CN109374110A - 一种基于光纤振动传感系统的自学习装置及方法 - Google Patents
一种基于光纤振动传感系统的自学习装置及方法 Download PDFInfo
- Publication number
- CN109374110A CN109374110A CN201811196918.2A CN201811196918A CN109374110A CN 109374110 A CN109374110 A CN 109374110A CN 201811196918 A CN201811196918 A CN 201811196918A CN 109374110 A CN109374110 A CN 109374110A
- Authority
- CN
- China
- Prior art keywords
- optical fiber
- sensing system
- vibration sensing
- feature
- fiber vibration
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
一种基于光纤振动传感系统的自学习装置及方法,利用可编程脉冲驱动源,驱动电机和相应的机械结构,制成一个光纤振动传感系统的可控自动扰动装置。当需要让传感器对特定的模型进行学习时,采用可编程脉冲驱动器来驱动电机和机械干扰臂,通过对驱动脉冲的强度、发生规律、时间周期等进行控制,实现对于光纤扰动的时间、频率及其组合的特征控制。系统对于传感器采集到的特征信号进行自动反复学习,并提取出振动特征,即可实现对于机器学习算法的改进修正,同时对实现应用现场不同类型的信号进行模拟测试和学习归纳。
Description
技术领域
本发明涉及一种基于光纤振动传感系统的自学习装置及方法,属于安防技术和分布式光纤传感领域。
背景技术
光纤振动传感系统探测原理主要有光纤光栅振动传感技术、基于光纤干涉仪技术、φ-OTDR瑞利散射技术等类型。光纤振动传感系统具有抗电磁干扰、本质安全、灵敏度高等优点,而挂装式以其稳定性好、灵敏度高、误报率低、抗干扰能力强等优点在一些安装有实体的场景具有较为广阔的市场需求。其中基于φ-OTDR瑞利散射技术的光纤振动传感系统,能够实现对人员等的人工挖掘、机械挖掘、大型施工等振动信号的监测,非常适合安防场景。
光纤振动传感系统,现逐步应用于石油、天然气管道、城市通讯线路、电力通讯管道等线型系统的安全监测和破坏预警,可直接利用原系统的通讯光纤作为传感和信号传输介质,对光纤周边环境的振动信号进行探测、定位并发出报警。
对于光纤振动传感器在各工业领域的应用,需要进行报警的人为入侵、非法施工、自然灾害等事件引发的振动信号,往往会与环境的气候变化、车辆行驶、人员生产活动等信号混杂在一起,导致系统报警易出现误报。如何通过探测到的振动信号的特征,对不同的信号源进行识别区分,提高报警的准确率就是提升系统实用性最重要的技术难点之一。
发明内容
本发明的技术解决问题是:克服现有技术的不足,利用可编程脉冲驱动源,驱动电机和相应的机械结构,提出了一种基于光纤振动传感系统的自学习装置及方法,通过探测到的振动信号的特征,对不同的信号源进行识别区分,提高报警的准确率。
本发明的技术解决方案是:
一种基于光纤振动传感系统的自学习装置,包括:电机、机械扰动装置和与电机相连的可编程脉冲驱动器,
通过可编程脉冲驱动器来驱动电机,进而驱动机械扰动装置对光纤振动传感系统引出的传感光缆进行扰动,通过对驱动脉冲的扰动特征进行调节控制,实现对于光纤振动传感系统采集的振动信号的周期、频率、强度的特征控制;光纤振动传感系统对采集到的振动信号进行识别和匹配,完成自学习。
光纤振动传感系统引出的传感光缆绕制成环状,机械扰动装置对该环状光缆进行扰动。
绕制成的环状光缆具体为:圈数为10圈,直径为30cm,光缆连续绕制,相邻圈之间无间隔。
机械扰动装置对光纤振动传感系统引出的传感光缆进行触碰,从而进行扰动。
还包括固定辅助装置,光纤振动传感系统引出的传感光缆固定在该固定辅助装置上,该固定辅助装置的拉伸强度不小于1000N,且探测光缆同辅助装置之间为刚性连接。
对驱动脉冲的扰动特征进行调节控制,具体是指:对脉冲驱动器的输出脉冲的强度、速度、周期特性进行编程控制。
光纤振动传感系统对采集到的振动信号进行识别和匹配,完成自学习,具体为:
(1)光纤振动传感系统对采集到的振动信号进行特征提取;
(2)将提取出的特征与预设样本库进行比对识别;
(3)如果该提取出的特征与样本库中的特征匹配,则可以确定该提取出的特征的对应行为,该提取出的特征为已知样本;如果该取出的特征与样本库中的特征无法匹配,则对该提取出的特征进行分类,并存储在样本库中。
所述步骤(1)光纤振动传感系统对采集到的振动信号进行特征提取,通过如下方式实现:
(1.1)将振动信号分解为周期、频率以及强度特征分量,记为Ai、Aii、Aiii;
(1.2)采集同一事件的多个可确认的振动信号,A1、A2….AN,则每个振动信号分解得到的特征分量分别为,A1i、A1ii、A1iii、A2i、A2ii、A2iii、…、ANi、ANii、ANiii;
(1.3)对步骤(1.2)中得到的特征分量进行分类,具体为:
计算机学习各特征分量进行统计分析,找出特征最集中的值作为该事件的标准值,特征量的集合作为标准事件,标准事件记为A0,其周期、频率以及强度特征分量分别记为A0i、A0ii、A0iii,从而完成该事件的特征提取。
一种基于所述自学习装置实现的基于光纤振动传感系统的自学习方法,步骤为:
(a)从光纤振动传感系统引出传感光缆,部分位置绕制成环状,圈数为10圈,直径为30cm,光缆无间隔连续绕制;
(b)在环状光缆旁设置机械扰动装置;
(c)通过可编程脉冲驱动器来驱动电机,进而驱动机械扰动装置触碰环状光缆,对传感光缆进行扰动;通过对可编程脉冲驱动器编程,控制振动信号的周期、频率、强度特征;
(d)光纤振动传感系统采集振动信号,对采集到的振动信号进行识别和匹配,完成自学习,具体为:
(d1)光纤振动传感系统对采集到的振动信号进行特征提取;
(d1.1)将振动信号分解为周期、频率以及强度特征分量,记为Ai、Aii、Aiii;
(d1.2)采集同一事件的多个可确认的振动信号,A1、A2….AN,则每个振动信号分解得到的特征分量分别为,A1i、A1ii、A1iii、A2i、A2ii、A2iii、…、ANi、ANii、ANiii;
(d1.3)对步骤(d1.2)中得到的特征分量进行分类,具体为:
计算机学习各特征分量进行统计分析,找出特征最集中的值作为该事件的标准值,特征量的集合作为标准事件,标准事件记为A0,其周期、频率以及强度特征分量分别记为A0i、A0ii、A0iii,从而完成该事件的特征提取;
(d2)将提取出的特征与预设样本库进行比对识别;
(d3)如果该提取出的特征与样本库中的特征匹配,则可以确定该提取出的特征的对应行为,该提取出的特征为已知样本;如果该取出的特征与样本库中的特征无法匹配,则对该提取出的特征进行分类,并存储在样本库中。
本发明与现有技术相比的有益效果是:
本发明通过对脉冲驱动器的输出脉冲的强度、频率、周期特性进行编程控制,可驱动振动系统对光纤圈部分进行强度、速度、周期等特性可控的扰动。从而实现对于实际应用条件下,不同类型事件产生的振动信号进行反复模拟。并提取出振动特征,即可实现对于机器学习算法的改进修正,同时对实现应用现场不同类型的信号进行模拟测试和学习归纳,从而实现系统机器自动学习。
附图说明
图1为本发明系统原理图。
具体实施方式
下面结合附图进一步说明本发明具体实施方式。
本发明提出一种基于光纤振动传感系统的自学习装置及方法。
1:利用可编程脉冲驱动源,驱动电机和相应的机械结构,制成一个光纤振动传感系统的可控自动扰动装置。
2:当需要让光纤振动传感系统对特定的扰动模型进行学习时,通过可编程脉冲驱动器来驱动电机和机械干扰臂对光纤振动传感系统进行相应扰动,通过对驱动脉冲的扰动特征进行调节控制,实现对于光纤振动传感系统采集的振动信号的时间、频率及其组合的特征控制。
如图1所示,本发明给出的实施例,一种基于光纤振动传感系统的自学习装置,包括:电机、机械扰动装置和与电机相连的可编程脉冲驱动器,
通过可编程脉冲驱动器来驱动电机,进而驱动机械扰动装置对光纤振动传感系统引出的传感光缆进行扰动,通过对驱动脉冲的扰动特征进行调节控制,实现对于光纤振动传感系统采集的振动信号的周期、频率、强度的特征控制;光纤振动传感系统对采集到的振动信号进行识别和匹配,完成自学习。对驱动脉冲的扰动特征进行调节控制,具体是指:对脉冲驱动器的输出脉冲的强度、速度、周期特性进行编程控制。
光纤振动传感系统引出的传感光缆绕制成环状,机械扰动装置对该环状光缆进行扰动。机械扰动装置对光纤振动传感系统引出的传感光缆进行触碰,从而进行扰动。
