CN112132256A - 一种基于神经网络的拉曼分布式温度传感方法和系统 - Google Patents
一种基于神经网络的拉曼分布式温度传感方法和系统 Download PDFInfo
- Publication number
- CN112132256A CN112132256A CN202010780136.4A CN202010780136A CN112132256A CN 112132256 A CN112132256 A CN 112132256A CN 202010780136 A CN202010780136 A CN 202010780136A CN 112132256 A CN112132256 A CN 112132256A
- Authority
- CN
- China
- Prior art keywords
- neural network
- data
- raman
- dimensional
- temperature 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.)
- Granted
Links
- 238000001069 Raman spectroscopy Methods 0.000 title claims abstract description 72
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000005070 sampling Methods 0.000 claims abstract description 23
- 230000002269 spontaneous effect Effects 0.000 claims abstract description 23
- 238000004364 calculation method Methods 0.000 claims abstract description 11
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 10
- 230000003287 optical effect Effects 0.000 claims description 41
- 238000012545 processing Methods 0.000 claims description 30
- 239000000835 fiber Substances 0.000 claims description 29
- 238000012549 training Methods 0.000 claims description 28
- 230000015654 memory Effects 0.000 claims description 20
- 239000013307 optical fiber Substances 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 8
- 230000000644 propagated effect Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims 1
- 230000006872 improvement Effects 0.000 abstract description 4
- 238000005259 measurement Methods 0.000 description 6
- 230000003044 adaptive effect Effects 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 229910052691 Erbium Inorganic materials 0.000 description 2
- UYAHIZSMUZPPFV-UHFFFAOYSA-N erbium Chemical compound [Er] UYAHIZSMUZPPFV-UHFFFAOYSA-N 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000005670 electromagnetic radiation Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- 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
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine 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
- G06N3/08—Learning methods
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Measuring Temperature Or Quantity Of Heat (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
