DE112022001982T5

DE112022001982T5 - Kontrastives lernen der darstellung von versorgungsmasten aus verteilten akustischen messsignalen

Info

Publication number: DE112022001982T5
Application number: DE112022001982.4T
Authority: DE
Inventors: Shaobo HAN; Yue Tian; Sarper Ozhahar; Yangmin DING; Ting Wang
Original assignee: NEC Laboratories America Inc
Current assignee: NEC Laboratories America Inc
Priority date: 2021-04-06
Filing date: 2022-04-06
Publication date: 2024-01-25
Also published as: WO2022216872A1; JP2024514815A; US20220381607A1; US11698290B2

Abstract

Ein Prüfverfahren, das ein Datenerfassungsverfahren und einen auf kontrastivem Lernen basierenden Ansatz zur Erstellung eines Profils für Versorgungsmasten umfasst, die in einem Einbettungsraum vermessen werden. Eindeutige Eigenschaften von Versorgungsmasten werden in einem niedrigdimensionalen Merkmalsvektor erhalten. Ähnlichkeiten zwischen Paaren von Proben, die an denselben oder verschiedenen Masten erhoben wurden, werden durch den euklidischen Abstand zwischen den Masteneinbettungen wiedergegeben. Während der Datenerfassung werden Variabilitäten der Anregungssignale manuell eingeführt, z. B. Stärke des Aufpralls, Orte des Aufpralls, Mehrdeutigkeit des Aufprallzeitpunkts, Mehrdeutigkeit des Erfassungsortes auf einer optischen DFOS/DAS-Sensorfaser/einem Kabel. Die so gesammelten Daten liefern einem gelernten Modell vollständige Informationen über einen Versorgungsmast und sind robuster gegenüber unkontrollierbaren Faktoren während des Betriebs. Ein Modelltrainingsverfahren, das effektiv die intrinsischen Eigenschaften eines Versorgungsmastes (z. B. Integrität der Struktur, Abmessungen, Strukturvielfalt) und entfernte extrinsische Einflüsse (z. B. Erregungsstärke, Wetterbedingungen, Straßenverkehr) extrahiert, ohne die Grundwahrheit dieser Faktoren zu kennen. Das einzige erforderliche Identifizierungsmerkmal ist die ID der geprüften Masten, die ohne weiteres verfügbar ist. Das Modell wird adaptiv trainiert - Ende-zu-Ende - und ist vorteilhaft einfach auf modernen Deep-Learning-Frameworks wie PyTorch zu implementieren.

Description

TECHNISCHES GEBIET
Diese Offenlegung bezieht sich allgemein auf Verfahren und Strukturen von verteilten faseroptischen Abtastsystemen (DFOS). Insbesondere werden Verfahren zum kontrastiven Lernen von Versorgungsmastdarstellungen aus verteilten akustischen Messsignalen (DAS) beschrieben, die während des Betriebs eines DFOS/DAS-Systems erzeugt werden.
HINTERGRUND
Wie Fachleute leicht erkennen werden, haben sich verteilte faseroptische Messsysteme und -methoden als sehr nützlich erwiesen und bieten eine Reihe nützlicher Dienste, wie z. B. die Messung verschiedener physikalischer Parameter wie Temperatur, Vibration, Dehnung usw., wodurch eine neue Ära der Infrastrukturüberwachung ermöglicht wird.
Verteilte akustische Sensortechniken messen Dehnungsänderungen (Dehnung oder Kompression) von Glasfaserkernen, die in der Regel durch äußere Ummantelungen geschützt und durch Befestigungsstrukturen an Versorgungsmasten montiert/aufgehängt sind. Die Bewertung der Integrität oder die Überwachung des Zustands solcher Versorgungsmasten kann auf der Grundlage des Antwortsignals der manuellen Anregung (Hammer oder Frequenzsweep) am Mast durchgeführt werden. Die DAS-Signale, die in der Nähe eines Versorgungsmastes erfasst werden, können jedoch nicht nur Informationen über die Eigenschaften des Versorgungsmastes enthalten, an dem die optische Sensorfaser montiert/aufgehängt ist, sondern auch über ein dominantes Anregungssignal, ein Vibrationssignal, das sich entlang der optischen Sensorfaser aus der Ferne ausbreitet (z. B. Transformator), oder Umgebungsgeräusche (z. B. Wind oder Verkehr) - alles vermischt.
Angesichts der Nützlichkeit von DAS-Techniken ist es von Interesse, intrinsische Informationen über einen Strommast zu extrahieren und jeglichen Einfluss extrinsischer Faktoren aus einer begrenzten Datenmenge zu entfernen. Es ist jedoch schwierig, während der Datenerfassung eine Grundwahrheit über diese Faktoren zu ermitteln, und es ist im Allgemeinen nicht möglich, Experimente durchzuführen, die alle möglichen Kombinationen von Faktoren berücksichtigen. Außerdem gibt es aufgrund der großen Menge an DAS-Wellenformdaten und der hohen Variabilität der Versorgungsmasten keinen Signalfilter oder ein bekanntes Vorverarbeitungsverfahren, mit dem dieses Ziel erreicht werden kann.
