基于分布式光纤传感器和深度学习的管道安全监测方法技术

本发明专利技术公开了一种基于分布式光纤传感器和深度学习的管道安全监测方法，包括以下步骤：S1、通过分布式光纤信号采集装置采集管道各个位置的光纤振动信号；S2、对采集的光纤振动信号进行数据清洗、小波包降噪和归一化处理，将处理后的数据划分为训练集、测试集和预测集；S3、构建卷积神经网络模型，输入训练集和测试集数据进行学习训练，输入预测集数据评估模型的性能，再以卷积神经网络为特征提取器，以支持向量机为分类选择器，建立卷积神经网络与支持向量机联合模型；S4、将采集的实时数据输入卷积神经网络与支持向量机联合模型进行识别，根据输出的数字标签进行类型分类，实现对管道的安全监测。本发明专利技术精准的监测管道安全，提升了识别的准确率。提升了识别的准确率。提升了识别的准确率。

【技术实现步骤摘要】
基于分布式光纤传感器和深度学习的管道安全监测方法


[0001]本专利技术涉及油气管道安全监测领域，具体地说，涉及一种基于分布式光纤传感器和深度学习的管道监测方法。

技术介绍

[0002]光纤传感技术以光替代电流作为信息传递的媒介，并把纤维波导当作光波传导的介质。当光纤受到如压力、振动、温度、电磁场等外界环境因素变化的影响后，就会引起光波量如光强度、光相位、光频率以及偏振态的变化，根据处理传感器接收到的数据信号可得到外界参数变化，实现对各个物理量的测量。
[0003]在管道监测领域，对服役管道进行实时监测，既能随时了解管道结构的健康状态，及时发现管道问题进行维护或更换管道，从而减少经济损失和环境污染，又能通过信号提早发现管道泄漏或者被人为入侵的行为，做出相应的维护措施。目前常用的方法主要为应力波法、压力波法等，然而，此类方法检测到的信号存在延迟，同时对于事故发生的位置定位差，精度低。

