CN117556188A - 光频域反射仪分布式应变传感信号降噪方法、装置和介质 - Google Patents
光频域反射仪分布式应变传感信号降噪方法、装置和介质 Download PDFInfo
- Publication number
- CN117556188A CN117556188A CN202311501941.9A CN202311501941A CN117556188A CN 117556188 A CN117556188 A CN 117556188A CN 202311501941 A CN202311501941 A CN 202311501941A CN 117556188 A CN117556188 A CN 117556188A
- Authority
- CN
- China
- Prior art keywords
- convolution
- noise
- noise reduction
- layer
- output
- 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.)
- Pending
Links
- 230000009467 reduction Effects 0.000 title claims abstract description 107
- 238000000034 method Methods 0.000 title claims abstract description 62
- 230000003287 optical effect Effects 0.000 title claims abstract description 59
- 238000012549 training Methods 0.000 claims abstract description 80
- 238000012545 processing Methods 0.000 claims description 76
- 230000007704 transition Effects 0.000 claims description 35
- 230000006870 function Effects 0.000 claims description 34
- 238000010606 normalization Methods 0.000 claims description 18
- 238000003860 storage Methods 0.000 claims description 16
- 230000004913 activation Effects 0.000 claims description 9
- 239000013307 optical fiber Substances 0.000 claims description 7
- 230000035945 sensitivity Effects 0.000 claims description 2
- 230000008901 benefit Effects 0.000 abstract description 2
- 238000002168 optical frequency-domain reflectometry Methods 0.000 description 22
- 238000004590 computer program Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 230000006872 improvement Effects 0.000 description 8
- 238000004088 simulation Methods 0.000 description 8
- 238000005259 measurement Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 239000003638 chemical reducing agent Substances 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/16—Measuring arrangements characterised by the use of optical techniques for measuring the deformation in a solid, e.g. optical strain gauge
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (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)
- Complex Calculations (AREA)
Abstract
