CN110751073A - 基于分布式光纤传感和深度学习的管道早期损伤模式识别方法 - Google Patents
基于分布式光纤传感和深度学习的管道早期损伤模式识别方法 Download PDFInfo
- Publication number
- CN110751073A CN110751073A CN201910968532.7A CN201910968532A CN110751073A CN 110751073 A CN110751073 A CN 110751073A CN 201910968532 A CN201910968532 A CN 201910968532A CN 110751073 A CN110751073 A CN 110751073A
- Authority
- CN
- China
- Prior art keywords
- optical fiber
- pipeline
- damage
- distributed optical
- fiber sensing
- 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.)
- Pending
Links
- 239000013307 optical fiber Substances 0.000 title claims abstract description 112
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000013135 deep learning Methods 0.000 title claims abstract description 18
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 31
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 19
- 238000004458 analytical method Methods 0.000 claims abstract description 16
- 238000004364 calculation method Methods 0.000 claims abstract description 8
- 238000013145 classification model Methods 0.000 claims abstract description 5
- 238000012360 testing method Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000012806 monitoring device Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 238000003909 pattern recognition Methods 0.000 claims description 6
- 238000012567 pattern recognition method Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 5
- 230000003287 optical effect Effects 0.000 claims description 5
- 238000003466 welding Methods 0.000 claims description 4
- 238000004026 adhesive bonding Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 10
- 230000004044 response Effects 0.000 abstract description 4
- 239000000835 fiber Substances 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002826 coolant Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 239000006247 magnetic powder Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Images
Classifications
-
- 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
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
- F17D—PIPE-LINE SYSTEMS; PIPE-LINES
- F17D5/00—Protection or supervision of installations
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Mechanical Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Testing Of Optical Devices Or Fibers (AREA)
Abstract
