KR20170012204A - 광섬유 센서 시스템 - Google Patents
광섬유 센서 시스템 Download PDFInfo
- Publication number
- KR20170012204A KR20170012204A KR1020167028916A KR20167028916A KR20170012204A KR 20170012204 A KR20170012204 A KR 20170012204A KR 1020167028916 A KR1020167028916 A KR 1020167028916A KR 20167028916 A KR20167028916 A KR 20167028916A KR 20170012204 A KR20170012204 A KR 20170012204A
- Authority
- KR
- South Korea
- Prior art keywords
- activation
- output
- activation cell
- cell
- disturbance
- Prior art date
Links
- 239000013307 optical fiber Substances 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 claims abstract description 29
- 230000004044 response Effects 0.000 claims abstract description 4
- 230000004913 activation Effects 0.000 claims description 127
- 230000005855 radiation Effects 0.000 claims description 27
- 239000000835 fiber Substances 0.000 claims description 25
- 230000003287 optical effect Effects 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 6
- 230000001419 dependent effect Effects 0.000 claims description 3
- 230000001960 triggered effect Effects 0.000 claims description 2
- 230000003213 activating effect Effects 0.000 claims 1
- 230000002238 attenuated effect Effects 0.000 claims 1
- 210000004027 cell Anatomy 0.000 description 86
- 238000013528 artificial neural network Methods 0.000 description 27
- 210000002569 neuron Anatomy 0.000 description 23
- 230000000694 effects Effects 0.000 description 14
- 230000013016 learning Effects 0.000 description 14
- 210000000225 synapse Anatomy 0.000 description 12
- 230000036982 action potential Effects 0.000 description 10
- 238000010079 rubber tapping Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 239000012528 membrane Substances 0.000 description 4
- 238000005065 mining Methods 0.000 description 4
- 238000005452 bending Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 210000002364 input neuron Anatomy 0.000 description 3
- 230000001537 neural effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000005553 drilling Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000010304 firing Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000002401 inhibitory effect Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 230000036962 time dependent Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 102000004310 Ion Channels Human genes 0.000 description 1
- 241000735215 Lepidocybium flavobrunneum Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 206010070834 Sensitisation Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000003169 central nervous system Anatomy 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000002964 excitative effect Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000009313 farming Methods 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 230000010006 flight Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000005693 optoelectronics Effects 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000036279 refractory period Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000008313 sensitization Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D5/00—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable
- G01D5/26—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable characterised by optical transfer means, i.e. using infrared, visible, or ultraviolet light
- G01D5/32—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable characterised by optical transfer means, i.e. using infrared, visible, or ultraviolet light with attenuation or whole or partial obturation of beams of light
- G01D5/34—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable characterised by optical transfer means, i.e. using infrared, visible, or ultraviolet light with attenuation or whole or partial obturation of beams of light the beams of light being detected by photocells
- G01D5/353—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable characterised by optical transfer means, i.e. using infrared, visible, or ultraviolet light with attenuation or whole or partial obturation of beams of light the beams of light being detected by photocells influencing the transmission properties of an optical fibre
- G01D5/35338—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable characterised by optical transfer means, i.e. using infrared, visible, or ultraviolet light with attenuation or whole or partial obturation of beams of light the beams of light being detected by photocells influencing the transmission properties of an optical fibre using other arrangements than interferometer arrangements
- G01D5/35354—Sensor working in reflection
- G01D5/35358—Sensor working in reflection using backscattering to detect the measured quantity
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H9/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by using radiation-sensitive means, e.g. optical means
- G01H9/004—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves by using radiation-sensitive means, e.g. optical means using fibre optic sensors
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M3/00—Investigating fluid-tightness of structures
- G01M3/38—Investigating fluid-tightness of structures by using light
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Geophysics And Detection Of Objects (AREA)
- Image Analysis (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
후방 산란 신호(back-scattered signal)의 성분에 반응하여 외란을 라벨링하도록 맞추어진 복수의 활성화 셀을 갖는 신호 프로세서를 구비한, 외란의 위치를 판단하기 위한 광섬유 센서 시스템 및 방법.
Description
본 발명은 외란(disturbance)의 위치를 판단하는 광섬유 센서 시스템 및 방법에 관한 것이다.
[발명의 소개]
오일, 물, 가스 및 다른 제품 파이프라인은 세계의 모든 부분에서 중요한 네트워크를 형성하고, 침입자에 대한 쉬운 목표가 된다. 또한, 파이프라인은 지진, 쓰나미 및 기타 지리학적 위험 사건의 여지가 있다. 파이프라인을 손상으로부터 안전하게 유지하기 위하여 파이프라인을 모니터링하는 것은 주요 도전 과제이다. 종종 원격의 적대적인 지역을 통과하는 긴 거리는 대부분의 통상적인 모니터링 시스템의 비용을 엄두도 못 낼 정도로 높게 한다. 오일 또는 가스 파이프라인이 손상되면, 폭발, 화재 및 오염에 기인하는 인간의 삶과 건강; 동식물상(flora and fauna)의 오염에 기인하는 환경 및 연관된 재정 손실과 이미지 및 명성 모두에 대한 손상에 대단히 파괴적인 영향을 가질 수 있다.
파이프라인은 의도적인 행동(불법적인 태핑(tapping), 사보타주(sabotage)) 또는 의도하지 않은 방해(건설 작업, 농사)와 같은 다양한 종류의 서드파티 간섭의 여지가 있다. 이러한 서드파티 간섭은 파이프라인 운영자에 대하여 막대한 재정적 환경적 손상과 손실을 야기할 수 있다. 따라서, 관심 이벤트를 검출하고, 이에 의해 자연, 인간 건강 및 경제적 이익을 보호하기 위하여, 신뢰성 있는 실시간 파이프라인 모니터링 시스템이 요구된다.
2009년의 조사에 따르면, 모든 전 세계적 파이프라인 누출의 대략 36%는, 불법적인 태핑, 사보타주 또는 건설 작업과 같은 서드파티 간섭(third party interference(TPI))에 의해 발생되었다. 서드파티 간섭에 기인하는 관심 이벤트의 예는 다음을 포함한다: 2001년 10월 4일 알래스카 페어뱅크스(미국)에서의 사보타주에 기인하는 990t의 오일; 2000년 우크라이나 췌닝고우(Tschernigow)에서의 불법적인 태핑에 기인하는 500,000 리터의 디젤 손실; 1999년 6월 10일 워싱턴 왓콘 크릭(Whatcorn Creek)의 벨링햄(미국)에서의 건설 작업에 기인하는 880t의 휘발유로 4천 5백만 USD의 재정 손실.
불법적인 태핑은 인도, 중국 및 남미와 같은 신흥 국가에서의 주요 문제이다. 2011에, 예를 들어, PEMEX(Petroleos Mexicanos)는 멕시코에서 1,324 케이스의 불법적인 태핑까지 계산하였다. 매일, Pemex는 40,000 리터의 오일과 가스의 손실을 예측하며, 이는 연간 손실의 합계가 10억 USD보다 더 많은 피해로 된다. 간섭의 발생 전에 또는 그에 가깝게 서드파티 간섭이 검출된다면, 이러한 피해는 방지되거나 실질적으로 감소될 수 있을 것이다.
여러 번, 파이프라인 모니터링은 파이프라인을 따라 도보, 운전 및 비행에 의해 수행된다. 라인을 걷고 운전하기 위한 연간 비용은 킬로미터당 100 유로 내지 350 유로로 다양하다. 라인을 비행하기 위한 추가 비용은 킬로미터당 4.50 유로에 이른다. 보통, 1달마다 2번의 검사가 수행되며, 이는 킬로미터당 108유로까지 더해진다(4.50 유로/km x 2회 비행/월 x 12 개월). 연간 비용은 킬로미터당 208 유로 내지 458 유로 사이에 있다.
[관련 기술의 설명]
음향 외란을 감지하기 위한 많은 시스템이 알려져 있다. 음향 외란은, 소개에서 설명된 바와 같이, 서드파티 간섭 또는 지리학적 위험을 통한 파이프라인에 대한 손상 또는 파이프라인을 손상시키려고 의도하여 접근하는 차량 또는 개인을 나타낼 수 있다. 이러한 시스템은 센서로서 동작하고 음향 외란을 감지하기 위하여 후방 산란 방사선(back-scattered radiation)의 패턴으로 변화를 감지하는 파이프라인을 따라 놓이는 광섬유의 사용을 수반한다. 예를 들어, 독일 뮌헨의 Pimon GmbH는 음향 외란을 검출하기 위하여 분산된 광 섬유 감지 기술을 활용하는 장치 PMS2500-vibrO를 판매한다. PMS2500-vibrO 시스템은 OTDR(optical time domain reflectometer)을 분석 및 패턴 인식 소프트웨어와 결합하고, GIS(geographic information system) 매핑과의 커스터마이징된 인터페이스를 제공한다.