本发明涉及光频域反射仪分布式应变传感信号降噪方法、装置和介质,方法包括S1、模拟光频域反射仪应变传感信号和对应的噪声数据,将应变传感信号和对应的噪声数据相加,将生成的模拟的带噪传感数据和应变传感信号作为训练集;S2、基于训练集训练降噪网络,得到训练完成的降噪模型;S3、获取实际光频域反射仪传感信号,将实际光频域反射仪传感信号输入降噪模型,得到降噪后的光频域反射仪传感信号。与现有技术相比,本发明具有提高降噪性能等优点。
Description
技术领域
本发明涉及光纤传感信号降噪技术领域,尤其是涉及一种光频域反射仪分布式应变传感信号降噪方法、装置和介质。
背景技术
基于光频域反射仪(OFDR)的分布式应变传感(DSS)技术具有完全分布式测量、高空间分辨率、高应变分辨率等优势。它被广泛应用于分布式应变监测领域,如大型建筑结构健康状况监测、电池组外形形变监测等。然而,在实际应用中,由于光源扫频非线性等噪声的影响,其应变分辨率等性能随着传感距离的增加而显著下降。
许多研究人员在降噪技术方面进行了深入的研究,以改善基于OFDR的DSS系统的性能。该系统的主要噪声来源是光源的扫频非线性,并且随着测量距离的增加,扫频非线性的影响越来越大,对于光纤上某个位置,多次测量的噪声分布服从高斯分布,但随着测量距离的增加,其标准差越来越大,甚至出现无法解调的情况。为了准确测量应变,需要将信号从噪声中有效分离出来。传统的降噪方法主要包括基于各类图像处理算法的降噪方法、基于离散小波变换的降噪方法等。然而,基于图像处理算法的降噪方法,由于其原理是基于相邻位置瑞利信号特征的一致性,因此会丢失待测位置的部分特征信息;基于离散小波变换的去噪方法,需要基于特定应用场景的信号特征,人工选择合适的小波基和信号分解层级,因此缺乏对于不同场景的普遍适用性。同时,现存的各类去噪方法,其去噪能力也有进一步提升的空间。因此,对于基于OFDR的DSS系统的降噪性能而言,现有的各类降噪方法均存在一定的局限性和不足之处。
在信号降噪的领域中,人工智能算法的发展为解决RDTS系统中的噪声问题提供了新的可能性。在人工智能算法领域实现信号降噪的应用上,有研究者提出了一种基于一维卷积神经网络(1DCNN)的降噪方案,通过模拟分布式光纤的传感场景,通过一定规则的随机传感信号以及与实际噪声强度一致的高斯白噪声,通过深度学习训练出适用于传感信号降噪的深度学习降噪器。这种方法在多个研究中被证明是有效的,但是这个方案采用小卷积核堆叠的方式设计网络感受野较小,每次只能处理小范围的传感信息,导致信号降噪的性能有待提升。
综上,现有的技术中采用神经网络对光频域反射仪分布式应变传感信号的降噪时由于感受野较小,导致降噪的效率较低。
发明内容
本发明的目的就是为了提高传感信号降噪效率而提供的一种光频域反射仪分布式应变传感信号降噪方法、装置和介质。
本发明的目的可以通过以下技术方案来实现:
一种光频域反射仪分布式应变传感信号降噪方法,方法包括:
S1、模拟光频域反射仪应变传感信号和对应的噪声数据,将应变传感信号和对应的噪声数据相加,将生成的模拟的带噪传感数据和应变传感信号作为训练集;
S2、基于训练集训练降噪网络,得到训练完成的降噪模型;
S3、获取实际光频域反射仪传感信号,将实际光频域反射仪传感信号输入降噪模型,得到降噪后的光频域反射仪传感信号;
其中,基于训练集训练降噪网络的具体步骤为:
训练集中的带噪传感数据依次经过降噪网络中的输入层、起始模块、多个大卷积处理模块和输出层,每两个大卷积处理模块之间设有一个过渡层,结合输出层的输出和作为标签的应变传感信号计算损失函数,基于损失函数对降噪网络进行优化训练。
进一步地,设大卷积处理模块共有n个,则过渡层为n-1个,n为大于1的正整数,训练集中的带噪传感数据依次经过降噪网络中的输入层、起始模块、多个大卷积处理模块和输出层的具体步骤为:
训练集中的带噪传感数据进入输入层,输入层的输出进入起始模块,起始模块的输出进入第一个大卷积处理模块,第一个大卷积处理模块的输出进入第一个过渡层,第一个过渡层的输出再进入下一个大卷积处理模块,直至第n-1个大卷积处理模块的输出进入第n-1个过渡层,第n-1个过渡层的输出再进入第n个大卷积处理模块,第n个大卷积处理模块的输出进入输出层。
进一步地,起始模块包括第一卷积、第一一维深度可分离卷积、第二卷积和第二一维深度可分离卷积,输入层的输出进入起始模块后,依次经过第一卷积、第一一维深度可分离卷积、第二卷积和第二一维深度可分离卷积,起始模块的输出进入第一个大卷积处理模块。
进一步地,大卷积处理模块包括多个大卷积层,大卷积层包括大卷积核层以及卷积前馈层,起始模块的输出进入大卷积处理模块后,依次经过多个大卷积层,在每个大卷积层中,依次经过大卷积核层以及卷积前馈层。
进一步地,大卷积核层包括依次设置的第一归一化层、第三卷积、第三一维深度可分离卷积和第四卷积;
卷积前馈层包括依次设置的第二归一化层、第五卷积和激活函数,激活函数为高斯误差线性单元;
经过大卷积核层以及卷积前馈层的具体步骤为:依次经过第一归一化层、第三卷积、第三一维深度可分离卷积和第四卷积,然后再依次经过第二归一化层、第五卷积和激活函数。
