CN114777947A - 一种分布式光纤温度异常事件定位方法 - Google Patents

一种分布式光纤温度异常事件定位方法 Download PDF

Info

Publication number
CN114777947A
CN114777947A CN202210352906.4A CN202210352906A CN114777947A CN 114777947 A CN114777947 A CN 114777947A CN 202210352906 A CN202210352906 A CN 202210352906A CN 114777947 A CN114777947 A CN 114777947A
Authority
CN
China
Prior art keywords
temperature
array
optical fiber
data
abnormal
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
Application number
CN202210352906.4A
Other languages
English (en)
Other versions
CN114777947B (zh
Inventor
王洪辉
王思波
王翔
王宇航
刘仝
曾尚昆
王奕茹
姚光乐
刘瑛
庹先国
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu Univeristy of Technology
Original Assignee
Chengdu Univeristy of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chengdu Univeristy of Technology filed Critical Chengdu Univeristy of Technology
Priority to CN202210352906.4A priority Critical patent/CN114777947B/zh
Publication of CN114777947A publication Critical patent/CN114777947A/zh
Priority to US18/192,224 priority patent/US20230324234A1/en
Application granted granted Critical
Publication of CN114777947B publication Critical patent/CN114777947B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G01K11/324—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 using Raman scattering
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
    • G01K15/00—Testing or calibrating of thermometers
    • G01K15/002—Calibrated temperature sources, temperature standards therefor
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
    • G01K15/00—Testing or calibrating of thermometers
    • G01K15/005—Calibration
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
    • G01K15/00—Testing or calibrating of thermometers
    • G01K15/007—Testing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
    • G01K3/00—Thermometers giving results other than momentary value of temperature
    • G01K3/005—Circuits arrangements for indicating a predetermined temperature
    • 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
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/048—Activation functions
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Measuring Temperature Or Quantity Of Heat (AREA)

Abstract

本发明公开了一种分布式光纤温度异常事件定位方法，包括生成由训练样本构成的训练数据集；为训练样本设置标签；构建卷积神经网络、训练得到网络模型；在待测区域布设光纤测温系统得到与训练样本结构相同的子数组；送入卷积神经网络模型中，得到输出特征；再对输出特征映射、二值、偏移、得到多个与输出特征对应的偏移特征，取余弦相似度最大的偏移特征去查找其在序列P中的位置，作为该子数组对应在传感光纤上的温度异常事件定位。本发明可以在不同的背景温度条件下检测出温度异常事件并准确定位温度异常发生的位置。能有效地减少人工调参繁琐和不同长度的光纤采集的数据量不适配的问题，提高了异常检测的正确率和准确率。

