[发明专利]一种分布式光纤振动信号特征提取与识别方法

说明书

本发明公开了一种分布式光纤振动信号特征提取与识别方法，属于光纤传感信号处理领域，首先采集振动源的时空矩阵信号，抽取空间列信号并划分短时信号单元，构建光缆振动事件数据集；再构建并训练和调优改进的mCNN模型，调优时对该模型提取的特征进行特征评估，直到模型迭代达到最优；然后利用最优mCNN模型并行提取多尺度下的时间结构特征矢量，按时间顺序重组为短时特征序列，构建时间结构特征序列集；最后构建并训练HMM模型，构建线下振动事件HMM模型库，作为振动源识别的分类器。本发明解决了现有技术无法同时提取分布式光纤振动信号的局部结构特征和时序特征，振动源识别准确率和模型的泛化能力较低的问题。

技术领域

本发明属于光纤传感信号处理领域，涉及一种分布式光纤振动信号特征提取与识别方法。

背景技术

基于相位敏感光时域反射技术的分布式光纤振动传感系统，以光纤作为传感及传输介质，可以实现长距离、宽范围振动信号连续监测，具有监测距离长、灵敏度高、环境耐受性好等特点，被广泛用于周界安防、油气管道安全、结构健康监测等民用及国防设施安全监测领域。

在长距离监测的实际应用中，环境复杂多变，多种振动源混叠，实时性要求高，对分布式光纤振动传感系统振动源识别难度增加。随着人工智能技术的发展，越来越多研究利用机器学习方法对分布式光纤振动传感系统振动源进行识别。但机器学习方法进行振动源识别都存在共同问题：1)需要人工提取并筛选事件信号的时间结构特征，耗时费力；2)特征的选取没有统一、客观的评判标准；3)特征依赖人为经验，易遗漏信息，且通常泛化性差难以适用于新数据。

2018年《光学工程》的“基于时频分析和卷积神经网络的φ-OTDR振动事件模式识别”中尝试应用深度学习如卷积神经网络(CNN)简化人工提取特征的过程，主要用于提取振动信号的局部结构特征，深度学习自有一套特征评判标准，特征选取更加客观，得到一些较好的结果。但现有深度学习网络提取特征的粒度唯一且固定，细粒度特征与粗粒度特征难以同时兼顾，如果采用加深网络层次来提取更多粒度特征的方法，不仅部分特征已经损耗而且模型参数量将大大增加，存在过拟合的风险。2019年《Journal of LightwaveTechnology》的“基于隐马尔可夫模型的管道动态时间序列识别与知识挖掘方法”提出一种基于人工特征的隐马尔科夫(HMM)模型，在人工提取时间结构特征的基础上，利用HMM模型提取短时信号结构间的时序关系，揭示事件演化过程中状态的动态变化，振动源识别率得到了一定提高，但该特征提取过程仍依赖人工经验，模型更新困难。

因此，本发明针对上述问题，提出了一种分布式光纤振动信号特征提取与识别方法。

发明内容

本发明的目的在于：提供了一种分布式光纤振动信号特征提取与识别方法，解决了现有技术无法同时提取分布式光纤振动信号的局部结构特征和时序特征，振动源识别准确率和模型的泛化能力较低的问题。

本发明采用的技术方案如下：

一种分布式光纤振动信号特征提取与识别方法，包括以下步骤：

步骤1：利用分布式光纤振动传感系统采集振动源的时空矩阵信号，抽取空间列信号并划分短时信号单元，打上事件类型标签，构建光缆振动事件数据集；

步骤2：基于光缆振动事件数据集构建改进的mCNN模型，并对其进行训练和调优，调优过程中对改进的mCNN模型提取的特征进行特征评估，直到改进的mCNN模型迭代达到最优；

步骤3：利用最优mCNN模型并行提取多尺度下所有短时信号单元的时间结构特征矢量，按短时信号单元的时间顺序重组为短时特征序列，构建振动事件数据的时间结构特征序列集；

步骤4：基于时间结构特征序列集训练各类振动事件的HMM模型，挖掘时间结构特征序列间的时序关系，构建线下振动事件HMM模型库，作为振动源识别的分类器，实现振动源分类识别。

进一步地，还包括步骤5：