本发明公开了一种基于分布式光纤传感和深度学习的管道早期损伤识别方法，解决目前管道无损检测领域难以实现快速、全面损伤检测的技术问题。本发明包括：通过高灵敏分布式光纤传感系统获取管道动力学响应信号；通过多尺度小波分解和重构方法，从含有外界环境噪声、随机相位噪声等干扰信号的原始信号中提取出振动信号，提高系统的信噪比；将已知损伤的管道振动信号设置标签，作为训练集，训练一个自定义结构的卷积神经网络模型，通过多次迭代计算，得到分类模型参数；完成模型训练之后，对待测管道的损伤位置、损伤程度进行识别和评估。本发明能够从底层振动数据分析得到更加抽象出高层特征表达，避免了传统模态分析的复杂计算，实现实时管道早期损伤的定位和分类。
Description
技术领域
本发明涉及管道早期损伤监测技术领域，尤其涉及一种基于分布式光纤传感和深度学习的管道早期损伤模式识别方法。
背景技术
管道及其系统是油气、水、冷却剂、蒸汽等介质运输的关键部件，特别是在石化、城市供水/供气、核电等领域被广泛应用，是工业流体运输装备中必不可少的部分。在服役过程中，由于在高温高压环境下长期使用，管道受流体冲蚀、疲劳等因素影响，容易出现疲劳损伤和腐蚀性缺陷。这些损伤和缺陷在早期很难被及时发现与关注，随着损伤程度的增加，管道承载能力与功能会逐步退化，从而引发重大安全事故，甚至造成人员伤亡。因此，管道早期损伤的识别与监测技术对管道系统安全运行十分重要。
目前，国内外对管道结构的检测评价主要采用射线、磁粉、超声波等常规无损检测方法，这些方法的主要问题是：采用逐点检测、抽样检测方式，效率低，易漏检，无法做到快速、全面测量。
发明内容
本发明要解决的技术问题在于针对现有技术中的上述缺陷，提供一种基于分布式光纤传感和深度学习的管道早期损伤识别方法，能够准确定位管道损伤位置，并对损伤程度进行分类。
本发明解决其技术问题所采用的技术方案是：
提供一种基于分布式光纤传感和深度学习的管道早期损伤模式识别方法，包括以下步骤：
S1、通过分布式光纤传感系统采集管道各个位置由于早期损伤引起的光纤振动信号；
S2、利用多尺度小波分解与重构方法，滤除光纤振动信号中的干扰信号，并重构不同频率段的小波系数，提取需要的振动信号；
S3、将提取的振动信号作为训练集输入构建的卷积神经网络模型进行训练，得到用于检测管道结构损伤的光纤振动特征提取器和分类器；
S4、将新采集的并经小波分解与重构的新的振动信号作为测试集，利用训练好的卷积神经网络模型进行特征提取并进行分类预测，识别出待测管道的损伤位置、损伤程度；
S5、根据预测结果对卷积神经网络模型进行性能评估和优化。
接上述技术方案，步骤S3中具体通过减小预测损伤位置与实际损伤位置的差值来更新卷积神经网络的网络模型的权重值，经过多次迭代计算，得到最终卷积神经网络模型的权重值。
接上述技术方案，步骤S3中，使用数据批处理来计算当前迭代中目标函数相对于卷积神经网络模型中权重的梯度。
接上述技术方案，步骤S1中将分布式光纤传感系统采集的多条信号曲线构成时间-空间二维矩阵，作为输入信号。
接上述技术方案，步骤S2中多尺度小波分解与重构具体为：通过不同的带通滤波器将光纤振动原始信号x(n)分解为n+1组不同频率的时间序列信号，利用Daubechies 6小波基对振动信号x(t)进行6层分解，得到6层高频重构系数和1层近似低频重构系数。
接上述技术方案，卷积神经网络一般由输入层、卷积层、池层、全连接层和输出层组成，其中卷积层直接从振动数据中提取特征，避免了传统模态分析的复杂计算，并通过减小预测损伤程度与实际损伤程度的差值来更新神经网络，最后得到合适的分类模型，实现实时管道早期损伤的定位和分类。
接上述技术方案，其中，在测试的过程中，使用实测的新的振动信号对管道的损伤位置、程度进行预测以及对训练得到的模型性能进行评估。
本发明还提供了一种基于分布式光纤传感和深度学习的管道早期损伤模式识别系统，包括：
光纤振动信号获取模块，用于获取分布式光纤传感系统采集的管道各个位置由于早期损伤引起的光纤振动信号；
振动信号提取模块，用于利用多尺度小波分解与重构方法，滤除光纤振动信号中的干扰信号，并重构不同频率段的小波系数，提取需要的振动信号；
训练模块，用于将提取的振动信号作为训练集输入构建的卷积神经网络模型进行训练，得到用于检测管道结构损伤的光纤振动特征提取器和分类器；
测试模块，用于将新采集的并经小波分解与重构的新的振动信号作为测试集，利用训练好的卷积神经网络模型进行特征提取并进行分类预测，识别出待测管道的损伤位置、损伤程度；
优化模块，用于根据预测结果对卷积神经网络模型进行性能评估和优化。
本发明还提供了一种管道损伤监测装置，包括：
分布式光纤传感光纤，设置在光缆内部，沿管道铺设；
分布式光纤传感系统，通过接口与分布式光纤传感光纤相连，通过分布式光纤传感光纤采集管道各个位置由于早期损伤引起的光纤振动信号；
上位机，安装有上述管道早期损伤模式识别系统。
接上述技术方案，分布式光纤传感光纤封装成缆后缠绕在管道表面，并通过胶粘或焊接的方式固定到管道表面，与管道紧密贴合。
本发明产生的有益效果是：本发明结合小波分析方法，能够在实际高噪声、复杂环境下，提取关注的振动信号，针对光纤分布式传感器振动信号数据的特点建立卷积神经网络模型，直接从数据中提取结构响应的特征，专门用于损伤检测的监督训练，以对损伤进行识别和分类。本发明可以从底层数据分析得到更加抽象出高层特征表达，避免了传统模态分析的复杂计算，实现实时管道早期损伤的定位和分类。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明实施例基于分布式光纤传感和深度学习的管道早期损伤模式识别系统的结构图；
图2是本发明实施例的多尺度小波分解与重构示意图；
