CN116956226A - 一种基于自监督式信号融合的das动态范围提升方法和设备 - Google Patents

一种基于自监督式信号融合的das动态范围提升方法和设备 Download PDF

Info

Publication number
CN116956226A
CN116956226A CN202311203512.3A CN202311203512A CN116956226A CN 116956226 A CN116956226 A CN 116956226A CN 202311203512 A CN202311203512 A CN 202311203512A CN 116956226 A CN116956226 A CN 116956226A
Authority
CN
China
Prior art keywords
signal
dynamic range
optical fiber
self
phase
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
CN202311203512.3A
Other languages
English (en)
Other versions
CN116956226B (zh
Inventor
刘泽超
马玲梅
李彩云
朱琛
郑洪坤
彭威
田帅飞
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.)
Zhejiang Lab
Original Assignee
Zhejiang Lab
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 Zhejiang Lab filed Critical Zhejiang Lab
Priority to CN202311203512.3A priority Critical patent/CN116956226B/zh
Publication of CN116956226A publication Critical patent/CN116956226A/zh
Application granted granted Critical
Publication of CN116956226B publication Critical patent/CN116956226B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Testing Of Optical Devices Or Fibers (AREA)

Abstract

本发明涉及一种基于自监督式信号融合的DAS动态范围提升方法和设备，方法包括：并行获取双路光纤传感数据，即动态范围未受限制但信噪比较低的DAS信号和因动态范围受限而存在相位解卷绕错误的DAS相位信号，输入自设计的自监督式信号融合模型中，求取相位卷绕系数，并取整，根据取整后的相位卷绕系数和第二光纤传感信号，构建解卷绕后的相位估计值并输出。与现有技术相比，本发明可实时有效修正DAS相位信号因动态范围受限而导致的相位解卷绕错误，恢复真实相位，提升动态范围，且不以牺牲信噪比为代价。

