CN116805061A - 基于光纤传感的泄漏事件判断方法 - Google Patents
基于光纤传感的泄漏事件判断方法 Download PDFInfo
- Publication number
- CN116805061A CN116805061A CN202310517713.4A CN202310517713A CN116805061A CN 116805061 A CN116805061 A CN 116805061A CN 202310517713 A CN202310517713 A CN 202310517713A CN 116805061 A CN116805061 A CN 116805061A
- Authority
- CN
- China
- Prior art keywords
- time domain
- vibration waveform
- local time
- domain vibration
- feature vectors
- 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
- 238000000034 method Methods 0.000 title claims abstract description 61
- 239000013307 optical fiber Substances 0.000 title claims abstract description 49
- 239000013598 vector Substances 0.000 claims abstract description 216
- 230000003287 optical effect Effects 0.000 claims abstract description 103
- 238000005070 sampling Methods 0.000 claims abstract description 68
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 33
- 238000012216 screening Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims description 24
- 238000005457 optimization Methods 0.000 claims description 22
- 239000000835 fiber Substances 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000012546 transfer Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 45
- 238000009826 distribution Methods 0.000 description 26
- 230000006870 function Effects 0.000 description 20
- 238000003466 welding Methods 0.000 description 15
- 238000001514 detection method Methods 0.000 description 14
- 238000000605 extraction Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 238000012423 maintenance Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000005065 mining Methods 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 238000012706 support-vector machine Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000007635 classification algorithm Methods 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 3
- 238000003909 pattern recognition Methods 0.000 description 3
- 229910000831 Steel Inorganic materials 0.000 description 2
- 239000004568 cement Substances 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000001149 cognitive effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 238000000253 optical time-domain reflectometry Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000003911 water pollution Methods 0.000 description 1
Landscapes
- Examining Or Testing Airtightness (AREA)
Abstract
公开了一种基于光纤传感的泄漏事件判断方法。其首先对采集的被监测管道部位在预定时间段的光缆传感信号进行噪声筛除以得到预处理后光缆传感信号，接着，从所述预处理后光缆传感信号提取时域振动信号，然后，对所述时域振动信号进行滑窗采样以得到多个局部时域振动信号采样窗，接着，将所述多个局部时域振动信号采样窗分别通过卷积神经网络模型以得到多个局部时域振动波形特征向量，然后，将所述多个局部时域振动波形特征向量通过上下文编码器以得到振动波形全局语义理解特征向量，最后，将所述振动波形全局语义理解特征向量通过分类器以得到用于表示被监测管道部位是否存在泄漏的分类结果。这样，可以更精准且及时地发现泄漏。
Description
技术领域
本申请涉及智能化判断领域，且更为具体地，涉及一种基于光纤传感的泄漏事件判断方法。
背景技术
管廊内供水管道长期使用易导致自然老化，从而产生泄漏现象。若泄漏的管道不及时发现并修复，会浪费宝贵的水资源，并危及到泄漏点附近的设施及环境，严重时还会造成水体污染、重大经济损失及不良的社会影响。因此，开展供水管道漏水检测工作，保证供水管道安全稳定健康运行，具有现实而深远的意义。
供水管道泄漏原因通常有：管道铺设时间较长，超期服役，管道老化；管材质量、施工不良造成泄漏；介质的温差起伏大，引起管道受热不均造成泄漏等等，而一般微小泄漏往往无法及时发现，导致大量水资源的浪费。
因此，期望一种优化的基于光纤传感的泄漏事件判断方案。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于光纤传感的泄漏事件判断方法。其首先对采集的被监测管道部位在预定时间段的光缆传感信号进行噪声筛除以得到预处理后光缆传感信号，接着，从所述预处理后光缆传感信号提取时域振动信号，然后，对所述时域振动信号进行滑窗采样以得到多个局部时域振动信号采样窗，接着，将所述多个局部时域振动信号采样窗分别通过卷积神经网络模型以得到多个局部时域振动波形特征向量，然后，将所述多个局部时域振动波形特征向量通过上下文编码器以得到振动波形全局语义理解特征向量，最后，将所述振动波形全局语义理解特征向量通过分类器以得到用于表示被监测管道部位是否存在泄漏的分类结果。这样，可以更精准且及时地发现泄漏。
根据本申请的一个方面，提供了一种基于光纤传感的泄漏事件判断方法，其包括：获取由光时域反射计分布式光纤传感系统采集的被监测管道部位在预定时间段的光缆传感信号；对所述光缆传感信号进行噪声筛除以得到预处理后光缆传感信号；从所述预处理后光缆传感信号提取时域振动信号；对所述时域振动信号进行基于采样窗的滑窗采样以得到多个局部时域振动信号采样窗；将所述多个局部时域振动信号采样窗分别通过作为过滤器的卷积神经网络模型以得到多个局部时域振动波形特征向量；将所述多个局部时域振动波形特征向量通过基于转换器的上下文编码器以得到振动波形全局语义理解特征向量；以及将所述振动波形全局语义理解特征向量通过分类器以得到分类结果，所述分类结果用于表示被监测管道部位是否存在泄漏。
