一种基于两步神经网络的光纤故障检测分离方法及系统技术方案

本发明专利技术公开了一种基于两步神经网络的光纤故障检测分离方法及系统，该方法包括获取光纤振源数据；对光纤振源数据进行B样条逼近，获取光强数据的概率密度函数，对概率密度函数进行静态建模，计算每一时刻的权值；采用神经网络逼近每一时刻的权值，建立输入光强数据与权值之间的非线性模型；根据非线性模型构造用于故障检测的非线性滤波器和用于故障诊断的非线性观测器；将光纤振源数据输入至非线性滤波器和非线性观测器以获取故障大小。本申请通过故障检测的非线性滤波器检测出故障入侵，然后通过故障诊断的非线性观测器诊断出不同的故障信息，获取故障大小，达到故障分离的目的。达到故障分离的目的。达到故障分离的目的。

【技术实现步骤摘要】
一种基于两步神经网络的光纤故障检测分离方法及系统


[0001]本专利技术涉及光纤故障检测
，具体涉及一种基于两步神经网络的光纤故障检测分离方法及系统。

技术介绍

[0002]随着油气管道行业的发展，油气管道在运行的过程中，会受到各种故障的干扰，因此,急需更加先进的管道安全预警技术。为了更好的检测油气管道运行情况，一般采用光纤与油气管道同沟埋设的方式，利用光纤振源检测技术间接地判断油气管道的运行情况。这种方式能够快速、准确、大范围地对油气管道进行检测和预警，此方法也成为了油气管道安全预警的主要应用方式。
[0003]光纤振源检测系统通过对光纤管道产生的振动信号进行分析并判断是否异常。振动信号能否正确地从光纤信号中辨识出，决定了光纤振源检测系统的准确度。光纤振源检测系统的前端硬件系统应用光时域反射方法(OTDR)，其中，OTDR技术优点较多，因此被广泛使用，但由于OTDR技术所采用的传感器存在异常灵敏的问题，导致其对环境中的瞬时噪音和无害干扰等信息抑制力较低。光纤检测系统的后端软件是单级开环振源检测架构，即对采集光纤信号直接进行数据处理，随机非平稳干扰会造成光纤检测系统存在虚警/实警混叠问题，导致该技术在光纤振源检测领域的应用效果受到影响。
[0004]如专利号CN201110459814.8公布的一种光纤故障检测方法及装置，公开了一种光纤故障检测方法,易于实施,操作便捷,不受测试条件的限制,不会中断无源光网络正在执行的任务,可以应用于各种类型的无源光网络,提高了光纤故障检测效率,而且降低了检测成本。但是该专利技术只能检测出光纤中存在故障，但无法估计出故障的大小。

