[发明专利]基于深度学习的分布式光纤振动传感智能安全监测方法

摘要

一种基于深度学习的分布式光纤振动传感智能安全监测方法，包括：分布式光纤振动传感技术的信号解调与扰动定位；获取解调图样；构建样本库，进行网络训练，生成网络模型；使用网络模型在线实时识别扰动类型；网络模型的在线训练优化等。该方法可采用检测线路或区域边界的通信光缆实现安全监测，具有可扩展性强、组网方便、成本低廉、防雷电干扰等优势。同时，该方法充分利用分布式光纤振动传感的分布式优势，结合深度学习网络对扰动信息进行分类识别，具有较高的智能识别准确率和在线优化能力，有利于减少长距离、大范围线路的安全警报信息管理成本及现场确认成本，将极大推动分布式光纤安全监测系统领域的发展及工程应用进程。

主权项

1.一种基于深度学习的分布式光纤振动传感智能安全监测方法，其特征在于，该方法包括下列步骤：1)利用短时通带能量变换对分布式光纤振动传感解调信号进行处理，实现扰动定位：由分布式光纤振动传感系统获取解调的扰动信息的时间‑空间分布表示为V(z,t)，通过短时通带能量方法对所述扰动信息进行变换，得到短时通带能量所述的短时通带能量变换的时间尺度为2τ₀，与系统脉冲宽度有关，其中，ω₁、ω₂分别为所述短时通带能量变换所选取的上截止频率、下截止频率，其数值根据系统应用所针对的扰动频率特征确定；根据所述的短时通带能量的空间分布情况，沿线搜索扰动点位置，在空间维度上寻找短时通带能量大于预设阈值Eth的位置为扰动点位置，该扰动点位置zg满足zg＝find(E(z,t)＞Eth)，所述的预设阈值Eth的数值，根据系统应用情况的经验确定；2)提取扰动点附近区域的信号分布，并利用短时傅里叶变换获取“频率—空间”图像，构建扰动样本：从解调扰动信息中提取出所述扰动点附近区域的信号V_s(z,t)＝V(z‑d:z+d,t)，空间区域范围2d，根据所述扰动信号的空间特性确定；利用短时傅里叶变换，获取信号的“频率—空间”分布为将该“频率—空间”分布S(z,f)绘制成彩色图样，并转换为特定尺寸图片，形成图像样本构建该扰动样本；3)开展现场实验，获取不同类型的所述的图像样本构建扰动样本库，利用深层卷积网络进行模型训练，生成网络模型：针对系统应用场景，确定可能存在的外界扰动类型，包括挖掘机作业、人工挖掘、人员入侵，开展现场实验，采集各类扰动的系统解调数据，按照前述步骤构建各类扰动的图像样本，并根据现场实验情况对各类扰动的图像样本添加标签构成各类扰动的标签样本，基于各类扰动的标签样本，构建样本库，选择合适的深层卷积网络，利用所述的样本库对网络模型进行训练，达到既定要求，包括网络模型的事件识别率和泛化能力；4)将所述的网络模型应用于所述的分布式光纤振动传感系统，对处理得到的图像样本进行实时在线识别、分类，根据分类结果，向相关用户终端和服务器发送相应报警信息；5)根据所述终端用户的实时反馈情况，获取所述样本的真实标签，构建在线标签样本，结合迁移学习方法，对所述的网络模型进行在线训练，持续优化网络模型，提升识别效果和泛化能力。