Description

一种基于自监督式信号融合的DAS动态范围提升方法和设备
技术领域
本发明涉及光纤传感信号处理技术领域，尤其是涉及一种基于自监督式信号融合的DAS动态范围提升方法和设备。
背景技术
基于相位敏感光时域反射仪（Φ-OTDR）的分布式声波传感（DAS）系统具有灵敏度高、可定量测量等优点，已被广泛应用。其传感原理是通过检测传感光纤中背向瑞利散射信号的相位来定量测量环境中的振动信号。目前，主流的相位求解/解调方法中包含反三角运算，而反三角变换会使相位卷绕在(-π, π]范围内，因此还需要进行相位解卷绕以恢复出真实相位。但是可准确恢复原始相位的必要条件是相邻两个采样点间的真实相位变化量不超过π 弧度。因此，DAS系统可准确感知外界振动信号的强度和带宽乘积受到严重限制，即在指定频率上可测量信号幅度的上限受到限制，动态范围有限。
目前已有的DAS系统动态范围提升方法主要可分为2类：1）在硬件方面，可通过同时向光纤中注入两个不同波长的脉冲并测量两者对应的相位差值来得到最终的相位信息，但这种方法会降低信噪比，且对动态范围的提升与所用两个探测光频率差有直接关联；也可利用线性调频脉冲来测量因外界振动引入的激光频率变化来增大动态范围，但代价是系统的复杂度也会增大。2）在信号处理方面，可通过先对反三角变换后得到的卷绕相位进行差分运算，然后对差分信号进行解卷绕运算，最后再通过积分运算和多项式拟合恢复相位信号。也可融合背向瑞利散射信号的相位及幅值信息，在相位解调过程中，同时获取相位及幅值信号，并选取某一小段表现较好的信号对，获得对应幅值变化量与相位变化量的比值A，并用该比值来求解其他时间点处的“真实”相位卷绕量，实现相位解卷绕，但该方法会受幅值变化量与振动强度间呈非线性关系这一现实条件的影响，依据某一信号片段确定的比值A并不一定适用于整段信号，从而引入相位解卷绕错误。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于自监督式信号融合的DAS动态范围提升方法和设备，通过信号处理的方式提升DAS动态范围。
本发明的目的可以通过以下技术方案来实现：
根据本发明的第一方面，提供了一种基于自监督式信号融合的DAS动态范围提升方法，其特征在于，包括以下步骤：
对同一点式散射增强光纤分别采用同步输出的第一光脉冲串和第二光脉冲串进行测量，所述第一光脉冲串用于测量光纤中相邻散射点之间光程差，获得第一光纤传感信号；所述第二光脉冲串用于测量光纤中相邻散射点之间光信号的相位变化，获得第二光纤传感信号，所述第二光纤传感信号为经过反三角变换及相位解卷绕算法处理后的相位信号；
将所述第一光纤传感信号和第二光纤传感信号并行输入预先构建并训练好的信号融合模型中，求取相位卷绕系数，并取整；
根据取整后的相位卷绕系数和第二光纤传感信号，构建解卷绕后的相位估计值并输出。
进一步地，所述信号融合模型为机器学习模型。
进一步地，所述信号融合模型的采用自监督式训练方法进行模型训练；所述模型训练的过程根据解卷绕后的相位估计值和对应的信号真值计算损失函数，所述信号真值为第一光纤传感信号或者第一光纤传感信号及第二光纤传感信号的融合值，从而对信号融合模型的参数值进行迭代优化。
进一步地，所述信号融合模型的损失函数包括解卷绕后的相位估计值与第一光纤传感信号之间的时域损失函数，以及解卷绕后的相位估计值经过短时傅里叶变换后得到的频谱与伪频谱真值之间的频域损失函数。
进一步地，所述伪频谱真值的计算过程包括：
对第一光纤传感信号经过短时傅里叶变换后得到的频谱进行求平方运算，然后进行重放缩变换，使得重放缩变换后的取值范围恢复至与频谱/>接近，将重放缩变换后的值作为伪频谱真值。
