CN114821997A - 一种基于特征提取模型的光纤预警方法及装置 - Google Patents
一种基于特征提取模型的光纤预警方法及装置 Download PDFInfo
- Publication number
- CN114821997A CN114821997A CN202210394669.8A CN202210394669A CN114821997A CN 114821997 A CN114821997 A CN 114821997A CN 202210394669 A CN202210394669 A CN 202210394669A CN 114821997 A CN114821997 A CN 114821997A
- Authority
- CN
- China
- Prior art keywords
- frequency
- optical fiber
- early warning
- noise
- updating
- 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
- 239000013307 optical fiber Substances 0.000 title claims abstract description 74
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000000605 extraction Methods 0.000 title claims abstract description 30
- 230000008859 change Effects 0.000 claims abstract description 22
- 238000005070 sampling Methods 0.000 claims description 14
- 238000010408 sweeping Methods 0.000 claims description 14
- 230000003068 static effect Effects 0.000 claims description 7
- 238000012935 Averaging Methods 0.000 claims description 6
- 238000003491 array Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 239000000835 fiber Substances 0.000 claims description 4
- 238000005259 measurement Methods 0.000 abstract description 6
- 238000001914 filtration Methods 0.000 description 28
- 238000004364 calculation method Methods 0.000 description 7
- 230000007613 environmental effect Effects 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000003321 amplification Effects 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B29/00—Checking or monitoring of signalling or alarm systems; Prevention or correction of operating errors, e.g. preventing unauthorised operation
- G08B29/18—Prevention or correction of operating errors
- G08B29/185—Signal analysis techniques for reducing or preventing false alarms or for enhancing the reliability of the system
Landscapes
- Engineering & Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了一种基于特征提取模型的光纤预警方法及装置,所述方法包括:将原始数据与采集到的新增数据根据是否识别为预警信号分为噪声库与动态库,并将新增数据实时添加至相应的库,对噪声库与动态库进行相应的更新,并对参数进行实时更新;依据更新后的参数对采集信号进行计算用于判断光纤安全状态的特征参数与警戒阈值,特征参数与警戒阈值的相关变量根据预警系统传感特性的变化而更新。所述装置包括:处理器和存储器,本发有效实现对曲线特征脉冲的提取,降低了测量系统的误报率与漏报率,该方法具有状态间参数值差异显著、测量准确率高等优点,提高了分布式光纤传感系统的可靠性。
Description
技术领域
本发明涉及光纤预警领域,尤其涉及一种基于特征提取模型的光纤预警方法及装置。
背景技术
