一种基于DAS的管道威胁事件的识别方法及DAS设备与流程
本发明涉及管道光纤监测,具体涉及一种基于das的管道威胁事件的识别方法及das设备。
背景技术:
1、分布式光纤声波传感(distributed acoustic sensing,das)技术基于相位敏感光时域反射(φ-otdr)原理,依托光纤本征的后向瑞利散射光信号,实现沿光纤全线连续、分布式的动态应变、声波与微振动检测,尤其适用于长距离油气、输水、输气管道的全域在线监测场景。石英光纤在拉丝冷却成型过程中会形成固化的微观折射率随机起伏,当高相干窄线宽激光脉冲注入传感光纤后,会在光纤各空间位置产生弹性瑞利散射,部分散射光沿光纤轴向反向回传至解调设备,形成可被光电探测器采集的后向瑞利散射回波信号。在管道检测应用中,传感光缆可随管道同沟敷设、外壁挂载或套管预埋,可全程贴合管道监测区域;当管道发生外力挖掘撞击、土体沉降等工况时,会产生专属的微振动、声波与轴向应变信号,基于光纤弹光效应与光程变化原理,对应管道位置的后向瑞利散射光相位会发生精准调制,通过对回波信号进行相干接收、采集与解调分析,即可精准获取管道全域各点位的动态扰动信息,实现管道故障精准定位、早期隐患预警与全过程状态监测。
2、das系统核心观测载体为瑞利散射时空瀑布图,是设备信号分析、事件识别与故障定位的核心基础。具体而言,das设备以固定重复频率向光纤发射激光脉冲,每一束激光脉冲对应采集一条完整的光纤空间维度后向瑞利干涉信号,单条波形可反映光纤从近端到远端各位置的散射光干涉强度与相位信息;随着脉冲持续发射、连续采集,将逐帧时域干涉波形按时间序列纵向堆叠,即可生成以光纤空间距离为横轴、监测时间为纵轴、散射光强度/相位为色阶幅值的二维时空瀑布图。该瀑布图直观承载了光纤全域的动态扰动特征:无外界扰动时,瀑布图呈现稳定、均匀的随机瑞利干涉斑纹基底;当光纤某一位置发生振动、撞击、泄漏等扰动事件时,对应空间位置的瑞利干涉相位与幅值会发生突变,在瀑布图上形成明显的条纹畸变、明暗波动或特征纹理,设备正是依托该特征差异实现扰动定位与事件甄别。
3、现有das设备普遍采用固定阈值判定+局部特征比对的识别逻辑。设备预先标定管道正常工况下的瀑布图噪声基底幅值、纹理波动范围、能量区间阈值,实时对采集的瀑布图图像进行像素级遍历分析,当局部像素能量、纹理畸变度、波动频次超出预设阈值时,即判定该管道点位存在异常事件。同时通过比对预设的各类管道故障纹理模板,区分撞击、挖掘、泄漏、沉降等不同危险类型,结合纹理对应的横轴距离坐标完成故障精准定位。上述方式在复杂工程场景下适配性差。野外复杂环境下多源干扰叠加,风扰、车流、环境振动等背景噪声会在瀑布图中形成大面积杂乱纹理,与目标监测事件特征混叠,难以区分有效信号与干扰信号;且传统das解调架构多采用集中式数据处理模式,对海量瀑布图数据进行集中解调、特征提取与识别,对fpga、gpu算力依赖度高,设备功耗大、成本高、体积大,不利于野外大规模、分布式布设。
4、因此,亟需一种基于das的管道威胁事件的识别方法及das设备,以解决上述问题至少之一。
技术实现思路
1、为缓解或解决上述问题中的至少一个方面或者至少一点,提出本发明。本发明一种基于das的管道威胁事件的识别方法,包括如下步骤:
2、s1:利用分布式声波传感(das)设备,通过沿管道伴行敷设的传感光纤采集振动信号,并将采集到的振动数据按照时间维度和空间维度进行二维映射,生成瀑布图;
3、s2:对瀑布图进行预处理;其中,步骤s2具体包括以下子步骤:
