公司沧州供电分公司 | 一种海底电缆故障诊断方法、装置及设备 |
| CN113030789A (zh) * | 2021-04-12 | 2021-06-25 | 辽宁工程技术大学 | 一种基于卷积神经网络的串联型电弧故障诊断及选线方法 |
| CN113933667A (zh) * | 2021-11-08 | 2022-01-14 | 国网浙江省电力有限公司电力科学研究院 | 一种模拟运行环境下海底电缆老化试验装置及方法 |
-
2022
- 2022-05-25 CN CN202210574302.4A patent/CN115014571B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN115014571A (zh) | 2022-09-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11774485B2 (en) | Fault diagnosis method and apparatus for submarine cable, and device | |
| 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 | |
| CN102981104B (zh) | 海底电缆在线监测方法 | |
| CN115014571B (zh) | 一种海底电缆风险事件识别***及方法 | |
| CN109284863A (zh) | 一种基于深度神经网络的电力设备温度预测方法 | |
| CN114519311B (zh) | 全港池波浪有效波高的预测方法、***、存储介质、应用 | |
| Saad et al. | Using neural network approaches to detect mooring line failure | |
| CN114739891A (zh) | 一种漂浮式海上风电系泊***腐蚀状态检测评估*** | |
| Zhou et al. | Structural health monitoring of offshore wind power structures based on genetic algorithm optimization and uncertain analytic hierarchy process | |
| CN117824756B (zh) | 一种建筑结构监测方法、设备及存储介质 | |
| CN112528548A (zh) | 一种自适应深度耦合卷积自编码多模态数据融合方法 | |
| CN112986393B (zh) | 一种桥梁拉索损伤的检测方法和*** | |
| Yang et al. | Development of ship structure health monitoring system based on IOT technology | |
| Tang et al. | Sensing technologies and artificial intelligence for subsea power cable asset management | |
| CN106919048B (zh) | 一种auv推进器状态检测和推力曲线修正方法 | |
| Yang et al. | Condition prediction of submarine cable based on CNN-BiGRU integrating attention mechanism | |
| Xu et al. | Long Short Term Memory Based Status Prediction for Diesel Generator Set | |
| Xu et al. | A hybrid model integrating CNN-BiLSTM and CBAM for anchor damage events recognition of submarine cables | |
| US20230024104A1 (en) | Identification of false transformer humming using machine learning | |
| CN103698071B (zh) | 基于监测加速度的拉索时变索力历程识别的数据驱动方法 | |
| CN113283138B (zh) | 一种基于深度学***台动力响应分析方法 | |
| Miao et al. | Leakage diagnosis of natural gas pipeline based on multi-source heterogeneous information fusion | |
| Zhu et al. | Prediction of distributed optical fiber monitoring data based on GRU-BP | |
| Xu et al. | Anchor-Damage Event Recognition Based on FBG sensors and CNN-BiLSTM | |
| Ge | The application of the wireless sensor network on port wharf structure health monitoring |
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 |