CN114857504A - 基于分布式光纤传感器和深度学习的管道安全监测方法 - Google Patents

Abstract

本发明公开了一种基于分布式光纤传感器和深度学习的管道安全监测方法，包括以下步骤：S1、通过分布式光纤信号采集装置采集管道各个位置的光纤振动信号；S2、对采集的光纤振动信号进行数据清洗、小波包降噪和归一化处理，将处理后的数据划分为训练集、测试集和预测集；S3、构建卷积神经网络模型，输入训练集和测试集数据进行学习训练，输入预测集数据评估模型的性能，再以卷积神经网络为特征提取器，以支持向量机为分类选择器，建立卷积神经网络与支持向量机联合模型；S4、将采集的实时数据输入卷积神经网络与支持向量机联合模型进行识别，根据输出的数字标签进行类型分类，实现对管道的安全监测。本发明精准的监测管道安全，提升了识别的准确率。

Description

基于分布式光纤传感器和深度学习的管道安全监测方法

技术领域

本发明涉及油气管道安全监测领域，具体地说，涉及一种基于分布式光纤传感器和深度学习的管道监测方法。

背景技术

光纤传感技术以光替代电流作为信息传递的媒介，并把纤维波导当作光波传导的介质。当光纤受到如压力、振动、温度、电磁场等外界环境因素变化的影响后，就会引起光波量如光强度、光相位、光频率以及偏振态的变化，根据处理传感器接收到的数据信号可得到外界参数变化，实现对各个物理量的测量。

在管道监测领域，对服役管道进行实时监测，既能随时了解管道结构的健康状态，及时发现管道问题进行维护或更换管道，从而减少经济损失和环境污染，又能通过信号提早发现管道泄漏或者被人为入侵的行为，做出相应的维护措施。目前常用的方法主要为应力波法、压力波法等，然而，此类方法检测到的信号存在延迟，同时对于事故发生的位置定位差，精度低。

发明内容

本发明的目的在于克服现有技术油气管道泄漏和入侵监测困难的情况，提出一种基于分布式光纤传感器和深度学习的管道安全监测方法，实现对管道安全事故的监测和识别，反应快，定位精度高，识别准确率高。

为了实现上述目的，本发明所采用的技术方案如下：

一种基于分布式光纤传感器和深度学习的管道安全监测方法，包括以下步骤：

S1、通过分布式光纤信号采集装置采集管道各个位置的光纤振动信号；

S2、对采集的光纤振动信号进行数据清洗、小波包降噪和归一化处理，将处理后的数据划分为训练集、测试集和预测集；

S3、构建卷积神经网络模型，输入训练集和测试集数据进行学习训练，输入预测集数据评估模型的性能，再以卷积神经网络为特征提取器，以支持向量机为分类选择器，建立卷积神经网络与支持向量机联合模型；

S4、将采集的实时数据输入卷积神经网络与支持向量机联合模型进行识别，根据输出的数字标签进行类型分类，实现对管道的安全监测。

进一步地，分布式光纤信号采集装置包括激光器、声光调制器、光纤放大器、环形器、传感光纤、光电探测器和数据采集卡，激光器、声光调制器、光纤放大器、环形器、传感光纤、光电探测器和数据采集卡依次连接。

进一步地，步骤S2中，对采集的光纤振动信号进行数据清洗的方式为，对于每一个样本数据，去除开头的5％样本数据，再将剩余的n个数据点个数平均降低为n/10个数据点。

进一步地，步骤S2中，对采集的光纤振动信号进行小波包降噪的方式为，运用小波包分解得到不同频段的小波包系数，选取不同频段的小波包系数组合重构信号并与原信号对比分析，提取出原始信号的主要集中频段并找出其对应系数重构信号。

进一步地，步骤S2中，归一化的公式为

其中，x为转换前的值，y为转换后的值，V_max为样本最大值，V_min为样本最小值。

进一步地，步骤S3中，建立卷积神经网络与支持向量机联合模型包括以下步骤：

S31、构建卷积神经网络模型，卷积神经网络模型的结构为输入层、卷积层C1、池化层P1、卷积层C2、池化层P2、卷积层C3、池化层P3、Dropout层、全连接层FC1和输出层；

