CN117496650A - 一种基于环境嵌入的分布式光纤入侵预警方法及*** - Google Patents
一种基于环境嵌入的分布式光纤入侵预警方法及*** Download PDFInfo
- Publication number
- CN117496650A CN117496650A CN202410000986.6A CN202410000986A CN117496650A CN 117496650 A CN117496650 A CN 117496650A CN 202410000986 A CN202410000986 A CN 202410000986A CN 117496650 A CN117496650 A CN 117496650A
- Authority
- CN
- China
- Prior art keywords
- intrusion
- feature vector
- vector
- optical fiber
- environmental
- 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 60
- 238000000034 method Methods 0.000 title claims abstract description 26
- 239000013598 vector Substances 0.000 claims abstract description 136
- 230000007613 environmental effect Effects 0.000 claims abstract description 44
- 238000004364 calculation method Methods 0.000 claims abstract description 31
- 230000003287 optical effect Effects 0.000 claims abstract description 30
- 230000007123 defense Effects 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- 238000013528 artificial neural network Methods 0.000 claims abstract description 15
- 238000001514 detection method Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims description 12
- 239000000835 fiber Substances 0.000 claims description 7
- 230000004927 fusion Effects 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 4
- 238000012549 training Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 125000004122 cyclic group Chemical group 0.000 description 4
- 238000000354 decomposition reaction Methods 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 239000000463 material Substances 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
- 238000003058 natural language processing Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000000253 optical time-domain reflectometry Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B13/00—Burglar, theft or intruder alarms
- G08B13/18—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength
- G08B13/181—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using active radiation detection systems
- G08B13/183—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using active radiation detection systems by interruption of a radiation beam or barrier
- G08B13/186—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using active radiation detection systems by interruption of a radiation beam or barrier using light guides, e.g. optical fibres