进一步地，所述重放缩变换包括将求平方运算后的频谱除以重放缩变换值，该重放缩变换包括第二均值与N倍第二标准差的总和除以第一均值与N倍第一标准差的总和，N不小于0，所述第二均值为频谱/>的平方值的均值，所述第二标准差为频谱/>的平方值的标准差，所述第一均值为频谱/>的均值，所述第一标准差为频谱/>的标准差。
进一步地，所述信号融合模型的损失函数为所述频域损失函数乘以权重系数后与所述时域损失函数的加和。
进一步地，所述信号融合模型为神经网络模型，该神经网络模型的最后一层由卷积层进行计算后直接输出。
进一步地，所述信号融合模型的输出端连接有自定义取整层，该自定义取整层用于对信号融合模型输出的相位卷绕系数进行取整，且其梯度值为1。
进一步地，所述解卷绕后的相位估计值的获取过程包括：
将取整后的相位卷绕系数乘以2π，并与第二光纤传感信号相加，得到解卷绕后的相位估计值。
进一步地，所述方法还包括利用知识蒸馏缩小所述信号融合模型的体积。
根据本发明的第二方面，提供了一种数据处理平台，该数据处理平台执行如上所述的一种基于自监督式信号融合的DAS动态范围提升方法，从而对光纤传感数据进行在线处理。
根据本发明的第三方面，提供了一种服务器，该服务器执行如上所述的一种基于自监督式信号融合的DAS动态范围提升方法，用以对光纤传感数据进行在线处理。
根据本发明的第四方面，提供了一种基于自监督式信号融合的DAS动态范围提升装置，其特征在于，包括：
两路光纤传感信号采集模块，用于对同一点式散射增强光纤分别采用同步输出的第一光脉冲串和第二光脉冲串进行测量，所述第一光脉冲串用于测量光纤中相邻散射点之间光程差，获得第一光纤传感信号；所述第二光脉冲串用于测量光纤中相邻散射点之间光信号的相位变化，获得第二光纤传感信号，所述第二光纤传感信号为经过反三角变换及相位解卷绕算法处理后的相位信号；
信号融合模块，用于将所述第一光纤传感信号和第二光纤传感信号并行输入预先构建并训练好的信号融合模型中，求取相位卷绕系数，并取整；根据取整后的相位卷绕系数和第二光纤传感信号，构建解卷绕后的相位估计值并输出；
模型训练模块，用于对信号融合模型进行模型训练。
进一步地，所述模型训练模块采用自监督式训练方法进行模型训练；
所述信号融合模型的采用自监督式训练方法进行模型训练；所述模型训练的过程根据解卷绕后的相位估计值和对应的信号真值计算损失函数，所述信号真值为第一光纤传感信号或者第一光纤传感信号及第二光纤传感信号的融合值，从而对信号融合模型的参数值进行迭代优化。
进一步地，所述信号融合模型的损失函数包括解卷绕后的相位估计值与第一光纤传感信号之间的时域损失函数，以及解卷绕后的相位估计值经过短时傅里叶变换后得到的频谱与伪频谱真值之间的频域损失函数；
所述伪频谱真值的计算过程包括：
对第一光纤传感信号经过短时傅里叶变换后得到的频谱进行求平方运算，然后进行重放缩变换，使得重放缩变换后的取值范围恢复至与频谱/>接近，将重放缩变换后的值作为伪频谱真值。
进一步地，所述信号融合模型的输出端连接有自定义取整层，该自定义取整层用于对信号融合模型输出的相位卷绕系数进行取整，且其梯度值为1。
进一步地，所述解卷绕后的相位估计值的获取过程包括：
将取整后的相位卷绕系数乘以2π，并与第二光纤传感信号相加，得到解卷绕后的相位估计值。
根据本发明的第五方面，提供了一种计算机可读存储介质，所述计算机可读存储介质上储存有计算机程序，所述计算机程序被处理器执行如上所述的方法。
与现有技术相比，本发明具有以下优点：
（1）本发明通过同时获取光程差信号和相位变化信号，根据相位变化信号不发生相位解卷绕错误时，二者存在线性一一对应关系，通过神经网络模型获取两信号之间的相位卷绕系数，进而运算得到解卷绕后的相位估计值，对相位变化信号进行修正，可有效修正因真实瞬时相位变化量超过π而导致的相位解卷绕错误，恢复真实相位，提升DAS动态范围；
（2）本发明对信号融合模型的自监督式训练过程中，采用的损失函数计及数据的时域特性和频域特性，在提升动态范围的同时不会损失信噪比；