국제 특허 출원 WO2011/05813, WO2011/015812 및 WO2011/059501(QineiiQ)는 모두 관심 이벤트를 규명하기 위한 분산된 광섬유 감지 시스템을 이용하는 다양한 양태를 교시한다. 유사하게, 영국 특허 출원 GB 2 491 658도 음향 외란의 위치를 찾기 위한 방법 및 시스템을 교시한다. 이러한 출원들은 모두 시스템이 관심 이벤트를 규명하기 위하여 광섬유로부터의 후방 산란 방사선을 분석한다는 점에서 공통점을 가진다. 이러한 시스템은 음향 외란으로부터 관심 이벤트를 결정하는데 유용하지만, 특히 이러한 관심 이벤트가 이전에 알려지지 않았을 때, 시스템은 관심 대상이 아닌 이벤트가 식별되고 일부 관심 이벤트를 식별하지 못하는 "긍정 오류(false positive)"를 생성하는 것으로 알려져 있다.
이벤트의 부정확한 식별의 문제점에 대한 하나의 해결 방안은 관심 이벤트를 인식하도록 시스템을 훈련시키기 위하여 인공 신경망(artificial neural network(ANN))을 이용하는 것일 수 있다. ANN은 계산 모델이며, 기계 학습 및 패턴 인식을 할 수 있는 동물 중추 신경계, 특히 뇌의 영감을 받는다. ANN은 보통 입력으로부터의 정보를 ANN을 통해 공급함으로써 입력으로부터의 값을 계산할 수 있는 "시냅스(synapse)"에 의해 연결된 "뉴런(neuron)" 또는 노드 시스템으로서 제공된다. 시냅스는 하나의 뉴런이 다른 뉴런으로 신호를 전달하게 하는 메커니즘이다.
ANN의 일례는 필기 인식을 위한 것이다. 입력 뉴런 세트는 글자 또는 숫자를 나타내는 입력 이미지의 카메라 내의 픽셀에 의해 활성화될 수 있다. 그 다음, 최종적으로 어느 문자(글자 또는 숫자)가 이미지화되었는지 판단하는 출력 뉴런이 활성화될 때까지, 이러한 입력 뉴런의 활성화가 ANN의 설계자에 의해 판정되고, 가중치가 부여되어 다른 뉴런으로 변환된다. ANN은, 컴퓨터 영상 및 음성 인식을 포함하는 보통의 규칙 기반 프로그래밍을 이용하여 해결하기 어려운 매우 다양한 작업을 해결하는데 사용되어 왔다.
ANN의 유일한 공식적인 정의는 없다. 일반적으로, 클래스가 적응적 가중치(adaptive weight) 세트(학습 알고리즘에 의해 조정된 수치 파라미터)로 이루어지고 통계적 모델의 입력의 비선형 함수를 근사화할 수 있다면, 통계적 모델 클래스는 "신경(neural)"이라 불릴 것이다. 적응적 가중치는 뉴런들 사이의 연결(시냅스)의 강도(strength)로 고려될 수 있다.
ANN은 이해할 수 있는 결과를 생성하도록 훈련되어야 한다. 다음의 3가지 학습 패러다임이 있다: 지도 학습(supervised learning), 자율 학습(unsupervised learning) 및 강화 학습(reinforcement learning).
지도 학습에서, 학습 패러다임은 사전 분석된 데이터 세트, 예를 들어 파형이 ANN에 의해 분석되고, ANN에서 뉴런들 사이의 연결(시냅스)의 가중치가 ANN의 출력이 알려진 이미지와 상관되도록 조정된다는 점을 모두 공통적으로 지닌다. 이 학습에 관련된 비용이 있다. ANN의 결과의 효율 개선은 훈련 세트에서 알려진 이벤트를 나타내는 더 많은 수의 데이터 항목을 이용함으로써 획득될 수 있다. 그러나, 더 많은 수의 항목은 정확한 결과를 얻기 위해서 분석을 위한 계산력 및 시간에서의 증가를 필요로 한다. 따라서, ANN을 훈련시키기 위하여 소요되는 시간 및 결과의 정확성 사이에 트레이드 오프가 설정될 필요가 있다.
ANN에서의 최근 발전은 이른바 "딥 러닝(deep learning)"을 포함한다. 딥 러닝은 입력의 계층 모델을 사용하려고 시도하는 알고리즘 세트이다. 토론토 대학교의 Jeffrey Heaton은 Trends in Cognitive Sciences에서 발행된 리뷰 논문 'Learning Multiple Layers of Representation', vol. 11, No. 10, 428 - 434 페이지, 2007에서 딥 러닝을 논의하였다. 이 문헌은, 단순히 데이터를 분류하는 대신에, 감각 데이터(sensory data)를 생성하기 위하여 한 번에 한 층씩 다층 신경망의 하향식(top-down) 연결 및 훈련을 포함하는 다층 신경망을 설명한다.
종래 기술의 ANN에서의 뉴런 활동은 일련의 이산 시간 단계 동안 그리고 연속 파라미터를 이용하지 않고 계산된다. 일반적으로 뉴런의 활동 레벨은, 일반적으로, 0 또는 1로 설정되고 시간 단계 t에서 "활동 전위(action potential)"를 설명하는 이른바 "활동 값(activity value)"에 의해 정의된다. 뉴런들 사이의 연결, 즉 시냅스는, 일반적으로 구간 [-1.0, +1.0]에서의 값을 갖도록 선택된 가중 계수로 가중치가 부여된다. 가중 계수의 음의 값은 "억제성 시냅스(inhibitory synapse)"를 나타내고, 가중 계수의 양의 값은 "흥분성 값(excitatory value)"를 나타낸다. ANN에서의 활동 값의 계산은 뉴런에서 시냅스 상에서 수신된 활성 입력의 일부 또는 전부의 가중치가 부여된 것이 뉴런의 (정해진) 임계값과 비교되는 단순 선형 덧셈 모델을 이용한다. 덧셈이 임계값보다 큰 값을 제공하면, 다음 뉴런이 활성화된다.
학습 시스템의 일례는 국제특허출원공보 WO 1998 027 511(Geiger)에서 설명되며, 이는 크기 또는 위치에 관계없이 이미지 특성을 검출하는 방법을 교시한다. 방법은, 출력이 비선형 조합 함수를 이용하여 평가된 특성의 형태로 이미지 정보를 나타내는 여러 신호 생성 장치를 이용하는 것을 포함한다.
국제특허출원공보 WO 2003 017252는 음성 시퀀스(phonetic sound sequence) 또는 문자 시퀀스(character sequence)를 인식하는 방법에 관한 것이다. 음성 시퀀스 또는 문자 시퀀스는 초기에 신경망으로 공급되고, 특성 시퀀스가 문자 스트링 시퀀스에 기초하는 저장된 음성 및/또는 어휘 정보를 고려하여 음성 시퀀스 또는 문자 시퀀스로부터 형성된다. 장치는 이전에 프로그래밍된 대형 지식 저장소를 이용하여 음성 및 문자 시퀀스를 인식한다.
또한, Informatik-Fachreichte, Springer-Verlag, 1990에서 발행된 Hans Geiger와 Thomas Waschulzik의 논문 'Theorie und Anwendung strukturierte konnektionistische Systeme', 페이지 143 - 152도 신경망의 구현을 설명한다. 이 논문의 ANN에서의 뉴런은 0과 255 사이의 활동 값을 가진다. 각각의 뉴런의 활동 값은, 뉴런에 대한 입력이 변경되지 않는 상태를 유지하더라도, 시간에 따라 변동한다. 뉴런의 출력 활동 값은 시간에 대하여 변동할 수 있다. 이 논문은 임의의 노드의 활동 값이 이전 활동의 결과에 적어도 부분적으로 의존한다는 개념을 교시한다. 또한 논문은 시스템이 개발될 수 있는 방식에 대한 간단한 상세를 포함한다.