技术实现思路

[0004]本专利技术的目的在于克服现有技术油气管道泄漏和入侵监测困难的情况，提出一种基于分布式光纤传感器和深度学习的管道安全监测方法，实现对管道安全事故的监测和识别，反应快，定位精度高，识别准确率高。
[0005]为了实现上述目的，本专利技术所采用的技术方案如下：
[0006]一种基于分布式光纤传感器和深度学习的管道安全监测方法，包括以下步骤：
[0007]S1、通过分布式光纤信号采集装置采集管道各个位置的光纤振动信号；
[0008]S2、对采集的光纤振动信号进行数据清洗、小波包降噪和归一化处理，将处理后的数据划分为训练集、测试集和预测集；
[0009]S3、构建卷积神经网络模型，输入训练集和测试集数据进行学习训练，输入预测集数据评估模型的性能，再以卷积神经网络为特征提取器，以支持向量机为分类选择器，建立卷积神经网络与支持向量机联合模型；
[0010]S4、将采集的实时数据输入卷积神经网络与支持向量机联合模型进行识别，根据输出的数字标签进行类型分类，实现对管道的安全监测。
[0011]进一步地，分布式光纤信号采集装置包括激光器、声光调制器、光纤放大器、环形器、传感光纤、光电探测器和数据采集卡，激光器、声光调制器、光纤放大器、环形器、传感光纤、光电探测器和数据采集卡依次连接。
[0012]进一步地，步骤S2中，对采集的光纤振动信号进行数据清洗的方式为，对于每一个样本数据，去除开头的5％样本数据，再将剩余的n个数据点个数平均降低为n/10个数据点。
[0013]进一步地，步骤S2中，对采集的光纤振动信号进行小波包降噪的方式为，运用小波包分解得到不同频段的小波包系数，选取不同频段的小波包系数组合重构信号并与原信号
对比分析，提取出原始信号的主要集中频段并找出其对应系数重构信号。
[0014]进一步地，步骤S2中，归一化的公式为
[0015][0016]其中，x为转换前的值，y为转换后的值，V
max
为样本最大值，V
min
为样本最小值。
[0017]进一步地，步骤S3中，建立卷积神经网络与支持向量机联合模型包括以下步骤：
[0018]S31、构建卷积神经网络模型，卷积神经网络模型的结构为输入层、卷积层C1、池化层P1、卷积层C2、池化层P2、卷积层C3、池化层P3、Dropout层、全连接层FC1和输出层；
[0019]S32、确定卷积神经网络模型的结构参数和超参数；
[0020]S33、将卷积神经网络模型从卷积尺寸、池化尺寸、激活函数、池化方式、网络深度五个方面进行网络性能优化；
[0021]S34、输入训练集数据进行卷积神经网络模型的迭代调优；
[0022]S35、获得卷积神经网络模型后，去掉卷积神经网络模型的全连接层，将卷积神经网络作为特征提取器，以支持向量机作为分类选择器，建立卷积神经网络与支持向量机联合模型。
[0023]进一步地，步骤S31中，卷积神经网络模型输入直接采用一维信号，中间卷积计算也为一维卷积。
[0024]进一步地，步骤S34中，卷积神经网络模型的每一次迭代包括以下步骤：
[0025]S341、采用截断正态分布方法对卷积神经网络模型的网络参数进行初始化，网络参数的概率密度函数的计算公式为
[0026][0027]其中，变量θ服从正态分布，θ的取值范围限制在[a,b]内，φ(
·
)是均值为0且方差为1的标准正态分布，Φ(
·
)为标准正态分布的累积分布函数；
[0028]S342、通过卷积层进行特征迭代提取不同层次的特征，通过池化层减少网络参数和降低过拟合，经过三组卷积和池化后，输入一个全连接层的网络得到分类输出；
[0029]S343、根据分类输出计算损失函数，依据损失函数计算更新梯度，对网络权值进行更新后，采用Adam算法进行优化。
[0030]进一步地，步骤S343中，损失函数L的计算公式为
[0031][0032]其中，y表示样本预测值，n表示样本的总数，a表示标签真实值。
[0033]进一步地，卷积神经网络模型迭代过程中，如果网络的损失函数两次结果变化小于设置阈值或者达到最大迭代次数则停止迭代，并保存该模型用于油气管道安全事件检测识别。
[0034]与现有技术相比，本专利技术具有以下优点和有益效果：
[0035]1.本专利技术基于光时域反射技术的散射式光纤传感技术可以实现对长距离的油气管道振动、应变参数的实时测量，反应快定位精度高，光纤传感技术与人工智能结合，通过支持向量机(Support Vector Machine，SVM)、卷积神经网络(CNN)不同模型的结合使用与
训练，可以有效地对管道入侵和泄漏进行联合识别分类。
[0036]2.本专利技术构建一维卷积神经网络(1
‑
D CNN)与支持向量机(SVM)结合的深度学习识别模型，对数据进行处理分析，实现对管道安全事故的监测和识别，相对于传统的压力传感方法不仅能够更加精准的全方位监测管道安全，还能识别管道泄漏和各种管道入侵事件，对于识别的准确率有了进一步的提升。
附图说明
[0037]图1为油气管道安全监测方法的流程示意图。
[0038]图2为分布式光纤信号采集装置的结构示意图。
[0039]图3为一维卷积神经网络与支持向量机联合模型的结构示意图。
具体实施方式
[0040]下面结合附图和具体实施例对本专利技术基于分布式光纤传感器和深度学习的管道安全监测方法作进一步说明。
[0041]请参阅图1，本专利技术公开了一种基于分布式光纤传感器和深度学习的管道安全监测方法，具体包括以下步骤；
[0042]S1、通过分布式光纤信号采集装置采集管道各个位置的光纤振动信号。
[0043]S2、对采集的光纤振动信号进行数据清洗、小波包降噪和归一化处理，将处理后的数据划分为训练集、测试集和预测集。<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于分布式光纤传感器和深度学习的管道安全监测方法，其特征在于，包括以下步骤：S1、通过分布式光纤信号采集装置采集管道各个位置的光纤振动信号；S2、对采集的光纤振动信号进行数据清洗、小波包降噪和归一化处理，将处理后的数据划分为训练集、测试集和预测集；S3、构建卷积神经网络模型，输入训练集和测试集数据进行学习训练，输入预测集数据评估模型的性能，再以卷积神经网络为特征提取器，以支持向量机为分类选择器，建立卷积神经网络与支持向量机联合模型；S4、将采集的实时数据输入卷积神经网络与支持向量机联合模型进行识别，根据输出的数字标签进行类型分类，实现对管道的安全监测。2.如权利要求1的基于分布式光纤传感器和深度学习的管道安全监测方法，其特征在于，分布式光纤信号采集装置包括激光器、声光调制器、光纤放大器、环形器、传感光纤、光电探测器和数据采集卡，激光器、声光调制器、光纤放大器、环形器、传感光纤、光电探测器和数据采集卡依次连接。3.如权利要求2的基于分布式光纤传感器和深度学习的管道安全监测方法，其特征在于，步骤S2中，对采集的光纤振动信号进行数据清洗的方式为，对于每一个样本数据，去除开头的5％样本数据，再将剩余的n个数据点个数平均降低为n/10个数据点。4.如权利要求2的基于分布式光纤传感器和深度学习的管道安全监测方法，其特征在于，步骤S2中，对采集的光纤振动信号进行小波包降噪的方式为，运用小波包分解得到不同频段的小波包系数，选取不同频段的小波包系数组合重构信号并与原信号对比分析，提取出原始信号的主要集中频段并找出其对应系数重构信号。5.如权利要求1的基于分布式光纤传感器和深度学习的管道安全监测方法，其特征在于，步骤S2中，归一化的公式为其中，x为转换前的值，y为转换后的值，V
max
为样本最大值，V
min
为样本最小值。6.如权利要求1的基于分布式光纤传感器和深度学习的管道安全监测方法，其特征在于，步骤S3中，建立卷积神经网络与支持向量机联合模型包括以下步骤：S31、构建卷积神经网络模型，卷积神经网络模型...

【专利技术属性】
技术研发人员：游东东，杨汕，蔡毅，
申请(专利权)人：广东力创信息技术有限公司，
类型：发明
国别省市：