在上述的基于光纤传感的泄漏事件判断方法中，将所述多个局部时域振动信号采样窗分别通过作为过滤器的卷积神经网络模型以得到多个局部时域振动波形特征向量，包括：使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中对输入数据分别进行二维卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述作为过滤器的卷积神经网络模型的最后一层输出所述多个局部时域振动波形特征向量，其中，所述作为过滤器的卷积神经网络模型的第一层的输入为所述多个局部时域振动信号采样窗。
在上述的基于光纤传感的泄漏事件判断方法中，将所述多个局部时域振动波形特征向量通过基于转换器的上下文编码器以得到振动波形全局语义理解特征向量，包括：将所述多个局部时域振动波形特征向量通过基于转换器的上下文编码器以得到多个上下文局部时域振动波形特征向量；分别计算所述各个上下文局部时域振动波形特征向量的高斯回归不确定性因数以得到多个高斯回归不确定性因数；以所述多个高斯回归不确定性因数作为加权系数对所述多个上下文局部时域振动波形特征向量进行加权优化以得到多个优化上下文局部时域振动波形特征向量；以及将所述多个优化上下文局部时域振动波形特征向量进行级联以得到所述振动波形全局语义理解特征向量。
在上述的基于光纤传感的泄漏事件判断方法中，将所述多个局部时域振动波形特征向量通过基于转换器的上下文编码器以得到多个上下文局部时域振动波形特征向量，包括：将所述多个局部时域振动波形特征向量进行一维排列以得到全局时域振动波形特征向量；计算所述全局时域振动波形特征向量与所述多个局部时域振动波形特征向量中各个局部时域振动波形特征向量之间的乘积以得到多个自注意力关联矩阵；分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；以及分别以所述多个概率值中各个概率值作为权重对所述多个局部时域振动波形特征向量中各个局部时域振动波形特征向量进行加权以得到所述多个上下文局部时域振动波形特征向量。
在上述的基于光纤传感的泄漏事件判断方法中，分别计算所述各个上下文局部时域振动波形特征向量的高斯回归不确定性因数以得到多个高斯回归不确定性因数，包括：以如下优化公式分别计算所述各个上下文局部时域振动波形特征向量的高斯回归不确定性因数以得到所述多个高斯回归不确定性因数；其中，所述优化公式为：，其中，/>是所述多个上下文局部时域振动波形特征向量中第/>个上下文局部时域振动波形特征向量的第/>个位置的特征值，/>是特征向量的长度，/>和/>分别是所述第/>个上下文局部时域振动波形特征向量中各个位置特征值集合的均值和方差，/>为以2为底的对数函数，/>是所述多个高斯回归不确定性因数中第/>个高斯回归不确定性因数。
在上述的基于光纤传感的泄漏事件判断方法中，将所述多个优化上下文局部时域振动波形特征向量进行级联以得到所述振动波形全局语义理解特征向量，包括：以如下级联公式将所述多个优化上下文局部时域振动波形特征向量进行级联以得到所述振动波形全局语义理解特征向量；其中，所述级联公式为：，其中，/>表示所述多个优化上下文局部时域振动波形特征向量，/>表示级联函数，/>表示所述振动波形全局语义理解特征向量。
在上述的基于光纤传感的泄漏事件判断方法中，将所述振动波形全局语义理解特征向量通过分类器以得到分类结果，所述分类结果用于表示被监测管道部位是否存在泄漏，包括：使用所述分类器的多个全连接层对所述振动波形全局语义理解特征向量进行全连接编码以得到编码分类特征向量；以及将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
与现有技术相比，本申请提供的基于光纤传感的泄漏事件判断方法，其首先对采集的被监测管道部位在预定时间段的光缆传感信号进行噪声筛除以得到预处理后光缆传感信号，接着，从所述预处理后光缆传感信号提取时域振动信号，然后，对所述时域振动信号进行滑窗采样以得到多个局部时域振动信号采样窗，接着，将所述多个局部时域振动信号采样窗分别通过卷积神经网络模型以得到多个局部时域振动波形特征向量，然后，将所述多个局部时域振动波形特征向量通过上下文编码器以得到振动波形全局语义理解特征向量，最后，将所述振动波形全局语义理解特征向量通过分类器以得到用于表示被监测管道部位是否存在泄漏的分类结果。这样，可以更精准且及时地发现泄漏。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员而言，在没有做出创造性劳动的前提下，还可以根据这些附图获得其他的附图。以下附图并未刻意按实际尺寸等比例缩放绘制，重点在于示出本申请的主旨。
图1为根据本申请实施例的基于光纤传感的泄漏事件判断方法的应用场景图。
图2为根据本申请实施例的基于光纤传感的泄漏事件判断方法的流程图。
图3为根据本申请实施例的基于光纤传感的泄漏事件判断方法的架构示意图。
图4为根据本申请实施例的基于光纤传感的泄漏事件判断方法的子步骤S160的流程图。
图5为根据本申请实施例的基于光纤传感的泄漏事件判断方法的子步骤S161的流程图。
图6为根据本申请实施例的基于光纤传感的泄漏事件判断方法的子步骤S170的流程图。
图7为根据本申请实施例的基于光纤传感的泄漏事件判断系统的框图。
图8为根据本申请实施例的集水装置的振动片段截取示意图。
具体实施方式
下面将结合附图对本申请实施例中的技术方案进行清楚、完整地描述，显而易见地，所描述的实施例仅仅是本申请的部分实施例，而不是全部的实施例。基于本申请实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，也属于本申请保护的范围。
如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用，然而，任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的，并且所述系统和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，根据需要，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
如上所述，供水管道泄漏原因通常有：管道铺设时间较长，超期服役，管道老化；管材质量、施工不良造成泄漏；介质的温差起伏大，引起管道受热不均造成泄漏等等，而一般微小泄漏往往无法及时发现，导致大量水资源的浪费。因此，期望一种优化的基于光纤传感的泄漏事件判断方案。
相应地，考虑到管廊内的供水管道微小泄漏事件多发生于管道焊接处，为有效监测管道焊接处的渗漏故障，在本申请的技术方案中，基于相位敏感的光时域反射计在光缆敷设过程中，依据不同位置对光缆进行不同形式的固定，以此来通过对于光时域反射计分布式光纤传感系统采集的被监测管道部位在预定时间段的光缆传感信号进行分析来实现被监测管道部位的泄漏检测。但是，由于所述光缆传感信号在实际采集的过程中会存在有大量的噪声干扰，降低了对于管道泄漏检测的精准度。并且考虑到当管道存在微小泄漏时，所述光缆传感信号中关于管道泄漏的特征信息为小尺度的隐含特征，难以通过传统的方式进行充分表达。因此，在此过程中，难点在于如何进行所述光缆传感信号的波形中关于管道泄漏的隐含特征分布信息的充分表达，以此来准确地进行管道泄漏检测，从而能够更为精准且及时地发现泄漏，以便于后期及时进行维护，保护水资源。
近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。深度学习以及神经网络的发展为挖掘所述光缆传感信号的波形中关于管道泄漏的隐含特征分布信息提供了新的解决思路和方案。
具体地，在本申请的技术方案中，首先，获取由光时域反射计分布式光纤传感系统采集的被监测管道部位在预定时间段的光缆传感信号。应可以理解，管廊内的供水管道微小泄漏事件多发生于管道焊接处，为有效监测管道焊接处的渗漏故障，在本申请的技术方案中，基于相位敏感的光时域反射计在光缆敷设过程中，依据不同位置对光缆进行两种形式的固定，以此来利用光线传感系统采集被监测管道部位在预定时间段的光缆传感信号。具体来说，针对非管道焊接处，保持光缆与供水管道平行并将其铺设在管廊地面上，每间隔2-3米用水泥钢钉卡线固定于地面；针对管道焊接处，将光缆敷设于集水装置下方的光缆固定架上，每隔5-10米用铆钉固定。