绕制成的环状光缆具体为:圈数为10圈,直径为30cm,光缆无间隔连续绕制。
本发明还提出一个实施例,该自学习装置还包括固定辅助装置,光纤振动传感系统引出的传感光缆固定在该固定辅助装置上,该固定辅助装置的拉伸强度不小于1000N,且探测光缆同辅助装置之间为刚性连接,这样设置以防止光纤较松或者较紧导致的误振动、误报警。
本实施例中,光纤振动传感系统对采集到的振动信号进行识别和匹配,完成自学习,具体为:
(1)光纤振动传感系统对采集到的振动信号进行特征提取;
(1.1)将振动信号分解为周期、频率以及强度特征分量,记为Ai、Aii、Aiii;
(1.2)采集同一事件的多个可确认的振动信号,A1、A2….AN,则每个振动信号分解得到的特征分量分别为,A1i、A1ii、A1iii、A2i、A2ii、A2iii、…、ANi、ANii、ANiii;这里的事件,就是指本发明装置用于光纤报警系统中时,因为某种原因导致光纤振动产生信号,比如入侵行为。
(1.3)对步骤(1.2)中得到的特征分量进行分类,具体为:
计算机学习各特征分量进行统计分析,找出特征最集中的值作为该事件的标准值,特征量的集合作为标准事件,标准事件记为A0,其周期、频率以及强度特征分量分别记为A0i、A0ii、A0iii,从而完成该事件的特征提取。
(2)将提取出的特征与预设样本库进行比对识别;
(3)如果该提取出的特征与样本库中的特征匹配,则可以确定该提取出的特征的对应行为,该提取出的特征为已知样本;如果该取出的特征与样本库中的特征无法匹配,则对该提取出的特征进行分类,并存储在样本库中。
系统采集实际真实事件(比如某入侵行为)的信号,如事件A’时,计算其各特征分量(周期、频率以及强度)A’i、A’ii、A’iii与标准事件A0各特征分量的差,记为ΔA’i、ΔA’ii、ΔA’iii,通过评判这些分量差值的大小,综合如果越小,则A’事件与标准A0越接近。
可设定上述各标准事件特征分量的差值标准,如果某实际信号与某预定要探测事件的标准事件特征量差值足够小,就认为该实际信号的类型为此事件分类;同时该差值越小,则认为事件分类的准确性越高。
基于上述自学习装置,本发明实施例还给出了一种自学习方法,包括
(a)从光纤振动传感系统引出传感光缆,部分位置绕制成环状,作为测试点;
(b)在环状光缆旁设置机械扰动装置;
(c)通过可编程脉冲驱动器来驱动电机,进而驱动机械扰动装置触碰环状光缆,对传感光缆进行扰动;通过对可编程脉冲驱动器编程,控制振动信号的周期、频率、强度特征;
(d)光纤振动传感系统采集振动信号,对采集到的振动信号进行识别和匹配,完成自学习。
需要让传感器对特定的模型进行学习时,采用可编程脉冲驱动器来驱动电机和机械干扰臂,通过对驱动脉冲的强度、发生规律、时间周期等进行控制,实现对于光纤扰动的时间、频率及其组合的特征控制。
通过对脉冲驱动器的输出脉冲的强度、速度、周期特性进行编程控制,可驱动振动系统对光光缆信号采集部分进行强度、速度、周期等特性可控的扰动。从而实现对于实际应用条件下,不同类型事件产生的振动信号进行反复模拟。
系统对于光纤振动传感系统采集到的特征信号进行自动反复学习,并提取振动特征,即可实现对于机器学习算法的改进修正,同时对实现应用现场不同类型的信号进行模拟测试和学习归纳。
本发明通过对脉冲驱动器的输出脉冲的强度、频率、周期特性进行编程控制,可驱动振动系统对光纤圈部分进行强度、速度、周期等特性可控的扰动。从而实现对于实际应用条件下,不同类型事件产生的振动信号进行反复模拟。并提取出振动特征,即可实现对于机器学习算法的改进修正,同时对实现应用现场不同类型的信号进行模拟测试和学习归纳,从而实现系统机器自动学习。
本发明说明书中未作详细描述的内容属本领域技术人员的公知技术。
Claims (10)
1.一种基于光纤振动传感系统的自学习装置,其特征在于包括:电机、机械扰动装置和与电机相连的可编程脉冲驱动器,
通过可编程脉冲驱动器来驱动电机,进而驱动机械扰动装置对光纤振动传感系统引出的传感光缆进行扰动,通过对驱动脉冲的扰动特征进行调节控制,实现对于光纤振动传感系统采集的振动信号的周期、频率、强度的特征控制;光纤振动传感系统对采集到的振动信号进行识别和匹配,完成自学习。