종래 기술의 ANN들은 관심 이벤트를 나타내는 패턴을 이용하여 훈련될 필요가 있다. 이들은 "알려진" 관심 이벤트를 인식하는 것에 양호할 수 있지만, 이벤트가 알려지지 않은 경우에는 실패할 수 있어, 알려지지 않은 광섬유에서의 후방 산란 방사선의 패턴을 야기할 것이다. 또한, ANN들은 전문가에 의해 정확하게 프로그래밍되고 식별되며, 관심 이벤트를 판단하기 위한 가중 계수의 선택이 역시 알려진 관심 이벤트에 의존한다.
종래의 시스템으로 검출하기 어려운 이벤트의 다른 하나의 종류는 이벤트 시퀀스에서 가장 양호하게 식별되는 이벤트이다. 예를 들어, 개인들의 그룹이 오일의 일부를 취하기 위하여 오일 파이프라인을 태핑하기 원한다고 가정하자. 이벤트 시퀀스는 아마도 굴착기가 파이프라인에 접근하고, 아마도 정지하기 전에 파이프라인 위로 앞뒤로 지나가고, 굴착기를 안정화하기 위하여 지지 발판(supporting feet)을 내어 놓는 것을 포함할 것이다. 굴착기가 파이프라인 근처에서 큰 구멍을 굴착하기 시작하고, 이어서 파이프라인 근처에서 3 내지 5명의 사람의 그룹이 수작업으로 채굴한다. 이어서, 굴착기는 꺼질 것이고, 오일을 내보내기 위하여 파이프라인에 밸브가 설치될 것이다. 태핑된 오일을 내보내기 위하여 유조차가 도착한다. 이러한 개별 이벤트의 각각은(파이프라인 근처에서 수작업으로 채굴하는 것이 오일을 훔치려는 시도를 나타낼 수 있지만) 본질적으로 관심 대상이 아니다. 그러나, 전체 이벤트 시퀀스는 매우 관련 있을 것이다. 따라서, 오일을 훔치려는 시도를 식별하기 위하여 모든 이벤트로부터의 신호를 결합할 수 있는 시스템에 대한 요구가 있다.
일부 경우에, 밸브는 제자리에 남겨져 오일을 태핑하는데 재사용된다. 이것은 검출된 이벤트의 상이한 세트로 이어질 것이다. 위치가 흔치 않은 이벤트 세트가 이전에 검출된 위치와 상관될 수 있다면, 오일을 추출하는데 있어서의 추가 시도가 이루어지고 있다는 급박한 경고를 제공할 필요가 있다.
본 개시 내용에서 설명된 외란 또는 관심 이벤트의 위치 결정 방법 및 장치에 대한 원리는 이른바 BNN(biologically-inspired neural network)으로부터 형성된 신호 프로세서를 이용하여 광섬유로부터의 후방 산란 방사선을 분석하는 것에 기초한다. BNN에서 임의의 뉴런의 활동은 생물 물리학(biophysical) 과정으로서 시뮬레이션된다. 뉴런의 기본 신경 특성은, (습성(wet)) 생물학에서, 막(membrane)에서 이온 채널에 의해 영향을 받는 "막 전압(membrane voltage)"이다. 뉴런의 활동 전위는 이 막 전압에 의존하여 생성되지만, 활동 전위의 확률만이 계산되는 확률론적(stochastic)(무작위(random)) 성분을 포함한다. 활동 전위 자체는 무작위 방식으로 생성된다. 막은 생물학에서 본 개시 내용의 BNN에 자동적으로 포함된, 절대 및 상대 불응기(refractory period), 순응(adaptation) 및 감작(sensitization)과 같은 일부 추가의 전기 화학 특성 효과를 가진다.
하나의 뉴런으로부터 다른 하나의 뉴런으로 전달된 기본 정보는 활동 전위(또는 후술하는 바와 같은 점화 빈도(firing rate))뿐만 아니라, 활동 전위의 시간 종속 패턴이다. 활동 전위의 이러한 시간 종속 패턴은 단일 스파이크 모델(single spike model(SSM))로서 설명된다. 이것은, 임의의 두 개의 뉴런으로부터의 입력 사이의 상호 작용이 활동의 단순한 선형 덧셈보다 더 복잡하다는 것을 의미한다.
뉴런들 사이의 연결(시냅스)은 상이한 종류를 가질 수 있다. 시냅스는 거의 흥분성 또는 억제성일 뿐만 아니라(ANN의 경우와 같이), 다른 특성을 가질 수 있다. 예를 들어, 개별 뉴런을 연결하는 모수석 트리(dendritic tree)의 토폴러지도 고려될 수 있다. 또한, 모수석 트리에서의 모수석 상의 2개의 입력 뉴런으로부터의 시냅스의 상대 위치도 2개의 뉴런 사이의 방향에 큰 영향을 미칠 수 있다.
신호 프로세서에 더하여, 본 개시 내용의 광섬유 센서 시스템은 광섬유 내로 방사선을 런칭하기 위한 방사선원을 갖는 광섬유와, 광섬유로부터 후방 산란된 후방 산란 방사선을 검출하는 검출기를 포함한다.
본 개시 내용의 일 양태에서, 방사선원은 일련의 광 펄스로 적외선을 생산한다.
또한, 본 개시 내용은, 광섬유 내로 방사선을 런칭하는 단계와 광섬유로부터 후방 산란 방사선을 검출하는 단계를 포함하는 외란 또는 관심 이벤트의 위치를 판단하는 방법을 교시한다. 후방 산란 방사선은 복수의 값을 생산하도록 처리되며, 그 다음 이 복수의 값은 분석을 위하여 신호 프로세서로 전달된다. 신호 프로세서는 복수의 제1 활성화 셀에서 값을 받아들이고, 제1 활성화 셀로부터 제1 출력을 트리거한다. 제1 출력은 적어도 제2 활성화 셀의 서브 세트로 전달되고, 그 후, 제2 출력이 제2 활성화 셀의 이 서브 세트로부터 트리거된다. 제2 활성화 셀의 복수의 서브 세트로부터의 제2 출력은 외란과 관련된 출력값을 생산하기 위하여 더해진다. 알려진 이벤트의 사운드 프로파일을 나타내는 이전에 저장된 후방 산란 방사선의 패턴에 대한 출력 값의 참조에 의해 외란이 식별된다.
본 개시 내용의 신호 프로세서는 자율 학습하며, 하나의 동일한 이벤트의 또는 관련된 이벤트 시퀀스로부터의 상이한 "노이즈(noise)"를 학습하고 결합할 수 있다. 신호 프로세서는, 농부의 농장 작업과 같은 정상적인 외란을 굴착기를 이용하여 파이프라인에 접근하는 자와 같은 위협을 나타내는 관심 이벤트와 구별하기 위하여, 상이한 노이즈 프린트 및 이의 특수한 특성 및 사운드 레벨을 결합하고 비교한다.
본 개시 내용에 교시된 광섬유 센서 시스템은, 응급 상황이 발생하는 경우 정확한 GIS 위치로 경고하고, 채굴, 드릴링, 태핑, 사보타주, 지진 등에 의해 발생된 누출로부터의 위험을 줄이기 위하여 실시간으로 위협을 식별하고, 어떠한 추가의 전력 공급 없이 그리고 추가 유닛을 더하는 것으로 어떠한 길이의 배치도 커버하는 확장성을 가지면서 하나의 측정 유닛으로 대략 50 km의 파이프라인을 모니터링하는 것을 제공할 수 있다. 시스템은 잘못되거나 무관한 알람을 줄이며, 1 미터 해상도까지 낮추어 여러 이벤트를 구별하고, 파이프라인을 따라 상이한 속도(차량 또는 도보)로 이동하는 잠재적인 불법 침입자를 추적하는 것으로 밝혀졌다. 시스템은 가능성 있는 침입자의 방향 및 속력을 검출할 수 있다.
도 1은 본 개시 내용의 시스템에서 사용되는 광섬유 센서의 일례를 도시한다.
도 2는 외란 검출 방법을 도시한다.
도 3은 신호 프로세서의 다이어그램을 도시한다.
도 2는 외란 검출 방법을 도시한다.
도 3은 신호 프로세서의 다이어그램을 도시한다.
