一种基于DAS的地铁隧道外部危害作业入侵识别方法技术

本发明专利技术公开了一种基于DAS的地铁隧道外部危害作业入侵识别方法，采用机器学习算法对传感数据进行分类，得到入侵特征量和干扰特征量，通过入侵特征量和干扰特征量，构建弱分类器，基于多个弱分类器构建强分类器模型，采用强分类器模型去识别实时传感数据，判断地铁隧道是否受到外部危害作业入侵。本发明专利技术解决了现有采用震动传感器识别地铁隧道外部危害作业入侵方法仅能识别单一信号，存在识别错误率较高，需要部署设备数量大，维护难度高的问题，以及现有采用车辆视觉系统识别地铁隧道外部危害作业入侵方法存在不能提前对运行车辆以及管控人员进行预警，也不能准确识别出隧道外部作业是否对隧道存在危害的问题。作业是否对隧道存在危害的问题。作业是否对隧道存在危害的问题。

【技术实现步骤摘要】
一种基于DAS的地铁隧道外部危害作业入侵识别方法


[0001]本专利技术涉及地铁隧道监控
，具体涉及一种基于DAS的地铁隧道外部危害作业入侵识别方法。

技术介绍

[0002]随着城市轨道交通的飞速发展，列车运行速度越来越快，为保证行车运营安全，应加强对应急事件的检测与处理，应实时监测运营环境，实现外部危害作业入侵的报警与列车控制。轨道交通隧道外部危害作业入侵是指在列车运行轨道上所有造成行车安全隐患的施工作业，这些作业可能导致隧道渗水甚至形变，严重危害地铁运行安全。由于外部危害事件具有突发性和不可预测性，这就要求外部危害入侵识别算法应具有响应快、准确度高的特点。
[0003]当前常用的地铁隧道外部危害作业入侵识别通常使用震动传感器及车辆视觉系统对隧道入侵情况进行识别，震动传感器部署在隧道中实时反馈震动信号进行外部危害作业的判断，这种方式由于仅识别单一信号，存在识别错误率较高，需要部署设备数量大，维护难度高的问题。车辆视觉系统通过部署在列车上的视觉传感器来识别前方道路是否存在入侵作业，检测算法分为如下几类，即光流法、帧差法、背景消减法、时间差分法等，它们有各自的优缺点：光流法可携带运动物体的运动信息和景物的三维结构信息，检测效率高，易于实现，但方法复杂，计算量大，不能满足实时的要求；帧差法检测速度较快，对缓慢变换的光照不敏感，方法简单，易于实现，但容易出现“双影”和“空洞”现象，阈值也需人工设定；背景消减法可检测运动目标，检测准确，易于实现，但对光照的变化和阴影的干扰等特别敏感；时间差分法运算速度快，但是检测出的目标可能出现空洞。上述识别方式不能提前对运行车辆以及管控人员进行预警，也不能准确识别出隧道外部作业是否对隧道存在危害。
[0004]分布式光纤声学传感(Distributed Acoustic Sensing,DAS)技术利用相干背向瑞利散射光的相位而非光强来探测音频范围内的声音或振动等信号，不仅可以利用相位幅值大小来提供声音或振动事件强度信息，还利用线性定量测量值来实现对声音或振动事件相位和频率信息的获取。该技术具有长距离(数十公里)连续(空间分辨率数米)的振动或声信息获取，全尺度(幅度、频率、相位)数万道信息的实时测量，耐高温高压等恶劣环境、且抗电磁干扰等优势。通过该技术可以提高识别准确率以及识别距离，使地铁运行更加安全。
[0005]本专利技术提出一种基于DAS的地铁隧道外部危害作业入侵识别方法，基于DAS信号通过机器学习算法对外部危害作业入侵进行识别，可以识别出在隧道外部还未入侵到隧道内部的作业，进而识别处危害作业并进行提前预警，同时也可以对隧道内部发生的异常信号进行识别并预警，极大地提高了识别准确率以及预警能力。