- Optical Modulation, Optical Deflection, Nonlinear Optics, Optical Demodulation, Optical Logic Elements (AREA)
Abstract
本发明公开了一种基于神经网络的拉曼分布式温度传感方法和系统，方法包括以下步骤：(1)获取一个采样周期的自发拉曼散射强度数据，将该采样周期的自发拉曼散射强度数据输入训练好的一维去噪全卷积神经网络模型中，以生成去噪后数据。(2)利用去噪后数据中的斯托克斯数据序列与反斯托克斯数据序列完成分布式拉曼温度计算。本发明目的在于，解决现有基于小波去噪的拉曼分布式温度传感系统中存在的性能提升少、需要人工参数调优的技术问题。
Description
技术领域
本发明属于光纤传感技术领域，更具体地，涉及一种基于神经网络的拉曼分布式温度传感方法和系统。
背景技术
基于拉曼的分布式温度传感(英文：Raman-based distributed temperaturesensing，简写为RDTS)依据光纤中的自发拉曼散射(英文：spontaneous Ramanscattering)光的强度来获得光纤的温度分布。由于其具备长距离全分布式测量、抗电磁辐射、实时连续测量等优点，广泛应用于电网、隧道、油气管道和核工业等关键设施的温度监测。获得的自发拉曼散射信号的信噪比(英文：signal-to-noise ratio)决定了拉曼的分布式温度传感的精度，比泵浦光弱约60dB。另外，由于传输损耗的影响，信号随着光纤的传播而减小。因此，基于单模光纤(英文：single-mode fiber)的传统RDTS信噪比很低，限制了其在长距离应用中的测温精度。为了提高性能，人们提出了许多方法，包括使用特殊光纤、脉冲编码技术和去噪算法。然而，这些方法都有其局限性，如系统复杂度和成本较高。
为了提高RDTS的性能，业界提出了许多提高信噪比的方法。这些方法大致可分为两类。一类是通过优化系统的实现方案，如光脉冲编码方法或使用特殊光纤。然而，这些方法也增加了系统的复杂性和成本。特别是诸如多模光纤、少模光纤等特种光纤的使用，使得已有的许多用于通信的单模光纤资源被浪费。另外铺设特殊光纤的成本往往超过传感器成本。另一类是利用数字信号处理算法对采集到的数据进行去噪，如短时傅立叶变换和小波去噪(英文：wavelet denoising)。这些算法在特定的基础上对数据进行分解，以分离数据中的噪声。然而，RDTS的噪声主要是白噪声。噪声和信号不能在单一的基础上完全分离。在去噪时，信号中的有用信息经常丢失。而且，这些算法的参数很多，需要人工调整，很难达到最优结果。这些参数需要根据不同的系统和应用场景进行调整。因此，这些算法很难在实际应用中使用。最近，二维(英文：two-dimensional)处理，如非局部平均和二维卷积神经网络(英文：convolutional neural networks)被提出并被证明是更有效的。然而，RDTS数据是天然的一维数据。为了获得二维数据，需要将多个连续采集的数据进行组合，这大大降低了系统的响应速度。此外，二维去噪算法利用了多个测量值之间的相关性。然而，对于快速变化的温度，各测量值之间的相关性有限，二维去噪方法将失去其优势。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种基于神经网络的拉曼分布式温度传感方法和系统，其目的在于，解决现有基于小波去噪的拉曼分布式温度传感系统中存在的性能提升少、需要人工参数调优的技术问题。
为实现上述目的，按照本发明的一个方面，提供了一种基于神经网络的拉曼分布式温度传感方法，包括以下步骤：
(1)获取一个采样周期的自发拉曼散射强度数据，将该采样周期的自发拉曼散射强度数据输入训练好的一维去噪全卷积神经网络模型中，以生成去噪后数据；
(2)利用去噪后数据中的斯托克斯数据序列与反斯托克斯数据序列完成分布式拉曼温度计算。
优选地，对一维去噪全卷积神经网络训练的具体训练过程为，将训练数据集输入一维去噪全卷积神经网络中，神经网络训练为200个周期，批大小(英文：Batch size)为16个，学习速率为1e-3。在每个训练周期(英文：Epoch)中，输入数据首先向前传播，然后计算输出和目标之间的差的均方误差(英文：mean squared error)并向后传播，利用适应性矩估计(英文：adaptive moment estimation)优化算法用于更新网络参数。通过计算梯度的一阶矩估计和二阶矩估计，针对不同的参数设计独立的自适应学习速率。使用机器学习库PyThorch在安装有Nvidia GeForce GTX 1080GPU(8GB Graphic Memory)的PC机上运行，大约需要2小时完成训练过程。
优选地，分布式拉曼温度计算函数定义如下：
其中，T为分布式拉曼温度，T0为参考温度，T0为人工测量得到，R(T0)为温度T0时反斯托克斯光与斯托克斯光强度之比，Δv为拉曼频移，h为普朗克常数，k为玻尔兹曼常数，R(T)为温度T时反斯托克斯光与斯托克斯光强度之比。
优选地，训练数据集的生成方法为：生成表达强度变化的随机数X，生成随机数n，将n个X添加到合成数据序列中，随机数X大于0小于1，随机数n大于1并小于N，N为一维去噪全卷积神经网络的接受域；使用强度随机变化的光信号输入，对于可以忽略传输损耗的小部分光纤，可以模拟由于温度、损耗或反射引起的信号变化。每个强度在一定数量的采样点内是一致的，代表一个相对一致的温度；将强度一致的点数随机设置为1到N，合成数据不考虑泵浦脉冲的卷积效应，因此可以满足任意的空间分辨率；