Description

一种分布式光纤温度异常事件定位方法
技术领域
本发明涉及一种温度异常事件定位方法，尤其涉及一种分布式光纤温度异常事件定位方法。
背景技术
因光纤的抗电磁干扰、实时测量和分布式连续测量等特性，分布式光纤测温系统已经广泛应用于电网、油气管道以及核环境等一些特定的、恶劣的环境下的安全监测。分布式光纤温度传感技术，英语Raman-based Distributed Temperature Sensing，缩写为RDTS，每一次采集都能获取整根光纤上不同位置的温度信息，其数据量非常大，所以在一些安全监测的系统上，进行温度异常事件的检测与定位就显得尤为重要。
异常检测通常针对的是单变量时序数据。在各种时序数据中，包括主成分分析PCA、一分类支持向量机OC-SVM、局部异常因子LOF、基于直方图的异常值分数HBOS、孤立森林Isolation Forest等算法有非常不错的效果。然而，如果将RDTS中的每个信号扩展为时序信号，需要对每个信号所对应的时序信号建立模型，并设置对应的模型参数。随着传感光纤长度增加，模型数量也随之增加，使得参数调整繁琐，限制了方法使用的广度，也割裂了各测量值之间的相关性，导致定位效率低、精度低。
发明内容
本发明的目的就在于提供一种解决上述问题，能有效地提高分布光纤中温度异常事件检测及定位精度的，一种分布式光纤温度异常事件定位方法。
为了实现上述目的，本发明采用的技术方案是这样的：一种分布式光纤温度异常事件定位方法，包括以下步骤：
（1）生成训练数据集；
（11）将光纤测温系统的传感光纤置于恒温水箱中，预设数个背景温度和数个异常温度，所述光纤测温系统每次采集得到一长度为L×2的数组，每列数据对应传感光纤上一位置信息，且L个位置信息构成一长度为L的位置序列；
（12）在每个背景温度下采集多次，每次得到一背景温度数组，共A个背景温度数组，在每个异常温度下采集多次，每次得到一异常温度数组，共B个异常温度数组；
（13）将背景温度数组和异常温度数组归一化处理、对位置序列归一化处理得到序列P；
（14）将归一化后的背景温度数组，分别与序列P构成一L×3的数组，共A个，作为A类数组；将归一化后的异常温度数组，分别与序列P构成一L×3的数组，共B个，作为B类数组；
（15）将每个B类数组分为数个长度为M的区间，在每个区间内任选一段作为异常温度范围，用异常温度范围内的数据替换A类数组对应位置处的数据，形成替换样本；
（16）将所有替换样本和A类数组，均分成大小为M×3的训练样本，所有训练样本构成训练数据集；
（2）为每个训练样本设置标签，标签长度为M，训练样本第j列若为异常温度范围内数据，则其标签第j位为0，否则为1，j=1~M；
（3）构建一卷积神经网络、训练得到网络模型；
所述卷积神经网络包括多层卷积网络和一个全连接层，所述多层卷积网络由多个卷积层构成，输入大小为M×3，输出大小为512，所述全连接层输出大小为M；
所述训练为，将训练样本送入卷积神经网络中，以其标签为期望输出，得到卷积神经网络模型；
（4）在待测区域布设光纤测温系统，采集得到一L×2的温度数组，归一化处理后，与序列P构成一L×3的数组，将该数组均分为多个M×3的子数组；
（5）将子数组送入卷积神经网络模型中，得到一长度为M的输出特征，映射到0-1区间得到映射特征、再二值化得到二值特征；
（6）对每一个二值特征，将其在x方向上偏移，每偏移一次得到一偏移特征，计算偏移特征与其对应子数组中第一行数据的余弦相似度；
（7）取余弦相似度最大的偏移特征，查找其在序列P中的位置，作为该子数组在传感光纤上的温度异常事件定位；
（8）将其余子数组按步骤（5）-（7），得到所有子数组在传感光纤上的温度异常事件定位。
作为优选：所述光纤测温系统采集的长度为L×2的数组，第一、第二行分别为anti-Stokes原始数据和Stokes原始数据。
作为优选：步骤（13）具体为：
将背景温度数组和异常温度数组构成温度数组，查找温度数组中元素的最小值R和最大值，并计算二者的差值D；
对背景温度数组和异常温度数组的每一行数据，采用下式归一化处理；
Figure 893698DEST_PATH_IMAGE001
式中，x i 为归一化前一行数据的第i个值，x’ i 为归一化后的一行数据的第i个值；
对位置序列采用下式进行归一化处理，得到序列P；
Figure 418221DEST_PATH_IMAGE002
式中L i 为归一化前位置序列的第i个值，L’ i 为序列P的第i个值。
作为优选：步骤（15）具体为：
（151）将A类数组依次标记为A1-AA，B类数组依次标记为B1-BB；