4、s21:将瀑布图进行灰度处理,获取瀑布图的灰度图;
5、s22:采用最大类间方差法(ostu)计算灰度分割阈值t,对所述灰度图像进行阈值分割,将灰度值大于所述阈值t的像素标记为前景部分,将灰度值不大于所述阈值 t 的像素标记为背景部分,去除背景噪声,得到二值掩模图;
6、s23:对前景部分进行图像闭运算,依次执行膨胀操作和腐蚀操作,以滤除零散噪点并增强前景区域的连通性;
7、s24:对闭运算后的二值掩模图进行连通域分析,将彼此邻接连通的前景像素划归同一独立区块,互不接触的区块分别对应一处独立管道振动事件分割出各个独立的振动事件区域;
8、s3:对经步骤s2中分割出的每个独立的振动事件区域进行时空特征提取,确定每个振动事件的空间范围、时间范围;根据提取的时空范围,截取对应的瀑布图的灰度图像区域;
9、s4:将所截取的灰度图像区域输入预先训练的深度学习图像识别模型,对振动事件区域进行分类识别,并输出该事件属于各类别所对应的置信度。
10、优选的,s4中还包括:选取yolo系列目标检测模型作为主干框架,以cnn、resnet残差网络作为特征提取骨干网络;调用完成预训练的深度学习识别模型,对所截取的灰度图像区域进行特征解析与类别判定。
11、优选的,模型训练时,采集预定量的管道沿线das设备生成的瀑布图样本构建数据集,样本涵盖机械挖掘、人工镐刨开挖、定向钻穿越等管道高危扰动样本,以及车辆通行、地表风扰、土体自然沉降、系统随机噪声等无害背景扰动样本。
12、优选的,在模型训练时,样本的瀑布图统一采用s2、s3处理的方式,获得“对应的瀑布图灰度图像区域”作为模型训练样本。
13、优选的,s1中:所述das设备采用基于相位敏感光时域反射技术,通过向管道伴行传感光纤中注入高相干性的窄线宽激光脉冲,采集后向瑞利散射光信号,经过光电转换和相位解调,获取管道沿线各位置随时间变化的振动强度信息。
14、优选的,步骤s3中提取的时空特征包括空间特征:振动事件的空间范围、空间中心位置、空间重心偏移量;
15、时间特征:振动事件的持续时间、起始时间、终止时间。
16、优选的,还包括步骤s5:对置信度高于阈值的威胁事件,根据其时空范围内瀑布图数据求其重心,以重心的空间位置作为振动中心位置。
17、优选的,计算振动中心位置具体为:x_center =,其中,i_i为瀑布图的单个连通域中第i个空间位置点的振动强度值,x_i为第i个空间位置点的空间坐标,x_center为振动中心位置。
18、优选的,步骤s21包括:将瀑布图进行灰度处理得到瀑布图的灰度图。
19、本发明还提供一种das设备,采用前述任一项所述的识别方法。
20、本发明利用das设备采集管道沿线振动信号,构建时空二维瀑布图;通过灰度化处理、ostu自适应阈值分割去除基底噪声,得到二值掩模图。通过先膨胀后腐蚀的闭运算修复断裂振动条纹、滤除零散噪点,提升信号连通性;再经连通域分析分割出各独立振动事件区域,提取各事件时空范围并截取对应局部灰度图像。本发明摒弃全局图像输入模式,以单一有效振动区域作为深度学习模型的训练与识别输入,降低无效噪声干扰与计算开销。通过yolo模型实现振动事件分类识别,筛选高置信度威胁事件,并基于振动强度加权重心算法求解振动中心位置。本发明可自适应复杂环境噪声,实现多点振动事件解耦识别与精准定位,有效区分管道高危施工扰动与无害背景干扰,识别精度与鲁棒性高,适用于长距离管道安全监测预警场景。
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