（3）本发明提出的方法可部署在数据采集系统后部，全自动化实现实时相位修正，提升DAS动态范围，无需人工干预。
附图说明
图1为本发明实施例1中提供的一种基于自监督式信号融合的DAS动态范围提升方法的流程示意图；
图2为本发明实施例1中提供的一种基于自监督式信号融合的DAS动态范围提升方法的数据流示意图；
图3为本发明实施例1中提供的仿真生成的三个信号数据示意图；
图4为本发明实施例1中提供的测试集中某一组数据的修正结果示意图；
图5为本发明实施例1中提供的信号s1的频域数据示意图；
图6为本发明实施例1中提供的信号s2的频域数据示意图；
图7为本发明实施例1中提供的信号s3的频域数据示意图；
图8为本发明实施例1中提供的修正后的信号的频域数据示意图；
图9为本发明实施例1中提供的一种基于自监督式信号融合的DAS动态范围提升装置的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。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。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
需要说明的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
实施例1
如图1和图2所示，本实施例提供一种基于自监督式信号融合的DAS动态范围提升方法，包括以下步骤：
S1：对同一点式散射增强光纤分别采用同步输出的第一光脉冲串和第二光脉冲串进行测量，第一光脉冲串用于测量光纤中相邻散射点之间光程差，获得第一光纤传感信号；第二光脉冲串用于测量光纤中相邻散射点之间光信号的相位变化，获得第二光纤传感信号，第二光纤传感信号为经过反三角变换及相位解卷绕算法处理后的相位信号；
S2：将第一光纤传感信号和第二光纤传感信号并行输入预先构建并训练好的信号融合模型中，求取相位卷绕系数，并取整；
S3：根据取整后的相位卷绕系数和第二光纤传感信号，构建解卷绕后的相位估计值并输出。
下面对各步骤进行展开描述。
步骤S1相当于同步获取两路光纤传感信号，其中一路信号为对相邻散射点之间光程差（OPD）的测量，输出信号为，OPD测量无动态范围限制，但是信噪比较低；另一路信号为相邻散射点之间光信号的相位变化/>。s 1 和s 2 使用波长相近但是同步输出的两个光脉冲串对同一点式散射增强光纤同时测量获得，反映的量分别是同一段光纤上的OPD和相位变化，因此当s 2 中不发生相位解卷绕错误时，二者存在线性一一对应关系，即s 2 =α ∙s 1 ，其中α的取值决定于探测光波长和光纤材料。
因为为经过反三角变换及普通相位解卷绕算法处理后的相位信号，且常用的相位解卷绕算法存在限制，当真实相位信号/>（/>信噪比高于/>）中相邻两个采样点间的相位变化大于π弧度时，相位解缠绕算法会将相位变化量缩小至小于π，所以/>可能会偏离/>。
步骤S2中将获取到的两路光纤传感信号并行输入信号融合模型DASFusionNet，其内部的基本模型对双路信号进行处理，输出为相位卷绕系数，由于相位解卷绕处理只可能引入整数倍2π弧度的解卷绕错误，因此需对/>取整，为此将其输入自定义的取整层进行求整运算，得到与/>对应的大动态范围相位卷绕系数/>。再经运算便可得到解卷绕后的相位估计值/>，且/>为DASFusionNet的输出值。
信号融合模型DASFusionNet内包含的基本模型可使用任意一种可行的神经网络模型来实现，且其最后一层应不选用非线性激活函数，其中一种实现方法可为U-Time模型。此外，采用自定义取整层是为了得到整数的相位卷绕系数向量，同时为保证模型可被有效训练，其前向运算为正常的取整运算，可选择为四舍五入运算，反向运算时使其梯度为常数1。