（152）将B1以M为间隔分成多个区间，M=64～256，在每个区间内任选3~15个连续的点作为异常温度范围；
（153）随机抽取一数组Ai，i=1~A，将B1中异常温度范围的数据，替换到Ai中，被替换后的Ai构成一替换样本；
（154）按步骤（152）-（153），依次对B2-BB进行处理，共得到B个替换样本；
（155）重复步骤（152）-（154）T次，得到T×B个替换样本。
作为优选：步骤（3）中，多层卷积网络的多个卷积层结构为：
第一层一维卷积的卷积核大小为3，步进为1，填充1，输入通道为100，输出通道为256，批标准化为256，激活层激活函数为ReLU；
第二层一维卷积的卷积核大小为3，步进为1，填充1，输入通道为256，输出通道为256，批标准化为256，激活层激活函数为ReLU；
第三层一维卷积的卷积核大小为2，步进为1，填充0，输入通道为256，输出通道为256，批标准化为256，激活层激活函数为ReLU；
第四层一维卷积的卷积核大小为2，步进为1，填充0，输入通道为256，输出通道为512，批标准化为512，激活层激活函数为ReLU；
第五层一维卷积的卷积核大小为1，步进为1，填充0，输入通道为512，输出通道为512，批标准化为512，激活层激活函数为ReLU。
作为优选：步骤（5）中，用Sigmoid函数映射，Sigmoid函数的表达式为；
Figure 438129DEST_PATH_IMAGE003
式中，e为自然常数，g k 为输出特征的第k个值，S(g k )为映射特征的第k个值；
二值化时，采用下式进行阈值判断；
Figure 706300DEST_PATH_IMAGE004
Th为阈值，F j 为映射特征的第j个值，F’ j 为二值特征的第j个值。
作为优选：步骤（6）中，预设偏移量W=1～5，且W为整数；
当二值特征向左偏移W后，左端丢弃W个值与偏移前的二值特征左端对齐，右端空余位用偏移前的二值特征的最右端值填充，得到偏移特征；
当二值特征向右偏移W后，右端丢弃W个值与偏移前的二值特征右端对齐，左端空余位用偏移前的二值特征的最左端值填充，得到偏移特征。
本发明流程为：
先生成训练样本，其中光纤测温系统会在多个背景温度和异常温度下采样得到多个L×2的数组，并归一化处理，再将归一化后的异常温度数组分为M段，在每一段上任选3~15个连续的点作为异常温度范围，去替换归一化后的背景温度数组中对应值，这样，每个分段上，都包含正常温度对应的数据，和3~15个点的异常温度对应的数据。
再根据数据对应是的正常温度还是异常温度，设置标签，用这样形成的训练样本去训练卷积神经网络，以训练样本的标签为输出，得到训练好的网络模型，该网络模型具有输入任意长度为M×3的数组，输出一接近期望输出的特征向量，本发明将该输出命名为输出特征。
再将输出特征映射得到映射特征、二值划分得到二值特征、偏移得到偏移特征，取余弦相似度最大的偏移特征，作为该子数组的最优特征，再查找最优特征在序列P中的位置，最终完成定位。
与现有技术相比，本发明的优点在于：
训练采用大量的背景温度和异常温度，从而具有强大的兼容性，可以在不同的背景温度条件下检测出温度异常事件并准确定位温度异常发生的位置。能有效地减少人工调参繁琐和不同长度的光纤采集的数据量不适配的问题，提高了异常检测的正确率和准确率。
将获取的anti-Stokes和Stokes原始数据及其位置信息分别归一化后构造成一L×3的数组，将其切均分成大小为M×3的子数组后输入网络，有助于降低模型的参数数量。
将网络提取的特征经映射、二值化后偏移，计算偏移的特征与子数组中归一化后的anti-Stokes原始数据的余弦相似度，取余弦相似度最大时的特征为最终的温度异常事件定位特征，这样得到的温度异常事件定位能够在网络输出的特征发生了位置偏差时在一定程度上对特征进行位置矫正。
本发明提供的方法有效地减少人工调参繁琐和不同长度的光纤采集的数据量不适配的问题，并隐式的利用了信号之间的空间关系，有效地提高了温度异常事件检测的正确率和准确率。
附图说明
图1为本发明流程图；
图2为光纤测温系统的原理图；
图3为卷积神经网络的结构图；
图4步骤（2）中经归一化处理的anti-Stokes原始数据、Stokes原始数据、位置序列结果图；
图5为步骤（5）中子数组中第一行归一化后的anti-Stokes原始数据与该子数组映射特征的对比图；
图6为偏移矩阵的构成示意图；
图7为温度异常事件在不同方法检测下的正确率；
图8为温度异常事件在不同方法检测下的精确率；
图9为温度异常事件在不同方法检测下的召回率；
