【技术实现步骤摘要】
本专利技术属于管道监测方法，涉及一种基于深度残差收缩网络的das管道监测信号识别方法。
技术介绍
1、矸石浆体充填技术是一种用于将废弃资源或尾矿等材料充填至矿井或尾矿库的技术。该技术主要涉及到矿石的破碎、分类、混合和输送等过程。矸石浆体充填通常分为两个阶段：预制充填和现场充填。预制充填阶段中，矸石浆体在地面进行处理和提前混合，然后通过管道输送到矿井或尾矿库中；现场充填阶段中，矸石浆体通过从地面到井下的管道输送到充填点，随后充填成型。由于矸石浆体在输送过程中，经过管道的摩擦和阻力会逐渐降低其流动性能，因此需要实时监测手段解决堵塞点定位问题，光纤分布式声传感器(distributed acoustic sensing，das)监测矸石浆体输送管道是一种基于光纤技术的管道监测方法，它通过布设光纤在管道上，利用光纤的敏感性进行实时的管道监测。与传统的监测方法相比，das监测具有实时监测、高精度、全覆盖等优势。
2、iceemdan(improved complete ensemble empirical mode decomposition withadaptive noise)是一种基于经验模态分解(emd)和改进的卡尔曼滤波的时间序列分析方法。它主要用于分析和预测非线性和非平稳的时间序列数据。通过将原始时间序列分解为多个固有模态函数(imf)和一个残差项，来提取数据中的模式和趋势。然后，iceemdan使用改进的卡尔曼滤波方法对每个imf进行滤波，以减小噪音和提高数据的可靠性。最后，通过将滤波后的imf重构，得到预测结果
3、随着深度学习算法的快速发展，它在分布式光纤传感信号识别的应用已经越来越广泛。如何将信号处理算法与深度学习结合成为目前的一个主流研究方向，其在增强信号特征的同时能够提高识别的准确率。但是传统的信号识别研究常在使用深度学习方法之前进行信号滤波算法，这涉及许多参数的选择及设计，比如使用小波阈值滤波降噪时，涉及小波基和分解层数选择等因素，在经验缺乏的情况下会导致有用信号特征在最开始时就被过滤，从而导致信号识别效果不佳，特别对于具有强噪声特性的光纤传感信号。因此，合适的滤波降噪将可能会大大提升光纤传感信号的识别效果。
技术实现思路
1、本专利技术的目的是提供一种基于深度残差收缩网络的das管道监测信号识别方法，解决了现有技术中存在的信号识别效果不佳的问题。
2、本专利技术所采用的技术方案是，基于深度残差收缩网络的das管道监测信号识别方法，具体按照如下步骤实施：
3、步骤1，采用光纤分布式声传感器收集矸石浆体输送管道内的振动信息作为原始数据集；
4、步骤2，给原始数据集中的每个样本数据进行预处理并添加噪声；
5、步骤3，将经步骤2添加噪声的数据集中的每个样本数据进行iceemdan分解，将其分解为多个imf分量，然后采用自适应滤波方法对每个imf分量进行滤波；
6、步骤4，构建基于时序阈值函数的深度残差神经网络模型；
7、步骤5，将经过步骤3处理得到的样本数据输入步骤4构建的模型中，对模型进行训练，获得训练后的深度残差神经网络模型；
8、步骤6，对步骤5获得的深度残差神经网络模型进行评估。
9、本专利技术的特征还在于，
10、步骤1具体为：将光纤分布式声传感器紧贴矸石浆体输送管道表面，光纤分布式声传感器将监测到的信号实时发送给das解调仪，使得das解调仪实时获得管道振动信息，das解调仪将振动信息实时回传给回本地服务器，采样时设置样本数据的采样时长以及设置das解调仪的采样频率，则每个样本数据的数据点数＝采样时长*采样频率。
11、步骤2中对原始数据集中的进行预处理具体为：
12、假设原始数据集中的每个样本数据序列为：
13、x(0)＝{x(0)(1)，x(0)(2)，x(0)(3)，...，x(0)(n)，}
14、其中，n为每个样本数据的数据点数；
15、对原始数据进行缺失值处理，具体为：
16、监测每个样本数据，若该样本数据在某一t时刻存在数据缺失，t＝{1，2，3，...，n}则通过线性插值法计算该t时刻的数据对样本数据序列x(0)进行补全：
17、x(0)(t)＝x(0)(t-1)+[(x(0)(t+1)-x(0)(t-1))/2]
18、对经过缺失值处理得到的样本数据序列x(0)进行移动平均处理计算得到新样本数据序列x(1)：
19、对于x(0)中任意一个数据点x(0)(n)，其中，n＝{1，2，3，...，n}，则数据点x(0)(n)经过移动平均处理计算之后得到x(1)(n)，按照如下公式：
20、x(1)(n)＝(x(0)(n)+x(0)(n-1)+x(0)(n-2)+...+x(0)(n-n))/(n+1)