进一步地,过渡层包括第六卷积和第四一维深度可分离卷积,
大卷积处理模块的输出进入过渡层的具体步骤为:
大卷积处理模块的输出依次经过第六卷积和第四一维深度可分离卷积,然后过渡层的输出进入下一个大卷积处理模块。
进一步地,输出层包括第七卷积、第五一维深度可分离卷积和批量归一化层;
第n个大卷积处理模块的输出进入输出层后,依次经过第七卷积、第五一维深度可分离卷积和批量归一化层。
进一步地,所述噪声数据为一个随机的正整数与噪声基数的乘积,噪声数据的强度与实际光频域反射仪传感信号中的噪声强度相同。
进一步地,噪声基数为:
其中,ΔF是扫频,N为互相关点数,pm/με为光纤传感器灵敏度系数。
本发明还提出一种光频域反射仪分布式应变传感信号降噪装置,包括存储器、处理器,以及存储于所述存储器中的程序,所述处理器执行所述程序时实现上述的方法。
本发明还提出一种光频域反射仪分布式应变传感信号降噪装置,包括训练集生成模块、降噪模型训练模块和实际降噪模块,其中,
训练集生成模块用于模拟光频域反射仪应变传感信号和对应的噪声数据,将应变传感信号和对应的噪声数据相加,将生成的模拟的带噪传感数据和应变传感信号作为训练集;
降噪模型训练模块用于基于训练集训练降噪网络,得到训练完成的降噪模型;
实际降噪模块用于获取实际光频域反射仪传感信号,将实际光频域反射仪传感信号输入降噪模型,得到降噪后的光频域反射仪传感信号;
其中,基于训练集训练降噪网络的具体步骤为:
训练集中的带噪传感数据依次经过降噪网络中的输入层、起始模块、多个大卷积处理模块和输出层,每两个大卷积处理模块之间设有一个过渡层,结合输出层的输出和作为标签的应变传感信号计算损失函数,基于损失函数对降噪网络进行优化训练。
本发明还提出一种计算机可读存储介质,其上存储有程序,所述程序被执行时实现上述的方法。
与现有技术相比,本发明具有以下有益效果:
(1)本发明的降噪模型结合了大卷积处理模块,采用浅层的大卷积替代深层的小卷积,有效的提升网络的感受野,进而提高降噪的效率,并且使得网络有着更好的降噪性能。
(2)本发明中训练降噪模型的训练集是通过模拟数据获得的,模拟的噪声数据与为一个随机化的整数与噪声基数的乘积,使得模拟噪声的强度与实际噪声的强度保持一致,采用这样的模拟实际的噪声数据进行模型的训练,增强模型对实际的噪声的降噪能力,并且可以让模型适应多种不同的实际的噪声情况,提高降噪性能和适用范围。
附图说明
图1为本发明的流程图;
图2为本发明的降噪模型结构图;
图3为本发明的降噪网络训练的流程图;
图4为本发明的光频域反射仪分布式应变传感信号降噪装置结构图;
图5为本发明的另一种光频域反射仪分布式应变传感信号降噪装置结构图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
实施例1
基于光频域反射仪(OFDR)的分布式应变传感(DSS)分析应变时,分析的精度会随着传感距离的增加而显著下降。
一般来说,采用光频域反射仪(OFDR)的分布式应变传感(DSS)分析应变包括以下步骤:
采集应变发生前的OFDR信号作为参考信号,其表达式为:
∑iAicos[2πγτit+Ci+θ(t)-θ(t-τi)]
这里Ai和τi分别代表不同位置的瑞利背向散射光的强度和群时延,γ为扫频速率,Ci为与散射位置有关的相位常量,θ(t)为由于光源有限线宽和扫频机制的非线性造成的相位噪声,是基于OFDR的DSS系统的主要噪声来源。
采集应变发生后的OFDR信号作为测量信号。将参考态和测量态OFDR信号通过傅里叶变换转换到距离域上,用一定长度的窗口对OFDR距离域数据进行分段截取,因此,系统的应变传感空间分辨率取决于窗口的长度和OFDR两点空间分辨率。将分段后的局部OFDR距离域信号通过反傅里叶变换转换到光谱域(可以通过反傅里叶变换前距离域补零等方法提升光谱域的光谱量化分辨率)。由于应变改变了瑞利背向散射光的相位,因此可以通过互相关算法得到应变导致的光谱移动,计算方法如下式:
这里为互相关运算。再将光谱移动量通过对应关系转换为应变值,最终得到应变随距离变化的曲线。
上述过程中获取的测量信号都会受到噪声的影响,这样会导致最终得到的应变随距离变化的曲线误差较大。
为了克服上述问题,提高传感信号降噪的精度,提高降噪性能,本发明提出一种光频域反射仪分布式应变传感信号降噪方法,方法的流程图如图1所示。方法包括:
S1、模拟光频域反射仪应变传感信号和对应的噪声数据,将应变传感信号和对应的噪声数据相加,将生成的模拟的带噪传感数据和应变传感信号作为训练集;
S2、基于训练集训练降噪网络,得到训练完成的降噪模型;
S3、获取实际光频域反射仪传感信号,将实际光频域反射仪传感信号输入降噪模型,得到降噪后的光频域反射仪传感信号;
其中,基于训练集训练降噪网络的具体步骤为:
训练集中的带噪传感数据依次经过降噪网络中的输入层、起始模块、多个大卷积处理模块和输出层,每两个大卷积处理模块之间设有一个过渡层,结合输出层的输出和作为标签的应变传感信号计算损失函数,基于损失函数对降噪网络进行优化训练。训练降噪网络的流程图如图2所示。