在合成数据中加入标准偏差为预设值S的高斯白噪声。
优选地，预设值S具体为0.001，由于信号强度的随机范围为0～1，合成数据的最大信噪比为30dB。
重复上述步骤，生成4800个合成的自发拉曼散射数据，其中4000个作为训练数据集，其余800个作为验证数据集。每个自发拉曼散射数据包含10000个采样点数值。
优选地，一维去噪全卷积神经网络包括顺序相连预设值L层卷积神经网络结构；第1个卷积层带有线性整流激活函数(英文：rectified linear units，简写为ReLU)，第2个至第L-1个1维卷积层中每一层都带有批归一化函数(英文：batch normalization，简写为BN)和ReLU。第1个1维卷积神经网络用于接收训练数据，第L个1维卷积层用于输出1维的去噪后数据；在训练过程中，采用BN对数据进行规一化处理，加快网络收敛，ReLU用于提高一维动态神经网络的非线性度。
优选地，一维去噪全卷积神经网络各层卷积核的大小均为3；第1个1维卷积层和第L个1维卷积层的信道数为1，第2个1维卷积层到第L-1个1维卷积层的信道数均为64，以提取更多的数据特征；
在一维去噪全卷积神经网络处理过程中，每次卷积运算后填充零，数据的大小是恒定的。
优选地，预设值L的值为40，一维去噪全卷积神经网络的接受域N为81，这意味着每一个输出点都与输入数据的81个点相关。
按照本发明的另一方面，提供了一种基于神经网络的拉曼分布式温度传感系统，包括：脉冲激光器、掺铒光纤放大器、光纤环形器、光波分复用器、第一光探测器、第二光探测器、待测光纤(英文：fiber under test，简写为FUT)、传感数据处理主机；脉冲激光器、掺铒光纤放大器、光纤环形器的第一端口依次相连，光纤环形器的第二端口与FUT相连，光纤环形器的第三端口与光波分复用器的复用端口以光纤相连，光波分复用器的两个分用端口分别与第一光探测器和第二光探测器以光纤相连；传感数据处理主机包括：数据采集单元、神经网络计算单元、中央处理器、程序存储器，数据采集单元的两个输入通道分别与第一光探测器和第二光探测器以电缆相连，数据采集单元、神经网络计算单元、程序存储器通过总线与中央处理器相连；脉冲激光器还与数据采集单元的触发信号输入端口以电缆相连，用于在发出脉冲光信号后立即触发数据采集单元开始一个周期的数据采集；程序存储器存储有可执行程序代码，中央处理器用于调用程序存储器中存储的可执行程序代码，并在中央处理器和神经网络计算单元中执行基于神经网络的拉曼分布式温度传感方法，具体的，生成去噪后数据在神经网络计算单元中执行，拉曼温度计算在中央处理器中执行。
优选地，数据采集单元为数据采集卡，神经网络计算单元为图形处理器，当使用GTX1080显卡时，对单周期采集到的自发拉曼散射强度数据利用一维去噪全卷积神经网络模型进行去噪处理大约需要0.2秒，与采样周期相比是实时处理。
优选地，脉冲激光器的工作中心波长为1550nm，脉冲宽度为30ns(原则上对应于3m的空间分辨率)。脉冲光被掺铒光纤放大器放大，然后通过光环行器发射到FUT中。背向自发拉曼散射光通过光环行器进入光波分复用器，分离出反斯托克斯光和斯托克斯光。这些光信号分别被第一光探测器和第二光探测器转换成电信号，数据采集单元的采样率为125MSa/s，数据采集单元在1s内平均处理10000次，第一光探和第二光探具体为雪崩二极管(英文：avalanche photodiodes)。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，由于本发明采用一维去噪全卷积神经网络模型对拉曼信号进行去噪，相较于小波去噪，一维去噪全卷积神经网络模型可以在较高和较低的采样率下都可以保持去噪性能并使得拉曼温度计算获得更为准确的温度。
一维去噪全卷积神经网络模型一经训练完成，其端到端处理不再需要在小波去噪中的采样率发生变化时为保证空间分辨率不发生变化的人工调整参数，使已经训练完成的一维去噪全卷积神经网络无需人工调整参数就可以获得稳定的去噪性能，在实际应用中使用更加方便。
本发明由于采用全卷积神经网络结构，将一整个采样周期的拉曼分布式温度传感数据直接作为输入，通过全卷积神经网络结构可以同时对一整个采样周期内多个采样点数据并行去噪计算，保证了去噪处理所需时长远小于采样周期，达到实时处理的效果。
附图说明
图1是本发明提供的一种基于神经网络的拉曼分布式温度传感方法流程图；
图2是本发明提供的一种基于神经网络的拉曼分布式温度传感方法使用的一维去噪全卷积神经网络结构示意图；
图3是本发明提供的一种基于神经网络的拉曼分布式温度传感系统结构示意图；
图4是是本发明提供的一种基于神经网络的拉曼分布式温度传感系统中传感数据处理主机结构示意图。
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仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
实施例1：
如图1所示，本发明一种基于神经网络的拉曼分布式温度传感方法包括以下步骤：