图10为温度异常事件在不同方法检测下的精度和召回率的调和平均数。
具体实施方式
下面将结合附图对本发明作进一步说明。
实施例1：参见图1-图2，一种分布式光纤温度异常事件定位方法，其特征在于：包括以下步骤：
（1）生成训练数据集；
（11）将光纤测温系统的传感光纤置于恒温水箱中，预设数个背景温度和数个异常温度，所述光纤测温系统每次采集得到一长度为L×2的数组，每列数据对应传感光纤上一位置信息，且L个位置信息构成一长度为L的位置序列；
（12）在每个背景温度下采集多次，每次得到一背景温度数组，共A个背景温度数组，在每个异常温度下采集多次，每次得到一异常温度数组，共B个异常温度数组；
（13）将背景温度数组和异常温度数组归一化处理、对位置序列归一化处理得到序列P；
（14）将归一化后的背景温度数组，分别与序列P构成一L×3的数组，共A个，作为A类数组；将归一化后的异常温度数组，分别与序列P构成一L×3的数组，共B个，作为B类数组；
（15）将每个B类数组分为数个长度为M的区间，在每个区间内任选一段作为异常温度范围，用异常温度范围内的数据替换A类数组对应位置处的数据，形成替换样本；
（16）将所有替换样本和A类数组，均分成大小为M×3的训练样本，所有训练样本构成训练数据集；
（2）为每个训练样本设置标签，标签长度为M，训练样本第j列若为异常温度范围内数据，则其标签第j位为0，否则为1，j=1~M；
（3）构建一卷积神经网络、训练得到网络模型；
所述卷积神经网络包括多层卷积网络和一个全连接层，所述多层卷积网络由多个卷积层构成，输入大小为M×3，输出大小为512，所述全连接层输出大小为M；
所述训练为，将训练样本送入卷积神经网络中，以其标签为期望输出，得到卷积神经网络模型；
（4）在待测区域布设光纤测温系统，采集得到一L×2的温度数组，归一化处理后，与序列P构成一L×3的数组，将该数组均分为多个M×3的子数组；
（5）将子数组送入卷积神经网络模型中，得到一长度为M的输出特征，映射到0-1区间得到映射特征、再二值化得到二值特征；
（6）对每一个二值特征，将其在x方向上偏移，每偏移一次得到一偏移特征，计算偏移特征与其对应子数组中第一行数据的余弦相似度；
（7）取余弦相似度最大的偏移特征，查找其在序列P中的位置，作为该子数组在传感光纤上的温度异常事件定位；
（8）将其余子数组按步骤（5）-（7），得到所有子数组在传感光纤上的温度异常事件定位。
本实施例中，所述光纤测温系统采集的长度为L×2的数组，第一、第二行分别为anti-Stokes原始数据和Stokes原始数据。
关于步骤（13），本实施例给出一种具体方法，但不仅限该方法；
步骤（13），将背景温度数组和异常温度数组构成温度数组，查找温度数组中元素的最小值R和最大值，并计算二者的差值D；
对背景温度数组和异常温度数组的每一行数据，采用下式归一化处理；
Figure 511576DEST_PATH_IMAGE005
式中，x i 为归一化前一行数据的第i个值，x’ i 为归一化后的一行数据的第i个值；
对位置序列采用下式进行归一化处理，得到序列P；
Figure 82365DEST_PATH_IMAGE006
式中L i 为归一化前位置序列的第i个值，L’ i 为序列P的第i个值。
关于步骤（15），本实施例给出一种具体方法，包括步骤（151）-（155）：
（151）将A类数组依次标记为A1-AA，B类数组依次标记为B1-BB；
（152）将B1以M为间隔分成多个区间，M=64～256，在每个区间内任选3~15个连续的点作为异常温度范围；
（153）随机抽取一数组Ai，i=1~A，将B1中异常温度范围的数据，替换到Ai中，被替换后的Ai构成一替换样本；
（154）按步骤（152）-（153），依次对B2-BB进行处理，共得到B个替换样本；
（155）重复步骤（152）-（154）T次，得到T×B个替换样本。
步骤（3）中，多层卷积网络的多个卷积层结构为：
第一层一维卷积的卷积核大小为3，步进为1，填充1，输入通道为100，输出通道为256，批标准化为256，激活层激活函数为ReLU；
第二层一维卷积的卷积核大小为3，步进为1，填充1，输入通道为256，输出通道为256，批标准化为256，激活层激活函数为ReLU；
第三层一维卷积的卷积核大小为2，步进为1，填充0，输入通道为256，输出通道为256，批标准化为256，激活层激活函数为ReLU；
第四层一维卷积的卷积核大小为2，步进为1，填充0，输入通道为256，输出通道为512，批标准化为512，激活层激活函数为ReLU；
