CN108645498A - 基于相敏光反射和卷积神经网络深度学习的冲击定位方法 - Google Patents
基于相敏光反射和卷积神经网络深度学习的冲击定位方法 Download PDFInfo
- Publication number
- CN108645498A CN108645498A CN201810399337.2A CN201810399337A CN108645498A CN 108645498 A CN108645498 A CN 108645498A CN 201810399337 A CN201810399337 A CN 201810399337A CN 108645498 A CN108645498 A CN 108645498A
- Authority
- CN
- China
- Prior art keywords
- fiber
- otdr
- sensor
- optical fiber
- impact
- 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
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
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/08—Learning methods
Abstract
本发明提出了一种基于相敏光反射和卷积神经网络深度学习的冲击定位方法,具体包括以下内容:步骤一:用于冲击载荷定位的两种基于相位敏感光时域反射原理的光纤监测网络拓扑结构;步骤二:用于冲击载荷监测的相敏光时域反射传感探头结构设计;步骤三:分布式相敏光时域反射传感冲击监测系统构建与薄板监测区域网格划分;步骤四:基于时差法的相敏光时域反射技术冲击载荷定位;步骤五:基于Φ‑OTDR传感器的冲击响应样本库生成;步骤六:数据预处理与深度学习卷积神经网络设计;步骤七:使用训练好的深度学习卷积神经网络对Φ‑OTDR传感器冲击响应数据进行识别。
Description
技术领域
本发明属于结构健康监测的冲击监测领域,具体提出了一种基于相位敏感光时域反射(Φ-OTDR)和CNN卷积神经网络的深度学习光纤冲击载荷定位方法。
背景技术
相位敏感光时域反射(Φ-OTDR)技术是一种基于光时域反射(OTDR)技术的光纤传感技术;OTDR是根据光在光纤中产生的后向瑞利散射光和菲涅尔反射光的光强变化来进行故障定位,而Φ-OTDR是一种把强相干,高频稳定性的脉冲光注入光纤,通过光电探测器探测脉冲范围内后向散射的瑞利散射光相干涉的结果,通过光电探测器相邻两次探测结果相减即可得出变化量,再将此变化量除以本身即可得出相对变化量,由此相对变化量来进行故障定位;
目前,在冲击监测技术研究中,由冲击载荷产生的结构响应信号是对冲击源进行识别的信息基础,因此结构响应信号的测量就是需要首先解决的问题。由于结构对冲击载荷的响应信号具有时间短、频带宽的特点,在结构健康监测中常用集中式或分布式压电应变测量方法测量结构的响应信号。压电式传感器具有灵敏度高、使用方便、测量信号频率高等优点,但其易受电磁环境干扰;而对于常规低速采样的光纤光栅传感模式,在实际应用中由于解调仪采样频率较低,将会导致表征冲击响应特征的有效信息大量缺失,无法满足时差定位原理,导致定位精度大幅降低。
目前,本发明所使用的相位敏感光时域反射(Φ-OTDR)技术由于其特殊性,不仅具备了普通光纤的优点,例如抗电磁干扰、传输距离远等,且具有良好的应变-方向敏感特性、较高灵敏度和较高的采样频率,非常适用于针对不同冲击信号的监测;
发明内容
本发明提供了一种新型的冲击载荷位置辨识方法,该方法采用基于Φ-OTDR 相敏光时域反射系统的监测网络配置方法,通过大量冲击响应数据样本方式提取冲击响应信号的特征库。分别采用利用时差法和CNN卷积神经网络深度学习方法进行冲击响应定位,适用于大面积薄板类结构。
一种基于相敏光反射和卷积神经网络深度学习的冲击定位方法,其特征在于包括以下过程:
步骤一:用于冲击载荷定位的基于相位敏感光时域反射原理的监测网络拓扑结构,具体过程为:
将Φ-OTDR应用在材料各向同性的板结构或柱状结构的冲击载荷定位中;若有冲击载荷加载于试件上,冲击引起的应力波沿试件进行传播,此时若试件上适当位置贴有多个Φ-OTDR光纤传感探头,利用Φ-OTDR技术高频采样特点即可检测到应力波到达这些位于在固定位置的光纤传感器探头的先后时间;而各向同性的材料中应力波的传播速度在各个方向上又是一样的,利用位于不同位置光纤传感器探头测量到的振动时间差即可进行冲击载荷的位置识别;根据Φ-OTDR传感特性和监测网络需求,可以将Φ-OTDR监测网络分为光纤传感器探头串联连接方式和光纤传感器探头并联连接方式两种拓扑结构;同时,在基于相位敏感光时域反射原理的冲击定位光纤监测网络系统,影响系统冲击定位效果的主要有Φ -OTDR采样频率f,光在光纤中的传播时间t和振动波在试件中传播的波速v等三个因素;针对两种不同的拓扑结构,对于以上三个影响因素又分别有若干限定条件
步骤二:用于冲击载荷监测的相敏光时域反射传感探头结构设计,具体过程如下:
第一种类型Φ-OTDR光纤传感探头是使用一个直径为1cm,高度为2cm,柱壁厚度为1mm的铝合金柱状结构作为主体,将长度为3m的单模光纤按螺纹状均匀绕制于柱状结构外壁上;缠绕好的光纤主体用胶均匀粘贴好,而后用环氧树脂胶固定好根部光纤引出线,最后在柱状结构底部使用502胶即可将此柱型光纤传感探头粘贴于试件表面;此柱状传感探头具有如下优点:光纤环按螺旋状绕制,铝合金柱材质与被测试件相同,有利于振动信号的直接传导,能有效提高信号信噪比;传感探头所占平面体积较小;
第二种类型Φ-OTDR光纤传感探头不使用任何中间介质,直接将长度为3m 的单模光纤由内向外环状绕制于平面胶上;绕制好的光纤环,内径约为1cm,外径约为3cm;将平面胶连同绕制好的光纤环一同贴于试件表面,即可做成Φ-OTDR 光纤传感探头;此探头具有如下优点:制作简单,手工即可完成;贴合面柔软,可以适应不同试件的表面形状;没有中间介质,基本不占用空间;
步骤三:步分布式相敏光时域反射传感冲击监测系统构建与薄板监测区域网格划分
对于一块二维平面薄板冲击监测试验,将Φ-OTDR冲击响应传感探头布置于正方形监测区域四角,并在监测区域中心布置一Φ-OTDR冲击响应探头,四角探头按顺时针顺序依次命名为传感器1-4,正中心探头命名为传感器5;将整个待检测区域划分为n*n的冲击响应训练网格;
步骤四:基于时差法的相敏光时域反射技术冲击载荷定位;
打开Φ-OTDR检测系统,在光纤传感器i所在位置施加一冲击载荷,分别记录传感器i水平方向和数值方向相邻数个传感器检测到扰动的时间…,ti-2,ti-1, ti+1,ti+2,…;据此时间和传感器对应位置即可利用时差法进行冲击定位;
则应力波在结构中的传播速度v可分别表示为:
式中:v为应力波传播速度;ti为应力波到达编号为i的传感器时间;d为相邻编号传感器对应的连接光纤长度差;
多次计算取平均值,以此值作为应力波在结构中的传播速度v;
当结构上任意位置被施加冲击载荷时,使用Φ-OTDR检测系统检测应力波到达每个传感器的时间t1,t2,t3,t4,…,tN;比较这些时间的先后顺序,前四个检测到扰动的光纤传感器(理论上这四个传感器的分布应为一个正方形的四个顶点)按照顺时针方向依次命名为传感器h,i,j,k,对应的检测时间分别为th, ti,tj,tk;若传感器h的坐标为(xh,yh)(此坐标根据布局情况可知),则传感器h,i,j,k的坐标分别为(xh+d,yh),(xh+d,yh+d),(xh,yh+d),假设冲击点位置坐标为(x,y),则:
分别求解以上式(12)任意三个方程组,对所解得的冲击位置坐标x,y;同理,也可以任意选取其他包含三个不同传感器的组合,采用同样的方法联立求解,多次求解取平均值可以提高定位精度;
步骤五:基于Φ-OTDR传感器的冲击响应样本库生成;
以冲击锤多次冲击每个冲击响应网格,利用Φ-OTDR检测系统记录每次冲击的冲击响应信号,将冲击响应信号进行整理形成冲击响应样本库,用于训练卷积神经网络;
试验使用能级大小可调节的机械式冲击锤对准测试点,撞击铝合金板表面,从而对铝合金板施加冲击信号;与此同时,在冲击瞬间,由冲击检测系统实现对Φ-OTDR光纤传感结构响应信号的数据采集并将冲击位置以及冲击能量同时保存,实现一个样本点的采集;
采集冲击样本遍布铝合金板结构的各个样本点,每个测试点使用m个级别能量多次冲击,存储各个点冲击发生时Φ-OTDR光纤传感探头接收到的信号以及冲击位置以及冲击能量,以此作为原始数据信号阵列矩阵保存;对于每个冲击样本点,都会对应有5个Φ-OTDR传感器的信号以及冲击位置与冲击能量参数与之匹配,即一个一维样本点组成如下:
式中:为传感器原始信号数据,为一维向量;上标i表示第i次采样,下标j=1、2、3、4、5为传感器编号;x、y为测试点位置坐标;E为冲击能量;
步骤六:数据预处理与深度学习卷积神经网络设计;
卷积神经网络是目前为止应用广泛的深度学习模型,在图像分类上取得很大的进展,促进了深度学习的发展和应用;使用卷积神经网络(CNN,Convolutional NeuralNetwork)用于判别冲击载荷,须对原始信号进行预处理并将其转换成图像格式;卷积神经网络的输入是图像,表示为矩阵[m,n,k];其中m、n为图像大小,k值通常为3,代表RGB三个彩色图像的通道;为了利用卷积神经网络处理传感器采集的一维冲击信号,需要进行数据预处理,并将信号转换成[m,n,k]矩阵;因此,可以将一维信号转换成时频图,并用于CNN的输入;时频分析方法包括小波变换(Wavelet)、短时傅里叶变换(STFT)等等;在本发明中,使用小波变换用于时频分析;5个传感器信号的时频图按照一定顺序组成一张多传感器时频图作为卷积神经网络的输入,冲击载荷的位置和能级作为神经网络输出;
深度卷积神经网络采用较为成熟的AlexNet模型;AlexNet网络结构共有8 层,前面5层是卷积层,后面3层是全连接层,最后一个全连接层的输出传递给一个输出层;初始化参数采用AlexNet训练好的最优参数,将冲击信号多传感器时频图像用于训练后,神经网络即可识别冲击载荷;
步骤七:使用训练好的深度学习卷积神经网络对Φ-OTDR传感器冲击响应数据进行识别
当未知载荷作用在板结构上时,Φ-OTDR传感器监测并记录时域信号;将每个传感器数据依据步骤(2)的方法进行预处理,然后输入深度学习神经网络,网络将输出识别结果,给出冲击载荷位置和强度。
所述的基于相敏光反射和卷积神经网络深度学习的冲击定位方法,其特征在于:
上述步骤1所述监测网络拓扑结构为光纤传感器探头串联连接方式,具体过程如下:
以光纤中激光的射入位置为起点,以光纤轴向为延伸方向,在距离l01的位置将长度为ls的光纤绕成环状探头形式,贴于待监测试件表面,以此作为Φ-OTDR 光纤传感器探头1;而后再与相隔光纤传感器探头1距离为l12的位置将长度为 ls的光纤绕成环状探头形式,贴于待监测试件表面,以此作为Φ-OTDR光纤传感器探头2;以此类推,在相隔光纤传感器探头2距离为l23的位置可得到Φ-OTDR 光纤传感器探头3,在相隔光纤传感器探头3距离为l34的位置可得到Φ-OTDR光纤传感器探头4等;
经过以上步骤,可以得到沿光纤轴向方向串联的若干Φ-OTDR光纤传感器探头1,2,3,4,…,N;由于整个光纤串中只有长度为ls的传感器探头与待测试件相接触,其余长度为l01,l12,l23,l34,…,lN-1,N的连接光纤均不与试件接触;
当试件上某一位置被施加冲击载荷时,冲击引起的应力波在试件中传播到光纤传感器探头所在位置时,Φ-OTDR检测设备即可检测到在l01,l01+l12,l01+l12+l23, l01+l12+l23+l34,…,l01+l12+l23+l34+…+lN-1,N距离处发生程度不一的扰动;由于冲击载荷的施加位置和每个光纤传感器的距离有差别,基于Φ-OTDR检测端的高采样频率,可以检测到每个传感器检测到扰动的先后时间,据此到达传感器的时间差即可利用时差法进行冲击载荷的位置判定;
对此Φ-OTDR光纤传感器探头串联连接方式,有如下两个限定条件:
①在串联型光纤传感器监测网络中,受限于Φ-OTDR检测端的空间分辨率,首先要保证相邻编号的两个光纤传感器应相隔一定距离,即l01,l12,l23,l34,…, lN-1,N要大于Φ-OTDR检测系统的空间分辨率;
②忽略光在传感器中的传播时间,则光纤总长度L和光在光纤中往返传播时间τ为:
L=l01+l12+l23+l34+…+lN-1,N+N*ls (1)
式中:L光纤总长度;为N为Φ-OTDR传感器个数;lij为邻编号i、j的两个光纤传感器之间间距;ls为绕成环状探头形式光纤的长度;
式中:n为光纤纤芯折射率;c为光在真空中的传播速度;τ为光在光纤中往返传播时间;
为了保证实际使用中的采样效果,需要保证Φ-OTDR系统检测端的探照脉冲宽度所对应的频率至少是反射光从光纤末端传到光纤起点频率的2倍,则有:
式中:f为探照脉冲宽度所对应的频率;τ为光在光纤中往返传播时间;
由式(2)与式(3)可得光纤总长度:
式中:n为光纤纤芯折射率;c为光在真空中的传播速度;f为探照脉冲宽度所对应的频率;
通常情况下,为了保证检测效果,可以认为l01=l12=l23=l34=…=lN-1,N,则每两个相邻Φ-OTDR光纤传感器之间的距离至少为:
式中:lij为邻编号i、j的两个光纤传感器之间间距;n为光纤纤芯折射率; c为光在真空中的传播速度;f为探照脉冲宽度所对应的频率。
所述的基于相敏光反射和卷积神经网络深度学习的冲击定位方法,其特征在于包括以下过程:
步骤1所述监测网络拓扑结构为光纤传感器探头并联连接方式,具体过程如下:
以光纤中激光的射入位置为起点,以光纤轴向为延伸方向,在射入起点处用若干1*2光纤耦合器按二叉树排列方式将光纤根据需要分成N根子光纤;长度为 ls的光纤绕成环状探头形式,贴于待监测试件表面,以此作为Φ-OTDR光纤传感器探头1;探头1与光纤耦合器之间连接光纤长度为l1;选取长度为ls的光纤绕成环状探头形式,贴于待监测试件表面,以此作为Φ-OTDR光纤传感器探头2;探头2与光纤耦合器之间连接光纤长度为l2;以此类推选取长度为ls的光纤绕成环状探头形式,贴于待监测试件表面,以此作为Φ-OTDR光纤传感器探头N;探头N与光纤耦合器之间连接光纤长度为ln;
经过以上步骤,可以得到由Y型光纤耦合器并联连接的Φ-OTDR光纤传感器探头1,2,3,4,…,N;由于整个光纤串中只有长度为ls的传感器探头与待测试件相接触,连接光纤均不与试件接触;
当试件上某一位置被施加冲击载荷时,冲击引起的应力波在试件中传播到光纤传感器所在位置时,分布式Φ-OTDR监测系统即可检测到在各个传感器位置发生程度不一的扰动;由于冲击载荷位置和每个光纤传感器探头的距离存在差别,基于Φ-OTDR监测系统自身具有高采样频率特征,可以检测到位于不同位置的相关Φ-OTDR光纤传感器探头发生扰动的先后时间,据此到达传感器的时间差即可利用时差法进行冲击载荷的位置判定;
对此Φ-OTDR光纤传感器探头并联连接方式,有如下两个限定条件:
(1)在Φ-OTDR光纤传感器的并联连接方式中,受限于Φ-OTDR检测端的检测精度,首先要保证相光纤传感器与光纤耦合器的之间连接光纤的长度应远大于 ls,即l1,l2,l3,l4,…,lN均远大于ls;其次,为了便于处理,可认为编号为i的Φ-OTDR光纤传感器对应的连接光纤长度,应比编号为i-1的Φ-OTDR 光纤传感器的连接线个长,即l1<l2<l3<l4<…<lN;最后,每两个相隔编号Φ-OTDR光纤传感器对应的连接光纤长度之差要大于Φ-OTDR检测系统的空间分辨率;
(2)忽略光在传感器中的传播时间,则最长的光纤长度L和光在光纤中的传播时间τ为:
L=lN+ls (6)
式中:L最长的光纤长度;N为传感器个数;lN为长度最大的连接线;ls为绕成环状探头形式光纤的长度;
式中:L为最长的光纤长度;ls为绕成环状探头形式光纤的长度;n为光纤纤芯折射率;c为光在真空中的传播速度;τ为光在最长的光纤中的传播时间;
为了保证实际使用中的采样效果,需要保证采集模块的采样频率至少是反射光从光纤末端传到光纤起点频率的2倍,则有:
式中:f为探照脉冲宽度所对应的频率;τ为光在最长的光纤中往返传播时间;
由式(7)与式(8)可得最长光纤长度:
式中:n为光纤纤芯折射率;c为光在真空中的传播速度;f为探照脉冲宽度所对应的频率;
通常情况下,为了保证检测效果,可以认为l1=l2-l1=l3-l2=l4-l3=…=lN-lN-1,则编号为i的传感器对应的连接光纤长度li为:
式中:li为编号i的连接光纤长度;n为光纤纤芯折射率;c为光在真空中的传播速度;f为探照脉冲宽度所对应的频率。
本发明有益效果:
首先,根据相敏光时域反射技术的特性,设计了相敏光时域反射技术应用于冲击响应中的网络拓扑结构和探头结构设计,给出了响应的约束条件。基于此约束条件,可以将相敏光时域反射技术的应用于冲击响应定位中;
其次,利用相敏光时域反射系统的高采样率,使用时差法来快速判断冲击载荷的位置,时差法定位具有较高的快速性和准确性,保证了冲击定位的效率。
最后,卷积神经网络的主要特征是结合稀疏连接、券种共享、空间或者时间上的降采样。稀疏连接通过拓扑结构建立层与层之间的非全连接空间关系来降低训练参数的数量;权值共享能够有效地避免算法过于拟合;子采样充分利用数据本身包含的局部性等特征,减少数据维度,优化网络结构,且能保证在一定程度上的唯一不变性。因此CNN卷积神经网络非常适合海量数据的处理和学习。
本发明通过建立深层模型,摆脱了对大量冲击响应信号处理技术与诊断经验的依赖,直接从冲击信号中自适应地提取冲击位置以及冲击能量特征,实现大量数据下冲击特征的自适应提取;克服传统浅层模神经网络方法需要掌握大量的冲击信号处理技术结合丰富的工程实践经验来提取特征的盲目性和有效性;高可靠性地自动判别加载在板结构的冲击载荷。
附图说明
图1Φ-OTDR检测系统流程图;
图2Φ-OTDR光纤环形探头串联连接方式;
图3Φ-OTDR光纤环形探头并联连接方式;
图4板状结构冲击示意图;
图5本发明方法流程。
具体实施方式
下面结合具体实施例,进一步阐明本发明,应理解这些实施例仅用于本发明而不用于限制本发明的范围,在阅读本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附于权利要求所限定范围。
基于相位敏感光时域反射(Φ-OTDR)和CNN卷积神经网络的深度学习光纤冲击载荷定位方法,具体实施步骤如下:
该方法一方面,在冲击响应传感机制上提出采用具有高频响应特性的Φ-OTDR光纤传感器探头具有创新性,另一方面,提出采用卷积神经网络网络深度学习算法,可以避免对大量信号处理技术与诊断经验的依赖,直接从大量冲击响应信号中地提取冲击位置以及冲击能量特征,实现大量数据下冲击特征辨识,有助于提高了定位准确性。
技术方案:为解决上述技术问题,本发明基于相位敏感光时域反射(Φ-OTDR) 和CNN卷积神经网络的深度学习光纤冲击载荷定位方法,包括下列步骤:
步骤一:用于冲击载荷定位的两种基于相位敏感光时域反射原理的监测网络拓扑结构
可将Φ-OTDR应用在材料各向同性的板结构或柱状结构的冲击载荷定位中;若有冲击载荷加载于试件上,冲击引起的应力波沿试件进行传播,此时若试件上适当位置贴有多个Φ-OTDR光纤传感探头,利用Φ-OTDR技术高频采样特点即可检测到应力波到达这些位于在固定位置的光纤传感器探头的先后时间;而各向同性的材料中应力波的传播速度在各个方向上又是一样的,利用位于不同位置光纤传感器探头测量到的振动时间差即可进行冲击载荷的位置识别;根据Φ-OTDR传感特性和监测网络需求,可以将Φ-OTDR监测网络分为光纤传感器探头串联连接方式和光纤传感器探头并联连接方式两种拓扑结构;同时,在基于相位敏感光时域反射原理的冲击定位光纤监测网络系统中,影响系统冲击定位效果的主要有Φ -OTDR采样频率f,光在光纤中的传播时间t和振动波在试件中传播的波速v等三个因素;针对两种不同的拓扑结构,对于以上三个影响因素又分别有若干限定条件;具体如下:
(1)Φ-OTDR光纤传感探头串联连接方式及其限定条件
以光纤中激光的射入位置为起点,以光纤轴向为延伸方向,在距离l01的位置将长度为ls的光纤绕成环状探头形式,贴于待监测试件表面,以此作为Φ-OTDR 光纤传感器探头1;而后再与相隔光纤传感器探头1距离为l12的位置将长度为 ls的光纤绕成环状探头形式,贴于待监测试件表面,以此作为Φ-OTDR光纤传感器探头2;以此类推,在相隔光纤传感器探头2距离为l23的位置可得到Φ-OTDR 光纤传感器探头3,在相隔光纤传感器探头3距离为l34的位置可得到Φ-OTDR光纤传感器探头4等,如图2所示;
经过以上步骤,可以得到沿光纤轴向方向串联的若干Φ-OTDR光纤传感器探头1,2,3,4,…,N;由于整个光纤串中只有长度为ls的传感器探头与待测试件相接触,其余长度为l01,l12,l23,l34,…,lN-1,N的连接光纤均不与试件接触;
当试件上某一位置被施加冲击载荷时,冲击引起的应力波在试件中传播到光纤传感器探头所在位置时,Φ-OTDR检测设备即可检测到在l01,l01+l12,l01+l12+l23, l01+l12+l23+l34,…,l01+l12+l23+l34+…+lN-1,N距离处发生程度不一的扰动;由于冲击载荷的施加位置和每个光纤传感器的距离有差别,基于Φ-OTDR检测端的高采样频率,可以检测到每个传感器检测到扰动的先后时间,据此到达传感器的时间差即可利用时差法进行冲击载荷的位置判定;
对此Φ-OTDR光纤传感器探头串联连接方式,有如下两个限定条件:
①在串联型光纤传感器监测网络中,受限于Φ-OTDR检测端的空间分辨率,首先要保证相邻编号的两个光纤传感器应相隔一定距离,即l01,l12,l23,l34,…, lN-1,N要大于Φ-OTDR检测系统的空间分辨率;
②忽略光在传感器中的传播时间,则光纤总长度L和光在光纤中往返传播时间τ为:
L=l01+l12+l23+l34+…+lN-1,N+N*ls (1)
式中:L光纤总长度;为N为Φ-OTDR传感器个数;lij为邻编号i、j的两个光纤传感器之间间距;ls为绕成环状探头形式光纤的长度;
式中:n为光纤纤芯折射率;c为光在真空中的传播速度;τ为光在光纤中往返传播时间;
为了保证实际使用中的采样效果,需要保证Φ-OTDR系统检测端的探照脉冲宽度所对应的频率至少是反射光从光纤末端传到光纤起点频率的2倍,则有:
式中:f为探照脉冲宽度所对应的频率;τ为光在光纤中往返传播时间;
由式(2)与式(3)可得光纤总长度:
式中:n为光纤纤芯折射率;c为光在真空中的传播速度;f为探照脉冲宽度所对应的频率;
通常情况下,为了保证检测效果,可以认为l01=l12=l23=l34=…=lN-1,N,则每两个相邻Φ-OTDR光纤传感器之间的距离至少为:
式中:lij为邻编号i、j的两个光纤传感器之间间距;n为光纤纤芯折射率; c为光在真空中的传播速度;f为探照脉冲宽度所对应的频率;
(2)Φ-OTDR光纤传感探头并联连接方式及其限定条件:
以光纤中激光的射入位置为起点,以光纤轴向为延伸方向,在射入起点处用若干1*2光纤耦合器按二叉树排列方式将光纤根据需要分成N根子光纤;长度为 ls的光纤绕成环状探头形式,贴于待监测试件表面,以此作为Φ-OTDR光纤传感器探头1;探头1与光纤耦合器之间连接光纤长度为l1;选取长度为ls的光纤绕成环状探头形式,贴于待监测试件表面,以此作为Φ-OTDR光纤传感器探头2;探头2与光纤耦合器之间连接光纤长度为l2;以此类推选取长度为ls的光纤绕成环状探头形式,贴于待监测试件表面,以此作为Φ-OTDR光纤传感器探头N;探头N与光纤耦合器之间连接光纤长度为ln;
经过以上步骤,可以得到由Y型光纤耦合器并联连接的Φ-OTDR光纤传感器探头1,2,3,4,…,N;由于整个光纤串中只有长度为ls的传感器探头与待测试件相接触,连接光纤均不与试件接触,如图3所示;
当试件上某一位置被施加冲击载荷时,冲击引起的应力波在试件中传播到光纤传感器所在位置时,分布式Φ-OTDR监测系统即可检测到在各个传感器位置发生程度不一的扰动;由于冲击载荷位置和每个光纤传感器探头的距离存在差别,基于Φ-OTDR监测系统自身具有高采样频率特征,可以检测到位于不同位置的相关Φ-OTDR光纤传感器探头发生扰动的先后时间,据此到达传感器的时间差即可利用时差法进行冲击载荷的位置判定;
对此Φ-OTDR光纤传感器探头并联连接方式,有如下两个限定条件:
(1)在Φ-OTDR光纤传感器的并联连接方式中,受限于Φ-OTDR检测端的检测精度,首先要保证相光纤传感器与光纤耦合器的之间连接光纤的长度应远大于 ls,即l1,l2,l3,l4,…,lN均远大于ls;其次,为了便于处理,可认为编号为i的Φ-OTDR光纤传感器对应的连接光纤长度,应比编号为i-1的Φ-OTDR 光纤传感器的连接线个长,即l1<l2<l3<l4<…<lN;最后,每两个相隔编号Φ-OTDR光纤传感器对应的连接光纤长度之差要大于Φ-OTDR检测系统的空间分辨率;
(2)忽略光在传感器中的传播时间,则最长的光纤长度L和光在光纤中的传播时间τ为:
L=lN+ls (6)
式中:L最长的光纤长度;N为传感器个数;lN为长度最大的连接线;ls为绕成环状探头形式光纤的长度;
式中:L为最长的光纤长度;ls为绕成环状探头形式光纤的长度;n为光纤纤芯折射率;c为光在真空中的传播速度;τ为光在最长的光纤中的传播时间;
为了保证实际使用中的采样效果,需要保证采集模块的采样频率至少是反射光从光纤末端传到光纤起点频率的2倍,则有:
式中:f为探照脉冲宽度所对应的频率;τ为光在最长的光纤中往返传播时间;
由式(7)与式(8)可得最长光纤长度:
式中:n为光纤纤芯折射率;c为光在真空中的传播速度;f为探照脉冲宽度所对应的频率;
通常情况下,为了保证检测效果,可以认为l1=l2-l1=l3-l2=l4-l3=…=lN-lN-1,则编号为i的传感器对应的连接光纤长度li为:
式中:li为编号i的连接光纤长度;n为光纤纤芯折射率;c为光在真空中的传播速度;f为探照脉冲宽度所对应的频率;
步骤二:用于冲击载荷监测的相敏光时域反射传感探头结构设计
在Φ-OTDR冲击监测中,主要有两种光纤传感探头;
第一种类型Φ-OTDR光纤传感探头是使用一个直径为1cm,高度为2cm,柱壁厚度为1mm的铝合金柱状结构作为主体,将长度为3m的单模光纤按螺纹状均匀绕制于柱状结构外壁上。缠绕好的光纤主体用胶均匀粘贴好,而后用环氧树脂胶固定好根部光纤引出线,最后在柱状结构底部使用502胶即可将此柱型光纤传感探头粘贴于试件表面。此柱状传感探头具有如下优点:光纤环按螺旋状绕制,铝合金柱材质与被测试件相同,有利于振动信号的直接传导,能有效提高信号信噪比;传感探头所占平面体积较小。
第二种类型Φ-OTDR光纤传感探头不使用任何中间介质,直接将长度为3m 的单模光纤由内向外环状绕制于平面胶上。绕制好的光纤环,内径约为1cm,外径约为3cm。将平面胶连同绕制好的光纤环一同贴于试件表面,即可做成Φ-OTDR 光纤传感探头。此探头具有如下优点:制作简单,手工即可完成;贴合面柔软,可以适应不同试件的表面形状;没有中间介质,基本不占用空间;
步骤三:步分布式相敏光时域反射传感冲击监测系统构建与薄板监测区域网格划分;
对于一块二维平面薄板冲击监测实验,将Φ-OTDR冲击响应传感探头布置于正方形监测区域四角,并在监测区域中心布置一Φ-OTDR冲击响应探头,四角探头按顺时针顺序依次命名为传感器1-4,正中心探头命名为传感器5;将整个待检测区域划分为n*n的冲击响应训练网格;如图4所示;
步骤四:基于时差法的相敏光时域反射技术冲击载荷定位;
打开Φ-OTDR检测系统,在光纤传感器i所在位置施加一冲击载荷,分别记录传感器i水平方向和数值方向相邻数个传感器检测到扰动的时间…,ti-2,ti-1, ti+1,ti+2,…;据此时间和传感器对应位置即可利用时差法进行冲击定位;
则应力波在结构中的传播速度v可分别表示为:
式中:v为应力波传播速度;ti为应力波到达编号为i的传感器时间;d为相邻编号传感器对应的连接光纤长度差;
多次计算取平均值,以此值作为应力波在结构中的传播速度v;
当结构上任意位置被施加冲击载荷时,使用Φ-OTDR检测系统检测应力波到达每个传感器的时间t1,t2,t3,t4,…,tN;比较这些时间的先后顺序,前四个检测到扰动的光纤传感器(理论上这四个传感器的分布应为一个正方形的四个顶点)按照顺时针方向依次命名为传感器h,i,j,k,对应的检测时间分别为th, ti,tj,tk;若传感器h的坐标为(xh,yh)(此坐标根据布局情况可知),则传感器h,i,j,k的坐标分别为(xh+d,yh),(xh+d,yh+d),(xh,yh+d),假设冲击点位置坐标为(x,y),则:
分别求解以上式(12)任意三个方程组,对所解得的冲击位置坐标x,y;同理,也可以任意选取其他包含三个不同传感器的组合,采用同样的方法联立求解,多次求解取平均值可以提高定位精度;
步骤五:基于Φ-OTDR传感器的冲击响应样本库生成;
以冲击锤多次冲击每个冲击响应网格,利用Φ-OTDR检测系统记录每次冲击的冲击响应信号,将冲击响应信号进行整理形成冲击响应样本库,用于训练卷积神经网络;
试验使用能级大小可调节的机械式冲击锤对准测试点,撞击铝合金板表面,从而对铝合金板施加冲击信号;与此同时,在冲击瞬间,由冲击检测系统实现对Φ-OTDR光纤传感结构响应信号的数据采集并将冲击位置以及冲击能量同时保存,实现一个样本点的采集;
采集冲击样本遍布铝合金板结构的各个样本点,每个测试点使用m个级别能量多次冲击,存储各个点冲击发生时Φ-OTDR光纤传感探头接收到的信号以及冲击位置以及冲击能量,以此作为原始数据信号阵列矩阵保存。对于每个冲击样本点,都会对应有5个Φ-OTDR传感器的信号以及冲击位置与冲击能量参数与之匹配,即一个一维样本点组成如下:
式中:为传感器原始信号数据,为一维向量;上标i表示第i次采样,下标j=1、2、3、4、5为传感器编号;x、y为测试点位置坐标;E为冲击能量;步骤六:数据预处理与深度学习卷积神经网络设计;