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Burglar Alarm Systems (AREA)
Abstract
本发明公开了一种基于环境嵌入的分布式光纤入侵预警方法及***,包括以下步骤:获取检测光纤中的反向瑞利散射光信号数据;对光信号数据进行预处理,获得每日防区警报序列;对警报序列进行分割并引入嵌入向量,将所述嵌入向量嵌入到警报序列中;将加入了嵌入向量的警报序列输入到第一神经网络得到环境特征向量;基于环境特征向量和时间特征向量进行第一次入侵报警概率计算;基于环境特征向量和时间特征向量以及第一次入侵报警概率进行第二次入侵报警概率计算,基于计算结果进行入侵预警;本发明通过融合环境特征向量和时间特征向量,对入侵事件的全空间分布进行建模,提高了分布式光纤预警的准确度。
Description
技术领域
本发明涉及管道监测技术领域,尤其涉及一种基于环境嵌入的分布式光纤入侵预警方法及***。
背景技术
近年来,分布式光纤入侵预警***在周界安防、管道监测等领域引起了广泛的关注。管道是油气最重要的运输方式之一,但与安防、高铁等领域的单场景环境不同,长输管道沿线的环境复杂多变,包括平原、山地、湖泊等。不同的地质条件对振动的传播有不同的影响,这对分布式光纤传感***的外部感知提出了很大的挑战。
然而,现有技术大多未考虑空间环境信息对入侵识别的影响。防区周围的自然环境和人为环境对振动波形的模态分布有重要影响。例如,在农田附近的防区,波形的平均振幅约为50,而高速附近的防区平均振幅可以达到2000。同一模型无法在农田和高速附近都实现有效的入侵检测,严重限制了模型的可用性和实用性。因此,分布式光纤入侵预警技术在长输管道上的应用需要克服环境因素的影响。
例如,中国专利CN201810475691.9公开了一种基于光纤传感的流体输送管道在线监测***,该***将管道在线检测、管道信息管理与管道巡检三者联系到一起,在光纤传感管道检测子***检测到管道存在异常后发出警报信息至管道信息管理子***,管道信息管理子***生成巡检任务并将任务发送给管道巡检子***,管道巡检子***及时采取措施对异常管道进行处理,并将任务执行结果回传管道信息管理子***;然而该***依然没有克服光纤入侵预警技术在长输管道上的应用对于环境因素的影响。
发明内容
本发明主要解决现有的技术中光纤入侵预警技术由于环境因素的影响导致预警准确度低的问题;提供一种基于环境嵌入的分布式光纤入侵预警方法及***,提高管道入侵检测精度,预警准确度高。
本发明的上述技术问题主要是通过下述技术方案得以解决的:一种基于环境嵌入的分布式光纤入侵预警方法,包括以下步骤:
获取检测光纤中的反向瑞利散射光信号数据;
对光信号数据进行预处理,获得每日防区警报序列;
对警报序列进行分割并引入嵌入向量,将所述嵌入向量嵌入到警报序列中;
将加入了嵌入向量的警报序列输入到第一神经网络得到环境特征向量;
基于环境特征向量和时间特征向量进行第一次入侵报警概率计算;
基于环境特征向量和时间特征向量以及第一次入侵报警概率进行第二次入侵报警概率计算,基于计算结果进行入侵预警。
作为优选,对所述光信号数据进行预处理的方法包括:
对初始的光信号数据进行离散小波变换,得到小波系数;
通过阈值规则修改小波系数;
基于修改后的小波系数利用逆离散小波变换进行小波重构。
作为优选,所述的警报序列进行分割时采用窗口K进行分割。
作为优选,所述的嵌入向量根据环境权重系数以及当天的报警序列确定。
本发明的另一方面还提供一种基于环境嵌入的分布式光纤入侵预警***,包括:光信号发射单元,将光源进行调制后发射脉冲光给环形器;环形器,将脉冲光输送到检测光纤并获得检测光纤的反向瑞利散射光信号数据;数据采集模块,采集环形器的反向瑞利散射光信号数据并传递给处理模块;处理模块,对光信号数据进行预处理,获得每日防区警报序列;对警报序列进行分割并引入嵌入向量,将所述嵌入向量嵌入到警报序列中;将加入了嵌入向量的警报序列输入到第一神经网络得到环境特征向量;基于环境特征向量和时间特征向量进行第一次入侵报警概率计算;基于环境特征向量和时间特征向量以及第一次入侵报警概率进行第二次入侵报警概率计算,基于计算结果进行入侵预警。
作为优选,所述的光信号发射单元包括:窄线宽激光器,产生连续的光源;声光调制器,将窄线宽激光器的连续光调制成脉冲光;光纤放大器,对声光调制器传递的脉冲光进行信号放大。
作为优选,所述的处理模块包括:预处理单元,对光信号数据进行预处理;环境特征向量产生单元,利用预处理后的光信号数据产生多个环境特征向量;光纤入侵预警单元,基于环境特征向量和时间特征向量进行第一次入侵报警概率计算;基于环境特征向量和时间特征向量以及第一次入侵报警概率进行第二次入侵报警概率计算,基于计算结果进行入侵预警。
作为优选,所述的光纤入侵预警单元包括:时间特征模块,存储有时间特征向量;环境特征模块,存储有环境特征向量;时空特征判别模块,根据输入的时间特征向量和环境特征向量基于XGBoost模型进行第一次入侵报警概率计算;融合模块,以时间特征向量、环境特征向量和第一次入侵报警概率为输入,采用MLP网络模型,进行第二次入侵报警概率计算,获得入侵预警结果。