分布式光纤传感凭借安装难度小、测量范围广、空间分辨力高、抗干扰能力强、实时在线监测等优点,广泛运用于振动传感、入侵预警、管道沉降监测、管道断丝监测等领域。分布式光纤传感技术凭借一根光缆即可实现海量点式传感器的分布,可实现光缆沿线任一点所在物理场的检测。不同结构的分布式光纤传感技术具有不同的数据呈现与信号映射方式,例如:布里渊干涉仪通过布里渊频移谱实现对振动与温度的测量,-OTDR(相敏光时域反射仪)通过瑞利散射曲线实现振动信号的定位。其中,光信号经光电转换输出端的电压变化时域曲线是一种直观、简便的数据呈现形式,常见于OTDR、-OTDR、sagnac(萨格纳克)、M-Z(马赫-泽德)等结构的分布式光纤传感技术中。当光纤沿线无任何异常事件时,时域曲线反映了测量系统的本底噪声,当光纤沿线存在入侵、爆管、挖掘等异常事件时,光纤内测量光产生光相位变化并引起输出端测量光光强的变化,最终反映为时域曲线的电压幅值变化。当存在异常事件时,输出端时域曲线上表现为显著区别于本底噪声的脉冲信号,综合反映了光纤沿线所在物理场的安全状态。
在实际的信号采集中,由于噪声干扰、信号衰减等原因,实际采集到的时域曲线往往不能呈现出理想状态,当存在异常事件时,时域曲线上的脉冲信号往往不具备清晰轮廓,从而导致对光纤安全状态的错误判断,因此,一种能够有效提取时域曲线中的目标特征以实现光纤预警的方法至关重要。
发明内容
本发明提供了一种基于特征提取模型的光纤预警方法及装置,本发明从采集信号的时域和频域角度分别建立数学模型,有效实现对曲线特征脉冲的提取,由于模型参数在光纤安全状态与异常状态下存在显著的差值,大大降低了测量系统的误报率与漏报率,该方法具有状态间参数值差异显著、测量准确率高等优点,提高了分布式光纤传感系统的可靠性,详见下文描述:
第一方面,一种基于特征提取模型的光纤预警方法,所述方法包括:
将原始数据与采集到的新增数据根据是否识别为预警信号分为噪声库与动态库,并将新增数据实时添加至相应的库,对噪声库与动态库进行相应的更新,并对参数进行实时更新;
依据更新后的参数对采集信号进行计算用于判断光纤安全状态的特征参数与警戒阈值,特征参数与警戒阈值的相关变量根据预警系统传感特性的变化而更新。
其中,所述方法还包括:对噪声库与动态库进行初始化;
噪声库的初始信号由光纤沿线静态下的输出端时域电压曲线组成;动态库的初始信号为通过振动源使光纤所在物理场发生改变时的输出端时域电压曲线组成。
所述对噪声库与动态库进行相应的更新具体为:将特征参数p与参数更新周期内的警戒阈值T相比较,若p>T,则将采集信号添加至动态库;反之,将采集信号添加至噪声库。
所述将采集信号添加至噪声库为:对采集信号做频域变换,获取其全频段上的最大幅值Amax,自频率原点开始沿高频方向以Δf的步长扫频,提取每个扫频点的增益Ai,当连续10组增益小于等于αrAmax时扫频截止,得到各扫频点频域增益构成数组{Ai},并索引{Ai}的前10项组成{A'},记录扫频截止点ft;若ft相对于原有高截止频率fb的变化量Δ1=|ft-fb|/fb×100%≥Tf,则新的高截止频率为
所述将采集信号添加至动态库为:对每条新遍历信号所得{M'},将其与{M}逐项求均值对{M}实时更新;将步骤所得{A'}与所得{M}自首项开始逐项比较,当首次出现Mi≥Ai'时,则将Mi-1与Ai-1'对应的频率点记为低截止频率fa;若不存在Mi≥Ai'的情况,则将{M}末项M10对应频率点记为低截止频率fa。
第二方面,一种基于特征提取模型的光纤预警装置,其特征在于,所述装置包括:处理器和存储器,所述存储器中存储有程序指令,所述处理器调用存储器中存储的程序指令以使装置执行第一方面中的任一项所述的方法步骤。
本发明提供的技术方案的有益效果是:
1、本发明涉及从数据采集、信号滤波、预警判断、参数更新等全方面的进行光纤预警,本发明定义数据库与多个特征参数,特征参数的初始化与更新都依据数据库中采集信号的变化而变化,所得参数值基于当前预警系统所在环境中采集信号的自身特性,可最大程度保留采集信号的有效信息,同时避免噪声等干扰信息的不利影响;
2、本发明对特征参数的变化依据预警系统所在环境的特性而进行实时更新,避免了因参数设置不匹配导致的误报率与漏报率过高的现象,增强了特征提取模型的环境适应性;
3、本发明中用于光纤安全状态判断的特征参数结合了采集信号的时域特性与频域特性,有效保障了预警系统对光纤所在物理场的安全状态的真实反映。
附图说明
图1为本发明提供的一种基于特征提取模型的光纤预警方法的流程图;
图2为状态界定系数fk~k+20、fl~l+20、fh~h+20的更新过程示意图;
图3为特征参数p的计算过程及计算公式示意图;
图4为低截止频率fa与高截止频率fb的更新方法示意图;
图5为一种基于特征提取模型的光纤预警装置的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面对本发明实施方式作进一步地详细描述。
实际应用中,光纤预警系统需要对采集信号进行数学处理,以特定阈值作为判断依据实现预警。但固定的参数值难以应对预警系统所在测量环境的变化,从而导致了误报率与漏报率的提升,降低了预警系统的可靠性;同时,普通的特征提取往往使用固定参数,难以应对环境变化带来的预警系统传感特性的变化,因此,一套有效的参数更新算法是保证特征提取模型环境适应性与准确率的关键技术。
本发明实施例针对这一问题,提出了基于信号分类与参数动态更新的光纤预警,参数更新依据当前预警系统所在环境的自身特性,所得阈值根据预警系统传感特性的变化而更新;同时用于光纤安全状态判断的特征参数结合了采集信号的时域特性与频域特性,保障了特征提取模型具备良好的环境适应性与识别准确率,详见下文描述:
实施例1
一种基于特征提取模型的光纤预警方法,参见图1,该方法包括:初始化、滤波参数调节、特征参数计算、采集信号分类、参数更新等几大基本环节。充分利用新增的采集信号对特征提取模型涉及到的参数进行更新,实时掌握所在光纤预警系统的传感特性变化,通过对参数的动态更新达到更有效的光纤预警效果。
对于传感光纤上经光电转换输出的电信号,总体可分为静止状态或安全状态下的光纤预警系统本底噪声与入侵、爆管等危险事件下的扰动信号两类。本发明实施例中建立动态数据库的概念,将原始数据与光纤预警系统采集到的新增数据根据是否识别为预警信号分为噪声库与动态库,并将新增数据实时添加至相应的库,对数据库进行相应的更新,并根据数据库的更新对本发明所涉及重要参数进行实时更新。依据更新后的参数对采集信号进行计算用于判断光纤安全状态的特征参数与警戒阈值,特征参数与警戒阈值的相关变量根据预警系统传感特性的变化而更新,保证了判断结果对当前光纤安全状态的正确反映,提高了光纤预警的准确性与可靠性。
在使用本发明实施例中的方案用于光纤预警及信号分类前,需要对重要参数及数据库做初始化设置,主要包括:对数据库的初始化与参数的初始化。
其中,对数据库初始化需要事先使噪声库与动态库中保留有一定数量的原始数据,用以计算相关参数的初始取值。噪声库的初始信号由光纤沿线静态下的输出端时域电压曲线组成;动态库为通过振动源使光纤所在物理场发生改变时的输出端时域电压曲线组成。
综上所述,本发明实施例通过上述步骤降低了测量系统的误报率与漏报率,该方法具有状态间参数值差异显著、测量准确率高等优点,提高了分布式光纤传感系统的可靠性。
实施例2
下面结合图2-图4,具体的计算公式对实施例1中的方案进行进一步地介绍,详见下文描述:
步骤201:初始化相关参数;
设置包括:初始滤波高截止频率fb,低截止频率fa,信号分割周期ΔT0及滤波参数调节周期ΔT1,动态滤波环节中扫频步长Δf,截止频率调节阈值Tf,截止频率调节系数αr,警戒阈值T。状态界定系数fk~k+20、fl~l+20、fh~h+20,状态界定系数为跨度为20Hz的频段。噪声库与动态库中无任何初始数据。
步骤202:设置滤波方式;
根据设定或更新后的低截止频率fa与高截止频率fb对采集信号x0(t)分别同步进行1阶、2阶、3阶、4阶、5阶滤波,得到滤波后的时域序列x1(t)、x2(t)、x3(t)、x4(t)、x5(t),对滤波后的时域序列逐点求均值,作为对x0(t)初次滤波后的结果x(t),即:
式中,μ为增益系数,用于对滤波结果做二次放大,其数值由使用者自行设定。本实例所设置的滤波方式用于本实例各处滤波操作。
步骤203:以设定信号分割周期ΔT0将滤波后采集信号x(t)分割为时域序列Li(t),并以相同的方式逐个判断其对应光纤安全状态;
本发明实施例以L0(t)为例说明所用特征提取算法。
步骤204:对步骤203中L0(t)滤波后做频域展开,并计算其频域特征参数pf。pf的计算公式为:
式中sk、sl、sh分别表示状态界定系数fk~k+20、fl~l+20、fh~h+20对应频段上能量占全频段[fa,fb]总能量的比值。
步骤205:如图3所示,对步骤203中滤波后的L0(t)计算其时域特征参数pt;
以采样率fs对L0(t)采样,将L0(t)转化为离散数组x={x1,x2,x3,......,xn},xi表示第i个采样点处的幅值。提取x的最大幅值max{|x|},设置动态阈值±k1max{x}和±k2max{x}将采样点分为脉冲区与噪声区,k1和k2为阈值参数。脉冲区记作xpulse,采样点数为N;噪声区记作xnoise,采样点数为n。对脉冲区中采样点和噪声区采样点分别求其均方根RMSpulse与RMSnoise作为典型值。
步骤206:计算步骤205中离散数组x上各采样点间的标准差S;
从而得到步骤204中L0(t)的时域特征参数pt:
步骤207:结合时域特性与频域特性,合成特征提取模型p。由步骤204所得pf与步骤206所得pt得到L0(t)的特征参数值p=pt·pf。
步骤208:判断光纤安全状态;
即将步骤207所得特征参数p与参数更新周期内的警戒阈值T相比较,若p>T,则判断当前光纤系统存在外部扰动或入侵信号,将采集信号添加至动态库;反之,若p≤T,则判断当前光纤系统处于安全状态,将采集信号添加至噪声库。至此,利用步骤207中特征提取模型p对采集信号反映光纤安全状态的判断完成,接下来完成对步骤207中模型p所涉及各个参数的动态更新,以确保模型的环境适应性与准确率。
步骤209:更新模型p涉及参数高截止频率fb;
在参数更新周期内,当噪声库中有新增采集信号时,对其做频域变换,获取其全频段上的最大幅值Amax。自频率原点开始沿高频方向以Δf的步长扫频,提取每个扫频点的增益Ai,当连续10组增益小于等于αrAmax时扫频截止,得到各扫频点频域增益构成数组{Ai},并索引{Ai}的前10项组成{A'},记录扫频截止点ft。其中αr为截止频率调节系数,其取值范围为0~0.1的实数,Δf为扫频步长。若ft相对于原有高截止频率fb的变化量Δ1=|ft-fb|/fb×100%≥Tf,则新的高截止频率为反之,若Δ1<Tf,则fb保持不变。其中,Tf为截止频率调节阈值,其取值范围为0~1的实数,以百分数形式呈现。
