CN117648632B - 光纤振动异常识别方法、装置、设备及计算机程序产品 - Google Patents
光纤振动异常识别方法、装置、设备及计算机程序产品 Download PDFInfo
- Publication number
- CN117648632B CN117648632B CN202410116523.6A CN202410116523A CN117648632B CN 117648632 B CN117648632 B CN 117648632B CN 202410116523 A CN202410116523 A CN 202410116523A CN 117648632 B CN117648632 B CN 117648632B
- Authority
- CN
- China
- Prior art keywords
- data
- signal
- reconstruction
- model
- fusion data
- 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.)
- Active
Links
- 239000013307 optical fiber Substances 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000004590 computer program Methods 0.000 title claims abstract description 17
- 230000005856 abnormality Effects 0.000 title abstract description 13
- 230000004927 fusion Effects 0.000 claims abstract description 597
- 238000012545 processing Methods 0.000 claims abstract description 16
- 230000010355 oscillation Effects 0.000 claims description 118
- 238000012549 training Methods 0.000 claims description 86
- 230000000875 corresponding effect Effects 0.000 claims description 54
- 230000008447 perception Effects 0.000 claims description 37
- 230000009545 invasion Effects 0.000 claims description 28
- 230000002596 correlated effect Effects 0.000 claims description 22
- 238000004088 simulation Methods 0.000 claims description 11
- 230000008485 antagonism Effects 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 abstract description 24
- 238000010586 diagram Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 14
- 238000004364 calculation method Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- 230000009466 transformation Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 241001465754 Metazoa Species 0.000 description 3
- 230000006399 behavior Effects 0.000 description 3
- 230000001066 destructive effect Effects 0.000 description 3
- 239000000835 fiber Substances 0.000 description 3
- 230000006378 damage Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000000253 optical time-domain reflectometry Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 241000282326 Felis catus Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本申请实施例提供了光纤振动异常识别方法、装置、设备及计算机程序产品,涉及分布式光纤振动传感技术领域,该方法包括:获取光纤上多个位于不同位置的传感单元采集到的待测振动信号;提取待测振动信号的融合数据,作为第一融合数据,其中,融合数据用于表示信号的时频特征和时空特征;将第一融合数据输入目标生成模型,得到目标生成模型输出的第一重建数据;若第一融合数据与第一重建数据不相似,则确定待测振动信号为入侵信号,入侵信号为入侵导致的振动信号。应用本申请实施例提供的技术方案,能够提高处理异常问题的效率。
Description
技术领域
本申请涉及分布式光纤振动传感技术领域,特别是涉及光纤振动异常识别方法、装置、设备及计算机程序产品。
背景技术
光纤的异常振动是指光纤上发生的未经授权的振动,当光纤发生异常振动时会导致报警。由于光纤所处现场存在复杂的环境干扰,如风、雨、小动物、小树枝等,这些事件都会造成光纤的异常振动,引发报警,但由于这类事件是自然因素导致的,因此,这类事件导致的报警可以视为误报,无需技术人员进行处理。而对于第三方入侵导致光纤异常振动而引发的报警,需要技术人员进行处理。当前相关技术并不能区分由自然因素导致的报警和存在第三方入侵时导致的报警,因此当接收到报警后,无法及时定位产生报警的原因,进而导致处理异常问题的效率较低。
发明内容
本申请实施例的目的在于提供光纤振动异常识别方法、装置、设备及计算机程序产品,用以提高处理异常问题的效率。具体技术方案如下:
第一方面,本申请实施例提供了一种光纤振动异常识别方法,所述方法包括:
获取光纤上多个位于不同位置的传感单元采集到的待测振动信号;
提取所述待测振动信号的融合数据,作为第一融合数据,其中,所述融合数据用于表示信号的时频特征和时空特征;
将所述第一融合数据输入目标生成模型,得到所述目标生成模型输出的第一重建数据;
若所述第一融合数据与所述第一重建数据不相似,则确定所述待测振动信号为入侵信号,所述入侵信号为入侵导致的振动信号;
其中,所述目标生成模型预先通过以下方式训练得到,包括:
获取包括误报信号和/或入侵信号的多个样本振动信号,所述误报信号为非入侵导致的振动信号;
分别提取各样本振动信号的融合数据,得到各样本振动信号的第二融合数据;
分别将各样本振动信号的第二融合数据输入初始生成模型,得到所述初始生成模型输出的各样本振动信号的第二重建数据;
分别将各样本振动信号的第二重建数据输入初始判别模型,得到所述初始判别模型输出的各第二重建数据的第一判别结果;
根据第二融合数据、第二重建数据以及各第二重建数据的第一判别结果进行对抗训练,得到目标判别模型,其中,所述目标判别模型用于使得所述初始生成模型输出的第二重建数据与其所属样本振动信号的第二融合数据相似、且与误报信号的融合数据相似;
根据第二融合数据、第二重建数据以及所述目标判别模型,对所述初始生成模型进行训练,得到目标生成模型。
在一些实施例中,所述误报信号包括原始误报信号和/或误报加噪信号;
其中,所述原始误报信号为通过采集得到的非入侵导致的振动信号;
所述误报加噪信号通过以下方式得到:
从入侵模拟数据库中随机选取一个入侵信号;
将加权处理后的入侵信号与原始误报信号进行结合,得到误报加噪信号。
在一些实施例中,所述根据第二融合数据、第二重建数据以及所述目标判别模型,对所述初始生成模型进行训练,得到目标生成模型,包括:
基于重建损失和对抗损失训练所述初始生成模型,得到所述目标生成模型;或者,基于所述重建损失、所述对抗损失以及感知损失训练所述初始生成模型,得到所述目标生成模型;
其中,所述重建损失,是基于各样本振动信号的第二融合数据和第二重建数据的差异计算得到的;
所述感知损失,是基于各样本振动信号的第二融合数据的特征与所述第二重建数据的特征的差异计算得到的;其中,各样本振动信号的第二融合数据的特征与第二重建数据的特征是通过分别将各样本振动信号的第二融合数据和第二重建数据输入所述目标判别模型得到的;所述感知损失表示各样本振动信号的第二融合数据与第二重建数据在所述目标判别模型中的差异;
所述对抗损失,是基于第一判别结果计算得到的;所述对抗损失表示误报信号的融合数据和各样本振动信号的第二重建数据在所述目标判别模型中的相似程度;
其中,所述目标判别模型具体用于使得所述初始生成模型输出的第二重建数据与其所属样本振动信号的第二融合数据相似、且与原始误报信号的融合数据相似。
在一些实施例中,所述基于各样本振动信号的第二融合数据和第二重建数据的差异计算得到所述重建损失,包括:
基于第二融合数据和第二重建数据的差异和样本振动信号的类别,确定所述重建损失;
其中,当第二融合数据和第二重建数据为误报信号对应的第二融合数据和第二重建数据时,第二融合数据和第二重建数据的差异与所述重建损失正相关;
当第二融合数据和第二重建数据为入侵信号对应的第二融合数据和第二重建数据时,第二融合数据和第二重建数据的差异与所述重建损失负相关。
在一些实施例中,所述基于各样本振动信号的第二融合数据的特征与第二重建数据的特征的差异计算得到所述感知损失,包括:
分别将各样本振动信号的第二融合数据和第二重建数据输入所述目标判别模型,得到所述目标判别模型的中间层提取的各样本振动信号的第二融合数据的特征与第二重建数据的特征;
基于第二融合数据的特征与第二重建数据的特征,确定第二融合数据与第二重建数据的特征的差异;
基于第二融合数据和第二重建数据的特征的差异,以及样本振动信号的类别,确定所述感知损失;
其中,当第二融合数据和第二重建数据为原始误报信号对应的第二融合数据和第二重建数据时,第二融合数据和第二重建数据在所述目标判别模型中的差异与所述感知损失正相关;
当第二融合数据和第二重建数据为入侵信号和误报加噪信号对应的第二融合数据和第二重建数据时,第二融合数据和第二重建数据在所述目标判别模型中的差异与所述感知损失负相关。
在一些实施例中,所述基于第一判别结果计算得到所述对抗损失,包括:
分别将各样本振动信号的第二重建数据输入所述目标判别模型,得到所述目标判别模型输出的指示误报信号的融合数据和第二重建数据的相似程度的第一判别结果;
基于第一判别结果,确定所述对抗损失;所述对抗损失与第一判别结果负相关。
在一些实施例中,所述根据第二融合数据、第二重建数据以及各第二重建数据的第一判别结果进行对抗训练,得到目标判别模型的步骤,包括:
分别将各样本振动信号的第二融合数据输入所述初始判别模型,得到所述初始判别模型输出的第二判别结果;第二判别结果指示各样本振动信号的第二融合数据与误报信号的融合数据的相似程度;
基于第二判别结果和样本振动信号的类别,确定所述初始判别模型的第一判别损失;
其中,当输入所述初始判别模型的第二融合数据为原始误报信号对应的第二融合数据时,第二判别结果与所述第一判别损失负相关;当输入所述初始判别模型的第二融合数据为误报加噪信号对应的第二融合数据时,第二判别结果与所述第一判别损失正相关;当输入所述初始判别模型的第二融合数据为入侵信号对应的第二融合数据时,第二判别结果与所述第一判别损失正相关;
基于第一判别结果,确定所述初始判别模型的第二判别损失,所述第二判别损失与第一判别结果负相关;
基于所述第一判别损失和所述第二判别损失训练所述初判别模型,得到所述目标判别模型;
其中,所述目标判别模型具体用于使得所述初始生成模型输出的第二重建数据与其所属样本振动信号的第二融合数据相似、且与原始误报信号的融合数据相似。
在一些实施例中,所述提取所述待测振动信号的融合数据的步骤,包括:
按照预设帧长,将采集所述待测振动信号的时间长度划分为多个时长为所述预设帧长的帧;
基于每个所述待测振动信号和所述预设帧长,计算每个所述待测振动信号每一帧的能量值;
统计得到各帧的所述能量值的均值;
计算各帧的能量值与所述均值的比值,作为所述待测振动信号的时空特征;
对所述待测振动信号进行时频变换,得到所述待测振动信号的时频特征;
将所述待测振动信号的时频特征和时空特征进行融合,得到所述待测振动信号的融合数据。
第二方面,本申请实施例还提供了一种光纤振动异常识别装置,所述装置包括:
信号获取模块,用于获取光纤上多个位于不同位置的传感单元采集到的待测振动信号;
特征提取模块,用于提取所述待测振动信号的融合数据,作为第一融合数据,其中,所述融合数据用于表示信号的时频特征和时空特征;
数据重建模块,用于将所述第一融合数据输入目标生成模型,得到所述目标生成模型输出的第一重建数据;
判别模块,用于若所述第一融合数据与所述第一重建数据不相似,则确定所述待测振动信号为入侵信号,所述入侵信号为入侵导致的振动信号;
其中,所述目标生成模型预先通过以下方式训练得到,包括:
获取包括误报信号和/或入侵信号的多个样本振动信号,所述误报信号为非入侵导致的振动信号;
分别提取各样本振动信号的融合数据,得到各样本振动信号的第二融合数据;
分别将各样本振动信号的第二融合数据输入初始生成模型,得到所述初始生成模型输出的各样本振动信号的第二重建数据;
分别将各样本振动信号的第二重建数据输入初始判别模型,得到所述初始判别模型输出的各第二重建数据第一判别结果;