图3是本发明实施例的监测装置的组成结构及其部署示意图；
图4是本发明实施例基于分布式光纤传感和深度学习的管道早期损伤模式识别方法的流程示意图。
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，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本发明实施例中，如图1所示,基于卷积神经网络的系统结构图：
高灵敏分布式光纤振动传感系统采集管道各个位置上早期损伤导致的微弱变化振动信号作为输入信号，来进行下一步的分类识别处理。
基于卷积神经网络的损伤识别系统主要分为两个部分：训练平台和检测平台。
在训练平台，将由于管道早期损伤引起的光纤振动信号作为训练集，并对训练集人工设置标签；然后通过多尺度小波分解与重构方法对数据集进行预处理，来滤除外界环境噪声等干扰信号；最后将卷积神经网络模型作为特征提取器和分类器来检测结构损伤。通过减小预测损伤位置与实际损伤位置的差值来更新卷积神经网络的网络结构的权值，经过多次迭代计算，得到分类模型参数。
在检测平台，经过训练的卷积神经网络模型接收新的振动响应数据，对管道损伤位置、损伤程度进行了预测与分类。此外，模型性能的评估可以通过检测平台对测试集的识别、分类是否正确来进行。
值得注意的是，当管道产生损伤时，其结构的动力响应参数也随之变化。用高速采集卡采集微弱变化的振动信号，由于实际应用中，分布式光纤传感系统采集的振动信号是按照时间、光纤分布式系统的空间分辨率(光纤中光纤光栅的个数)分布，因此将多条信号曲线构成时间-空间二维矩阵，来作为输入信号。
值得注意的是，在管道损伤程度的识别中，由于环境噪声的干扰，采集的信号不仅有实际需要的振动信号还有噪声信号，影响对信号的识别。需要通过多尺度小波分解与重构这一信号处理方法对信号进行预处理来提取我们需要的振动信号。
值得注意的是，卷积神经网络模型作为特征提取器可以学习到具有多个抽象层次的数据表示。使用这种方法，可以直接从数据中提取管道的结构形态、管道的固有频率、光纤测得的时域跃变信号等特征，专门用于损伤检测的监督训练，以对损伤进行识别和分类。具体过程是将经过多尺度小波分解与重构方法提取的振动信号人工设置标签，将卷积神经网络作为特征提取器和分类器，从底层数据提取出更加抽象的高层特征表达，避免了传统模态分析的复杂计算。并使用数据批处理来计算当前迭代步骤中目标函数相对于神经网络中权重的梯度，经过多次迭代计算，最终得到分类模型。在训练过程中，采用反向传播算法进行训练，使用随机梯度下降法使代价函数最小化：
对于每次迭代更新，得到的迭代更新权值如下：
Wi+1＝Wi+Vi+1 (3)
另外，为了提高神经网络的性能，我们需要进行数据扩充等预处理过程来增加更多的数据。在卷积神经网络训练过程中，使用数据批处理来计算当前迭代步骤中目标函数相对于神经网络中权重的梯度。
值得注意的是，卷积神经网络作为一种监督学习算法，训练集中的每组数据都需要人工设置标签。在这里，人工设置的标签是管道在不同位置的损伤程度。
通过上述分布式光纤振动信号的模式识别方法及系统，可以实现对管道早期损伤的程度进行有效的分类。
如图2所示，图2是本发明实施例的多尺度小波分解与重构示意图：
考虑到光纤传感系统采集的信号不仅包括需要的振动信号，还包括外界环境噪声等干扰信号。又由于小波分析在处理非平稳信号有着较大的优势，为了后续模式识别获得较为优质的振动信号，所以对采集的光纤振动信号进行小波分析。通过多尺度小波分解得到高频(细节)重构系数和低频(近似) 重构系数，然后选取合适的小波系数进行小波重构。
具体过程是：如图2所示，将分布式光纤传感系统采集的振动信号x(t) 输入至预处理模块的多尺度小波分解部分，利用Daubechies 6小波基对振动信号x(t)进行6层分解，得到高频(细节)重构系数Aj(n)和低频(近似)重构系数Dj(n)，即分解为：
Aj+1(n)＝∑kH(k)Aj(2n-k) (4)
Dj+1(n)＝∑kG(k)Aj(2n-k) (5)
由于不同类型的事件具有不同的频率分量，因此它们在分解分量中具有不同的集中分布。因此，可以选择性地重组相应的频率分量。一般来说，高频部分是人为入侵信号的主要部分；中频部分是环境噪声的主要部分；低频部分主要是系统噪声。所以可以通过选择高频部分的重构系数进行小波重构，得到需要的振动信号。小波重构公式如下所示：
Aj(n)＝∑kh(n-2k)Aj+1(k)+∑kg(n-2k)Dj+1(k) (6)
如图3所示，图3是本发明实施例的监测装置的组成结构及其部署示意图：
主要分为以下三部分：分布式光纤传感器、信息处理系统和上位机。分布式光纤传感器为沿管道铺设的光缆内的含有光栅阵列的传感光纤；信息处理系统就是分布式光纤传感系统，传感光纤与系统的接口相连，将调制过的脉冲光输入光纤中，并将经过光栅反射后的光反射到系统中，进行后续处理，并将光信号转化为电信号用于后续的上位机处理；最后，上位机对反射的信号进行相位解调，得到管道早期损伤引起的相位变化信息。
值得注意的是，将集成了光纤光栅阵列的新型传感光纤紧包海萃料形成直径900um的光纤，再进行基于金属基带材料的封装成缆，能抵御各种恶劣工况的干扰。
值得注意的是，传感光纤的缠绕方式：封装成缆的传感光纤缠绕在管道表面(一定的螺距/周长比)，并通过胶粘或焊接的方式固定到管道表面，与管道紧密贴合，使其具有良好的应变一致性。
值得注意的是，分布式光纤传感的空间分辨率为光纤中相邻光栅的间距，在对管道的测量过程中，可以根据精度要求和成本考量来设定不同的螺距/周长比、传感器数量以及光纤长度。