接着，考虑到由于所述光缆传感信号在采集的过程中会存在大量的噪声，而所述光缆传感信号中的有用信号与噪声在频带上相互叠加，影响所述光缆信号中关于管道泄漏隐含特征的捕捉提取，因此需要对噪声进行筛除。相应地，在本申请的一个具体示例中，可以通过小波变换对所述光缆传感信号进行噪声筛除以得到预处理后光缆传感信号。应可以理解，所述有用信号和所述噪声信号在进行小波变换后具有不同的统计特性，通常来讲，所述有用信号的能量对应各尺度中幅值比较大的小波系数，且各尺度中分布与信号本身的特性有关；而所述噪声信号的小波系数在各尺度中的分布较为平均且幅值较小。
然后，还考虑到由于在所述预处理后光缆传感信号中并不是每个时间点都存在扰动事件，也就是说，所述预处理后光缆传感信号中包含扰动段和无扰动段，其中扰动段为相位敏感的光时域反射计光缆传感信号的有效片段，需要将扰动段从相位敏感的光时域反射计光缆传感信号中提取出来，才能针对扰动段信号进行泄漏事件的特征提取和模式识别。因此，在本申请的技术方案中，从所述预处理后光缆传感信号提取时域振动信号，以提取出所述预处理后光缆传感信号中的扰动段信号信息。
应可以理解，由于每个扰动段的信号信息中都可能会存在有管道泄漏的隐性特征信息，为了更好地理解和分析所述时域振动信号，以提高管道泄漏检测的精准度，需要将所述时域振动信号分割成多个采样窗进行处理，也就是说，将输入信号进行分段处理并采用滑动窗口的方法可以更好地适应不同场景的需求，并且有效地避免了信号中的干扰和噪声，提高了数据处理的准确度和可靠性。具体地，对所述时域振动信号进行基于采样窗的滑窗采样以得到多个局部时域振动信号采样窗。这里，所述各个局部时域振动信号采样窗是指从所述时域振动信号中选取一段固定长度的数据窗口，在数据勘测系统中，每个采样窗相当于一个局部信号，需要对所述时域振动信号中的各个局部信号进行特征提取和处理，以获取更加精确的管道泄漏隐含特征信息，从而有效地进行管道泄漏检测。特别地，针对不同的应用场景和物质类型，采样窗的大小可以设置为不同长度。
进一步地，由于所述各个局部时域振动信号采样窗在时域中的表现形式为波形图，因此，使用在图像的隐含特征提取方面具有优异表现的作为过滤器的卷积神经网络模型来进行所述各个局部时域振动信号采样窗的特征挖掘，以分别提取出所述各个局部时域振动信号采样窗中关于管道泄漏的隐含特征分布信息。
然后，考虑到在所述各个局部时域振动信号采样窗中，关于管道泄漏的高维隐含特征具有着关于所述时域振动信号整体的关联性关系。因此，在本申请的技术方案中，进一步将所述多个局部时域振动波形特征向量通过基于转换器的上下文编码器中进行特征挖掘，以提取出所述各个局部时域振动信号采样窗中关于管道泄漏特征基于所述时域振动信号全局的上下文关联特征分布信息，从而得到振动波形全局语义理解特征向量。
接着，进一步再将所述振动波形全局语义理解特征向量作为分类特征向量通过分类器以得到分类结果，所述分类结果用于表示被监测管道部位是否存在泄漏。也就是，在本申请的技术方案中，所述分类器的标签包括被监测管道部位存在泄漏(第一标签)，以及，被监测管道部位不存在泄漏(第二标签)，其中，所述分类器通过软最大值函数来确定所述分类特征向量属于哪个分类标签。值得注意的是，这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念，实际上在训练过程当中，计算机模型并没有“被监测管道部位是否存在泄漏”这种概念，其只是有两种分类标签且输出特征在这两个分类标签下的概率，即p1和p2之和为一。因此，被监测管道部位是否存在泄漏的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布，实质上用到的是标签的自然概率分布的物理意义，而不是“被监测管道部位是否存在泄漏”的语言文本意义。应可以理解，在本申请的技术方案中，所述分类器的分类标签为被监测管道部位是否存在泄漏的检测评估标签，因此，在得到所述分类结果后，可基于所述分类结果来进行管道泄漏检测，以便于后续进行维护处理。
特别地，在本申请的技术方案中，这里，考虑到在所述光时域反射计分布式光纤传感系统采集所述光缆传感信号时会引入噪声，虽然通过噪声筛除操作可滤除部分噪声明确可区分的噪声，但仍存在部分不可明确区分的噪声被保留，在对所述时域振动信号进行基于采样窗的滑窗采样以得到多个局部时域振动信号采样窗后，在所述各个局部时域振动信号采样窗中均存在源域噪声。经过所述作为过滤器的卷积神经网络模型的特征提取和所述基于转换器的上下文编码器的上下文编码后得到的多个上下文局部时域振动波形特征向量引入各自的特征分布的高斯分布误差不确定性，这样，考虑到所述振动波形全局语义理解特征向量是通过将所述多个上下文局部时域振动波形特征向量直接级联得到的，因此这种高斯分布误差不确定性的直接叠加也会引起所述振动波形全局语义理解特征向量的分类回归误差，影响所述振动波形全局语义理解特征向量通过分类器得到的分类结果的准确性。
基于此，在本申请的技术方案中，分别计算所述多个上下文局部时域振动波形特征向量中的每个上下文局部时域振动波形特征向量，例如记为 的高斯回归不确定性因数，表示为：/>，/>是特征向量的长度，/>和/>分别是特征集合/>的均值和方差，其中/>是特征向量/>的第/>个位置的特征值，且/>为以2为底的对数。
这里，针对所述多个上下文局部时域振动波形特征向量中的每个上下文局部时域振动波形特征向量各自的集成特征集合由于其分布不确定性信息可能导致的所述振动波形全局语义理解特征向量的不可知回归，利用作为统计量化参数的均值和方差来进行特征集合的统计特性的标量度量，从而将特征误差表示的正态分布认知模式扩展到未知的分布回归模式，实现特征集合尺度上的基于自然分布转移的迁移学习，这样，通过以上述高斯回归不确定性因数分别对每个上下文局部时域振动波形特征向量加权后再级联得到所述振动波形全局语义理解特征向量，就可以实现所述每个上下文局部时域振动波形特征向量在组成所述振动波形全局语义理解特征向量时基于自校准的不确定性修正，从而修正所述振动波形全局语义理解特征向量存在的分类回归误差，提升其通过分类器得到的分类结果的准确性。这样，能够准确地进行管道泄漏检测，从而能够更为精准且及时地发现泄漏，以便于后期及时进行维护，保护水资源。
图1为根据本申请实施例的基于光纤传感的泄漏事件判断方法的应用场景图。如图1所示，在该应用场景中，首先，获取由光时域反射计分布式光纤传感系统采集的被监测管道部位（例如，图1中所示意的N）在预定时间段的光缆传感信号（例如，图1中所示意的D），然后，将所述光缆传感信号输入至部署有基于光纤传感的泄漏事件判断算法的服务器中（例如，图1中所示意的S），其中，所述服务器能够使用所述基于光纤传感的泄漏事件判断算法对所述光缆传感信号进行处理以得到用于表示被监测管道部位是否存在泄漏的分类结果。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
图2为根据本申请实施例的基于光纤传感的泄漏事件判断方法的流程图。如图2所示，根据本申请实施例的基于光纤传感的泄漏事件判断方法，包括步骤：S110，获取由光时域反射计分布式光纤传感系统采集的被监测管道部位在预定时间段的光缆传感信号；S120，对所述光缆传感信号进行噪声筛除以得到预处理后光缆传感信号；S130，从所述预处理后光缆传感信号提取时域振动信号；S140，对所述时域振动信号进行基于采样窗的滑窗采样以得到多个局部时域振动信号采样窗；S150，将所述多个局部时域振动信号采样窗分别通过作为过滤器的卷积神经网络模型以得到多个局部时域振动波形特征向量；S160，将所述多个局部时域振动波形特征向量通过基于转换器的上下文编码器以得到振动波形全局语义理解特征向量；以及，S170，将所述振动波形全局语义理解特征向量通过分类器以得到分类结果，所述分类结果用于表示被监测管道部位是否存在泄漏。
图3为根据本申请实施例的基于光纤传感的泄漏事件判断方法的架构示意图。如图3所示，在该网络架构中，首先，获取由光时域反射计分布式光纤传感系统采集的被监测管道部位在预定时间段的光缆传感信号；接着，对所述光缆传感信号进行噪声筛除以得到预处理后光缆传感信号；然后，从所述预处理后光缆传感信号提取时域振动信号；接着，对所述时域振动信号进行基于采样窗的滑窗采样以得到多个局部时域振动信号采样窗；然后，将所述多个局部时域振动信号采样窗分别通过作为过滤器的卷积神经网络模型以得到多个局部时域振动波形特征向量；接着，将所述多个局部时域振动波形特征向量通过基于转换器的上下文编码器以得到振动波形全局语义理解特征向量；最后，将所述振动波形全局语义理解特征向量通过分类器以得到分类结果，所述分类结果用于表示被监测管道部位是否存在泄漏。
