一种基于神经网络的拉曼分布式温度传感方法和系统技术方案

本发明专利技术公开了一种基于神经网络的拉曼分布式温度传感方法和系统，方法包括以下步骤：(1)获取一个采样周期的自发拉曼散射强度数据，将该采样周期的自发拉曼散射强度数据输入训练好的一维去噪全卷积神经网络模型中，以生成去噪后数据。(2)利用去噪后数据中的斯托克斯数据序列与反斯托克斯数据序列完成分布式拉曼温度计算。本发明专利技术目的在于，解决现有基于小波去噪的拉曼分布式温度传感系统中存在的性能提升少、需要人工参数调优的技术问题。

【技术实现步骤摘要】
一种基于神经网络的拉曼分布式温度传感方法和系统
本专利技术属于光纤传感
，更具体地，涉及一种基于神经网络的拉曼分布式温度传感方法和系统。
技术介绍
基于拉曼的分布式温度传感(英文：Raman-baseddistributedtemperaturesensing，简写为RDTS)依据光纤中的自发拉曼散射(英文：spontaneousRamanscattering)光的强度来获得光纤的温度分布。由于其具备长距离全分布式测量、抗电磁辐射、实时连续测量等优点，广泛应用于电网、隧道、油气管道和核工业等关键设施的温度监测。获得的自发拉曼散射信号的信噪比(英文：signal-to-noiseratio)决定了拉曼的分布式温度传感的精度，比泵浦光弱约60dB。另外，由于传输损耗的影响，信号随着光纤的传播而减小。因此，基于单模光纤(英文：single-modefiber)的传统RDTS信噪比很低，限制了其在长距离应用中的测温精度。为了提高性能，人们提出了许多方法，包括使用特殊光纤、脉冲编码技术和去噪算法。然而，这些方法都有其局限性，如系统复杂度和成本较高。为了提高RDTS的性能，业界提出了许多提高信噪比的方法。这些方法大致可分为两类。一类是通过优化系统的实现方案，如光脉冲编码方法或使用特殊光纤。然而，这些方法也增加了系统的复杂性和成本。特别是诸如多模光纤、少模光纤等特种光纤的使用，使得已有的许多用于通信的单模光纤资源被浪费。另外铺设特殊光纤的成本往往超过传感器成本。另一类是利用数字信号处理算法对采集到的数据进行去噪，如短时傅立叶变换和小波去噪(英文：waveletdenoising)。这些算法在特定的基础上对数据进行分解，以分离数据中的噪声。然而，RDTS的噪声主要是白噪声。噪声和信号不能在单一的基础上完全分离。在去噪时，信号中的有用信息经常丢失。而且，这些算法的参数很多，需要人工调整，很难达到最优结果。这些参数需要根据不同的系统和应用场景进行调整。因此，这些算法很难在实际应用中使用。最近，二维(英文：two-dimensional)处理，如非局部平均和二维卷积神经网络(英文：convolutionalneuralnetworks)被提出并被证明是更有效的。然而，RDTS数据是天然的一维数据。为了获得二维数据，需要将多个连续采集的数据进行组合，这大大降低了系统的响应速度。此外，二维去噪算法利用了多个测量值之间的相关性。然而，对于快速变化的温度，各测量值之间的相关性有限，二维去噪方法将失去其优势。
技术实现思路
针对现有技术的以上缺陷或改进需求，本专利技术提供了一种基于神经网络的拉曼分布式温度传感方法和系统，其目的在于，解决现有基于小波去噪的拉曼分布式温度传感系统中存在的性能提升少、需要人工参数调优的技术问题。为实现上述目的，按照本专利技术的一个方面，提供了一种基于神经网络的拉曼分布式温度传感方法，包括以下步骤：(1)获取一个采样周期的自发拉曼散射强度数据，将该采样周期的自发拉曼散射强度数据输入训练好的一维去噪全卷积神经网络模型中，以生成去噪后数据；(2)利用去噪后数据中的斯托克斯数据序列与反斯托克斯数据序列完成分布式拉曼温度计算。优选地，对一维去噪全卷积神经网络训练的具体训练过程为，将训练数据集输入一维去噪全卷积神经网络中，神经网络训练为200个周期，批大小(英文：Batchsize)为16个，学习速率为1e-3。在每个训练周期(英文：Epoch)中，输入数据首先向前传播，然后计算输出和目标之间的差的均方误差(英文：meansquarederror)并向后传播，利用适应性矩估计(英文：adaptivemomentestimation)优化算法用于更新网络参数。通过计算梯度的一阶矩估计和二阶矩估计，针对不同的参数设计独立的自适应学习速率。使用机器学习库PyThorch在安装有NvidiaGeForceGTX1080GPU(8GBGraphicMemory)的PC机上运行，大约需要2小时完成训练过程。优选地，分布式拉曼温度计算函数定义如下：其中，T为分布式拉曼温度，T0为参考温度，T0为人工测量得到，R(T0)为温度T0时反斯托克斯光与斯托克斯光强度之比，Δv为拉曼频移，h为普朗克常数，k为玻尔兹曼常数，R(T)为温度T时反斯托克斯光与斯托克斯光强度之比。优选地，训练数据集的生成方法为：生成表达强度变化的随机数X，生成随机数n，将n个X添加到合成数据序列中，随机数X大于0小于1，随机数n大于1并小于N，N为一维去噪全卷积神经网络的接受域；使用强度随机变化的光信号输入，对于可以忽略传输损耗的小部分光纤，可以模拟由于温度、损耗或反射引起的信号变化。每个强度在一定数量的采样点内是一致的，代表一个相对一致的温度；将强度一致的点数随机设置为1到N，合成数据不考虑泵浦脉冲的卷积效应，因此可以满足任意的空间分辨率；在合成数据中加入标准偏差为预设值S的高斯白噪声。优选地，预设值S具体为0.001，由于信号强度的随机范围为0～1，合成数据的最大信噪比为30dB。重复上述步骤，生成4800个合成的自发拉曼散射数据，其中4000个作为训练数据集，其余800个作为验证数据集。每个自发拉曼散射数据包含10000个采样点数值。优选地，一维去噪全卷积神经网络包括顺序相连预设值L层卷积神经网络结构；第1个卷积层带有线性整流激活函数(英文：rectifiedlinearunits，简写为ReLU)，第2个至第L-1个1维卷积层中每一层都带有批归一化函数(英文：batchnormalization，简写为BN)和ReLU。第1个1维卷积神经网络用于接收训练数据，第L个1维卷积层用于输出1维的去噪后数据；在训练过程中，采用BN对数据进行规一化处理，加快网络收敛，ReLU用于提高一维动态神经网络的非线性度。优选地，一维去噪全卷积神经网络各层卷积核的大小均为3；第1个1维卷积层和第L个1维卷积层的信道数为1，第2个1维卷积层到第L-1个1维卷积层的信道数均为64，以提取更多的数据特征；在一维去噪全卷积神经网络处理过程中，每次卷积运算后填充零，数据的大小是恒定的。优选地，预设值L的值为40，一维去噪全卷积神经网络的接受域N为81，这意味着每一个输出点都与输入数据的81个点相关。按照本专利技术的另一方面，提供了一种基于神经网络的拉曼分布式温度传感系统，包括：脉冲激光器、掺铒光纤放大器、光纤环形器、光波分复用器、第一光探测器、第二光探测器、待测光纤(英文：fiberundertest，简写为FUT)、传感数据处理主机；脉冲激光器、掺铒光纤放大器、光纤环形器的第一端口依次相连，光纤环形器的第二端口与FUT相连，光纤环形器的第三端口与光波分复用器的复用端口以光纤相连，光波分复用器的两个分用端口分别与第一光探测器和第二光探测器以光纤相连；传感数据处理主机包括：数据采集单元、神经网络计算单元、中央处理器、程序存储器，数据采集单元的两个输入通道分别与第一光探测器和第二光探测器以电缆相本文档来自技高网...

