一种基于海缆的海洋环境感知检测方法、装置及系统制造方法及图纸

本申请提供一种基于海缆的海洋环境感知检测方法、装置及系统，方法包括：接收针对海缆的第一报警数据和第二报警数据进行初步预警；然后将海缆感知的扰动（动态）、应变（静态）信号通过全方位特征提取、融合、最优分类器设计实现感知事件的识别和分类，确认事件是人为锚害故障、自然灾害、生物作用还是误报；当确认是人为锚害故障时，结合AIS报警信息自动确认引起人为锚害故障的船舶身份信息，并向该船舶发送用于指示该抛锚船舶驶离的提示信息。本申请提高了海洋环境感知检测及报警的准确率、智能性和效率。和效率。和效率。

【技术实现步骤摘要】
一种基于海缆的海洋环境感知检测方法、装置及系统


[0001]本申请涉及海底光缆技术，尤其涉及一种基于海缆的海洋环境感知检测方法、装置及系统。

技术介绍

[0002]伴随着光纤通信技术的迅速发展，海缆因为本身不带电，体积小，质量轻，易弯曲、耐腐蚀、抗电磁干扰和防水性能好等特点，可以作为各陆地之间，以及，沿岸地区之间的通信媒介。海缆还可以以光波为载体，光纤为媒质，感知和传输海洋环境的温度、应变、扰动等信号。若海缆发生故障（或者说是损坏），则可能导致无法正常通信。因此，对海缆进行故障检测，保障海缆的安全运行，是极为重要的。
[0003]现有的海洋环境感知检测方法主要有基于声呐检测技术的海洋环境感知检测方法、通过水下机器人、无人艇对海缆进行故障检测的方法等。
[0004]其中，基于声呐检测技术的海洋环境感知检测方法主要是，通过执行出海任务，将超声波设备投放到海缆附件，以实现对海缆及海缆周围环境进行成像。根据超声波设备成像结果，实现探测海底光缆在海床的裸露段，测量掩埋深度，检测海缆在海床状态等。通过水下机器人、无人艇对海缆进行故障检测的方法主要是，通过执行出海任务，将水下机器人，或者，搭载了声呐、水下雷达等多种探测设备的无人艇，投放到海缆附件，以实现对海缆进行巡检，得到海缆的运行状态信息。
[0005]然而，在使用现有的海洋环境感知检测方法对海缆进行检测时，每次检测均需要进行一次出海任务，导致耗费时间长，效率低，无法进行实时检测且无法实时检测导致海缆故障产生的因素。