根据第二融合数据、第二重建数据以及各第二重建数据的第一判别结果进行对抗训练,得到目标判别模型,其中,所述目标判别模型用于使得所述初始生成模型输出的第二重建数据与其所属样本振动信号的第二融合数据相似、且与误报信号的融合数据相似;
根据第二融合数据、第二重建数据以及所述目标判别模型,对所述初始生成模型进行训练,得到目标生成模型。
在一些实施例中,所述误报信号包括原始误报信号和/或误报加噪信号;
其中,所述原始误报信号为通过采集得到的非入侵导致的振动信号;
所述误报加噪信号通过以下方式得到:
从入侵模拟数据库中随机选取一个入侵信号;
将加权处理后的入侵信号与原始误报信号进行结合,得到误报加噪信号。
在一些实施例中,所述根据第二融合数据、第二重建数据以及所述目标判别模型,对所述初始生成模型进行训练,得到目标生成模型,包括:
基于重建损失和对抗损失训练所述初始生成模型,得到所述目标生成模型;或者,基于所述重建损失、所述对抗损失以及感知损失训练所述初始生成模型,得到所述目标生成模型;
其中,所述重建损失,是基于各样本振动信号的第二融合数据和第二重建数据的差异计算得到的;
所述感知损失,是基于各样本振动信号的第二融合数据的特征与第二重建数据的特征的差异计算得到的;其中,各样本振动信号的第二融合数据的特征与第二重建数据的特征是通过分别将各样本振动信号的第二融合数据和第二重建数据输入所述目标判别模型得到的;所述感知损失表示各样本振动信号的第二融合数据与第二重建数据在所述目标判别模型中的差异;
所述对抗损失,是基于第一判别结果计算得到的;所述对抗损失表示误报信号的融合数据和各样本振动信号的第二重建数据在所述目标判别模型中的相似程度;
其中,所述目标判别模型具体用于使得所述初始生成模型输出的第二重建数据与其所属样本振动信号的第二融合数据相似、且与原始误报信号的融合数据相似。
在一些实施例中,所述基于各样本振动信号的第二融合数据和第二重建数据的差异计算得到所述重建损失,包括:
基于第二融合数据和第二重建数据的差异和样本振动信号的类别,确定所述重建损失;
其中,当第二融合数据和第二重建数据为误报信号对应的第二融合数据和第二重建数据时,第二融合数据和第二重建数据的差异与所述重建损失正相关;
当第二融合数据和第二重建数据为入侵信号对应的第二融合数据和第二重建数据时,第二融合数据和第二重建数据的差异与所述重建损失负相关。
在一些实施例中,所述基于各样本振动信号的第二融合数据的特征与第二重建数据的特征的差异计算得到所述感知损失,包括:
分别将各样本振动信号的第二融合数据和第二重建数据输入所述目标判别模型,得到所述目标判别模型的中间层提取的各样本振动信号的第二融合数据的特征与第二重建数据的特征;
基于第二融合数据的特征与第二重建数据的特征,确定第二融合数据与第二重建数据的特征的差异;
基于第二融合数据和第二重建数据的特征的差异,以及样本振动信号的类别,确定所述感知损失;
其中,当第二融合数据和第二重建数据为原始误报信号对应的第二融合数据和第二重建数据时,第二融合数据和第二重建数据在所述目标判别模型中的差异与所述感知损失正相关;
当第二融合数据和第二重建数据为入侵信号和误报加噪信号对应的第二融合数据和第二重建数据时,第二融合数据和第二重建数据在所述目标判别模型中的差异与所述感知损失负相关。
在一些实施例中,所述基于第一判别结果计算得到所述对抗损失,包括:
分别将各样本振动信号的第二重建数据输入所述目标判别模型,得到所述目标判别模型输出的指示误报信号的融合数据和第二重建数据的相似程度的第一判别结果;
基于第一判别结果,确定所述对抗损失;所述对抗损失与第一判别结果负相关。
在一些实施例中,所述第一训练模块,具体用于:
分别将各样本振动信号的第二融合数据输入所述初始判别模型,得到所述初始判别模型输出的第二判别结果;第二判别结果指示各样本振动信号的第二融合数据与误报信号的融合数据的相似程度;
基于第二判别结果和样本振动信号的类别,确定所述初始判别模型的第一判别损失;
其中,当输入所述初始判别模型的第二融合数据为原始误报信号对应的第二融合数据时,第二判别结果与所述第一判别损失负相关;当输入所述初始判别模型的第二融合数据为误报加噪信号对应的第二融合数据时,第二判别结果与所述第一判别损失正相关;当输入所述初始判别模型的第二融合数据为入侵信号对应的第二融合数据时,第二判别结果与所述第一判别损失正相关;
基于第一判别结果,确定所述初始判别模型的第二判别损失,所述第二判别损失与第一判别结果负相关;
基于所述第一判别损失和所述第二判别损失训练所述初判别模型,得到所述目标判别模型;
其中,所述目标判别模型具体用于使得所述初始生成模型输出的第二重建数据与其所属样本振动信号的第二融合数据相似、且与原始误报信号的融合数据相似。
在一些实施例中,所述特征提取模块,具体用于:
按照预设帧长,将采集所述待测振动信号的时间长度划分为多个时长为所述预设帧长的帧;
基于每个所述待测振动信号和所述预设帧长,计算每个所述待测振动信号每一帧的能量值;
统计得到各帧的所述能量值的均值;
计算各帧的能量值与所述均值的比值,作为所述待测振动信号的时空特征;
对所述待测振动信号进行时频变换,得到所述待测振动信号的时频特征;
将所述待测振动信号的时频特征和时空特征进行融合,得到所述待测振动信号的融合数据。
第三方面,本申请实施例还提供了一种电子设备,包括:
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现上述任一所述的光纤振动异常识别方法。
第四方面,本申请实施例还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内存储有计算机程序,所述计算机程序被处理器执行时,实现上述任一所述的光纤振动异常识别方法。
第五方面,本申请实施例还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述任一所述的光纤振动异常识别方法。
本申请实施例有益效果:
本申请实施例提供的技术方案中,通过对抗训练的方式训练了生成模型,在训练生成模型时,将各样本振动信号的第二融合数据输入生成模型后,生成模型输出的各样本振动信号的第二重建数据需与其所属样本振动信号的第二融合数据相似,且与误报信号的融合数据相似,因此,训练完成后,将待测振动信号的融合数据,即第一融合数据输入训练得到的目标生成模型时,目标生成模型生成的第一重建数据可以与第一融合数据相似,且与误报信号的融合数据相似,由此,当输入目标生成模型的第一融合数据为误报信号对应的融合数据时,目标生成模型生成的第一重建数据与第一融合数据极为相似,而当输入目标生成模型的第一融合数据为入侵信号对应的融合数据时,由于目标判别模型生成的第一重建数据还需与误报信号的融合数据相似,因此,此时目标生成模型生成的第一重建数据与第一融合数据并不相似,由此,可以通过确定第一融合数据与第一重建数据是否相似确定待测振动信号是否为入侵信号,由此,快速定位光纤产生异常振动的原因,提高处理异常问题的效率。
当然,实施本申请的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本申请实施例或相关技术中的技术方案,下面将对实施例或相关技术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来讲,还可以根据这些附图获得其他的实施例。
图1为本申请实施例提供的光纤振动异常识别方法的一种流程示意图;
图2为本申请实施例提供的待测振动信号的时频域频谱图和时空域瀑布图的一种示意图;
图3为本申请实施例提供的第一融合数据与第一重建数据的一种示意图;
图4为上述步骤S12的一种细化示意图;
图5为本申请实施例提供的训练初始生成模型和初始判别模型的一种流程示意图;
图6为本申请实施例提供的训练初始生成模型和初始判别模型的另一种流程示意图;
图7为本申请实施例提供的光纤振动异常识别方法的另一种流程示意图;
图8为本申请实施例提供的光纤振动异常识别装置的一种结构示意图;
图9为本申请实施例提供的电子设备的一种结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员基于本申请所获得的所有其他实施例,都属于本申请保护的范围。
下面对本申请实施例中出现的名词进行解释:
误报信号:非入侵导致的振动信号。如风、雨、小动物等自然因素导致光纤振动而生成的振动信号。
原始误报信号:通过采集得到的非入侵导致的振动信号。
入侵信号:入侵导致的振动信号,如第三方对光纤实施破坏行为导致光纤振动而采集到的振动信号。
此处,误报信号、原始误报信号、以及入侵信号均泛指一类振动信号,而不是某个特定的振动信号;也即,误报信号泛指由非入侵导致的振动信号,原始误报信号泛指通过采集得到的误报信号,入侵信号泛指入侵导致的振动信号。下文中出现的误报加噪信号与此处同理。
当光纤由于振动导致变形时,其传输特性也会发生变化,因此,可以在一些场景中设置光纤,在光纤上设置能够用于采集振动信号的传感单元,基于光纤的异常振动确定当前光纤所处场景是否存在外界干扰,如是否存在第三方入侵,这一技术广泛应用于燃气管线、输油管线、周界安防、轨道交通、地震波探测、局部放电等场景。
目前,相位敏感光时域反射分布式光纤传感技术(Phase Sensitive OpticalTime-Domain Reflectometry,φ-OTDR)可以通过差分扰动后的散射曲线来进行振动定位,由于该技术探测距离长、响应速度快、灵敏度高的特点,已经在安防监控领域得到了广泛的应用。然而由于光纤部署现场存在复杂的环境干扰,如:风、雨、小动物、树枝等,这些事件都会造成光纤的异常振动,引发报警,导致技术人员花费时间查找引起报警的原因,但由于这类事件是自然因素导致的,而对于第三方入侵导致光纤异常振动而引发的报警,需要技术人员进行处理。当前相关技术并不能区分由自然因素导致的报警和存在第三方入侵时导致的报警,因此当接收到报警后,无法及时定位产生报警的原因,进而导致处理异常问题的效率较低。
为解决上述技术问题,本申请实施例提供了一种光纤振动异常识别方法,构建了时空特征与时频特征融合的多模态生成对抗式模型(即生成模型和判别模型),该方法中:通过对抗训练的方式训练了生成模型,在训练生成模型时,将各样本振动信号的第二融合数据输入生成模型后,生成模型输出的各样本振动信号的第二重建数据需与其所属样本振动信号的第二融合数据相似,且与误报信号的融合数据相似,因此,训练完成后,将待测振动信号的融合数据,即第一融合数据输入训练得到的目标生成模型时,目标生成模型生成的第一重建数据可以与第一融合数据相似,且与误报信号的融合数据相似,由此,当输入目标生成模型的第一融合数据为误报信号对应的融合数据时,目标生成模型生成的第一重建数据与第一融合数据极为相似,而当输入目标生成模型的第一融合数据为入侵信号对应的融合数据时,由于目标判别模型生成的第一重建数据还需与误报信号的融合数据相似,因此,此时目标生成模型生成的第一重建数据与第一融合数据并不相似,由此,可以通过确定第一融合数据与第一重建数据是否相似确定待测振动信号是否为入侵信号,由此,快速定位光纤产生异常振动的原因,提高处理异常问题的效率。
下面,通过具体实施例,对本申请实施例提供的光纤振动异常识别方法进行详细说明。
本申请实施例提供的光纤振动异常识别方法可以应用于电子设备,具体的,该电子设备可以为台式计算机、便携式计算机、智能移动终端等,为便于描述,后续以电子设备为执行主体进行示例性说明,以下示例对本申请并不起限定作用。
参见图1,图1为本申请实施例提供的光纤振动异常识别方法的一种流程示意图,包括如下步骤:
步骤S11:获取光纤上多个位于不同位置的传感单元采集到的待测振动信号。
步骤S12:提取待测振动信号的融合数据,作为第一融合数据,其中,融合数据用于表示信号的时频特征和时空特征。
步骤S13:将第一融合数据输入目标生成模型,得到目标生成模型输出的第一重建数据。
步骤S14:若第一融合数据与第一重建数据不相似,则确定待测振动信号为入侵信号。
其中,目标生成模型预先通过以下方式训练得到,包括:
获取包括误报信号和\或入侵信号的样本振动信号,误报信号为非入侵导致的振动信号;
分别提取各样本振动信号的融合数据,作为第二融合数据;
分别将各样本振动信号第二融合数据输入初始生成模型,得到初始生成模型输出的各样本振动信号的第二重建数据;
分别将各样本振动信号的第二重建数据输入初始判别模型,得到初始判别模型输出的各第二重建数据的第一判别结果;
根据第二融合数据、第二重建数据以及各第二重建数据的第一判别结果进行对抗训练,得到目标判别模型,其中,目标判别模型用于使得初始生成模型输出的第二重建数据与其所属样本振动信号的第二融合数据相似、且与误报信号的融合数据相似;
根据第二融合数据、第二重建数据以及目标判别模型,对初始生成模型进行训练,得到目标生成模型。
本申请实施例提供的技术方案中,通过对抗训练的方式训练了生成模型,在训练生成模型时,将各样本振动信号的第二融合数据输入生成模型后,生成模型输出的各样本振动信号的第二重建数据需与其所属样本振动信号的第二融合数据相似,且与误报信号的融合数据相似,因此,训练完成后,将待测振动信号的融合数据,即第一融合数据输入训练得到的目标生成模型时,目标生成模型生成的第一重建数据可以与第一融合数据相似,且与误报信号的融合数据相似,由此,当输入目标生成模型的第一融合数据为误报信号对应的融合数据时,目标生成模型生成的第一重建数据与第一融合数据极为相似,而当输入目标生成模型的第一融合数据为入侵信号对应的融合数据时,由于目标判别模型生成的第一重建数据还需与误报信号的融合数据相似,因此,此时目标生成模型生成的第一重建数据与第一融合数据并不相似,由此,可以通过确定第一融合数据与第一重建数据是否相似确定待测振动信号是否为入侵信号,由此,快速定位光纤产生异常振动的原因,提高处理异常问题的效率。