S32、确定卷积神经网络模型的结构参数和超参数；

S33、将卷积神经网络模型从卷积尺寸、池化尺寸、激活函数、池化方式、网络深度五个方面进行网络性能优化；

S34、输入训练集数据进行卷积神经网络模型的迭代调优；

S35、获得卷积神经网络模型后，去掉卷积神经网络模型的全连接层，将卷积神经网络作为特征提取器，以支持向量机作为分类选择器，建立卷积神经网络与支持向量机联合模型。

进一步地，步骤S31中，卷积神经网络模型输入直接采用一维信号，中间卷积计算也为一维卷积。

进一步地，步骤S34中，卷积神经网络模型的每一次迭代包括以下步骤：

S341、采用截断正态分布方法对卷积神经网络模型的网络参数进行初始化，网络参数的概率密度函数的计算公式为

其中，变量θ服从正态分布，θ的取值范围限制在[a,b]内，φ(·)是均值为0且方差为1的标准正态分布，Φ(·)为标准正态分布的累积分布函数；

S342、通过卷积层进行特征迭代提取不同层次的特征，通过池化层减少网络参数和降低过拟合，经过三组卷积和池化后，输入一个全连接层的网络得到分类输出；

S343、根据分类输出计算损失函数，依据损失函数计算更新梯度，对网络权值进行更新后，采用Adam算法进行优化。

进一步地，步骤S343中，损失函数L的计算公式为

其中，y表示样本预测值，n表示样本的总数，a表示标签真实值。

进一步地，卷积神经网络模型迭代过程中，如果网络的损失函数两次结果变化小于设置阈值或者达到最大迭代次数则停止迭代，并保存该模型用于油气管道安全事件检测识别。

与现有技术相比，本发明具有以下优点和有益效果：

1.本发明基于光时域反射技术的散射式光纤传感技术可以实现对长距离的油气管道振动、应变参数的实时测量，反应快定位精度高，光纤传感技术与人工智能结合，通过支持向量机(Support Vector Machine，SVM)、卷积神经网络(CNN)不同模型的结合使用与训练，可以有效地对管道入侵和泄漏进行联合识别分类。

2.本发明构建一维卷积神经网络(1-D CNN)与支持向量机(SVM)结合的深度学习识别模型，对数据进行处理分析，实现对管道安全事故的监测和识别，相对于传统的压力传感方法不仅能够更加精准的全方位监测管道安全，还能识别管道泄漏和各种管道入侵事件，对于识别的准确率有了进一步的提升。

附图说明

图1为油气管道安全监测方法的流程示意图。

图2为分布式光纤信号采集装置的结构示意图。

图3为一维卷积神经网络与支持向量机联合模型的结构示意图。

具体实施方式

下面结合附图和具体实施例对本发明基于分布式光纤传感器和深度学习的管道安全监测方法作进一步说明。

请参阅图1，本发明公开了一种基于分布式光纤传感器和深度学习的管道安全监测方法，具体包括以下步骤；

S1、通过分布式光纤信号采集装置采集管道各个位置的光纤振动信号。

S2、对采集的光纤振动信号进行数据清洗、小波包降噪和归一化处理，将处理后的数据划分为训练集、测试集和预测集。

S3、构建卷积神经网络模型，输入训练集和测试集数据进行学习训练，输入预测集评估模型的性能，再以卷积神经网络为特征提取器，以支持向量机为分类选择器，建立卷积神经网络与支持向量机联合模型。

S4、将采集的实时数据输入卷积神经网络与支持向量机联合模型进行识别，根据输出的数字标签进行类型分类，实现对管道的安全监测。

具体地，步骤S1中，搭建一个分布式光纤传感系统的油气管道模拟平台，用于采集实验数据并验证该方法的可行性，油气管道模拟平台主要包括分布式光纤信号采集装置、管道模拟装置、空气压缩机。管道模拟装置包括箱体，箱体内设置有土壤，管道设置于箱体上，管道上开设泄漏孔，空气压缩机用于模拟天然气运输，油气管道模拟平台主模拟具体的事件类型包括正常运行、小型泄漏、大型泄漏、跳跃、铁锹拍打地面、铁锹挖掘。