步骤210:在当前参数更新周期内,依照步骤209遍历噪声库中所有新增采集信号,不断更新高截止频率fb,同时,在重复步骤209的过程中,对于新遍历采集信号所得{A"},对其与步骤209中{A'}逐项求均值所得新数组{A'}代替,即Ai'=Ai'+Ai"/2,其中Ai'与Ai"分别表示数组{A'}与{A"}的第i个元素;
步骤211:更新模型p涉及低截止频率fa;
如图4所示,在当前参数更新周期内,当动态库中有新增采集信号时,对其做频域变换。自频率原点开始沿高频方向以Δf的步长扫频,提取每个扫频点的增益Mi,顺序扫频10组增益截止,得到数组{M}。Δf取值与步骤209一致。
步骤212:在当前参数更新周期内,依照步骤211遍历动态库中所有新增采集信号,不断更新低截止频率fa。对每条新遍历信号所得{M'},将其与步骤211中{M}逐项求均值对{M}实时更新,即Mi=Mi+Mi'/2,其中Mi与Mi'分别表示数组{M}与{M'}的第i个元素。当前参数更新周期内遍历完毕后,执行步骤213。
步骤213:将步骤210所得{A'}与步骤212所得{M}自首项开始逐项比较,当首次出现Mi≥Ai'时,则将Mi-1与Ai-1'对应的频率点记为低截止频率fa;若不存在Mi≥Ai'的情况,则将{M}末项M10对应频率点记为低截止频率fa,至此,低截止频率fa更新完成;
步骤214:更新模型p涉及状态界定系数fk~k+20、fl~l+20;
如图2所示,在参数更新周期内,选取噪声中采集信号N0(t),按照步骤202做滤波处理,滤波后自fa开始遍历信号全频段至fb,以20Hz为频段间隔,计算各频段对应的全频段能量占比式中Ui表示频率点fi对应的频域增益。得到数组{rf}并将其顺序排列得到{rf'},获取{rf'}前两位的频段索引k0与l0,将其分别加入数组{k}、{l}。
步骤215:选取噪声库采集信号Ni(t),依照步骤214得到新数组{rf_new}与排序后的数组{rf_new'};将{rf_new}与{rf}逐项求均值代替步骤214中原有的{rf},{rf}始终为一维向量,获取{rf_new'}前两位的频段索引knew与lnew,将其分别补充入数组{k}、{l};
在参数更新周期内,遍历噪声库中剩余原始采集信号,重复本步骤操作,实现对{rf}的更新与对数组{k}、{l}的补充。遍历完毕后,得到关于噪声库中所有原始采集信号的{rf}、{k}、{l}。本步骤结束。
步骤216:对步骤215中{k}中元素逐项更新;
其中,若k1与k2存在交集,即则k1->k2,其中->为赋值符号,表示将k1赋值给k2;若二者不存在交集,即则k2r=(k1r+k2r)/2,k2l=k2r-20,其中k1r、k2r表示k1与k2的右边界,k2l表示k2的左边界,表示空集。通过本步骤,k2被赋予了新的值。并按照此步骤对{k}中剩余元素逐项更新。
步骤217:状态界定系数fk~k+20的更新;
依照步骤216遍历步骤215中{k}全部元素,遍历完毕后{k}的最后一个元素kn得到了新的值。kn为fk~k+20的更新值。
步骤218:状态界定系数fl~l+20的更新;
对步骤215中{l}执行与步骤216、步骤217同样操作,得到{l}的最后一个元素ln。ln为fl~l+20的更新值。
步骤219:状态界定系数fh~h+20的更新;
如图2所示,选取动态库中采集信号K0(t),按照步骤202做滤波处理,滤波后自fa开始遍历信号的全频段至fb,以20Hz为频段间隔,计算各频段对应的全频段能量占比式中Ui表示频率点fi对应的频域增益。得到各频段的能量占比{Rf},{Rf}中包含[fa,fb]内各频段的能量占比。逐项计算{Rf}与步骤215所得{rf}的差值,并获取差值最大值的频段索引hn。
步骤220:选取动态库中采集信号Ki(t),依据步骤219得到{Rf_new}与hn_new,若hn与hn_new存在交集,即则hn保持不变;若hn与hn_new不存在交集,即则hnr=(hnr+hn_newr)/2,hnl=hnr-20,其中hnr、hn_newr表示hn与hn_new的右边界,hnl表示hn的左边界。
在参数更新周期内,遍历动态库中剩余采集信号,重复本步骤操作,实现对hn的更新;遍历完毕后,本步骤结束,将得到的hn赋值给fh~h+20,至此,对参数fh~h+20的更新完成。
步骤221:更新警戒阈值T;
对参数更新周期内噪声库中所有新增采集信号依照步骤204~步骤207计算各自特征参数p,得到数组{p}。记{p}的区间下限为pstatic_down,区间上限为pstatic_up,并基于此定义参数T0:
T0=k·(ω1pstatic_up+ω2pstatic_down) (6)
式中,α1与α2为pstatic_down和pstatic_up的权值因子,其取值区间为(0,1)的实数,k为安全系数,通常为大于1的正数。
步骤222:对上一参数更新周期的警戒阈值T与步骤221所得T0合并,实现对T的更新,合并公式为:
式中,β1与β2为T与T0的权值因子,其取值区间为(0,1)的实数,λ为补偿系数,取值为(0,0.1)的实数。至此,实现了对警戒阈值T的更新。
步骤223:当前参数更新周期结束时,将步骤209~步骤222所得各参数的更新值作为下一周期的初始值,并执行步骤202~步骤208实现光纤预警,判断光纤安全状态;同时对动态库与噪声库清零,执行步骤209~步骤222,继续更新相应参数值,确保预警算法的环境适应性与稳定的预警准确率。
实施例3
针对实施例1和2中的具体步骤,本实例中开展相关实验说明本发明具体的实施过程与实施效果,详见下文描述:
步骤301:搭建基于分布式光纤传感技术的光纤预警系统;
本实例中对本发明中原始数据进行采集。保持光纤沿线处于静止无干扰状态,采集共70s的输出端响应信号作为噪声库的原始数据,根据信号分割周期以1s为间隔保存数据,共存储由70组数据;使用小锤、电机、铁锹等多种方式作为振动源作用于传感光纤附近,采集共70s的响应信号作为动态库的原始数据,根据信号分割周期以1s为间隔保存数据,共存储由70组数据。根据原始数据设置相关参数的初始值。
步骤302:初始化相关参数;
本实例中设置初始滤波高截止频率fb为300Hz,低截止频率fa为20Hz,信号分割周期ΔT0为1s,滤波参数调节周期ΔT1为60s,动态滤波环节中扫频步长Δf为3Hz,截止频率调节阈值Tf为15%,截止频率调节系数αr为0.02。警戒阈值T为1071.16mV。状态界定系数fk~k+20、fl~l+20、fh~h+20分别为20~40Hz、50~70Hz、90~110Hz。
步骤303:设置滤波方式;
根据设定或更新后的低截止频率fa与高截止频率fb对采集信号x0(t)分别同步进行1阶、2阶、3阶、4阶、5阶滤波,本实例中滤波器类型选择巴特沃斯滤波器,滤波方式选择为带通滤波。得到滤波后的时域序列x1(t)、x2(t)、x3(t)、x4(t)、x5(t),对滤波后的时域序列逐点求均值,作为对x0(t)初次滤波后的结果x(t),即:
式中,μ为增益系数,本实例中设置为2,用于对滤波结果x(t)做二次放大。
本步骤所设置滤波方式用于本实例各处滤波处理操作。
步骤304:在实验第一阶段,使用电机产生持续性振动信号作用于传感光纤,该阶段共维持300s,这一阶段的采集信号都应被识别为扰动入侵信号。在实验第二阶段,使传感系统保持稳定的静止状态,期间实验人员在光线附近行走模拟干扰因素,该阶段共维持300s,这一阶段的采集信号都应被识别为噪声信号。分别以1s为存储间隔对采集信号分割,获得采集信号x0(t)、x1(t)、x2(t)、......,并依照步骤303中设定的滤波方式做初步滤波,并执行后续判断其反映的光纤安全状态,更新相关参数。
步骤305:对步骤304中xi(t)滤波后做频域展开,并计算其频域特征参数pf。pf的计算公式为:
式中各变量定义与实例2一致。
步骤306:如图3所示,对步骤304中xi(t)滤波后计算其时域特征参数pt;
本实例中以采样率fs=1kHz对xi(t)采样,得到离散数组x={x1,x2,x3,......,xn}。设置动态阈值±k1max{x}和±k2max{x}将采样点分为脉冲区与噪声区,本实例中阈值参数k1和k2分别设置为0.8和0.2。对脉冲区中采样点和噪声区采样点分别求其均方根RMSpulse与RMSnoise作为典型值。
式中各变量定义与实例2一致。
步骤307:计算步骤306中离散数组x上各采样点间的标准差S:
从而得到步骤304中xi(t)的时域特征参数pt:
步骤308:合成特征提取模型p。由步骤305所得pf与步骤307所得pt得到xi(t)的特征参数值p=pt·pf。
步骤309:判断光纤安全状态;
即将步骤308所得特征参数p与参数更新周期内的警戒阈值T相比较,以判断光纤安全状态。接下来完成对步骤308中模型p所涉及各个参数的动态更新,以确保模型的环境适应性与准确率。
步骤310:更新模型p涉及参数高截止频率fb;
在参数更新周期内,当噪声库中有新增采集信号时,对其频率原点开始沿高频方向以Δf的步长扫频,得到增益数组{Ai}与{A'},记录扫频截止点ft。本实例中设置扫频步长Δf为3Hz,截止频率调节阈值Tf为15%,截止频率调节系数αr为0.02。相关变量定义与实例2一致。
步骤311:在当前参数更新周期内,依照步骤310遍历噪声库中所有新增采集信号,不断更新高截止频率fb与{A'}。更新方式与实例2一致。
本实例中除数据库初始化阶段外,光纤预警的使用总时间为600s,所设置参数更新周期为60s,fb的初始值为300Hz,因此fb经历了10次更新,10次更新值分别为308.3Hz、306.8Hz、310.2Hz、312.4Hz、312.6Hz、313.3Hz、313.8Hz、313.4Hz、314.8Hz、314.2Hz。
步骤312:更新模型p涉及低截止频率fa;
如图4所示,在当前参数更新周期内,当动态库中有新增采集信号时,对其做频域变换。自频率原点开始沿高频方向以Δf的步长扫频,提取每个扫频点的增益Mi,顺序扫频10组增益截止,得到数组{M}。Δf取值与步骤310一致。
步骤313:在当前参数更新周期内,依照步骤312遍历动态库中所有新增采集信号,更新{M},更新方式与实例2一致。当前参数更新周期内遍历完毕后,执行步骤314。
步骤314:由步骤311所得{A'}与步骤313所得{M}得到更新后的低截止频率fa。更新方式与实例2一致。
本实例中除数据库初始化阶段外,fa的初始值为20Hz,fa经历了10次更新,10次更新值分别为21Hz、24Hz、24Hz、24Hz、24Hz、27Hz、24Hz、24Hz、21Hz、24Hz。
步骤315:更新模型p涉及状态界定系数fk~k+20、fl~l+20;
参数更新方式与步骤均与实例2一致。本实例中fk~k+20、fl~l+20的初始值分别为20~40Hz、50~70Hz,共经历10次更新,其数值均未发生改变。
步骤316:状态界定系数fh~h+20的更新;
参数更新方式与步骤均与实例2一致。本实例中fh~h+20的初始值分别为90Hz~110Hz,共经历10次更新,其数值均未发生改变。