技术实现思路

[0005]本专利技术的目的在于提供一种基于两步神经网络的光纤故障检测分离方法及系统，以解决现有技术中无法估计故障大小，区分不同故障的问题。
[0006]为达到上述目的，本专利技术是采用下述技术方案实现的：
[0007]第一方面，本专利技术公开了一种基于两步神经网络的光纤故障检测分离方法，包括：
[0008]获取光纤振源数据；
[0009]对所述光纤振源数据进行B样条逼近，获取光强数据的概率密度函数，对所述概率密度函数进行静态建模，计算每一时刻的权值；
[0010]采用神经网络逼近每一时刻的权值，建立输入光强数据与权值之间的非线性模型；
[0011]根据所述非线性模型构造用于故障检测的非线性滤波器和用于故障诊断的非线性观测器；
[0012]将所述光纤振源数据输入至非线性滤波器和非线性观测器以获取故障大小。
[0013]进一步地，所述非线性模型的表达式为：
[0014][0015]其中，x(t)为状态向量，x(t)∈R
m
，R
m
为维度，A、G、H和D表示权重模型动态部分的已知参数矩阵，g(x(t))表示权重模型的非线性动力学的已非线性向量函数；F1、F2表示光纤振源数据中不同类别的故障,u(t)为系统输入，V(t)为B样条展开的相应权重。
[0016]进一步地，所述非线性滤波器的表达式为：
[0017][0018]其中，是状态向量x(t)的估计值，L是检测观测器的待定增益，L＝R
m
×
p
，R
m
×
p
为m
×
p维的矩阵，ε(t)表示测量的概率密度函数γ(z,u(t),F1,F2)和估计的概率密度函数之差的积分。
[0019]进一步地，所述非线性观测器的表达式为：
[0020][0021]其中，和是对于故障F1和F2的估计，是状态向量x(t)的估计值，L是检测观测器的待定增益，L＝R
m
×
p
，R
m
×
p
为m
×
p维的矩阵，ε(t)表示测量的概率密度函数γ(z,u(t),F1,F2)和估计的概率密度函数之差的积分。
[0022]进一步地，所述获取光纤振源数据包括：
[0023]在光纤首端射入光源，在光纤尾端收集光纤信号；
[0024]通过光电转化模块将光纤信号转化为电信号并通过放大电路将电信号进行放大；
[0025]双路数据采集模块记录放大后的电信号，以完成光纤振源数据的采集。
[0026]进一步地，在获取光纤振源数据之后还包括：
[0027]将获取的光纤振源数据转换成可读取的数据，所述可读取的数据包括I、Q两路数据；
[0028]将I、Q两路数据融合获取经过差分运算的数据、平方和运算的数据和模运算的数据。
[0029]第二方面，本专利技术公开了一种基于两步神经网络的光纤故障检测分离系统，包括处理器及存储介质；
[0030]所述存储介质用于存储指令；
[0031]所述处理器用于根据所述指令进行操作以执行根据权利要求1～6任一项所述方法的步骤。
[0032]第三方面，本专利技术公开了计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任一项所述方法的步骤。
[0033]根据上述技术方案，本专利技术的实施例至少具有以下效果：本申请基于非线性模型构造了非线性滤波器和非线性观测器，光纤振源数据输入至非线性滤波器和非线性观测器后，两者能对输入进行检测，当多个故障同时在光纤振源数据中时，通过故障检测的非线性滤波器检测出故障入侵，然后通过故障诊断的非线性观测器诊断出不同的故障信息，获取故障大小，达到故障分离的目的。
附图说明
[0034]图1为本专利技术光纤故障检测分离方法的流程图；
[0035]图2为本专利技术光纤故障检测分离系统的示意图；
[0036]图3为光纤振源数据的融合流程图；
[0037]图4为带有故障的实测输出PDF三维图；
[0038]图5为残差向量ε(t)的响应示意图；
[0039]图6为故障F1及其诊断观测器响应数据图；
[0040]图7为故障F2及其诊断观测器响应数据图；
[0041]图8为故障F1、F2及其故障观测器响应数据图。
具体实施方式
[0042]为使本专利技术实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本专利技术。
[0043]本专利技术中通过采集光纤振源检测系统的输出数据，建立其输出概率密度函数(PDFs)，利用输入光强和与输出PDFs相关的权值之间的关系建立非线性动力学模型，根据非线性动力学模型构建非线性滤波器和非线性观测器，分别诊断出多个故障，从而达到故障分离的目的。为了避免虚警的出现，光纤振源检测系统采用恒虚警检测方法确定光纤振源检测的阈值。
[0044]实施例1
[0045]本专利技术公开了一种基于两步神经网络的光纤故障检测分离方法，如图1至图8所示，包括如下步骤：获取光纤振源数据；对光纤振源数据进行B样条逼近，获取光强数据的概率密度函数，对概率密度函数进行静态建模，计算每一时刻的权值；本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于两步神经网络的光纤故障检测分离方法，其特征在于，包括：获取光纤振源数据；对所述光纤振源数据进行B样条逼近，获取光强数据的概率密度函数，对所述概率密度函数进行静态建模，计算每一时刻的权值；采用神经网络逼近每一时刻的权值，建立输入光强数据与权值之间的非线性模型；根据所述非线性模型构造用于故障检测的非线性滤波器和用于故障诊断的非线性观测器；将所述光纤振源数据输入至非线性滤波器和非线性观测器以获取故障大小。2.根据权利要求1所述的基于两步神经网络的光纤故障检测分离方法，其特征在于，所述非线性模型的表达式为：其中，x(t)为状态向量，x(t)∈R
m
，R
m
为维度，A、G、H和D表示权重模型动态部分的已知参数矩阵，g(x(t))表示权重模型的非线性动力学的已非线性向量函数；F1、F2表示光纤振源数据中不同类别的故障,u(t)为系统输入，V(t)为B样条展开的相应权重。3.根据权利要求2所述的基于两步神经网络的光纤故障检测分离方法，其特征在于，所述非线性滤波器的表达式为：其中，是状态向量x(t)的估计值，L是检测观测器的待定增益，L＝R
m
×
p
，R
m
×
p
为m
×
p维的矩阵，ε(t)表示测量的概率密度函数γ(z,u(t),F1,F2)和估计的概率密度函数之差的积分。4.根据权利要求2所述的基于两步神...

【专利技术属性】
技术研发人员：殷利平，刘建国，韩雅微，朱扬宇，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：