卷积神经网络是目前为止应用广泛的深度学习模型,在图像分类上取得很大的进展,促进了深度学习的发展和应用;使用卷积神经网络(CNN,Convolutional NeuralNetwork)用于判别冲击载荷,须对原始信号进行预处理并将其转换成图像格式。卷积神经网络的输入是图像,表示为矩阵[m,n,k];其中m、n为图像大小,k值通常为3,代表RGB三个彩色图像的通道;为了利用卷积神经网络处理传感器采集的一维冲击信号,需要进行数据预处理,并将信号转换成[m,n, k]矩阵;因此,可以将一维信号转换成时频图,并用于CNN的输入;时频分析方法包括小波变换(Wavelet)、短时傅里叶变换(STFT)等等;在本发明中,使用小波变换用于时频分析;5个传感器信号的时频图按照一定顺序组成一张多传感器时频图作为卷积神经网络的输入,冲击载荷的位置和能级作为神经网络输出;
小波分析中波基函数的选取应考虑:①正交性;②紧支集;③对称性;④平滑性;⑤消失矩;小波基要同时满足这些特性是十分困难的,紧支集与平滑性不可兼得,正交性的紧支集又使对称性成为不可能;不同的应用领域对小波基的性能要求不同,所以,一般对信号进行小波分析只能寻找一种能恰当兼顾这些特性的合理折衷方案;而在本发明中为了能有效突出信号中的冲击载荷特征,选择小波基时应考虑消失矩、紧支性和平滑性;其中消失矩的小波基能使得信号集中于几个小波系数中,有利于检测信号中的奇异点,而信号中的奇异点可以表现应力波到达传感器的时刻;紧支性越好的小波基其局部性越好;对称性小波可避免信号在分解和重构时失真;光滑性可以消除信号噪声;因此,可以选择不同的小波基构造多张多传感器时频图,对应于图像处理中的颜色通道;
卷积神经网络采用较为成熟的AlexNet模型;该模型在ImageNet上的图像分类挑战上,赢得了2012届的冠军,是目前较好的图像分类模型之一;AlexNet 网络结构共有8层,前面5层是卷积层,后面3层是全连接层,最后一个全连接层的输出传递给一个输出层;第一层输入数据为原始的227*227*3的图像,网络输出节点改为3。如图5所示;为了适应该模型,试验中选择Db3小波基、Morlet 小波基与sym5小波基生成的3张时频图,即与RGB颜色通道数量一致,同时在小波系数值较大区域,将多传感器时频图裁剪为227*227*3,并将小波系数值映射在[0,255]之间;初始化参数采用AlexNet训练好的最优参数,将冲击信号多传感器时频分析图像用于训练后,神经网络即可识别冲击载荷;
步骤七:使用训练好的深度学习卷积神经网络对Φ-OTDR传感器冲击响应数据进行识别。
当未知载荷作用在板结构上时,Φ-OTDR传感器监测并记录时域信号;将每个传感器数据依据步骤(2)的方法进行预处理,然后输入深度学习神经网络,网络将输出识别结果,给出冲击载荷位置和强度。
Claims (3)
1.一种基于相敏光反射和卷积神经网络深度学习的冲击定位方法,其特征在于包括以下过程:
步骤一:用于冲击载荷定位的基于相位敏感光时域反射原理的监测网络拓扑结构,具体过程为:
将Φ-OTDR应用在材料各向同性的板结构或柱状结构的冲击载荷定位中;若有冲击载荷加载于试件上,冲击引起的应力波沿试件进行传播,此时若试件上适当位置贴有多个Φ-OTDR光纤传感探头,利用Φ-OTDR技术高频采样特点即可检测到应力波到达这些位于在固定位置的光纤传感器探头的先后时间;而各向同性的材料中应力波的传播速度在各个方向上又是一样的,利用位于不同位置光纤传感器探头测量到的振动时间差即可进行冲击载荷的位置识别;根据Φ-OTDR传感特性和监测网络需求,可以将Φ-OTDR监测网络分为光纤传感器探头串联连接方式和光纤传感器探头并联连接方式两种拓扑结构;同时,在基于相位敏感光时域反射原理的冲击定位光纤监测网络系统;
步骤二:用于冲击载荷监测的相敏光时域反射传感探头结构设计,具体过程如下:
第一种类型Φ-OTDR光纤传感探头是使用一个直径为1cm,高度为2cm,柱壁厚度为1mm的铝合金柱状结构作为主体,将长度为3m的单模光纤按螺纹状均匀绕制于柱状结构外壁上;缠绕好的光纤主体用胶均匀粘贴好,而后用环氧树脂胶固定好根部光纤引出线,最后在柱状结构底部使用502胶即可将此柱型光纤传感探头粘贴于试件表面;此柱状传感探头具有如下优点:光纤环按螺旋状绕制,铝合金柱材质与被测试件相同,有利于振动信号的直接传导,能有效提高信号信噪比;传感探头所占平面体积较小;
第二种类型Φ-OTDR光纤传感探头不使用任何中间介质,直接将长度为3m的单模光纤由内向外环状绕制于平面胶上;绕制好的光纤环,内径约为1cm,外径约为3cm;将平面胶连同绕制好的光纤环一同贴于试件表面,即可做成Φ-OTDR光纤传感探头;此探头具有如下优点:制作简单,手工即可完成;贴合面柔软,可以适应不同试件的表面形状;没有中间介质,基本不占用空间;
步骤三:步分布式相敏光时域反射传感冲击监测系统构建与薄板监测区域网格划分
对于一块二维平面薄板冲击监测试验,将Φ-OTDR冲击响应传感探头布置于正方形监测区域四角,并在监测区域中心布置一Φ-OTDR冲击响应探头,四角探头按顺时针顺序依次命名为传感器1-4,正中心探头命名为传感器5;将整个待检测区域划分为n*n的冲击响应训练网格;
步骤四:基于时差法的相敏光时域反射技术冲击载荷定位;
打开Φ-OTDR检测系统,在光纤传感器i所在位置施加一冲击载荷,分别记录传感器i水平方向和数值方向相邻数个传感器检测到扰动的时间…,ti-2,ti-1,ti+1,ti+2,…;据此时间和传感器对应位置即可利用时差法进行冲击定位;
则应力波在结构中的传播速度v可分别表示为:
式中:v为应力波传播速度;ti为应力波到达编号为i的传感器时间;d为相邻编号传感器对应的连接光纤长度差;
多次计算取平均值,以此值作为应力波在结构中的传播速度v;
当结构上任意位置被施加冲击载荷时,使用Φ-OTDR检测系统检测应力波到达每个传感器的时间t1,t2,t3,t4,…,tN;比较这些时间的先后顺序,前四个检测到扰动的光纤传感器(理论上这四个传感器的分布应为一个正方形的四个顶点)按照顺时针方向依次命名为传感器h,i,j,k,对应的检测时间分别为th,ti,tj,tk;若传感器h的坐标为(xh,yh)(此坐标根据布局情况可知),则传感器h,i,j,k的坐标分别为(xh+d,yh),(xh+d,yh+d),(xh,yh+d),假设冲击点位置坐标为(x,y),则:
分别求解以上式(12)任意三个方程组,对所解得的冲击位置坐标x,y;同理,也可以任意选取其他包含三个不同传感器的组合,采用同样的方法联立求解,多次求解取平均值可以提高定位精度;
步骤五:基于Φ-OTDR传感器的冲击响应样本库生成;
以冲击锤多次冲击每个冲击响应网格,利用Φ-OTDR检测系统记录每次冲击的冲击响应信号,将冲击响应信号进行整理形成冲击响应样本库,用于训练卷积神经网络;
试验使用能级大小可调节的机械式冲击锤对准测试点,撞击铝合金板表面,从而对铝合金板施加冲击信号;与此同时,在冲击瞬间,由冲击检测系统实现对Φ-OTDR光纤传感结构响应信号的数据采集并将冲击位置以及冲击能量同时保存,实现一个样本点的采集;
采集冲击样本遍布铝合金板结构的各个样本点,每个测试点使用m个级别能量多次冲击,存储各个点冲击发生时Φ-OTDR光纤传感探头接收到的信号以及冲击位置以及冲击能量,以此作为原始数据信号阵列矩阵保存;对于每个冲击样本点,都会对应有5个Φ-OTDR传感器的信号以及冲击位置与冲击能量参数与之匹配,即一个一维样本点组成如下:
式中:为传感器原始信号数据,为一维向量;上标i表示第i次采样,下标j=1、2、3、4、5为传感器编号;x、y为测试点位置坐标;E为冲击能量;
步骤六:数据预处理与深度学习卷积神经网络设计;