本发明的有益效果是:通过在报警序列信号中引入嵌入向量,经过模型训练后得到与实际环境类似的环境向量,充分挖掘了防御区域周围的环境信息,并有效地对其进行了表征,通过融合环境特征向量和时间特征向量,对入侵事件的全空间分布进行建模,针对随机噪声和环境干扰,设计了一种基于环境嵌入和时间序列特征的集成学习模型,极大地提高了模型的泛化能力和实用性,提高了分布式光纤预警的准确度。
附图说明
图1是本发明实施例的分布式光纤入侵预警方法的流程示意图。
图2是本发明实施例的光纤数据截取片段的示意图。
图3是本发明实施例的小波高频系数的波形示意图。
图4是本发明实施例的去噪前的信号示意图。
图5是本发明实施例的去噪后的信号示意图。
图6是本发明实施例的MLP网络模型的训练损失变化的示意图。
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,通过下述实施例并结合附图,对本发明实施例中的技术方案的进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定发明。
实施例:一种基于环境嵌入的分布式光纤入侵预警方法,如图1所示,本发明的分布式光纤入侵预警方法具体包括以下步骤:
S1:获取检测光纤中的反向瑞利散射光信号数据;反向瑞利散射光信号数据的采集频率为2kHz。
S2:对光信号数据进行预处理,获得每日防区警报序列;首先要对所有信号进行降噪处理,由于分布式光纤传感***中存在一些随机噪声,如***噪声、环境干扰等,因此有必要对波形数据进行降噪处理,以提高***的信噪比。
其中,对光信号数据进行预处理的方法包括:
S21:对初始的光信号数据进行离散小波变换,得到小波系数;
S22:通过阈值规则修改小波系数;本发明采用软阈值实现;
S23:基于修改后的小波系数利用逆离散小波变换进行小波重构。
具体的,如图2-图5所示,从光纤的实时数据中截取6000个连续的数值进行说明,光纤的实时数据包含大量的噪声,可以看出波形不平滑存在很多的杂波,先对其进行小波变换去噪。
对这段数据进行小波分解,利用8阶Symlet小波进行五层小波分解,分解的高频系数结果如图3所示。在获得五层小波后,需要对高频系数进行阈值量化。软阈值是小波阈值大于阈值时,减去阈值,小于阈值时,令小波为0,如下式所示:
其中,为小波系数,/>为阈值。经过软阈值函数获得的信号连续性更好,不容易产生大波动。/>选取VisuShrink阈值,具体通过下式计算
其中,N为小波层数, ,/>的值设置为第一层小波分解系数绝对值的中间值。最后,再通过离散小波逆变换进行重构,获得降噪后的信号,如图5所示。用信噪比(SNR)来评价降噪效果,计算如下所示:
为有效振动信号最大幅值,/>为底噪最大幅值。计算得SNR为7.27db。
防区周围的自然和人为环境对事件的波形分布有重要影响。例如,A防区毗邻高速公路,交通流量很大。光纤的振动幅度一般保持在2000的高水平。相比之下,B防区紧邻农田,周围环境相对安静。光纤的振动幅度一般在50左右。对于A防区振幅约为2000的振动段,不能准确识别为危险入侵事件。而对于B防区某段振幅约为2000的振动段,则认为发生了入侵事件。可以看出,环境特征是决定入侵检测准确性的重要因素。
S3:对警报序列进行分割并引入嵌入向量,将所述嵌入向量嵌入到警报序列中;嵌入是一种将原始输入数据转换成一系列特征的线性组合的分布式表示方法。该方法解决了表示维度过大的问题,提供了非常高效的表示能力。嵌入技术在自然语言处理中有着广泛的应用,广泛应用于表示基本字符和单词。基于单热编码的嵌入技术借助有意义的序列预测任务来训练实体嵌入向量。与单热编码相比,该嵌入向量具有维数设置灵活、特征抽象性高的特点。在分布式光纤***中,为每个防区设置基于类别的单热编码在理论上是可行的。例如,可以设置高速公路、高速公路、农田、工厂等类别。然后,根据特定防御区域的周围环境确定单热编码。然而,这种提取环境特征的方法效率低下,精度有限,原因如下:
(1)对许多防区周边环境进行调查,需要耗费大量的人力物力;
(2)无法确定最优的类别设置;
(3)引入了人的偏见。
因此,本发明提出了一种环境嵌入技术,为特定防区设置合理高效的环境表示向量。具体实施步骤如下:
对于一个具有n个防区分布式光纤监测***的报警序列可表示为,根据该防区的当天报警确定。假设有t天报警序列结果,设置k窗口分割报警序列,嵌入向量根据环境权重系数以及当天的报警序列确定,则环境嵌入层的权重系数矩阵可表示为:
其中,第t个时间步的嵌入向量可表示为/>,对整个报警序列进行嵌入,得到嵌入矩阵/>,其中每一行对应一个时间步的环境嵌入向量,表示为:
S4:将加入了嵌入向量的警报序列输入到第一神经网络得到环境特征向量;将加入了嵌入向量的报警序列进行RNN神经网络训练,利用序列两侧的防区来预测中间的防区,并训练一个三层神经网络来获得防区的环境特征向量,上述分别提到了环境嵌入向量以及环境特征向量,其中,环境嵌入向量为未进行神经网络训练前的环境特征向量,引入一个三层RNN循环神经网络模型,其隐状态/>更新规则可表示为:
其中,是隐藏状态到隐藏状态的权重矩阵,/>是环境嵌入向量到隐藏状态的权重矩阵,/>是sigmoid激活函数。
循环神经网络(Recurrent Neural Network, RNN)是一类以序列(sequence)数据为输入,在序列的演进方向进行递归(recursion)且所有节点(循环单元)按链式连接的递归神经网络,其输出可以是多对一进行单一输出,也可以序列对应序列进行输出,本发明以加入嵌入向量的报警序列为输入,输出的环境特征向量同样为一个序列。