第五层一维卷积的卷积核大小为1，步进为1，填充0，输入通道为512，输出通道为512，批标准化为512，激活层激活函数为ReLU。
步骤（5）中，用Sigmoid函数映射，Sigmoid函数的表达式为；
Figure 855149DEST_PATH_IMAGE007
式中，e为自然常数，g k 为输出特征的第k个值，S(g k )为映射特征的第k个值；
二值化时，采用下式进行阈值判断；
Figure DEST_PATH_IMAGE008
Th为阈值，F j 为映射特征的第j个值，F’ j 为二值特征的第j个值。
步骤（6）中，预设偏移量W=1～5，且W为整数；
当二值特征向左偏移W后，左端丢弃W个值与偏移前的二值特征左端对齐，右端空余位用偏移前的二值特征的最右端值填充，得到偏移特征；
当二值特征向右偏移W后，右端丢弃W个值与偏移前的二值特征右端对齐，左端空余位用偏移前的二值特征的最左端值填充，得到偏移特征。
本实施例采用的光纤测温系统，结构参见图2，包括依次连接的激光脉冲光源、波分复用器和传感光纤，所述传感光纤沿测试区域长度方向布设，所述波分复用器输出端经雪崩光电二极管、放大器、连接数据采集卡；其中，激光脉冲光源发出激光脉冲，经波分复用器耦合进传感光纤，传感光纤产生后向拉曼散射光送回波分复用器，由波分复用器分为anti-Stokes光和Stokes光，经雪崩光电二极管转换为anti-Stokes电信号和Stokes电信号，再经过放大器和数据采集卡转换为anti-Stokes数据和Stokes数据。
实施例2：参见图1-图6；一种分布式光纤温度异常事件定位方法，包括以下步骤：
（1）生成训练数据集；
（11）同实施例1步骤（11），其中，L=2000，每次采样得到的数据为2000×2的数组，第一行2000个数据，为anti-Stokes原始数据，第二行2000个数据，为Stokes原始数据，同一列的anti-Stokes原始数据和Stokes原始数据一一对应，它们均对应传感光纤上的同一位置信息，获取每列数据的位置信息，能构成长度为2000的位置序列；
（12）同实施例1步骤（12），本实施例中，我们预设3个背景温度，分别是19℃、23℃、26℃，再随意设置27个背景温度，范围在15℃-80℃之间。先将将光纤测温系统的传感光纤置于恒温水箱中，调整恒温水箱到19℃，待温度稳定后采样250次，得到250个背景温度数组；再调整至23℃、26℃，分别采集250次，共得到3×250=750个背景温度数组；同理，在每个异常温度下，采样375次，得到375×27=10125个异常温度数组。则A=750，B=10125，温度数组的总数为10125+750=10875个。
（13）同实施例1步骤（13），只是需在上述10875个温度数组，依次查找其所有元素中的最大值、最小值，最小值标记为R，最大值和最小值的差值标记为D；
（14）同实施例1步骤（14），
（15）形成替换样本具体为：
（151），将A类数组依次标记为A1-A750，B类数组依次标记为B1-B10125；
（152）将B1以M=100为间隔分成多个区间，M=64～256，在每个区间内任选3~15个连续的点作为异常温度范围，由于L=2000，M=100，则数组B1可以分为20个区间；
（153）随机抽取一数组Ai，i=1~A，假设抽取A3，将B1中异常温度范围的数据，替换到A3中，被替换后的A3构成一替换样本；
（154）按步骤（152）-（153），依次对B2-BB进行处理，例如用B2替换A10、B3替换A700，B4替换A300，最终将B1-B10125处理完，得到10125个替换样本；
（155）重复步骤（152）-（154）5次，得到5×10125个替换样本；
（16）将每个替换样本均分为100×3的训练样本，可以分为5×10125×20个训练样本，再将数组A1-A750也均分为大小为100×3的训练样本，所有训练样本构成训练数据集。
（2）同实施例1步骤（2），标签长度为100，设置标签时，只有异常温度范围对应的值为1，其余为0。
（3）构建一卷积神经网络、训练得到网络模型，同实施例1步骤（3）。
（4）在待测区域布设光纤测温系统，采集得到一2000×2的温度数组，将该温度数组归一化处理后，与序列P构成一2000×3的数组，将该数组均分为20个100×3的子数组，此处归一化方式同步骤（14）中的归一化，也用到步骤（13）得到的最小值R和差值D。
（5）同实施例1步骤（5），其中阈值=0.75。