S1中,通过模拟不同场景的应变传感数据和噪声数据来生成具有多样性的OFDR信号数据,合成数量可以为50000条。
其中,不同应变场景的传感数据,通过强度范围为Q的随机数构成,Q的设置参考实际的传感应用的强度范围。强度一致性长度为1到250之间的随机数,以此来模拟光纤任意位置都有可能发生的应变传感活动。
基于OFDR噪声数据的特性,生成强度相匹配的噪声数据。OFDR硬件系统的参数决定了信号中噪声的特性。噪声的强度为基数α的随机整数倍,其中α的表达式如下,ΔF是扫频,N为互相关点数。
模拟的噪声信号为一个随机化的整数与噪声基数的乘积,要求模拟噪声的强度与实际噪声的强度保持一致。
将噪声数据和应变传感数据进行相加,生成模拟的带噪传感数据。将带噪传感数据归一化至正负一的范围,并作为模型的训练数据,将应变传感数据作为模型训练的标签数据。可以将训练数据集按照8:2划分,分成训练数据集和测试数据集。
S2的降噪网络包括输入层、起始模块、大卷积层处理模块、过渡模块、输出层。
S2中设大卷积处理模块共有n个,则过渡层为n-1个,n为大于1的正整数,训练集中的带噪传感数据依次经过降噪网络中的输入层、起始模块、多个大卷积处理模块和输出层的具体步骤为:
训练集中的带噪传感数据进入输入层,输入层的输出进入起始模块,起始模块的输出进入第一个大卷积处理模块,第一个大卷积处理模块的输出进入第一个过渡层,第一个过渡层的输出再进入下一个大卷积处理模块,直至第n-1个大卷积处理模块的输出进入第n-1个过渡层,第n-1个过渡层的输出再进入第n个大卷积处理模块,第n个大卷积处理模块的输出进入输出层。
降噪网络训练的流程图如图3所示。
输入层用于接收一维的传感信号作为网络的输入。
起始模块(Stem),通过开始几个卷积层捕获信号的细节信息。
起始模块包括第一卷积、第一一维深度可分离卷积、第二卷积和第二一维深度可分离卷积,输入层的输出进入起始模块后,依次经过第一卷积、第一一维深度可分离卷积、第二卷积和第二一维深度可分离卷积,起始模块的输出进入第一个大卷积处理模块。
第一卷积为一层卷积核为3的一维卷积,第一一维深度可分离卷积和第二一维深度可分离卷积的卷积核为3,第二卷积为一层1×1卷积。
大卷积层处理模块用于提供大感受野的信号特征提取功能。大卷积处理模块包括多个大卷积层,大卷积层包括大卷积核层(LK_BLOCK)以及卷积前馈层(ConvFFN),起始模块的输出进入大卷积处理模块后,依次经过多个大卷积层,在每个大卷积层中,依次经过大卷积核层以及卷积前馈层。
大卷积层处理模块中大卷积核层以及卷积前馈层交替叠放,模块的深度可以自由设计。
大卷积核层包括依次设置的第一归一化层(BN)、第三卷积、第三一维深度可分离卷积和第四卷积。第三卷积和第四卷积为1×1卷积。大卷积核层包含shortcut(直连)设计。
卷积前馈层包括依次设置的第二归一化层(BN)、第五卷积和激活函数,激活函数为高斯误差线性单元。第五卷积为1×1卷积,高斯误差线性单元GELU为:
经过大卷积核层以及卷积前馈层的具体步骤为:依次经过第一归一化层、第三卷积、第三一维深度可分离卷积和第四卷积,然后再依次经过第二归一化层、第五卷积和激活函数。
过渡层(Transition)包括第六卷积和第四一维深度可分离卷积。第六卷积为1×1卷积。
大卷积处理模块的输出进入过渡层的具体步骤为:
大卷积处理模块的输出依次经过第六卷积和第四一维深度可分离卷积,然后过渡层的输出进入下一个大卷积处理模块。
大卷积处理模块和过渡层(Transition)交替设置,每两个大卷积处理模块之间设有一个过渡层。具体的网络深度可以根据数据的复杂性进行自由设计。
输出层用于优化处理归一化的数据,输出层包括第七卷积、第五一维深度可分离卷积和批量归一化层;
第n个大卷积处理模块的输出进入输出层后,依次经过第七卷积、第五一维深度可分离卷积和批量归一化层(BN)。第七卷积的卷积核为3。
基于输出层的输出和标签计算损失函数,模型训练的损失函数为
计算模型输出的信号和实际信号的损失函数Loss值。通过自适应矩估计(Adam)优化器对算法中的参数进行更新迭代,获得最优化损失值下的信号生成降噪模型。将实际的OFDR应变传感信号输入降噪模型,输出降噪后的OFDR应变传感信号。
本发明采用一种新颖的降噪方案,通过模拟传感数据以及噪声,训练信号降噪器,后期可以高效的利用降噪模型对实际信号进行降噪。训练降噪模型的训练集是通过模拟数据获得的,模拟的噪声数据与为一个随机化的整数与噪声基数的乘积,使得模拟噪声的强度与实际噪声的强度保持一致,采用这样的模拟实际的噪声数据进行模型的训练,增强模型对实际的噪声的降噪能力,并且可以让模型适应多种不同的实际的噪声情况,提高降噪性能和适用范围。
本发明的降噪模型结合了大卷积处理模块,采用浅层的大卷积替代深层的小卷积,有效的提升网络的感受野,进而提高降噪的效率,并且使得网络有着更好的降噪性能。在亚毫米级的OFDR系统测试,降噪后应变的标准差最低为0.78个微应变。
本发明可以实现高效率的OFDR信号降噪,传统的基于图像的方法难以在这么短的处理时间下获得较好的降噪效果。