更具体地，在步骤S110中，获取由光时域反射计分布式光纤传感系统采集的被监测管道部位在预定时间段的光缆传感信号。管廊内的供水管道微小泄漏事件多发生于管道焊接处，为有效监测管道焊接处的渗漏故障，在本申请的技术方案中，通过光线传感系统采集被监测管道部位在预定时间段的光缆传感信号。
更具体地，在步骤S120中，对所述光缆传感信号进行噪声筛除以得到预处理后光缆传感信号。由于所述光缆传感信号在采集的过程中会存在大量的噪声，而所述光缆传感信号中的有用信号与噪声在频带上相互叠加，影响所述光缆信号中关于管道泄漏隐含特征的捕捉提取，因此需要对噪声进行筛除。
应可以理解，所述有用信号和所述噪声信号在进行小波变换后具有不同的统计特性，通常来讲，所述有用信号的能量对应各尺度中幅值比较大的小波系数，且各尺度中分布与信号本身的特性有关；而所述噪声信号的小波系数在各尺度中的分布较为平均且幅值较小。
更具体地，在步骤S130中，从所述预处理后光缆传感信号提取时域振动信号。由于在所述预处理后光缆传感信号中并不是每个时间点都存在扰动事件，也就是说，所述预处理后光缆传感信号中包含扰动段和无扰动段，其中扰动段为相位敏感的光时域反射计光缆传感信号的有效片段，需要将扰动段从相位敏感的光时域反射计光缆传感信号中提取出来，才能针对扰动段信号进行泄漏事件的特征提取和模式识别。因此，在本申请的技术方案中，从所述预处理后光缆传感信号提取时域振动信号，以提取出所述预处理后光缆传感信号中的扰动段信号信息。
更具体地，在步骤S140中，对所述时域振动信号进行基于采样窗的滑窗采样以得到多个局部时域振动信号采样窗。由于每个扰动段的信号信息中都可能会存在有管道泄漏的隐性特征信息，为了更好地理解和分析所述时域振动信号，以提高管道泄漏检测的精准度，需要将所述时域振动信号分割成多个采样窗进行处理，也就是说，将输入信号进行分段处理并采用滑动窗口的方法可以更好地适应不同场景的需求，并且有效地避免了信号中的干扰和噪声，提高了数据处理的准确度和可靠性。
更具体地，在步骤S150中，将所述多个局部时域振动信号采样窗分别通过作为过滤器的卷积神经网络模型以得到多个局部时域振动波形特征向量。由于所述各个局部时域振动信号采样窗在时域中的表现形式为波形图，因此，使用在图像的隐含特征提取方面具有优异表现的作为过滤器的卷积神经网络模型来进行所述各个局部时域振动信号采样窗的特征挖掘，以分别提取出所述各个局部时域振动信号采样窗中关于管道泄漏的隐含特征分布信息。
应可以理解，卷积神经网络(Convolutional Neural Network，CNN)是一种人工神经网络，在图像识别等领域有着广泛的应用。卷积神经网络可以包括输入层、隐藏层和输出层，其中，隐藏层可以包括卷积层、池化(pooling)层、激活层和全连接层等，上一层根据输入的数据进行相应的运算，将运算结果输出给下一层，输入的初始数据经过多层的运算之后得到一个最终的结果。
相应地，在一个具体示例中，将所述多个局部时域振动信号采样窗分别通过作为过滤器的卷积神经网络模型以得到多个局部时域振动波形特征向量，包括：使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中对输入数据分别进行二维卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述作为过滤器的卷积神经网络模型的最后一层输出所述多个局部时域振动波形特征向量，其中，所述作为过滤器的卷积神经网络模型的第一层的输入为所述多个局部时域振动信号采样窗。
更具体地，在步骤S160中，将所述多个局部时域振动波形特征向量通过基于转换器的上下文编码器以得到振动波形全局语义理解特征向量。在所述各个局部时域振动信号采样窗中，关于管道泄漏的高维隐含特征具有着关于所述时域振动信号整体的关联性关系。因此，在本申请的技术方案中，进一步将所述多个局部时域振动波形特征向量通过基于转换器的上下文编码器中进行特征挖掘，以提取出所述各个局部时域振动信号采样窗中关于管道泄漏特征基于所述时域振动信号全局的上下文关联特征分布信息。
相应地，在一个具体示例中，如图4所示，将所述多个局部时域振动波形特征向量通过基于转换器的上下文编码器以得到振动波形全局语义理解特征向量，包括：S161，将所述多个局部时域振动波形特征向量通过基于转换器的上下文编码器以得到多个上下文局部时域振动波形特征向量；S162，分别计算所述各个上下文局部时域振动波形特征向量的高斯回归不确定性因数以得到多个高斯回归不确定性因数；S163，以所述多个高斯回归不确定性因数作为加权系数对所述多个上下文局部时域振动波形特征向量进行加权优化以得到多个优化上下文局部时域振动波形特征向量；以及，S164，将所述多个优化上下文局部时域振动波形特征向量进行级联以得到所述振动波形全局语义理解特征向量。
相应地，在一个具体示例中，如图5所示，将所述多个局部时域振动波形特征向量通过基于转换器的上下文编码器以得到多个上下文局部时域振动波形特征向量，包括：S1611，将所述多个局部时域振动波形特征向量进行一维排列以得到全局时域振动波形特征向量；S1612，计算所述全局时域振动波形特征向量与所述多个局部时域振动波形特征向量中各个局部时域振动波形特征向量之间的乘积以得到多个自注意力关联矩阵；S1613，分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；S1614，将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；以及，S1615，分别以所述多个概率值中各个概率值作为权重对所述多个局部时域振动波形特征向量中各个局部时域振动波形特征向量进行加权以得到所述多个上下文局部时域振动波形特征向量。
特别地，在本申请的技术方案中，这里，考虑到在所述光时域反射计分布式光纤传感系统采集所述光缆传感信号时会引入噪声，虽然通过噪声筛除操作可滤除部分噪声明确可区分的噪声，但仍存在部分不可明确区分的噪声被保留，在对所述时域振动信号进行基于采样窗的滑窗采样以得到多个局部时域振动信号采样窗后，在所述各个局部时域振动信号采样窗中均存在源域噪声。经过所述作为过滤器的卷积神经网络模型的特征提取和所述基于转换器的上下文编码器的上下文编码后得到的多个上下文局部时域振动波形特征向量引入各自的特征分布的高斯分布误差不确定性，这样，考虑到所述振动波形全局语义理解特征向量是通过将所述多个上下文局部时域振动波形特征向量直接级联得到的，因此这种高斯分布误差不确定性的直接叠加也会引起所述振动波形全局语义理解特征向量的分类回归误差，影响所述振动波形全局语义理解特征向量通过分类器得到的分类结果的准确性。基于此，在本申请的技术方案中，分别计算所述多个上下文局部时域振动波形特征向量中的每个上下文局部时域振动波形特征向量的高斯回归不确定性因数。
相应地，在一个具体示例中，分别计算所述各个上下文局部时域振动波形特征向量的高斯回归不确定性因数以得到多个高斯回归不确定性因数，包括：以如下优化公式分别计算所述各个上下文局部时域振动波形特征向量的高斯回归不确定性因数以得到所述多个高斯回归不确定性因数；其中，所述优化公式为：，其中，/>是所述多个上下文局部时域振动波形特征向量中第/>个上下文局部时域振动波形特征向量的第/>个位置的特征值，/>是特征向量的长度，/>和/>分别是所述第/>个上下文局部时域振动波形特征向量中各个位置特征值集合的均值和方差，/>为以2为底的对数函数，/>是所述多个高斯回归不确定性因数中第/>个高斯回归不确定性因数。
这里，针对所述多个上下文局部时域振动波形特征向量中的每个上下文局部时域振动波形特征向量各自的集成特征集合由于其分布不确定性信息可能导致的所述振动波形全局语义理解特征向量的不可知回归，利用作为统计量化参数的均值和方差来进行特征集合的统计特性的标量度量，从而将特征误差表示的正态分布认知模式扩展到未知的分布回归模式，实现特征集合尺度上的基于自然分布转移的迁移学习，这样，通过以上述高斯回归不确定性因数分别对每个上下文局部时域振动波形特征向量加权后再级联得到所述振动波形全局语义理解特征向量，就可以实现所述每个上下文局部时域振动波形特征向量在组成所述振动波形全局语义理解特征向量时基于自校准的不确定性修正，从而修正所述振动波形全局语义理解特征向量存在的分类回归误差，提升其通过分类器得到的分类结果的准确性。这样，能够准确地进行管道泄漏检测，从而能够更为精准且及时地发现泄漏，以便于后期及时进行维护，保护水资源。
