一种基于机器学习的制造技术

本发明专利技术公开一种基于机器学习的

【技术实现步骤摘要】
一种基于机器学习的ODVS工程应用系统在线抑噪方法


[0001]本专利技术涉及光纤分布式振动传感系统（
Optical fiber Distributed Vibe ration Sensing ，
ODVS
）的噪声池闭环完善
、
和使用噪声池对端机进行在线抑噪算法调整的方法，具体公开一种基于机器学习的
ODVS
工程应用系统在线抑噪方法，属于计算
、
推算或计数的

。

技术介绍

[0002]在光纤分布式振动传感系统的工程应用中，数十公里的感知光缆沿线敷设，环境
、
背景各类噪声直接混杂在感知光缆沿线感知的有效扰动信号中，导致工程应用系统信噪比大大下降，系统判断外界干扰的准确性降低
。
然而，
ODVS
端机研究与制造阶段均在可控环境中进行，如果端机的研制要加入应用场景的各类噪声的考虑，就需要将其放在实际条件下测试环境与背景各类噪声带来的影响，再设法找到抑制系统噪声的方法与途径，耗时费力且效果有限；并且
ODVS
工程应用系统现场环境不同，先验算法难以复制
。
因此需要一种方法可以及时
、
最好是实时地调整端机的噪声抑制措施，实现较好的工程应用效果
。
目前尚未见此类方法在工程中具体应用
。
[0003]现有技术为了针对不同模式的环境噪声设计最优滤波器，提出一种噪声场景识别系统及方法，通过离线与在线结合的对比计算确定噪声场景模式
。
该噪声场景识别方案：首先离线采集各种典型环境噪声，并利用快速傅里叶变换得到每种环境噪声的频谱，形成典型环境噪声库；其次对当前环境噪声信号进行采集，利用快速傅里叶变换得到该噪声信号的频谱；最后将当前噪声信号的频谱与噪声库中的典型环境噪声的频谱进行对比计算，确定当前噪声的场景模式
。
该噪声场景识别方案主要是通过在线噪声采集和离线判断来识别场景，仅能够为离线设计滤波器环节提供参考依据，并不能实时调整降噪措施
。
[0004]现有技术为了降低分布式光纤传感系统在检测场景下的误报率与漏报率，提出一种基于特征提取模型的光纤预警方法及装置，将原始数据与采集到的新增数据根据是否识别为预警信号分为噪声库与动态库，动态库用于存储预警信号，并将新增数据实时添加至相应的库，对噪声库与动态库进行相应的更新，并对参数进行实时更新；依据更新后的参数对采集信号进行计算用于判断光纤安全状态的特征参数与警戒阈值
。
该光纤预警方案主要对曲线特征脉冲进行提取，更新用于判断光纤安全状态的特征参数与预警参数，提取的曲线特征脉冲不能表征不同种类的噪声，因此，不能对噪声的种类进行识别且不具备学习新增噪声特征的能力
。