본 발명은 도면에 기초하여 설명된다. 여기에서 설명된 본 발명의 실시예 및 양태는 단지 예이며, 어떠한 방식으로도 청구범위의 보호 범위를 제한하지 않는다는 것이 이해될 것이다. 본 발명은 청구범위와 이의 균등물에 의해서 정의된다. 본 발명의 하나의 양태 또는 실시예의 특징은 본 발명의 다른 양태 또는 양태들 및/또는 실시예의 특징과 결합될 수 있다는 것이 이해될 것이다.
본 개시 내용의 광섬유 센서 시스템은 분산된 광섬유 감지에 기초하며, ODTR(optical time domain reflectometer)를 검출 소프트웨어 및 GIS(geographic information system) 매칭과의 커스터마이징된 인터페이스와 통합한다. 광섬유 케이블은 종종 통신 목적으로 이미 파이프라인 근처에 매립되거나 그에 부착되어 있다. 본 시스템은 표준 단일 모드 통신 섬유를 관심 이벤트를 위한 청취 장치로서 활용한다.
OTDR(optical time domain reflectometer)은 광섬유의 특징을 나타내는데 사용되는 광전자 기기이다. 반사계(reflectometer)는 일련의 광 펄스를 시험되고 있는 광섬유로 주입하고 동일한 섬유단에서 섬유를 따르는 지점들로부터 반사되거나 후방 산란된 복귀광을 검출한다. OTDR은 이 측정으로부터 이른바 탐상 도형(reflectogram)을 생산하고, 섬유 특성에 대한 효율적이고 정밀하며 폭넓은 분석을 수행한다.
레이저 다이오드가 광섬유의 일단으로 일련의 광 펄스의 형태로 방사선(radiation)을 런칭하고, 포토 다이오드가 동일한 섬유 단부에서 복귀광을 측정한다. 포토 다이오드는 OTDR의 부분이며 신호를 생산한다. 복귀광은 반사된 광 또는 후방 산란된 광을 포함한다. 포토 다이오드에 의해 검출된 신호는 광섬유를 따라 관심 이벤트에 관한 관련 정보를 제공한다. 신호는 주입된 광 펄스가 광섬유를 따라 도중에 겪는 불규칙에 의해 영향을 받는다. 광섬유 내의 소정의 영역이, 예를 들어, 벤딩 또는 섬유 커넥터에 의해 발생되는 감쇠 또는 반사를 가지면, 이 감쇠 또는 반사는 복귀하는 신호에서의 차이에 의해 검출된다. 광 펄스의 속도는 알려져 있고, 따라서 불규칙의 정확한 위치는 광 펄스의 주입과 복귀하는 신호의 입사 사이의 시간 차이에 기초하여 결정될 수 있다. 불규칙은 관심 이벤트 또는 다른 외란을 나타낼 수 있다.
이제 외란 또는 관심 이벤트가 광섬유 근처에서 발생한다고 가정하자. 적어도 작은 정도의 광섬유의 벤딩을 발생시킬 광섬유에 대한 압력이 있을 수 있거나, 또는 진동/음파가 광섬유의 구조를 잠시 변동시킬 것이고 이것이 후방 산란 신호의 변동을 발생시킬 것이다. 이 변동은 OTDR에서 검출될 수 있다. 외란이 이동하는 물체라고 가정하면, 광섬유의 약간의 벤딩은 이동하는 물체가 이동함에 따라 위치를 변화시킬 것이어서, 외란의 움직임의 속력과 방향이 규명될 수 있게 한다.
광섬유가 긴 거리에 대하여 외란을 측정할 수 있기 때문에, 광섬유는 양호한 센서가 된다. 광섬유에서의 신호의 후방 산란은 진동(예를 들어, 차량, 발자국, 채굴, 드릴링에 의해 발생됨)에 따라, 온도 변동(예를 들어, 새는 가압 가스에 의해 발생됨)에 따라, 또는 광섬유가 팽팽해지거나, 벤딩되거나, 구부러지거나 또는 절단될 때 변동한다.
예
도 1은 본 개시 내용의 교시를 이용하는 광섬유 센서 시스템의 일례를 도시한다. 본 센서 시스템에서 사용되는 광섬유(20)는 관심 영역에서 배치된 특수하게 놓여진 광섬유(20)일 수 있다. 또한, 광섬유(20)는 일반적으로 데이터를 반송하는 표준 통신 광섬유일 수 있다. 광섬유(20)는, 본 설명의 도입부에서 약술된 바와 같이, 파이프라인(25) 근처에 또는 그에 바로 인접하게 놓여질 수 있다. 일반적으로, 광섬유(20)는 케이블 내에 다른 광섬유와 함께 배치될 수 있다. 본 개시 내용의 광섬유 센서 시스템은 비밀의, 즉, 사용되지 않은 광섬유로서의 케이블 내의 광섬유 중 하나를 이용한다. 섬유 단부로부터의 반사를 방지하기 위하여, 광섬유(20)의 다른 단부에서, 광 종단기(optical terminator)가 본 발명의 일 양태에서 선택되어야 한다.
광섬유(20)는, 본 발명의 비한정적인 일 양태에서 1.55 ㎛ 파장의 일련의 광 펄스를 포함하는 방사선(35)을 생산하는 반도체 레이저이고, 25 km에서의 관심 이벤트를 검출하기 위하여 예를 들어 4 kHz의 반복률(repetition rate)로 광섬유(20) 내로 방사선(35)을 런칭하는 방사선원(30)에 연결된다. 더 높은 반복률이 더 가까운 관심 이벤트를 검출하는데 사용될 수 있다. 광섬유(20)에는 한 번에 하나의 광 펄스만이 있어야 하고, 따라서 반복률은 이에 따라 조정될 수 있다.
광섬유(20)로부터 복귀하는 후방 산란 신호(37)는 광섬유(20)의 동일한 단부에서 검출기(40)를 이용하여 검출될 수 있으며, 신호 입사의 시간 지연이 광섬유(20)에서 관심 이벤트까지의 거리로서 도시되는 탐상 도형(reflectogram)으로 변환된다. 감도를 증가시키기 위하여 방사선원(30)으로서 고간섭성 레이저가 사용된다. 이러한 높은 레벨의 간섭 때문에, 간섭 패턴이 후방 산란 신호(37)에서 관찰될 수 있다(핑거프린트). 진동은 광섬유(20)의 구조에서의 일시적인 변화를 발생시키고, 이 간섭 패턴에서 일시적인 변화를 제공한다. 간섭 패턴에서의 일시적인 변화는 외란(45), 예를 들어, 수작업 또는 기계 채굴에 의해 발생되는 서드파티 간섭을 검출하는데 사용될 수 있다. 모든 종류의 사건은 통상적인 음파를 발생시키고, 후방 산란 신호(37)를 변동시켜, 간섭 패턴에서의 차이를 제공한다. 상이한 종류의 음파는 사건의 종류 및 음파가 전송되는 토양의 특징에 따른 특성을 가진다. 후방 산란 신호(37)가 수신되고, 신호 패턴이 디지털화된다. 검출기(40)로부터의 신호는 신호 프로세서(50)를 통과한다. 신호 프로세서(50)는 외란(45)을 분류하고 필요한 경우 알람을 시스템 운영자에게 전송할 수 있다.
신호 프로세서(50)는 해롭지 않거나 다른 무관한 사건뿐만 아니라 후방 산란 신호에서 가능성 있는 외란(45)으로부터 모든 "평상시의(regular)" 사운드를 분리할 수 있다. 또한, 신호 프로세서(50)는, 자체로 중요하지 않은 사건으로 고려될 수 있지만 함께 결합될 때 외란이 더 중요할 수 있다는 결론으로 이어지는 외란(45)의 시퀀스를 인식할 수 있다.
도 3은 본 개시 내용의 신호 프로세서(50)의 제1 예를 도시한다. 신호 프로세서(50)는 검출기(40)에 연결된다. 신호 프로세서(50)는 탐상 도형을 디지털화하고, 예를 들어, 푸리에 변환, 라플라스 필터, 자기 상관(autocorrelation) 또는 다른 방법이 복수의 제1 입력(132)을 생산하도록 적용된다.
제1 입력(132)은 복수의 제1 활성화 셀(activation cell)(130)로 전달된다. 제1 활성화 셀(130)은 제1 입력(132)과 일대일(one-to-one) 관계로 연결되거나, 제1 입력(132)과 일대다(one-to-many) 관계로 연결된다. 다른 말로 하면, 제1 활성화 셀(130)의 각각은 하나 또는 그보다 많은 제1 입력(132)에 연결된다. 연결의 개수는, 예를 들어 간섭 패턴으로부터 생성된 값의 개수인 입력(120)의 개수와, 제1 활성화 셀(130)의 개수에 따른다.