ZUSAMMENFASSUNG
Ein Fortschritt im Stand der Technik wird gemäß den Aspekten der vorliegenden Offenbarung erzielt, die sich mit Methoden befasst, die ein Datenerfassungsverfahren und einen auf kontrastivem Lernen basierenden Ansatz zur Erstellung eines Profils für jeden untersuchten Versorgungsmast in einem Einbettungsraum umfassen. Die eindeutigen Eigenschaften von Versorgungsmasten werden in einem niedrigdimensionalen Merkmalsvektor festgehalten. Die Ähnlichkeit zwischen Paaren von Proben, die an denselben oder an verschiedenen Masten gesammelt wurden, wird durch den euklidischen Abstand zwischen den Masteinbettungen wiedergegeben.
Gemäß den Aspekten der vorliegenden Offenbarung werden - während der Datenerfassung - Variabilitäten der Anregungssignale manuell eingeführt, z. B. Stoßstärke, Stoßorte, Mehrdeutigkeit des Stoßzeitpunkts, Mehrdeutigkeit des Datenerfassungsortes auf einer optischen DFOS-Sensorfaser/einem Kabel. Die so gesammelten Daten liefern einem gelernten Modell vollständige Informationen über einen Versorgungsmast und sind robuster gegenüber unkontrollierbaren Faktoren während des Betriebs.
Gemäß weiteren Aspekten der vorliegenden Offenbarung haben wir ein Modelltrainingsverfahren entwickelt, das effektiv die intrinsischen Eigenschaften eines Versorgungsmastes (z.B. Strukturintegrität, Abmessungen, Strukturvielfalt) und entfernte extrinsische Einflüsse (z.B. Erregungsstärke, Wetterbedingungen, Straßenverkehr) extrahiert, ohne die Grundwahrheit dieser Faktoren zu kennen. Das einzige erforderliche Identifizierungsmerkmal ist die ID der geprüften Masten, die ohne weiteres verfügbar ist. Das Modell wird adaptiv trainiert - Ende-zu-Ende - und ist vorteilhaft einfach auf modernen Deep-Learning-Frameworks wie PyTorch zu implementieren.
KURZBESCHREIBUNG DER ZEICHNUNG
Ein vollständigeres Verständnis der vorliegenden Offenbarung kann durch Bezugnahme auf die beiliegende Zeichnung erreicht werden, in der:

1 ist ein schematisches Diagramm eines verteilten faseroptischen Messsystems nach dem Stand der Technik;
2 ist ein schematisches Diagramm, das die gesammelten DAS-Signale zeigt, die durch verschiedene intrinsische und extrinsische Faktoren gemäß den Aspekten der vorliegenden Offenbarung beeinflusst werden;
3 ist ein schematisches Diagramm, das ein Flussdiagramm unseres Ansatzes für tiefes Repräsentationslernen gemäß den Aspekten der vorliegenden Offenbarung zeigt;
4 ist ein Diagramm, das eine illustrative Mastprofilkarte gemäß den Aspekten der vorliegenden Offenbarung zeigt;
5 ist ein Diagramm, das eine illustrative Mastprofilkarte zeigt, die eine beispielhafte selektive Klassifizierung auf der gelernten Profilkarte gemäß den Aspekten der vorliegenden Offenbarung zeigt;
6 zeigt die selektive Klassifizierung auf der Grundlage der erlernten Einbettung einschließlich der Konfusionsmatrix durch die ursprüngliche KNN-Klassifizierung und die Klassifizierungen mit der Regel (10,0) und die Klassifizierungen mit der Regel (2,1) gemäß den Aspekten der vorliegenden Offenbarung;
6 ist ein Diagramm, das eine illustrative Mastprofilkarte zeigt, die die Veränderung des Status von sieben Masten mit „äußerlich verfaulter Hülle“ von einer Route zeigt, die anfänglich von früh verfallenden Masten umgeben waren. Nach der Restaurierung werden sie gemäß den Aspekten der vorliegenden Offenlegung als „normal“ angesehen;
7 ist ein Diagramm, das ein illustratives Schema für die Datenerfassung an einem Mast zeigt, das mechanisches Klopfen mit zwei verschiedenen Stärken - stark und schwach - in drei verschiedenen Höhen sowohl parallel als auch senkrecht zur Richtung des Glasfasersensorkabels gemäß den Aspekten der vorliegenden Offenbarung beinhaltet;
8 illustriert eine beispielhafte Modellarchitektur eines neuronalen Netzes, das für die Erstellung von Mastprofilen gemäß den Aspekten der vorliegenden Offenbarung verwendet wird;

Die anschaulichen Ausführungsformen werden in den Abbildungen und der ausführlichen Beschreibung ausführlicher beschrieben. Ausführungsformen gemäß dieser Offenbarung können jedoch in verschiedenen Formen verkörpert werden und sind nicht auf die in der Zeichnung und der detaillierten Beschreibung beschriebenen spezifischen oder illustrativen Ausführungsformen beschränkt.
BESCHREIBUNG
Im Folgenden werden lediglich die Grundsätze der Offenbarung erläutert. Es wird daher anerkannt, dass Fachleute in der Lage sind, verschiedene Anordnungen zu entwickeln, die, obwohl sie hier nicht ausdrücklich beschrieben oder gezeigt werden, die Grundsätze der Offenbarung verkörpern und in deren Geist und Umfang enthalten sind.