请参阅图2，分布式光纤信号采集装置采用OTDR技术实现，分布式光纤信号采集装置包括激光器、声光调制器、光纤放大器、环形器、传感光纤、光电探测器和数据采集卡，激光器、声光调制器、光纤放大器、环形器、传感光纤、光电探测器和数据采集卡依次连接。分布式光纤信号采集装置的原理为，由激光器发出的连续光束被声光调制器调制为脉冲光，再由掺铒光纤放大器放大，之后从端口1进入环形器注入传感光纤中。脉冲光在传感光纤中传输的过程中，会产生大量后向瑞利散射光，后向瑞利散射光由端口2进入环形器，传输到端口3，被光电探测器检测到，再经过数据采集卡采样，将采集到的数据传至电脑端进行处理。本实施例中，分布式光纤信号采集装置采用单芯单模通信光缆作为传感器，可以实时获得光缆沿线任意一点周围的振动信息，其定位精度1m、空间分辨率10m。

步骤S2中，对采集的光纤振动信号进行数据清洗，对于每一个样本数据，去除开头的5％样本数据，防止滤波干扰导致形变的影响，再将剩余的n个数据点个数平均降低为n/10个数据点。

对采集的光纤振动信号数据进行小波包降噪处理，在原始短时信号中夹杂了各种各样的噪声，极大的影响了后期的分类识别性能。运用小波包分解得到不同频段的小波包系数，后期选取不同频段的小波包系数组合重构信号并与原信号对比分析，提取出原始信号的主要集中频段，找出其对应系数，由此重构信号得到降噪后的分布式光纤油气管道安全检测数据集。

步骤S2中，对重构后的数据集进行归一化的公式为

其中，x为转换前的值，y为转换后的值，V_max为样本最大值，V_min为样本最小值。随后绑定事件的标签，最后按适当比例划分训练集、测试集和预测集。

本实施例中，分布式光纤信号采集装置的采集频率为10MHz，取1s内振动位置处的瑞利散射光作为事件数据，每1s保存一个。需要知道的是，每一秒样本去得到的数据都是时空数据，即包含管道全长在时间上的所有数据，其中管道长度的分辨率与光纤系统本身的分辨率相关，本实验装置分辨率为1m，即每一米取一个采样点。取最为敏感的两个采样点最为样本，即每秒可以获得两个样本，每个样本都是一个一维向量，包含一秒时间长度内在管道一个长度单位上的振动情况。为配合后续网络输入，将1s长度的振动数据去除开头1000个采样点(受滤波干扰导致形变)，并将剩余9000个采样点平均降采样至900个采样点。再对每个样本进行小波包降噪和归一化。最后贴上数字标签1-6对应六个事件类型，按照6：2：2划分训练集、测试集和预测集。

请参阅图3，步骤S3中，建立卷积神经网络与支持向量机联合模型，具体包括以下步骤：

S31、构建卷积神经网络模型，卷积神经网络模型的结构为输入层、卷积层C1、池化层P1、卷积层C2、池化层P2、卷积层C3、池化层P3、Dropout层、全连接层FC1和输出层。

S32、确定卷积神经网络模型的结构参数和超参数。

S33、将卷积神经网络模型从卷积尺寸、池化尺寸、激活函数、池化方式、网络深度五个方面进行网络性能优化。

S34、输入训练集数据进行卷积神经网络模型的迭代调优。

S35、获得卷积神经网络模型后，去掉卷积神经网络模型的全连接层，将卷积神经网络作为特征提取器，以支持向量机作为分类选择器，建立卷积神经网络与支持向量机联合模型。

具体地，步骤S31中，卷积神经网络模型输入直接采用一维信号，中间卷积计算也为一维卷积。步骤S32中，卷积神经网络模型的结构参数包括卷积核的大小、数量和步长，以及池化核的大小和步长等，超参数包括学习率、迭代次数、激活函数等，卷积神经网络模型的各种结构参数和超参数的初始定义如下表1所示。