제1 활성화 셀(130)은 출력 주파수로 방출되는 복수의 스파이크(spike)를 포함하는 제1 출력(137)을 가진다. "휴식 모드(rest mode)"에서, 즉 제1 입력(132)에서 검출기(40)로부터 어떠한 신호도 없을 때, 제1 활성화 셀(130)은 200 kHz의 예시적인 출력 주파수로 복수의 스파이크를 생성한다. 따라서, 제1 활성화 셀(130)은 단일 스파이크 모델의 일례이다. 제1 입력(132)에서의 후방 산란 신호(37)로부터 유도된 신호의 인가는 검출기(40)로부터의 후방 산란 신호(37)의 강도에 따라 출력 주파수를 증가시키며, 예를 들어 400Hz까지 증가시킨다. 본 발명의 일 양태에서, 출력 주파수에서의 변화는 제1 입력(132)에서의 후방 산란 신호(37) 성분의 인가 및 제거에 실질적으로 즉시 따른다. 따라서, 제1 활성화 셀(130)은 후방 산란 신호(37)에서의 변동에 거의 즉시 반응한다.
복수의 제1 활성화 셀(130)은 다대다(many-to-many) 관계로 복수의 제2 활성화 셀(140)과 연결된다. 간략함을 위하여, 하나의 제2 활성화 셀(140)과 예시적인 개수의 제1 활성화 셀(130) 사이의 연결만이 도 3에 도시된다. 연결된 제1 활성화 셀(130)들로부터의 제1 출력(137)들은 연결된 제2 활성화 셀(140)에서 소정의 기간 동안 더해진다.
또한, 제1 출력(137)의 값은, (이 경우에는) 3개의 중심에 있는 제1 활성화 셀(130)로부터의 제1 출력(137')은 더해지고, 외부에 있는 제1 활성화 셀(130)로부터의 출력(137'')은 전체 출력(137)으로부터 빼지도록 결합된다. 다른 말로 하면, 중심의 3개의 입력(132)은 제2 활성화 셀(140)의 입력(142)에서 수신된 신호에 양으로 기여하고, 외부 센서(132'')로부터의 신호는 빼진다. 3개의 중심에 있는 제1 활성화 셀(130)과 외부의 제1 활성화 셀(130)의 양태는 단지 예일 뿐이라는 것이 이해될 것이다. 더 많은 개수의 제1 활성화 셀(130)이 사용될 수 있다.
출력(137' 및 37'')은 단지 출력(137)이 일반적으로 결합될 수 있는 방식의 일례이다. 뉴런 또는 활성화 셀 사이의 연결(시냅스)이 일반적으로 덧셈 모델에서 결합되지 않고 확률론적 성분을 가진다는 것이 본 설명의 도입부에서 설명되었다. 제1 활성화 셀(130)이 검출기(40) 및 제2 활성화 셀(140)에 연결되는 본 발명의 이러한 확률론적 양태는 단지 본 발명의 일 양태이다. 연결은 적합하게 수정될 수 있다.
제2 활성화 셀(140)은 상이한 활성화 레벨과 응답 시간을 가진다. 또한, 제2 활성화 셀(140)은 소정의 주파수로 스파이크를 생성하며, 주파수는 입력 신호(142)에서의 스파이크의 주파수에 의존하여 증가한다. 제2 활성화 셀(140)의 출력 주파수와 입력 신호(142)의 입력 주파수 사이에 일대일 관계는 없다. 일반적으로, 출력 주파수는 입력 신호(142)의 증가에 따라 증가할 것이고 임계값에서 포화한다. 의존성은 제2 활성화 셀(140) 별로 변동하고, 확률론적 또는 무작위 성분을 가진다. 또한, 제2 활성화 셀(140)의 응답 시간도 변동한다. 일부 제2 활성화 셀(140)은 입력 신호(142)에서의 변화에 거의 즉시 반응하는 반면, 일부 제2 활성화 셀(140)은 제2 활성화 셀(140)이 반응하기 전에 여러 기간을 필요로 한다. 일부 제2 활성화 셀(140)은 휴식 상태로 전환되어, 입력 신호(142)가 제거될 때 증가된 스파이크 주파수를 갖는 제2 출력 신호(147)를 발행하지 않는 반면, 일부 제2 활성화 셀(140)은 입력 신호(142)가 제거되더라도 활성화된 상태를 유지한다. 따라서, 제2 활성화 셀(140)의 활성화 지속 시간은 복수의 활성화 셀(140)에 걸쳐 다르다. 또한, 제2 활성화 셀(140)은 그 활동 전위가 활동 전위의 이전 값에 의존하는 "메모리"를 가진다. 활동 전위의 이전 값은 감쇠 인자(decay-factor)에 의해 가중치가 더 부여되어, 제2 활성화 셀(40)의 더 최근의 활동이 모든 것보다 더 강하게 활동 전위에 영향을 미친다.
제2 출력(147)은 복수의 층(180)으로 배열된 복수의 제3 활성화 셀(170)에 전달된다. 복수의 층(180)의 각각은, 제2 출력(147)에 연결된 중간층(185)과, 다른 층(187)에서 제3 활성화 셀(170)에 연결된 하나 이상의 추가층(187)을 포함한다. 도면의 예에서, 단지 5개의 층(180)이 도시되지만, 이는 단지 예시적인 것이다. 탐상 도형의 인식을 위한 본 발명의 양태에서, 여러 층이 존재한다. 동일하게, 더 많은 개수의 층(180)이 가능할 것이지만, 이는 필요한 계산력의 양을 증가시킬 것이다.
제2 출력(147)은 제2 활성화 셀(40)과 다대다 관계로 연결된다.
또한, 제3 활성화 셀(170)은, 제2 활성화 셀(140)에 관하여 논의된 바와 같이, 상이한 활성화 레벨과 상이한 활성화 시간을 가진다. 제2 활성화 셀(140)의 기능이 후방 산란 신호(37)에서 특징을 식별하는 것인 반면, 제3 활성화 셀(170)의 기능은 특징의 조합을 분류하는 것이다.
하나의 층(180)에서의 제3 활성화 셀(170)은 다른 층(180)에서의 제3 활성화 셀(170)과 다대다 관계로 연결된다. 상이한 층(180)에서의 제3 활성화 셀(170) 사이의 연결은, 일부 연결이 양이고 서로 강화하도록 마련될 수 있고, 다른 연결이 음이고 서로 약화시키도록 마련될 수 있다. 또한, 제3 활성화 셀(170)은 주파수가 입력의 값에 의존하는 스파이크 출력을 가진다.
또한, 제2 활성화 셀(140)과 제3 활성화 셀(170)의 출력 사이에 피드백 루프(도 3에서 265)가 있으며, 이는 자기 제어 메커니즘 역할을 한다. 제2 활성화 셀(140)과 제3 활성화 셀(170) 사이의 피드백은 본질적으로 탐상 도형에서의 상이한 특징들을 구별하고 중첩하는 정보를 줄이는데 사용된다. 이것은 특정 특징이 정확하게 처리되고 식별되게 하도록 탐상 도형에서의 그 특징에 관련된 제2 활성화 셀(140)을 초기에 강화하기 위하여 피드백 메커니즘을 이용하여 수행된다. 그 다음, 피드백은 식별된 특징에 대하여 제2 활성화 셀(140)의 출력을 감소시키고 추가 특징에 관련된 제2 활성화 셀(140)의 값을 강화한다. 그 다음, 이러한 추가 특징이 식별될 수 있다. 해결되지 않는 경우에 부정확한 분류를 야기할 수 있는 탐상 도형에서의 임의의 중첩하는 특징을 해결하기 위하여, 이러한 피드백은 필수적이다.