进一步的,可以利用RNN的输出进行报警序列的相似度度量,表示为:
其中,、/>均为RNN的隐藏层的输出值,/>为相似度度量值,通过相似度度量值可以用于比较不同天的报警序列之间的相似性,提取报警序列的相似性特征。
在利用RNN网络模型进行环境特征向量训练的整个过程的目标是通过调整嵌入层和模型参数,使得学到的环境特征向量能够很好地表达报警序列之间的相似性。在训练过程中,通过反向传播算法来最小化损失函数,优化模型参数,模型参数主要包括模型的输入以及权重矩阵等。
该方法包括根据实际观察选择报警序列,例如上午8点左右经常警报的防区位于高速公路或高速公路等交通流量大的区域附近。环境特征向量可以跨越“路边”、“高速边”等地表定位特征,进而深入挖掘“大交通流”的高层抽象特征,具有更强的表征和泛化能力。
S5:基于环境特征向量和时间特征向量进行第一次入侵报警概率计算;其中,时间特征向量的获取方法为:通过计算加窗波形的特征值并组合得到时间特征向量,采用时间特征模块提取高级时间特征,提取的高级时间特征包括峰值、最小值、能量、平均值、方差、峰峰值、均方根、标准差、峰值因子、偏度因子、波形因子、脉冲因子和裕度因子。
在时间特征模块中存储多个时间特征向量,通过环境特征向量进行时间特征向量的选取,同理,在环境特征模块汇总存储多个环境特征向量,通过时间特征向量进行环境特征向量的选取,时空特征判别模块结合时间序列特征向量和环境嵌入向量作为输入,通过n层XGBoost模型得到概率值。该模块的引入可以显著提高最终的识别精度。为了避免随机噪声的干扰,本发明取n=10,整体输出可表示为:
其中,表示第i层的输出。目标函数表示为:
其中,n为样本数量,代表第t次样本i的报警预测结果,/>是由第t-1步的模型给出的报警预测值,/>是第t步需要加入的新模型的预测值,/>表示正则化项。基于此模块的输出得到第一次入侵报警概率。
S6:基于环境特征向量和时间特征向量以及第一次入侵报警概率进行第二次入侵报警概率计算,基于计算结果进行入侵预警。若第二次入侵报警概率的值超过预警阈值,则进行入侵预警提示,否则,回到步骤S5重新选择环境特征向量和时间特征向量进行新一轮的入侵报警概率计算,直到全部的环境特征向量和时间特征向量的入侵报警概率全部计算。
融合模块接收前三个模块的输出作为输入变量,通过多层神经网络进行特征融合。MLP网络模型的可表示为:
其中,H代表隐藏层,O代表输出层,表示输入变量/>;/>,/>,/>,/>分别表示网络层参数,/>表示分类器;/>代表激活函数,由于判断报警是一个二分类问题,因此采用sigmoid函数作为激活函数,可以将结果映射到(0,1)区间,表示为:
最后通过光纤报警数据集进行模型训练,模型训练过程如图6所示。
本发明的另一方面还提供一种基于环境嵌入的分布式光纤入侵预警***,所述***包括光信号发射单元、环形器、数据采集模块和处理模块,光信号发射单元与环形器连接,环形器与光纤连接,数据采集模块与环形器连接,处理模块与数据采集模块连接,其中,光信号发射单元将光源进行调制后发射脉冲光给环形器;环形器将脉冲光输送到检测光纤并获得检测光纤的反向瑞利散射光信号数据;数据采集模块采集环形器的反向瑞利散射光信号数据并传递给处理模块;处理模块对光信号数据进行预处理,获得每日防区警报序列;对警报序列进行分割并引入嵌入向量,将所述嵌入向量嵌入到警报序列中,将加入了嵌入向量的警报序列输入到第一神经网络得到环境特征向量,基于环境特征向量和时间特征向量进行第一次入侵报警概率计算,基于环境特征向量和时间特征向量以及第一次入侵报警概率进行第二次入侵报警概率计算,基于计算结果进行入侵预警。
光信号发射单元包括:窄线宽激光器、声光调制器和光纤放大器,窄线宽激光器与声光调制器连接,声光调制器与光纤放大器连接,其中,窄线宽激光器产生连续的光源;声光调制器将窄线宽激光器的连续光调制成脉冲光;光纤放大器对声光调制器传递的脉冲光进行信号放大。
本发明采用的分布式光纤传感技术是基于相位敏感光时域反射计(ϕ-OTDR)技术。它是通过检测光纤中反向瑞利散射光的强度,并根据干涉波形的差异对振动源进行分类。传感光纤沿油气管网大面积布设,每个传感单元设置为一个防区。其他组件集成到机箱中。窄线宽的激光源由调制器将连续光切换为脉冲光后,经环行器送入传感光纤。从环行器另一端输出的瑞利背向散射光被光电探测器接收,并通过数据采集卡传送到处理模块。
该分布式光纤振动传感***具有精度高、可靠性高、效率高等优点。它可以有效地检测管道振动信号,定位振动源。当传感光纤受到扰动时,由于弹性光效应,扰动位置的光相位会发生变化。因此,相应位置的背散射光的相位会发生变化,散射光干涉光强的内脉宽也会发生相应的变化。***的主要参数为:窄线宽激光器的中心波长为1550nm,线宽为3kHz,分布式光纤总长为48km,信号损耗为0.27dB/km,数据采集频率为2kHz。
处理模块包括:预处理单元、环境特征向量产生单元和光纤入侵预警单元;其中,预处理单元用于对光信号数据进行预处理;环境特征向量产生单元利用预处理后的光信号数据产生多个环境特征向量;光纤入侵预警单元基于环境特征向量和时间特征向量进行第一次入侵报警概率计算;基于环境特征向量和时间特征向量以及第一次入侵报警概率进行第二次入侵报警概率计算,基于计算结果进行入侵预警。