相应地，在一个具体示例中，将所述多个优化上下文局部时域振动波形特征向量进行级联以得到所述振动波形全局语义理解特征向量，包括：以如下级联公式将所述多个优化上下文局部时域振动波形特征向量进行级联以得到所述振动波形全局语义理解特征向量；其中，所述级联公式为：，其中，/> 表示所述多个优化上下文局部时域振动波形特征向量，/>表示级联函数，/>表示所述振动波形全局语义理解特征向量。
更具体地，在步骤S170中，将所述振动波形全局语义理解特征向量通过分类器以得到分类结果，所述分类结果用于表示被监测管道部位是否存在泄漏。在得到所述分类结果后，可基于所述分类结果来进行管道泄漏检测，以便于后续进行维护处理。
应可以理解，分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器，然后对未知数据进行分类（或预测）。逻辑回归（logistics）、SVM等常用于解决二分类问题，对于多分类问题（multi-class classification），同样也可以用逻辑回归或SVM，只是需要多个二分类来组成多分类，但这样容易出错且效率不高，常用的多分类方法有Softmax分类函数。
相应地，在一个具体示例中，如图6所示，将所述振动波形全局语义理解特征向量通过分类器以得到分类结果，所述分类结果用于表示被监测管道部位是否存在泄漏，包括：S171，使用所述分类器的多个全连接层对所述振动波形全局语义理解特征向量进行全连接编码以得到编码分类特征向量；以及，S172，将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
综上，基于本申请实施例的基于光纤传感的泄漏事件判断方法，其首先对采集的被监测管道部位在预定时间段的光缆传感信号进行噪声筛除以得到预处理后光缆传感信号，接着，从所述预处理后光缆传感信号提取时域振动信号，然后，对所述时域振动信号进行滑窗采样以得到多个局部时域振动信号采样窗，接着，将所述多个局部时域振动信号采样窗分别通过卷积神经网络模型以得到多个局部时域振动波形特征向量，然后，将所述多个局部时域振动波形特征向量通过上下文编码器以得到振动波形全局语义理解特征向量，最后，将所述振动波形全局语义理解特征向量通过分类器以得到用于表示被监测管道部位是否存在泄漏的分类结果。这样，可以更精准且及时地发现泄漏。
图7为根据本申请实施例的基于光纤传感的泄漏事件判断系统100的框图。如图7所示，根据本申请实施例的基于光纤传感的泄漏事件判断系统100，包括：信号获取模块110，用于获取由光时域反射计分布式光纤传感系统采集的被监测管道部位在预定时间段的光缆传感信号；预处理模块120，用于对所述光缆传感信号进行噪声筛除以得到预处理后光缆传感信号；信号提取模块130，用于从所述预处理后光缆传感信号提取时域振动信号；滑窗采样模块140，用于对所述时域振动信号进行基于采样窗的滑窗采样以得到多个局部时域振动信号采样窗；卷积编码模块150，用于将所述多个局部时域振动信号采样窗分别通过作为过滤器的卷积神经网络模型以得到多个局部时域振动波形特征向量；上下文编码模块160，用于将所述多个局部时域振动波形特征向量通过基于转换器的上下文编码器以得到振动波形全局语义理解特征向量；以及，分类模块170，用于将所述振动波形全局语义理解特征向量通过分类器以得到分类结果，所述分类结果用于表示被监测管道部位是否存在泄漏。
在一个示例中，在上述基于光纤传感的泄漏事件判断系统100中，所述卷积编码模块150，用于：使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中对输入数据分别进行二维卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述作为过滤器的卷积神经网络模型的最后一层输出所述多个局部时域振动波形特征向量，其中，所述作为过滤器的卷积神经网络模型的第一层的输入为所述多个局部时域振动信号采样窗。
在一个示例中，在上述基于光纤传感的泄漏事件判断系统100中，所述上下文编码模块160，用于：将所述多个局部时域振动波形特征向量通过基于转换器的上下文编码器以得到多个上下文局部时域振动波形特征向量；分别计算所述各个上下文局部时域振动波形特征向量的高斯回归不确定性因数以得到多个高斯回归不确定性因数；以所述多个高斯回归不确定性因数作为加权系数对所述多个上下文局部时域振动波形特征向量进行加权优化以得到多个优化上下文局部时域振动波形特征向量；以及，将所述多个优化上下文局部时域振动波形特征向量进行级联以得到所述振动波形全局语义理解特征向量。
在一个示例中，在上述基于光纤传感的泄漏事件判断系统100中，将所述多个局部时域振动波形特征向量通过基于转换器的上下文编码器以得到多个上下文局部时域振动波形特征向量，包括：将所述多个局部时域振动波形特征向量进行一维排列以得到全局时域振动波形特征向量；计算所述全局时域振动波形特征向量与所述多个局部时域振动波形特征向量中各个局部时域振动波形特征向量之间的乘积以得到多个自注意力关联矩阵；分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；以及，分别以所述多个概率值中各个概率值作为权重对所述多个局部时域振动波形特征向量中各个局部时域振动波形特征向量进行加权以得到所述多个上下文局部时域振动波形特征向量。
在一个示例中，在上述基于光纤传感的泄漏事件判断系统100中，分别计算所述各个上下文局部时域振动波形特征向量的高斯回归不确定性因数以得到多个高斯回归不确定性因数，包括：以如下优化公式分别计算所述各个上下文局部时域振动波形特征向量的高斯回归不确定性因数以得到所述多个高斯回归不确定性因数；其中，所述优化公式为：，其中，/>是所述多个上下文局部时域振动波形特征向量中第/>个上下文局部时域振动波形特征向量的第/>个位置的特征值，/>是特征向量的长度，/>和/>分别是所述第/>个上下文局部时域振动波形特征向量中各个位置特征值集合的均值和方差，/>为以2为底的对数函数，/>是所述多个高斯回归不确定性因数中第/>个高斯回归不确定性因数。
在一个示例中，在上述基于光纤传感的泄漏事件判断系统100中，将所述多个优化上下文局部时域振动波形特征向量进行级联以得到所述振动波形全局语义理解特征向量，包括：以如下级联公式将所述多个优化上下文局部时域振动波形特征向量进行级联以得到所述振动波形全局语义理解特征向量；其中，所述级联公式为：，其中，/> 表示所述多个优化上下文局部时域振动波形特征向量，/>表示级联函数，/>表示所述振动波形全局语义理解特征向量。
在一个示例中，在上述基于光纤传感的泄漏事件判断系统100中，所述分类模块170，用于：使用所述分类器的多个全连接层对所述振动波形全局语义理解特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
这里，本领域技术人员可以理解，上述基于光纤传感的泄漏事件判断系统100中的各个模块的具体功能和操作已经在上面参考图1到图6的基于光纤传感的泄漏事件判断方法的描述中得到了详细介绍，并因此，将省略其重复描述。
如上所述，根据本申请实施例的基于光纤传感的泄漏事件判断系统100可以实现在各种无线终端中，例如具有基于光纤传感的泄漏事件判断算法的服务器等。在一个示例中，根据本申请实施例的基于光纤传感的泄漏事件判断系统100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如，该基于光纤传感的泄漏事件判断系统100可以是该无线终端的操作系统中的一个软件模块，或者可以是针对于该无线终端所开发的一个应用程序；当然，该基于光纤传感的泄漏事件判断系统100同样可以是该无线终端的众多硬件模块之一。
替换地，在另一示例中，该基于光纤传感的泄漏事件判断系统100与该无线终端也可以是分立的设备，并且该基于光纤传感的泄漏事件判断系统100可以通过有线和/或无线网络连接到该无线终端，并且按照约定的数据格式来传输交互信息。
根据本申请的另一方面，在本申请的一个实施例中，一种基于光纤传感的泄漏事件判断方法，具体包括如下步骤：（1）管廊内供水管道微小泄漏事件中相位敏感的光时域反射计分布式光纤传感系统的敷设；具体为：管廊内的供水管道微小泄漏事件多发生于管道焊接处，为有效监测管道焊接处的渗漏故障，基于相位敏感的光时域反射计在光缆敷设过程中，依据不同位置对光缆进行两种形式的固定。
针对非管道焊接处，保持光缆与供水管道平行并将其铺设在管廊地面上，每间隔2-3米用水泥钢钉卡线固定于地面；针对管道焊接处，将光缆敷设于集水装置下方的光缆固定架上，每隔5-10米用铆钉固定。
