CN113654642B - 一种基于参考传感器的分布式声波传感降噪系统及方法 - Google Patents
一种基于参考传感器的分布式声波传感降噪系统及方法 Download PDFInfo
- Publication number
- CN113654642B CN113654642B CN202110965451.9A CN202110965451A CN113654642B CN 113654642 B CN113654642 B CN 113654642B CN 202110965451 A CN202110965451 A CN 202110965451A CN 113654642 B CN113654642 B CN 113654642B
- Authority
- CN
- China
- Prior art keywords
- noise
- optical fiber
- reference sensor
- sensing
- acoustic wave
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 230000009467 reduction Effects 0.000 title claims abstract description 29
- 230000003287 optical effect Effects 0.000 claims abstract description 47
- 238000013528 artificial neural network Methods 0.000 claims abstract description 16
- 239000013307 optical fiber Substances 0.000 claims description 190
- 239000000835 fiber Substances 0.000 claims description 37
- 238000012545 processing Methods 0.000 claims description 33
- 230000006870 function Effects 0.000 claims description 24
- 238000001228 spectrum Methods 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 9
- 230000007613 environmental effect Effects 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 238000013135 deep learning Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 239000000463 material Substances 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 230000005693 optoelectronics Effects 0.000 claims 1
- 230000003595 spectral effect Effects 0.000 claims 1
- 238000002955 isolation Methods 0.000 description 15
- 230000001629 suppression Effects 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 5
- 239000013078 crystal Substances 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 238000004321 preservation Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000000253 optical time-domain reflectometry Methods 0.000 description 3
- 238000005516 engineering process Methods 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
- 238000010606 normalization Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000002864 sequence alignment Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
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
