[发明专利]一种基于Wavenet的φ-OTDR模式识别系统及方法

说明书

本发明公开了一种基于Wavenet的φ‑OTDR模式识别系统及方法，包括：依次连接的激光器、光衰减器、声光调制器、掺铒光纤放大器和滤波器，所述滤波器的输出端连接环形器，环形器和拉曼放大器的输出端分别连接波分复用器，所述波分复用器的输出端经过PZT与传感光纤连接。本发明有益效果：本发明在φ‑OTDR系统模式识别中，直接对采集到的原始信号进行特征提取和识别，避免了传统方法需人工提取特征的过程，能够更有效率地充分获取振动信息。

技术领域

本发明涉及信息处理和相位敏感光时域反射光纤传感技术领域，尤其涉及一种基于Wavenet(声波网络)的φ-OTDR模式识别系统及方法。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

基于相位敏感的光时域反射系统(Phase-Sensitive Optical Time-DomainReflecrometric System,)，以光纤作为传感器，具备本征安全、耐腐蚀、功耗低的独特优势，可实时在线监测并定位光纤沿线的振动事件，在周界安防、管线安全监测、建筑物结构健康等领域具有广泛的应用。

随着系统实际应用的不断深入，仅对振动信号进行感知定位难以达到实际需求，因此对各类振动事件进行准确有效的识别日益重要。目前，研究者普遍采用的方法是人工提取振动信号在时域、频域、时频域、空间域等维度的特征信息，然后将特征信息输入到机器学习或深度学习结构中进行模式识别，但是人工提取的特征能否完全代表原始振动信号，直接影响了特征分类的准确性，且人工提取特征过程本身会增加整个模式识别方法的计算资源，导致方法实时性较差。

现有技术公开了采用一维卷积神经网络直接对一维原始信号进行特征提取和识别，省去了人工提取特征过程，但输入仅为一维时域上的幅度信息，且一维卷积神经网络缺乏对振动时序信号的准确表达和分析的能力。

现有技术公开了采用长短时记忆网络模型对设备运行振动时域数据进行训练，但由于长短时记忆网络中存在循环连接，在一定程度上限制了模型的训练速度。

发明内容

为了解决现有技术存在的需要人工提取特征或因神经网络模型本身结构而造成的模式识别实时性较差的问题，以及模型不能充分分析其输入数据时序性而导致的识别准确率较低的问题，本发明提出了一种基于Wavenet的φ-OTDR模式识别系统及方法，能够实现准确且高效地识别各类外界振动信号。

在一些实施方式中，采用如下技术方案：

一种基于Wavenet的φ-OTDR模式识别系统，包括：依次连接的激光器、光衰减器、声光调制器、掺铒光纤放大器和滤波器，所述滤波器的输出端连接环形器，环形器和拉曼放大器的输出端分别连接波分复用器，所述波分复用器的输出端经过PZT与传感光纤连接。

在另一些实施方式中，采用如下技术方案：

一种基于Wavenet的φ-OTDR模式识别方法，包括：

通过传感光纤获取待预测的多组外界振动信号；

将采集到的振动信号经过阈值筛选处理为时间-空间数据，将所述数据输入到训练好Wavenet神经网络模型，输出振动信号类型；

其中，所述阈值为使用设定的扫频信号驱动PZT作用，拉伸传感光纤以产生相应应变，以该应变量所对应的幅值为筛选有效振动信号的阈值。

在另一些实施方式中，采用如下技术方案：

一种终端设备，包括服务器，所述服务器包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述的基于Wavenet的φ-OTDR模式识别方法。

与现有技术相比，本发明的有益效果是：