（2）设计管道焊接位置集水装置，并安装于管道焊接处；具体为：为增强并捕捉到微小泄漏事件产生的振动信号，在管道焊接位置安装集水装置，集水装置的主体为橡胶集水带，橡胶集水带环绕覆盖整个管道焊接区域，并在橡胶集水带的左右两边均用扎带将其固定在管道上；集水装置的底端为漏斗形状，用以汇聚橡胶集水带收集的泄漏水；在集水装置的正下方设置光缆固定架，用以固定振动传感光缆并使其保持张紧状态；最后在光缆上粘贴一方形接水板，用于接收正上方的漏斗形状集水装置收集的泄漏水。
当发生微小泄漏事件时，环状橡胶集水带将收集所有的泄漏水并汇集于橡胶集水带底端的漏斗处，泄漏水从漏斗处滴落在接水板上产生明显的、可检测的振动信号，该振动信号传递给张紧的传感光缆，从而实现对微小泄漏事件的信号捕捉。
（3）使用滤波器对接收到的光缆传感信号进行预处理；具体为：考虑到长期使用的情况下系统激光器频率漂移等因素，传感光缆监测到的信号会产生缓慢畸变，为去除这种变化趋势，对采集的信号预先使用滤波处理，滤波器公式为：，其中，/>是滤波器传递函数，/>是滤波器阶数，/>是第 k 阶的系数，此种应用具体为 />，通过此滤波器将采集的信号低频部分抑制，有利于去除缓变干扰，维持信号在整个频谱的信噪比一致，以便于对信号进行进一步的频谱分析。
（4）对经滤波后的信号进行噪声筛除：有用信号与噪声在频带上相互叠加，需要对噪声进行筛除；其主要思想是：有用信号和噪声信号在进行小波变换后具有不同的统计特性，通常来讲，有效信号的能量对应各尺度中幅值比较大的小波系数，且各尺度中分布与信号本身的特性有关；而噪声的小波系数在各尺度中的分布较为平均且幅值较小；具体为：通过设定一个阈值，对小波系数进行界定，小波系数大于该阈值的主要成分视为有用信号并保留，小波系数小于该阈值的主要成分视为噪声信号并去除；操作方法如下：包含噪声的信号f(t)由有用信号s(t)及噪声信号n(t)组成，对f(t)连续做小波分解后，s(t)所对应的各尺度小波系数Cj,k起伏较明显，在某些位置有较大的值，对应于原始信号f(t)的突变位置，包含了信号的变化信息；对于噪声信号n(t)，其所对应的小波系数Cj,k在各分解尺度的分布是比较均匀的，并随着分解的进行，各层小波系数Cj,k的幅值有变小的趋势；根据有用信号及噪声信号各自小波系数的不同分布特点，设置一个阈值Th，用以区分不同信号对应的小波系数Cj,k，对于小于Th的小波系数Cj,k，认为其对应噪声信号，并将其数值置零；对于大于等于Th的小波系数Cj,k，认为其对应有用信号，不改变其数值并保留；最后利用已经置零的小波系数和保留的小波系数对信号进行重构，即可得到去除噪声的信号。
其中，小波基函数如下：，式中，a为伸缩因子，表示对母小波函数在时间轴上的伸缩，a>1表示伸展，a<1表示收缩，b为平移因子，表示对母小波函数中心位置的左右平移，t为时间变量；任意平方可积函数f(t)的连续小波变换公式如下：，/> 为函数f(t)连续小波变换，R是实数域，/>表示母小波函数 />经a，b调节过后产生的小波基函数，/>表示复共轭运算。
（5）振动片段提取：基于相位敏感的光时域反射计对于光纤监测到的一段时域振动信号，并不是每个时间点都存在扰动事件，即一段时域振动信号包含扰动段和无扰动段，其中扰动段为相位敏感的光时域反射计/>振动信号的有效片段，需要将扰动段从相位敏感的光时域反射计/>振动信号中提取出来，才能针对扰动段信号进行泄漏事件的特征提取和模式识别；如图8所示，具体步骤如下：（51）取一个较高的短时能量作为阈值MH，超过此阈值的部分认为是振动段；（52）取一个较低的短时能量作为阈值ML，通过此阈值向两端进行搜索，将较低能量段的部分也认为是振动段；（53）短时过零率的阈值为Zs，在前两步的基础上向两端进行搜索至低于此阈值处即为最终的振动段。
（6）泄漏事件筛选：经过之前处理的有效信号按事件与位置两个参量进行特征提取，提取之后作为分类算法的输入，进行事件的识别和筛选并给出最终的输出结果；分类算法采用传统机器学习算法中的支持向量机（SVM）进行二分类。分类算法具体为：给定一个样本集，集合中的样本分别属于两类样本，训练一个SVM分类器即寻找一个超平面，最大限度分离两类样本，使得最大数量的同一类样本被分在超平面的同一侧，同时最大化两个类与这个超平面之间的距离，通过扩展二分类解决多分类问题。
该算法的核心问题是通过输入特征数据将分类问题转化为求解下式所示的优化问题：，其中，w是以向量或矩阵形式输入的特征数据；b为随机数；i为样本索引；n为总样本的个数；/>为权重和输入值映射后的计算结果；/>代表索引i对应的输入值；/>为松弛因子，描述的是对个别偏离平面的样本的接受程度；C为惩罚系数，用来描述对分类错误的容忍程度；得到分类的特性信号后与历史实际的泄漏事件特征信号做比对，得到实时的泄漏事件报警。
本发明采用的是基于相位敏感的光时域反射计进行光纤传感系统的铺设，并在管道焊接处设计了集水装置用于收集微小泄漏水，对噪声筛除之后的振动信号进行有效的特征提取，得到实时的泄漏事件报警。本发明的上述设计方法能够更为精准的来识别微小泄漏水的检测，从而能够更为精准及时的发现泄漏，以便于后期的及时维护，同时又能够有效的保护水资源。
根据本申请的另一方面，还提供了一种非易失性的计算机可读存储介质，其上存储有计算机可读的指令，当利用计算机执行所述指令时可以执行如前所述的方法。
技术中的程序部分可以被认为是以可执行的代码和/或相关数据的形式而存在的“产品”或“制品”，通过计算机可读的介质所参与或实现的。有形的、永久的储存介质可以包括任何计算机、处理器、或类似设备或相关的模块所用到的内存或存储器。例如，各种半导体存储器、磁带驱动器、磁盘驱动器或者类似任何能够为软件提供存储功能的设备。
所有软件或其中的一部分有时可能会通过网络进行通信，如互联网或其他通信网络。此类通信可以将软件从一个计算机设备或处理器加载到另一个。例如：从视频目标检测设备的一个服务器或主机计算机加载至一个计算机环境的硬件平台，或其他实现系统的计算机环境，或与提供目标检测所需要的信息相关的类似功能的系统。因此，另一种能够传递软件元素的介质也可以被用作局部设备之间的物理连接，例如光波、电波、电磁波等，通过电缆、光缆或者空气等实现传播。用来载波的物理介质如电缆、无线连接或光缆等类似设备，也可以被认为是承载软件的介质。在这里的用法除非限制了有形的“储存”介质，其他表示计算机或机器“可读介质”的术语都表示在处理器执行任何指令的过程中参与的介质。
本申请使用了特定词语来描述本申请的实施例。如“第一/第二实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外，本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外，本领域技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。
除非另有定义，这里使用的所有术语(包括技术和科学术语)具有与本发明所属领域的普通技术人员共同理解的相同含义。还应当理解，诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义，而不应用理想化或极度形式化的意义来解释，除非这里明确地这样定义。
上面是对本发明的说明，而不应被认为是对其的限制。尽管描述了本发明的若干示例性实施例，但本领域技术人员将容易地理解，在不背离本发明的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此，所有这些修改都意图包含在权利要求书所限定的本发明范围内。应当理解，上面是对本发明的说明，而不应被认为是限于所公开的特定实施例，并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本发明由权利要求书及其等效物限定。
Claims (7)
1.一种基于光纤传感的泄漏事件判断方法，其特征在于，包括：获取由光时域反射计分布式光纤传感系统采集的被监测管道部位在预定时间段的光缆传感信号；对所述光缆传感信号进行噪声筛除以得到预处理后光缆传感信号；从所述预处理后光缆传感信号提取时域振动信号；对所述时域振动信号进行基于采样窗的滑窗采样以得到多个局部时域振动信号采样窗；将所述多个局部时域振动信号采样窗分别通过作为过滤器的卷积神经网络模型以得到多个局部时域振动波形特征向量；将所述多个局部时域振动波形特征向量通过基于转换器的上下文编码器以得到振动波形全局语义理解特征向量；以及将所述振动波形全局语义理解特征向量通过分类器以得到分类结果，所述分类结果用于表示被监测管道部位是否存在泄漏。