技术实现思路

[0006]本申请提供一种基于海缆的海洋环境感知检测方法、装置及系统，用以解决现有的基于多系统联动的集成式海洋环境感知检测系统误警率高，相关子系统硬件损耗大的问题。
[0007]第一方面，本申请提供一种海洋环境感知检测方法，所述方法包括：接收来自海缆扰动信号采集设备针对海缆的第一报警数据，以及，来自海缆应变信号采集设备针对海缆的第二报警数据，其中，所述第一报警数据包括：根据所述海缆的扰动信号检测到所述海缆发生故障报警的第一位置、检测到所述第一位置的第一时间、以及，所述扰动信号；所述第二报警数据包括：根据所述海缆的光纤中的应变信号检测到所述海缆发生故障报警的第二位置、检测到所述第二位置的第二时间；对第一报警检测结果，以及，第二报警检测结果进行决策级融合，得到初始故障检测结果；其中，所述第一报警检测结果包括：所述第一位置和所述第一时间；所述第二报警检测结果包括：所述第二位置和所述第二时间；若所述初始故障检测结果表征所述海缆存在故障，则获取目标海缆故障检测结
果，所述目标海缆故障检测结果用于表征：用于指示所述初始故障检测结果不是真实故障，或者，人为锚害故障导致海缆故障，或者，自然灾害导致海缆故障，或者，生物作用导致海缆故障；获取所述目标海缆故障检测结果包括：对所述海缆的扰动信号进行全方位特征提取，得到所述海缆的第一特征向量；所述第一特征向量包括所述扰动信号的下述所有特征：频次、持续时间、时域特征、频域特征、变换域特征、自回归AR模型所有参数；获取所述海缆在历史预设时长内的历史应变信号；对所述海缆在历史预设时长内的历史应变信号进行特征提取，得到所述海缆的第二特征向量；所述第二特征向量用于表征所述海缆在历史预设时长内的最大应变变化量，以及，所述海缆在历史预设时长内的应变变化超过第二阈值的次数；对所述第一特征向量，以及，所述第二特征向量进行拼接，得到拼接特征向量；通过线性判别式分析LDA算法，对所述拼接特征向量进行融合降维，得到所述海缆的特征融合向量；测试多种分类器，选择准确率最高的分类器作为海缆感知事件分类模型；将所述海缆的特征融合向量，输入所述海缆感知事件分类模型，得到目标海缆故障检测结果，若所述目标海缆故障检测结果用于表征人为锚害故障导致海缆故障，则根据船舶自动识别系统AIS报警信息，确定引起所述海缆发生故障的抛锚船舶的标识；根据所述抛锚船舶的标识，向所述抛锚船舶发送警告提示信息。
[0008]可选的，所述时域特征包括下述所有参数：所述扰动信号的冲击强度、所述扰动信号的短时平均能量、所述扰动信号的短时平均幅值；所述频域特征包括下述所有参数：所述扰动信号的中心频率、所述扰动信号的中心频率强度、所述扰动信号的功率谱密度PSD的幅度均值、所述PSD的形状均值、所述PSD的幅度标准差、所述PSD的形状标准差、所述PSD的幅度偏度、所述PSD的状偏度、所述PSD的幅度峰度、所述PSD的形状峰度；所述变换域特征包括下述所有参数：N维小波包能量谱、所述扰动信号的小波包信息熵、所述扰动信号的M维的梅尔频率倒谱系数MFCC；所述N为大于或等于1的整数，所述M为大于或等于1的整数，所述AR模型参数特征包括下述参数：Q阶AR模型参数，所述Q为大于或等于1的整数。
[0009]可选的，所述通过线性判别式分析LDA算法，对所述拼接特征向量进行融合降维，得到所述海缆的特征融合向量，包括：针对任一事件类型，根据该事件类型的多个样本拼接特征向量，得到该事件类型对应的样本均值向量；所述事件类型包括4种，分别为海缆无故障、人为锚害故障导致海缆故障、自然灾害导致海缆故障，以及，生物作用导致海缆故障；针对任一所述样本拼接特征向量，该样本拼接特征向量是由样本海缆的第一样本特征向量和样本海缆的第二样本特征向量拼接得到；所述样本海缆的第一样本特征向量包括所述样本海缆的扰动信号的下述所有特征：频次、持续时间、时域特征、频域特征、变换域特征、自回归AR模型所有参数；所述样
本海缆的第二样本特征向量用于表征样本海缆在历史预设时长内的最大应变变化量，以及，样本海缆在历史预设时长内的应变变化超过第二阈值的次数；根据各所述事件类型对应的样本均值向量，以及，所述拼接特征向量，得到类间散度矩阵，以及，类内散度矩阵；根据所述预设目标函数，以及，所述类间散度矩阵和所述类内散度矩阵，确定映射矩阵；所述映射矩阵的行数等于所述拼接特征向量的维度，所述映射矩阵的列数为预设列数；所述映射矩阵的列数小于所述映射矩阵的行数；采用所述映射矩阵，将所述拼接特征向量映射到新的特征子空间，得到所述海缆的特征融合向量；所述海缆的特征融合向量的维度等于所述映射矩阵的列数。
[0010]可选的，所述测试多种分类器，选择准确率最高的分类器作为海缆感知事件分类模型，包括：获取训练数据集，所述训练数据集包括至少一组训练数据，每组训练数据包括：发生故障的样本海缆的样本特征融合向量，以及，所述故障对应的事件类型；针对任一事件类型，该事件类型对应的所述样本海缆的样本特征融合向量是通过所述LDA算法，对该事件类型对应的所述样本拼接特征向量进行融合降维得到的；使用所述训练数据集同时对四个初始模型进行并行训练，得到四个候选分类器；所述四个初始模型分别为：支持向量机SVM模型、决策树模型、随机森林RF分类模型，以及，极值梯度提升XGBoost模型；获取各候选分类器的分类准确率；将所述分类准确率最高的候选分类器作为所述海缆感知事件分类模型。