Darüber hinaus sind alle hier angeführten Beispiele und bedingten Ausdrücke nur zu pädagogischen Zwecken gedacht, um dem Leser das Verständnis der Grundsätze der Offenbarung und der von dem/den Erfinder(n) zur Förderung des Standes der Technik beigetragenen Konzepte zu erleichtern, und sind so auszulegen, dass sie keine Beschränkung auf diese speziell angeführten Beispiele und Bedingungen darstellen.
Darüber hinaus sollen alle hierin enthaltenen Aussagen, die sich auf Prinzipien, Aspekte und Ausführungsformen der Offenbarung sowie auf spezifische Beispiele davon beziehen, sowohl strukturelle als auch funktionale Äquivalente davon einschließen. Darüber hinaus sollen solche Äquivalente sowohl derzeit bekannte Äquivalente als auch in der Zukunft entwickelte Äquivalente umfassen, d. h. alle entwickelten Elemente, die unabhängig von ihrer Struktur die gleiche Funktion erfüllen.
So werden beispielsweise Fachleute erkennen, dass alle hierin enthaltenen Blockdiagramme konzeptionelle Ansichten von Schaltkreisen darstellen, die die Prinzipien der Offenlegung verkörpern.
Sofern hier nicht ausdrücklich anders angegeben, sind die FIGs der Zeichnung nicht maßstabsgetreu gezeichnet.
Als zusätzlichen Hintergrund möchten wir anmerken, dass verteilte faseroptische Sensorsysteme opto-elektronische Integratoren mit einer optischen Faser (oder einem Kabel) verbinden und die Faser in eine Anordnung von Sensoren umwandeln, die entlang der Länge der Faser verteilt sind. In der Tat wird die Faser zum Sensor, während der Abfragesender Laserlichtenergie in die Faser einspeist und Ereignisse entlang der Faserlänge erfasst.
Wie Fachleute wissen und zu schätzen wissen, kann die DFOS-Technologie zur kontinuierlichen Überwachung von Fahrzeugbewegungen, Personenverkehr, Grabungsaktivitäten, seismischen Aktivitäten, Temperaturen, struktureller Integrität, Flüssigkeits- und Gaslecks und vielen anderen Bedingungen und Aktivitäten eingesetzt werden. Sie wird weltweit zur Überwachung von Kraftwerken, Telekommunikationsnetzen, Eisenbahnen, Straßen, Brücken, internationalen Grenzen, kritischen Infrastrukturen, terrestrischen und unterseeischen Stromleitungen und Pipelines sowie für Bohrlochanwendungen in der Öl- und Gasindustrie und zur verbesserten geothermischen Stromerzeugung eingesetzt. Vorteilhaft ist, dass verteilte faseroptische Sensoren nicht durch die Sichtlinie oder den Zugang zu einer entfernten Stromversorgung eingeschränkt sind und - je nach Systemkonfiguration - in kontinuierlichen Längen von mehr als 30 Meilen mit Sensoren/Detektoren an jedem Punkt der Länge eingesetzt werden können. Daher können die Kosten pro Messpunkt über große Entfernungen von konkurrierenden Technologien in der Regel nicht erreicht werden.
Die faseroptische Sensorik misst Veränderungen in der „Rückstreuung“ von Licht, die in einer optischen Sensorfaser auftreten, wenn die Sensorfaser auf Vibrationen, Dehnungen oder Temperaturänderungen trifft. Wie bereits erwähnt, dient die Sensorfaser über ihre gesamte Länge als Sensor, der in Echtzeit Informationen über die physikalische Umgebung/Umgebung und die Integrität/Sicherheit der Faser liefert. Darüber hinaus ermöglichen die verteilten faseroptischen Messdaten eine genaue Lokalisierung von Ereignissen und Bedingungen, die an oder in der Nähe der Messfaser auftreten.
Ein schematisches Diagramm zur Veranschaulichung der allgemeinen Anordnung und Funktionsweise eines verteilten faseroptischen Sensorsystems nach dem Stand der Technik ist in 1 dargestellt. In 1 ist eine optische Sensorfaser zu sehen, die ihrerseits mit einem Abfragegerät (Interrogator) verbunden ist. Wie bekannt, sind moderne Abfragesysteme Systeme, die ein Eingangssignal für die Faser erzeugen und reflektierte/gestreute und anschließend empfangene Signale erkennen/analysieren. Die Signale werden analysiert, und es wird ein Ausgangssignal erzeugt, das die Umgebungsbedingungen entlang der Faser anzeigt. Die auf diese Weise empfangenen Signale können aus Reflexionen in der Faser resultieren, z. B. Raman-Rückstreuung, Rayleigh-Rückstreuung und Brillion-Rückstreuung. Es kann sich auch um ein Signal in Vorwärtsrichtung handeln, das die Geschwindigkeitsdifferenz mehrerer Moden nutzt. Ohne die Allgemeingültigkeit zu verlieren, wird in der folgenden Beschreibung von einem reflektierten Signal ausgegangen, obwohl die gleichen Ansätze auch auf ein vorwärts gerichtetes Signal angewendet werden können.
Ein modernes DFOS-System umfasst einen Abfragesender, der periodisch optische Impulse (oder ein beliebiges kodiertes Signal) erzeugt und diese in eine optische Faser einspeist. Das eingespeiste optische Impulssignal wird entlang der optischen Faser übertragen.