本发明公开了一种基于参考传感器的分布式声波传感降噪系统及方法，该系统包括相位型光时域反射模块，参考传感器，噪声补偿算法模块；该方法包括：S1:建立相位型光时域反射模块；S2:设立参考传感器用以获得所述相位型光时域反射模块的噪声特征；S3:通过噪声补偿算法模块对所述噪声特征计算补偿。本发明通过参考传感器收集本地信号，通过参考端收集的信号训练深度神经网络，对噪声进行预测，由此实现噪声补偿的功能，本发明提出多种参考传感器的架构，其实现方法简便，手段灵活，可在不同使用环境中实现高可靠，低延迟的实时降噪补偿功能。
Description
技术领域
本发明涉及一种分布式光纤传感技术领域，尤其涉及一种基于参考传感器的分布式声波传感降噪系统及方法。
背景技术
主流的分布式光纤声波传感技术通过向传感光纤注入探测光，检测来自光纤的背向散射或者反射增强点的反射光的参数如幅度和相位，进而解调声波在传感光纤中引入的应变来实现对外部声音信号的分布式测量。一方面，传感系统中所用光源、调制器、放大器等有源器件以及其他无源器件均可引入不同强度和类型的噪声，系统灵敏度极限通常决定于此类系统噪声。另一方面，实际使用中系统所处外部环境的振动和温度变化等因素同样会引入噪声。这两类干扰共同存在于传感系统中，决定了声波传感系统对微弱信号的检测能力。因此，对系统噪声的抑制具有重要的实用意义。
现有的分布式声波传感系统的一类降噪方法是基于优化器件性能的。以相位型光时域反射系统（φ-OTDR）为例，光源的相位噪声是影响系统灵敏度的一个重要因素，因此高性能φ-OTDR系统通常采用低相位噪声的窄线宽激光器。窄线宽光源的相位噪声抑制可以通过引入外腔、其他窄带滤波器如光纤布拉格光栅等方式实现。其他噪声如光源的相对强度噪声、放大器的自发辐射噪声等，其对系统性能影响的降低通常也是通过提升器件性能来实现的。此类方法对系统所用各类光电器件的要求较高。另外，激光光源的散粒噪声和被动元件的表面热噪声等非稳定噪声在常规的仪器中难以被除去。
在实际应用当中，脉冲编码也是系统降噪、提升性能的一种常用方法。通过采用编码脉冲，可以增加注入光纤的能量，在探测端起到等效于平均的性能提升效果。M比特的脉冲编码可以实现系统灵敏度√M/2的提升。此类方法适用于对系统中随机噪声的抑制，因为随机噪声经过平均可以降低。但是对于有规律的噪声如光源中特定频率的相位噪声，外界振动引入系统的有规律噪声，此类方法则作用有限。
对于外界环境对传感系统影响的抑制，有研究提出通过在传感光缆中引入一个参考光传导纤，通过特殊的封装和成缆技术，使之仅对外部环境的温度变化而非振动敏感，进而实现对温度这一干扰因素的补偿。但是这种方法仅仅补偿了外界环境对光缆的影响，而非对系统的影响。而且额外的参考光传导纤需要和传感光纤长度一致才可能实现对全传感范围的补偿，降低了系统的运行速度。
因此，有必要设计一种基于参考传感器的分布式声波传感降噪系统及方法来解决上述技术问题。
发明内容
本发明的目的在于提供一种基于参考传感器的分布式声波传感降噪系统及方法，引入参考传感器，以获得系统中关键器件、关键机械结构和关键外部环境信息，并以之为输入，通过算法进行主动噪声补偿补偿来抑制系统噪声的性能提升方法。
本发明采用的技术方案如下：
一种基于参考传感器的分布式声波传感降噪系统，包括相位型光时域反射模块，所述相位型光时域反射模块包括依次设置于光路上的光源，第一光纤耦合器，脉冲调制器，光放大器，光纤环形器和传感光纤，所述第一光纤耦合器的输出端通过本地参考光传导光纤连接有第二光纤耦合器，所述光环形器的输出端连接有所述第二光纤耦合器，所述第二光纤耦合器的输出端连接有平衡探测器，所述平衡探测器的输出端连接有数据采集处理模块；
参考传感器，用以获得所述相位型光时域反射模块的噪声特征；
噪声补偿算法模块，设置于所述数据采集处理模块的输出端，用于对所述噪声特征使用深度学习算法计算，对计算后的所述噪声特征进行补偿。
进一步地，所述参考传感器的放置位置包括以下位置的一种或多种组合：所述参考传感器与所述传感光纤串联并设置于所述传感光纤的输入端、所述参考传感器与所述传感光纤并联并通过第三光纤耦合器与所述光环形器的输出端相连、所述参考传感器设置于紧贴所述光源位置、所述参考传感器设置于各个光电器件表面上或将所述本地参考光传导光纤缠绕在所述参考传感器表面。
进一步地，所述参考传感器为光纤传感器、电子传感器或机械传感器。
进一步地，所述参考传感器的输出信号为光信号、模拟电信号或者数字电信号。
进一步地，所述参考传感器的材料为导热、阻热、导声或隔振。
本发明还提供了一种基于参考传感器的分布式声波传感降噪方法，包括以下步骤：
S1:建立相位型光时域反射模块；
S2:设立参考传感器用以获得所述相位型光时域反射模块的噪声特征；
S3:通过噪声补偿算法模块对所述噪声特征计算补偿。
进一步地，所述步骤S3中，包括以下子步骤：
S31:对应变传感数据进行建模：
其中，
表示总应变传感数据，
表示真实应变传感数据，
表示噪声应变传感数据；
其中，
，
表示辅助传感数据，
为辅助输出
中的噪声，
为不可滤除的系统固有噪声；
S32：预测噪声：
其中,
为预测得到的噪声，
为非线性的映射函数，用深度神经网络来实现，用于将
映射为输出数据，
为映射函数的参数；
S33：确定网络优化目标：
其中，
为损失函数，即网络参数
的取值通过最小化损失函数
来确定；
S34：确定总应变传感数据与预测噪声间残差：
确定总应变传感数据与预测噪声间残差
在频率范围
内频域损失函数
：
其中，
为与频率有关的权重函数，
为应变信号幅度谱；
其中，
为总应变传感数据与预测噪声间残差；