上述步骤S11中,多个传感单元可以为技术人员预先在光纤上设置的,用于扩大对光纤振动的检测范围,这多个传感单元在光纤上可以等间隔分布,也可以不等间隔分布;当光纤发生异常振动时,这多个传感单元可以采集各自所处位置的振动数据(即振动信号)。光纤上传感单元的数目可以根据实际情况进行设置,对此不进行限定。
在一些实施例中,为降低计算的复杂度,电子设备可以仅以光纤上设置的与本次光纤异常振动相关性较大的部分传感单元采集的振动信号作为待测振动信号,这部分传感单元在光纤上可以是连续的,也可以是离散的,如电子设备可以仅以光纤上振动较剧烈部分的多个连续设置的传感单元采集的振动信号作为待测振动信号;或者,为提高后续计算的待测振动信号的融合数据的准确性,电子设备也可以以光纤上所有传感单元采集的振动信号作为待测振动信号。
例如,光纤上设置有Q个传感单元,为降低计算复杂度,电子设备只选取这Q个传感单元中连续的2n+1个传感单元,将选取的传感单元采集的振动信号作为待测振动信号,则光纤发生振动时,这2n+1个传感单元采集到的待测振动信号可以表示为如下式(1)所示的形式:
;
其中,t为传感单元开始采集振动信号的时刻;δt为传感单元采集振动信号的时间长度;第m个传感单元表示这2n+1个传感单元中位于中间位置的传感单元;n表示第m个传感单元与这2n+1个传感单元中第一个传感单元中间间隔的传感单元的数目;X2n+1(t+δt)表示从t时刻开始,这2n+1个传感单元在δt时长内采集到的振动数据;x m (t+δt)表示第m个传感单元从t时刻开始在δt时长内采集到的振动数据;x m-n (t+δt)表示第m-n个传感单元,即这2n+1个传感单元中第一个传感单元从t时刻开始在δt时长内采集到的振动数据,公式(1)中的其他符号以此类推。
本申请实施例中,光纤发生异常振动后,电子设备可以主动从传感单元获取传感单元采集的振动信号;或者,光纤发生异常振动,传感单元采集到振动信号后,可以主动将采集到的振动信号上传至电子设备。由此,电子设备获取到传感单元采集的振动信号,之后,可以根据预先设置的标准,确定以哪一部分振动信号作为待测振动信号,或者将所有振动信号均作为待测振动信号。其中,预先设置的标准可以为预先设置以所有振动信号作为待测振动信号,或者,预先设置有筛选方式,将根据预先设置的筛选方式筛选出的部分振动信号作为待测振动信号等。
上述步骤S12中,融合数据用于表示信号的时频特征和时空特征,则第一融合数据用于表示待测振动信号的时频特征和时空特征。
本申请实施例中,电子设备可以先分别提取待测振动信号的时频特征和时空特征,再将待测振动信号的时频特征和时空特征进行融合,得到待测振动信号的融合数据,即第一融合数据。或者,电子设备可以直接从待测振动信号中提取能够表示时频特征和时空特征的融合数据,作为第一融合数据。
在一些实施例中,为便于直观的表示待测振动信号的时频特征和时空特征,电子设备可以将待测振动信号的时频特征和时空特征以图像等形式进行展示,如电子设备可以根据待测振动信号的时频特征绘制待测振动信号的时频域频谱图,还可以根据待测振动信号的时空特征绘制待测振动信号的时空域瀑布图,此时,第一融合数据即为将待测振动信号的时频域频谱图和时空域瀑布图进行融合后得到的第一融合图像。如下图2所示,图2为本申请实施例提供的待测振动信号的时频域频谱图和时空域瀑布图的一种示意图,图2中(a)为待测振动信号的时频域频谱图,图2中(b)为待测振动信号的时空域瀑布图。
上述提取待测振动信号的时频特征和时空特征,并对待测振动信号的时频特征和时空特征进行融合的方式后续会进行详细说明,此处不再赘述。
上述步骤S13中,第一重建数据为目标生成模型根据第一融合数据生成的与第一融合数据相似、且与误报信号的融合数据相似的数据,如当第一融合数据为待测振动信号的时频域频谱图和时空域瀑布图进行融合得到的第一融合图像时,将第一融合数据输入目标生成模型后,目标生成模型会输出与第一融合图像相似且与误报信号的融合图像相似的第一重建图像,即第一重建数据。其中,误报信号的融合数据为能够表示误报信号的时频特征和时空特征的融合数据,误报信号的融合图像为误报信号的时频域频谱图和时空域瀑布图进行融合后得到的融合图像。
可以理解的,目标生成模型可以基于输入的第一融合数据生成与第一融合数据相似且与误报信号的融合数据相似的第一重建数据,也即,第一重建数据与第一融合数据相似且与误报信号的融合数据相似,由此,当输入目标生成模型的第一融合数据为误报信号的融合数据时,目标生成模型生成的第一重建数据应该与第一融合数据相似,且与误报信号的融合数据相似,但由于第一融合数据本身为误报信号的融合数据,因此,第一重建数据与误报信号的融合数据应极为相似。也即,当输入目标生成模型的第一融合数据为误报信号的融合数据时,输出的第一重建数据与第一融合数据极为相似;
当输入目标生成模型的第一融合数据为入侵信号的融合数据时,目标生成模型生成的第一重建数据应与入侵信号的融合数据(即第一融合数据)相似,且与误报信号的融合数据相似,此时,第一重建数虽与入侵信号的融合数据(即第一融合数据)相似,但还与误报信号的融合数据相似,因此,第一重建数据与入侵信号的融合数据(即第一融合数据)存在差异,也即,当输入目标生成模型的第一融合数据为入侵信号的融合数据时,输出的第一重建数据与第一融合数据并不相似。
例如融合数据和重建数据均是以图像的形式表示的,则参见图3,图3为本申请实施例提供的第一融合数据与第一重建数据的一种示意图,图3中(a)为待测振动信号为入侵信号时的第一融合数据,图3中(b)表示将图3中(a)所示的第一融合数据输入目标生成模型后得到的第一重建数据;图3中(c)为待测振动信号为误报信号时的第一融合数据,图3中(d)表示将图3中(c)所示的第一融合数据输入目标生成模型后得到的第一重建数据;可见,当待测振动信号为入侵信号时,第一融合数据与第一重建数据并不相似,当待测振动信号为误报信号时,第一融合数据与第一重建数据极为相似。
上述步骤S14中,基于上述步骤S13中的描述可知,当输入目标生成模型的第一融合数据为误报信号的融合数据时,输出的第一重建数据与第一融合数据极为相似;当输入目标生成模型的第一融合数据为入侵信号的融合数据时,输出的第一重建数据与第一融合数据并不相似。由此,将待测振动信号的融合数据(即第一融合数据)输入目标生成模型,得到目标生成模型生成的第一重建数据后,若第一重建数据与第一融合数据不相似,则可以确定待测振动信号为入侵导致的振动信号;若第一重建数据与第一融合数据相似,则可以确定待测振动信号为非入侵导致的振动信号。
在一些实施例中,电子设备可以通过计算第一融合数据与第一重建数据的差异值,确定第一融合数据与第一重建数据是否相似。例如,预先设置有相似度阈值,计算第一融合数据与第一重建数据的差异值,当第一融合数据与第一重建数据的差异值大于等于相似度阈值时,确定第一融合数据与第一重建数据不相似,当第一融合数据与第一重建数据的差异值小于相似度阈值时,确定第一融合数据与第一重建数据相似。
本申请实施例中,通过直接计算第一融合数据与第一重建数据差异值的方式确定第一融合数据与第一重建数据是否相似,而不是在电子设备中配置模型以确定第一融合数据与第一重建数据是否相似,减少了模型对电子设备空间资源的占用。可以理解的,本申请实施例中虽训练了目标生成模型和目标判别模型,但通常情况下,训练目标生成模型和目标判别模型的执行主体与使用目标生成模型和目标判别模型的执行主体并不相同,例如,可以在电子设备A中训练目标生成模型和目标判别模型,之后将目标生成模型和目标判别模型配置至电子设备B中,供电子设备B使用。因此,在配置时可以仅将目标生成模型配置至电子设备中,后续通过直接计算第一融合数据与第一重建数据差异值确定第一融合数据与第一重建数据是否相似,进而避免对电子设备空间资源的占用。
在一些实施例中,也可以在电子设备中预先配置能够确定第一融合数据与第一重建数据的相似程度的模型,通过该模型确定第一融合数据与第一重建数据是否相似。例如,当第一融合数据为第一融合图像时,得到的第一重建数据为第一重建图像,电子设备中预先配置有能够确定两个图像的相似程度的模型,则电子设备可以将第一融合图像与第一重建图像输入该模型中,得到该模型对第一融合图像和第一重建图像相似程度的判别结果,进而确定第一融合数据与第一重建数据是否相似。
在一些实施例中,还可以将训练目标生成模型时使用的目标判别模型预先配置至电子设备中,电子设备得到第一重建数据后,可以将第一重建数据输入目标判别模型,得到目标判别模型输出的第三判别结果,第三判别结果可以用于指示第一重建数据与误报信号的融合数据是否相似,基于第三判别结果,即可确定第一融合数据与第一重建数据是否相似。
可以理解的,当第一融合数据为误报信号的融合数据时,第一重建数据与第一融合数据极为相似,也即,第一重建数据与误报信号的融合数据极为相似,因此,若目标判别模型的第三判别结果指示第一重建数据与误报信号的融合数据极为相似,则表明第一融合数据与第一重建数据极为相似;当第一融合数据为入侵信号的融合数据时,得到的第一重建数据虽与误报信号的融合数据相似,但还与入侵信号的融合数据相似,故此时的第一重建数据(即入侵信号对应的第一重建数据)与误报信号的融合数据并不相似,因此,若目标判别模型的第三判别结果指示第一重建数据与误报信号的融合数据不相似,则表明第一融合数据与第一重建数据不相似。
其中,第三判别结果指示第一重建数据与误报信号的融合数据的相似程度,也即,第三判别结果可以理解为,第一重建数据为误报信号的融合数据的置信度,可以以数值的形式表示。
在一些实施例中,当第三判别结果以数值形式表示时,可以预先设置一个阈值,当第一判别结果小于预设阈值时,表示第一重建数据与误报信号的融合数据不相似,即第一判别结果指示第一重建数据与误报信号的融合数据不相似;当第三判别结果大于等于预设阈值时,表示第一重建数据与误报信号的融合数据相似,即第三判别结果指示第一重建数据与误报信号的融合数据相似。
在另一些实施例中,当第三判别结果以数值形式表示时,还可以设置两个阈值,如设置上限阈值和下限阈值,当第三判别结果大于等于上限阈值时,表示第一重建数据与误报信号的融合数据相似;当第三判别结果小于等于下限阈值时,表示第一重建数据与误报信号的融合数据不相似;当第三判别结果位于下限阈值与上限阈值之间时,表示无法确定第一重建数据与误报信号的融合数据是否相似,需进一步进行判定,如采用其他判别算法再次对第一重建数据与误报信号的融合数据的相似程度进行判定。
后续实施例中第一判别结果、第二判别结果、以及本申请实施例中的第三判别结果均为判别模型输出层输出的结果,仅是输入判别模型的数据不同,因此,后续第一判别结果和第二判别结果与此处第三判别结果同理。后续实施例所示的公式中,均将第二判别结果和第一判别结果以数值形式表示,且以上限阈值为1,下限阈值为-1为例进行说明。
在一些实施例中,参见图4,图4为上述步骤S12的一种细化示意图,可以包括如下步骤:
步骤S41:按照预设帧长,将采集待测振动信号的时间长度划分为多个时长为预设帧长的帧。
步骤S42:基于每个待测振动信号和预设帧长,计算每个待测振动信号每一帧的能量值。
步骤S43:统计得到各帧的能量值的均值。
步骤S44:计算各帧的能量值与均值的比值,作为待测振动信号的时空特征。
步骤S45:对待测振动信号进行时频变换,得到待测振动信号的时频特征。
步骤S46:将待测振动信号的时频特征和时空特征进行融合,得到待测振动信号的融合数据。
本申请实施例提供的技术方案中,从时空和时频两个维度提取待测振动信号的特征,能够更准确完整的描述待测振动信号的特征,避免后续将根据第一融合数据生成的第一重建数据输入目标判别模型时,由于待测振动信号的特征不够完整和准确,而导致的错误将非入侵导致的振动信号识别为入侵导致的振动信号的情况,或者无法识别出待测振动信号为入侵导致的振动信号的情况。
上述步骤S41-步骤S44为对提取待测振动信号的时空特征的描述,步骤S45为对提取待测振动信号的时频特征的描述,电子设备可以先执行步骤S41-步骤S44,再执行步骤S45;或者,电子设备可以先执行步骤S45,再执行步骤S41-步骤S44;再或者,电子设备可以同时执行步骤S41-步骤S44和步骤S45,对此不进行限定。
上述步骤S41中,电子设备可以按照预设帧长,将采集待测振动信号的时间长度划分为多个时长为预设帧长的帧,其中,预设帧长可以根据实际情况进行设定,为保证可以按照预设帧长将采集待测振动信号的时间长度划分为多个帧,设置的预设帧长需大于0且小于等于采集待测振动信号的时间长度。继续以上述步骤S12中采集的待测振动信号为例,其中,采集待测振动信号的时间长度为δt,若预先设置的预设帧长为t frame ,其中,则每个待测振动信号可以划分为δt/t frame 个帧。
上述步骤S42中,对于每个待测振动信号,根据预设帧长,可以计算得到每个待测振动信号每一帧的能量值。
在一些实施例中,继续以上述步骤S11中采集待测振动信号为例,可以按如下公式(2)计算每个待测振动信号每一帧的能量值:
;
其中,E 2n+1 (k)表示第2n+1个待测振动信号第k帧的能量值,表示第2n+1个待测振动信号;其中,n=1,2…,2n+1;k=1,2,…,δt/t frame ,且/>。
上述步骤S43中,各帧能量值的均值可以理解为能够表示待测振动信号平均每帧能量大小的值,则统计得到的各帧的能量值的均值可以为计算各帧能量值的平均值作为均值;或将得到的各帧能量值按从大到小或从小到大的顺序排列后,以位于中间位置的一个能量值作为均值;或将各帧能量值按从大到小或从小到大的顺序排列后,计算位于中间位置的多个能量值的平均值作为均值等。
上述步骤S44中,电子设备得到各帧能量值的均值后,可以计算各帧能量值与均值的比值,作为待测振动信号的时空特征。其中,各帧能量值与均值的比值也可称为短时能量相对值。
此处,若以各帧能量值的平均值作为均值,则各帧能量值与均值的比值的计算方式可以如下式(3)所示:
;
其中,I(2n+1,k)表示第2n+1个待测振动信号第k帧的能量值与均值的比值,E2n+1(k)(k)表示第2n+1个待测振动信号第k帧的能量值;表示所有待测振动信号的总帧数;/>表示第2n+1个待测振动信号每帧能量值的和值,即第2n+1个待测振动信号的总能量值;/>表示所有待测振动信号总的能量值;/>表示所有待测振动信号总的能量值与所有待测振动信号的总帧数的比值,也即各帧能量值的平均值。