【技术保护点】
1.一种基于神经网络的拉曼分布式温度传感方法，其特征在于，包括以下步骤：/n获取一个采样周期的自发拉曼散射强度数据，将该采样周期的自发拉曼散射强度数据输入训练好的一维去噪全卷积神经网络模型中，以生成去噪后数据；/n利用所述去噪后数据中的斯托克斯数据序列与反斯托克斯数据序列完成分布式拉曼温度计算。/n

【技术特征摘要】
1.一种基于神经网络的拉曼分布式温度传感方法，其特征在于，包括以下步骤：
获取一个采样周期的自发拉曼散射强度数据，将该采样周期的自发拉曼散射强度数据输入训练好的一维去噪全卷积神经网络模型中，以生成去噪后数据；
利用所述去噪后数据中的斯托克斯数据序列与反斯托克斯数据序列完成分布式拉曼温度计算。


2.如权利要求1所述的基于神经网络的拉曼分布式温度传感方法，其特征在于，具体训练过程为，将训练数据集输入一维去噪全卷积神经网络中，神经网络训练为200个周期，批大小为16个，学习速率为1e-3，在每个训练周期中，输入数据首先向前传播，然后计算输出和目标之间的差的均方误差并向后传播。


3.如权利要求1所述的基于神经网络的拉曼分布式温度传感方法，其特征在于，所述分布式拉曼温度计算函数定义如下：



其中，T为分布式拉曼温度，T0为参考温度，R(T0)为温度T0时反斯托克斯光与斯托克斯光强度之比，Δv为拉曼频移，h为普朗克常数，k为玻尔兹曼常数，R(T)为温度T时反斯托克斯光与斯托克斯光强度之比。


4.如权利要求2所述的基于神经网络的拉曼分布式温度传感方法，其特征在于，所述训练数据集的生成方法为：
生成表达强度变化的随机数X，生成随机数n，将n个X添加到合成数据序列中，随机数X大于0小于1，随机数n大于1小于N，N为一维去噪全卷积神经网络的接受域；
在合成数据序列中加入标准偏差为预设值S的高斯白噪声；
重复上述步骤，生成4800个合成的自发拉曼散射数据，其中4000个作为训练数据集，其余800个作为验证数据集，每个自发拉曼散射数据包含10000个采样点数值。


5.如权利要求4所述的基于神经网络的拉曼分布式温度传感方法，其特征在于，所述预设值S的值为0.001。


6.如权利要求5所述的基于神经网络的拉曼分布式温度传感方法，其特征在于，所述一维去噪全卷积神经网络包括顺序相连预设值L层卷积神经网络结构；
第1个1维卷积层带有线性整流激活函数，第2个至第L-1个1维卷积层中每一层都带有批归一化函数和线性整流激活函数，第1个1维卷积神经网络用于接收训练数据，第L个1维卷积...

【专利技术属性】
技术研发人员：吴昊，张仲书，赵灿，
申请(专利权)人：芯华创武汉光电科技有限公司，
类型：发明
国别省市：湖北;42