S35：计算经离散化后频域损失函数
：
其中，
为频率分区的个数，将观测噪声频率范围之外的
设为0，以使网络重点关注已观测到的噪声；
S35：计算时域损失函数
：
其中，
为时序信号样本的个数；
S36：确定整体的损伤函数：
其中，
为权重系数。
进一步地，所述噪声补偿算法模块通过深度学习算法对传感光纤的解调结构进行修正，或者通过深度学习算法产生补偿信号，所述补偿信号驱动光电器件进行反馈控制以抵消噪声和干扰。
进一步地，所述深度神经网络实现对噪声的估计，参考传感器获取机箱内部的环境变化信号并传输给数据采集处理模块，数据采集处理模块将转换或解调后的数据发送给噪声补偿算法模块，噪声补偿算法模块根据转换或解调后的数据对参考传感器中的环境变化信号进行估计。
进一步地，将环境变化进行等时间分段，截取其中一段信号为输入进行深度神经网络训练，得到频谱特征，相邻时间段内对应的重叠区域长度取决于去噪的频段。
进一步地，所述步骤S34中深度神经网络的损失函数为预测噪声与真实观测到的噪声之间的偏差，包含应变传感数据与预测噪声间残差的在噪声频率范围内幅度谱和/或包含应变传感数据与预测噪声在时域上的均方误差。
进一步地，所述深度神经网络采用自编码的网络架构，所述自编码的网络架构由编码器和解码器组成，包括由多层一维卷积层或转置卷积层/反卷积层搭建而成。
进一步地，所述深度神经网络中参数的取值需经误差反传和梯度下降的策略来训练，并经模型选择确定最终的网络参数。
进一步地，所述步骤S32中深度神经网络训练完成后，通过减法器将模型推理得到归一化的噪声能谱，与传感数据进行对准，比对完成去噪。
本发明的有益效果是：
1.本发明提出基于现场参考端的信号进行实时/线下比对的方法，通过深度神经网络，将探测端信号与参考端信号进行小步长的对比，通过反向传播的方法进行拟合，得到最优化的预测噪声，将其与探测端所侦测的目标信号进行比对，相减，此方法可作用于高本底噪声的作用环境，通过侦测本地端的多种模式信号，进行噪声模式匹配并相减，从而实现较单纯数据处理更加可靠的去噪信号，以实现提升仪器灵敏度。
2.本发明之损失函数基于频率相依的权重函数，其权重函数与目标信号呈倒数关系，引入此关系可以加速反向传播的收敛过程。因此在目标频带外将权重函数设为0以保证计算精度同时，减少计算量，提升效率。
3.本发明基于辅助参考端收集有效数据，通过深度神经网络实现可靠噪声补偿，此方法为通用型算法，其算法中的频率解析度（frequency resolution）可由离散傅里叶变换（DFT）的长度来确定（例如0.5Hz, DFT length set as 2s），以适应不同的目标频率区间。此类型算法可在算力允许的情况下，对低频噪声进行精细解析。
附图说明
图1为本发明实施例1的示意图；
图2为本发明实施例2的示意图；
图3为本发明实施例3的示意图；
图4为本发明实施例4的示意图；
图5为本发明实施例5的示意图；
图6为本发明实施例6的示意图；
图7为本发明实施例7的示意图。
具体实施方式
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
采用与传感光纤完全共路的光纤传感器分布式声波传感系统，光纤传感器与传感光纤串联并设置于传感光纤的输入端，并通过噪声补偿算法模块进行噪声补偿抑制的分布式声波传感系统；
依次设置光路上的光源，第一光纤耦合器，脉冲调制器，光放大器，光纤环形器，光纤传感器和传感光纤，光纤传感器设置于隔振保温盒中，所述第一光纤耦合器的输出端通过本地参考光传导光纤连接有第二光纤耦合器，所述光纤环形器的一个输出端连接有所述第二光纤耦合器，所述光纤环形器的另一个输出端连接有光纤传感器，所述光纤传感器的输出端连接有传感光纤，所述第二光纤耦合器的输出端连接有平衡探测器，所述平衡探测器的输出端连接有数据采集处理模块，设置于所述数据采集处理模块的输出端的噪声补偿算法模块；
光源输出激光，经第一光纤耦合器耦合为直流光分为两路，一路作为脉冲调制器的输入，另一路作为第二光纤耦合器的一端输入，输入脉冲调制器的直流光被调制产生重复频率为f，脉宽为τ的光脉冲。声光调制器产生的光脉冲输出经过光放大器后作为光纤环形器的输入，光纤环形器将光脉冲输出给光纤传感器，并输入到传感光纤。由于光纤传感器与传感光纤共路，受同样的光源频率和幅度噪声、放大器噪声和无源器件噪声的影响，在其对振动隔绝的情况下，传感光纤的相位解调输出反映了系统中频率和幅度噪声，相同的频率和幅度噪声同样作用于传感光纤。传感光纤的背向散射光或者内部结构的反射光返回到光纤传感器中，并通过光纤环形器返回，然后从光纤环形器的输出，作为第二光纤耦合器的另一端输入。光纤耦合器的输出端作为平衡探测器的输入。平衡探测器的信号输入给数据采集处理模块，解调获得应变信号，并将应变信号传输给噪声补偿算法进行噪声补偿计算。
实施例2
采用与传感光纤不完全共路的光纤传感器分布式声波传感系统，光纤传感器与传感光纤并联并通过第三光纤耦合器与所述光纤环形器的输出端相连，并通过噪声补偿算法模块进行噪声补偿抑制的分布式声波传感系统；
依次设置光路上的光源，第一光纤耦合器，脉冲调制器，光放大器，光纤环形器和第三光纤耦合器，光纤传感器设置于隔振保温盒中，所述第三光纤耦合器的输出端分为两路，一路连接光纤传感器，另一路连接传感光纤，所述第一光纤耦合器的输出端通过本地参考光传导光纤连接有第二光纤耦合器，所述光纤环形器的输出端连接有所述第二光纤耦合器，所述第二光纤耦合器的输出端连接有平衡探测器，所述平衡探测器的输出端连接有数据采集处理模块，设置于所述数据采集处理模块的输出端的噪声补偿算法模块；