下面进行实际的实验:
通过实验采集了亚毫米级空间分辨率OFDR的传感信号。其中,在长度为140米的待测光纤尾端加上0、1000、2000的微应变,在实验中,噪声的设置为,随机化整数为3.3标准差的白噪声整数。起始模块的通道数C1设置为64,用了两个大卷积处理模块,大卷积处理模块的通道数C2设置为128。第一个大卷积模块的卷积核大小设置为51,第二个大卷积处理模块的卷积核大小设置为47,每个大卷积模块各含有两个大卷积核层(LK_BLOCK)以及卷积前馈层(ConvFFN)。模型训练的批处理batch_size大小为64,Adam优化器学习率为0.01,权重衰减设置为5e-3,训练轮数为300。通过该方法,可以有效地实现传感信号降噪,得到高信噪比的传感信号,最优情况信号的标准差约0.78个微应变。
实施例2
基于实施例1的光频域反射仪分布式应变传感信号降噪方法,本发明提出一种频域反射仪分布式应变传感信号降噪装置,装置包括训练集生成模块、降噪模型训练模块和实际降噪模块,其中,
训练集生成模块用于模拟光频域反射仪应变传感信号和对应的噪声数据,将应变传感信号和对应的噪声数据相加,将生成的模拟的带噪传感数据和应变传感信号作为训练集;
降噪模型训练模块用于基于训练集训练降噪网络,得到训练完成的降噪模型;
实际降噪模块用于获取实际光频域反射仪传感信号,将实际光频域反射仪传感信号输入降噪模型,得到降噪后的光频域反射仪传感信号;
其中,基于训练集训练降噪网络的具体步骤为:
训练集中的带噪传感数据依次经过降噪网络中的输入层、起始模块、多个大卷积处理模块和输出层,每两个大卷积处理模块之间设有一个过渡层,结合输出层的输出和作为标签的应变传感信号计算损失函数,基于损失函数对降噪网络进行优化训练。
频域反射仪分布式应变传感信号降噪装置的结构如图4所示。
本发明还提出另一种光频域反射仪分布式应变传感信号降噪装置,包括存储器、处理器,以及存储于所述存储器中的程序,所述处理器执行所述程序时实现实施例1所述的方法。另一种频域反射仪分布式应变传感信号降噪装置的结构如图4所示。另一种光频域反射仪分布式应变传感信号降噪装置结构如图5所示。
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所述的光频域反射仪分布式应变传感信号降噪的方法。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(logiccompiler)”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(Hardware DescriptionLanguage,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced BooleanExpression Language)、AHDL(Altera Hardware Description Language)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java HardwareDescription Language)、Lava、Lola、MyHDL、PALASM、RHDL(Ruby Hardware DescriptionLanguage)等,目前最普遍使用的是VHDL(Very-High-Speed Integrated CircuitHardware 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。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本发明时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
实施例3
本发明还提出一种计算机可读存储介质,其上存储有程序,所述程序被执行时实现实施例1中的方法。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本发明的实施例可提供为方法、系统或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本发明,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本发明中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
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作出诸多修改和变化。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 (12)
1.一种光频域反射仪分布式应变传感信号降噪方法,其特征在于,方法包括:
S1、模拟光频域反射仪应变传感信号和对应的噪声数据,将应变传感信号和对应的噪声数据相加,将生成的模拟的带噪传感数据和应变传感信号作为训练集;