An Stellen entlang der Faser wird ein kleiner Teil des Signals gestreut/reflektiert und an das Abfragesystem zurückgegeben. Das gestreute/reflektierte Signal enthält Informationen, die das Abfragesystem zur Erkennung verwendet, wie z. B. eine Änderung des Leistungspegels, die beispielsweise auf eine mechanische Vibration hinweist.
Das reflektierte Signal wird in den elektrischen Bereich umgewandelt und im Interrogator verarbeitet. Anhand der Impulsinj ektionszeit und der Zeit, zu der das Signal erkannt wird, bestimmt das Abfragegerät, an welcher Stelle entlang der Faser das Signal kommt, und kann so die Aktivität an jeder Stelle entlang der Faser erfassen.
Distributed Acoustic Sensing (DAS)/ Distributed Vibrational Sensing (DVS) Systeme detektieren Vibrationen und erfassen akustische Energie entlang der Länge der optischen Sensorfaser. Vorteilhafterweise können bestehende, verkehrsführende Glasfasernetze genutzt und in einen verteilten akustischen Sensor umgewandelt werden, der Echtzeitdaten erfasst. Klassifizierungsalgorithmen können zur Erkennung und Lokalisierung von Ereignissen wie Lecks, Kabelfehlern, Einbrüchen oder anderen abnormalen Ereignissen, einschließlich akustischer und/oder Vibrationen, verwendet werden.
Derzeit werden verschiedene DAS/DVS-Technologien eingesetzt, wobei die gängigste auf der kohärenten optischen Zeitbereichsreflektometrie (C-OTDR) basiert. C-OTDR nutzt die Rayleigh-Rückstreuung, so dass akustische Frequenzsignale über große Entfernungen erfasst werden können. Ein Abfragesystem sendet einen kohärenten Laserimpuls entlang einer optischen Sensorfaser (Kabel). Die Streustellen in der Faser bewirken, dass die Faser wie ein verteiltes Interferometer mit einer Messlänge, die der Pulslänge entspricht (z. B. 10 Meter), wirkt. Akustische Störungen, die auf die Sensorfaser einwirken, führen zu einer mikroskopisch kleinen Dehnung oder Stauchung der Faser (Mikrodehnung), was eine Änderung der Phasenlage und/oder der Amplitude der Lichtimpulse bewirkt, die die Faser durchlaufen.
Bevor ein nächster Laserpuls übertragen wird, muss ein vorheriger Puls Zeit gehabt haben, die gesamte Länge der Sensorfaser zu durchlaufen und seine Streuungen/Reflexionen zurückzugeben. Die maximale Pulsrate wird also durch die Länge der Faser bestimmt. Daher können akustische Signale gemessen werden, die mit Frequenzen bis zur Nyquist-Frequenz variieren, die in der Regel die Hälfte der Impulsrate beträgt. Da höhere Frequenzen sehr schnell abgeschwächt werden, liegen die meisten für die Erkennung und Klassifizierung von Ereignissen relevanten Frequenzen im unteren Bereich von 2 kHz.
Wie bereits erwähnt, messen verteilte akustische Messverfahren (Distributed Acoustic Sensing, DAS) Dehnungsänderungen (Dehnung oder Kompression) von optischen Sensorfasern, die in der Regel Teil einer größeren Kabelbaugruppe sind, die durch eine äußere Ummantelung geschützt ist und mit Hilfe von Befestigungsstrukturen an Versorgungsmasten montiert/aufgehängt wird. Die Bewertung der Integrität oder die Überwachung des Zustands der Versorgungsmasten kann auf der Grundlage des Antwortsignals einer manuellen Anregung (Hammerschlag oder Frequenzsweep) am Mast durchgeführt werden.
Es ist jedoch zu beachten, dass DAS-Signale, die in der Nähe eines Strommastes erfasst werden, nicht nur Informationen von den Eigenschaften des Strommastes enthalten können, sondern auch von einem dominierenden Erregungssignal, einem Vibrationssignal, das sich entlang des Sensorfaserkabels aus einer relativ großen Entfernung ausbreitet (z. B. Transformator), oder Umgebungsgeräuschen (z. B. Wind oder Verkehr), die alle miteinander vermischt sind.
Es ist von Interesse, intrinsische Informationen über den Mast zu extrahieren und den Einfluss extrinsischer Faktoren aus einer begrenzten Menge von Daten zu entfernen. Es ist jedoch schwierig, während der Datenerfassung eine Grundwahrheit über diese Faktoren zu erfahren, und es ist im Allgemeinen nicht möglich, Experimente durchzuführen, die alle möglichen Kombinationen von Faktoren abdecken. Darüber hinaus gibt es aufgrund der großen Menge an DAS-Wellenformdaten und der hohen Variabilität, die bei den installierten Versorgungsmasten auftritt, keinen handgefertigten Signalfilter oder ein bekanntes Vorverarbeitungsverfahren, das dieses Ziel erreichen kann. Die Leistung der nachgelagerten Algorithmen hängt stark von der Wahl der Darstellung ab.