光源输出激光，经第一光纤耦合器耦合为直流光分为两路，一路作为脉冲调制器的输入，另一路作为第二光纤耦合器的一端输入，输入脉冲调制器的直流光被调制产生重复频率为f，脉宽为τ的光脉冲。脉冲调制器产生的光脉冲输出经过光放大器后作为光纤环形器的输入，光纤环形器将光脉冲输出给第三光纤耦合器，第三光纤耦合器将光脉冲耦合后一路输出给光纤传感器，另一路输出给传感光纤，由于第三光纤耦合器的引入，光纤传感器和传感光纤在物理上的隔离增加，避免了外部的强扰动通过本地参考光传导光纤传播，传感光纤的背向散射光或者内部结构的反射光以及光纤传感器的背向散射光返回到第三光纤耦合器中，并通过光纤环形器返回，然后从光纤环形器的输出，作为第二光纤耦合器的另一端输入。光纤耦合器的输出端作为平衡探测器的输入。平衡探测器的信号输入给数据采集处理模块，解调获得应变信号，并将应变信号传输给噪声补偿算法进行噪声补偿计算。
实施例3
多个不同类型参考传感器的分布式声波传感系统的示例，并通过噪声补偿算法模块进行噪声补偿抑制的分布式声波传感系统；
依次设置光路上的光源，第一光纤耦合器，脉冲调制器，光放大器，光纤环形器和传感光纤，所述第一光纤耦合器的输出端通过本地参考光传导光纤连接有第二光纤耦合器，所述光纤环形器的输出端连接有所述第二光纤耦合器，所述第二光纤耦合器的输出端连接有平衡探测器，数据采集处理模块连接有两个输入端，一个输入端为平衡探测器，另一个输入端为多个参考传感器，且多个参考传感器设置于隔振保护盒中，所述数据采集处理模块的输出端为噪声补偿算法模块，这里的多个参考传感器由光纤传感器，电子传感器和机械传感器的随机组合。
光源输出激光，经第一光纤耦合器耦合为直流光分为两路，一路作为脉冲调制器的输入，另一路作为第二光纤耦合器的一端输入，输入脉冲调制器的直流光被调制产生重复频率为f，脉宽为τ的光脉冲。脉冲调制器产生的光脉冲输出经过光放大器后作为光纤环形器的输入，光纤环形器将光脉冲输出给传感光纤。传感光纤的背向散射光或者内部结构的反射光返回到参考传感器中，并通过光纤环形器返回，然后从光纤环形器的输出，作为第二光纤耦合器的另一端输入。第二光纤耦合器的输出端作为平衡探测器的输入。平衡探测器的信号输入给数据采集处理模块，同时多个参考传感器采集到的的电信号传输给数据采集处理模块，数据采集处理模块解调获得应变信号，并将应变信号传输给噪声补偿算法进行噪声补偿计算。
实施例4
采用测量光源温度的电子传感器的分布式声波传感系统的示例，并通过噪声补偿算法模块进行噪声补偿抑制的分布式声波传感系统；
依次设置光路上的光源，第一光纤耦合器，脉冲调制器，光放大器，光纤环形器和传感光纤，用于温度测量的电子传感器，紧贴光源放置，并同时置于隔振保护盒内，所述第一光纤耦合器的输出端通过本地参考光传导光纤连接有第二光纤耦合器，所述光纤环形器的输出端连接有所述第二光纤耦合器，所述第二光纤耦合器的输出端连接有平衡探测器，数据采集处理模块连接有两个输入端，一个输入端为平衡探测器，另一个输入端为同时置于隔振保护盒内的电子传感器和光源的传输，所述数据采集处理模块的输出端为噪声补偿算法模块。
光源输出激光，经第一光纤耦合器耦合为直流光分为两路，一路作为脉冲调制器的输入，另一路作为第二光纤耦合器的一端输入，输入脉冲调制器的直流光被调制产生重复频率为f，脉宽为τ的光脉冲。脉冲调制器产生的光脉冲输出经过光放大器后作为光纤环形器的输入，光纤环形器将光脉冲输出给传感光纤。传感光纤的背向散射光或者内部结构的反射光返回到电子传感器中，并通过光纤环形器返回，然后从光纤环形器的输出，作为第二光纤耦合器的另一端输入。光纤耦合器的输出端作为平衡探测器的输入。平衡探测器的信号输入给数据采集处理模块，同时电子传感器采集到的的信号传输给数据采集模块，数据采集处理模块解调获得应变信号，并将应变信号传输给噪声补偿算法进行噪声补偿计算。
实施例5
采用测量参考光路的振动信息的机械传感器的分布式声波传感系统的示例，并通过噪声补偿算法模块进行噪声补偿抑制的分布式声波传感系统；
依次设置光路上的光源，第一光纤耦合器，脉冲调制器，光放大器，光纤环形器和传感光纤，所述第一光纤耦合器的输出端通过本地参考光传导光纤连接有第二光纤耦合器，机械传感器与本地参考光传导光纤置于同一隔振保护盒中。所述光纤环形器的输出端连接有所述第二光纤耦合器，所述第二光纤耦合器的输出端连接有平衡探测器，数据采集处理模块连接有两个输入端，一个输入端为平衡探测器，另一个输入端为同时置于隔振保护盒内的机械传感器和本地参考光传导光纤的传输，所述数据采集处理模块的输出端为噪声补偿算法模块。
光源输出激光，经第一光纤耦合器耦合为直流光分为两路，一路作为脉冲调制器的输入，另一路作为第二光纤耦合器的一端输入，输入脉冲调制器的直流光被调制产生重复频率为f，脉宽为τ的光脉冲。脉冲调制器产生的光脉冲输出经过光放大器后作为光纤环形器的输入，光纤环形器将光脉冲输出给传感光纤。传感光纤的背向散射光或者内部结构的反射光返回到机械传感器中，并通过光纤环形器返回，然后从光纤环形器的输出，作为第二光纤耦合器的另一端输入。光纤耦合器的输出端作为平衡探测器的输入。平衡探测器的信号输入给数据采集处理模块，同时在外界引入的振动过大以至于隔振保护盒不能有效地通过机械方式抑制其影响时，本地参考光传导光纤感受到的振动会体现在传感光纤的解调结果中，体现为外部串扰噪声。机械传感器由于与本地参考光传导光纤置于同一环境中，可以获得较准确的外部振动串扰，其测量结果可转化为电信号作为数据处理模块的输入，并传输给噪声补偿算法进行噪声补偿计算。