2.根据权利要求1所述的一种基于光纤振动传感系统的自学习装置,其特征在于:光纤振动传感系统引出的传感光缆绕制成环状,机械扰动装置对该环状光缆进行扰动。
3.根据权利要求2所述的一种基于光纤振动传感系统的自学习装置,其特征在于:绕制成的环状光缆具体为:圈数为10圈,直径为30cm,光缆连续绕制,相邻圈之间无间隔。
4.根据权利要求2中任一项所述的一种基于光纤振动传感系统的自学习装置,其特征在于:机械扰动装置对光纤振动传感系统引出的传感光缆进行触碰,从而进行扰动。
5.根据权利要求1所述的一种基于光纤振动传感系统的自学习装置,其特征在于:还包括固定辅助装置,光纤振动传感系统引出的传感光缆固定在该固定辅助装置上,该固定辅助装置的拉伸强度不小于1000N,且探测光缆同辅助装置之间为刚性连接。
6.根据权利要求1所述的一种基于光纤振动传感系统的自学习装置,其特征在于:对驱动脉冲的扰动特征进行调节控制,具体是指:对脉冲驱动器的输出脉冲的强度、速度、周期特性进行编程控制。
7.根据权利要求1所述的一种基于光纤振动传感系统的自学习装置,其特征在于:光纤振动传感系统对采集到的振动信号进行识别和匹配,完成自学习,具体为:
(1)光纤振动传感系统对采集到的振动信号进行特征提取;
(2)将提取出的特征与预设样本库进行比对识别;
(3)如果该提取出的特征与样本库中的特征匹配,则可以确定该提取出的特征的对应行为,该提取出的特征为已知样本;如果该取出的特征与样本库中的特征无法匹配,则对该提取出的特征进行分类,并存储在样本库中。
8.根据权利要求7所述的一种基于光纤振动传感系统的自学习装置,其特征在于:所述步骤(1)光纤振动传感系统对采集到的振动信号进行特征提取,通过如下方式实现:
(1.1)将振动信号分解为周期、频率以及强度特征分量,记为Ai、Aii、Aiii;
(1.2)采集同一事件的多个可确认的振动信号,A1、A2….AN,则每个振动信号分解得到的特征分量分别为,A1i、A1ii、A1iii、A2i、A2ii、A2iii、…、ANi、ANii、ANiii;
(1.3)对步骤(1.2)中得到的特征分量进行分类,具体为:
计算机学习各特征分量进行统计分析,找出特征最集中的值作为该事件的标准值,特征量的集合作为标准事件,标准事件记为A0,其周期、频率以及强度特征分量分别记为A0i、A0ii、A0iii,从而完成该事件的特征提取。
9.一种基于权利要求1~8中任一项所述自学习装置实现的基于光纤振动传感系统的自学习方法,其特征在于:
(a)从光纤振动传感系统引出传感光缆,部分位置绕制成环状,圈数为10圈,直径为30cm,光缆无间隔连续绕制;
(b)在环状光缆旁设置机械扰动装置;
(c)通过可编程脉冲驱动器来驱动电机,进而驱动机械扰动装置触碰环状光缆,对传感光缆进行扰动;通过对可编程脉冲驱动器编程,控制振动信号的周期、频率、强度特征;
(d)光纤振动传感系统采集振动信号,对采集到的振动信号进行识别和匹配,完成自学习。
10.根据权利要求9所述自学习方法,其特征在于:光纤振动传感系统对采集到的振动信号进行识别和匹配,完成自学习,具体为:
(d1)光纤振动传感系统对采集到的振动信号进行特征提取;
(d1.1)将振动信号分解为周期、频率以及强度特征分量,记为Ai、Aii、Aiii;
(d1.2)采集同一事件的多个可确认的振动信号,A1、A2….AN,则每个振动信号分解得到的特征分量分别为,A1i、A1ii、A1iii、A2i、A2ii、A2iii、…、ANi、ANii、ANiii;
(d1.3)对步骤(d1.2)中得到的特征分量进行分类,具体为:
计算机学习各特征分量进行统计分析,找出特征最集中的值作为该事件的标准值,特征量的集合作为标准事件,标准事件记为A0,其周期、频率以及强度特征分量分别记为A0i、A0ii、A0iii,从而完成该事件的特征提取;
(d2)将提取出的特征与预设样本库进行比对识别;
(d3)如果该提取出的特征与样本库中的特征匹配,则可以确定该提取出的特征的对应行为,该提取出的特征为已知样本;如果该取出的特征与样本库中的特征无法匹配,则对该提取出的特征进行分类,并存储在样本库中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811196918.2A CN109374110B (zh) | 2018-10-15 | 2018-10-15 | 一种基于光纤振动传感系统的自学习装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811196918.2A CN109374110B (zh) | 2018-10-15 | 2018-10-15 | 一种基于光纤振动传感系统的自学习装置及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109374110A true CN109374110A (zh) | 2019-02-22 |