（6）同实施例1步骤（6），其中偏移的原理参见图6，图6展示了向左偏移1-3步，和向右偏移1-3步时，构成的偏移特征，向左偏移1后，左端丢弃1个值，右端空余1位用偏移前的二值特征的最右端值，也就是数值1填充；向左偏移2后，左端丢弃2个值，右端空余2位用数值1填充；向左偏移3后，左端丢弃3个值，右端空余3位用数值1填充。同理，向右偏移1后，右端丢弃1个值，左端空余1位用数值0填充；向右偏移2后，右端丢弃2个值，左端空余2位用数值0填充；向右偏移3后，右端丢弃3个值，左端空余3位用数值0填充。
用偏移矩阵的好处是，在训练网络时，网络的准确率一般达不到100%，且训练时也可能产生过拟合现象，导致最终训练得到的网络提取出的特征可能与期望特征产生了偏差，因此通过采用偏移的方式在一定程度上矫正卷积神经网络在提取特征时产生的特征位置偏差，所以，我们在提取特征后对特征进行偏移操作。
另在计算余弦相似度时，由于光纤测温系统采集的L×2的数据中，第一行为anti-Stokes原始数据，所以子数组中归一化后的anti-Stokes原始数据，也就是子数组第一行的数据。
（7）取余弦相似度最大的偏移特征，作为该子数组的最优特征，查找该最优特征在序列P中的位置，作为该子数组对应在传感光纤上的温度异常事件定位；余弦相似度通过测量两个向量的夹角的余弦值来度量它们之间的相似性。0度角的余弦值是1，而其他任何角度的余弦值都不大于1；并且其最小值是-1。因此用余弦相似度作为衡量两个个体间差异大小的度量，值越接近1，就说明夹角角度越接近0°，也就是两个向量越相似。在本例中，为了更精准的定位，我们需要找出偏差更小的那一个偏移特征，而余弦相似度越大，则说明网络的输出特征与原信号中发生温度异常事件的位置偏差越小，也就是该方式可以判断到底是哪一个偏移特征能够使得异常事件定位的偏差更小。
再举个例子，比如该最优特征长度为100，对应在序列P的第107-207位，而最优特征中代表异常温度的数字1，位于该最优特征的第5-15位，那么在整个序列P中，代表异常温度的数值1位于第112-122位上，查看序列P的第112-122位的位置信息，即为该子数组的温度异常事件定位。
（8）将其余子数组按步骤（5）-（7），得到所有子数组在传感光纤上的温度异常事件定位。
实施例3：参见图1-图10，基于实施例1和实施例2，我们设置背景温度23.0℃、异常温度45.9℃，将传感光纤第100-200米的一段，置于45.9℃的恒温水箱中，用于验证本发明方法。
为了说明本发明效果，我们采用几种现有技术中的方法、和本发明方法分别获取传感光纤上的温度异常事件定位。
方法一：局部异常因子法，英文：Local Outlier Probabilities，英文缩写：LoOP；
方法二：基于Copula的异常值检测法，英文：Copula-based outlier detection，英文缩写：COPOD；
方法三：中值绝对偏差法，英文：Median Absolute Deviation，英文缩写：MAD；
方法四：四分位数法，其中，异常系数设为3，IQR=3；
方法五：没有偏移操作的卷积神经网络模型，英文缩写：CNN；
方法六，本发明方法。
分别用上述六种方法得到传感光纤上的温度异常事件定位，并分析其正确率、精确率、召回率，以及精度和召回率的调和平均数。得到图7-图10。
从图7中可以看到，本发明方法的模型准确率在所对比的方法中是最高的，略优于COPOD，CNN准确率介于COPOD和IQR=3之间，LoOP和MAD的准确率低于其它方法，说明本发明方法相较于其他方法检测出了更多的温度正常点与异常点。
从图8中可以看到，本发明方法的精确率得分最高，高出COPOD了21.57%，高出CNN了11.5%，高出IQR=3了26.37%。LoOP和MAD的精确率则较差，大约在43%，说明本发明方法在所有被检测为异常点之中，识别出了更多的真正的异常点。
从图9中可以看到，本发明方法的召回率为75%，相对于COPOD、MAD和IQR=3，分别低了18.2%、7.1%和9.43%，说明本发明方法相较于其它方法漏检的几率稍高。
从图10中可以看到，本发明方法的总体评价指标F1 score，也就是精度和召回率的调和平均数的分数最高，相对COPOD、IQR=3和CNN，分别高了0.03、0.09和0.11，说明本发明方法的整体性能相对较强。相对于CNN而言，本发明方法则具有更好的位置校准能力。
总的来看，在不转变RDTS信号为时序信号的情况下，本发明方法既降低了模型数量又解决了参数调整问题，并在所述异常检测方法中达到了更高的性能。
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 (7)