S2、基于训练集训练降噪网络,得到训练完成的降噪模型;
S3、获取实际光频域反射仪传感信号,将实际光频域反射仪传感信号输入降噪模型,得到降噪后的光频域反射仪传感信号;
其中,基于训练集训练降噪网络的具体步骤为:
训练集中的带噪传感数据依次经过降噪网络中的输入层、起始模块、多个大卷积处理模块和输出层,每两个大卷积处理模块之间设有一个过渡层,结合输出层的输出和作为标签的应变传感信号计算损失函数,基于损失函数对降噪网络进行优化训练。
2.根据权利要求1所述的一种光频域反射仪分布式应变传感信号降噪方法,其特征在于,设大卷积处理模块共有n个,则过渡层为n-1个,n为大于1的正整数,训练集中的带噪传感数据依次经过降噪网络中的输入层、起始模块、多个大卷积处理模块和输出层的具体步骤为:
训练集中的带噪传感数据进入输入层,输入层的输出进入起始模块,起始模块的输出进入第一个大卷积处理模块,第一个大卷积处理模块的输出进入第一个过渡层,第一个过渡层的输出再进入下一个大卷积处理模块,直至第n-1个大卷积处理模块的输出进入第n-1个过渡层,第n-1个过渡层的输出再进入第n个大卷积处理模块,第n个大卷积处理模块的输出进入输出层。
3.根据权利要求2所述的一种光频域反射仪分布式应变传感信号降噪方法,其特征在于,起始模块包括第一卷积、第一一维深度可分离卷积、第二卷积和第二一维深度可分离卷积,输入层的输出进入起始模块后,依次经过第一卷积、第一一维深度可分离卷积、第二卷积和第二一维深度可分离卷积,起始模块的输出进入第一个大卷积处理模块。
4.根据权利要求3所述的一种光频域反射仪分布式应变传感信号降噪方法,其特征在于,大卷积处理模块包括多个大卷积层,大卷积层包括大卷积核层以及卷积前馈层,起始模块的输出进入大卷积处理模块后,依次经过多个大卷积层,在每个大卷积层中,依次经过大卷积核层以及卷积前馈层。
5.根据权利要求4所述的一种光频域反射仪分布式应变传感信号降噪方法,其特征在于,大卷积核层包括依次设置的第一归一化层、第三卷积、第三一维深度可分离卷积和第四卷积;
卷积前馈层包括依次设置的第二归一化层、第五卷积和激活函数,激活函数为高斯误差线性单元;
经过大卷积核层以及卷积前馈层的具体步骤为:依次经过第一归一化层、第三卷积、第三一维深度可分离卷积和第四卷积,然后再依次经过第二归一化层、第五卷积和激活函数。
6.根据权利要求5所述的一种光频域反射仪分布式应变传感信号降噪方法,其特征在于,过渡层包括第六卷积和第四一维深度可分离卷积,
大卷积处理模块的输出进入过渡层的具体步骤为:
大卷积处理模块的输出依次经过第六卷积和第四一维深度可分离卷积,然后过渡层的输出进入下一个大卷积处理模块。
7.根据权利要求6所述的一种光频域反射仪分布式应变传感信号降噪方法,其特征在于,输出层包括第七卷积、第五一维深度可分离卷积和批量归一化层;
第n个大卷积处理模块的输出进入输出层后,依次经过第七卷积、第五一维深度可分离卷积和批量归一化层。
8.根据权利要求1所述的一种光频域反射仪分布式应变传感信号降噪方法,其特征在于,所述噪声数据为一个随机的正整数与噪声基数的乘积,噪声数据的强度与实际光频域反射仪传感信号中的噪声强度相同。
9.根据权利要求8所述的一种光频域反射仪分布式应变传感信号降噪方法,其特征在于,噪声基数为:
其中,ΔF是扫频,N为互相关点数,pm/με为光纤传感器灵敏度系数。
10.一种光频域反射仪分布式应变传感信号降噪装置,包括存储器、处理器,以及存储于所述存储器中的程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-9中任一所述的方法。
11.一种光频域反射仪分布式应变传感信号降噪装置,其特征在于,包括训练集生成模块、降噪模型训练模块和实际降噪模块,其中,
训练集生成模块用于模拟光频域反射仪应变传感信号和对应的噪声数据,将应变传感信号和对应的噪声数据相加,将生成的模拟的带噪传感数据和应变传感信号作为训练集;
降噪模型训练模块用于基于训练集训练降噪网络,得到训练完成的降噪模型;
实际降噪模块用于获取实际光频域反射仪传感信号,将实际光频域反射仪传感信号输入降噪模型,得到降噪后的光频域反射仪传感信号;
其中,基于训练集训练降噪网络的具体步骤为:
训练集中的带噪传感数据依次经过降噪网络中的输入层、起始模块、多个大卷积处理模块和输出层,每两个大卷积处理模块之间设有一个过渡层,结合输出层的输出和作为标签的应变传感信号计算损失函数,基于损失函数对降噪网络进行优化训练。
12.一种计算机可读存储介质,其上存储有程序,其特征在于,所述程序被执行时实现如权利要求1-9中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311501941.9A CN117556188A (zh) | 2023-11-13 | 2023-11-13 | 光频域反射仪分布式应变传感信号降噪方法、装置和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311501941.9A CN117556188A (zh) | 2023-11-13 | 2023-11-13 | 光频域反射仪分布式应变传感信号降噪方法、装置和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117556188A true CN117556188A (zh) | 2024-02-13 |