光纤入侵预警单元包括:时间特征模块、环境特征模块、时空特征判别模块和融合模块,时间特征模块和环境特征模块均与时空特征判别模块连接,时间特征模块、环境特征模块和时空特征判别模块均与融合模块连接;时间特征模块存储有时间特征向量;环境特征模块存储有环境特征向量;时空特征判别模块根据输入的时间特征向量和环境特征向量基于XGBoost模型进行第一次入侵报警概率计算;融合模块以时间特征向量、环境特征向量和第一次入侵报警概率为输入,采用MLP网络模型,进行第二次入侵报警概率计算,获得入侵预警结果。
本发明通过在报警序列信号中引入嵌入向量,经过模型训练后得到与实现环境类似的环境向量,充分挖掘了防御区域周围的环境信息,并有效地对其进行了表征,通过融合环境特征向量和时间特征向量,对入侵事件的全空间分布进行建模,针对随机噪声和环境干扰,设计了一种基于环境嵌入和时间序列特征的集成学习模型,极大地提高了模型的泛化能力和实用性,提高了分布式光纤预警的准确度。
以上所述的实施例只是本发明的一种较佳的方案,并非对本发明作任何形式上的限制,在不超出权利要求所记载的技术方案的前提下还有其它的变体及改型。
Claims (8)
1.一种基于环境嵌入的分布式光纤入侵预警方法,其特征在于,包括以下步骤:
获取检测光纤中的反向瑞利散射光信号数据;
对光信号数据进行预处理,获得每日防区警报序列;
对警报序列进行分割并引入嵌入向量,将所述嵌入向量嵌入到警报序列中;
将加入了嵌入向量的警报序列输入到第一神经网络得到环境特征向量;
基于环境特征向量和时间特征向量进行第一次入侵报警概率计算;
基于环境特征向量和时间特征向量以及第一次入侵报警概率进行第二次入侵报警概率计算,基于计算结果进行入侵预警。
2.根据权利要求1所述的一种基于环境嵌入的分布式光纤入侵预警方法,其特征在于,
对所述光信号数据进行预处理的方法包括:
对初始的光信号数据进行离散小波变换,得到小波系数;
通过阈值规则修改小波系数;
基于修改后的小波系数利用逆离散小波变换进行小波重构。
3.根据权利要求1所述的一种基于环境嵌入的分布式光纤入侵预警方法,其特征在于,
所述警报序列进行分割时采用窗口K进行分割。
4.根据权利要求1所述的一种基于环境嵌入的分布式光纤入侵预警方法,其特征在于,
所述嵌入向量根据环境权重系数以及当天的报警序列确定。
5.一种基于环境嵌入的分布式光纤入侵预警***,其特征在于,包括:
光信号发射单元,将光源进行调制后发射脉冲光给环形器;
环形器,将脉冲光输送到检测光纤并获得检测光纤的反向瑞利散射光信号数据;
数据采集模块,采集环形器的反向瑞利散射光信号数据并传递给处理模块;
处理模块,对光信号数据进行预处理,获得每日防区警报序列;对警报序列进行分割并引入嵌入向量,将所述嵌入向量嵌入到警报序列中;将加入了嵌入向量的警报序列输入到第一神经网络得到环境特征向量;基于环境特征向量和时间特征向量进行第一次入侵报警概率计算;基于环境特征向量和时间特征向量以及第一次入侵报警概率进行第二次入侵报警概率计算,基于计算结果进行入侵预警。
6.根据权利要求5所述的一种基于环境嵌入的分布式光纤入侵预警***,其特征在于,
所述光信号发射单元包括:
窄线宽激光器,产生连续的光源;
声光调制器,将窄线宽激光器的连续光调制成脉冲光;
光纤放大器,对声光调制器传递的脉冲光进行信号放大。
7.根据权利要求5或6所述的一种基于环境嵌入的分布式光纤入侵预警***,其特征在于,
所述处理模块包括:
预处理单元,对光信号数据进行预处理;
环境特征向量产生单元,利用预处理后的光信号数据产生多个环境特征向量;
光纤入侵预警单元,基于环境特征向量和时间特征向量进行第一次入侵报警概率计算;基于环境特征向量和时间特征向量以及第一次入侵报警概率进行第二次入侵报警概率计算,基于计算结果进行入侵预警。
8.根据权利要求7所述的一种基于环境嵌入的分布式光纤入侵预警***,其特征在于,
所述光纤入侵预警单元包括:
时间特征模块,存储有时间特征向量;
环境特征模块,存储有环境特征向量;
时空特征判别模块,根据输入的时间特征向量和环境特征向量基于XGBoost模型进行第一次入侵报警概率计算;
融合模块,以时间特征向量、环境特征向量和第一次入侵报警概率为输入,采用MLP网络模型,进行第二次入侵报警概率计算,获得入侵预警结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410000986.6A CN117496650B (zh) | 2024-01-02 | 2024-01-02 | 一种基于环境嵌入的分布式光纤入侵预警方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410000986.6A CN117496650B (zh) | 2024-01-02 | 2024-01-02 | 一种基于环境嵌入的分布式光纤入侵预警方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117496650A true CN117496650A (zh) | 2024-02-02 |
CN117496650B CN117496650B (zh) | 2024-03-26 |
Family
ID=89674725