CN109374110B CN109374110B (zh) | 2021-03-26 |
Family
ID=65398472
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811196918.2A Active CN109374110B (zh) | 2018-10-15 | 2018-10-15 | 一种基于光纤振动传感系统的自学习装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109374110B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110011729A (zh) * | 2019-03-15 | 2019-07-12 | 国网北京市电力公司 | 一种干扰的检测方法、装置、存储介质及电子装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS59157522A (ja) * | 1983-02-25 | 1984-09-06 | Shimadzu Corp | 振動測定装置 |
CN102853897A (zh) * | 2012-03-20 | 2013-01-02 | 北京航空航天大学 | 一种基于dsp和fpga的光纤微振动模式识别系统及其识别方法 |
CN103600043A (zh) * | 2013-11-27 | 2014-02-26 | 东北大学 | 连铸结晶器振动模拟试验装置及其非正弦振动控制方法 |
CN103617685A (zh) * | 2013-12-09 | 2014-03-05 | 中国船舶重工集团公司第七〇五研究所 | 一种基于光纤振动传感报警系统的自学习算法 |
WO2014207488A1 (en) * | 2013-06-28 | 2014-12-31 | Stingray Geophysical Limited | Distributed optical sensing |
CN105092015A (zh) * | 2015-05-18 | 2015-11-25 | 清华大学 | 一种非接触式光纤振动传感系统及方法 |
CN107340050A (zh) * | 2017-07-05 | 2017-11-10 | 成都电科光研科技有限公司 | 一种光纤分布式振动传感系统及鉴相非线性误差修正方法 |
-
2018
- 2018-10-15 CN CN201811196918.2A patent/CN109374110B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS59157522A (ja) * | 1983-02-25 | 1984-09-06 | Shimadzu Corp | 振動測定装置 |
CN102853897A (zh) * | 2012-03-20 | 2013-01-02 | 北京航空航天大学 | 一种基于dsp和fpga的光纤微振动模式识别系统及其识别方法 |
WO2014207488A1 (en) * | 2013-06-28 | 2014-12-31 | Stingray Geophysical Limited | Distributed optical sensing |
CN103600043A (zh) * | 2013-11-27 | 2014-02-26 | 东北大学 | 连铸结晶器振动模拟试验装置及其非正弦振动控制方法 |
CN103617685A (zh) * | 2013-12-09 | 2014-03-05 | 中国船舶重工集团公司第七〇五研究所 | 一种基于光纤振动传感报警系统的自学习算法 |