此外，参阅图4，图4是本发明实施例的基于分布式光纤传感的管道早期损伤模式识别方法的流程示意图。该方法的步骤包括：
S1、通过分布式光纤传感器获得管道由于早期损伤引起的光纤振动信号；
S2、利用小波分析方法，滤除外界环境噪声、随机相位噪声等干扰信号，提取需要的振动信号；
S3、构建卷积神经网络模型作为特征提取器和分类器来检测管道结构损伤；
S4、输入新的数据作为测试集，利用训练好卷积神经网络模型返回预测结果。
S5、根据预测结果对卷积神经网络模型进行性能评估和优化。
本发明所述步骤S1的具体方法为：采集光纤传感器感应振动信号产生的多组后向瑞利散射光，按照时间、光纤分布式系统的空间分辨率(光纤中光纤光栅的个数)分布，将多条后向瑞利散射曲线构成时间-空间二维矩阵，即为原始信号，用于后续小波分析过程。
本发明所述步骤S2的具体方法为：对于步骤1所得到的含有外界环境噪声、随机相位噪声等干扰信号的原始信号，利用多尺度小波分解与重构方法，提取出需要的振动信号，不同类型的信号主要处于的频率段是不同的，通过重构不同频率段的小波系数，就可以得到关注的信号。
本发明所述步骤S3的具体方法为：为步骤2所提取的振动信号人工设置标签，作为训练集输入卷积神经网络结构中进行训练处理，另外，在训练过程中，使用数据批处理来计算当前迭代步骤中目标函数相对于神经网络中权重的梯度，经过多次迭代，得到最终的卷积神经网络模型的权重值。
本发明所述步骤S4的具体方法为：对步骤3得到的卷积神经网络模型进行性能的评估。利用分布式光纤传感器采集新的振动信号，并将经过小波分析处理的新采集的信号作为测试集，输入模型之中，对管道的损伤位置、程度进行预测。
本发明实施例基于分布式光纤传感和深度学习的管道早期损伤模式识别系统，可以完全实现上述实施例的管道早期损伤模式识别，包括：
光纤振动信号获取模块，用于获取分布式光纤传感系统采集的管道各个位置由于早期损伤引起的光纤振动信号；
振动信号提取模块，用于利用多尺度小波分解与重构方法，滤除光纤振动信号中的干扰信号，并重构不同频率段的小波系数，提取需要的振动信号；
训练模块，用于将提取的振动信号作为训练集输入构建的卷积神经网络模型进行训练，得到用于检测管道结构损伤的光纤振动特征提取器和分类器；
测试模块，用于将新采集的并经小波分解与重构的新的振动信号作为测试集，利用训练好的卷积神经网络模型进行特征提取并进行分类预测，识别出待测管道的损伤位置、损伤程度；
优化模块，用于根据预测结果对卷积神经网络模型进行性能评估和优化。
其他功能部分参照上述方法实施例，在此不赘述。
本发明还提供了一种管道损伤监测装置，包括：
分布式光纤传感光纤，设置在光缆内部，沿管道铺设；
分布式光纤传感系统，通过接口与分布式光纤传感光纤相连，通过分布式光纤传感光纤采集管道各个位置由于早期损伤引起的光纤振动信号；
上位机，安装有上述实施例的管道早期损伤模式识别系统。
分布式光纤传感光纤封装成缆后缠绕在管道表面，并通过胶粘或焊接的方式固定到管道表面，与管道紧密贴合。其他功能部分参照上述实施例，在此不赘述。
综上，本发明基于分布式光纤传感和模式识别的管道早期损伤模式识别问题，提出了一种模式识别方法及系统，结合小波分析方法能够在实际高噪声、复杂环境下，提取关注的振动信号，最后针对光纤分布式传感器振动信号数据的特点建立卷积神经网络模型，直接从数据中提取管道的结构形态、管道的固有频率、光纤测得的时域跃变信号等特征，专门用于损伤检测的监督训练，以对损伤进行识别和分类。本发明可以从底层数据分析得到更加抽象出高层特征表达，避免了传统模态分析的复杂计算，实现实时管道早期损伤的定位和分类。
应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (10)
1.一种基于分布式光纤传感和深度学习的管道早期损伤模式识别方法，其特征在于，包括以下步骤：
S1、通过分布式光纤传感系统采集管道各个位置由于早期损伤引起的光纤振动信号；
S2、利用多尺度小波分解与重构方法，滤除光纤振动信号中的干扰信号，并重构不同频率段的小波系数，提取需要的振动信号；
S3、将提取的振动信号作为训练集输入构建的卷积神经网络模型进行训练，得到用于检测管道结构损伤的光纤振动特征提取器和分类器；
S4、将新采集的并经小波分解与重构的新的振动信号作为测试集，利用训练好的卷积神经网络模型进行特征提取并进行分类预测，识别出待测管道的损伤位置、损伤程度，提取的特征包括管道的结构形态、管道的固有频率、光纤测得的时域跃变信号；
S5、根据预测结果对卷积神经网络模型进行性能评估和优化。
2.根据权利要求1所述的基于分布式光纤传感和深度学习的管道早期损伤模式识别方法，其特征在于，步骤S3中具体通过减小预测损伤位置与实际损伤位置的差值来更新卷积神经网络的网络模型的权重值，经过多次迭代计算，得到最终卷积神经网络模型的权重值。
3.根据权利要求2所述的基于分布式光纤传感和深度学习的管道早期损伤模式识别方法，其特征在于，步骤S3中，使用数据批处理来计算当前迭代中目标函数相对于卷积神经网络模型中权重的梯度。
4.根据权利要求1所述的基于分布式光纤传感和深度学习的管道早期损伤模式识别方法，其特征在于，步骤S1中将分布式光纤传感系统采集的多条信号曲线构成时间-空间二维矩阵，作为输入信号。
5.根据权利要求1所述的基于分布式光纤传感和深度学习的管道早期损伤模式识别方法，其特征在于，步骤S2中多尺度小波分解与重构具体为：通过不同的带通滤波器将光纤振动原始信号x(n)分解为n+1组不同频率的时间序列信号，利用Daubechies 6小波基对振动信号x(t)进行6层分解，得到6层高频重构系数和1层近似低频重构系数。