为确定下最终的DASFusionNet模型参数，需要对模型进行训练，该过程可通过梯度下降算法来完成，模型误差对各模型参数的偏导可利用误差反向传播算法计算得到。
考虑到实际应用环境中难以获得真实相位信号，因此网络的训练将只使用/>和/>作为监督信息，即模型输出/>的真值将由输入/>和/>经转换得到，故属于自监督式训练方法。
模型训练的过程根据解卷绕后的相位估计值和对应的信号真值计算损失函数，所述信号真值为第一光纤传感信号或者第一光纤传感信号及第二光纤传感信号的融合值，从而对信号融合模型的参数值进行迭代优化。
具体计算过程中，可以根据数据的时域、频域特性进行计算，下面以信号真值为第一光纤传感信号为例，介绍一种损失函数，包括解卷绕后的相位估计值与第一光纤传感信号之间的时域损失函数，以及解卷绕后的相位估计值经过短时傅里叶变换后得到的频谱与伪频谱真值之间的频域损失函数，具体可自定义为：
其中，为时域损失函数，用于衡量DASFusionNet输出值/>与/>间的误差，即/>在时域内的真值被直接设计为/>。/>为频域损失函数，用于衡量DASFusionNet输出值/>经短时傅里叶（STFT）变换后得到的频谱/>和伪频谱真值/>之间的误差，即/>在频域内的真值被设计为/>。λ为权重系数。
为得到伪频谱真值，需首先对/>进行求平方运算，然后再进行重放缩变换，使其取值范围恢复至与/>接近；
重放缩变换包括将求平方运算后的频谱除以重放缩变换值，该重放缩变换包括第二均值与N倍第二标准差的总和除以第一均值与N倍第一标准差的总和，N不小于0，第二均值为频谱/>的平方值的均值，第二标准差为频谱/>的平方值的标准差，第一均值为频谱/>的均值，第一标准差为频谱/>的标准差。
具体计算过程为：
其中，。经此运算后，/>中目标信号的频谱响应相对于底噪将进一步增强，即/>的噪声水平将会显著降低，等效于在频域对/>进行了噪声抑制以提升信噪比。
DASFusionNet训练完成后，将该模型参数设定为训练好的权重值，并将该模型变更为评估模式，然后便可使用该模型来实现对新获取的和/>进行融合并输出/>。
下面以将DASFusionNet内的基本模型选取为U-time模型为例，对上述方案进行具体描述。
表1 U-time模型结构
本例将DASFusionNet内的基本模型选取为U-time模型，并将其网络结构修改为如表 1所示的配置。
DASFusionNet的损失函数设置为：
其中：
在数据方面，双路光纤传感信号和/>采用仿真的方式生成，共生成10000组。其中，每组信号的生成过程如下：首先生成两条子正弦信号，每条子正弦信号的初始相位是从均匀分布U(0rad, 2πrad)上随机采样一次所得的值，振幅是从正态分布N(30rad, 5rad)上随机采样一次所得的值，频率是从均匀分布U(200Hz, 400Hz)上随机采样一次的结果。且每条子信号的采样率为8000Hz，信号持续时间为2秒。这两条子信号的叠加结果作为真实且不含噪的光纤传感相位信号s。然后1）在s上添加随机的高斯白噪声/>，得到/>，且其信燥比SNR1=10 dB；2）在s上添加随机高斯白噪声/>，得到/>，且其信噪比SNR3=25 dB；3）首先对进行相位卷绕处理，然后再进行相位解卷绕处理，得到/>。其中，图3展示了一组仿真生成的数据。