프로세서(50)는 탐상 도형에 관련된 정보 항목(195)을 입력하는데 사용되는 입력 장치(190)를 더 포함한다. 정보 항목(195)은 탐상 도형 및/또는 탐상 도형 내의 하나 이상의 특징에 일반적으로 부착된 이름 또는 라벨을 포함할 수 있다. 입력 장치(190)는 메모리를 가지며 또한 제3 출력(77)을 받아들이는 데이터 프로세서(200)에 연결된다. 신호 프로세서(200)는 탐상 도형에서 특정의 저장된 특징에 관련된 제3 출력(177)을 입력된 정보 항목(195)과 비교하며, 특정의 탐상 도형(또는 그 일부)을 입력된 정보 항목에 연관시킬 수 있다. 이 연관은, 탐상 도형에서의 미지의 패턴 또는 특징이 검출기(40)에 의해 검출되고 제3 출력(177)이 연관과 실질적으로 유사한 경우에, 신호 프로세서(200)가 미지의 패턴이 사실 알려진 패턴이라고 판단하고 연관된 정보 항목(195)을 출력(198)에서 사용자에게 출력할 수 있도록 기억된다.
패턴 인식 시스템은 자율 학습 과정을 이용하여 탐상 도형에서 많은 개수의 패턴을 인식하도록 훈련될 수 있다. 이 패턴들은 상이한 제3 출력(177)을 생성할 것이며, 정보 항목(195)과 패턴 사이의 연관이 저장된다. 이 자율 학습 과정은 기존의 탐상 도형으로부터 관심 특징을 나타내는 미지 저장된 패턴의 세트를 이용하고 제3 출력(177)을 생성하기 위하여 미리 저장된 패턴을 프로세서(50)를 통해 실행하여 수행된다. 그 다음, 제3 출력(177)은 신호 프로세서(200)에서 정보 항목(195)과 연관된다.
본 개시 내용의 시스템 및 방법은, 도 2에 도시된 바와 같이, 미지의 외란(45)을 판단하고 분류하는데 사용될 수 있다.
시스템 및 방법에 대한 본 예에서, 방사선(35)이 단계 205에서 광섬유(20) 내로 런칭된다. 검출기(40)는 단계 210에서 후방 산란 신호(37)를 수신하고, 단계 220에서 후방 산란 신호(37)를 프로세서(50)로 전달한다. 단계 230에서, 탐상 도형에서의 후방 산란 신호(37)가 디지털화되어 성분들로 분해되고, 단계 235에서 제1 입력(132)으로 전달된다. 성분들은 제1 활성화 셀(130)을 트리거하고, 단계 240에서 트리거링의 정도는 성분들의 강도(strength)에 의존한다.
제1 활성화 셀(130)로부터의 제1 출력(137)은 단계 250에서 제2 활성화 셀(140)로 전달되고, 그 다음 단계 260에서 제3 활성화 셀(170)로 전달된다. 제1 활성화 셀(130)의 활성화 전위는 후방 산란 신호(37)에서의 성분들의 강도에 의존한다. 이러한 성분들은 더 낮은 레벨로 전달되고, 초기에 제3 활성화 셀(80)의 명확하게 무작위인 시퀀스가 점화되는(fired) 것으로 보여진다. 점화(firing)는 소정의 기간 후에 안정화되고, "구조"가 복수의 층(180) 내에 형성되며, 이는 후방 산란 신호(37)에서의 특징을 반영한다.
라벨(195)은 후방 산란 신호에서 하나 이상의 특징과 연관될 수 있다. 따라서, 복수의 층(180) 내의 구조는 특징에 대응한다. 라벨(195)은 키보드와 같은 입력 장치(190)에 의해 입력될 것이다.
절차는 상이한 특징에 대하여 반복된다. 이러한 상이한 특징은 복수의 층(180) 내에서 상이한 구조를 형성한다. 그 다음, 학습 절차는 상이한 특징을 이용하여 진행될 수 있다.
학습이 완료되면, 후방 산란 신호(37)에서의 미지의 특징이 검출될 수 있다. 이러한 미지의 특징은 단계 210에서 제1 활성화 셀(130) 내에 제1 입력(132)을 생성하며, 이는 특징을 식별하기 위하여 단계 250에서 제2 활성화 셀(40)에 전달되고 그 다음 특징의 분류를 가능하게 하기 위하여 단계 260에서 복수의 층(180)으로 전달된다. 복수의 층(180)에서의 신호는 분석될 수 있고, 미지의 특징에 가장 많이 대응하는 복수의 층(180) 내의 구조가 단계 280에서 추정된다. 따라서, 시스템은 특징과 연관된 라벨을 출력할 수 있다. 이에 따라 미지의 특징이 식별된다.
새로운 종류가 구조가 복수의 층(180)에서 형성되었기 때문에 시스템이 특징을 식별할 수 없다면, 시스템은 적합한 경고를 제공할 수 있으며, 외란을 검토하고 미지의 특징을 분류하거나 다른 충돌을 해결하기 위하여 인간의 중재가 개시될 수 있다.
제2 활성화 셀(140)과 제3 화성화 셀(170) 사이의 단계 265에서의 피드백은 특징에서 2개의 중첩하는 요소를 고려함으로써 쉽게 이해될 수 있다. 초기에, 제1 활성화 셀(130)은 중첩하는 요소 주위의 특징에서의 차이를 등록할 것이지만, 특징의 종류를 구별할 수 없다. 즉, 중첩하는 요소에서 2개의 상이한 특징을 분리할 수 없다. 유사하게, 인접하는 제2 활성화 셀(140)은 2개의 중첩하는 선들의 중첩하는 성질 때문에 활성화될 것이다. 제2 활성화 셀(140)과 제3 활성화 셀(170) 모두가 동일하게 반응하였다면, 2개의 중첩하는 특징을 구별하는 것은 불가능할 것이다. 그러나, 제2 활성화 셀(140)의 활성화와 제3 활성화 셀(170)의 활성화에 대한 무작위 또는 확률론적 요소가 있다는 것이 위에서 설명되었다. 이러한 확률론적 요소는 제2 활성화 셀(140) 및/또는 제3 활성화 셀(170)의 일부가 다른 것보다 더 빨리 활성화되는 것을 결과로서 제공한다. 제2 활성화 셀(140) 또는 제3 활성화 셀(170) 사이의 상호 간섭은 활성화 전위를 강화 및/또는 약화시킬 것이고, 따라서, 중첩하는 요소 중 하나에 반응하는 제2 활성화 셀(140) 또는 제3 활성화 셀(170)은 특징이 식별되게 하도록 초기에 상호 자신들을 강화시킨다. 활성화 전위의 감쇠는 짧은 시간(밀리 초) 후에 식별된 중첩하는 특징과 연관된 제2 활성화 셀(140) 또는 제3 활성화 셀(170)이 강도가 약화되고, 아직 식별되지 않은 중첩하는 요소와 관련된 다른 제2 활성화 셀(140) 또는 다른 제3 활성화 셀(170)이 중첩하는 요소들 중 이러한 것이 식별되게 하도록 활성화된다.
본 발명의 다른 양태에서, 시스템은 주요 외란을 나타내는 일련의 이벤트를 인식하도록 교육될 수 있다. 파이프라인으로부터 오일을 태핑하고 훔치는 예가 도입부에서 제공되었다. 이러한 종류의 일련의 이벤트를 다루는 한 방법은 변수 S0(이벤트가 발생하지 않은 초기 상태에 대하여), S1, S2 등으로 나타내는 일련의 상태 모델을 사용하는 것이다. 이벤트들 중 첫 번째 이벤트가 검출될 때, 상태는 초기 상태(S0)에서 제1 상태(S1)로 스위칭된다. 일련의 이벤트 중 두 번째 이벤트가 정해진 기간 내에 개시될 때, 상태는 제2 상태(S2)로 스위칭된다. 한편, 이어지는 이벤트가 검출되지 않을 때, 이벤트 시퀀스가 발생하지 않을 것이라고 가정될 수 있기 때문에, 상태는 다시 초기 상태(S0)로 스위칭된다. 유사하게, 제3 이벤트가 검출되면, 상태는 S3으로 스위칭될 수 있다. 임계 레벨은 상태 Sth로 설정될 것이다. 이벤트 시퀀스가 발생하는 것 때문에 상태 Sth가 도달되는 경우에, 알람 신호가 개시될 것이다.
이벤트 시퀀스의 더욱 상세한 분석은 시퀀스에서 다양한 이벤트의 각각에 마르코바(Markov) 모델을 이용하고, 마르코바 모델이 개연성 있는 외란을 나타내는 경우에 알람 신호를 개시함으로써 수행될 수 있다. 다른 자기 학습 시스템이 사용될 수 있다.