(1)获取一个采样周期的自发拉曼散射强度数据，将该采样周期的自发拉曼散射强度数据输入训练好的一维去噪全卷积神经网络模型中，以生成去噪后数据；
(2)利用去噪后数据中的斯托克斯数据序列与反斯托克斯数据序列完成分布式拉曼温度计算。
对一维去噪全卷积神经网络训练的具体训练过程为，将训练数据集输入一维去噪全卷积神经网络中，神经网络训练为200个周期，批大小为16个，学习速率为1e-3。在每个训练周期中，输入数据首先向前传播，然后计算输出和目标之间的差的均方误差并向后传播，利用适应性矩估计优化算法用于更新网络参数。通过计算梯度的一阶矩估计和二阶矩估计，针对不同的参数设计独立的自适应学习速率。使用机器学习库PyThorch在安装有Nvidia GeForce GTX 1080GPU(8G)的PC机上运行，大约只需要2小时即可完成训练过程。
具体而言，分布式拉曼温度计算函数定义如下：
其中，T为分布式拉曼温度，T0为参考温度，T0由人工测量得到，R(T0)为温度T0时反斯托克斯光与斯托克斯光强度之比，Δv为拉曼频移，h为普朗克常数，k为玻尔兹曼常数，R(T)为温度T时反斯托克斯光与斯托克斯光强度之比。
训练数据集的生成方法如下：生成表达强度变化的随机数X，生成随机数n，将n个X添加到合成数据序列中，随机数X大于0小于1，随机数n大于1并小于N，N为一维去噪全卷积神经网络的接受域；使用强度随机变化的光信号输入，对于可以忽略传输损耗的一小部分光纤，可以模拟由于温度、损耗或反射引起的信号变化。每个强度在一定数量的采样点内是一致的，代表一个相对一致的温度；将强度一致的点数随机设置为1到N，合成数据不考虑泵浦脉冲的卷积效应，因此可以满足任意的空间分辨率；
在合成数据中加入标准偏差为预设值S的高斯白噪声。
进一步的，预设值S具体为0.001。
重复上述步骤，生成4800个合成的自发拉曼散射数据，其中4000个作为训练数据集，其余800个作为验证数据集。每个自发拉曼散射数据包含10000个采样点数值；对于不同的分布式拉曼温度传感系统和应用场景，数据特性因脉冲宽度、散射系数、传输损耗和环境温度而不同。因此，难以获得足够的真实数据作为训练数据。
如图2所示，一维去噪全卷积神经网络包括顺序相连预设值L层卷积神经网络结构；第1个1维卷积层带有ReLU，第2个至第L-1个1维卷积层中的每一层都带有BN和ReLU；第1个1维卷积神经网络用于接收训练数据，第L个1维卷积层用于输出1维的去噪后数据；在训练过程中，采用BN对数据进行规一化处理，加快网络收敛，ReLU用于提高一维动态神经网络的非线性度。
一维去噪全卷积神经网络各层卷积核的大小均为3；第1个1维卷积层和第L个1维卷积层的信道数为1，第2个1维卷积层到第L-1个1维卷积层的信道数均为64，以提取更多的数据特征，一维去噪全卷积神经网络在处理过程中，在每次卷积运算后填充零，数据的大小是恒定的。
具体而言，预设值L的值为40，一维去噪全卷积神经网络的接受域N为81，这意味着每一个输出点都与输入数据的81个点相关。
实施例2：
如图3所示，本发明还提供了一种基于神经网络的拉曼分布式温度传感系统，包括：脉冲激光器、掺铒光纤放大器、光纤环形器、光波分复用器、第一光探测器、第二光探测器、FUT、传感数据处理主机；脉冲激光器、掺铒光纤放大器、光纤环形器的第一端口依次相连，光纤环形器的第二端口与FUT相连，光纤环形器的第三端口与光波分复用器的复用端口以光纤相连，光波分复用器的两个分用端口分别与第一光探测器和第二光探测器以光纤相连；
如图4所示，传感数据处理主机具体包括：数据采集单元、神经网络计算单元、中央处理器、程序存储器，数据采集单元的两个输入通道分别与第一光探测器和第二光探测器以电缆相连，数据采集单元、神经网络计算单元、程序存储器通过总线与中央处理器相连；脉冲激光器还与数据采集单元的触发信号输入端口以电缆相连，用于在发出脉冲光信号后立即触发数据采集单元开始一个周期的数据采集；
程序存储器存储有可执行程序代码，存储器可包括易失性存储器(英文：volatilememory)，例如随机存取存储器(英文：random-access memory，RAM)；存储器也可以包括非易失性存储器(英文：non-volatile memory)，例如只读存储器(英文：read-only memory，缩写：ROM)，快闪存储器(英文：flash memory)，硬盘(英文：hard disk drive，HDD)或固态硬盘(英文：solid-state drive，SSD)；存储器还可以包括上述种类的存储器的组合；
中央处理器用于调用程序存储器中存储的可执行程序代码，并在中央处理器和神经网络计算单元中执行基于神经网络的拉曼分布式温度传感方法，具体的，生成去噪后数据在神经网络计算单元中执行，拉曼温度计算在中央处理器中执行。
具体而言，数据采集单元为数据采集卡，神经网络计算单元为图形处理器，当使用GTX1080显卡时，对单周期采集到的自发拉曼散射强度数据利用一维去噪全卷积神经网络模型进行去噪处理大约需要0.2秒，与采样周期相比是一个实时处理。