步骤317:更新警戒阈值T;
对参数更新周期内噪声库中所有新增采集信号依照步骤305~步骤308计算各自特征参数p,得到数组{p}。记{p}的区间下限为pstatic_down,区间上限为pstatic_up,并基于此定义参数T0:
T0=k·(ω1pstatic_up+ω2pstatic_down) (15)
本实例中ω1与ω2的权值因子a1与a2分别取0.1和0.9,安全系数k设置为3。
步骤318:对上一参数更新周期的警戒阈值T与步骤317所得T0合并,实现对T的更新,合并公式为:
本实例中T与T0的权值因子β1与β2均设置为0.5,补偿系数λ为补偿系数设置为0.02。
本实例中T的初始值为1071.16mV,共经历10次更新,更新值分别为1108.9mV、1123.67mV、1087.08mV、1034.26mV、976.12mV、982.05mV、970.72mV、912.37mV、922.08mV、932.78mV。
本实例在第一阶段,算法对扰动信号的识别率达到100%;在第二阶段,对行走类干扰信号的屏蔽率为98.67%,即误报率为1.33%。具有很高的准确率与可靠性。
实施例4
一种基于特征提取模型的光纤预警装置,其特征在于,该装置包括:处理器1和存储器2,处理器1和存储器2,存储器2中存储有程序指令,处理器1调用存储器2中存储的程序指令以使装置执行以下的方法步骤:
将原始数据与采集到的新增数据根据是否识别为预警信号分为噪声库与动态库,并将新增数据实时添加至相应的库,对噪声库与动态库进行相应的更新,并对参数进行实时更新;
依据更新后的参数对采集信号进行计算用于判断光纤安全状态的特征参数与警戒阈值,特征参数与警戒阈值的相关变量根据预警系统传感特性的变化而更新。
其中,该方法还包括:对噪声库与动态库进行初始化;
噪声库的初始信号由光纤沿线静态下的输出端时域电压曲线组成;动态库的初始信号为通过振动源使光纤所在物理场发生改变时的输出端时域电压曲线组成。
进一步地,对噪声库与动态库进行相应的更新具体为:
将特征参数p与参数更新周期内的警戒阈值T相比较,若p>T,则将采集信号添加至动态库;反之,将采集信号添加至噪声库。
进一步地,特征参数p=pt·pf,
频域特征参数pf:
式中sk、sl、sh分别表示状态界定系数fk~k+20、fl~l+20、fh~h+20对应频段上能量占全频段[fa,fb]总能量的比值;
时域特征参数pt:
其中,RMSpulse与RMSnoise分别为脉冲区中采样点和噪声区采样点的均方根;S为标准差。
其中,将采集信号添加至噪声库为:
对采集信号做频域变换,获取其全频段上的最大幅值Amax,自频率原点开始沿高频方向以Δf的步长扫频,提取每个扫频点的增益Ai,当连续10组增益小于等于arAmax时扫频截止,得到各扫频点频域增益构成数组{Ai},并索引{Ai}的前10项组成{A'},记录扫频截止点ft;若ft相对于原有高截止频率fb的变化量Δ1=|ft-fb|/fb×100%≥Tf,则新的高截止频率为
将采集信号添加至动态库为:
对每条新遍历信号所得{M'},将其与{M}逐项求均值对{M}实时更新;
将步骤所得{A'}与所得{M}自首项开始逐项比较,当首次出现Mi≥Ai'时,则将Mi-1与Ai-1'对应的频率点记为低截止频率fa;若不存在Mi≥Ai'的情况,则将{M}末项M10对应频率点记为低截止频率fa。
还包括:对状态界定系数的更新:
滤波后自fa开始遍历信号全频段至fb,以20Hz为频段间隔,计算各频段对应的全频段能量占比式中Ui表示频率点fi对应的频域增益;得到数组{rf}并将其顺序排列得到{rf'},获取{rf'}前两位的频段索引k0与l0,将其分别加入数组{k}、{l}。
还包括:对警戒阈值T进行更新,具体为:
式中,β1与β2为T与T0的权值因子,λ为补偿系数;T0根据当前参数更新周期内新增采集数据求得,用于对警戒阈值T的初始值或上一参数更新周期的值的更新。
这里需要指出的是,以上实施例中的装置描述是与实施例中的方法描述相对应的,本发明实施例在此不做赘述。
上述的处理器1和存储器2的执行主体可以是计算机、单片机、微控制器等具有计算功能的器件,具体实现时,本发明实施例对执行主体不做限制,根据实际应用中的需要进行选择。
存储器2和处理器1之间通过总线3传输数据信号,本发明实施例对此不做赘述。
本发明实施例对各器件的型号除做特殊说明的以外,其他器件的型号不做限制,只要能完成上述功能的器件均可。
本领域技术人员可以理解附图只是一个优选实施例的示意图,上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
以上所述仅为本发明的较佳实施例,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、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于特征提取模型的光纤预警方法,其特征在于,所述方法包括:
将原始数据与采集到的新增数据根据是否识别为预警信号分为噪声库与动态库,并将新增数据实时添加至相应的库,对噪声库与动态库进行相应的更新,并对参数进行实时更新;
依据更新后的参数对采集信号进行计算用于判断光纤安全状态的特征参数与警戒阈值,特征参数与警戒阈值的相关变量根据预警系统传感特性的变化而更新。