上述步骤S45中,电子设备获取到待测振动信号后,可以对待测振动信号进行时频变换,得到待测振动信号的时频特征,如电子设备可以对待测振动信号进行短时傅里叶变换,得到待测振动信号的时频特征。或者,电子设备还可以通过连续小波变换、离散小波变换等方式提取待测振动信号的时频特征。
在一些实施例中,电子设备可以对所有待测振动信号进行频域变换,确定所有待测振动信号的时频特征,这样可以获取所有待测振动信号的时频特征,保证待测振动信号时频特征的准确性;或者,电子设备可以只对位于中间位置传感单元采集的待测振动信号进行频域变换,以位于中间位置的待测振动信号的时频特征表示所有待测振动信号的时频特征,这样可以降低计算的复杂度,提高计算效率。
上述步骤S46中,电子设备获取到待测振动信号的时频特征和时空特征后,可以将时频特征和时空特征进行融合,得到待测振动信号的融合数据,也即上述第一融合数据。
在一些实施例中,待测振动信号可以通过如下公式(4)所示的方式对待测振动信号的时频特征和时空特征进行融合:
;
其中,input表示待测振动信号的融合数据(即第一融合数据),cat()为用于构造多维数组的函数,S(n)表示待测振动信号的时频特征,I(x m ,t)表示待测振动信号的时空特征。
下面,对本申请实施例中提及的目标判别模型和目标生成模型的训练方式进行说明。
在一些实施例中,参见图5,图5为本申请实施例提供的训练初始生成模型和初始判别模型的一种流程示意图,可以包括如下步骤:
步骤S51:获取包括误报信号和\或入侵信号的多个样本振动信号,误报信号为非入侵导致的振动信号。
步骤S52:分别提取各样本振动信号的融合数据,得到各样本振动信号的第二融合数据。
步骤S53:分别将各样本振动信号的第二融合数据输入初始生成模型,得到初始生成模型输出的各样本振动信号的第二重建数据。
步骤S54:分别将各样本振动信号的第二重建数据输入初始判别模型,得到初始判别模型输出的各第二重建数据的第一判别结果。
步骤S55:根据第二融合数据、第二重建数据以及各第二重建数据的第一判别结果进行对抗训练,得到目标判别模型,其中,目标判别模型用于使得初始生成模型输出的第二重建数据与其所属样本振动信号的第二融合数据相似、且与误报信号的融合数据相似。
步骤S56:根据第二融合数据、第二重建数据以及目标判别模型,对初始生成模型进行训练,得到目标生成模型。
本申请实施例提供的技术方案中,采用对抗训练的方式训练初始生成模型和初始判别模型,能够不断提高初始生成模型生成第二重建数据的能力,以及初始判别模型判别误报信号的融合数据和各样本振动信号的第二重建数据的相似度的能力。同时,在训练初始生成模型时,要求初始生成模型生成的第二重建数据即与其所属样本振动信号的第二融合数据相似,又与误报信号的融合数据相似,因此,在训练完成得到目标生成模型后,目标生成模型生成的第一重建数据能够即与第一融合数据相似,又与误报信号的融合数据相似,由此,当待测振动信号为入侵信号时,由于第一重建数据还与误报信号的融合数据相似,因此,第一融合数据与第一重建数据不相似,进而可以实现通过确定第一融合数据与第一重建数据是否相似确定待测振动信号是否为入侵信号。
上述提及的目标生成模型、目标判别模型和初始生成模型、初始判别模型的模型结构相同,仅模型的参数(即权重参数)不同,因此,后续均称为生成模型、判别模型。
上述步骤S51中,误报信号可以为原始误报信号;也可以为误报加噪信号;还可以为误报加噪信号和原始误报信号,由此,电子设备获取的样本振动信号可以存在以下几种情况:
情况一:样本振动信号由多个原始误报信号组成;
情况二:样本振动信号由至少一个原始误报信号和至少一个误报加噪信号组成;
情况三:样本振动信号由至少一个原始误报信号和至少一个入侵信号组成;
情况四:样本振动信号由多个误报加噪信号组成;
情况五:样本振动信号由至少一个误报加噪信号和至少一个入侵信号组成;
情况六:样本振动信号由多个入侵信号组成;
情况七:样本振动信号由至少一个原始误报信号、至少一个误报加噪信号和至少一个入侵信号组成。
其中,入侵信号可以是电子设备从之前各地项目积累的入侵模拟数据库中随机选取入侵信号,这样,可以避免技术人员在现场模拟入侵和破坏行为以采集入侵信号的过程,大大减少技术人员的工作量,缩短项目交付周期。或者,对于较方便采集入侵信号的现场,也可以通过技术人员在现场模拟入侵和破坏行为的方式采集入侵信号,这样可以提高样本振动信号的准确度,使用样本振动信号训练的生成模型和判别模型性能更好。电子设备获取到样本振动信号后,可以将样本振动信号存储至训练数据库中,便于对样本振动信号进行存储和管理。
在一些实施例中,上述样本振动信号中的误报加噪信号可以为理解为具有部分入侵信号的特征的误报信号。电子设备可以从入侵模拟数据库中获取入侵信号,再对入侵信号进行加权处理,之后将加权处理后的入侵信号与原始误报信号进行结合,得到误报加噪信号。
例如,以表示原始误报信号,以/>表示入侵信号,以/>表示误报加噪信号,则误报加噪信号可以通过如下公式(5)得到,
;
其中,random_choice()函数的作用为从入侵模拟数据库中随机获取一个入侵信号;表示入侵模拟数据库;beta为(0,1)之间的随机数,可以用于对入侵信号进行加权处理。
本申请实施例中,误报加噪信号是由完整的原始误报信号和部分入侵信号组合得到的,也即,误报加噪信号可以理解为与入侵信号具有一定相似度的误报信号,因此,通过上述公式(5)得到的误报加噪信号实质为误报信号,但携带有部分入侵信号的特征。此处,在样本振动信号中引入误报加噪信号可以实现以下技术效果:
(a)在实际应用中,电子设备采集到的待测振动信号不一定为标准的原始误报信号或入侵信号,可能存在与入侵信号相似的误报信号,因此,若训练时样本振动信号仅由原始误报信号和误报加噪信号组成,则当电子设备采集到的待测振动信号为与入侵信号相似的原始误报信号时,可能导致无法准确识别出该振动信号为误报信号,因此,此处引入了误报加噪信号,使得训练得到的模型能够更好地区别原始误报信号的特征与入侵信号的特征,从而提高了训练得到的模型的准确性;
(b)对于不同的光纤布置现场,入侵导致光纤发生振动而产生的振动信号通常是不同的,因此,理想状态下,样本振动信号中的入侵信号应为技术人员在现场模拟入侵或破坏行为采集到的振动信号,误报加噪信号为按上述公式(5)对采集的入侵信号进行处理后得到的振动信号,这样,训练得到的目标生成模型和目标判别模型输出的结果更为准确;但通常情况下,在现场采集入侵信号难度较大,且需消耗大量时间,因此,本申请实施例中,直接从入侵模拟数据库中获取入侵信号,并按上述(5)所示的公式对获取的入侵信号进行处理,得到误报加噪信号,这样,即得到了类似入侵信号的原始误报信号,又避免了在现场采集入侵信号过程,减少了技术人员的工作量,缩短了项目交付周期,简化了模型部署流程,也即提高了光纤振动异常识别的效率。
以样本振动信号包括原始误报信号、误报加噪信号、入侵信号为例,则训练生成模型时,将第二融合数据输入生成模型后,由于生成模型的本质是生成与输入相似的数据,因此,理想状态下生成模型生成的第二重建数据(目标第二重建数据)与输入的第二融合数据的关系可以表示为如下式(6)所示的形式:
;
其中,input表示输入生成模型的第二融合数据,target表示目标第二重建数据。可以理解的,当输入的第二融合数据为原始误报信号的融合数据时,目标第二重建数据应该为当前输入的原始误报信号的融合数据本身;当输入的第二融合数据为误报加噪信号的融合数据时,目标第二重建数据应该为构成误报加噪信号的原始误报信号的融合数据;当输入的第二融合数据为入侵信号的融合数据时,目标第二重建数据应该为当前输入的入侵信号的融合数据本身。
可以理解的,如上述步骤S51中的内容所示,样本振动信号可以存在情况1-情况7所示的7种情况,后续示例中的内容均以情况7所示的样本振动信号由原始误报信号、误报加噪信号和入侵信号组成为例进行说明,并不起限定作用。
上述步骤S52中,电子设备可以按照上述图4所示实施例中的方式提取各样本振动信号的融合数据,作为第二融合数据。例如,当样本振动信号由至少一个原始误报信号、多至少一个误报加噪信号和至少一个入侵信号组成时,电子设备可以按照上述图4所示实施例中的方式分别提取各原始误报信号的融合数据、各误报加噪信号的融合数据、以及各入侵信号的融合数据,作为第二融合数据,也即,第二融合数据包括各原始误报信号的融合数据、各误报加噪信号的融合数据、各入侵信号的融合数据。
上述步骤S53中,电子设备可以分别将各样本振动信号的第二融合数据输入生成模型,得到生成模型输出的各样本振动信号的第二重建数据。若用G net 表示生成模型,则第二融合数据与第二重建数据的关系可以表示为如下式(7)所示的形式:
;
其中,G input 表示第二重建数据,G net 表示生成模型,input表示第二融合数据。
以第二融合数据包括原始误报信号的融合数据、误报加噪信号的融合数据和入侵信号的融合数据为例,则当input为原始误报信号的融合数据时,G input 为原始误报信号对应的第二重建数据;当input为误报加噪信号的融合数据时,G input 为误报加噪信号对应的第二重建数据;当input为入侵信号的融合数据时,G input 为入侵信号对应的第二重建数据。
上述步骤S54中,电子设备分别将各样本振动信号的第二重建数据输入判别模型后,即可得到判别模型输出的各第二重建数据的第一判别结果,第一判别结果可以指示第二重建数据与误报信号的融合数据是否相似。
上述步骤S55-步骤S56中,电子设备可以基于各样本振动信号的第二融合数据对初始生成模型和初始判别模型进行训练,得到目标生成模型和目标判别模型。对初始生成模型和初始判别模型的训练方式为让初始生成模型和初始判别模型进行对抗训练。
可以理解的,误报信号可以为原始误报信号,也可以为误报加噪信号,因此,对于上述步骤S55中提及的目标判别模型用于使得初始生成模型输出的第二重建数据与误报信号的融合数据相似,其中,误报信号可以是指原始误报信号,也可以是指误报加噪信号。下文中为描述方便,仅以其中的误报信号为原始误报信号的情况为例进行说明。可以理解的是,对于其中的误报信号为误报加噪信号的情况,由于误报加噪信号可以视为误报信号,因此,目标判别模型仍能够使得训练得到的目标生成模型实现误报信号的重建,参见上文中关于本申请提供的光纤振动异常识别方法的技术效果的相关说明,可知,在目标生成模型能够实现误报信号的重建的基础上,本申请提供的光纤振动异常识别方法即可实现该技术效果。换言之,在其中的误报信号为误报加噪信号的情况下,本申请提供的光纤振动异常识别方法仍可以实现提高处理异常问题的效率。因此,误报信号为误报加噪信号的情况原理与误报信号为原始误报信号的情况相同,故下文不再赘述。
下面对本申请实施例中对抗训练的方式进行说明,以先固定判别模型的参数再固定生成模型的参数为例进行说明,或者也可以先固定生成模型的参数再固定判别模型的参数,其流程相似,在此不再一一赘述。
第一阶段,先固定初始判别模型的参数,训练生成模型。
让初始生成模型根据各样本振动信号的第二融合数据生成各样本振动信号的第二重建数据,然后分别将各样本振动信号的第二重建数据输入初始判别模型,得到初始判别模型输出的各第二重建数据的第一判别结果,根据各样本振动型号的第二重建数据、第二融合数据以及第一判别结果,可以确定初始生成模型的损失,根据初始生成模型的损失,电子设备可以对初始生成模型的参数进行调整,得到第一次调整后的生成模型,以使输出的第二重建数据与其所属样本振动信号的第二融合数据相似,且与误报信号的融合数据相似。
第二阶段,固定第一次调整后的生成模型的参数,训练判别模型。
当通过了第一阶段,第一次调整后的生成模型的性能已经优于初始判别模型的性能,也即,初始判别模型已无法判别出第一次调整后的生成模型生成的各样本振动型号的第二重建数据与误报信号的融合数据为不相似的数据,因此,此时已经无法通过固定初始判别模型的参数,对第一次调整后的生成模型进行训练,使第一次调整后的生成模型的性能提高了。
这时固定第一次调整后的生成模型的参数,训练初始判别模型,以提高初始判别模型的性能。分别将各样本振动信号的第二融合数据输入第一次调整后的生成模型,得到第一次调整后生成模型输出的新的各样本振动信号的第二重建数据,分别将新的各样本振动信号的第二重建数据输入初始判别模型,得到初始判别模型输出的新的各第二重建数据的第一判别结果,根据新的各第二重建数据的第一判别结果,可以确定初始判别模型的损失,根据初始判别模型的损失,电子设备可以对初始判别模型的参数进行调整,得到第一次调整后的判别模型。
第二阶段结束后,第一次调整后的判别模型的性能已经优于第一次调整后的生成模型的性能,也即,第一次调整后的生成模型生成的新的各样本振动信号的第二重建数据输入第一次调整后的判别模型后,无论样本振动信号的类别为何种类别,第一次调整后的判别模型均能判别出新的各样本振动信号的第二重建数据与误报信号的融合数据为不相似的数据,因此,此时已经无法通过固定第一次调整后的生成模型的参数,对第一次调整后的判别模型进行训练,使第一次调整后的判别模型的性能提高了。
此时,则可以以第一次调整后的判别模型作为初始判别模型,按照上述第一阶段的方式,固定第一次调整后的判别模型的参数,对第一次调整后的生成模型进行训练,得到第二次调整后的生成模型。之后,再将第二次调整后的生成模型视为第一次调整后的生成模型,按照上述第二阶段的方式,固定第二次调整后的生成模型的参数,对第一次调整后的判别模型进行训练,得到第二次调整后的判别模型。如此循环执行上述第一阶段和第二阶段,直至模型收敛或达到预设训练次数,此时得到的生成模型即为目标生成模型,判别模型即为目标判别模型。
