基于分布式光纤传感DAS的高速公路异常振动响应信号识别方法和系统与流程
本发明涉及智慧交通,尤其涉及一基于分布式光纤传感das的高速公路异常振动响应信号识别方法和系统。
背景技术:
1、目前,基于das的高速公路异常事件监测技术已有相关研究和应用。现有技术主要包括基于阈值判断的异常检测方法、基于传统机器学习的分类方法和基于深度学习的识别方法。
2、但是,现有方法无法有效区分正常车辆振动信号与异常事件信号,尤其在重型车辆行驶、道路施工等复杂场景下,误报率高达15%以上,严重影响系统实用性。多数方法只能检测是否存在异常,无法精准区分车辆事故、落石、垮塌等不同类型的异常事件,也无法评估异常事件的严重程度。
3、部分现有的特征提取方法多沿用车辆轨迹提取中的通用特征,未针对异常事件信号的独特特性进行设计,导致对微弱异常信号的检测灵敏度低。
4、基于深度学习的方法虽然识别准确率较高,但计算复杂度大,实时性差,难以满足高速公路异常事件秒级响应的要求。
技术实现思路
1、为解决背景技术中存在的技术问题,本发明提出一种基于分布式光纤传感das的高速公路异常振动响应信号识别方法和系统。
2、第一方面,本发明提出的一种基于分布式光纤传感das的高速公路异常振动响应信号识别方法,包括:
3、获取由预先部署在预设高速公路上的分布式光纤传感系统采集的光纤振动信号;
4、对光纤振动信号进行异常信号增强预处理;
5、对经过异常信号增强预处理的光纤振动信号进行多尺度时频特征提取,得到多尺度时频特征;
6、利用预设的双阶段异常检测框架和多尺度时频特征进行双阶段异常识别,得到识别结果;其中,识别结果分为正常和异常,异常分为车辆事故类、地质灾害类、结构损伤类和其他异常类。
7、优选地,对光纤振动信号进行异常信号增强预处理,具体包括:
8、获取分布式光纤传感系统在无车辆行驶时段采集的环境噪声数据,建立背景噪声统计模型;基于背景噪声统计模型和自适应滤波算法,将光纤振动信号中的背景噪声去除;
9、采用小波包变换对光纤振动信号进行多尺度分解,得到包括不同频带、不同尺度的多个子带信号的子带信号集;
10、从子带信号集的所有子带信号中,筛选出包含异常事件特征的频带并将其组合形成异常事件信号集;
11、对异常事件信号集中的高频子带的系数进行幅值增强;
12、并使用各个子带的系数对子带信号集执行逆变换重构。
13、优选地,多尺度时频特征提取包括时域瞬态特征提取、频域多尺度特征提取和时频域联合特征提取;
14、在时域瞬态特征提取过程中,提取光纤振动信号的上升时间、下降时间、持续时间,提取峰值能量、能量变化率和脉冲个数,提取光纤振动信号的峭度、偏度和波形因子;
15、在频域多尺度特征提取过程中,对光纤振动信号进行多尺度小波包分解,得到不同频带的子信号;计算每个频带子信号的能量占比和能量熵,提取各频带的峰值频率、中心频率和带宽;
16、在时频域联合特征提取过程中,采用希尔伯特黄变换对光纤振动信号进行时频分析,提取瞬时频率、瞬时振幅的变化规律;根据各频段的频带子信号的能量占比,构建时频能量分布矩阵,提取时频特征向量。
17、优选地,利用预设的双阶段异常检测框架和多尺度时频特征进行双阶段异常识别,具体包括:
18、采用改进核密度估计异常检测模型对多尺度时频特征进行无监督异常检测,得到初步异常检测结果;
19、在初步异常检测结果为正常时将正常作为识别结果输出;
20、在初步异常检测结果为异常时,采用预先训练的稀疏自适应卷积神经网络分类器对多尺度时频特征进行异常事件分类,得到异常事件分类结果,并将异常事件分类结果作为识别结果输出。
21、优选地,在得到异常时间分类结果之后,还包括:
22、基于预先构建的异常事件严重程度评估模型和多尺度时频特征,进行异常事件严重程度评估,得到异常事件严重程度评估结果;其中,异常事件严重程度评估结果分为一般、较重和严重三个等级。
23、优选地,在将异常事件分类结果作为识别结果输出之后,还包括:
24、根据das系统的空间分辨率,确定异常事件发生的精确位置;
25、结合das系统的光纤道号对应的高速公路里程桩号,输出异常事件的具体里程位置;
26、实时输出异常事件的发生时间、位置、类型等信息,并生成异常事件报告。
27、第二方面,本发明还提出了一种基于分布式光纤传感das的高速公路异常振动响应信号识别系统,包括:
28、获取模块,获取由预先部署在预设高速公路上的分布式光纤传感系统采集的光纤振动信号;
29、处理模块,用于对光纤振动信号进行异常信号增强预处理;对经过异常信号增强预处理的光纤振动信号进行多尺度时频特征提取,得到多尺度时频特征;利用预设的双阶段异常检测框架和多尺度时频特征进行双阶段异常识别,得到识别结果;其中,识别结果分为正常和异常,异常分为车辆事故类、地质灾害类、结构损伤类和其他异常类。
30、本发明中,所提出的基于分布式光纤传感das的高速公路异常振动响应信号识别方法和系统,通过光纤振动信号的异常信号增强预处理和多尺度时频特征提取,再利用预设的双阶段异常检测框架和多尺度时频特征进行双阶段异常识别,能够检测到5kg以上的落石和轻微的车辆刮擦事故,有效提高了对微弱异常信号的检测能力,能够精准识别异常事件类型,降低了误报率。
1.一种基于分布式光纤传感das的高速公路异常振动响应信号识别方法,其特征在于,包括:
2.根据权利要求1所述的基于分布式光纤传感das的高速公路异常振动响应信号识别方法,其特征在于,对光纤振动信号进行异常信号增强预处理,具体包括:
3.根据权利要求1所述的基于分布式光纤传感das的高速公路异常振动响应信号识别方法,其特征在于,多尺度时频特征提取包括时域瞬态特征提取、频域多尺度特征提取和时频域联合特征提取;
4.根据权利要求1所述的基于分布式光纤传感das的高速公路异常振动响应信号识别方法,其特征在于,利用预设的双阶段异常检测框架和多尺度时频特征进行双阶段异常识别,具体包括:
5.根据权利要求4所述的基于分布式光纤传感das的高速公路异常振动响应信号识别方法,其特征在于,改进核密度估计异常检测模型包括特征预处理模块、自适应带宽高斯核密度估计模块和异常阈值判定模块;
6.根据权利要求4所述的基于分布式光纤传感das的高速公路异常振动响应信号识别方法,其特征在于,稀疏自适应卷积神经网络分类器采用分步迁移学习训练方案,首先基于预设的通用振动时频数据集完成网络预训练,学习通用振动信号时频纹理特征;再冻结网络底层卷积参数,采用高速公路现场标注异常振动时频数据集开展迁移微调;
7.根据权利要求4所述的基于分布式光纤传感das的高速公路异常振动响应信号识别方法,其特征在于,在将异常事件分类结果作为识别结果输出之后,还包括:
8.根据权利要求1所述的基于分布式光纤传感das的高速公路异常振动响应信号识别方法,其特征在于,在得到异常时间分类结果之后,还包括:
9.一种基于分布式光纤传感das的高速公路异常振动响应信号识别系统,其特征在于,包括:
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com