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410000986.6A Active CN117496650B (zh) | 2024-01-02 | 2024-01-02 | 一种基于环境嵌入的分布式光纤入侵预警方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117496650B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110852187A (zh) * | 2019-10-22 | 2020-02-28 | 华侨大学 | 一种周界入侵事件的识别方法与*** |
US20210396573A1 (en) * | 2018-12-29 | 2021-12-23 | Neubrex Co., Ltd. | Method and system for detecting and identifying vibration on basis of optical fiber signal feature to determine time-space |
CN115983497A (zh) * | 2023-02-16 | 2023-04-18 | 华润数字科技有限公司 | 一种时序数据预测方法和装置、计算机设备、存储介质 |
CN116186642A (zh) * | 2023-04-27 | 2023-05-30 | 山东汇英信息科技有限公司 | 一种基于多维特征融合的分布式光纤传感事件预警方法 |
CN116798198A (zh) * | 2022-10-12 | 2023-09-22 | 云南电网有限责任公司昆明供电局 | 基于多元时序预测模型的传感器异常检测与预警方法 |
CN116957585A (zh) * | 2023-02-10 | 2023-10-27 | 腾讯科技(深圳)有限公司 | 一种数据处理方法、装置、设备和存储介质 |
CN117275202A (zh) * | 2023-09-20 | 2023-12-22 | 天津大学 | 文物重点区域危险源全方位实时智能预警方法及*** |
-
2024
- 2024-01-02 CN CN202410000986.6A patent/CN117496650B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210396573A1 (en) * | 2018-12-29 | 2021-12-23 | Neubrex Co., Ltd. | Method and system for detecting and identifying vibration on basis of optical fiber signal feature to determine time-space |
CN110852187A (zh) * | 2019-10-22 | 2020-02-28 | 华侨大学 | 一种周界入侵事件的识别方法与*** |
CN116798198A (zh) * | 2022-10-12 | 2023-09-22 | 云南电网有限责任公司昆明供电局 | 基于多元时序预测模型的传感器异常检测与预警方法 |
CN116957585A (zh) * | 2023-02-10 | 2023-10-27 | 腾讯科技(深圳)有限公司 | 一种数据处理方法、装置、设备和存储介质 |
CN115983497A (zh) * | 2023-02-16 | 2023-04-18 | 华润数字科技有限公司 | 一种时序数据预测方法和装置、计算机设备、存储介质 |
CN116186642A (zh) * | 2023-04-27 | 2023-05-30 | 山东汇英信息科技有限公司 | 一种基于多维特征融合的分布式光纤传感事件预警方法 |
CN117275202A (zh) * | 2023-09-20 | 2023-12-22 | 天津大学 | 文物重点区域危险源全方位实时智能预警方法及*** |
Non-Patent Citations (2)
Title |
---|
杨斌;皋魏;席刚;: "Φ-OTDR分布式光纤传感***的关键技术研究", 光通信研究, no. 04, 10 August 2012 (2012-08-10), pages 23 - 26 * |
赖训飞;梁旭文;谢卓辰;李宗旺;: "基于实体嵌入和长短时记忆网络的入侵检测方法", 中国科学院大学学报, no. 04, 8 July 2020 (2020-07-08), pages 124 - 132 * |
Also Published As
Publication number | Publication date |
---|---|
CN117496650B (zh) | 2024-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Vehicle detection and classification using distributed fiber optic acoustic sensing | |
Wu et al. | A dynamic time sequence recognition and knowledge mining method based on the hidden Markov models (HMMs) for pipeline safety monitoring with Φ-OTDR | |