实施例6
采用与传感光纤完全共路的光纤传感器，光纤传感器与传感光纤串联并设置于传感光纤的输入端，通过算法结合光电反馈装置进行噪声补偿抑制的分布式声波传感系统的示例；
依次设置光路上的光源，第一光纤耦合器，脉冲调制器，光放大器，光纤环形器，光纤传感器和传感光纤，光纤传感器设置于隔振保温盒中，所述第一光纤耦合器的输出端通过本地参考光传导光纤连接有第二光纤耦合器，压电晶体上缠绕着本地参考光传导光纤，所述光纤环形器的一个输出端连接有所述第二光纤耦合器，所述光纤环形器的另一个输出端连接有光纤传感器，所述光纤传感器的输出端连接有传感光纤，所述第二光纤耦合器的输出端连接有平衡探测器，数据采集处理模块连接有两个输入端，一个输入端为平衡探测器，压电晶体上缠绕着本地参考光传导光纤的输出端为驱动型号模块作为，数据采集处理模块的另一个输入端，所述数据采集处理模块的输出端为噪声补偿算法模块。
光源输出激光，经第一光纤耦合器耦合为直流光分为两路，一路作为脉冲调制器的输入，另一路作为第二光纤耦合器的一端输入，输入脉冲调制器的直流光被调制产生重复频率为f，脉宽为τ的光脉冲。脉冲调制器产生的光脉冲输出经过光放大器后作为光纤环形器的输入，光纤环形器将光脉冲输出给光纤传感器，并输入到传感光纤。由于光纤传感器与传感光纤共路，受同样的光源频率和幅度噪声、放大器噪声和无源器件噪声的影响，在其对振动隔绝的情况下，传感光纤的相位解调输出反映了系统中频率和幅度噪声，相同的频率和幅度噪声同样作用于传感光纤。传感光纤的背向散射光或者内部结构的反射光返回到光纤传感器中，并通过光纤环形器返回，然后从光纤环形器的输出，作为第二光纤耦合器的另一端输入。光纤传感器布放设计下，对系统噪声的补偿通过电学反馈，驱动一个压电晶体，压电晶体上缠绕着本地参考光传导光纤。外界和环境和光源、有源器件的噪声特征通过对本地参考光传导光纤的相位解调来获得，而这些噪声特征经过算法修正，通过驱动信号模块产生用于补偿的电信号，该信号驱动压电晶体来抵消外界干扰对本地参考光传导光纤的串扰，进而达到系统降噪的目的。平衡探测器的信号和驱动信号模块输入给数据采集处理模块，解调获得应变信号，并将应变信号传输给噪声补偿算法进行噪声补偿计算。
实施例7
参考传感器所采集的参考数据进行实际信号噪声剥离的流程示例。
以实施例1示例。示例中的参考传感器收集仪器的本底噪声数据，连同传感光纤探测的数据，通过高速数据传输接口发送至至计算平台。在数据处理平台上依次按照以下步骤进行降噪处理：
数据预处理：
1.在计算平台中使用八阶-巴特沃斯带通滤波器对辅助输出信号
进行滤波，以降低目标带宽外的能量。
2.对各组辅助信号输出端的数据及应变探测端的数据进行归一化处理以避免离散化的谱损失函数
在做机器学习运算时产生数值不稳定性。
3.将连续的时域信号分为小段的时间区块，并将各时间区块首尾部分重叠，以有效增加模型对噪声耦合的模式识别。对于抑制频率低至60Hz的噪声时，建议时间重叠区长度为4-10秒。
4.通过离散傅里叶变化区间以调整模型所解析的频率分辨率，以增加离散傅里叶变化区间来增加频率分辨率。
网络搭建：
5.采用一维卷积神经网络来从辅助传感数据
中得到噪声
。首先输入信号
经过几层卷积层后降维为更抽象的高层特征，然后再利用转置卷积网络（反卷积网络）对高层特征进行重组合，生成与原始输入信号相同长度的噪声信号。
6.为从
中估计出相同长度的
，本发明采用了自编码式的卷积网络结构。首先，输入信号经过几层卷积层后降维为更抽象的高层特征，然后再利用转置卷积网络（反卷积网络）对高层特征进行重组合，生成与原始输入信号相同长度的噪声信号。
7.在网络中，除最后一层外，其他层的输出都使用批归一化处理并经过了非线性函数的激活。
网络训练：
8.在网络训练阶段，为确定网络中参数的取值，对于每一小批次数据，首先根据网络作用于它们之后的输出来计算损失函数的取值，然后采用误差反传和随机梯度下降的方法来对网络参数进行更新，并通过监测网络在验证集上的表现来确定网络的训练时长。
数据去噪：
9.网络训练完成后，通过减法器将模型推理得到的噪声能谱，与归一化预处理的传感数据进行对准，比对完成去噪。
在这个基本的分布式声波传感系统中，本发明引入参考传感器用于获得系统中的器件、机械结构以及外部环境的温度和应变信息。因此系统除将外界应变传感数据作为主要输出外，同时监测自身的部分状态信息作为辅助输出，这些辅助输出中存在稳定及非稳定两类噪声的信息，因此使用其中稳定的信号将其进行时序对准可用于去除信号中的部分噪声以提升系统灵敏度。这样，通过算法在解调数据上的直接补偿，或者通过系统设计结合算法的反馈补偿采，可以降低低频噪声，提高零飘稳定性，实现高精度、大范围的分布式应变传感。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (13)