表1卷积神经网络模型的结构参数和超参数

步骤S33中，卷积尺寸、池化尺寸、激活函数、池化方式根据先验经验设置超参数的大致范围，再使用KerasTuner进行自适应的超参数调优。对于网络深度采用贪心策略，固定其他参数不变，试验该参数的局部最优值，然后将该参数设置为该值。

步骤S34中，卷积神经网络模型的每一次迭代包括以下步骤：

S341、采用截断正态分布方法对卷积神经网络模型的网络参数进行初始化，网络参数的概率密度函数的计算公式为

其中，变量θ服从正态分布，θ的取值范围限制在[a,b]内，φ(·)是均值为0且方差为1的标准正态分布，Φ(·)为标准正态分布的累积分布函数。

S342、通过卷积层进行特征迭代提取不同层次的特征，通过池化层减少网络参数和降低过拟合，经过三组卷积和池化后，输入一个全连接层的网络得到分类输出。

S343、根据分类输出计算损失函数，依据损失函数计算更新梯度，对网络权值进行更新后，采用Adam算法进行优化。

步骤S341中，利用函数f生成取值在已知限定范围内的θ，包含权值矩阵W与偏置变量Bias，作为初始化的网络参数值。随后将卷积核数量、池化核数量和全连接层神经元数用kerasTuner实现范围的自适应调整。最后将最后的全连接层抛弃，得到训练好后的特征提取层。构建一个支持向量机模型，模型的惩罚系数为0.9，核函数为线性，采用一对一融合策略。

步骤S342中，损失函数L的计算公式为

其中，y表示样本预测值，n表示样本的总数，a表示标签真实值。

卷积神经网络模型迭代过程中，如果网络的损失函数两次结果变化小于设置阈值或者达到最大迭代次数则停止迭代，并保存该模型用于油气管道安全事件检测识别。

步骤S343中，结合传统机器学习方法支持向量机(SVM)进行模型的优化。在得到卷积神经网络模型后，去掉卷积神经网络的全连接层，将一维卷积神经网络作为一个单纯的特征提取器，得到一维卷积神经网络特征后，以支持向量机作为分类选择器，简化参数。选择惩罚系数为0.9，核函数选用linear线性核函数，采取“一对一”策略扩展模型来实现多分类，在类型不多时有更高的训练速度，适用于油气管道的识别分类。

步骤S4中，将分布式光纤信号采集装置实时采集的数据输入卷积神经网络模型，经特征处理层提取特征后，把特征数据输入构建的支持向量机模型中，最后根据输出的数字标签实时的识别出当前管道的运行状况。

综上所述，本发明具有以下优点和有益效果：

1.本发明基于光时域反射技术的散射式光纤传感技术可以实现对长距离的油气管道振动、应变参数的实时测量，反应快定位精度高，光纤传感技术与人工智能结合，通过支持向量机(Support Vector Machine，SVM)、卷积神经网络(CNN)不同模型的结合使用与训练，可以有效地对管道入侵和泄漏进行联合识别分类。

2.本发明构建一维卷积神经网络(1-D CNN)与支持向量机(SVM)结合的深度学习识别模型，对数据进行处理分析，实现对管道安全事故的监测和识别，相对于传统的压力传感方法不仅能够更加精准的全方位监测管道安全，还能识别管道泄漏和各种管道入侵事件，对于识别的准确率有了进一步的提升。

上述说明是针对本发明较佳可行实施例的详细说明，但实施例并非用以限定本发明的专利申请范围，凡本发明所揭示的技术精神下所完成的同等变化或修饰变更，均应属于本发明所涵盖专利范围。

Claims (10)

1.一种基于分布式光纤传感器和深度学习的管道安全监测方法，其特征在于，包括以下步骤：

S1、通过分布式光纤信号采集装置采集管道各个位置的光纤振动信号；

S2、对采集的光纤振动信号进行数据清洗、小波包降噪和归一化处理，将处理后的数据划分为训练集、测试集和预测集；

S3、构建卷积神经网络模型，输入训练集和测试集数据进行学习训练，输入预测集数据评估模型的性能，再以卷积神经网络为特征提取器，以支持向量机为分类选择器，建立卷积神经网络与支持向量机联合模型；