在一些实施例中,还可以将训练好(即上述模型收敛或达到预设训练次数)的生成模型和判别模型放到测试集上进行测试,其中,测试集可以为包括误报信号、误报加噪信号、入侵信号等振动信号的数据集,采用测试集对达到预设训练次数的生成模型和判别模型进行测试,可以得到判别模型输出的分类结果,也即判别模型判别的当前信号为入侵导致的振动信号还是非入侵导致的振动信号,由此,可以计算训练好的生成模型和判别模型的误报率和漏报率等指标,得到模型的测试结果,也即,进一步确定训练好的生成模型和判别模型的性能是否已符合预设要求,若不符合预设要求,则可以重新设置模型收敛条件或预设训练次数,再次循环执行上述第一阶段和第二阶段,对训练好的生成模型和判别模型再次进行训练。
下面分别对上述实施例中确定生成模型的损失的方式和确定判别模型的损失的方式进行详细说明,可以理解的,模型训练过程中,仅调整了生成模型和判别模型的权重参数,其结构并没有发生变化,在对模型进行训练时,每一次训练均须计算生成模型和判别模型的损失,因此,后续实施例中所描述的生成模型和判别模型可以理解为训练过程中任一阶段的生成模型和判别模型。
训练生成模型时,电子设备可以通过计算生成模型的重建损失和对抗损失,确定生成模型的损失;也可以通过计算重建损失、感知损失和对抗损失确定生成模型的损失。下面分别对生成模型的三种损失进行说明:
重建损失:基于样本振动信号的类别,以及第二融合数据和第二重建数据的差异确定。
电子设备获取到各样本振动信号的第二融合数据后,可以分别将各样本振动信号的第二融合数据输入生成模型,得到生成模型输出的各样本振动信号的第二重建数据,之后,通过计算各样本振动信号的第二重建数据与第二融合数据的差异即可得到生成模型的重建损失。
由于训练生成模型的目的在于使生成模型生成的第二重建数据与其所属样本振动信号的第二融合数据相似,且与误报信号的融合数据相似,因此,可以理解的,当输入生成模型的第二融合数据为误报信号(即原始误报信号或误报加噪信号)的融合数据时,第二融合数据与生成模型输出的第二重建数据的差异越小,表明第二重建数据与第二融合数据越相似,生成模型的生成能力越好,重建损失越小;第二融合数据与生成模型输出的第二重建数据的差异越大,表明第二重建数据与第二融合数据越不相似,生成模型的生成能力越差,重建损失越大;由此,当输入生成模型的第二融合数据为误报信号的融合数据时,第二融合数据和第二重建数据的差异与生成模型的重建损失正相关。其中,由于误报加噪信号实质为误报信号,因此,在输入生成模型的第二融合数据为误报加噪信号的融合数据的情况下,此处确定重建损失的第二融合数据可以理解为构成误报加噪信号的原始误报信号的融合数据;
当输入生成模型的第二融合数据为入侵信号的融合数据时,第二融合数据与生成模型输出的第二重建数据的差异越小,表明第二重建数据与第二融合数据越相似,生成模型的生成能力越差,重建损失越大;第二融合数据与生成模型输出的第二重建数据的差异越大,表明第二重建数据与第二融合数据越不相似,生成模型的生成能力越好,重建损失越小;由此,当输入生成模型的第二融合数据为入侵信号的融合数据时,第二融合数据和第二重建数据的差异与生成模型的重建损失负相关。
在一些实施例中,生成模型的重建损失的计算公式可以表示为如下公式(8)所示的形式:
;
其中,reconstruction_loss表示生成模型的重建损失,target表示目标第二重建数据,input表示输入生成模型的第二融合数据,G input 表示第二融合数据对应的第二重建数据,eps为防止分母为0的无穷小数;由式(8)可知,当样本振动信号为原始误报信号时,input为原始误报信号对应的融合数据(即原始误报信号的融合数据),target为原始误报信号的目标第二重建数据,G input 为原始误报信号的融合数据对应的重建数据,原始误报信号的目标第二重建数据与原始误报信号的融合数据对应的重建数据的差异值即为重建损失值;
当样本振动信号为误报加噪信号时,input为误报加噪信号的融合数据,但由于生成模型生成的第二重建数据需要与其所述的样本振动信号的第二融合数据相似(即与误报加噪信号的第二融合数据相似),且与误报信号的融合数据相似,因此,将误报加噪信号的融合数据输入生成模型后,生成模型生成的第二重建数据应该与构成误报加噪信号的原始误报信号的融合数据越相似越好,因此,当input为误报加噪信号的融合数据时,target为构成误报加噪信号的原始误报信号的目标第二重建数据,G input 为误报加噪信号的融合数据对应的重建数据,构成误报加噪信号的原始误报信号的目标第二重建数据与误报加噪信号的融合数据对应的重建数据的差异值即为重建损失值;
当样本振动信号为入侵信号时,input为入侵信号对应的融合数据(即入侵信号的融合数据),target为入侵信号的目标第二重建数据,G input 为入侵信号的融合数据对应的重建数据。由于本申请训练的生成模型生成的数据还需与误报信号的融合数据相似,因此,当input为入侵信号对应的融合数据时,生成模型实际生成的第二重建数据与理想状态下生成的目标第二重建数据的差距越大,生成模型的效果越好,重建损失越低。因此,入侵信号的目标第二重建数据与入侵信号的融合数据对应的重建数据的差异值的倒数即为重建损失值。
本申请实施例中,重建损失可以表示当前生成模型生成的第二重建数据与理想状态下第二重建数据的差异,计算生成模型的重建损失,基于重建损失调整生成模型的参数,有利于生成模型生成细节逼真的第二重建数据。
同时,对于误报信号(即原始误报信号或入侵信号),认为当生成模型生成的第二重建数据与理想状态下第二重建数据的差异越小,重建损失越小;对于入侵信号,认为当生成模型生成的第二重建数据与理想状态下第二重建数据的差异越大,重建损失越小,这样,基于重建损失调整生成模型的参数后,当振动信号为误报信号时,可以使生成模型生成的第二重建数据与其所属的样本振动信号的第二融合数据更相似,即与误报信号的融合数据更相似;当信号为入侵信号时,可以使生成模型生成的第二重建数据与其所属的样本振动信号的第二融合数据更不相似,即与入侵信号的第二融合数据更不相似。
感知损失:基于样本振动信号的类别,以及第二融合数据的特征与第二重建数据的特征的差异确定,表示第二融合数据与第二重建数据在判别模型中的差异。其中,第二融合数据的特征与第二重建数据的特征是通过分别将第二融合数据和第二重建数据输入判别模型得到的。
电子设备得到第二融合数据和第二重建数据后,可以分别将第二融合数据和第二重建数据输入判别模型,判别模型中有多个中间层,每个中间层可以提取第二融合数据和第二重建数据的特征,计算各个中间层提取的第二融合数据与第二重建数据的差值的和值,即可得到生成模型的感知损失。可以理解的,判别模型包括输入层、中间层和输出层,输入层可以用于接收输入的融合数据(即第一融合数据或第二融合数据)和重建数据(即第一重建数据或第二重建数据);中间层又可以称为输出特征层,可以用于提取融合数据和重建数据的特征;输出层可以用于输出对重建数据和误报信号的融合数据的相似程度的判别结果,如上述第一判别结果和第三判别结果。
当第二融合数据为原始误报信号的融合数据,第二重建数据为原始误报信号的融合数据对应的重建数据时,第二融合数据和第二重建数据在判别模型中的差异越小,表明第二融合数据与第二重建数据越相似,也即生成模型生成数据的性能越好,感知损失越低;因此,当样本振动信号的类别为原始误报信号时,第二融合数据与第二重建数据在判别模型中的差异与生成模型的感知损失正相关;
当第二融合数据为误报加噪信号的融合数据,第二重建数据为误报加噪信号的融合数据对应的重建数据;或当第二融合数据为入侵信号的融合数据,第二重建数据为入侵信号的融合数据对应的重建数据时,第二融合数据和第二重建数据在判别模型中的差异越大,表明第二融合数据与第二重建数据越不相似,也即生成模型生成数据的性能越好,感知损失越低;因此,当样本振动信号的类别为误报加噪信号或入侵信号时,第二融合数据与第二重建数据在判别模型中的差异与生成模型的感知损失负相关。
在一些实施例中,若以D net 表示判别模型,则分别将第二融合数据和第二重建数据输入判别模型后,判别模型各个中间层提取的第二融合数据的特征和第二重建数据的特征与第二融合数据和第二重建数据的关系可以表示为如下式(9)和(10)所示的形式;
;
其中,i表示判别模型的第i个中间层;表示判别模型的第i个中间层提取的第二融合数据的特征;D net 表示判别模型;input表示第二融合数据。
;
其中,i表示判别模型的第i个中间层;表示判别模型的第i个中间层提取的第二重建数据的特征;D net 表示判别模型;G input 表示第二重建数据。
基于上述式(9)和(10),则生成模型的感知损失的计算公式可以表示为如下公式(11)所示的形式:
;
其中,i表示判别模型的第i个中间层,layer_num表示判别模型中间层的个数,perseption_loss表示生成模型的感知损失,表示判别模型的第i个中间层提取的第二融合数据的特征,/>表示判别模型第i个中间层提取的第二重建数据的特征,eps为防止分母为0的无穷小数,input表示第二融合数据。
本申请实施例中,感知损失是基于第二融合数据特征和第二重建数据的特征确定的损失,计算感知损失,可以便于从数据的特征方面反映生成模型生成重建数据的能力。根据感知损失,调整生成模型的参数。可以增强生成模型生成细节信息的能力。
同时,当样本振动信号为原始误报信号时,认为第二融合数据和第二重建数据在判别模型中的差异与感知损失成正相关,也即,当样本振动信号为原始误报信号时,第二重建数据与原始误报信号的融合数据越相似,生成模型的效果越好;而当样本振动信号为入侵信号时,认为第二融合数据和第二重建数据在判别模型中的差异与感知损失成负相关,也即,当样本振动信号为入侵信号时,第二重建数据与入侵信号的融合数据越不相似,生成模型的效果越好。这样,基于感知损失调整生成模型的参数后,当样本振动信号为原始误报信号时,可以使生成模型生成的第二重建数据与误报信号的第二融合数据更相似;当样本振动信号为入侵信号时,可以使生成模型生成的第二重建数据与入侵信号的第二融合数据更不相似。此处,误报加噪信号与入侵信号同理。
对抗损失:基于样本振动信号的类别,以及第一判别结果确定;表示第二重建数据和误报信号的融合数据在判别模型中的相似程度。
电子设备分别将各样本振动信号的第二重建数据输入判别模型后,还可以得到判别模型的输出层输出的各第二重建数据的第一判别结果,第一判别结果可以指示输入的第二重建数据与误报信号的融合数据的相似程度,对生成模型来说,无论样本振动信号属于哪种类别,生成的第二重建数据均需与输入的第二融合数据(即其所属的样本振动信号的第二融合数据)相似,且与误报信号的融合数据相似,也即,无论样本振动信号属于哪种类别,均希望生成的第二重建数据与误报信号的融合数据越相似越好,因此,当将第二重建数据输入判别模型时,第一判别结果指示输入的第二重建数据与误报信号的融合数据越相似,生成模型生成重建数据的效果越好,生成模型的对抗损失越低。因此,无论样本振动信号属于哪种类别,第一判别结果均与对抗损失负相关。
在一些实施例中,生成模型的对抗损失的计算公式可以表示为如下公式(12)所示的形式:
;
其中,adversarial_g_loss表示生成模型的对抗损失,表示判别模型输出层输出的结果,即第一判别结果,rule(/>)表示当/>的值大于等于1时,对抗损失的值为0。此处可以理解为,当第一判别结果大于等于1时,第一判别结果指示第二重建数据与误报信号的融合数据极为相似,生成模型的对抗损失可以取最小值0。
本申请实施例中,无论样本振动信号属于哪种类别,只要第二重建数据与误报信号的融合数据越相似,生成模型的对抗损失就越低,由此,根据对抗损失调整生成模型的模型参数,可以使生成模型根据第二融合数据生成的第二重建数据在相似于第二融合数据的同时,更相似于误报信号的融合数据。由此,当样本振动信号为误报信号时,第二重建数据与第二融合数据的差异越小;当样本振动信号为入侵信号时,第二重建数据与第二融合数据的差异越大,由此训练得到目标生成模型后,即可根据第一融合数据与目标生成模型生成的第一重建数据的差异值确定待测振动信号是否为入侵信号。
在一些实施例中,参见上述步骤S14中所示的实施例,电子设备可以使用判别模型确定第一重建数据与第一融合数据是否相似,此时,为使判别模型的结果更精确,还可以通过以下方式构建生成模型的对抗损失:
当样本振动信号为原始误报信号时,第二融合数据为原始误报信号的融合数据,也即,第二融合数据为误报信号的融合数据,同时,由于第二重建数据相似于第二融合数据又相似于误报信号的融合数据,因此,第二重建数据应当与误报信号的融合数据极为相似,因此,第一判别结果指示第二重建数据和误报信号的融合数据越相似,生成模型的性能越好,生成模型的对抗损失越低。也即,当振动信号的类别为原始误报信号时,第一判别结果与生成模型的对抗损失负相关;
当样本振动信号为误报加噪信号或入侵信号时,由于第二重建数据在与原始误报信号的融合数据相似的同时,还相似于误报加噪信号的融合数据或入侵信号的融合数据,因此,第二重建数据与原始误报信号的融合数据间应当存在差异,即第二重建数据应当与原始误报信号的融合数据数据不相似,因此,第一判别结果指示第二重建数据和原始误报信号的融合数据越相似,则可以认为生成模型的性能越差,即生成模型的对抗损失越高。也即,当振动信号的类别为误报加噪信号或入侵信号时,第一判别结果与生成模型的对抗损失正相关。
本申请实施例中,当样本振动信号为原始误报信号,且判别模型认为第二重建数据和原始误报信号的融合数据越相似时,生成模型的对抗损失越低;当样本振动信号为入侵信号,且判别模型认为第二重建数据和误报信号的融合数据越相似时,生成模型的对抗损失越高。这样,得到目标生成模型和目标判别模型后,当待测振动信号为原始误报信号时,目标生成模型生成的第一重建数据输入目标判别模型后,目标判别模型会指示第一重建数据与误报信号的融合数据相似;当待测振动信号为入侵信号时,目标生成模型生成的第一重建数据输入目标判别模型后,目标判别模型会指示第一重建数据与误报信号的融合数据不相似。由此,当使用目标判别模型确定第一重建数据与第一融合数据是否相似时,可以得到更准确的结果。