CN105092015A (zh) * | 2015-05-18 | 2015-11-25 | 清华大学 | 一种非接触式光纤振动传感系统及方法 |
CN107340050A (zh) * | 2017-07-05 | 2017-11-10 | 成都电科光研科技有限公司 | 一种光纤分布式振动传感系统及鉴相非线性误差修正方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110011729A (zh) * | 2019-03-15 | 2019-07-12 | 国网北京市电力公司 | 一种干扰的检测方法、装置、存储介质及电子装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109374110B (zh) | 2021-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107425906B (zh) | 面向地下管网安全监测的分布式光纤传感信号处理方法 | |
CN201191221Y (zh) | 分布式光纤振动传感系统扰动信号判别模块 | |
CN104021638B (zh) | 一种高速公路沿线电缆预警防盗的方法及装置 | |
US20200200943A1 (en) | Methods and systems for providing access to interferometric system data | |
CN103116957B (zh) | 一种光纤周界安防系统屏蔽气候影响的方法 | |
CN107144303A (zh) | 一种矿用机电设备的故障检测系统、方法及装置 | |
CN107526329A (zh) | 基于人工智能设计的机器人管理系统 | |
CN105973313A (zh) | 基于光纤光栅的电动汽车充电桩安全监测系统 | |
CN109374116B (zh) | 地埋式光纤传感振动探测系统的挖掘行为识别方法 | |
Fouda et al. | Pattern recognition of optical fiber vibration signal of the submarine cable for its safety | |
CN110852187A (zh) | 一种周界入侵事件的识别方法与系统 | |
CN206610396U (zh) | 一种光纤光栅围栏入侵报警检测系统 | |
CN103196465A (zh) | 一种相敏光时域反射仪传感信号噪声分离及信号提取方法 | |
CN108760305A (zh) | 一种轴承故障检测方法、装置及设备 | |
Marie et al. | Pattern recognition algorithm and software design of an optical fiber vibration signal based on Φ-optical time-domain reflectometry | |
CN110335430A (zh) | 基于深度学习的管道安全监测系统、方法和装置 | |
CN203799460U (zh) | 基于光纤传感的隧道电缆入侵探测系统 | |
CN101236688A (zh) | 基于传感器网络技术的防入侵传感器系统测试平台 | |
CN109120336A (zh) | 基于相位敏感光时域反射传感器的防误警漏警方法 | |
CN106781152A (zh) | 一种光纤光栅围栏入侵报警检测系统及方法 | |
CN109374110A (zh) | 一种基于光纤振动传感系统的自学习装置及方法 | |
Liu et al. | Intelligent detection technology for leakage bag of baghouse based on distributed optical fiber sensor | |
CN114842603A (zh) | 一种高压电缆防外破监测预警系统 | |
CN103267652A (zh) | 一种智能早期设备故障在线诊断方法 | |
CN204680159U (zh) | 光纤分布式水库大坝监测系统 |
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 |