Vor diesem Hintergrund stellen wir fest, dass unser erfindungsgemäßes Verfahren sowohl ein Datenerfassungsverfahren als auch einen auf kontrastivem Lernen basierenden Ansatz umfasst, um ein Profil für jeden untersuchten Strommast in einem Einbettungsraum zu erstellen. Die eindeutigen Eigenschaften der einzelnen Versorgungsmasten werden in einem niedrigdimensionalen Merkmalsvektor festgehalten. Die Ähnlichkeit zwischen Paaren von Proben (Samples), die an denselben oder an verschiedenen Masten erhoben wurden, wird durch den euklidischen Abstand zwischen den Masteinbettungen wiedergegeben.
In unserem Datenerfassungsverfahren werden Variabilitäten der Anregungssignale manuell eingeführt, z. B. Aufprallstärke, Aufprallorte, Mehrdeutigkeit des Aufprallzeitpunkts, Mehrdeutigkeit der Datenerfassungsstelle am Kabel des optischen Sensors. Dieses Datendesign sorgt dafür, dass das gelernte Modell vollständigere Informationen über den/die Versorgungsmast/en enthält, und führt zu Daten, die robuster gegenüber unkontrollierbaren Faktoren sind.
Unser Modelltrainingsverfahren extrahiert effektiv die intrinsischen Eigenschaften von Versorgungsmasten (z. B. Integrität der Struktur, Abmessungen, Strukturvielfalt) und entfernte extrinsische Einflüsse (z. B. Erregungsstärke, Wetterbedingungen, Straßenverkehr), ohne die Grundwahrheit dieser Faktoren zu kennen. Die einzige Kennzeichnung, die benötigt wird, sind die IDs aller geprüften Versorgungsmasten, die ohne weiteres verfügbar sind. Das Modell wird dann adaptiv und end-to-end trainiert. Vorteilhaft ist, dass unser Ansatz leicht auf modernen Deep- Learning-Frameworks wie PyTorch zu implementieren ist.
Wie wir zeigen und beschreiben werden, lernt unser erfinderischer Ansatz einzigartige Merkmale über die Eigenschaften von Versorgungsmasten aus DAS-Signalen. Er ermöglicht nachgelagerte Aufgaben (downstream tasks) wie die Klassifizierung der Integrität von Masten auf der Grundlage menschlicher Beschriftungen, die Bewertung der Sanierungsqualität nach der Reparatur/Erneuerung verfallener Masten und die Erkennung von Statusänderungen nach extremen Wetterbedingungen, Erdbeben oder anderen Ereignissen.
Unser erfindungsgemäßer Ansatz erstellt ein digitales Profil des Versorgungsmastes auf der Grundlage seiner Frequenzantwort auf die von DAS aufgezeichnete Impulskraft und erhalten durch maschinelles Lernen. Unser erfindungsgemäßer Ansatz hat den Vorteil, dass ein vollständiges Informationsprofil jedes Versorgungsmastes erstellt wird, da mehrere manuelle Erregungen an verschiedenen Stellen des Mastes bzw. der Masten vorgenommen und mehrfach wiederholt werden.
Wie wir weiter unten beschreiben werden, verwendet unser Ansatz ein tiefes metrisches Lernen, das mit überwachten Lernsignalen trainiert wird, die besagen, dass Einbettungen von Probenpaaren, die von demselben Versorgungsmast gesammelt wurden, näher beieinander liegen müssen als Probenpaare, die von verschiedenen Masten gesammelt wurden. Diese Wahl erhöht die Größe der Trainingsdaten von O(NK) auf O(N^2K^3), wobei K die Anzahl der Proben pro Mast und N die Anzahl der Masten ist. Eine Variante des Triplett-Verlustes wird verwendet, um automatisch harte Paare in der Lernphase zu finden und ein Lernplateau zu vermeiden. Unser Ansatz hat den Vorteil, dass die Nachbarschaftsstruktur erhalten bleibt, während der ursprüngliche hochdimensionale Datenraum in einen niedrigdimensionalen Einbettungsraum abgebildet wird.
Die erlernte Masteinbettung wird für nachgelagerte Integritätsklassifizierungsaufgaben verwendet. Insbesondere wird eine gelernte Nachbarschaftsstruktur verwendet, um eine selektive Klassifizierung durchzuführen, d. h. das Modell klassifiziert nur Proben, für die ein ausreichend hohes Vertrauen besteht, während Proben mit geringerem Vertrauen zurückgewiesen werden. Dies ist von entscheidender Bedeutung für Anwendungen, bei denen ein hoher Sicherheits- und Zuverlässigkeitsstandard erfüllt werden muss.
Eine Positionsverschiebung zwischen den Einbettungen desselben Mastes vor und nach einem größeren Ereignis (z. B. extremes Wetter, Erdbeben oder Restaurierung) deutet auf eine mögliche Änderung des Status des Mastes oder seiner Kopplung mit dem Kabel hin. Die Richtung der Veränderung (Verschlechterung oder Verbesserung) kann durch Betrachtung der nächsten Nachbarn interpretiert werden. Diese Funktion liefert nützliche Informationen für das Screening der vorbeugenden Wartung (z. B. Vorschläge, welche Strecken für eine umfassendere Inspektion priorisiert werden sollten) und eine objektive Bewertung der Sanierungsqualität.
2 ist ein schematisches Diagramm, das die gesammelten DAS-Signale zeigt, die durch verschiedene intrinsische und extrinsische Faktoren gemäß den Aspekten der vorliegenden Offenbarung beeinflusst werden.