2.根据权利要求1所述的一种基于特征提取模型的光纤预警方法,其特征在于,所述方法还包括:对噪声库与动态库进行初始化;
噪声库的初始信号由光纤沿线静态下的输出端时域电压曲线组成;动态库的初始信号为通过振动源使光纤所在物理场发生改变时的输出端时域电压曲线组成。
3.根据权利要求1所述的一种基于特征提取模型的光纤预警方法,其特征在于,所述对噪声库与动态库进行相应的更新具体为:
将特征参数p与参数更新周期内的警戒阈值T相比较,若p>T,则将采集信号添加至动态库;反之,将采集信号添加至噪声库。
6.根据权利要求4所述的一种基于特征提取模型的光纤预警方法,其特征在于,所述将采集信号添加至动态库为:
对每条新遍历信号所得{M'},将其与{M}逐项求均值对{M}实时更新;
将步骤所得{A'}与所得{M}自首项开始逐项比较,当首次出现Mi≥Ai'时,则将Mi-1与Ai-1'对应的频率点记为低截止频率fa;若不存在Mi≥Ai'的情况,则将{M}末项M10对应频率点记为低截止频率fa。
9.一种基于特征提取模型的光纤预警装置,其特征在于,所述装置包括:处理器和存储器,所述存储器中存储有程序指令,所述处理器调用存储器中存储的程序指令以使装置执行权利要求1-8中的任一项所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210394669.8A CN114821997B (zh) | 2022-04-14 | 2022-04-14 | 一种基于特征提取模型的光纤预警方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210394669.8A CN114821997B (zh) | 2022-04-14 | 2022-04-14 | 一种基于特征提取模型的光纤预警方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114821997A true CN114821997A (zh) | 2022-07-29 |
CN114821997B CN114821997B (zh) | 2023-11-17 |
Family
ID=82536369
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210394669.8A Active CN114821997B (zh) | 2022-04-14 | 2022-04-14 | 一种基于特征提取模型的光纤预警方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114821997B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130188176A1 (en) * | 2012-01-20 | 2013-07-25 | Peter Scott Lovely | Monitoring for disturbance of optical fiber |
CN103236127A (zh) * | 2013-05-06 | 2013-08-07 | 无锡成电光纤传感科技有限公司 | 一种光纤围栏入侵监测系统及其模式识别方法 |
CN103244829A (zh) * | 2013-04-27 | 2013-08-14 | 天津大学 | 一种基于分布式光纤传感器的管道安全事件分级预警方法 |
CN106683305A (zh) * | 2017-01-22 | 2017-05-17 | 唐山市镜圆科技有限公司 | 防窃听光纤报警系统 |
US20180357542A1 (en) * | 2018-06-08 | 2018-12-13 | University Of Electronic Science And Technology Of China | 1D-CNN-Based Distributed Optical Fiber Sensing Signal Feature Learning and Classification Method |
CN109272688A (zh) * | 2018-09-25 | 2019-01-25 | 武汉理工光科股份有限公司 | 光纤光栅周界安防系统报警策略自动调整方法及系统 |
CN111771042A (zh) * | 2017-10-11 | 2020-10-13 | 英国石油勘探运作有限公司 | 使用声学频域特征来检测事件 |
-
2022
- 2022-04-14 CN CN202210394669.8A patent/CN114821997B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130188176A1 (en) * | 2012-01-20 | 2013-07-25 | Peter Scott Lovely | Monitoring for disturbance of optical fiber |
CN103244829A (zh) * | 2013-04-27 | 2013-08-14 | 天津大学 | 一种基于分布式光纤传感器的管道安全事件分级预警方法 |
CN103236127A (zh) * | 2013-05-06 | 2013-08-07 | 无锡成电光纤传感科技有限公司 | 一种光纤围栏入侵监测系统及其模式识别方法 |