6.根据权利要求1所述的基于分布式光纤传感和深度学习的管道早期损伤模式识别方法，其特征在于，卷积神经网络一般由输入层、卷积层、池层、全连接层和输出层组成，其中卷积层直接从振动数据中提取特征，避免了传统模态分析的复杂计算，并通过减小预测损伤程度与实际损伤程度的差值来更新神经网络，最后得到合适的分类模型，实现实时管道早期损伤的定位和分类。
7.根据权利要求1所述的基于分布式光纤传感和深度学习的管道早期损伤模式识别方法，其特征在于，其中，在测试的过程中，使用实测的新的振动信号对管道的损伤位置、程度进行预测以及对训练得到的模型性能进行评估。
8.一种基于分布式光纤传感和深度学习的管道早期损伤模式识别系统，其特征在于，包括：
光纤振动信号获取模块，用于获取分布式光纤传感系统采集的管道各个位置由于早期损伤引起的光纤振动信号；
振动信号提取模块，用于利用多尺度小波分解与重构方法，滤除光纤振动信号中的干扰信号，并重构不同频率段的小波系数，提取需要的振动信号；
训练模块，用于将提取的振动信号作为训练集输入构建的卷积神经网络模型进行训练，得到用于检测管道结构损伤的光纤振动特征提取器和分类器；
测试模块，用于将新采集的并经小波分解与重构的新的振动信号作为测试集，利用训练好的卷积神经网络模型进行特征提取并进行分类预测，识别出待测管道的损伤位置、损伤程度，提取的特征包括管道的结构形态、管道的固有频率、光纤测得的时域跃变信号；
优化模块，用于根据预测结果对卷积神经网络模型进行性能评估和优化。
9.一种管道损伤监测装置，其特征在于,包括：
分布式光纤传感光纤，设置在光缆内部，沿管道铺设；
分布式光纤传感系统，通过接口与分布式光纤传感光纤相连，通过分布式光纤传感光纤采集管道各个位置由于早期损伤引起的光纤振动信号；
上位机，安装有如权利要求8所述的管道早期损伤模式识别系统。
10.根据权利要求9所述的监测装置，其特征在于, 分布式光纤传感光纤封装成缆后缠绕在管道表面，并通过胶粘或焊接的方式固定到管道表面，与管道紧密贴合。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910968532.7A CN110751073A (zh) | 2019-10-12 | 2019-10-12 | 基于分布式光纤传感和深度学习的管道早期损伤模式识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910968532.7A CN110751073A (zh) | 2019-10-12 | 2019-10-12 | 基于分布式光纤传感和深度学习的管道早期损伤模式识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110751073A true CN110751073A (zh) | 2020-02-04 |
Family
ID=69278166
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910968532.7A Pending CN110751073A (zh) | 2019-10-12 | 2019-10-12 | 基于分布式光纤传感和深度学习的管道早期损伤模式识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110751073A (zh) |
Cited By (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111753776A (zh) * | 2020-06-29 | 2020-10-09 | 重庆交通大学 | 基于回声状态与多尺度卷积联合模型的结构损伤识别方法 |
| CN111912612A (zh) * | 2020-07-16 | 2020-11-10 | 中国特种设备检测研究院 | 一种长管拖车气瓶损伤的监测方法及系统 |
| CN112413413A (zh) * | 2020-11-20 | 2021-02-26 | 成都艾斯皮埃尔科技有限公司 | 结合深度学习和多次测量技术的管道泄漏监测及定位方法 |
| CN112504969A (zh) * | 2021-02-03 | 2021-03-16 | 四川大学 | 基于分布式声传感的管道法兰焊缝健康检测装置及方法 |
| CN112539772A (zh) * | 2020-11-02 | 2021-03-23 | 上海大学 | 一种基于卷积神经网络集成学习的Sagnac分布光纤传感系统的定位方法 |
| CN113432877A (zh) * | 2021-06-26 | 2021-09-24 | 郑州航空工业管理学院 | 基于视觉特征融合的复杂旋转机械设备故障诊断方法 |
| CN113570041A (zh) * | 2021-07-29 | 2021-10-29 | 中国地质大学（北京） | 一种神经网络以及利用该神经网络压制海上光纤拖缆地震数据噪声的方法 |
| CN113587959A (zh) * | 2021-07-28 | 2021-11-02 | 河北地质大学 | 一种地下管道损伤检测方法、装置及终端 |
| CN113792585A (zh) * | 2021-08-03 | 2021-12-14 | 重庆兆光科技股份有限公司 | 一种管道振动信号监测方法、系统、电子设备及介质 |
| CN113915536A (zh) * | 2021-10-29 | 2022-01-11 | 国家石油天然气管网集团有限公司 | 一种基于管道安全预警系统的分析处理方法 |