2.根据权利要求1所述的基于光纤传感的泄漏事件判断方法，其特征在于，将所述多个局部时域振动信号采样窗分别通过作为过滤器的卷积神经网络模型以得到多个局部时域振动波形特征向量，包括：使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中对输入数据分别进行二维卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述作为过滤器的卷积神经网络模型的最后一层输出所述多个局部时域振动波形特征向量，其中，所述作为过滤器的卷积神经网络模型的第一层的输入为所述多个局部时域振动信号采样窗。
3.根据权利要求2所述的基于光纤传感的泄漏事件判断方法，其特征在于，将所述多个局部时域振动波形特征向量通过基于转换器的上下文编码器以得到振动波形全局语义理解特征向量，包括：将所述多个局部时域振动波形特征向量通过基于转换器的上下文编码器以得到多个上下文局部时域振动波形特征向量；分别计算所述各个上下文局部时域振动波形特征向量的高斯回归不确定性因数以得到多个高斯回归不确定性因数；以所述多个高斯回归不确定性因数作为加权系数对所述多个上下文局部时域振动波形特征向量进行加权优化以得到多个优化上下文局部时域振动波形特征向量；以及将所述多个优化上下文局部时域振动波形特征向量进行级联以得到所述振动波形全局语义理解特征向量。
4.根据权利要求3所述的基于光纤传感的泄漏事件判断方法，其特征在于，将所述多个局部时域振动波形特征向量通过基于转换器的上下文编码器以得到多个上下文局部时域振动波形特征向量，包括：将所述多个局部时域振动波形特征向量进行一维排列以得到全局时域振动波形特征向量；计算所述全局时域振动波形特征向量与所述多个局部时域振动波形特征向量中各个局部时域振动波形特征向量之间的乘积以得到多个自注意力关联矩阵；分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；以及分别以所述多个概率值中各个概率值作为权重对所述多个局部时域振动波形特征向量中各个局部时域振动波形特征向量进行加权以得到所述多个上下文局部时域振动波形特征向量。
5.根据权利要求4所述的基于光纤传感的泄漏事件判断方法，其特征在于，分别计算所述各个上下文局部时域振动波形特征向量的高斯回归不确定性因数以得到多个高斯回归不确定性因数，包括：以如下优化公式分别计算所述各个上下文局部时域振动波形特征向量的高斯回归不确定性因数以得到所述多个高斯回归不确定性因数；其中，所述优化公式为：，其中，/>是所述多个上下文局部时域振动波形特征向量中第/>个上下文局部时域振动波形特征向量的第/>个位置的特征值，/>是特征向量的长度，/>和/>分别是所述第/>个上下文局部时域振动波形特征向量中各个位置特征值集合的均值和方差，/>为以2为底的对数函数，/>是所述多个高斯回归不确定性因数中第/>个高斯回归不确定性因数。
6.根据权利要求5所述的基于光纤传感的泄漏事件判断方法，其特征在于，将所述多个优化上下文局部时域振动波形特征向量进行级联以得到所述振动波形全局语义理解特征向量，包括：以如下级联公式将所述多个优化上下文局部时域振动波形特征向量进行级联以得到所述振动波形全局语义理解特征向量；其中，所述级联公式为：，其中，/> 表示所述多个优化上下文局部时域振动波形特征向量，/>表示级联函数，/>表示所述振动波形全局语义理解特征向量。
7.根据权利要求6所述的基于光纤传感的泄漏事件判断方法，其特征在于，将所述振动波形全局语义理解特征向量通过分类器以得到分类结果，所述分类结果用于表示被监测管道部位是否存在泄漏，包括：使用所述分类器的多个全连接层对所述振动波形全局语义理解特征向量进行全连接编码以得到编码分类特征向量；以及将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310517713.4A CN116805061B (zh) | 2023-05-10 | 2023-05-10 | 基于光纤传感的泄漏事件判断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310517713.4A CN116805061B (zh) | 2023-05-10 | 2023-05-10 | 基于光纤传感的泄漏事件判断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116805061A true CN116805061A (zh) | 2023-09-26 |
| CN116805061B CN116805061B (zh) | 2024-04-12 |
Family
ID=88079127
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310517713.4A Active CN116805061B (zh) | 2023-05-10 | 2023-05-10 | 基于光纤传感的泄漏事件判断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116805061B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117034093A (zh) * | 2023-10-10 | 2023-11-10 | 尚宁智感(北京)科技有限公司 | 基于光纤系统的入侵信号识别方法 |
| CN117686588A (zh) * | 2024-02-04 | 2024-03-12 | 新疆盛诚工程建设有限责任公司 | 燃气管道焊接质量的无损监测系统及方法 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102997045A (zh) * | 2011-09-14 | 2013-03-27 | 中国石油天然气集团公司 | 一种光纤传感天然气管道泄漏事件识别方法和装置 |
| 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 |
| US20200264219A1 (en) * | 2019-02-15 | 2020-08-20 | Renesas Electronics Corporation | Abnormality detection apparatus, abnormality detection system, and abnormality detection method |
| CN114722704A (zh) * | 2022-03-23 | 2022-07-08 | 清华大学 | 车轮磨损预测网络模型训练方法、装置 |
| CN114857504A (zh) * | 2022-06-06 | 2022-08-05 | 华南理工大学 | 基于分布式光纤传感器和深度学习的管道安全监测方法 |
| CN114963030A (zh) * | 2022-06-21 | 2022-08-30 | 杭州水务数智科技股份有限公司 | 一种供水管道监测方法 |
| CN115099285A (zh) * | 2022-07-12 | 2022-09-23 | 绍兴九樱纺织品有限公司 | 基于神经网络模型的智能检测方法及其系统 |
| CN115101085A (zh) * | 2022-06-09 | 2022-09-23 | 重庆理工大学 | 一种卷积增强外部注意力的多说话人时域语音分离方法 |
| CN115235612A (zh) * | 2022-08-09 | 2022-10-25 | 爱尔达电气有限公司 | 伺服电机的故障智能诊断系统及其诊断方法 |
| CN115640747A (zh) * | 2022-10-20 | 2023-01-24 | 南京航空航天大学 | 基于高斯混合模型及嵌套传输距离的结构损伤诊断方法 |
| CN116036639A (zh) * | 2023-02-28 | 2023-05-02 | 福建省龙德新能源有限公司 | 超声波诱导六氟磷酸盐结晶的控制系统及其方法 |
-
2023
- 2023-05-10 CN CN202310517713.4A patent/CN116805061B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102997045A (zh) * | 2011-09-14 | 2013-03-27 | 中国石油天然气集团公司 | 一种光纤传感天然气管道泄漏事件识别方法和装置 |