CN106683305A (zh) * | 2017-01-22 | 2017-05-17 | 唐山市镜圆科技有限公司 | 防窃听光纤报警系统 |
CN111771042A (zh) * | 2017-10-11 | 2020-10-13 | 英国石油勘探运作有限公司 | 使用声学频域特征来检测事件 |
US20180357542A1 (en) * | 2018-06-08 | 2018-12-13 | University Of Electronic Science And Technology Of China | 1D-CNN-Based Distributed Optical Fiber Sensing Signal Feature Learning and Classification Method |
CN109272688A (zh) * | 2018-09-25 | 2019-01-25 | 武汉理工光科股份有限公司 | 光纤光栅周界安防系统报警策略自动调整方法及系统 |
Non-Patent Citations (3)
Title |
---|
王角: "分布式光纤传感振动信号二维去噪方法研究", 《信息科技 自动化技术》, no. 2022 * |
谭康: "地下电缆防外力破坏监控中的振动信号识别", 《工程科技Ⅱ辑;信息科技》, no. 2013 * |
闫高健: "基于光纤传感的高速铁路周界安全监测系统研究", 《工程科技Ⅰ辑 信息科技》, no. 2020 * |
Also Published As
Publication number | Publication date |
---|---|
CN114821997B (zh) | 2023-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wu et al. | One-dimensional CNN-based intelligent recognition of vibrations in pipeline monitoring with DAS | |
US11562224B2 (en) | 1D-CNN-based distributed optical fiber sensing signal feature learning and classification method | |
CN105931402A (zh) | 基于图像识别的光纤周界入侵监测方法 | |
CN111520192B (zh) | 非接触式隧道工程施工岩爆实时预报优化方法 | |
Chen et al. | A real-time distributed deep learning approach for intelligent event recognition in long distance pipeline monitoring with DOFS | |
CN109472393A (zh) | 空间降尺度降水数据检测方法、装置及电子设备 | |
CN103487074A (zh) | 利用三点寻峰算法处理fbg传感信号的方法 | |
CN111222743A (zh) | 一种光纤感知事件的垂直偏移距离及威胁级别判断方法 | |
CN110361792B (zh) | 一种地球物理数据融合及成像方法、介质与设备 | |
CN105261136A (zh) | 一种光纤监测报警系统中屏蔽天气干扰的方法及装置 | |
CN104794839A (zh) | 一种基于potdr光纤入侵识别算法 | |
CN114492629A (zh) | 异常检测方法、装置、电子设备及存储介质 | |
CN117891644B (zh) | 一种基于数字孪生技术的数据采集系统及其采集方法 | |
CN117668471B (zh) | 一种基于故障行波电流特征的树线放电故障识别方法 | |
CN114358091B (zh) | 一种基于卷积神经网络的桩损伤识别方法、设备及介质 | |
CN114821997A (zh) | 一种基于特征提取模型的光纤预警方法及装置 | |
CN116338774A (zh) | 基于分布式光纤传感器的井下微地震反演方法及系统 | |
CN111578152B (zh) | 基于海量振动干扰事件的油气管线监测实时聚类预警方法 | |
CN112013910B (zh) | 一种排水管网流量检测方法、装置、服务器和存储介质 | |
CN111539393B (zh) | 基于emd分解与lstm的油气管道第三方施工预警方法 | |
CN111476965B (zh) | 火灾检测模型的构建方法、火灾检测方法及相关设备 | |
CN104819382B (zh) | 一种用于光纤预警系统的自适应恒虚警率振源检测方法 | |
CN111520193A (zh) | 非接触式隧道工程施工岩爆实时预报方法 | |
Pecly et al. | Offline and online synchronization of position derived signals for identification of dynamic systems | |
CN111368651A (zh) | 一种车辆识别方法、装置及电子设备 |
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 |