| CN114186493A (zh) * | 2021-12-13 | 2022-03-15 | 天津理工大学 | 一种基于神经网络的光纤多芯耦合器特性分析方法 |
| CN114684217A (zh) * | 2022-03-16 | 2022-07-01 | 武汉理工大学 | 一种轨道交通健康监测系统及方法 |
| CN114821415A (zh) * | 2022-04-24 | 2022-07-29 | 中国水利水电科学研究院 | 基于机器学习的视频微振动放大校准和实时提取方法 |
| CN114844749A (zh) * | 2022-04-26 | 2022-08-02 | 电子科技大学 | 基于神经网络的光纤信道估计方法 |
| CN114857504A (zh) * | 2022-06-06 | 2022-08-05 | 华南理工大学 | 基于分布式光纤传感器和深度学习的管道安全监测方法 |
| US20230160743A1 (en) * | 2020-03-25 | 2023-05-25 | King Abdullah University Of Science And Technology | Red palm weevil detection by applying machine learning to signals detected with fiber optic distributed acoustic sensing |
| CN116399379A (zh) * | 2023-06-07 | 2023-07-07 | 山东省科学院激光研究所 | 分布式光纤声波传感系统及其测量方法 |
| CN117370878A (zh) * | 2023-12-07 | 2024-01-09 | 山东第一医科大学第一附属医院(山东省千佛山医院) | 一种基于脊柱关节振动信息的表皮提取定位方法及系统 |
| CN117949687A (zh) * | 2024-03-27 | 2024-04-30 | 山东省科学院激光研究所 | 基于分布式光纤传感和深度学习的风速测量方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103837784A (zh) * | 2014-03-27 | 2014-06-04 | 国家电网公司 | 一种hvdc系统换流母线外部故障的人工智能识别方法 |
| CN103900816A (zh) * | 2014-04-14 | 2014-07-02 | 上海电机学院 | 一种风力发电机组轴承故障诊断方法 |
| CN104792522A (zh) * | 2015-04-10 | 2015-07-22 | 北京工业大学 | 一种基于分数阶小波变换和bp神经网络的齿轮缺陷智能分析方法 |
| CN105225223A (zh) * | 2015-08-27 | 2016-01-06 | 南京市计量监督检测院 | 基于小波分析和bp神经网络的复合材料损伤检测方法 |
| CN109815892A (zh) * | 2019-01-22 | 2019-05-28 | 武汉理工大学 | 基于cnn的分布式光纤光栅传感网络的信号识别方法 |
-
2019
- 2019-10-12 CN CN201910968532.7A patent/CN110751073A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103837784A (zh) * | 2014-03-27 | 2014-06-04 | 国家电网公司 | 一种hvdc系统换流母线外部故障的人工智能识别方法 |
| CN103900816A (zh) * | 2014-04-14 | 2014-07-02 | 上海电机学院 | 一种风力发电机组轴承故障诊断方法 |
| CN104792522A (zh) * | 2015-04-10 | 2015-07-22 | 北京工业大学 | 一种基于分数阶小波变换和bp神经网络的齿轮缺陷智能分析方法 |
| CN105225223A (zh) * | 2015-08-27 | 2016-01-06 | 南京市计量监督检测院 | 基于小波分析和bp神经网络的复合材料损伤检测方法 |
| CN109815892A (zh) * | 2019-01-22 | 2019-05-28 | 武汉理工大学 | 基于cnn的分布式光纤光栅传感网络的信号识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| 胡易平等: "小波分析和神经网络结合的变速箱状态识别", 《装甲兵工程学院学报》 * |
| 陈吉平: "基于1-D CNN的油气管道安全事件分布式光纤检测识别方法", 《万方在线论文》 * |
Cited By (31)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20230160743A1 (en) * | 2020-03-25 | 2023-05-25 | King Abdullah University Of Science And Technology | Red palm weevil detection by applying machine learning to signals detected with fiber optic distributed acoustic sensing |