脉冲激光器的工作中心波长为1550nm，脉冲宽度为30ns(原则上对应于3m的空间分辨率)。脉冲光被掺铒光纤放大器放大，然后通过光环行器发射到FUT中。背向自发拉曼散射光通过光环行器进入光波分复用器，分离出反斯托克斯光和斯托克斯光。这些光信号分别被第一光探测器和第二光探测器转换成电信号，数据采集单元的采样率为125MSa/s，数据采集单元在1s内平均处理10000次，第一光探和第二光探具体为雪崩二极管。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于神经网络的拉曼分布式温度传感方法，其特征在于，包括以下步骤：
获取一个采样周期的自发拉曼散射强度数据，将该采样周期的自发拉曼散射强度数据输入训练好的一维去噪全卷积神经网络模型中，以生成去噪后数据；
利用所述去噪后数据中的斯托克斯数据序列与反斯托克斯数据序列完成分布式拉曼温度计算。
2.如权利要求1所述的基于神经网络的拉曼分布式温度传感方法，其特征在于，具体训练过程为，将训练数据集输入一维去噪全卷积神经网络中，神经网络训练为200个周期，批大小为16个，学习速率为1e-3，在每个训练周期中，输入数据首先向前传播，然后计算输出和目标之间的差的均方误差并向后传播。
3.如权利要求1所述的基于神经网络的拉曼分布式温度传感方法，其特征在于，所述分布式拉曼温度计算函数定义如下：
其中，T为分布式拉曼温度，T0为参考温度，R(T0)为温度T0时反斯托克斯光与斯托克斯光强度之比，Δv为拉曼频移，h为普朗克常数，k为玻尔兹曼常数，R(T)为温度T时反斯托克斯光与斯托克斯光强度之比。
4.如权利要求2所述的基于神经网络的拉曼分布式温度传感方法，其特征在于，所述训练数据集的生成方法为：
生成表达强度变化的随机数X，生成随机数n，将n个X添加到合成数据序列中，随机数X大于0小于1，随机数n大于1小于N，N为一维去噪全卷积神经网络的接受域；
在合成数据序列中加入标准偏差为预设值S的高斯白噪声；
重复上述步骤，生成4800个合成的自发拉曼散射数据，其中4000个作为训练数据集，其余800个作为验证数据集，每个自发拉曼散射数据包含10000个采样点数值。
5.如权利要求4所述的基于神经网络的拉曼分布式温度传感方法，其特征在于，所述预设值S的值为0.001。
6.如权利要求5所述的基于神经网络的拉曼分布式温度传感方法，其特征在于，所述一维去噪全卷积神经网络包括顺序相连预设值L层卷积神经网络结构；
第1个1维卷积层带有线性整流激活函数，第2个至第L-1个1维卷积层中每一层都带有批归一化函数和线性整流激活函数，第1个1维卷积神经网络用于接收训练数据，第L个1维卷积层用于输出1维的去噪后数据。
7.如权利要求6所述的基于神经网络的拉曼分布式温度传感方法，其特征在于，所述一维去噪全卷积神经网络各层卷积核的大小均为3；
所述第1个1维卷积层和所述第L个1维卷积层的信道数为1，所述第2个1维卷积层到所述第L-1个1维卷积层的信道数均为64；
在所述一维去噪全卷积神经网络处理过程中，每次卷积运算后填充零，数据的大小是恒定的。
8.一种基于权利要求1至7任一所述的基于神经网络的拉曼分布式温度传感方法的系统，其特征在于，包括：脉冲激光器、掺铒光纤放大器、光纤环形器、光波分复用器、第一光探测器、第二光探测器、待测光纤和传感数据处理主机；
所述脉冲激光器、所述掺铒光纤放大器和所述光纤环形器的第一端口依次相连，所述光纤环形器的第二端口与所述待测光纤相连，所述光纤环形器的第三端口与光波分复用器的复用端口以光纤相连，光波分复用器的两个分用端口分别与所述第一光探测器和所述第二光探测器以光纤相连；
所述传感数据处理主机包括：数据采集单元、神经网络计算单元、中央处理器和程序存储器；所述数据采集单元的两个输入通道分别与第一光探测器和第二光探测器以电缆相连；所述数据采集单元、所述神经网络计算单元和所述程序存储器通过总线与所述中央处理器相连；
所述脉冲激光器还与所述数据采集单元的触发信号输入端口以电缆相连，用于在发出脉冲光信号后立即触发数据采集单元开始一个周期的数据采集；
所述程序存储器存储有可执行程序代码，所述中央处理器用于调用所述程序存储器中存储的所述可执行程序代码，执行权利要求1至7任意一项所述的基于神经网络的拉曼分布式温度传感方法，所述生成去噪后数据在所述神经网络计算单元中执行，所述拉曼温度计算在所述中央处理器中执行。
9.如权利要求8所述的基于神经网络的拉曼分布式温度传感系统，其特征在于，所述数据采集单元具体为数据采集卡，所述神经网络计算单元为图形处理器。
10.如权利要求9所述的基于神经网络的拉曼分布式温度传感系统，其特征在于，所述脉冲激光器的工作中心波长为1550nm，脉冲宽度为30ns；所述数据采集单元的采样率为125MSa/s，数据采集单元在1s内平均处理10000次。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010780136.4A CN112132256B (zh) | 2020-08-05 | 2020-08-05 | 一种基于神经网络的拉曼分布式温度传感方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010780136.4A CN112132256B (zh) | 2020-08-05 | 2020-08-05 | 一种基于神经网络的拉曼分布式温度传感方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112132256A true CN112132256A (zh) | 2020-12-25 |