| 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 |
| US20200264219A1 (en) * | 2019-02-15 | 2020-08-20 | Renesas Electronics Corporation | Abnormality detection apparatus, abnormality detection system, and abnormality detection method |
| CN114722704A (zh) * | 2022-03-23 | 2022-07-08 | 清华大学 | 车轮磨损预测网络模型训练方法、装置 |
| CN114857504A (zh) * | 2022-06-06 | 2022-08-05 | 华南理工大学 | 基于分布式光纤传感器和深度学习的管道安全监测方法 |
| CN115101085A (zh) * | 2022-06-09 | 2022-09-23 | 重庆理工大学 | 一种卷积增强外部注意力的多说话人时域语音分离方法 |
| CN114963030A (zh) * | 2022-06-21 | 2022-08-30 | 杭州水务数智科技股份有限公司 | 一种供水管道监测方法 |
| CN115099285A (zh) * | 2022-07-12 | 2022-09-23 | 绍兴九樱纺织品有限公司 | 基于神经网络模型的智能检测方法及其系统 |
| CN115235612A (zh) * | 2022-08-09 | 2022-10-25 | 爱尔达电气有限公司 | 伺服电机的故障智能诊断系统及其诊断方法 |
| CN115640747A (zh) * | 2022-10-20 | 2023-01-24 | 南京航空航天大学 | 基于高斯混合模型及嵌套传输距离的结构损伤诊断方法 |
| CN116036639A (zh) * | 2023-02-28 | 2023-05-02 | 福建省龙德新能源有限公司 | 超声波诱导六氟磷酸盐结晶的控制系统及其方法 |
Non-Patent Citations (2)
| Title |
|---|
| NADIA SMAOUI ZGHAL等: "An effective approach for the diagnosis of melanoma using the sparse auto-encoder for features detection and the SVM for classification", 2020 5TH INTERNATIONAL CONFERENCE ON ADVANCED TECHNOLOGIES FOR SIGNAL AND IMAGE PROCESSING (ATSIP), 20 October 2020 (2020-10-20) * |
| 郭旭 等: "基于CNN与DCGAN的结构振动监测传感器故障诊断及监测数据恢复", 铁道科学与工程学报, 7 April 2022 (2022-04-07) * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117034093A (zh) * | 2023-10-10 | 2023-11-10 | 尚宁智感(北京)科技有限公司 | 基于光纤系统的入侵信号识别方法 |
| CN117034093B (zh) * | 2023-10-10 | 2024-05-14 | 尚宁智感(北京)科技有限公司 | 基于光纤系统的入侵信号识别方法 |
| CN117686588A (zh) * | 2024-02-04 | 2024-03-12 | 新疆盛诚工程建设有限责任公司 | 燃气管道焊接质量的无损监测系统及方法 |
| CN117686588B (zh) * | 2024-02-04 | 2024-05-10 | 新疆盛诚工程建设有限责任公司 | 燃气管道焊接质量的无损监测系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116805061B (zh) | 2024-04-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116805061B (zh) | 基于光纤传感的泄漏事件判断方法 | |
| US11562224B2 (en) | 1D-CNN-based distributed optical fiber sensing signal feature learning and classification method | |
| CN104240455B (zh) | 一种分布式光纤管线安全预警系统中的扰动事件识别方法 | |
| CN110751073A (zh) | 基于分布式光纤传感和深度学习的管道早期损伤模式识别方法 | |
| CN112508105B (zh) | 一种采油机故障检测与检索方法 | |
| Cai et al. | Anomaly detection of earthquake precursor data using long short-term memory networks | |
| CN110533007B (zh) | 一种桥梁车载应变影响线特征智能识别与提取方法 | |
| KR102149495B1 (ko) | 환경 예측 모델의 훈련지표 최적화 장치 및 그 동작방법 | |
| CN113392931A (zh) | 基于自监督学习及多任务学习的高光谱开放集分类方法 | |
| CN116552306B (zh) | 直流桩的监控系统及其方法 | |
| Son et al. | Deep learning-based anomaly detection to classify inaccurate data and damaged condition of a cable-stayed bridge | |
| CN116416884B (zh) | 一种显示器模组的测试装置及其测试方法 | |
| CN114152825A (zh) | 变压器的故障诊断方法、装置和变压器的故障诊断系统 | |
| CN113988210A (zh) | 结构监测传感网失真数据修复方法、装置及存储介质 | |
| CN116992226A (zh) | 一种水泵电机故障检测方法、系统 | |
| CN116298880A (zh) | 微电机可靠性综合测试系统及其方法 | |
| CN116012681A (zh) | 基于声振信号融合的管道机器人电机故障诊断方法及系统 | |
| CN117809164A (zh) | 基于多模态融合的变电站设备故障检测方法及系统 | |
| Tagaris et al. | Putting together wavelet-based scaleograms and convolutional neural networks for anomaly detection in nuclear reactors | |
| CN117272138B (zh) | 一种基于参考道数据约束与深度学习的地磁数据去噪方法及系统 | |
| CN117332324A (zh) | 管道漏损检测方法、装置、电子设备及存储介质 | |
| Kim et al. | Automated damping identification of long-span bridge using long-term wireless monitoring data with multiple sensor faults | |
| CN115452957B (zh) | 基于注意力原型网络的小样本金属损伤识别方法 | |
| US20230024104A1 (en) | Identification of false transformer humming using machine learning | |
| CN116541771A (zh) | 一种基于多尺度特征融合的非平衡样本轴承故障诊断方法 |
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 |