1.一种基于参考传感器的分布式声波传感降噪方法，其特征在于，包括以下步骤：
S1:建立相位型光时域反射模块；
S2:设立参考传感器用以获得所述相位型光时域反射模块的噪声特征；
S3:通过噪声补偿算法模块对所述噪声特征计算补偿；
所述步骤S3中，包括以下子步骤：
S31:对应变传感数据进行建模：
其中，
表示总应变传感数据，
表示真实应变传感数据，
表示噪声应变传感数据；
其中，
，
表示辅助传感数据，
为辅助输出
中的噪声，
为不可滤除的系统固有噪声；
S32：预测噪声：
其中,
为预测得到的噪声，
为非线性的映射函数，用深度神经网络来实现，用于将
映射为输出数据，
为映射函数的参数；
S33：确定网络优化目标：
其中，
为损失函数，即网络参数
的取值通过最小化损失函数
来确定；
S34：确定总应变传感数据与预测噪声间残差：
确定总应变传感数据与预测噪声间残差
在频率范围
内频域损失函数
：
其中，
为与频率有关的权重函数，
为应变信号幅度谱；
其中，
为总应变传感数据与预测噪声间残差；
S35：计算经离散化后频域损失函数
：
其中，
为频率分区的个数，将观测噪声频率范围之外的
设为0，以使网络重点关注已观测到的噪声；
S36：计算时域损失函数
：
其中，
为时序信号样本的个数；
S37：确定整体的损伤函数：
其中，
为权重系数。
2.如权利要求1所述的一种基于参考传感器的分布式声波传感降噪方法，其特征在于，所述噪声补偿算法模块通过深度学习算法对传感光纤的解调结构进行修正，或者通过深度学习算法产生补偿信号，所述补偿信号驱动光电器件进行反馈控制以抵消噪声和干扰。
3.如权利要求1所述的一种基于参考传感器的分布式声波传感降噪方法，其特征在于，所述深度神经网络实现对噪声的估计，参考传感器获取机箱内部的环境变化信号并传输给数据采集处理模块，数据采集处理模块将转换或解调后的数据发送给噪声补偿算法模块，噪声补偿算法模块根据转换或解调后的数据对参考传感器中的环境变化信号进行估计。
4.如权利要求3所述的一种基于参考传感器的分布式声波传感降噪方法，其特征在于，将环境变化进行等时间分段，截取其中一段信号为输入进行深度神经网络训练，得到频谱特征，相邻时间段内对应的重叠区域长度取决于去噪的频段。
5.如权利要求1所述的一种基于参考传感器的分布式声波传感降噪方法，其特征在于，所述步骤S34中深度神经网络的损失函数为预测噪声与真实观测到的噪声之间的偏差，包含应变传感数据与预测噪声间残差的在噪声频率范围内幅度谱和/或包含应变传感数据与预测噪声在时域上的均方误差。
6.如权利要求1所述的一种基于参考传感器的分布式声波传感降噪方法，其特征在于，所述深度神经网络可采用自编码的网络架构，所述自编码的网络架构由编码器和解码器组成，包括由多层一维卷积层或转置卷积层/反卷积层搭建而成。
7.如权利要求1所述的一种基于参考传感器的分布式声波传感降噪方法，其特征在于，所述深度神经网络中参数的取值需经误差反传和梯度下降的策略来训练，并经模型选择确定最终的网络参数。
8.如权利要求1所述的一种基于参考传感器的分布式声波传感降噪方法，其特征在于，所述步骤S32中深度神经网络训练完成后，可通过减法器将模型推理得到归一化的噪声能谱，与传感数据进行对准，比对完成去噪。
9.一种使用权利要求1所述的一种基于参考传感器的分布式声波传感降噪方法的一种基于参考传感器的分布式声波传感降噪系统，其特征在于，
包括相位型光时域反射模块，所述相位型光时域反射模块包括依次设置于光路上的光源，第一光纤耦合器，脉冲调制器，光放大器，光纤环形器和传感光纤，所述第一光纤耦合器的输出端通过本地参考光传导光纤连接有第二光纤耦合器，所述光纤环形器的输出端连接有所述第二光纤耦合器，所述第二光纤耦合器的输出端连接有平衡探测器，所述平衡探测器的输出端连接有数据采集处理模块；
参考传感器，用以获得所述相位型光时域反射模块的噪声特征；
噪声补偿算法模块，设置于所述数据采集处理模块的输出端，用于对所述噪声特征使用深度学习算法计算，对计算后的所述噪声特征进行补偿。
10.如权利要求9所述的一种基于参考传感器的分布式声波传感降噪系统，其特征在于，所述参考传感器的放置位置包括：所述参考传感器与所述传感光纤串联并设置于所述传感光纤的输入端、所述参考传感器与所述传感光纤并联并通过第三光纤耦合器与所述光纤环形器的输出端相连、所述参考传感器设置于紧贴所述光源位置、所述参考传感器设置于各个光电器件表面上、将所述本地参考光传导光纤缠绕在所述参考传感器表面。
11.如权利要求9所述的一种基于参考传感器的分布式声波传感降噪系统，其特征在于，所述参考传感器为光纤传感器、电子传感器或机械传感器。
12.如权利要求9所述的一种基于参考传感器的分布式声波传感降噪系统，其特征在于，所述参考传感器的输出信号为光信号、模拟电信号或者数字电信号。
13.如权利要求9所述的一种基于参考传感器的分布式声波传感降噪系统，其特征在于，所述参考传感器的材料为导热、阻热、导声或隔振。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110965451.9A CN113654642B (zh) | 2021-08-23 | 2021-08-23 | 一种基于参考传感器的分布式声波传感降噪系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110965451.9A CN113654642B (zh) | 2021-08-23 | 2021-08-23 | 一种基于参考传感器的分布式声波传感降噪系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113654642A CN113654642A (zh) | 2021-11-16 |