| CN112132256B CN112132256B (zh) | 2023-12-08 |
Family
ID=73850733
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010780136.4A Active CN112132256B (zh) | 2020-08-05 | 2020-08-05 | 一种基于神经网络的拉曼分布式温度传感方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112132256B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114362817A (zh) * | 2021-12-14 | 2022-04-15 | 国网湖北省电力有限公司信息通信公司 | 闭环自动化光缆线路自动运维系统 |
| CN114548156A (zh) * | 2022-01-24 | 2022-05-27 | 成都理工大学 | 基于降采样和卷积神经网络的分布式光纤测温降噪方法 |
| CN114777947A (zh) * | 2022-04-06 | 2022-07-22 | 成都理工大学 | 一种分布式光纤温度异常事件定位方法 |
| CN117290669A (zh) * | 2023-11-24 | 2023-12-26 | 之江实验室 | 基于深度学习的光纤温度传感信号降噪方法、装置和介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109543763A (zh) * | 2018-11-28 | 2019-03-29 | 重庆大学 | 一种基于卷积神经网络的拉曼光谱分析方法 |
| CN109598245A (zh) * | 2018-12-07 | 2019-04-09 | 上海理工大学 | 基于1d-cnn的食用油横向弛豫衰减曲线信号特征提取方法 |
| CN109784242A (zh) * | 2018-12-31 | 2019-05-21 | 陕西师范大学 | 基于一维残差卷积神经网络的脑电信号去噪方法 |
| WO2019218690A1 (zh) * | 2018-05-18 | 2019-11-21 | 太原理工大学 | 一种基于ase噪声的分布式光纤拉曼测温装置及方法 |
-
2020
- 2020-08-05 CN CN202010780136.4A patent/CN112132256B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019218690A1 (zh) * | 2018-05-18 | 2019-11-21 | 太原理工大学 | 一种基于ase噪声的分布式光纤拉曼测温装置及方法 |
| CN109543763A (zh) * | 2018-11-28 | 2019-03-29 | 重庆大学 | 一种基于卷积神经网络的拉曼光谱分析方法 |
| CN109598245A (zh) * | 2018-12-07 | 2019-04-09 | 上海理工大学 | 基于1d-cnn的食用油横向弛豫衰减曲线信号特征提取方法 |
| CN109784242A (zh) * | 2018-12-31 | 2019-05-21 | 陕西师范大学 | 基于一维残差卷积神经网络的脑电信号去噪方法 |
Non-Patent Citations (2)
| Title |
|---|
| TRUONG X. TRAN: "Unphysical metastability of the fundamental Raman soliton in the reduced nonlinear Schroedinger equation", 《ARXIV》, pages 1 - 8 * |
| 程碧钊: "提升R-OTDR系统实时性能方法研究", 《光学技术》, pages 701 - 706 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114362817A (zh) * | 2021-12-14 | 2022-04-15 | 国网湖北省电力有限公司信息通信公司 | 闭环自动化光缆线路自动运维系统 |
| CN114548156A (zh) * | 2022-01-24 | 2022-05-27 | 成都理工大学 | 基于降采样和卷积神经网络的分布式光纤测温降噪方法 |
| CN114548156B (zh) * | 2022-01-24 | 2023-05-12 | 成都理工大学 | 基于降采样和卷积神经网络的分布式光纤测温降噪方法 |
| CN114777947A (zh) * | 2022-04-06 | 2022-07-22 | 成都理工大学 | 一种分布式光纤温度异常事件定位方法 |
| CN117290669A (zh) * | 2023-11-24 | 2023-12-26 | 之江实验室 | 基于深度学习的光纤温度传感信号降噪方法、装置和介质 |