技术实现思路

[0005]本专利技术的专利技术目的是针对上述
技术介绍
的不足，提供一种基于机器学习的
ODVS
工程应用系统在线抑噪方法，解决现有
ODVS
工程应用系统抑噪技术调试效率低
、
测试成本高的技术问题，实现实时调整
ODVS
端机噪声抑制措施的专利技术目的
。
[0006]本专利技术为实现上述专利技术目的采用如下技术方案：
一种基于机器学习的
ODVS
工程应用系统在线抑噪方法，包括如下步骤：步骤1，对
ODVS
系统噪声进行分类；步骤2，根据各类
ODVS
系统噪声模型建立场景先验噪声模型，建立噪声池；步骤3，根据场景先验噪声模型设置
ODVS
端机抑噪算法参数；步骤4，将
ODVS
系统感知收集的噪声放入噪声池；步骤5，提取
ODVS
系统感知收集的噪声的特征，调整噪声池里的噪声参数；步骤6，根据步骤5调整后的噪声参数确定
ODVS
系统噪声模型；步骤7，将步骤6确定的
ODVS
系统噪声模型反馈至噪声池；步骤8，根据步骤6确定的
ODVS
系统噪声模型在线调整
ODVS
系统抑噪算法的参数
。
[0007]作为一种基于机器学习的
ODVS
工程应用系统在线抑噪方法的进一步优化方案，步骤1对
ODVS
系统噪声进行分类的方法为：将
ODVS
工程应用系统噪声分为包含但不限于背景噪声
、
感知光缆链路光学噪声
、
端机噪声的类别
。
[0008]作为一种基于机器学习的
ODVS
工程应用系统在线抑噪方法的进一步优化方案，步骤2根据各类
ODVS
系统噪声模型建立场景先验噪声模型的方法为：根据场景先验方法设置
ODVS
工程应用系统的噪声参数，对设置的噪声参数对应的噪声模型进行叠加，得到对应设置噪声参数的场景先验噪声模型
。
[0009]作为一种基于机器学习的
ODVS
工程应用系统在线抑噪方法的进一步优化方案，步骤3将生成场景先验噪声模型的噪声参数设置为
ODVS
端机抑噪算法参数
。
[0010]作为一种基于机器学习的
ODVS
工程应用系统在线抑噪方法的进一步优化方案，步骤5采用包括但不限于时间分段
、
傅里叶变换
、
小波窗
、
时域频域分析的方法提取
ODVS
系统感知收集的噪声的特征，通过对比噪声参数和拟合数据的操作调整噪声池里的噪声参数
。
[0011]作为一种基于机器学习的
ODVS
工程应用系统在线抑噪方法的进一步优化方案，步骤6根据步骤5调整后的噪声参数确定
ODVS
系统噪声模型的具体方法为：对步骤5调整后的噪声参数对应的噪声模型进行叠加，得到
ODVS
系统噪声模型
。
[0012]作为一种基于机器学习的
ODVS
工程应用系统在线抑噪方法的进一步优化方案，步骤8根据步骤6确定的
ODVS
系统噪声模型在线调整
ODVS
系统抑噪算法的参数的具体方法为：在线修调
ODVS
端机抑噪算法参数为
ODVS
系统噪声模型对应的噪声参数
。
[0013]作为一种基于机器学习的
ODVS
工程应用系统在线抑噪方法的再进一步优化方案，对设置的噪声参数对应的噪声模型进行叠加的表达式为：
a1*N1(x)+a2*N2(x)+
……
+ai*Ni(x)
，其中，
a1,a2,
……
,ai
为第1至第
i
类噪声参数，
N1(x), N2本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于机器学习的
ODVS
工程应用系统在线抑噪方法，其特征在于，包括如下步骤：步骤1，对
ODVS
系统噪声进行分类；步骤2，根据各类
ODVS
系统噪声模型建立场景先验噪声模型，建立噪声池；步骤3，根据场景先验噪声模型设置
ODVS
端机抑噪算法参数；步骤4，将
ODVS
系统感知收集的噪声放入噪声池；步骤5，提取
ODVS
系统感知收集的噪声的特征，调整噪声池里的噪声参数；步骤6，根据步骤5调整后的噪声参数确定
ODVS
系统噪声模型；步骤7，将步骤6确定的
ODVS
系统噪声模型反馈至噪声池；步骤8，根据步骤6确定的
ODVS
系统噪声模型在线调整
ODVS
系统抑噪算法的参数
。2.
根据权利要求1所述一种基于机器学习的
ODVS
工程应用系统在线抑噪方法，其特征在于，所述步骤1对
ODVS
系统噪声进行分类的方法为：将
ODVS
工程应用系统噪声分为包含但不限于背景噪声
、
感知光缆链路光学噪声
、
端机噪声的类别
。3.
根据权利要求1所述一种基于机器学习的
ODVS
工程应用系统在线抑噪方法，其特征在于，所述步骤2根据各类
ODVS
系统噪声模型建立场景先验噪声模型的方法为：根据场景先验方法设置
ODVS
工程应用系统的噪声参数，对设置的噪声参数对应的噪声模型进行叠加，得到对应设置噪声参数的场景先验噪声模型
。4.
根据权利要求1所述一种基于机器学习的
ODVS
工程应用系统在线抑噪方法，其特征在于，所述步骤3将生成场景先验噪声模型的噪声参数设置为
ODVS
端机抑噪算法参数
。5.
根据权利要求1所述一种基于机器学习的
ODVS
工程应用系统在线抑噪方法，其特征在于，所述步骤5采用包括但不限于时间分段
、
...

【专利技术属性】
技术研发人员：李锦辉，孙小菡，潘婷，陶雄强，宋继恩，赵永科，
申请(专利权)人：江苏深远海洋信息技术与装备创新中心有限公司，
类型：发明
国别省市：