Family
ID=89821327
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311501941.9A Pending CN117556188A (zh) | 2023-11-13 | 2023-11-13 | 光频域反射仪分布式应变传感信号降噪方法、装置和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117556188A (zh) |
-
2023
- 2023-11-13 CN CN202311501941.9A patent/CN117556188A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tung et al. | Detecting chaos in heavy-noise environments | |
Zhao et al. | Dual-scale cascaded adaptive stochastic resonance for rotary machine health monitoring | |
US20190235834A1 (en) | Optimization apparatus and control method thereof | |
CN106054251A (zh) | 一种初至波拾取方法及装置 | |
Yoshizawa et al. | Parameter exploration for response time reduction in accelerometer-based activity recognition | |
CN117828957A (zh) | 一种超声弹性仿真方法、装置、存储介质及电子设备 | |
CN114305415B (zh) | 一种跨被试和跨模态的多模态紧张情绪识别方法及系统 | |
CN115983165A (zh) | Lms自适应滤波器的性能测试方法和性能测试装置 | |
CN117556188A (zh) | 光频域反射仪分布式应变传感信号降噪方法、装置和介质 | |
CN117218551B (zh) | 一种基于误差分析的估测算法优化方法及装置 | |
CN117079777A (zh) | 一种医学影像的补全方法、装置、存储介质及电子设备 | |
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 | |
EP4167145A1 (en) | Implementation of discrete fourier-related transforms in hardware | |
CN110161283A (zh) | 减少加速度信号测量噪声的方法及设备 | |
CN117290669B (zh) | 基于深度学习的光纤温度传感信号降噪方法、装置和介质 | |
CN113835066B (zh) | 一种抗转发式干扰方法及装置 | |
CN117930370B (zh) | 海洋磁力场测量及成像方法、装置、设备及介质 | |
CN106017955A (zh) | 机械设备状态类别识别方法和系统 | |
CN117357132B (zh) | 一种基于多层脑网络节点参与系数的任务执行方法及装置 | |
US20210145346A1 (en) | Systems, methods, and media for efficient real-time embedded processing of physiological signals using s transforms | |
RU2331981C2 (ru) | Способ и устройство поиска шумоподобного сигнала при воздействии узкополосных помех | |
Badhwar et al. | Noise reduction using kalman filter | |
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 | |
CN112161998B (zh) | 土壤含水量测量方法、装置、电子设备及存储介质 | |
CN103617373A (zh) | 一种时间序列的非线性特性检验方法 |
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 |