21、根据上述公式对样本数据序列x(0)中的每个数据点进行移动平均处理，获得移动平均处理后新样本数据序列x(1)＝{x(1)(1)，x(1)(2)，x(1)(3)，...，x(2)(n)}。
22、步骤2中的添加噪声具体为：
23、将样本数据序列x(1)分为四部分，分别记为：则：
24、
25、其中，
26、
27、
28、
29、其中，m+p+q+z＝n；
30、给分别添加行人噪声、矿用车辆噪声、皮带振动噪声以及爆破钻孔噪声，将添加完噪声的分别记为将按照顺序重新合成新的数据序列x(2)。
31、给添加行人噪声具体为：
32、利用高斯白噪声模拟行人噪声，将高斯白噪声p1添加到的每个数据点中，对于中任意一个数据点x(1)(t1)添加完高斯白噪声p1后记为x(2)(t1)，其中，t1＝{1，2，3，...，m}，具体为：
33、x(2)(t1)＝x(1)(t1)+pi
34、其中，p1＝a·n(0，1)，a是幅值系数，n(0，1)表示均值为0、方差为1的标准正态分布；
35、给添加矿用车辆噪声具体为：
36、利用复高斯正态噪声模拟矿用车辆噪声，将复高斯白噪声信号p2添加到的每个数据点中，对于中任意一个数据点x(1)(t2)添加完高斯白噪声p2后记为x(2)(t2)，其中，t2＝{m+1，m+2，m+3，...，m+p}，具体为：
37、x(2)(t2)＝x(1)(t2)+p2
38、其中，p2＝ni+j·nq，ni和j·nq分别表示实部和虚部，且均服从独立的零均值高斯分布，即：
39、
40、
41、其中，表示噪声的标准差；
42、给添加皮带振动噪声为：
43、利用高斯白噪声加上自回归滤波器模型模拟皮带振动本文档来自技高网...
【技术保护点】
1.基于深度残差收缩网络的DAS管道监测信号识别方法，其特征在于，具体按照如下步骤实施：
2.根据权利要求1所述的基于深度残差收缩网络的DAS管道监测信号识别方法，其特征在于，所述步骤1具体为：将光纤分布式声传感器紧贴矸石浆体输送管道表面，光纤分布式声传感器将监测到的信号实时发送给DAS解调仪，使得DAS解调仪实时获得管道振动信息，DAS解调仪将振动信息实时回传给回本地服务器，采样时设置样本数据的采样时长以及设置DAS解调仪的采样频率，则每个样本数据的数据点数＝采样时长*采样频率。
3.根据权利要求1所述的基于深度残差收缩网络的DAS管道监测信号识别方法，其特征在于，所述步骤2中对原始数据集中的进行预处理具体为：
4.根据权利要求3所述的基于深度残差收缩网络的DAS管道监测信号识别方法，其特征在于，所述步骤2中所述的添加噪声具体为：
5.根据权利要求4所述的基于深度残差收缩网络的DAS管道监测信号识别方法，其特征在于，给添加行人噪声具体为：
6.根据权利要求5所述的基于深度残差收缩网络的DAS管道监测信号识别方法，其特征
7.根据权利要求6所述的基于深度残差收缩网络的DAS管道监测信号识别方法，其特征在于，所述步骤4中构建的基于时序阈值函数的深度残差神经网络模型具体为：
8.根据权利要求7所述的基于深度残差收缩网络的DAS管道监测信号识别方法，其特征在于，所述步骤5中将经过步骤3处理得到的样本数据输入步骤4构建的模型中对模型进行训练具体为：
9.根据权利要求8所述的基于深度残差收缩网络的DAS管道监测信号识别方法，其特征在于，所述步骤5中时序阈值函数模块计算阈值函数按照如下公式计算：
10.根据权利要求9所述的基于深度残差收缩网络的DAS管道监测信号识别方法，其特征在于，所述步骤6具体为：
...【技术特征摘要】
1.基于深度残差收缩网络的das管道监测信号识别方法，其特征在于，具体按照如下步骤实施：
2.根据权利要求1所述的基于深度残差收缩网络的das管道监测信号识别方法，其特征在于，所述步骤1具体为：将光纤分布式声传感器紧贴矸石浆体输送管道表面，光纤分布式声传感器将监测到的信号实时发送给das解调仪，使得das解调仪实时获得管道振动信息，das解调仪将振动信息实时回传给回本地服务器，采样时设置样本数据的采样时长以及设置das解调仪的采样频率，则每个样本数据的数据点数＝采样时长*采样频率。
3.根据权利要求1所述的基于深度残差收缩网络的das管道监测信号识别方法，其特征在于，所述步骤2中对原始数据集中的进行预处理具体为：
4.根据权利要求3所述的基于深度残差收缩网络的das管道监测信号识别方法，其特征在于，所述步骤2中所述的添加噪声具体为：
5.根据权利要求4所述的基于深度残差收缩网络的das...
【专利技术属性】
技术研发人员：刘成勇，吴玉意，张丁丁，柴敬，古文哲，秋丰岐，李至，景超，孙俊彦，窦勇，
申请(专利权)人：中煤能源研究院有限责任公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。