卷积神经网络是目前为止应用广泛的深度学习模型,在图像分类上取得很大的进展,促进了深度学习的发展和应用;使用卷积神经网络(CNN,Convolutional Neural Network)用于判别冲击载荷,须对原始信号进行预处理并将其转换成图像格式;卷积神经网络的输入是图像,表示为矩阵[m,n,k];其中m、n为图像大小,k值通常为3,代表RGB三个彩色图像的通道;为了利用卷积神经网络处理传感器采集的一维冲击信号,需要进行数据预处理,并将信号转换成[m,n,k]矩阵;因此,可以将一维信号转换成时频图,并用于CNN的输入;时频分析方法包括小波变换(Wavelet)、短时傅里叶变换(STFT)等等;在本发明中,使用小波变换用于时频分析;5个传感器信号的时频图按照一定顺序组成一张多传感器时频图作为卷积神经网络的输入,冲击载荷的位置和能级作为神经网络输出;
深度卷积神经网络采用较为成熟的AlexNet模型;AlexNet网络结构共有8层,前面5层是卷积层,后面3层是全连接层,最后一个全连接层的输出传递给一个输出层;初始化参数采用AlexNet训练好的最优参数,将冲击信号多传感器时频图像用于训练后,神经网络即可识别冲击载荷;
步骤七:使用训练好的深度学习卷积神经网络对Φ-OTDR传感器冲击响应数据进行识别
当未知载荷作用在板结构上时,Φ-OTDR传感器监测并记录时域信号;将每个传感器数据依据步骤(2)的方法进行预处理,然后输入深度学习神经网络,网络将输出识别结果,给出冲击载荷位置和强度。
2.根据权利要求1所述的基于相敏光反射和卷积神经网络深度学习的冲击定位方法,其特征在于:
上述步骤1所述监测网络拓扑结构为光纤传感器探头串联连接方式,具体过程如下:
以光纤中激光的射入位置为起点,以光纤轴向为延伸方向,在距离l01的位置将长度为ls的光纤绕成环状探头形式,贴于待监测试件表面,以此作为Φ-OTDR光纤传感器探头1;而后再与相隔光纤传感器探头1距离为l12的位置将长度为ls的光纤绕成环状探头形式,贴于待监测试件表面,以此作为Φ-OTDR光纤传感器探头2;以此类推,在相隔光纤传感器探头2距离为l23的位置可得到Φ-OTDR光纤传感器探头3,在相隔光纤传感器探头3距离为l34的位置可得到Φ-OTDR光纤传感器探头4等;
经过以上步骤,可以得到沿光纤轴向方向串联的若干Φ-OTDR光纤传感器探头1,2,3,4,…,N;由于整个光纤串中只有长度为ls的传感器探头与待测试件相接触,其余长度为l01,l12,l23,l34,…,lN-1,N的连接光纤均不与试件接触;
当试件上某一位置被施加冲击载荷时,冲击引起的应力波在试件中传播到光纤传感器探头所在位置时,Φ-OTDR检测设备即可检测到在l01,l01+l12,l01+l12+l23,l01+l12+l23+l34,…,l01+l12+l23+l34+…+lN-1,N距离处发生程度不一的扰动;由于冲击载荷的施加位置和每个光纤传感器的距离有差别,基于Φ-OTDR检测端的高采样频率,可以检测到每个传感器检测到扰动的先后时间,据此到达传感器的时间差即可利用时差法进行冲击载荷的位置判定;
对此Φ-OTDR光纤传感器探头串联连接方式,有如下两个限定条件:
①在串联型光纤传感器监测网络中,受限于Φ-OTDR检测端的空间分辨率,首先要保证相邻编号的两个光纤传感器应相隔一定距离,即l01,l12,l23,l34,…,lN-1,N要大于Φ-OTDR检测系统的空间分辨率;
②忽略光在传感器中的传播时间,则光纤总长度L和光在光纤中往返传播时间τ为:
L=l01+l12+l23+l34+…+lN-1,N+N*ls (1)
式中:L光纤总长度;为N为Φ-OTDR传感器个数;lij为邻编号i、j的两个光纤传感器之间间距;ls为绕成环状探头形式光纤的长度;
式中:n为光纤纤芯折射率;c为光在真空中的传播速度;τ为光在光纤中往返传播时间;
为了保证实际使用中的采样效果,需要保证Φ-OTDR系统检测端的探照脉冲宽度所对应的频率至少是反射光从光纤末端传到光纤起点频率的2倍,则有:
式中:f为探照脉冲宽度所对应的频率;τ为光在光纤中往返传播时间;
由式(2)与式(3)可得光纤总长度:
式中:n为光纤纤芯折射率;c为光在真空中的传播速度;f为探照脉冲宽度所对应的频率;
通常情况下,为了保证检测效果,可以认为l01=l12=l23=l34=…=lN-1,N,则每两个相邻Φ-OTDR光纤传感器之间的距离至少为:
式中:lij为邻编号i、j的两个光纤传感器之间间距;n为光纤纤芯折射率;c为光在真空中的传播速度;f为探照脉冲宽度所对应的频率。
3.根据权利要求1所述的基于相敏光反射和卷积神经网络深度学习的冲击定位方法,其特征在于包括以下过程:
步骤1所述监测网络拓扑结构为光纤传感器探头并联连接方式,具体过程如下:
以光纤中激光的射入位置为起点,以光纤轴向为延伸方向,在射入起点处用若干1*2光纤耦合器按二叉树排列方式将光纤根据需要分成N根子光纤;长度为ls的光纤绕成环状探头形式,贴于待监测试件表面,以此作为Φ-OTDR光纤传感器探头1;探头1与光纤耦合器之间连接光纤长度为l1;选取长度为ls的光纤绕成环状探头形式,贴于待监测试件表面,以此作为Φ-OTDR光纤传感器探头2;探头2与光纤耦合器之间连接光纤长度为l2;以此类推选取长度为ls的光纤绕成环状探头形式,贴于待监测试件表面,以此作为Φ-OTDR光纤传感器探头N;探头N与光纤耦合器之间连接光纤长度为ln;
经过以上步骤,可以得到由Y型光纤耦合器并联连接的Φ-OTDR光纤传感器探头1,2,3,4,…,N;由于整个光纤串中只有长度为ls的传感器探头与待测试件相接触,连接光纤均不与试件接触;
当试件上某一位置被施加冲击载荷时,冲击引起的应力波在试件中传播到光纤传感器所在位置时,分布式Φ-OTDR监测系统即可检测到在各个传感器位置发生程度不一的扰动;由于冲击载荷位置和每个光纤传感器探头的距离存在差别,基于Φ-OTDR监测系统自身具有高采样频率特征,可以检测到位于不同位置的相关Φ-OTDR光纤传感器探头发生扰动的先后时间,据此到达传感器的时间差即可利用时差法进行冲击载荷的位置判定;
对此Φ-OTDR光纤传感器探头并联连接方式,有如下两个限定条件:
(1)在Φ-OTDR光纤传感器的并联连接方式中,受限于Φ-OTDR检测端的检测精度,首先要保证相光纤传感器与光纤耦合器的之间连接光纤的长度应远大于ls,即l1,l2,l3,l4,…,lN均远大于ls;其次,为了便于处理,可认为编号为i的Φ-OTDR光纤传感器对应的连接光纤长度,应比编号为i-1的Φ-OTDR光纤传感器的连接线个长,即l1<l2<l3<l4<…<lN;最后,每两个相隔编号Φ-OTDR光纤传感器对应的连接光纤长度之差要大于Φ-OTDR检测系统的空间分辨率;
(2)忽略光在传感器中的传播时间,则最长的光纤长度L和光在光纤中的传播时间τ为:
L=lN+ls (6)
式中:L最长的光纤长度;N为传感器个数;lN为长度最大的连接线;ls为绕成环状探头形式光纤的长度;
式中:L为最长的光纤长度;ls为绕成环状探头形式光纤的长度;n为光纤纤芯折射率;c为光在真空中的传播速度;τ为光在最长的光纤中的传播时间;
为了保证实际使用中的采样效果,需要保证采集模块的采样频率至少是反射光从光纤末端传到光纤起点频率的2倍,则有:
式中:f为探照脉冲宽度所对应的频率;τ为光在最长的光纤中往返传播时间;
由式(7)与式(8)可得最长光纤长度:
式中:n为光纤纤芯折射率;c为光在真空中的传播速度;f为探照脉冲宽度所对应的频率;
通常情况下,为了保证检测效果,可以认为l1=l2-l1=l3-l2=l4-l3=…=lN-lN-1,则编号为i的传感器对应的连接光纤长度li为:
式中:li为编号i的连接光纤长度;n为光纤纤芯折射率;c为光在真空中的传播速度;f为探照脉冲宽度所对应的频率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810399337.2A CN108645498B (zh) | 2018-04-28 | 2018-04-28 | 基于相敏光反射和卷积神经网络深度学习的冲击定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810399337.2A CN108645498B (zh) | 2018-04-28 | 2018-04-28 | 基于相敏光反射和卷积神经网络深度学习的冲击定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108645498A true CN108645498A (zh) | 2018-10-12 |
CN108645498B CN108645498B (zh) | 2020-04-24 |
Family
ID=63748520
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810399337.2A Active CN108645498B (zh) | 2018-04-28 | 2018-04-28 | 基于相敏光反射和卷积神经网络深度学习的冲击定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108645498B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109861746A (zh) * | 2018-12-17 | 2019-06-07 | 中博信息技术研究院有限公司 | 一种基于小波变换动态降噪的otdr曲线数据分析方法 |
CN110648689A (zh) * | 2019-09-26 | 2020-01-03 | 西北工业大学 | 基于音频信号进行冲击载荷波形分析与特征辨识的方法 |
CN110991374A (zh) * | 2019-12-10 | 2020-04-10 | 电子科技大学 | 一种基于rcnn的指纹奇异点检测方法 |
CN108645498B (zh) * | 2018-04-28 | 2020-04-24 | 南京航空航天大学 | 基于相敏光反射和卷积神经网络深度学习的冲击定位方法 |
CN111721450A (zh) * | 2020-06-22 | 2020-09-29 | 山东大学 | 一种冲击定位识别装置及方法 |
CN113408346A (zh) * | 2021-05-14 | 2021-09-17 | 汕头大学 | 一种基于迁移学习的光纤预警系统事件分类方法 |
CN113532344A (zh) * | 2021-07-26 | 2021-10-22 | 河南科技大学 | 基于信号对称性的各向同性平板结构的冲击损伤识别方法 |
WO2022216872A1 (en) * | 2021-04-06 | 2022-10-13 | Nec Laboratories America, Inc. | Contrastive learning of utility pole representations from distributed acoustic sensing signals |
CN115326935A (zh) * | 2022-08-29 | 2022-11-11 | 厦门大学 | 基于卷积神经网络和质心加权的冲击定位方法、可读存储介质及设备 |
WO2022269911A1 (ja) * | 2021-06-25 | 2022-12-29 | 日本電気株式会社 | 光ファイバセンサおよび変化検知方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6145381A (en) * | 1998-11-12 | 2000-11-14 | Alliedsignal Inc. | Real-time adaptive control of rotationally-induced vibration |
JP2001004691A (ja) * | 1999-06-21 | 2001-01-12 | Furukawa Electric Co Ltd:The | 故障区間標定システム |
CN101488267A (zh) * | 2009-02-13 | 2009-07-22 | 上海大学 | 光纤围栏中行人入侵信号特征识别方法 |
CN101626270A (zh) * | 2008-07-07 | 2010-01-13 | 宁波诺可电子科技发展有限公司 | 光电复合缆外部安全预警定位系统进行事件预警与分类的方法 |
CN102735996A (zh) * | 2012-07-17 | 2012-10-17 | 国家电网公司 | 一种海底电缆故障点准确定位方法 |
CN102737462A (zh) * | 2012-06-29 | 2012-10-17 | 天津大学 | 光纤分布式扰动与视频联动长距离周界安全监控系统 |
CN104019739A (zh) * | 2014-05-08 | 2014-09-03 | 南京航空航天大学 | 基于分布式光纤光栅传感网络的板结构冲击载荷定位方法 |
CN104568122A (zh) * | 2015-01-21 | 2015-04-29 | 东南大学 | 一种分布式光纤振动传感系统扰动事件识别及定位方法 |
CN104776966A (zh) * | 2015-04-01 | 2015-07-15 | 南京航空航天大学 | 基于分形理论的板结构冲击监测方法 |
CN105067104A (zh) * | 2015-09-17 | 2015-11-18 | 天津大学 | 一种复合型光纤传感系统和传感方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108645498B (zh) * | 2018-04-28 | 2020-04-24 | 南京航空航天大学 | 基于相敏光反射和卷积神经网络深度学习的冲击定位方法 |
-
2018
- 2018-04-28 CN CN201810399337.2A patent/CN108645498B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6145381A (en) * | 1998-11-12 | 2000-11-14 | Alliedsignal Inc. | Real-time adaptive control of rotationally-induced vibration |
JP2001004691A (ja) * | 1999-06-21 | 2001-01-12 | Furukawa Electric Co Ltd:The | 故障区間標定システム |
CN101626270A (zh) * | 2008-07-07 | 2010-01-13 | 宁波诺可电子科技发展有限公司 | 光电复合缆外部安全预警定位系统进行事件预警与分类的方法 |
CN101488267A (zh) * | 2009-02-13 | 2009-07-22 | 上海大学 | 光纤围栏中行人入侵信号特征识别方法 |
CN102737462A (zh) * | 2012-06-29 | 2012-10-17 | 天津大学 | 光纤分布式扰动与视频联动长距离周界安全监控系统 |
CN102735996A (zh) * | 2012-07-17 | 2012-10-17 | 国家电网公司 | 一种海底电缆故障点准确定位方法 |
CN104019739A (zh) * | 2014-05-08 | 2014-09-03 | 南京航空航天大学 | 基于分布式光纤光栅传感网络的板结构冲击载荷定位方法 |