Unter Bezugnahme auf diese Abbildung stellen wir fest, dass ein einzelner Strommast für unsere Zwecke als ein System von Masten betrachtet wird, auf das ein Impuls wie ein akustisches Ereignis oder ein direkter mechanischer Aufprall eine Vibration in dem/den so betroffenen Masten erzeugt. Ein solcher Schwingungsimpuls führt zu einer Frequenzantwort, die von unserem DAS-System erfasst werden kann.
Das gesammelte DAS-Signal wird durch verschiedene intrinsische und extrinsische Faktoren beeinflusst. Zu diesen intrinsischen Faktoren gehören beispielsweise die Integrität des Mastes, die Mastabmessungen, die Mastmaterialien usw., während zu den extrinsischen Faktoren beispielsweise der Standort des Mastes, der Ort der Erregung, Umweltfaktoren wie Wind, Wetter oder das Vorhandensein/Fehlen eines Transformators oder anderer Geräte, einschließlich der daran hängenden elektrischen und/oder anderen Kabel/Drähte, sowie die Nähe zum Verkehr oder zu anderen Vibrationen erzeugenden Aktivitäten sowie geologische Faktoren wie die Bodenbeschaffenheit usw. gehören können. Aus diesen Frequenzgängen muss eine Darstellung erstellt werden, um die jedem Mast eigenen Eigenschaften zu ermitteln.
3 ist ein schematisches Diagramm, das ein Flussdiagramm unseres Ansatzes des tiefen Repräsentationslernens gemäß den Aspekten der vorliegenden Offenbarung zeigt. Mit Bezug auf diese Abbildung kann man einen allgemeinen Betriebsablauf eines erfindungsgemäßen Verfahrens gemäß den Aspekten der vorliegenden Offenbarung beobachten.
Das erfindungsgemäße Verfahren, wie es im Flussdiagramm dargestellt ist, beginnt mit dem Empfang von mindestens drei DAS-Signalen, wobei zwei der drei Signale von demselben Versorgungsmast aus einer Vielzahl von Masten stammen. Das/die DAS-Signal(e) werden vorverarbeitet, indem eine Transformation von einem Zeitbereich in einen Frequenzbereich vorgenommen wird. Mit diesen umgewandelten/umgeformten DAS-Daten wird ein tiefer Repräsentationslernprozess durchgeführt, bei dem ein Vorwärtsdurchlauf durchgeführt wird, der jegliche Einbettung bestimmt/berechnet und dann der metrische Verlust bestimmt wird, gefolgt von einer Back-Propagation, bei der ein neuronales Netz aktualisiert wird. Dieser Lernprozess der tiefen Repräsentation wird so lange fortgesetzt, bis eine ausreichende Konvergenz erreicht ist, deren Ergebnis ein niedrigdimensionaler Satz von Einbettungsvektoren für die nachgelagerte(n) Aufgabe(n) ist.
4 ist ein Diagramm, das eine illustrative Mastprofilkarte gemäß den Aspekten der vorliegenden Offenbarung zeigt. Diese illustrative Mastprofilkarte besteht aus 70 Versorgungsmasten, die durch unsere Mastprofilerstellung auf der Karte eingezeichnet wurden. Für diese Karte wurde ein Trainingssatz von 44 Masten und ein Testsatz von 26 Masten verwendet. Bei einem zufälligen Datenpunkt kann unser KI-Modell mit 93 % Genauigkeit sagen, von welchem Mast der Datenpunkt stammt.
Beispielanwendung Selektive Bewertung der Mastintegrität auf der Grundlage der Konfidenz. Die Kennzeichnung der Mastintegrität kann auf der Grundlage der gelernten Masteinbettungen vorhergesagt werden. Unser System kann als Vorscreening-Tool für die Mastintegrität verwendet werden. Aufgrund des begrenzten Trainingsumfangs ist der trainierte Klassifikator nicht perfekt, wobei die Fehlerkosten und Genauigkeitsvorteile unterschiedlich sind.
Gute Masten, die als „gut“ erkannt werden, sind Masten, die keine manuelle Inspektion benötigen/erhalten, die ein hohes Maß an Konfidenz erfordern und die letztendlich stark zur Kosteneinsparung durch unser Modell beitragen. Schlechte Masten, die als „schlecht“ erkannt werden, sind solche Masten, die durch eine manuelle Inspektion bestätigt werden. Schlechte Masten, die als „gut“ erkannt werden, sind entgangene Alarme, die eine potenzielle Gefahr darstellen können und minimiert werden müssen. Gute Masten, die als „schlecht“ erkannt werden, sind Fehlalarme, die manuell inspiziert werden und zu Kosten beitragen, die nicht eingespart werden. Bei dieser Anwendung ist ein Fehlalarm weniger kritisch als ein entgangener Alarm.
Auf der Grundlage der erlernten Nachbarschaftsstruktur in der Profilkarte verwenden wir die Klassifizierungsregel (k, k') für den nächsten Nachbarn mit einer Ablehnungsoption, um die nicht vertrauenswürdigen Proben herauszufiltern. Das Modell berücksichtigt k nächste Nachbarn und lehnt einen Nachbarn ab, wenn weniger als k' von ihnen zur selben Klasse gehören
ist ein Diagramm zur Veranschaulichung einer selektiven Klassifizierung auf einer gelernten Profilkarte gemäß den Aspekten der vorliegenden Offenbarung, die eine beispielhafte Mastidentität zeigt. Wie in der Grafik dargestellt, werden ausgefüllte Kreise als schlechte Masten klassifiziert, während ausgefüllte Quadrate als gute Masten klassifiziert werden. Umgekehrt werden die Kreuze in der Grafik vom Modell abgelehnt.