| CN113654642B true CN113654642B (zh) | 2022-06-24 |
Family
ID=78491908
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110965451.9A Active CN113654642B (zh) | 2021-08-23 | 2021-08-23 | 一种基于参考传感器的分布式声波传感降噪系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113654642B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114257313B (zh) * | 2021-12-18 | 2023-04-07 | 江苏中天科技股份有限公司 | 基于深度学习的光纤光栅传感系统降噪方法及其相关设备 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111368710A (zh) * | 2020-02-27 | 2020-07-03 | 东北石油大学 | 一种联合深度学习的地震数据随机噪声压制方法 |
Family Cites Families (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102322880B (zh) * | 2011-08-18 | 2013-06-05 | 天津大学 | 偏振敏感的分布式光频域反射扰动传感装置和解调方法 |
| CN103226028B (zh) * | 2013-05-02 | 2015-07-01 | 电子科技大学 | 一种相敏光时域反射仪扰动信号检测与识别方法 |
| CN106225907B (zh) * | 2016-06-28 | 2018-11-20 | 浙江大学 | 一种基于φ-otdr技术的光纤振动识别系统及方法 |
| CN107957276B (zh) * | 2018-01-05 | 2019-07-12 | 南京大学 | 基于频率漂移补偿的相位敏感光时域反射计及其测量方法 |
| CN108444508B (zh) * | 2018-03-16 | 2020-06-02 | 北京大学 | 一种外差解调光纤传感系统中共模噪声的抑制方法及系统 |
| CN109508631A (zh) * | 2018-09-12 | 2019-03-22 | 上海电科智能系统股份有限公司 | 一种基于分布式光纤传感技术的交通流模型构建方法 |
| CN109724685B (zh) * | 2018-12-10 | 2021-01-19 | 武汉理工大学 | 基于Fizeau干涉的光纤光栅水声传感阵列解调方法及系统 |
| CN110608760A (zh) * | 2019-07-05 | 2019-12-24 | 中国地质大学（武汉） | 相位敏感光时域反射传感系统扰动探测信噪比提高方法 |
| AU2020100890A4 (en) * | 2020-05-29 | 2020-07-16 | Guilin Univ. Electr. Techol. | A method and device for improving sensitivity of vibration sensing for vehicles |
| CN111678584A (zh) * | 2020-06-17 | 2020-09-18 | 珠海任驰光电科技有限公司 | 一种带光源频移校准辅助通道的光纤振动测量装置及方法 |
| CN111678583B (zh) * | 2020-06-17 | 2022-02-18 | 珠海任驰光电科技有限公司 | 一种光源噪声改善的光纤振动测量装置及方法 |
| CN112382265B (zh) * | 2020-10-21 | 2024-05-28 | 西安交通大学 | 基于深度循环神经网络的主动降噪方法、存储介质及系统 |
-
2021
- 2021-08-23 CN CN202110965451.9A patent/CN113654642B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111368710A (zh) * | 2020-02-27 | 2020-07-03 | 东北石油大学 | 一种联合深度学习的地震数据随机噪声压制方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于深度学习的分布式在线管道损伤识别研究;车前;《中国优秀硕士学位论文全文数据库》;20210815(第8期);正文第1-56页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113654642A (zh) | 2021-11-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Che et al. | Partial discharge recognition based on optical fiber distributed acoustic sensing and a convolutional neural network | |