为训练模型并测试模型性能，本实施例中对上述仿真生成的数据进行了训练集、验证集及测试集划分，划分比例为0.56:0.14:0.3。然后利用训练集数据来训练网络，而验证集上的结果用于模型选择。具体的，模型优化器选取为Adam，初始学习率设置为第1~150周期内为0.01，第151~250周期内为0.001，第251~300周期内为0.0001。经过参数搜索，最终确定损失函数中α的取值为20。最终，使用训练好的模型对测试集内3000对数据进行了融合，得到3000条/>，且这3000条的/>平均信噪比为/>, 而和/>的平均信噪比分别为SNR1=9.94dB、SNR2=-12.94dB和SNR3=24.94dB。因此，经本方法修正后的信号/>可有效修正/>中存在的相位解卷绕错误，平均信噪比提升可达30dB；且信噪比相较于动态范围不受限的DAS信号/>，平均信噪比可提升10dB左右；且修正后的信号与真实相位信号/>间的差异小于5.60dB。图 4展示了测试集中某一组数据的修正结果，为便于展示，图中值显示了第30ms~40ms间的数据，而实际信号长度为2s。图5-图8展示了该组信号经快速傅里叶后的频域响应，结果表明了本方法的有效性及高效性。
本发明还提供了一种计算机可读存储介质，该存储介质存储有计算机程序，计算机程序可用于执行上述图1提供的一种基于自监督式信号融合的DAS动态范围提升方法。
本发明还提供了图9所示的一种对应于图1的基于自监督式信号融合的DAS动态范围提升装置的示意结构图。如图9所述，在硬件层面，该基于自监督式信号融合的DAS动态范围提升装置包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现上述图1所述的DAS动态范围提升方法。当然，除了软件实现方式之外，本发明并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
对于一个技术的改进可以很明显地区分是硬件上的改进（例如，对二极管、晶体管、开关等电路结构的改进）还是软件上的改进（对于方法流程的改进）。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件（ProgrammableLogic Device, PLD）（例如现场可编程门阵列（Field Programmable Gate Array，FPGA））就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器（logic compiler）”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言（HardwareDescription Language，HDL），而HDL也并非仅有一种，而是有许多种，如ABEL（AdvancedBoolean Expression Language）、AHDL（Altera Hardware Description Language）、Confluence、CUPL（Cornell University Programming Language）、HDCal、JHDL（JavaHardware Description Language）、Lava、Lola、MyHDL、PALASM、RHDL（Ruby HardwareDescription Language）等，目前最普遍使用的是VHDL（Very-High-Speed IntegratedCircuit Hardware Description Language）与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
实施例2
本实施例提供一种服务器，该服务器执行如实施例1所述的一种基于自监督式信号融合的DAS动态范围提升方法，并选用训练好的信号融合模型，从而对光纤传感数据进行在线处理。
实施例3
本实施例提供一种数据处理平台，该数据处理平台可以为硬件资源受限的数据处理平台，数据处理平台执行如实施例1所述的一种基于自监督式信号融合的DAS动态范围提升方法，用以对光纤传感数据进行在线处理；其中的信号融合模型为训练好的模型，并利用知识蒸馏缩小了模型体积。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (15)