[0011]可选的，所述确定引起所述海缆发生故障的抛锚船舶的标识，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种海洋环境感知检测方法，其特征在于，所述方法包括：接收来自海缆扰动信号采集设备针对海缆的第一报警数据，以及，来自海缆应变信号采集设备针对海缆的第二报警数据，其中，所述第一报警数据包括：根据所述海缆的扰动信号检测到所述海缆发生故障报警的第一位置、检测到所述第一位置的第一时间、以及，所述扰动信号；所述第二报警数据包括：根据所述海缆的光纤中的应变信号检测到所述海缆发生故障报警的第二位置、检测到所述第二位置的第二时间；对第一报警检测结果，以及，第二报警检测结果进行决策级融合，得到初始故障检测结果；其中，所述第一报警检测结果包括：所述第一位置和所述第一时间；所述第二报警检测结果包括：所述第二位置和所述第二时间；若所述初始故障检测结果表征所述海缆存在故障，则获取目标海缆故障检测结果，所述目标海缆故障检测结果用于表征：所述初始故障检测结果不是真实故障，或者，人为锚害故障导致海缆故障，或者，自然灾害导致海缆故障，或者，生物作用导致海缆故障；所述获取目标海缆故障检测结果，包括：对所述海缆的扰动信号进行全方位特征提取，得到所述海缆的第一特征向量；所述第一特征向量包括所述扰动信号的下述所有特征：频次、持续时间、时域特征、频域特征、变换域特征、自回归AR模型所有参数；获取所述海缆在历史预设时长内的历史应变信号；对所述海缆在历史预设时长内的历史应变信号进行特征提取，得到所述海缆的第二特征向量；所述第二特征向量用于表征所述海缆在历史预设时长内的最大应变变化量，以及，所述海缆在历史预设时长内的应变变化超过第二阈值的次数；对所述第一特征向量，以及，所述第二特征向量进行拼接，得到拼接特征向量；通过线性判别式分析LDA算法，对所述拼接特征向量进行融合降维，得到所述海缆的特征融合向量；测试多种分类器，选择准确率最高的分类器作为海缆感知事件分类模型；将所述海缆的特征融合向量，输入所述海缆感知事件分类模型，得到目标海缆故障检测结果；若所述目标海缆故障检测结果用于表征人为锚害故障导致海缆故障，则根据船舶自动识别系统AIS报警信息，确定引起所述海缆发生故障的抛锚船舶的标识；根据所述抛锚船舶的标识，向所述抛锚船舶发送警告提示信息。2.根据权利要求1所述的方法，其特征在于，所述时域特征包括下述所有参数：所述扰动信号的冲击强度、所述扰动信号的短时平均能量、所述扰动信号的短时平均幅值；所述频域特征包括下述所有参数：所述扰动信号的中心频率、所述扰动信号的中心频率强度、所述扰动信号的功率谱密度PSD的幅度均值、所述PSD的形状均值、所述PSD的幅度标准差、所述PSD的形状标准差、所述PSD的幅度偏度、所述PSD的状偏度、所述PSD的幅度峰度、所述PSD的形状峰度；所述变换域特征包括下述所有参数：N维小波包能量谱、所述扰动信号的小波包信息熵、所述扰动信号的M维的梅尔频率倒谱系数MFCC；所述N为大于或等于1的整数，所述M为大于或等于1的整数，所述AR模型参数特征包括下述参数：Q阶AR模型参数，所述Q为大于或等于1的整数。
3.根据权利要求1或2所述的方法，其特征在于，所述通过线性判别式分析LDA算法，对所述拼接特征向量进行融合降维，得到所述海缆的特征融合向量，包括：针对任一事件类型，根据该事件类型的多个样本拼接特征向量，得到该事件类型对应的样本均值向量；所述事件类型包括4种，分别为海缆无故障、人为锚害故障导致海缆故障、自然灾害导致海缆故障，以及，生物作用导致海缆故障；针对任一所述样本拼接特征向量，该样本拼接特征向量是由样本海缆的第一样本特征向量和样本海缆的第二样本特征向量拼接得到；所述样本海缆的第一样本特征向量包括所述样本海缆的扰动信号的下述所有特征：频次、持续时间、时域特征、频域特征、变换域特征、自回归AR模型所有参数；所述样本海缆的第二样本特征向量用于表征样本海缆在历史预设时长内的最大应变变化量，以及，样本海缆在历史预设时长内的应变变化超过第二阈值的次数；根据各所述事件类型对应的样本均值向量，以及，所述拼接特征向量，得到类间散度矩阵，以及，类内散度矩阵；根据所述预设目标函数，以及，所述类间散度矩阵和所述类内散度矩阵，确定映射矩阵；所述映射矩阵的行数等于所述拼接特征向量的维度，所述映射矩阵的列数为预设列数；所述映射矩阵的列数小于所述映射矩阵的行数；采用所述映射矩阵，将所述拼接特征向量映射到新的特征子空间，得到所述海缆的特征融合向量；所述海缆的特征融合向量的维度等于所述映射矩阵的列数。4.根据权利要求3所述的方法，其特征在于，所述测试多种分类器，选择准确率最高的分类器作为海缆感知事件分类模型，包括：获取训练数据集，所述训练数据集包括至少一组训练数据，每组训练数据包括：发生故障的样本海缆的样本特征融合向量，以及，所述故障对应的事件类型；针对任一事件类型，该事件类型对应的所述样本海缆的样本特征融合向量是通过所述LDA算法，对该事件类型对应的所述样本拼接特征向量进行融合降维得到的；使用所述训练数据集同时对四个初始模型进行并行训练，得到四个候选分类器；所述四个初始模型分别为：支持向量机SVM模型、决策树模型、随机森林RF分类模型，以及，极值梯度提升XGBoost模型；获取各候选分类器的分类准确率；将所述分类准确率最高的候选分类器作为所述海缆感知事件分类模型。5.根据权利要求1所述的方法，其特征在于，所述确定引起所述海缆发生故障的抛锚船舶的标识，包括：获取船舶自动识别系统AIS在目标时间段内采集的船舶的第三报警数据；所述第三报警数据包括：所述船舶发生故障报警时的全球定位系统GPS定位位置，以及，所述船舶的标识；所述目标时间段包括所述第一时间和所述第二时间；根据所述船舶发生故障报警时的GPS定位位置，确定所述船舶发生故障报警时所在的海缆的第三位置所属的区域；若所述第一位置所属的区域与所述第三位置所属的区域相同，则确定所述船舶为...

【专利技术属性】
技术研发人员：吴明埝，陈青青，涂云琳，孙玉文，王道根，何仓平，李松林，吴慧娟，
申请(专利权)人：江苏中天科技股份有限公司，
类型：发明
国别省市：