Li et al. | Pattern recognition for distributed optical fiber vibration sensing: A review | |
Shao et al. | Data-driven distributed optical vibration sensors: a review | |
Liu et al. | Traffic flow detection using distributed fiber optic acoustic sensing | |
Wang et al. | Pattern recognition using relevant vector machine in optical fiber vibration sensing system | |
Wu et al. | A novel DAS signal recognition method based on spatiotemporal information extraction with 1DCNNs-BiLSTM network | |
Hernández et al. | Deep-learning-based earthquake detection for fiber-optic distributed acoustic sensing | |
WO2016198683A1 (en) | Method and apparatus for monitoring pipeline using an optical fiber sensor system | |
Tian et al. | Intrusion signal recognition in OFPS under multi-level wavelet decomposition based on RVFL neural network | |
CN103226028B (zh) | 一种相敏光时域反射仪扰动信号检测与识别方法 | |
CN112749637B (zh) | 一种基于snn的分布式光纤传感信号识别方法 | |
CN111537056A (zh) | 基于svm与时频域特征的管道沿线第三方施工动态预警方法 | |
Zhao et al. | Markov transition fields and deep learning-based event-classification and vibration-frequency measurement for φ-OTDR | |
Wu et al. | Improved generalization in signal identification with unsupervised spiking neuron networks for fiber-optic distributed acoustic sensor | |
Timofeev et al. | Multimodal heterogeneous monitoring of super-extended objects: modern view | |
Yan et al. | Mixed intrusion events recognition based on group convolutional neural networks in DAS system | |
Qu et al. | A new two-dimensional method to detect harmful intrusion vibrations for optical fiber pre-warning system | |
Wang et al. | RVFL-based optical fiber intrusion signal recognition with multi-level wavelet decomposition as feature | |
Marie et al. | A hybrid model integrating MPSE and IGNN for events recognition along submarine cables | |
CN117496650B (zh) | 一种基于环境嵌入的分布式光纤入侵预警方法及*** | |
Qiu et al. | A new detection method based on CFAR and DE for OFPS | |
CN111539393B (zh) | 基于emd分解与lstm的油气管道第三方施工预警方法 | |
Bao et al. | Application of lightning spatio-temporal localization method based on deep LSTM and interpolation | |
Zhu et al. | A novel visual transformer for long-distance pipeline pattern recognition in complex environment |
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 |