1.一种基于自监督式信号融合的DAS动态范围提升方法，其特征在于，包括以下步骤：
对同一点式散射增强光纤分别采用同步输出的第一光脉冲串和第二光脉冲串进行测量，所述第一光脉冲串用于测量光纤中相邻散射点之间光程差，获得第一光纤传感信号；所述第二光脉冲串用于测量光纤中相邻散射点之间光信号的相位变化，获得第二光纤传感信号，所述第二光纤传感信号为经过反三角变换及相位解卷绕算法处理后的相位信号；
将所述第一光纤传感信号和第二光纤传感信号并行输入预先构建并训练好的信号融合模型中，求取相位卷绕系数，并取整；
根据取整后的相位卷绕系数和第二光纤传感信号，构建解卷绕后的相位估计值并输出。
2.根据权利要求1所述的一种基于自监督式信号融合的DAS动态范围提升方法，其特征在于，所述信号融合模型为机器学习模型。
3.根据权利要求2所述的一种基于自监督式信号融合的DAS动态范围提升方法，其特征在于，所述信号融合模型的采用自监督式训练方法进行模型训练；所述模型训练的过程根据解卷绕后的相位估计值和对应的信号真值计算损失函数，所述信号真值为第一光纤传感信号或者第一光纤传感信号及第二光纤传感信号的融合值，从而对信号融合模型的参数值进行迭代优化。
4.根据权利要求3所述的一种基于自监督式信号融合的DAS动态范围提升方法，其特征在于，所述信号融合模型的损失函数包括解卷绕后的相位估计值与第一光纤传感信号之间的时域损失函数，以及解卷绕后的相位估计值经过短时傅里叶变换后得到的频谱与伪频谱真值之间的频域损失函数。
5.根据权利要求4所述的一种基于自监督式信号融合的DAS动态范围提升方法，其特征在于，所述伪频谱真值的计算过程包括：
对第一光纤传感信号经过短时傅里叶变换后得到的频谱进行求平方运算，然后进行重放缩变换，使得重放缩变换后的取值范围朝向频谱/>恢复，将重放缩变换后的值作为伪频谱真值。
6.根据权利要求5所述的一种基于自监督式信号融合的DAS动态范围提升方法，其特征在于，所述重放缩变换包括将求平方运算后的频谱除以重放缩变换值，该重放缩变换包括第二均值与N倍第二标准差的总和除以第一均值与N倍第一标准差的总和，N不小于0，所述第二均值为频谱/>的平方值的均值，所述第二标准差为频谱/>的平方值的标准差，所述第一均值为频谱/>的均值，所述第一标准差为频谱/>的标准差。
7.根据权利要求4所述的一种基于自监督式信号融合的DAS动态范围提升方法，其特征在于，所述信号融合模型的损失函数为所述频域损失函数乘以权重系数后与所述时域损失函数的加和。
8.根据权利要求1所述的一种基于自监督式信号融合的DAS动态范围提升方法，其特征在于，所述信号融合模型为神经网络模型，该神经网络模型的最后一层由卷积层进行计算后直接输出。
9.根据权利要求1所述的一种基于自监督式信号融合的DAS动态范围提升方法，其特征在于，所述信号融合模型的输出端连接有自定义取整层，该自定义取整层用于对信号融合模型输出的相位卷绕系数进行取整，且其梯度值为1。
10.根据权利要求1所述的一种基于自监督式信号融合的DAS动态范围提升方法，其特征在于，所述解卷绕后的相位估计值的获取过程包括：
将取整后的相位卷绕系数乘以2π，并与第二光纤传感信号相加，得到解卷绕后的相位估计值。
11.根据权利要求1-10任一所述的一种基于自监督式信号融合的DAS动态范围提升方法，其特征在于，所述方法还包括利用知识蒸馏缩小所述信号融合模型的体积。
12.一种数据处理平台，其特征在于，该数据处理平台执行如权利要求11所述的一种基于自监督式信号融合的DAS动态范围提升方法，从而对光纤传感数据进行在线处理。
13.一种服务器，其特征在于，该服务器执行如权利要求1-10任一所述的一种基于自监督式信号融合的DAS动态范围提升方法，用以对光纤传感数据进行在线处理。
14.一种基于自监督式信号融合的DAS动态范围提升装置，其特征在于，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现权利要求1-10中任一项所述的基于自监督式信号融合的DAS动态范围提升方法。
15.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上储存有计算机程序，所述计算机程序被处理器执行如权利要求1～10中任一项所述的基于自监督式信号融合的DAS动态范围提升方法。
CN202311203512.3A 2023-09-19 2023-09-19 基于自监督式信号融合的das动态范围提升方法和设备 Active CN116956226B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311203512.3A CN116956226B (zh) 2023-09-19 2023-09-19 基于自监督式信号融合的das动态范围提升方法和设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311203512.3A CN116956226B (zh) 2023-09-19 2023-09-19 基于自监督式信号融合的das动态范围提升方法和设备