| CN111753776B (zh) * | 2020-06-29 | 2022-05-10 | 重庆交通大学 | 基于回声状态与多尺度卷积联合模型的结构损伤识别方法 |
| CN111753776A (zh) * | 2020-06-29 | 2020-10-09 | 重庆交通大学 | 基于回声状态与多尺度卷积联合模型的结构损伤识别方法 |
| CN111912612A (zh) * | 2020-07-16 | 2020-11-10 | 中国特种设备检测研究院 | 一种长管拖车气瓶损伤的监测方法及系统 |
| CN112539772A (zh) * | 2020-11-02 | 2021-03-23 | 上海大学 | 一种基于卷积神经网络集成学习的Sagnac分布光纤传感系统的定位方法 |
| CN112413413B (zh) * | 2020-11-20 | 2022-03-01 | 成都艾斯皮埃尔科技有限公司 | 结合深度学习和多次测量技术的管道泄漏监测及定位方法 |
| CN112413413A (zh) * | 2020-11-20 | 2021-02-26 | 成都艾斯皮埃尔科技有限公司 | 结合深度学习和多次测量技术的管道泄漏监测及定位方法 |
| CN112504969A (zh) * | 2021-02-03 | 2021-03-16 | 四川大学 | 基于分布式声传感的管道法兰焊缝健康检测装置及方法 |
| CN112504969B (zh) * | 2021-02-03 | 2021-05-14 | 四川大学 | 基于分布式声传感的管道法兰焊缝健康检测装置及方法 |
| CN113432877A (zh) * | 2021-06-26 | 2021-09-24 | 郑州航空工业管理学院 | 基于视觉特征融合的复杂旋转机械设备故障诊断方法 |
| CN113432877B (zh) * | 2021-06-26 | 2023-08-18 | 郑州航空工业管理学院 | 基于视觉特征融合的复杂旋转机械设备故障诊断方法 |
| CN113587959A (zh) * | 2021-07-28 | 2021-11-02 | 河北地质大学 | 一种地下管道损伤检测方法、装置及终端 |
| CN113570041B (zh) * | 2021-07-29 | 2024-05-10 | 中国地质大学（北京） | 一种神经网络以及利用该神经网络压制海上光纤拖缆地震数据噪声的方法 |
| CN113570041A (zh) * | 2021-07-29 | 2021-10-29 | 中国地质大学（北京） | 一种神经网络以及利用该神经网络压制海上光纤拖缆地震数据噪声的方法 |
| CN113792585B (zh) * | 2021-08-03 | 2023-06-27 | 重庆兆光科技股份有限公司 | 一种管道振动信号监测方法、系统、电子设备及介质 |
| CN113792585A (zh) * | 2021-08-03 | 2021-12-14 | 重庆兆光科技股份有限公司 | 一种管道振动信号监测方法、系统、电子设备及介质 |
| CN113915536B (zh) * | 2021-10-29 | 2023-12-01 | 国家石油天然气管网集团有限公司 | 一种基于管道安全预警系统的分析处理方法 |
| CN113915536A (zh) * | 2021-10-29 | 2022-01-11 | 国家石油天然气管网集团有限公司 | 一种基于管道安全预警系统的分析处理方法 |
| CN114186493A (zh) * | 2021-12-13 | 2022-03-15 | 天津理工大学 | 一种基于神经网络的光纤多芯耦合器特性分析方法 |
| CN114684217A (zh) * | 2022-03-16 | 2022-07-01 | 武汉理工大学 | 一种轨道交通健康监测系统及方法 |
| CN114684217B (zh) * | 2022-03-16 | 2024-03-01 | 武汉理工大学 | 一种轨道交通健康监测系统及方法 |
| CN114821415A (zh) * | 2022-04-24 | 2022-07-29 | 中国水利水电科学研究院 | 基于机器学习的视频微振动放大校准和实时提取方法 |
| CN114821415B (zh) * | 2022-04-24 | 2022-11-29 | 中国水利水电科学研究院 | 基于机器学习的视频微振动放大校准和实时提取方法 |
| CN114844749B (zh) * | 2022-04-26 | 2023-06-09 | 电子科技大学 | 基于神经网络的光纤信道估计方法 |
| CN114844749A (zh) * | 2022-04-26 | 2022-08-02 | 电子科技大学 | 基于神经网络的光纤信道估计方法 |
| CN114857504A (zh) * | 2022-06-06 | 2022-08-05 | 华南理工大学 | 基于分布式光纤传感器和深度学习的管道安全监测方法 |
| CN116399379A (zh) * | 2023-06-07 | 2023-07-07 | 山东省科学院激光研究所 | 分布式光纤声波传感系统及其测量方法 |
| CN116399379B (zh) * | 2023-06-07 | 2023-11-03 | 山东省科学院激光研究所 | 分布式光纤声波传感系统及其测量方法 |