在一些实施例中,电子设备得到生成模型的重建损失、感知损失和对抗损失后,可以对生成模型的重建损失、感知损失和对抗损失进行加权求和处理,得到整个生成模型的损失,进而电子设备可以基于整个生成模型的损失,对生成模型的参数进行调整,提高生成模型的性能。
在一些实施例中,以生成模型的损失包括重建损失、感知损失和对抗损失为例,整个生成模型的损失的计算方式可以表示为如下式(13)所示的形式:
;
其中,generator_loss表示整个生成模型的损失,reconstruction_loss表示生成模型的重建损失,perseption_loss表示生成模型的感知损失,adversarial_g_loss表示生成模型的对抗损失,α1、α2、α3分别为重建损失、感知损失和对抗损失的权重系数,其取值范围可以为0至1。
训练判别模型时,电子设备可以通过计算判别模型的第一判别损失和第二判别损失,确定整个判别模型的损失;下面分别对生成模型的第一判别损失和第二判别损失进行说明:
第一判别损失:
电子设备可以分别将各样本振动信号的第二融合数据输入到判别模型中,得到判别模型输出的第二判别结果,该第二判别结果为判别模型输出层输出的各样本振动信号的第二融合数据与误报信号的融合数据的相似程度。也即,当样本振动信号为原始误报信号时,第二判别结果为判别模型输出层输出的原始误报信号的融合数据与误报信号的融合数据的相似程度;当样本振动信号为误报加噪信号时,第二判别结果为判别模型输出层输出的误报加噪信号的融合数据与误报信号的融合数据的相似程度;当样本振动信号为入侵信号时,第二判别结果为判别模型输出层输出的入侵信号的融合数据与误报信号的融合数据的相似程度。
当样本振动信号为原始误报信号时,输入判别模型的数据为原始误报信号的融合数据,而原始误报信号是采集得到的误报信号,因此原始误报信号的融合数据即为误报信号的融合数据,因此,第二判别结果指示的相似度越高,则判别模型的性能越好,第一判别损失越低,故当样本振动信号为原始误报信号时,第二判别结果与第一判别损失负相关;
当样本振动信号为误报加噪信号或入侵信号时,由于输入判别模型的数据为误报加噪信号的融合数据,或入侵信号的融合数据,而误报加噪信号的融合数据和误报信号的融合数据并不相似,入侵信号的融合数据和误报信号的融合数据也不相似,因此,此时第二判别结果指示的相似度越低,则判别模型的性能越好,第一判别损失越低,故当样本振动信号为误报加噪信号或入侵信号时,第二判别结果与第一判别损失正相关。
在一些实施例中,将样本振动信号的第二融合数据输入到判别模型中,确定判别模型输出的第二判别结果的公式可表示为如式(14)所示的形式:
;
其中,表示第二判别结果,即判别模型输出层输出的对第二融合数据和误报信号的融合数据的相似程度的判别结果;input表示第二融合数据;D net 表示判别模型。
则判别模型的第一判别损失的计算公式可以表示为如下公式(15)所示的形式:
;
其中,real_d_loss表示判别模型的第一判别损失,表示第二判别结果;input表示第二融合数据;可以理解的,当样本振动信号为入侵信号时,第一判别损失的取值为/>,也即,当判别模型能识别出入侵信号的融合数据与误报信号的融合数不相似,即/>的值小于等于-1时,表示判别模型第二判别结果无错误,第一判别损失可以取0;当样本振动信号为原始误报信号时,第一判别损失的取值为/>,也即,当判别模型能识别出原始误报信号的融合数据与误报信号的融合数相似,即/>的值大于等于1时,表示判别模型第二判别结果无错误,第一判别损失可以取0;误报加噪信号与入侵信号同理。
本申请实施例中,将样本振动信号的第二融合数据输入判别模型,可以通过判别模型输出的第二判别结果确定判别模型是否具备判别输入的融合数据与误报信号的融合数据为同一融合数据的能力,由此确定判别模型的第一判别损失,在基于第一判别损失调整判别模型的参数,可以避免训练好的判别模型存在将任意一个输入的数据均判别为不相似数据的情况,如将任意一个第二重建数据均判别为与误报信号的融合数据不相似。
第二判别损失:
电子设备可以分别将各样本振动信号的第二重建数据输入判别模型,得到判别模型输出的第一判别结果,由于第二重建数据与误报信号的融合数据相似的同时,还需与其所属样本振动信号的第二融合数据相似,因此第二重建数据与误报信号的融合数据始终存在差异,因此,无论样本振动信号属于哪种类别,判别模型都应该识别出第二重建数据与误报信号的融合数据为不相似的数据,因此,无论样本振动信号属于哪种类别,第一判别结果指示第二重建数据与误报信号的融合数据越不相似,判别模型的性能越好,第二判别损失越低。
在一些实施例中,将第二重建数据输入判别模型,确定判别模型输出的第一判别结果的公式可表示为如式(16)所示的形式:
;
其中,表示第一判别结果,即判别模型输出层输出的对第二重建数据和误报信号的融合数据的相似程度的判别结果;G input 表示第二重建数据;D net 表示判别模型。
则判别模型的第一判别损失的计算公式可以表示为如下公式(17)所示的形式:
;
其中,generator_d_loss表示判别模型的第二判别损失,表示第二判别结果,/>表示当/>的值小于等于-1时,/>的值为0,当/>的值大于-1时,/>的值为/>与1的和值的绝对值。可以理解的,无论样本振动信号为那种类别的信号,判别模型均应认为第二重建数据与误报信号的融合数据并不相似,即第二判别结果均应小于等于-1,此时,判别模型判别不相似数据的性能较好,第二判别损失的值可以为0。
本申请实施例中,由于第二重建数据是由生成模型生成的,因此,无论生成模型生成的第二重建数据与误报信号的融合数据多么相似,第二重建数据与误报信号的融合数据本质是不同数据,判别模型应当能判别出输入的第二重建数据与误报信号的融合数据为不同的数据。因此,无论样本振动信号属于哪种类别,当判别模型能判别出第二重建数据与误报信号的融合数据为不同数据时,判别模型的第二判别损失最小,这样,基于第二判别损失调整判别模型的参数,能够提高判别模型判别不同数据的性能。
在一些实施例中,电子设备得到判别模型的第一判别损失和第二判别损失后,可以计算判别模型的第一判别损失和第二判别损失的和值,作为整个判别模型的损失,进而电子设备可以基于整个判别模型的损失,对判别模型的参数进行调整,提高判别模型的性能。具体计算公式如下式(18)所示,
;
其中,adversarial_d_loss表示整个判别模型的损失,generator_d_loss表示判别模型的第二判别损失,real_d_loss表示判别模型的第一判别损失。
以生成模型的损失包括重建损失、感知损失和对抗损失为例,参见图6,图6为本申请实施例提供的训练初始生成模型和初始判别模型的另一种流程示意图,可以包括以下步骤:
步骤S61:获取样本振动信号。具体内容可参见上述步骤S51中的描述。
步骤S62:确定样本振动信号的时频特征。
步骤S63:确定样本振动信号的时空特征。
步骤S64:对样本振动信号的时频特征和时空特征进行融合,得到第二融合数据。
上述步骤S62-S64的具体内容可参见上述步骤S52中的描述。
步骤S65:确定生成模型的损失函数。具体内容可参见上述对生成模型的损失的描述。
步骤S66:确定判别模型的损失函数。具体内容可参加上述对判别模型的损失的描述。
步骤S67:对生成模型和判别模型进行训练。具体内容可参见上述步骤S55-步骤S56中的描述。
上述步骤S65和步骤S66可以理解为第一次训练生成模型和判别模型时计算生成模型和判别模型的损失函数步骤,在后续对生成模型和判别模型的训练过程中,每次训练生成模型均按上述步骤S65中的方式计算生成模型的损失函数,每次训练判别模型均按上述步骤S66中的方式计算判别模型的损失函数。
步骤S68:判断生成模型和判别模型是否达到预设训练次数。
若未达到预设训练次数,则返回执行上述步骤S67,继续对生成模型和判别模型进行训练;若已达到预设训练次数,则可以执行下述步骤S69。
步骤S69:采用测试集对生成模型和判别模型进行测试,得到分类结果。
下面以一个具体的实施例对本申请提供的技术方案进行说明,参见图7,图7为本申请实施例提供的光纤振动异常识别方法的另一种流程示意图。
本申请实施例中,电子设备可以参见上述步骤S45所示的实施例对位于中间位置的待测振动信号进行短时傅里叶变换,得到能够表示待测振动信号的时频特征的频谱图(即时频域频谱图),同时,电子设备还可以参见上述步骤S41-步骤S44所示的实施例,计算待测振动信号的短时能量相对值,得到能够表示待测振动信号的时空特征的瀑布图(即时空域瀑布图)。之后,电子设备可以按照上述步骤S46所示的方式将待测振动信号的频谱图与时空图进行融合,得到融合图像(即第一融合数据)。电子设备将融合图像输入生成模型后,经过生成模型中编码器和解码器的处理,可以得到生成模型输出的重建图像(即第一重建数据),之后,可以参见上述步骤S14中所示的实施例,电子设备中预先配置有判别模型,将重建图像输入判别模型后,可以基于判别模型输出的第三判别结果,确定重建图像与误报信号的融合数据是否相似,进而确定待测振动信号是否为入侵导致的振动信号,如第三判别结果为相似,则表明重建图像与误报信号的融合数据相似,待测振动信号并非入侵导致的振动信号;第三判别结果为不相似,则表明重建图像与误报信号的融合数据不相似,待测振动信号为入侵导致的振动信号。
此外,对于图7,在采用判别模型确定待测振动信号是否为入侵信号的过程中,仅需将第一重建数据输入判别模型即可得到第三判别结果,进而根据第三判别结果确定待测振动信号是否为入侵信号,具体可参见上述步骤S14中的描述。但在图7所示的示例中,在训练生成模型和判别模型时,分别将各样本振动信号的第二融合数据和第二重建数据输入判别模型中,以确定判别模型的第一判别损失、第二判别损失,以及生成模型的感知损失和对抗损失,具体可参见上述对生成模型和判别模型的损失的描述。
应用本申请实施例提供的技术方案,可以实现以下技术效果:
(a)结合了样本振动信号的时频特征和时空特征,构建了多模态生成对抗式模型,由此可以准确识别由入侵导致的振动信号和由非入侵导致的振动信号,减少误报量和漏报量,此处,误报是指将非入侵导致的振动信号错误识别为入侵导致的振动信号,漏报是指无法识别出由入侵导致的振动信号;
(b)采用计算短时能量相对值的方式提取待测振动信号的时空特征,并以图像的形式进行表示,能够放大微弱事件在图像上的区分度,使得不同数据之间的比较更加直观和准确,提高了对微弱振动检测的灵敏度;
(c)获取样本振动数据时,从其他项目入侵模拟数据库获取入侵信号,并根据获取的入侵信号对当前误报信号进行加噪,得到人为制造的误报加噪信号,避免了技术人员在现场模拟入侵和破坏行为以采集入侵信号的过程,大大减少技术人员的工作量,缩短项目交付周期,简化了模型部署流程;
(d)本申请实施例构建的生成模型和判别模型的损失函数可以兼顾对误报信号、误报加噪信号、入侵信号的统一训练,简化了训练复杂度,同时生成对抗式模型的泛化性更好,优于传统的二分类、多分类等模型;在模型训练完成后,由于第一融合数据输入目标生成模型后,生成的第一重建数据还会与误报信号的融合数据相似,因此,即使遇到新类别的入侵信号(即与样本振动信号中已有入侵信号不一致的入侵信号),生成模型生成的第一重建数据与输入的第一融合数据(即入侵信号的融合数据)的相似度也并不高,通过计算第一重建数据与第一融合数据的差异的方式,仍然能够识别出来待测振动信号是否为入侵导致的振动信号。
与上述光纤振动异常识别方法对应,本申请实施例还提供了一种光纤振动异常识别装置,如图8所示,包括:
信号获取模块81,用于获取光纤上多个位于不同位置的传感单元采集到的待测振动信号;
特征提取模块82,用于提取所述待测振动信号的融合数据,作为第一融合数据,其中,所述融合数据用于表示信号的时频特征和时空特征;
数据重建模块83,用于将所述第一融合数据输入目标生成模型,得到所述目标生成模型输出的第一重建数据;
判别模块84,用于若所述第一融合数据与所述第一重建数据不相似,则确定所述待测振动信号为入侵信号,所述入侵信号为入侵导致的振动信号;
其中,所述目标生成模型预先通过以下方式训练得到,包括:
获取包括误报信号和\或入侵信号的多个样本振动信号,所述误报信号为非入侵导致的振动信号;
分别提取各样本振动信号的融合数据,得到各样本振动信号的第二融合数据;
分别将各样本振动信号的第二融合数据输入初始生成模型,得到所述初始生成模型输出的各样本振动信号的第二重建数据;
分别将各样本振动信号的第二重建数据输入初始判别模型,得到所述初始判别模型输出的各第二重建数据的第一判别结果;
根据第二融合数据、第二重建数据以及各第二重建数据的第一判别结果进行对抗训练,得到目标判别模型,其中,所述目标判别模型用于使得所述初始生成模型输出的第二重建数据与其所属样本振动信号的第二融合数据相似、且与误报信号的融合数据相似;
根据第二融合数据、第二重建数据以及所述目标判别模型,对所述初始生成模型进行训练,得到目标生成模型。
本申请实施例提供的技术方案中,通过对抗训练的方式训练了生成模型,在训练生成模型时,将各样本振动信号的第二融合数据输入生成模型后,生成模型输出的各样本振动信号的第二重建数据需与其所属样本振动信号的第二融合数据相似,且与误报信号的融合数据相似,因此,训练完成后,将待测振动信号的融合数据,即第一融合数据输入训练得到的目标生成模型时,目标生成模型生成的第一重建数据可以与第一融合数据相似,且与误报信号的融合数据相似,由此,当输入目标生成模型的第一融合数据为误报信号对应的融合数据时,目标生成模型生成的第一重建数据与第一融合数据极为相似,而当输入目标生成模型的第一融合数据为入侵信号对应的融合数据时,由于目标判别模型生成的第一重建数据还需与误报信号的融合数据相似,因此,此时目标生成模型生成的第一重建数据与第一融合数据并不相似,由此,可以通过确定第一融合数据与第一重建数据是否相似确定待测振动信号是否为入侵信号,由此,快速定位光纤产生异常振动的原因,提高处理异常问题的效率。
在一些实施例中,所述误报信号包括原始误报信号和/或误报加噪信号;
其中,所述原始误报信号为通过采集得到的非入侵导致的振动信号;
所述误报加噪信号通过以下方式得到:
从入侵模拟数据库中随机选取一个入侵信号;
将加权处理后的入侵信号与原始误报信号进行结合,得到误报加噪信号。
在一些实施例中,所述根据第二融合数据、第二重建数据以及所述目标判别模型,对所述初始生成模型进行训练,得到目标生成模型,包括:
基于重建损失和对抗损失训练所述初始生成模型,得到所述目标生成模型;或者,基于所述重建损失、所述对抗损失以及感知损失训练所述初始生成模型,得到所述目标生成模型;
其中,所述重建损失,是基于各样本振动信号的第二融合数据和第二重建数据的差异计算得到的;
所述感知损失,是基于各样本振动信号的第二融合数据的特征与第二重建数据的特征的差异计算得到的;其中,各样本振动信号的第二融合数据的特征与第二重建数据的特征是通过分别将各样本振动信号的第二融合数据和第二重建数据输入所述目标判别模型得到的;所述感知损失表示各样本振动信号的第二融合数据与所述第二重建数据在所述目标判别模型中的差异;
所述对抗损失,是基于第一判别结果计算得到的;所述对抗损失表示误报信号的融合数据和各样本振动信号的第二重建数据在所述目标判别模型中的相似程度;
其中,所述目标判别模型具体用于使得所述初始生成模型输出的第二重建数据与其所属样本振动信号的第二融合数据相似、且与原始误报信号的融合数据相似。
在一些实施例中,所述基于各样本振动信号的第二融合数据和第二重建数据的差异计算得到所述重建损失,包括:
基于第二融合数据和第二重建数据的差异和样本振动信号的类别,确定所述重建损失;
其中,当第二融合数据和第二重建数据为误报信号对应的第二融合数据和第二重建数据时,第二融合数据和第二重建数据的差异与所述重建损失正相关;
当第二融合数据和第二重建数据为入侵信号对应的第二融合数据和第二重建数据时,第二融合数据和第二重建数据的差异与所述重建损失负相关。
在一些实施例中,所述基于各样本振动信号的第二融合数据的特征与第二重建数据的特征的差异计算得到所述感知损失,包括:
分别将各样本振动信号的第二融合数据和第二重建数据输入所述目标判别模型,得到所述目标判别模型的中间层提取的各样本振动信号的第二融合数据的特征与第二重建数据的特征;
基于第二融合数据的特征与第二重建数据的特征,确定第二融合数据与第二重建数据的特征的差异;
基于第二融合数据和第二重建数据的特征的差异,以及样本振动信号的类别,确定所述感知损失;
其中,当第二融合数据和第二重建数据为原始误报信号对应的第二融合数据和第二重建数据时,第二融合数据和第二重建数据在所述目标判别模型中的差异与所述感知损失正相关;
当第二融合数据和第二重建数据为入侵信号和误报加噪信号对应的第二融合数据和第二重建数据时,第二融合数据和第二重建数据在所述目标判别模型中的差异与所述感知损失负相关。
在一些实施例中,所述基于所述第一判别结果计算得到所述对抗损失,包括:
分别将各样本振动信号的第二重建数据输入所述目标判别模型,得到所述目标判别模型输出的指示误报信号的融合数据和第二重建数据的相似程度的第一判别结果;
基于第一判别结果,确定所述对抗损失;所述对抗损失与第一判别结果负相关。
在一些实施例中,所述根据所述第二融合数据、第二重建数据以及各第二重建数据的第一判别结果进行对抗训练,得到目标判别模型的步骤,包括:
分别将各样本振动信号的第二融合数据输入所述初始判别模型,得到所述初始判别模型输出的第二判别结果;第二判别结果指示各样本振动信号的第二融合数据与误报信号的融合数据的相似程度;
基于第二判别结果和样本振动信号的类别,确定所述初始判别模型的第一判别损失;
其中,当输入所述初始判别模型的第二融合数据为原始误报信号对应的第二融合数据时,第二判别结果与所述第一判别损失负相关;当输入所述初始判别模型的第二融合数据为误报加噪信号对应的第二融合数据时,第二判别结果与所述第一判别损失正相关;当输入所述初始判别模型的第二融合数据为入侵信号对应的第二融合数据时,第二判别结果与所述第一判别损失正相关;
基于第一判别结果,确定所述初始判别模型的第二判别损失,所述第二判别损失与第一判别结果负相关;
基于所述第一判别损失和所述第二判别损失训练所述初判别模型,得到所述目标判别模型;
其中,所述目标判别模型具体用于使得所述初始生成模型输出的第二重建数据与其所属样本振动信号的第二融合数据相似、且与原始误报信号的融合数据相似。
在一些实施例中,所述特征提取模块82,具体用于:
按照预设帧长,将采集所述待测振动信号的时间长度划分为多个时长为所述预设帧长的帧;
基于每个所述待测振动信号和所述预设帧长,计算每个所述待测振动信号每一帧的能量值;
统计得到各帧的所述能量值的均值;
计算各帧的能量值与所述均值的比值,作为所述待测振动信号的时空特征;
对所述待测振动信号进行时频变换,得到所述待测振动信号的时频特征;
将所述待测振动信号的时频特征和时空特征进行融合,得到所述待测振动信号的融合数据。
本申请实施例还提供了一种电子设备,如图9所示,包括:
存储器91,用于存放计算机程序;
处理器92,用于执行存储器91上所存放的程序时,实现上述任一所述的光纤振动异常识别方法;
并且上述电子设备还可以包括通信总线和/或通信接口,处理器92、通信接口、存储器91通过通信总线完成相互间的通信。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(Extended IndustryStandardArchitecture,EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(DigitalSignalProcessor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本申请提供的又一实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现上述任一光纤振动异常识别方法的步骤。
在本申请提供的又一实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述实施例中任一光纤振动异常识别方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者固态硬盘(Solid StateDisk,SSD)等。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物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、物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、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,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,对于装置、电子设备、存储介质及计算机程序产品实施例而言,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。
以上所述仅为本申请的较佳实施例,并非用于限定本申请的保护范围。凡在本申请的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本申请的保护范围内。
Claims (11)
1.一种光纤振动异常识别方法,其特征在于,所述方法包括:
获取光纤上多个位于不同位置的传感单元采集到的待测振动信号;
提取所述待测振动信号的融合数据,作为第一融合数据,其中,所述融合数据用于表示信号的时频特征和时空特征;
将所述第一融合数据输入目标生成模型,得到所述目标生成模型输出的第一重建数据;
若所述第一融合数据与所述第一重建数据的差异值不小于相似度阈值,则确定所述待测振动信号为入侵信号,所述入侵信号为入侵导致的振动信号;
其中,所述目标生成模型预先通过以下方式训练得到,包括:
获取包括误报信号和/或入侵信号的多个样本振动信号,所述误报信号为非入侵导致的振动信号;
分别提取各样本振动信号的融合数据,得到各样本振动信号的第二融合数据;
分别将各样本振动信号的第二融合数据输入初始生成模型,得到所述初始生成模型输出的各样本振动信号的第二重建数据;
分别将各样本振动信号的第二重建数据输入初始判别模型,得到所述初始判别模型输出的各第二重建数据的第一判别结果;
根据第二融合数据、第二重建数据以及各第二重建数据的第一判别结果进行对抗训练,得到目标判别模型,其中,所述目标判别模型用于使得所述初始生成模型输出的第二重建数据与其所属样本振动信号的第二融合数据相似、且与误报信号的融合数据相似;
根据第二融合数据、第二重建数据以及所述目标判别模型,对所述初始生成模型进行训练,得到目标生成模型。
2.根据权利要求1所述的方法,其特征在于,所述误报信号包括原始误报信号和/或误报加噪信号;
其中,所述原始误报信号为通过采集得到的非入侵导致的振动信号;
所述误报加噪信号通过以下方式得到:
从入侵模拟数据库中随机选取一个入侵信号;
将加权处理后的入侵信号与原始误报信号进行结合,得到误报加噪信号。
3.根据权利要求2所述的方法,其特征在于,所述根据第二融合数据、第二重建数据以及所述目标判别模型,对所述初始生成模型进行训练,得到目标生成模型,包括:
基于重建损失和对抗损失训练所述初始生成模型,得到所述目标生成模型;或者,基于所述重建损失、所述对抗损失以及感知损失训练所述初始生成模型,得到所述目标生成模型;
其中,所述重建损失,是基于各样本振动信号的第二融合数据和第二重建数据的差异计算得到的;
所述感知损失,是基于各样本振动信号的第二融合数据的特征与第二重建数据的特征的差异计算得到的;其中,各样本振动信号的第二融合数据的特征与第二重建数据的特征是通过分别将各样本振动信号的第二融合数据和第二重建数据输入所述目标判别模型得到的;所述感知损失表示各样本振动信号的第二融合数据与第二重建数据在所述目标判别模型中的差异;
所述对抗损失,是基于第一判别结果计算得到的;所述对抗损失表示误报信号的融合数据和各样本振动信号的第二重建数据在所述目标判别模型中的相似程度;
其中,所述目标判别模型具体用于使得所述初始生成模型输出的第二重建数据与其所属样本振动信号的第二融合数据相似、且与原始误报信号的融合数据相似。
4.根据权利要求3所述的方法,其特征在于,所述基于各样本振动信号的第二融合数据和第二重建数据的差异计算得到所述重建损失,包括:
基于第二融合数据和第二重建数据的差异和样本振动信号的类别,确定所述重建损失;
其中,当第二融合数据和第二重建数据为误报信号对应的第二融合数据和第二重建数据时,第二融合数据和第二重建数据的差异与所述重建损失正相关;
当第二融合数据和第二重建数据为入侵信号对应的第二融合数据和第二重建数据时,第二融合数据和第二重建数据的差异与所述重建损失负相关。
5.根据权利要求3所述的方法,其特征在于,所述基于各样本振动信号的第二融合数据的特征与第二重建数据的特征的差异计算得到所述感知损失,包括:
分别将各样本振动信号的第二融合数据和第二重建数据输入所述目标判别模型,得到所述目标判别模型的中间层提取的各样本振动信号的第二融合数据的特征与第二重建数据的特征;
基于第二融合数据的特征与第二重建数据的特征,确定第二融合数据与第二重建数据的特征的差异;
基于第二融合数据和第二重建数据的特征的差异,以及样本振动信号的类别,确定所述感知损失;
其中,当第二融合数据和第二重建数据为原始误报信号对应的第二融合数据和第二重建数据时,第二融合数据和第二重建数据在所述目标判别模型中的差异与所述感知损失正相关;
当第二融合数据和第二重建数据为入侵信号和误报加噪信号对应的第二融合数据和第二重建数据时,第二融合数据和第二重建数据在所述目标判别模型中的差异与所述感知损失负相关。
6.根据权利要求3所述的方法,其特征在于,所述基于第一判别结果计算得到所述对抗损失,包括:
分别将各样本振动信号的第二重建数据输入所述目标判别模型,得到所述目标判别模型输出的指示误报信号的融合数据和第二重建数据的相似程度的第一判别结果;
基于第一判别结果,确定所述对抗损失;所述对抗损失与第一判别结果负相关。
7.根据权利要求2所述的方法,其特征在于,所述根据第二融合数据、第二重建数据以及各第二重建数据的第一判别结果进行对抗训练,得到目标判别模型的步骤,包括:
分别将各样本振动信号的第二融合数据输入所述初始判别模型,得到所述初始判别模型输出的第二判别结果;第二判别结果指示各样本振动信号的第二融合数据与误报信号的融合数据的相似程度;
基于第二判别结果和样本振动信号的类别,确定所述初始判别模型的第一判别损失;
其中,当输入所述初始判别模型的第二融合数据为原始误报信号对应的第二融合数据时,第二判别结果与所述第一判别损失负相关;当输入所述初始判别模型的第二融合数据为误报加噪信号对应的第二融合数据时,第二判别结果与所述第一判别损失正相关;当输入所述初始判别模型的第二融合数据为入侵信号对应的第二融合数据时,第二判别结果与所述第一判别损失正相关;
基于第一判别结果,确定所述初始判别模型的第二判别损失,所述第二判别损失与第一判别结果负相关;
基于所述第一判别损失和所述第二判别损失训练所述初始判别模型,得到所述目标判别模型;
其中,所述目标判别模型具体用于使得所述初始生成模型输出的第二重建数据与其所属样本振动信号的第二融合数据相似、且与原始误报信号的融合数据相似。
8.根据权利要求1所述的方法,其特征在于,所述提取所述待测振动信号的融合数据的步骤,包括:
按照预设帧长,将采集所述待测振动信号的时间长度划分为多个时长为所述预设帧长的帧;
基于每个所述待测振动信号和所述预设帧长,计算每个所述待测振动信号每一帧的能量值;
统计得到各帧的所述能量值的均值;
计算各帧的能量值与所述均值的比值,作为所述待测振动信号的时空特征;
对所述待测振动信号进行时频变换,得到所述待测振动信号的时频特征;
将所述待测振动信号的时频特征和时空特征进行融合,得到所述待测振动信号的融合数据。
9.一种光纤振动异常识别装置,其特征在于,所述装置包括:
信号获取模块,用于获取光纤上多个位于不同位置的传感单元采集到的待测振动信号;
特征提取模块,用于提取所述待测振动信号的融合数据,作为第一融合数据,其中,所述融合数据用于表示信号的时频特征和时空特征;
数据重建模块,用于将所述第一融合数据输入目标生成模型,得到所述目标生成模型输出的第一重建数据;
判别模块,用于若所述第一融合数据与所述第一重建数据的差异值不小于相似度阈值,则确定所述待测振动信号为入侵信号,所述入侵信号为入侵导致的振动信号;
其中,所述目标生成模型预先通过以下方式训练得到,包括:
获取包括误报信号和\或入侵信号的多个样本振动信号,所述误报信号为非入侵导致的振动信号;
分别提取各样本振动信号的融合数据,得到各样本振动信号的第二融合数据;
分别将各样本振动信号的第二融合数据输入初始生成模型,得到所述初始生成模型输出的各样本振动信号的第二重建数据;
分别将各样本振动型号的第二重建数据输入初始判别模型,得到所述初始判别模型输出的各第二重建数据的第一判别结果;
根据第二融合数据、第二重建数据以及各第二重建数据的第一判别结果进行对抗训练,得到目标判别模型,其中,所述目标判别模型用于使得所述初始生成模型输出的第二重建数据与其所属样本振动信号的第二融合数据相似、且与误报信号的融合数据相似;
根据第二融合数据、第二重建数据以及所述目标判别模型,对所述初始生成模型进行训练,得到目标生成模型。
10.一种电子设备,其特征在于,包括:
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现权利要求1-8任一所述的方法。
11.一种包含指令的计算机程序产品,其特征在于,当其在计算机上运行时,使得所述计算机实现权利要求1-8任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410116523.6A CN117648632B (zh) | 2024-01-29 | 2024-01-29 | 光纤振动异常识别方法、装置、设备及计算机程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410116523.6A CN117648632B (zh) | 2024-01-29 | 2024-01-29 | 光纤振动异常识别方法、装置、设备及计算机程序产品 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117648632A CN117648632A (zh) | 2024-03-05 |
CN117648632B true CN117648632B (zh) | 2024-05-03 |
Family
ID=90048079
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410116523.6A Active CN117648632B (zh) | 2024-01-29 | 2024-01-29 | 光纤振动异常识别方法、装置、设备及计算机程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117648632B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110570613A (zh) * | 2019-09-18 | 2019-12-13 | 广州亓行智能科技有限公司 | 基于分布式光纤系统的围栏振动入侵定位和模式识别方法 |
CN112233125A (zh) * | 2020-10-15 | 2021-01-15 | 平安科技(深圳)有限公司 | 图像分割方法、装置、电子设备及计算机可读存储介质 |
KR20210078338A (ko) * | 2019-12-18 | 2021-06-28 | 주식회사 포휴먼테크 | 고성능 레이더 및 머신 러닝을 이용한 침입탐지 시스템 |
GB202214896D0 (en) * | 2022-09-16 | 2022-11-23 | Network Integrity Systems Inc | Intrusion detection algorithm with reduced tuning requirement |
CN115691019A (zh) * | 2022-10-10 | 2023-02-03 | 中国人民解放军军事科学院系统工程研究院 | 基于应力发光薄膜实现分布式周界安全的方法 |
CN116129314A (zh) * | 2023-01-16 | 2023-05-16 | 吉林大学 | 一种基于多源信息融合的周界入侵识别方法 |
CN116432007A (zh) * | 2023-06-13 | 2023-07-14 | 天津精仪精测科技有限公司 | 基于空域特征和机器学习的光纤预警模式识别方法 |
CN116818080A (zh) * | 2023-03-27 | 2023-09-29 | 电子科技大学 | Das信号的多维深度特征提取与识别方法 |
WO2023184918A1 (zh) * | 2022-03-31 | 2023-10-05 | 苏州浪潮智能科技有限公司 | 一种图像异常检测方法、装置、系统及可读存储介质 |
CN117009903A (zh) * | 2023-08-02 | 2023-11-07 | 网络通信与安全紫金山实验室 | 一种数据异常检测方法、装置、设备及存储介质 |
CN117094963A (zh) * | 2023-08-16 | 2023-11-21 | 清华大学深圳国际研究生院 | 一种眼底图像病灶分割方法、系统、设备及存储介质 |
-
2024
- 2024-01-29 CN CN202410116523.6A patent/CN117648632B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110570613A (zh) * | 2019-09-18 | 2019-12-13 | 广州亓行智能科技有限公司 | 基于分布式光纤系统的围栏振动入侵定位和模式识别方法 |
KR20210078338A (ko) * | 2019-12-18 | 2021-06-28 | 주식회사 포휴먼테크 | 고성능 레이더 및 머신 러닝을 이용한 침입탐지 시스템 |
CN112233125A (zh) * | 2020-10-15 | 2021-01-15 | 平安科技(深圳)有限公司 | 图像分割方法、装置、电子设备及计算机可读存储介质 |
WO2023184918A1 (zh) * | 2022-03-31 | 2023-10-05 | 苏州浪潮智能科技有限公司 | 一种图像异常检测方法、装置、系统及可读存储介质 |
GB202214896D0 (en) * | 2022-09-16 | 2022-11-23 | Network Integrity Systems Inc | Intrusion detection algorithm with reduced tuning requirement |
CN115691019A (zh) * | 2022-10-10 | 2023-02-03 | 中国人民解放军军事科学院系统工程研究院 | 基于应力发光薄膜实现分布式周界安全的方法 |
CN116129314A (zh) * | 2023-01-16 | 2023-05-16 | 吉林大学 | 一种基于多源信息融合的周界入侵识别方法 |
CN116818080A (zh) * | 2023-03-27 | 2023-09-29 | 电子科技大学 | Das信号的多维深度特征提取与识别方法 |
CN116432007A (zh) * | 2023-06-13 | 2023-07-14 | 天津精仪精测科技有限公司 | 基于空域特征和机器学习的光纤预警模式识别方法 |
CN117009903A (zh) * | 2023-08-02 | 2023-11-07 | 网络通信与安全紫金山实验室 | 一种数据异常检测方法、装置、设备及存储介质 |
CN117094963A (zh) * | 2023-08-16 | 2023-11-21 | 清华大学深圳国际研究生院 | 一种眼底图像病灶分割方法、系统、设备及存储介质 |
Non-Patent Citations (3)
Title |
---|
Classification performance improvement by enhancing the detection accuracy of DDOS attacks over flash crowd using CROSS GAN (XGAN);C H Sekhar 等;《Multimed Tools Appl》;20230324;第38693–38714页 * |
基于BSS和BPNN-DS算法的光纤入侵传感网络信息的高精度识别;张燕君;刘文哲;付兴虎;;光学学报;20160110(01);第40-48页 * |
深度学习网络的光通信系统入侵行为识别;张侠;;微电子学与计算机;20200405(04);第80-83页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117648632A (zh) | 2024-03-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110113226B (zh) | 一种检测设备异常的方法及装置 | |
CN107291911B (zh) | 一种异常检测方法和装置 | |
US11927609B2 (en) | Condition monitoring via energy consumption audit in electrical devices and electrical waveform audit in power networks | |
Chin et al. | Learn to detect: Improving the accuracy of earthquake detection | |
CN113205820B (zh) | 一种用于声音事件检测的声音编码器的生成方法 | |
Lombardi et al. | The assumption of Poisson seismic-rate variability in CSEP/RELM experiments | |
CN109325232A (zh) | 一种基于lda的用户行为异常分析方法、系统及存储介质 | |
Cassisi et al. | Probabilistic reasoning over seismic time series: Volcano monitoring by hidden Markov models at Mt. Etna | |
CN113015167B (zh) | 加密流量数据的检测方法、系统、电子装置和存储介质 | |
CN111310139A (zh) | 行为数据识别方法、装置及存储介质 | |
Yu et al. | Anomaly intrusion detection based upon data mining techniques and fuzzy logic | |
Legrand et al. | Study of autoencoder neural networks for anomaly detection in connected buildings | |
Hsu et al. | Two novel approaches to reduce false alarm due to non‐earthquake events for on‐site earthquake early warning system | |
CN108564751A (zh) | 电缆隧道防入侵的监测方法、装置及系统 | |
Song et al. | MEANet: Magnitude estimation via physics-based features time series, an attention mechanism, and neural networks | |
Kim et al. | Near-real-time identification of seismic damage using unsupervised deep neural network | |
CN117648632B (zh) | 光纤振动异常识别方法、装置、设备及计算机程序产品 | |
CN116740586A (zh) | 冰雹识别方法、装置、电子设备及计算机可读存储介质 | |
CN107578774A (zh) | 用于促进对时间序列模式的检测的方法和系统 | |
Do et al. | A Horizontal Federated-Learning Model for Detecting Abnormal Traffic Generated by Malware in IoT Networks | |
WO2022022059A1 (en) | Context aware anomaly detection | |
CN113746780B (zh) | 基于主机画像的异常主机检测方法、装置、介质和设备 | |
CN111951505B (zh) | 基于分布式光纤系统的围栏振动入侵定位和模式识别方法 | |
CN114998837A (zh) | 入侵事件的实时识别方法、装置、系统及介质 | |
KR20210043448A (ko) | 동작감지장치 및 동작감지방법 |
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 |