또한, 도 1에 도시된 네트워크는, 전술한 바와 같이, 외란으로 이어지는 일련의 이벤트를 인식하도록 훈련될 수 있다.
Claims (15)
- 광섬유(20);
상기 광섬유(20) 내로 방사선(35)을 런칭하기 위한 방사선원(30);
상기 광섬유(20)로부터 후방 산란된 후방 산란 방사선(37)을 검출하기 위한 검출기(40); 및
상기 후방 산란 방사선(37)으로부터 복수의 값(55)을 생성하기 위하여 상기 검출기(40)에 연결되는 신호 프로세서(50)
를 포함하고,
상시 신호 프로세서(50)는,
상기 신호 프로세서(50)에 연결되고 복수의 성분을 수신하는 복수의 제1 활성화 셀(130);
상기 제1 활성화 셀(130)의 중첩하는 서브 세트가 연결되는 복수의 제2 활성화 셀(140); 및
적어도 상기 복수의 제2 활성화 셀(140)의 서브 세트로부터의 출력들을 가산하여 외란(45)을 나타내는 결과(198)를 생산하기 위한 출력(180)
을 포함하는,
광섬유 센서 시스템(10).
- 제1항에 있어서,
상기 방사선원(30)은 일련의 광 펄스(35p)를 런칭하는,
광섬유 센서 시스템(10).
- 제1항 또는 제2항에 있어서,
외란(45) 또는 일련의 외란을 나타내는 복수의 패턴(196)을 저장하기 위한 메모리(190)를 더 포함하는,
광섬유 센서 시스템(10).
- 제1항 내지 제3항 중 어느 한 항에 있어서,
상기 제1 활성화 셀(130)은, 제1 입력(132)이 없을 때의 휴식 주파수(rest frequency) 및 상기 검출기(40)로부터의 더해진 제1 입력(132)에 적어도 부분적으로 의존하는 증가된 주파수에서의 제1 출력(137)을 갖는,
광섬유 센서 시스템(10).
- 제4항에 있어서,
상기 제2 활성화 셀(140)은 더해지고 가중치가 부여된 상기 제1 출력(137)에 의존하는 제2 출력(147)을 갖는,
광섬유 센서 시스템(10).
- 제1항 내지 제5항 중 어느 한 항에 있어서,
중간층(185)과 추가층(170)을 포함하는 층(180) 내에 배열된 복수의 제3 활성화 셀(170)을 더 포함하고, 상기 제2 활성화 셀(140)의 중첩하는 서브 세트는 상기 중간층(185)에 배열된 각각의 상기 제3 활성화 셀(170)의 연결되고, 상기 중간층(185)에서의 상기 제3 활성화 셀(170)의 중첩하는 서브 세트는 적어도 하나의 상기 추가층(187)에 배열된 각각의 상기 제3 활성화 셀(170)에 연결되고,
상기 출력(180)은 적어도 상기 추가층(187)에 배열된 각각의 상기 제3 활성화 셀(170)로부터의 적어도 하나의 출력을 더하도록 맞추어진,
광섬유 센서 시스템(10).
- 제6항에 있어서,
상기 제3 활성화 셀(170)의 적어도 하나의 출력과 상기 제2 활성화 셀(140)의 입력 사이의 피드백을 더 포함하는,
광섬유 센서 시스템(10).
- 제1항 내지 제7항 중 어느 한 항에 있어서,
인접한 상기 제2 활성화 셀(140)은, 인접한 상기 제2 활성화 셀(140)의 출력에 의존하여 상기 제2 활성화 셀(140)의 응답을 변화시키도록 연결된,
광섬유 센서 시스템(10).
- 외란(85)의 위치를 판단하는 방법에 있어서,
방사선(35)을 광섬유(20) 내로 런칭하는 단계(205);
후방 산란 방사선(45)을 검출하는 단계(210);
복수의 성분(60)을 생산하도록 상기 후방 산란 방사선(45)을 처리하는 단계(230);
상기 복수의 성분(60)을 복수의 제1 활성화 셀(60)로 전달하는 단계(235);
상기 제1 활성화 셀(60)로부터 제1 출력(137)을 트리거링하는 단계(240);
상기 제1 출력(137)을 제2 활성화 셀(70)의 서브 세트로 전달하는 단계(250);
상기 제2 활성화 셀(140)의 상기 서브 세트로부터 제2 출력(147)을 트리거링하는 단계(260);
상기 제2 활성화 셀(140)의 복수의 서브 세트로부터의 상기 제2 출력(147)을 더하는 단계(270); 및
외란(85)을 추정하는 단계(280)
를 포함하는,
외란 위치 판단 방법.
- 제9항에 있어서,
상기 제2 출력(147)을 제3 활성화 셀(170)의 복수의 층(110)의 중간층(185)에 배열된 제3 활성화 셀(170)의 서브 섹션에 전달하는 단계(260);
추가층(187)에 배열된 상기 제3 활성화 셀(170)에 제3 출력(177)을 제공하기 위하여 상기 중간층(185)에 배열된 적어도 하나의 상기 제3 활성화 셀(170)을 트리거링하는 단계(260); 및
더해지고 가중치가 부여된 상기 제3 활성화 셀(170)의 제3 출력(177)으로부터 상기 외란(45)을 추정하는 단계(280)
를 더 포함하는,
외란 위치 판단 방법.
- 제9항에 있어서,
적어도 하나의 상기 제3 활성화 셀(170)의 출력은 적어도 하나의 상기 제2 활성화 셀(140)의 입력으로 피드백되는(265),
외란 위치 판단 방법.
- 제9항 또는 제10항에 있어서,
상기 제2 출력(147)은 시간에 경과함에 따라 감쇠하는,
외란 위치 판단 방법.
- 제9 내지 제12항 중 어느 한 항에 있어서,
적어도 하나의 상기 제2 활성화 셀(140)의 제2 출력(147)은 상기 제2 활성화 셀(140)의 다른 적어도 하나의 제2 출력(147)에 영향을 미치는,
외란 위치 판단 방법.
- 제9 내지 제13항 중 어느 한 항에 있어서,
상기 제2 출력(147)의 트리거링은 확률론적 성분을 갖는,
외란 위치 판단 방법.
- 제9 내지 제14항 중 어느 한 항에 있어서,
외란(45)의 시퀀스를 인식하는 단계를 더 포함하는,
외란 위치 판단 방법.