1.一种分布式光纤温度异常事件定位方法，其特征在于：包括以下步骤：
（1）生成训练数据集；
（11）将光纤测温系统的传感光纤置于恒温水箱中，预设数个背景温度和数个异常温度，所述光纤测温系统每次采集得到一长度为L×2的数组，每列数据对应传感光纤上一位置信息，且L个位置信息构成一长度为L的位置序列；
（12）在每个背景温度下采集多次，每次得到一背景温度数组，共A个背景温度数组，在每个异常温度下采集多次，每次得到一异常温度数组，共B个异常温度数组；
（13）将背景温度数组和异常温度数组归一化处理、对位置序列归一化处理得到序列P；
（14）将归一化后的背景温度数组，分别与序列P构成一L×3的数组，共A个，作为A类数组；将归一化后的异常温度数组，分别与序列P构成一L×3的数组，共B个，作为B类数组；
（15）将每个B类数组分为数个长度为M的区间，在每个区间内任选一段作为异常温度范围，用异常温度范围内的数据替换A类数组对应位置处的数据，形成替换样本；
（16）将所有替换样本和A类数组，均分成大小为M×3的训练样本，所有训练样本构成训练数据集；
（2）为每个训练样本设置标签，标签长度为M，训练样本第j列若为异常温度范围内数据，则其标签第j位为0，否则为1，j=1~M；
（3）构建一卷积神经网络、训练得到网络模型；
所述卷积神经网络包括多层卷积网络和一个全连接层，所述多层卷积网络由多个卷积层构成，输入大小为M×3，输出大小为512，所述全连接层输出大小为M；
所述训练为，将训练样本送入卷积神经网络中，以其标签为期望输出，得到卷积神经网络模型；
（4）在待测区域布设光纤测温系统，采集得到一L×2的温度数组，归一化处理后，与序列P构成一L×3的数组，将该数组均分为多个M×3的子数组；
（5）将子数组送入卷积神经网络模型中，得到一长度为M的输出特征，映射到0-1区间得到映射特征、再二值化得到二值特征；
（6）对每一个二值特征，将其在x方向上偏移，每偏移一次得到一偏移特征，计算偏移特征与其对应子数组中第一行数据的余弦相似度；
（7）取余弦相似度最大的偏移特征，查找其在序列P中的位置，作为该子数组在传感光纤上的温度异常事件定位；
（8）将其余子数组按步骤（5）-（7），得到所有子数组在传感光纤上的温度异常事件定位。
2.根据权利要求1所述的一种分布式光纤温度异常事件定位方法，其特征在于：所述光纤测温系统采集的长度为L×2的数组，第一、第二行分别为anti-Stokes原始数据和Stokes原始数据。
3.根据权利要求1所述的一种分布式光纤温度异常事件定位方法，其特征在于：步骤（13）具体为：
将背景温度数组和异常温度数组构成温度数组，查找温度数组中元素的最小值R和最大值，并计算二者的差值D；
对背景温度数组和异常温度数组的每一行数据，采用下式归一化处理；
Figure 433586DEST_PATH_IMAGE001
式中，x i 为归一化前一行数据的第i个值，x’ i 为归一化后的一行数据的第i个值；
对位置序列采用下式进行归一化处理，得到序列P；
Figure 724890DEST_PATH_IMAGE002
式中L i 为归一化前位置序列的第i个值，L’ i 为序列P的第i个值。
4.根据权利要求1所述的一种分布式光纤温度异常事件定位方法，其特征在于：步骤（15）具体为：
（151）将A类数组依次标记为A1-AA，B类数组依次标记为B1-BB；
（152）将B1以M为间隔分成多个区间，M=64～256，在每个区间内任选3~15个连续的点作为异常温度范围；
（153）随机抽取一数组Ai，i=1~A，将B1中异常温度范围的数据，替换到Ai中，被替换后的Ai构成一替换样本；
（154）按步骤（152）-（153），依次对B2-BB进行处理，共得到B个替换样本；
（155）重复步骤（152）-（154）T次，得到T×B个替换样本。
5.根据权利要求1所述的一种分布式光纤温度异常事件定位方法，其特征在于：步骤（3）中，多层卷积网络的多个卷积层结构为：
第一层一维卷积的卷积核大小为3，步进为1，填充1，输入通道为100，输出通道为256，批标准化为256，激活层激活函数为ReLU；
第二层一维卷积的卷积核大小为3，步进为1，填充1，输入通道为256，输出通道为256，批标准化为256，激活层激活函数为ReLU；
第三层一维卷积的卷积核大小为2，步进为1，填充0，输入通道为256，输出通道为256，批标准化为256，激活层激活函数为ReLU；
第四层一维卷积的卷积核大小为2，步进为1，填充0，输入通道为256，输出通道为512，批标准化为512，激活层激活函数为ReLU；
第五层一维卷积的卷积核大小为1，步进为1，填充0，输入通道为512，输出通道为512，批标准化为512，激活层激活函数为ReLU。
6.根据权利要求1所述的一种分布式光纤温度异常事件定位方法，其特征在于：步骤（5）中，用Sigmoid函数映射，Sigmoid函数的表达式为；
Figure 460764DEST_PATH_IMAGE003
式中，e为自然常数，g k 为输出特征的第k个值，S(g k )为映射特征的第k个值；
二值化时，采用下式进行阈值判断；
Figure 128506DEST_PATH_IMAGE004
Th为阈值，F j 为映射特征的第j个值，F’ j 为二值特征的第j个值。
7.根据权利要求1所述的一种分布式光纤温度异常事件定位方法，其特征在于：步骤（6）中，预设偏移量W=1～5，且W为整数；
当二值特征向左偏移W后，左端丢弃W个值与偏移前的二值特征左端对齐，右端空余位用偏移前的二值特征的最右端值填充，得到偏移特征；
当二值特征向右偏移W后，右端丢弃W个值与偏移前的二值特征右端对齐，左端空余位用偏移前的二值特征的最左端值填充，得到偏移特征。
CN202210352906.4A 2022-04-06 2022-04-06 一种分布式光纤温度异常事件定位方法 Active CN114777947B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210352906.4A CN114777947B (zh) 2022-04-06 2022-04-06 一种分布式光纤温度异常事件定位方法
US18/192,224 US20230324234A1 (en) 2022-04-06 2023-03-29 Method for Locating Abnormal Temperature Event of Distributed Optical Fiber