| CN117370878A (zh) * | 2023-12-07 | 2024-01-09 | 山东第一医科大学第一附属医院(山东省千佛山医院) | 一种基于脊柱关节振动信息的表皮提取定位方法及系统 |
| CN117370878B (zh) * | 2023-12-07 | 2024-03-05 | 山东第一医科大学第一附属医院(山东省千佛山医院) | 一种基于脊柱关节振动信息的表皮提取定位方法及系统 |
| CN117949687A (zh) * | 2024-03-27 | 2024-04-30 | 山东省科学院激光研究所 | 基于分布式光纤传感和深度学习的风速测量方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110751073A (zh) | 基于分布式光纤传感和深度学习的管道早期损伤模式识别方法 | |
| CN108932480B (zh) | 基于1d-cnn的分布式光纤传感信号特征学习与分类方法 | |
| Zhou et al. | A novel entropy-based sparsity measure for prognosis of bearing defects and development of a sparsogram to select sensitive filtering band of an axial piston pump | |
| Miao et al. | Online defect recognition of narrow overlap weld based on two-stage recognition model combining continuous wavelet transform and convolutional neural network | |
| Chen et al. | Multi-fault condition monitoring of slurry pump with principle component analysis and sequential hypothesis test | |
| CN112036042B (zh) | 一种基于变分模态分解的动力设备异常检测方法及系统 | |
| CN116805061B (zh) | 基于光纤传感的泄漏事件判断方法 | |
| Wang et al. | Prediction model of natural gas pipeline crack evolution based on optimized DCNN-LSTM | |
| Shu et al. | A multi-task learning-based automatic blind identification procedure for operational modal analysis | |
| CN109886433A (zh) | 智能识别城市燃气管道缺陷的方法 | |
| CN109063762B (zh) | 一种基于dt-cwt和s4vm的管道堵塞故障识别方法 | |
| CN114857504A (zh) | 基于分布式光纤传感器和深度学习的管道安全监测方法 | |
| CN113251942B (zh) | 基于应变和声波传感的发电机定子故障监测的方法和装置 | |
| CN113537152A (zh) | 一种基于深度神经网络的流场状态故障检测方法 | |
| CN113687433A (zh) | 一种基于Bi-LSTM的大地电磁信号去噪方法及系统 | |
| CN111753776B (zh) | 基于回声状态与多尺度卷积联合模型的结构损伤识别方法 | |
| CN113343402B (zh) | 基于多层卷积稀疏编码的管道腐蚀等级评估方法 | |
| Tasakos et al. | Deep learning-based anomaly detection in nuclear reactor cores | |
| CN110555235A (zh) | 基于向量自回归模型的结构局部缺陷检测方法 | |
| CN117969092B (zh) | 一种盾构机主轴承的故障检测方法、设备及介质 | |
| CN112131781A (zh) | 基于全连接神经网络与传递率函数的钢结构损伤检测方法 | |
| CN115935241A (zh) | 一种多参数相互融合的清管器实时定位方法及装置 | |
| Zhan et al. | A Novel Structural Damage Detection Method via Multisensor Spatial–Temporal Graph-Based Features and Deep Graph Convolutional Network | |
| Zhang et al. | Extraction of pipeline defect feature based on variational mode and optimal singular value decomposition | |
| Yang et al. | Self-attention parallel fusion network for wind turbine gearboxes fault diagnosis |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200204 |