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| GB1407011.4 | 2014-04-18 | ||
| GB1407011.4A GB2525251A (en) | 2014-04-18 | 2014-04-18 | Optical fibre sensor system |
| PCT/EP2015/058522 WO2015158926A1 (en) | 2014-04-18 | 2015-04-20 | Optical fibre sensor system |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20170012204A true KR20170012204A (ko) | 2017-02-02 |
Family
ID=50928974
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020167028916A KR20170012204A (ko) | 2014-04-18 | 2015-04-20 | 광섬유 센서 시스템 |
Country Status (12)
| Country | Link |
|---|---|
| US (2) | US9909904B2 (ko) |
| EP (1) | EP3132232A1 (ko) |
| KR (1) | KR20170012204A (ko) |
| CN (1) | CN106461425A (ko) |
| AP (1) | AP2016009480A0 (ko) |
| AU (1) | AU2015247276A1 (ko) |
| BR (1) | BR112016024187A2 (ko) |
| CA (1) | CA2983048A1 (ko) |
| EA (1) | EA201600652A1 (ko) |
| GB (1) | GB2525251A (ko) |
| WO (1) | WO2015158926A1 (ko) |
| ZA (1) | ZA201606559B (ko) |
Families Citing this family (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB2525251A (en) | 2014-04-18 | 2015-10-21 | Mic Ag | Optical fibre sensor system |
| GB2539254A (en) * | 2015-06-12 | 2016-12-14 | Pimon Gmbh | Method and apparatus for monitoring pipeline |
| CA3116374A1 (en) | 2016-09-08 | 2018-03-15 | Fiber Sense Pty Ltd | Method and system for distributed acoustic sensing |
| WO2018085893A1 (en) | 2016-11-10 | 2018-05-17 | Mark Andrew Englund | Acoustic method and system for providing digital data |
| CA3070086A1 (en) | 2017-07-18 | 2019-01-24 | Mark Andrew Englund | Method and system for distributed acoustic sensing in a marine environment |
| CN107274348B (zh) * | 2017-07-26 | 2024-01-19 | 胡晓明 | 用于光纤束传像的标定方法、标定装置 |
| US11023580B1 (en) * | 2018-03-21 | 2021-06-01 | NortonLifeLock Inc. | Systems and methods for cross-product malware categorization |
| WO2020044655A1 (ja) * | 2018-08-30 | 2020-03-05 | 日本電気株式会社 | 電柱劣化検出システム、電柱劣化検出装置、電柱劣化検出方法、及び非一時的なコンピュータ可読媒体 |
| WO2020070752A1 (en) | 2018-10-05 | 2020-04-09 | Centre For Development Of Telematics (C-Dot) | A learning-based method and system for configuring an optical time-domain reflectometer in a gigabit passive optical networks |
| JP7483702B2 (ja) * | 2018-11-13 | 2024-05-15 | ファイバー センス リミテッド | 分散型光ファイバセンシングのための方法及びシステム |
| WO2020198803A1 (en) | 2019-04-04 | 2020-10-08 | Vast Solar Pty Ltd | Assembly and method for attaching a heliostat to a foundation |
| WO2021113314A1 (en) * | 2019-12-04 | 2021-06-10 | Massachusetts Institute Of Technology | Methods and apparatus for analog canceler tuning using neural networks |
| CN111238552B (zh) * | 2020-02-27 | 2021-06-22 | 南昌航空大学 | 基于深度学习的分布式光纤传感系统扰动定位方法 |
| WO2021191714A1 (en) * | 2020-03-25 | 2021-09-30 | King Abdullah University Of Science And Technology | Red palm weevil detection by applying machine learning to signals detected with fiber optic distributed acoustic sensing |
| CN111442827B (zh) * | 2020-04-08 | 2022-07-19 | 南京艾森斯智能科技有限公司 | 一种变压器绕组振动的光纤无源在线监测系统 |
| WO2021225667A1 (en) | 2020-05-04 | 2021-11-11 | Massachusetts Institute Of Technology | Methods and systems for signal interference cancellation |
Family Cites Families (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH04132918A (ja) * | 1990-09-26 | 1992-05-07 | Nippon Telegr & Teleph Corp <Ntt> | 光導波路分布圧力センサ |
| JPH07311059A (ja) * | 1994-05-20 | 1995-11-28 | Hitachi Cable Ltd | 物理量分布測定方法及び物理量分布測定装置 |
| DE19652925C2 (de) | 1996-12-18 | 1998-11-05 | Hans Dr Geiger | Verfahren und Vorrichtung zur orts- und größenunabhängigen Erfassung von Merkmalen aus einem Bild |
| WO2003017252A1 (de) | 2001-08-13 | 2003-02-27 | Knittel, Jochen | Verfahren und vorrichtung zum erkennen einer phonetischen lautfolge oder zeichenfolge |
| CA2467898A1 (en) * | 2004-05-21 | 2005-11-21 | Pure Technologies Ltd. | Fiber optic sensor method and apparatus |
| GB0913488D0 (en) | 2009-08-01 | 2009-09-16 | Reckitt Benckiser Nv | Product |
| GB0913507D0 (en) | 2009-08-03 | 2009-09-16 | Smith & Nephew | Active loader |
| US8491450B2 (en) | 2009-11-13 | 2013-07-23 | Leroy R. Perry, Jr. | Rotary, adjustable body exercise equipment |
| US8577830B2 (en) * | 2010-11-24 | 2013-11-05 | Technion Research And Development Foundation Ltd. | Method for detection of tunnel excavation by brillouin optical time domain reflectometry using multiple underground optical fibers |
| GB201109372D0 (en) | 2011-06-06 | 2011-07-20 | Silixa Ltd | Method for locating an acoustic source |
| GB2525251A (en) | 2014-04-18 | 2015-10-21 | Mic Ag | Optical fibre sensor system |
-
2014
- 2014-04-18 GB GB1407011.4A patent/GB2525251A/en not_active Withdrawn
-
2015
- 2015-04-20 KR KR1020167028916A patent/KR20170012204A/ko unknown
- 2015-04-20 AU AU2015247276A patent/AU2015247276A1/en not_active Abandoned
- 2015-04-20 EA EA201600652A patent/EA201600652A1/ru unknown
- 2015-04-20 CN CN201580020258.0A patent/CN106461425A/zh active Pending
- 2015-04-20 US US15/305,073 patent/US9909904B2/en not_active Expired - Fee Related
- 2015-04-20 WO PCT/EP2015/058522 patent/WO2015158926A1/en active Application Filing
- 2015-04-20 CA CA2983048A patent/CA2983048A1/en not_active Abandoned
- 2015-04-20 EP EP15719433.3A patent/EP3132232A1/en not_active Withdrawn
- 2015-04-20 BR BR112016024187A patent/BR112016024187A2/pt not_active IP Right Cessation
- 2015-04-20 AP AP2016009480A patent/AP2016009480A0/en unknown
-
2016
- 2016-09-22 ZA ZA2016/06559A patent/ZA201606559B/en unknown
-
2018
- 2018-03-05 US US15/912,072 patent/US10119845B2/en not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| ZA201606559B (en) | 2017-11-29 |
| US20180195883A1 (en) | 2018-07-12 |
| EA201600652A1 (ru) | 2017-09-29 |
| EP3132232A1 (en) | 2017-02-22 |
| CA2983048A1 (en) | 2015-10-22 |
| US9909904B2 (en) | 2018-03-06 |
| WO2015158926A1 (en) | 2015-10-22 |
| GB2525251A (en) | 2015-10-21 |
| US10119845B2 (en) | 2018-11-06 |
| US20170184426A1 (en) | 2017-06-29 |
| BR112016024187A2 (pt) | 2017-08-15 |
| GB201407011D0 (en) | 2014-06-04 |
| AP2016009480A0 (en) | 2016-10-31 |
| CN106461425A (zh) | 2017-02-22 |
| AU2015247276A1 (en) | 2016-10-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10119845B2 (en) | Optical fibre sensor system | |
| EP3332272A1 (en) | Method and apparatus for monitoring pipeline using an optical fiber sensor system | |
| US9739645B2 (en) | Fibre optic distributed sensing | |
| Mahmoud et al. | Real-time distributed fiber optic sensor for security systems: Performance, event classification and nuisance mitigation | |
| US20100312502A1 (en) | System for detecting leaks in single phase and multiphase fluid transport pipelines | |
| AU2016214137A1 (en) | Optical fibre sensing | |
| WO2008155769A2 (en) | System and method based on waveguides for the protection of sites | |
| Kim et al. | Damage detection of bottom-set gillnet using Artificial Neural Network | |
| CN111537056A (zh) | 基于svm与时频域特征的管道沿线第三方施工动态预警方法 | |
| CN108072596A (zh) | 基于高灵敏度光纤的检测 | |
| Sun et al. | Man-made threat event recognition based on distributed optical fiber vibration sensing and SE-WaveNet | |
| WO2008038288A2 (en) | System and method for reducing power consumption in a detection system | |
| CN109374116A (zh) | 地埋式光纤传感振动探测系统的挖掘行为识别方法 | |
| CN109064696A (zh) | 基于深度学习实现的光纤周界安防系统 | |
| CN203799460U (zh) | 基于光纤传感的隧道电缆入侵探测系统 | |
| CN110736980B (zh) | 一种爬架状态信息的监测方法、装置及系统 | |
| Mahmoud et al. | Elimination of rain-induced nuisance alarms in distributed fiber optic perimeter intrusion detection systems | |
| CN111539393B (zh) | 基于emd分解与lstm的油气管道第三方施工预警方法 | |
| Ma et al. | An optic-fiber fence intrusion recognition system using mixture Gaussian hidden Markov models | |
| Bublin | Machine learning for distributed acoustic sensors, classic versus image and deep neural networks approach | |
| WO2022034750A1 (ja) | 未確認音抽出装置、未確認音抽出システム、未確認音抽出方法及び記録媒体 | |
| CN101626270B (zh) | 光电复合缆外部安全预警定位系统进行事件预警与分类的方法 | |
| Zhang et al. | Artificial intelligence-based distributed acoustic sensing enables automated identification of wire breaks in prestressed concrete cylinder pipe | |
| Imouokhomea et al. | Towards Prevention of Oil/Gas Pipelines Vandalism | |
| Stork et al. | Machine learning approaches to microseismic event detection in Distributed Acoustic Sensing (DAS) fibre-optic data |