| CN111006753B (zh) | 一种相位反馈控制的光纤干涉超低频振动测量装置及方法 | |
| CN113654642B (zh) | 一种基于参考传感器的分布式声波传感降噪系统及方法 | |
| Chan et al. | Enhancement of measurement accuracy in fiber Bragg grating sensors by using digital signal processing | |
| CN110160569A (zh) | 用于分布式光纤传感信号的降噪方法、系统及存储介质 | |
| CN110412038B (zh) | 一种基于单光纤光栅和神经网络的结构损伤位置识别系统 | |
| EP1228348A2 (en) | Optical method for the transmission of signals from remote arrays of electrical sensors | |
| Tong et al. | High-speed Mach-Zehnder-OTDR distributed optical fiber vibration sensor using medium-coherence laser | |
| CN105157874A (zh) | 一种分布式边界安防监测系统及方法 | |
| AU2013243983A1 (en) | Signal monitoring system and methods of operating same | |
| CN108288999A (zh) | 基于瑞利散射的降噪分布式光纤水听的应用 | |
| Wang et al. | Robust and fast temperature extraction for Brillouin optical time-domain analyzer by using denoising autoencoder-based deep neural networks | |
| Lalam et al. | Recent development in artificial neural network based distributed fiber optic sensors | |
| Liu et al. | An S-transform-based positioning method for asymmetric interferometer disturbance sensors | |
| CN111238552B (zh) | 基于深度学习的分布式光纤传感系统扰动定位方法 | |
| CN112649115A (zh) | 一种opgw光缆温度监测系统 | |
| Chan et al. | Improving the wavelength detection accuracy of FBG sensors using an ADALINE network | |
| Tangudu et al. | Dynamic range enhancement of OTDR using lifting wavelet transform‐modified particle swarm optimisation scheme | |
| CN106093736B (zh) | 频率响应特性可调谐的局部放电超声光纤传感系统及方法 | |
| Bogachkov et al. | The modeling of the Brillouin backscattering for searching of mechanical strained places in optical fibers | |
| CN113124931B (zh) | 一种提高电力光纤状态监测精度的方法、装置及存储介质 | |
| CN110647132B (zh) | 一种网络化运动控制系统频域分区攻击检测方法 | |
| Wang et al. | Interference fading suppression with fault-tolerant Kalman filter in phase-sensitive OTDR | |
| US20050058457A1 (en) | Method and apparatus for optical noise cancellation | |
| CN106546281A (zh) | 一种基于分布式光纤传感的飞行器健康状态监测系统 |
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 |