技术实现思路

[0006]针对现有技术中的上述不足，本专利技术提供的一种基于DAS的地铁隧道外部危害作业入侵识别方法，解决了以下技术问题：
[0007]1、现有采用震动传感器识别地铁隧道外部危害作业入侵方法，仅能识别单一信号，存在识别错误率较高、需要部署设备数量大、维护难度高等问题；
[0008]2、现有采用车辆视觉系统识别地铁隧道外部危害作业入侵方法，不能提前对运行车辆以及管控人员进行预警，也不能准确识别出隧道外部作业是否对隧道结构产生危害。
[0009]为了达到上述专利技术目的，本专利技术采用的技术方案为：一种基于DAS的地铁隧道外部危害作业入侵识别方法，包括以下步骤：
[0010]S1、将多个光纤声学传感器分别设置在地铁隧道上，采集探测范围内的传感信号；
[0011]S2、根据传感信号，得到光纤声学传感器经纬度坐标和传感数据；
[0012]S3、采用机器学习模型对传感数据进行分类，得到入侵特征量和干扰特征量；
[0013]S4、根据入侵特征量和干扰特征量，构建弱分类器，基于多个弱分类器，构建强分类器模型；
[0014]S5、通过强分类器模型对每个光纤声学传感器的待识别传感数据进行处理，在强分类器模型的输出值大于0时，地铁隧道受到外部危害作业入侵；
[0015]S6、根据光纤声学传感器经纬度坐标，获取地铁隧道受到外部危害作业入侵的位置。
[0016]进一步地，所述步骤S1中传感信号的表达式为：
[0017]O
i
＝(LOA
i
,Sig
i
)
[0018]LOA
i
＝(LO
i
,LA
i
)
[0019]其中，O
i
为第i个光纤声学传感器的传感信号，LOA
i
为第i个光纤声学传感器的经纬度坐标，LO
i
为第i个光纤声学传感器的经度坐标，LA
i
为第i个光纤声学传感器的纬度坐标，Sig
i
为第i个光纤声学传感器的传感数据。
[0020]进一步地，所述步骤S3中机器学习模型具体如下：
[0021]先通过一维卷积获取时间序列输入的节点特征e
i
＝Conv(Sig
i
)，将节点特征集e＝{e1,
…
,e
i
,e
j
,
…
,e
L
}输入至图注意力层中，具体公式如下：
[0022]v
ij
＝w
·
β
·
LeakReLu[(e
i
⊕
e
j
)][0023]α
ij
＝exp(v
ij
)/∑
j
exp(v
ij
)
[0024]p
i
＝tanh(∑
j
α
ij
·
e
j
)
[0025]其中，Conv(
·
)为卷积运算，L为节点特征数量，i和j用于表征节点特征的编号，j为i的相邻K阶邻居编号；Sig
i
为第i个光纤声学传感器的传感数据；v
ij
表明节点特征e
j
对节点特征e
i
的重要性，w为重要性权重矩阵，β为节点特征权重矩阵，LeakReLu[
·
]为高级激活函数，e
i
为第i个节点特征，e
j
为第j个节点特征，
⊕
表示拼接操作；“·”为点乘；α
ij
为节点特征e
j
对节点特征e
i
的贡献的注意力得分，∑
j
exp(v
ij
)为将所有i的相邻编号j对应的重要性v
ij
相加；p
i
为更新后的节点信息，与输入e
i
的行列数相同，tanh(
·
)为激活函数；
[0026]将更新后的节点信息p...

【技术保护点】

【技术特征摘要】
1.一种基于DAS的地铁隧道外部危害作业入侵识别方法，其特征在于，包括以下步骤：S1、将多个光纤声学传感器分别设置在地铁隧道上，采集探测范围内的传感信号；S2、根据传感信号，得到光纤声学传感器经纬度坐标和传感数据；S3、采用机器学习模型对传感数据进行分类，得到入侵特征量和干扰特征量；S4、根据入侵特征量和干扰特征量，构建弱分类器，基于多个弱分类器构建强分类器模型；S5、通过强分类器模型对每个光纤声学传感器的待识别传感数据进行处理，在强分类器模型的输出值大于0时，地铁隧道受到外部危害作业入侵；S6、根据光纤声学传感器经纬度坐标，获取地铁隧道受到外部危害作业入侵的位置。2.根据权利要求1所述的基于DAS的地铁隧道外部危害作业入侵识别方法，其特征在于，所述步骤S1中传感信号的表达式为：O
i
＝(LOA
i
,Sig
i
)LOA
i
＝(LO
i
,LA
i
)其中，O
i
为第i个光纤声学传感器的传感信号，LOA
i
为第i个光纤声学传感器的经纬度坐标，LO
i
为第i个光纤声学传感器的经度坐标，LA
i
为第i个光纤声学传感器的纬度坐标，Sig
i
为第i个光纤声学传感器的传感数据。3.根据权利要求1所述的基于DAS的地铁隧道外部危害作业入侵识别方法，其特征在于，所述步骤S3中机器学习模型具体如下：首先通过一维卷积获取时间序列输入的节点特征e
i
＝Conv(Sig
i
)，将节点特征集e＝{e1,
…
,e
i
,e
j
,
…
,e
L
}输入至图注意力层中，具体公式如下：v
ij
＝w
·
β
·
LeakReLu[(e
i
⊕
e
j
)]α
ij
＝exp(v
ij
)/∑
j
exp(v
ij
)p
i
＝tanh(∑
j
α
ij
·
e
j
)其中，Conv(
·
)为卷积运算，L为节点特征数量，i和j用于表征节点特征的编号，j为i的相邻K阶邻居编号；Sig
i
为第i个光纤声学传感器的传感数据；v
ij
表明节点特征e
j
对节点特征e
i
的重要性，w为重要性权重矩阵，β为节点特征权重矩阵，LeakReLu[
·
]为高级激活函数，e
i
为第i个节点特征，e
j
为第j个节点特征，
⊕
表示拼接操作；“·”为点乘；α
ij
为节点特征e
j
对节点特征e
i
的贡献的注意力得分，∑
j
exp(v
ij
)为将所有i的相邻编号j对应的重要性v
ij
相加；p
i
为更新后的节点信息，与输入e
i
的行列数相同，tanh(
·
)为激活函数；将更新后的节点信息p
i
输入至LSTM层得到向量p
’
i
＝LSTM(p
i
)，最后通过Softmax层即可得到时序数据分类，s＝Softmax(p
’
i
)，当s小于等于0.5时为干扰特征，大于0.5时为入侵特征。4.根据权利要求1所述的基于DAS的地铁隧道外部危害作业入侵识别方法，其特征在于，所述步骤S4中强分类器模型的表达式为：C
*
＝λ1·
C1+λ2·
C2+
…
+λ
m
·
C
m
+
…
+λ
M
·
C
M
其中，C
*
为强分类器模型的输出，C1为第1个弱分类器，C2为第2个弱分类器，C
m
为第m个弱分类器，C
M
为第M个弱分类器；λ1为第1个弱分类器C1的权重，λ2为第2个弱分类器C2的权重，λ
m
为第m个弱分类器C
m
的权重，λ
...

【专利技术属性】
技术研发人员：秦启平，王邦平，张泽维，雷明毅，薛骐，乔少杰，
申请(专利权)人：成都天仁民防科技有限公司，
类型：发明
国别省市：