6 ist ein schematisches Diagramm, das die selektive Klassifizierung auf der Grundlage der erlernten Einbettung gemäß den Aspekten der vorliegenden Offenbarung zeigt. Wie in der Abbildung gezeigt, eine selektive Klassifizierung auf der Grundlage der erlernten Einbettung. Die Konfusionsmatrix der ursprünglichen KNN-Klassifikation ist oben dargestellt, während die Klassifikation mit der Regel (10, 9) links und die Klassifikation mit der Regel (2, 1) rechts dargestellt ist.
Beispielanwendung - Änderung des Maststatus nach Sanierung
Um unsere erfinderische Methode zu bewerten, haben wir Hammerschlagdaten von 7 „schlechten“ Masten (äußere Hülle verfault) vor und nach der Restaurierung gesammelt und die Daten zusammen mit Daten von anderen Masten (Normal, früher Verfall) visualisiert. In dem erlernten latenten Raum werden neue Muster entdeckt, die sich von den ursprünglichen Positionen „verschieben“. Insbesondere ähneln solche Muster mehr den „normalen“ Masten. Vorteilhafterweise kann eine Profilkarte gemäß den Aspekten der vorliegenden Offenbarung verwendet werden, um zu bewerten, ob eine Restaurierung des Masts wirksam ist
7 ist ein Diagramm, das die Änderung des Status von sieben „äußere Hülle verfault“-Versorgungsmasten nach der Wiederherstellung gemäß den Aspekten der vorliegenden Offenbarung zeigt.
Die sieben Masten sind anfangs von „Früh-er-Verfall-Masten“ umgeben. Nach der Sanierung „bewegen sie sich über die Entscheidungsgrenze“ und ähneln eher „normalen“ Masten. Die Entscheidungsgrenze zwischen {Normal} Masten und {Früher Verfall, äußere Hülle verfault} Masten wird in einem typischen Diagramm durch unterschiedliche Schattierungen des Kreises dargestellt.
8 ist ein schematisches Diagramm, das ein illustratives Datenerfassungsschema zeigt, das an einem typischen Satz von Versorgungsmasten durchgeführt wurde, einschließlich Klopfen mit zwei verschiedenen Stärken - stark und schwach - auf drei verschiedenen Höhen sowohl parallel als auch senkrecht zur Kabelrichtung.
Im Folgenden werden die Schritte beschrieben, die mit unserem erfindungsgemäßen Verfahren gemäß den Aspekten der vorliegenden Offenbarung verbunden sind, das im Flussdiagramm von 3 skizziert wurde
Schritt 1 der Methode umfasst die Datenerfassung von DAS-Daten, die sich aus Hammerschlägen auf f Normal, früher Verfall, äußere Hülle verfault} Masten und an 5~11 Kabelpunkten um jeden Mast ergeben. Die Klopfstellen sind in 7 dargestellt. Ein Metronom-Timer wird verwendet, um das Timing jedes Klopfens so zu kalibrieren, dass sich benachbarte Klopfungen nicht überschneiden. Mit einem Spitzenwert-Findungsalgorithmus wird jede Probe aus einer Rohwellenform extrahiert, die etwa 6,9 Sekunden DAS-Daten bei 8 kHz enthält (etwa 0,4 Sekunden vor dem Klopfen und 6,5 Sekunden nach dem Klopfen). Wie aus dem Flussdiagramm hervorgeht, umfasst unsere Methodik der tiefen Repräsentation drei separate DAS-Signale, von denen zwei von einem gemeinsamen erregten Versorgungsmast stammen sollten.
Schritt 2 der Methode ist ein Vorverarbeitungsschritt, bei dem die Wellenformdaten durch Anwendung der Kurzzeit-Fourier-Transformation (STFT) mit einem Hann-Fenster der Größe 2048 in die Zeit-Frequenz-Darstellung transformiert werden. Das resultierende Spektrogramm wird bis zu 500 Hz abgeschnitten.
Schritt 3 der Methode ist ein Datenerweiterungsschritt, bei dem während jeder Trainingsepoche 3 der 5 Kabelpositionen, 2 Wiederholungen der 4 Klopfstellen an derselben Stelle und 4 der 6 Klopfstellen am Mast zufällig ausgewählt werden, um eine Überanpassung oder ein Verharren in lokalen Optima zu verhindern.
Schritt 4 der Methode ist ein kontrastiver Trainingsschritt. Angenommen, es werden K Proben von jedem der P Masten gesammelt. Zwei Proben von demselben Mast und eine Probe von einem anderen Mast bilden ein Triplett (mit Anker, positiv und negativ). Die Gesamtzahl der Tripletts beträgt PK^2(P-1)x(K-1), und die meisten von ihnen sind redundant und nach den ersten paar Epochen von geringem Nutzen. Zur Erleichterung des Lernens wenden wir den „batch-hard“ Triplet-Verlust an, dargestellt durch: $L_{B H} = \sum_{i = 1}^{P} \sum_{a = 1}^{K} [m + max_{p = 1, \dots K} D (ƒ_{0} (x_{a}^{i}), ƒ_{0} (x_{p}^{i})) - min_{j = 1, \dots P, n = 1, \dots K, j \neq 1} D (ƒ_{0} (x_{a}^{i}), ƒ_{0} (x_{n}^{i}))]$
Nach dem tiefen metrischen Lernen werden die Zeit-Frequenz-Spektrumsdaten in einen niedrigdimensionalen Einbettungsraum projiziert, der die einzigartigen Merkmale jedes Masts bewahren kann, d. h., die vom selben Mast gesammelten Proben liegen nahe beieinander.