| CN117290669B (zh) * | 2023-11-24 | 2024-02-06 | 之江实验室 | 基于深度学习的光纤温度传感信号降噪方法、装置和介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112132256B (zh) | 2023-12-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112132256B (zh) | 一种基于神经网络的拉曼分布式温度传感方法和系统 | |
| KR101958674B1 (ko) | 시퀀스 재귀 필터링 3차원 변분(3d-var) 기반의 실측 해양 환경 데이터 동화방법 | |
| Bazzo et al. | Improving spatial resolution of Raman DTS using total variation deconvolution | |
| Zhang et al. | High-performance Raman distributed temperature sensing powered by deep learning | |
| Wu et al. | Performance enhancement of ROTDR using deep convolutional neural networks | |
| EP3446145A1 (en) | An automotive testing method, system and computer program product | |
| CN113203475B (zh) | 一种光子计数目标高效率高分辨力深度重建方法 | |
| CN104880209A (zh) | 具有两步式评估的分布式光学传感 | |
| Krivosheev et al. | State-of-the-Art Methods for Determining the Frequency Shift of Brillouin Scattering in Fiber-Optic Metrology and Sensing | |
| Wang et al. | A novel deep-learning model for RDTS signal denoising based on down-sampling and convolutional neural network | |
| CN109900382B (zh) | 光纤温度信号解调方法、装置及光纤温度解调仪 | |
| CN110501092A (zh) | 一种布里渊光纤传感系统温度提取方法 | |
| CN108254000A (zh) | 一种基于改进模拟退火法的fbg传感网光谱解调方法 | |
| CN109141675A (zh) | 基于二分svd用于分布式光纤测温系统降噪的方法 | |
| CN115859186A (zh) | 基于格拉米角场的分布式光纤传感事件识别方法及系统 | |
| Tangudu et al. | Dynamic range enhancement of OTDR using lifting wavelet transform‐modified particle swarm optimisation scheme | |
| Hillmann et al. | Using N onequispaced Fast Fourier Transformation to Process Optical Coherence Tomography Signals | |
| Hou et al. | Signal processing of single-mode fiber sensor system based on Raman scattering | |
| Peng et al. | Deep Learning Enabled High-Speed and High-Accuracy Distributed Optical Fiber Temperature Sensing | |
| CN107506779B (zh) | 一种植物茎干含水量的估算方法及系统 | |
| Yang et al. | Optimization of 2D-BM3D denoising for long-range Brillouin optical time domain analysis | |
| JP2022518571A (ja) | 光信号の多層符号化 | |
| Rye et al. | Time series identification and Kalman filtering techniques for Doppler lidar velocity estimation | |
| Laarossi et al. | Rotdr signal enhancement via deep convolutional denoising autoencoders trained with domain randomization | |
| CN114548156B (zh) | 基于降采样和卷积神经网络的分布式光纤测温降噪方法 |
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 |