S4、将采集的实时数据输入卷积神经网络与支持向量机联合模型进行识别，根据输出的数字标签进行类型分类，实现对管道的安全监测。

2.如权利要求1的基于分布式光纤传感器和深度学习的管道安全监测方法，其特征在于，分布式光纤信号采集装置包括激光器、声光调制器、光纤放大器、环形器、传感光纤、光电探测器和数据采集卡，激光器、声光调制器、光纤放大器、环形器、传感光纤、光电探测器和数据采集卡依次连接。

3.如权利要求2的基于分布式光纤传感器和深度学习的管道安全监测方法，其特征在于，步骤S2中，对采集的光纤振动信号进行数据清洗的方式为，对于每一个样本数据，去除开头的5％样本数据，再将剩余的n个数据点个数平均降低为n/10个数据点。

4.如权利要求2的基于分布式光纤传感器和深度学习的管道安全监测方法，其特征在于，步骤S2中，对采集的光纤振动信号进行小波包降噪的方式为，运用小波包分解得到不同频段的小波包系数，选取不同频段的小波包系数组合重构信号并与原信号对比分析，提取出原始信号的主要集中频段并找出其对应系数重构信号。

5.如权利要求1的基于分布式光纤传感器和深度学习的管道安全监测方法，其特征在于，步骤S2中，归一化的公式为

其中，x为转换前的值，y为转换后的值，V_max为样本最大值，V_min为样本最小值。

6.如权利要求1的基于分布式光纤传感器和深度学习的管道安全监测方法，其特征在于，步骤S3中，建立卷积神经网络与支持向量机联合模型包括以下步骤：

S31、构建卷积神经网络模型，卷积神经网络模型的结构为输入层、卷积层C1、池化层P1、卷积层C2、池化层P2、卷积层C3、池化层P3、Dropout层、全连接层FC1和输出层；

S32、确定卷积神经网络模型的结构参数和超参数；

S33、将卷积神经网络模型从卷积尺寸、池化尺寸、激活函数、池化方式、网络深度五个方面进行网络性能优化；

S34、输入训练集数据进行卷积神经网络模型的迭代调优；

S35、获得卷积神经网络模型后，去掉卷积神经网络模型的全连接层，将卷积神经网络作为特征提取器，以支持向量机作为分类选择器，建立卷积神经网络与支持向量机联合模型。

7.如权利要求6的基于分布式光纤传感器和深度学习的管道安全监测方法，其特征在于，步骤S31中，卷积神经网络模型输入直接采用一维信号，中间卷积计算也为一维卷积。

8.如权利要求6的基于分布式光纤传感器和深度学习的管道安全监测方法，其特征在于，步骤S34中，卷积神经网络模型的每一次迭代包括以下步骤：

S341、采用截断正态分布方法对卷积神经网络模型的网络参数进行初始化，网络参数的概率密度函数的计算公式为

其中，变量θ服从正态分布，θ的取值范围限制在[a,b]内，φ(·)是均值为0且方差为1的标准正态分布，Φ(·)为标准正态分布的累积分布函数；

S342、通过卷积层进行特征迭代提取不同层次的特征，通过池化层减少网络参数和降低过拟合，经过三组卷积和池化后，输入一个全连接层的网络得到分类输出；

S343、根据分类输出计算损失函数，依据损失函数计算更新梯度，对网络权值进行更新后，采用Adam算法进行优化。

9.如权利要求8的基于分布式光纤传感器和深度学习的管道安全监测方法，其特征在于，步骤S343中，损失函数L的计算公式为

其中，y表示样本预测值，n表示样本的总数，a表示标签真实值。

10.如权利要求8的基于分布式光纤传感器和深度学习的管道安全监测方法，其特征在于，卷积神经网络模型迭代过程中，如果网络的损失函数两次结果变化小于设置阈值或者达到最大迭代次数则停止迭代，并保存该模型用于油气管道安全事件检测识别。

Images