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210352906.4A CN114777947B (zh) 2022-04-06 2022-04-06 一种分布式光纤温度异常事件定位方法

Publications (2)

Publication Number Publication Date
CN114777947A true CN114777947A (zh) 2022-07-22
CN114777947B CN114777947B (zh) 2023-06-27

Family

ID=82426521

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210352906.4A Active CN114777947B (zh) 2022-04-06 2022-04-06 一种分布式光纤温度异常事件定位方法

Country Status (2)

Country Link
US (1) US20230324234A1 (zh)
CN (1) CN114777947B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11964654B2 (en) * 2020-10-30 2024-04-23 GM Global Technology Operations LLC Spatially invariant 3D convolutional network over spherical coordinate input

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109141675A (zh) * 2018-10-12 2019-01-04 成都理工大学 基于二分svd用于分布式光纤测温系统降噪的方法
CN110632662A (zh) * 2019-09-25 2019-12-31 成都理工大学 一种利用DCNN-Inception网络自动识别微地震信号的算法
CN110907061A (zh) * 2019-12-05 2020-03-24 成都理工大学 核废物桶暂存库热源分布监测模拟装置及监测方法
CN110926355A (zh) * 2019-11-07 2020-03-27 华中科技大学 一种基于卷积神经网络的布里渊频移提取方法和装置
CN112132256A (zh) * 2020-08-05 2020-12-25 芯华创(武汉)光电科技有限公司 一种基于神经网络的拉曼分布式温度传感方法和系统
US20210115785A1 (en) * 2019-10-17 2021-04-22 Lytt Limited Inflow detection using dts features
WO2021249643A1 (en) * 2020-06-11 2021-12-16 Lytt Limited Systems and methods for subterranean fluid flow characterization
CN114038469A (zh) * 2021-08-03 2022-02-11 成都理工大学 一种基于多类谱图特征注意力融合网络的说话人识别方法
CN114119984A (zh) * 2021-09-06 2022-03-01 池明旻 基于一维卷积神经网络的纤维成分分类方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109141675A (zh) * 2018-10-12 2019-01-04 成都理工大学 基于二分svd用于分布式光纤测温系统降噪的方法
CN110632662A (zh) * 2019-09-25 2019-12-31 成都理工大学 一种利用DCNN-Inception网络自动识别微地震信号的算法
US20210115785A1 (en) * 2019-10-17 2021-04-22 Lytt Limited Inflow detection using dts features
CN110926355A (zh) * 2019-11-07 2020-03-27 华中科技大学 一种基于卷积神经网络的布里渊频移提取方法和装置
CN110907061A (zh) * 2019-12-05 2020-03-24 成都理工大学 核废物桶暂存库热源分布监测模拟装置及监测方法
WO2021249643A1 (en) * 2020-06-11 2021-12-16 Lytt Limited Systems and methods for subterranean fluid flow characterization
CN112132256A (zh) * 2020-08-05 2020-12-25 芯华创(武汉)光电科技有限公司 一种基于神经网络的拉曼分布式温度传感方法和系统
CN114038469A (zh) * 2021-08-03 2022-02-11 成都理工大学 一种基于多类谱图特征注意力融合网络的说话人识别方法
CN114119984A (zh) * 2021-09-06 2022-03-01 池明旻 基于一维卷积神经网络的纤维成分分类方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
G. DAI 等: "A long-range fiber-optic Raman distributed temperature sensor based on dual-source scheme and RZ simplex coding", PROC. ASIA COMMUN. PHOTON. CONF, pages 1 - 3 *

Also Published As

Publication number Publication date
CN114777947B (zh) 2023-06-27
US20230324234A1 (en) 2023-10-12

Similar Documents

Publication Publication Date Title
CN116304898B (zh) 基于机器学习的传感器数据智能存储系统
CN114777947A (zh) 一种分布式光纤温度异常事件定位方法
CN116879297A (zh) 土壤水分协同反演的方法、装置、设备和介质
CN111985684B (zh) 一种应用于远距离的长波地波传播时延时变特性预测方法
CN112968931A (zh) 一种基于多传感器的农作物环境温度数据融合系统及方法
CN114372707A (zh) 一种基于遥感数据的高寒湿地退化程度监测方法
CN115791891A (zh) 一种基于压电阻抗技术的结构损伤识别方法及系统
CN114826543A (zh) 一种基于ai0t的蒸汽引射泵参数传输系统及方法
CN114527082A (zh) 甜玉米种子萌发预测方法及装置
CN111678991B (zh) 一种用于混凝土结构无损检测损伤识别的方法
CN117314020A (zh) 一种浮游生物的湿地碳汇数据监测系统
CN116662800A (zh) 一种基于自适应注意力机制的滚动轴承故障诊断方法
CN116720080A (zh) 同源气象要素融合检验方法
CN113609449B (zh) 惯性测量装置加速试验数据有效性评估方法
CN115841446A (zh) 一种太阳能集热场故障风险快速检测系统及方法
CN108225617A (zh) 传感器标定装置及标定方法
CN117434486B (zh) 一种直流分路计量误差分析处理方法
CN118014405B (zh) 一种基于数据处理的电力故障预警系统
CN116934758B (zh) 一种基于卷积模型的半导体检测方法及系统
CN117829381B (zh) 基于物联网的农业大棚数据优化采集系统
CN116450995B (zh) 基于大数据分析的树干液流流速预测系统
CN114252404B (zh) 一种高光谱卫星下的产品真实性检验系统及方法
CN112013962B (zh) 一种基于cnn神经网络的mrtd参数测试方法
CN118050538A (zh) 一种三维风向检测方法及系统
TH2101003565A (th) วิธีการระบุอินฟราเรดสเปกโตรมิเตอร์ที่วัดขนาดไม่ถูกต้องหรือไม่ได้วัดขนาด

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