CN104568122A (zh) * | 2015-01-21 | 2015-04-29 | 东南大学 | 一种分布式光纤振动传感系统扰动事件识别及定位方法 |
CN104776966A (zh) * | 2015-04-01 | 2015-07-15 | 南京航空航天大学 | 基于分形理论的板结构冲击监测方法 |
CN105067104A (zh) * | 2015-09-17 | 2015-11-18 | 天津大学 | 一种复合型光纤传感系统和传感方法 |
Non-Patent Citations (2)
Title |
---|
熊雅莉 等: "基于关联维数的光纤布拉格光栅的冲击定位", 《中国激光》 * |
郎宪明 等: "长输油气管道泄漏检测与定位技术研究进展", 《控制工程》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108645498B (zh) * | 2018-04-28 | 2020-04-24 | 南京航空航天大学 | 基于相敏光反射和卷积神经网络深度学习的冲击定位方法 |
CN109861746A (zh) * | 2018-12-17 | 2019-06-07 | 中博信息技术研究院有限公司 | 一种基于小波变换动态降噪的otdr曲线数据分析方法 |
CN110648689B (zh) * | 2019-09-26 | 2022-04-29 | 西北工业大学 | 基于音频信号进行冲击载荷波形分析与特征辨识的方法 |
CN110648689A (zh) * | 2019-09-26 | 2020-01-03 | 西北工业大学 | 基于音频信号进行冲击载荷波形分析与特征辨识的方法 |
CN110991374A (zh) * | 2019-12-10 | 2020-04-10 | 电子科技大学 | 一种基于rcnn的指纹奇异点检测方法 |
CN110991374B (zh) * | 2019-12-10 | 2023-04-04 | 电子科技大学 | 一种基于rcnn的指纹奇异点检测方法 |
CN111721450A (zh) * | 2020-06-22 | 2020-09-29 | 山东大学 | 一种冲击定位识别装置及方法 |
CN111721450B (zh) * | 2020-06-22 | 2021-06-29 | 山东大学 | 一种冲击定位识别装置及方法 |
WO2022216872A1 (en) * | 2021-04-06 | 2022-10-13 | Nec Laboratories America, Inc. | Contrastive learning of utility pole representations from distributed acoustic sensing signals |
CN113408346A (zh) * | 2021-05-14 | 2021-09-17 | 汕头大学 | 一种基于迁移学习的光纤预警系统事件分类方法 |
WO2022269911A1 (ja) * | 2021-06-25 | 2022-12-29 | 日本電気株式会社 | 光ファイバセンサおよび変化検知方法 |
CN113532344A (zh) * | 2021-07-26 | 2021-10-22 | 河南科技大学 | 基于信号对称性的各向同性平板结构的冲击损伤识别方法 |
CN113532344B (zh) * | 2021-07-26 | 2023-06-20 | 河南科技大学 | 基于信号对称性的各向同性平板结构的冲击损伤识别方法 |
CN115326935A (zh) * | 2022-08-29 | 2022-11-11 | 厦门大学 | 基于卷积神经网络和质心加权的冲击定位方法、可读存储介质及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN108645498B (zh) | 2020-04-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108645498A (zh) | 基于相敏光反射和卷积神经网络深度学习的冲击定位方法 | |
Zhan | Distributed acoustic sensing turns fiber‐optic cables into sensitive seismic antennas | |
CN105510444B (zh) | 基于超声导波的双向时间反演损伤成像方法 | |
CN109000876A (zh) | 基于自动编码器深度学习的sns光纤冲击识别方法 | |
CN107810431A (zh) | 校准地震检波器阵列的深度的方法 | |
CN101630014B (zh) | 一种利用垂直地震剖面数据对各向异性介质成像的方法 | |
CN103645248B (zh) | 一种基于超声相速度的高温合金晶粒度评价方法 | |
US20130211726A1 (en) | Detecting broadside and directional acoustic signals with a fiber optical distributed acoustic sensing (das) assembly | |
CN102053254A (zh) | 一种激光超声波检测系统及其检测方法 | |
CN101852854A (zh) | 一种水下多波束测探系统及其探测方法 | |
CN103534615A (zh) | 使用分布式声传感器的地下监控 | |
CN104021522A (zh) | 基于强度关联成像的目标图像分离装置及分离方法 | |
CN202832520U (zh) | 在声波测井中消除直达波干扰的系统及声波测井仪 | |
CN103630931B (zh) | 从近场测量和建模假想特征计算假想源特征的方法和系统 | |
CN103529365A (zh) | 一种电气设备油中局部放电超声直达波识别方法 | |
US20230186001A1 (en) | Method and system for simulating an event | |
CN108431636A (zh) | 平均至少相隔二十米且成对排列的陆地地震传感器与相邻多分量地震传感器 | |
CN104764804A (zh) | 超声Lamb波局部循环扫描概率重构层析成像方法 | |
EP3548931A1 (en) | Diving wave illumination using migration gathers | |
CN101576621B (zh) | 海底电缆双检地震勘探的数据处理方法及数据处理装置 | |
CN206557401U (zh) | 一种海洋地震电磁数据采集装置 | |
CN202611692U (zh) | 在声波测井中消除直达波干扰的系统及声波测井仪 | |
Cho et al. | Impact of array tilt on source-range estimation in shallow water using the array invariant | |
CN103388473B (zh) | 在声波测井中消除直达波干扰的方法、系统及声波测井仪 | |
CN103362502B (zh) | 在声波测井中消除直达波干扰的方法、系统及声波测井仪 |
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 |