Schritt 5 unserer erfindungsgemäßen Methode kann sekundäre Aufgaben beinhalten. Solche sekundären Aufgaben des maschinellen Lernens können je nach Bedarf durchgeführt werden, einschließlich: Training des KNN-Klassifikators auf der Grundlage der erlernten Einbettung, um die Integrität des Masts zu bewerten; Speichern der Einbettung als niedrigdimensionales Merkmal und anschließende Visualisierung auf einer Profilkarte; Zurückweisen von nicht vertrauenswürdigen Proben auf der Grundlage der Nachbarschaftsstruktur des Einbettungsraums; und Identifizierung oder Verfolgung von Masten, die eine Statusänderung aufweisen, auf der Grundlage der Ähnlichkeit eines Abfragemasts mit historischen Daten, die von demselben Mast gesammelt wurden.
9 ist ein schematisches Diagramm, das eine illustrative Modellarchitektur eines neuronalen Netzes zeigt, das gemäß den Aspekten der vorliegenden Offenbarung verwendet wird.
An dieser Stelle haben wir diese Offenbarung zwar anhand einiger spezifischer Beispiele dargestellt, doch wird der Fachmann erkennen, dass unsere Lehren nicht so beschränkt sind. Dementsprechend sollte diese Offenbarung nur durch den Umfang der beigefügten Ansprüche begrenzt werden.

Claims

Verfahren zum Betreiben eines Systems zur verteilten faseroptischen Abtastung (DFOS) / verteilten akustischen Abtastung (DAS), das eine Länge einer optischen Abtastfaser enthält, die in der Luft an einer Vielzahl von Versorgungsmasten aufgehängt ist und in optischer Verbindung mit einem DFOS-Abfragesystem / Analysator steht, wobei das Verfahren umfasst: Betrieb des DFOS/DAS-Systems bei manueller Erregung von mehr als einem der Masten, um Frequenzgang(e) der erregten Masten zu erhalten; kontrastives Training eines neuronalen Faltungsnetzwerks (CNN) mit den erhaltenen Frequenzantworten; Klassifizierung der Versorgungsmasten unter Verwendung des kontrastiv trainierten CNN; und Erzeugen einer Profilkarte der erregten Masten, die auf die klassifizierten Versorgungsmasten hinweist.
Verfahren nach Anspruch 1, bei dem die manuelle Anregung jedes der mehr als einen Masten mechanische Stöße mit zwei verschiedenen Stärken in drei verschiedenen Masthöhen sowohl parallel als auch senkrecht zu einer Richtung umfasst, in der die in der Luft aufgehängte optische Sensorfaser ausgerichtet ist.
Verfahren nach Anspruch 2, bei dem der Frequenzgang/die Frequenzgänge der angeregten Masten durch Anwendung einer Kurzzeit-Fourier-Transformation (STFT) mit einem Hann-Fenster der Größe 2048 in einen Zeit-Frequenz-Bereich transformiert wird/werden, so dass das resultierende Spektrogramm bis zu 500 Hz abgeschnitten wird.
Verfahren nach Anspruch 1, wobei 4 der 6 manuellen Erregungen, die an einem einzelnen Mast durchgeführt werden, für das anschließende Training und/oder die Klassifizierung zufällig abgetastet werden.
Verfahren nach Anspruch 4, bei dem mindestens zwei Masten aus der Vielzahl der Masten für das Training und die anschließende Analyse mechanisch angeregt werden.
Verfahren nach Anspruch 2, bei dem die mechanischen Stöße in unterschiedlichen Zeitabständen durchgeführt werden.
Verfahren nach Anspruch 6, bei dem die Klassifizierung für die mechanisch beanspruchten Masten aus der Vielzahl der Masten einen Mastzustand angibt, der aus der Gruppe ausgewählt ist, die besteht aus: normal, früher Verfall, verfaulte äußere Hülle und Sanierung.
Verfahren nach Anspruch 5, bei dem K mechanische Stöße (Proben) von jedem der P Masten durchgeführt werden und zwei Proben von demselben Mast und eine Probe von einem anderen Mast ein Triplett bilden, so dass die Gesamtzahl der Tripletts durch PK^2(P-1)x(K-1) dargestellt wird und ein Triplettverlust gemäß dem Folgenden durchgeführt wird: $L_{B H} = \sum_{i = 1}^{P} \sum_{a = 1}^{K} [m + max_{p = 1, \dots K} D (ƒ_{0} (x_{a}^{i}), ƒ_{0} (x_{p}^{i})) - min_{j = 1, \dots P, n = 1, \dots K, j \neq 1} D (ƒ_{0} (x_{a}^{i}), ƒ_{0} (x_{n}^{i}))]$