[发明专利]基于SVM与时频域特征的管道沿线第三方施工动态预警方法

说明书

本发明涉及基于SVM与时频域特征的管道沿线第三方施工动态预警方法，包括以下步骤：S1、实时采集波形数据，并对波形数据进行阈值触发以及数据预处理，获取可疑波段及其对应的可疑防区；S2、根据可疑波段的波形提取相应的时域特征和频域特征，并获取可疑防区对应的动态时空大数据信息；动态时空大数据信息包括时间信息、GIS信息、天气信息和高后果区信息；S3、将时域特征、频域特征及动态时空大数据信息输入SVM预测模型，实时判断可疑波段的波形对应的振动源是否为第三方施工，以便进行预警。本发明考虑了各防区的动态时空大数据信息，并结合波形的时域特征和频域特征，对第三方施工实现动态智能预警。

技术领域

本发明属于油气管道沿线安防技术领域，具体涉及基于SVM与时频域特征的管道沿线第三方施工动态预警方法。

背景技术

第三方在管道安全范围内的施工统称为“第三方施工”。长期以来，为维护油气管道的完整性和防止第三方施工破坏，投入了巨大的人力和财力，但是油气管道第三方施工，随机性强，不易预测和控制导致监视难度大。

分布式光纤振动传感器是近年来发展的一种用于实时测量空间振动分布的光纤传感系统。与管道同沟铺设的光缆作为传感介质，感知管道沿线的风险，通过机器学习算法，对管道沿线入侵事件进行智能识别，实现对管道的实时监测、定位、预警和报警。例如，公开号为CN108932480A的专利文献公开了一种基于1D-CNN的分布式光纤传感信号特征学习与分类方法，对获取的各空间点的分布式光纤传感声音、振动信号进行时间分割，建立典型事件信号数据集；构建一维卷积神经网络1D-CNN模型，利用典型事件信号数据训练集对网络进行迭代更新训练得到最优网络参数，利用最优网络学习并提取不同类型事件的1D-CNN可分辨特征，得到典型事件信号特征集；利用典型事件信号特征集训练不同类型分类器后，筛选出最佳分类器。测试时将测试数据输入最优1D-CNN网络得到事件可分辨特征，再输入最佳分类器得到分类结果。

由于油气管道分布范围广，所经过的地形、地貌不同，附近的干扰性活动复杂，若仅对管道沿线的振动源做单一的同类处理，而忽视管道沿线的土壤、土质、人类生活、天气、高后果区等因素的影响，难以实现对沿线施工情况的准确预警。

发明内容

针对现有技术中存在的上述不足之处，本发明提供基于SVM与时频域特征的管道沿线第三方施工动态预警方法。

为了达到上述发明目的，本发明采用以下技术方案：

基于SVM与时频域特征的管道沿线第三方施工动态预警方法，包括以下步骤：

S1、通过管道沿线铺设的分布式光纤传感器实时采集波形数据，并对波形数据进行阈值触发以及数据预处理，获取可疑波段及其对应的可疑防区；

S2、根据可疑波段的波形提取相应的时域特征和频域特征，并获取可疑防区对应的动态时空大数据信息；所述动态时空大数据信息包括时间信息、GIS信息、天气信息和高后果区信息；

S3、将时域特征、频域特征及动态时空大数据信息输入SVM预测模型，实时判断可疑波段的波形对应的振动源是否为第三方施工，以便进行预警。

作为优选方案，所述步骤S1中，阈值触发包括：

将波形数据，按10s为一小段处理单元，每小段波形前后取40%重叠进行波形分段，判断各小段波形内最大值是否超过预设阈值；若是，则将相应的波形段作为可疑波段；若否，则继续采集波形数据。

作为优选方案，所述步骤S1中，数据预处理包括依次对可疑波段的波形进行滤波降噪、滑动窗口处理、一阶差分处理。

作为优选方案，所述步骤S2中，根据可疑波段的波形提取相应的时域特征，包括：

对数据预处理后的可疑波段的波形直接进行时域特征的提取，并对数据预处理后的可疑波段的波形先进行差分处理再进行时域特征提取，得到可疑波段对应的时域特征。