Publications (2)

Publication Number Publication Date
CN116956226A true CN116956226A (zh) 2023-10-27
CN116956226B CN116956226B (zh) 2023-12-22

Family

ID=88458604

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311203512.3A Active CN116956226B (zh) 2023-09-19 2023-09-19 基于自监督式信号融合的das动态范围提升方法和设备

Country Status (1)

Country Link
CN (1) CN116956226B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8437234B1 (en) * 2012-04-25 2013-05-07 Hewlett-Packard Development Company, L.P. Dynamic phase detector switching
CN113091782A (zh) * 2021-04-26 2021-07-09 太原理工大学 基于pgc的相位敏感型光时域反射系统及相位解调方法
CN115452014A (zh) * 2022-08-18 2022-12-09 广东工业大学 一种噪声抑制的多参考臂结构频分复用的光频域反射计
CN115855123A (zh) * 2023-02-22 2023-03-28 之江实验室 基于畸变点检测的光纤传感信号相位错误修正方法和装置
CN116297841A (zh) * 2023-03-15 2023-06-23 电子科技大学 一种基于光纤分布式振动检测的铁路轨道病害识别方法
WO2023123970A1 (zh) * 2021-12-30 2023-07-06 中国石油天然气集团有限公司 光纤传感数据的全局相位正交解调方法及装置
CN116576897A (zh) * 2023-06-07 2023-08-11 之江实验室 多参量光纤分布式传感系统及其方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8437234B1 (en) * 2012-04-25 2013-05-07 Hewlett-Packard Development Company, L.P. Dynamic phase detector switching
CN113091782A (zh) * 2021-04-26 2021-07-09 太原理工大学 基于pgc的相位敏感型光时域反射系统及相位解调方法
WO2023123970A1 (zh) * 2021-12-30 2023-07-06 中国石油天然气集团有限公司 光纤传感数据的全局相位正交解调方法及装置
CN115452014A (zh) * 2022-08-18 2022-12-09 广东工业大学 一种噪声抑制的多参考臂结构频分复用的光频域反射计
CN115855123A (zh) * 2023-02-22 2023-03-28 之江实验室 基于畸变点检测的光纤传感信号相位错误修正方法和装置
CN116297841A (zh) * 2023-03-15 2023-06-23 电子科技大学 一种基于光纤分布式振动检测的铁路轨道病害识别方法
CN116576897A (zh) * 2023-06-07 2023-08-11 之江实验室 多参量光纤分布式传感系统及其方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
王林;何俊;李芳;刘育梁;: "用于探测极低频信号的光纤传感器相位生成载波解调方法", 中国激光, no. 04 *
赵丽娟 等: ""分布式声波传感系统中IQ解调方法的影响因素"", 《光学学报》, vol. 43, no. 14 *

Also Published As

Publication number Publication date
CN116956226B (zh) 2023-12-22

Similar Documents

Publication Publication Date Title
EP3665490B1 (fr) Procédé, mis en oeuvre par ordinateur, de reconstruction de la topologie d'un réseau de cables, utilisant un algorithme génétique
Ceravolo et al. Time domain identification of structures: Comparative analysis of output-only methods
CN113792585B (zh) 一种管道振动信号监测方法、系统、电子设备及介质
CN112013286B (zh) 管道泄漏点的定位方法及装置、存储介质、终端
CN115964616A (zh) 一种分布式声波传感系统数据降噪方法、装置及存储介质
CN111797678B (zh) 基于复合神经网络的相位解包裹方法和装置
WO2020001966A1 (fr) Procede de caracterisation d'un defaut dans un reseau de lignes de transmission de topologie inconnue
EP3545319B1 (fr) Procede et dispositif d'analyse de defaut dans un reseau de lignes de transmission
Lunglmayr et al. Linearized bregman iterations for automatic optical fiber fault analysis
CN116956226B (zh) 基于自监督式信号融合的das动态范围提升方法和设备
CN111895278A (zh) 城市供水管网漏点定位方法、装置、设备及存储介质
EP3612849A1 (fr) Procede et systeme de detection d'un defaut intermittent dans une ligne de transmission, par filtrage
CN108897036A (zh) 一种地震数据处理方法及装置
CN115855123B (zh) 基于畸变点检测的光纤传感信号相位错误修正方法和装置
US9668075B2 (en) Estimating parameter values for a lumped parameter model of a loudspeaker
EP3298419A1 (fr) Procede d'analyse d'un cable, impliquant un traitement d'amplification de la signature d'un defaut non franc
CN113395124B (zh) 一种基于时移方差的时延估计方法及装置
FR3070211B1 (fr) Procede, mis en œuvre par ordinateur, de reconstruction de la topologie d'un reseau de cables
CN111695501B (zh) 一种基于操作系统内核调用数据的设备软故障检测方法
WO2021052750A1 (fr) Procede de detection de defauts dans un reseau de lignes de transmission
Massicotte et al. Neural-network-based method of calibration and measurand reconstruction for a high-pressure measuring system
Finder et al. Latency analysis for sequential circuits
Vacca et al. A Comprehensive Analysis of Transient Errors on Systolic Arrays
CN117743736B (zh) 一种光纤f-p传感器解调方法、设备、系统和存储介质
EP4293564A1 (fr) Calendrier de fautes pour accélération de l'analyse de fiabilité des circuits intégrés

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