一种光纤振动事件检测方法、系统、电子设备及存储介质与流程

摘要: 本发明涉及光纤运维领域,更具体地,涉及一种光纤振动事件检测方法、系统、电子设备及存储介质。背景技术:1、分布式光纤振动传感系统(distributedvibra...
一种光纤振动事件检测方法、系统、电子设备及存储介质与流程

本发明涉及光纤运维领域,更具体地,涉及一种光纤振动事件检测方法、系统、电子设备及存储介质。

背景技术:

1、分布式光纤振动传感系统(distributed vibration sensing, dvs)基于相位敏感光时域反射技术,利用普通单模光纤作为传感介质,可实现对光纤沿线振动信号的分布式检测。该系统具有灵敏度高、抗电磁干扰、无源探测、长距离连续监测等优势,在周界安防、油气管道安全预警、铁路沿线监测等领域得到广泛应用。

2、在现有的分布式光纤振动传感技术中,通常直接基于采集到的光纤振动信号进行识别预测,得到光纤沿线的振动事件。然而,现有分布式光纤振动传感技术大多仅从时域或频域单一维度对振动信号进行分析,且即使部分方法尝试结合时域与频域特征,也往往将两类特征作为独立信息源进行简单拼接或分别判决,缺乏对时频特征的深度融合与结构化降维处理,导致特征冗余度高、信息冲突明显,进而降低对于光纤的振动事件的识别检测的精度。

技术实现思路

1、本发明提供一种光纤振动事件检测方法、系统、电子设备及存储介质,用于有效提高光纤振动事件的识别检测精度。

2、根据本技术的第一方面,提供了一种光纤振动事件检测方法,所述方法包括:

3、获取待测光纤上预设采样点的时域信号;所述待测光纤预先根据预设间隔设置有若干预设采样点;

4、将所述预设采样点的时域信号划分为若干频率子信号;

5、对所述频率子信号进行时域特征提取,得到所述频率子信号的时域特征向量;

6、对所述频率子信号进行频域特征提取,得到所述频率子信号的频域特征向量;

7、将所述频率子信号的时域特征向量与所述频域特征向量进行拼接,得到所述频率子信号的时频特征向量;

8、根据所述预设采样点所有所述频率子信号的时频特征向量,获取所述待测光纤的主特征集合;

9、通过预训练好的事件识别模型对所述主特征集合进行处理,获取所述待测光纤中的目标振动事件类型。

10、通过获取待测光纤上预设采样点的时域信号并划分为若干频率子信号,分别对各频率子信号进行时域特征提取得到时域特征向量以及进行频域特征提取得到频域特征向量,实现了对光纤振动信号时域与频域特征的全面提取,进而能够克服仅依赖单一维度特征导致的信息缺失问题;进一步地,通过将时域特征向量与频域特征向量拼接为时频特征向量,保留了时域与频域特征之间的关联信息,避免了分别判决带来的信息割裂;再通过根据所有频率子信号的时频特征向量获取主特征集合,有效降低了特征冗余度并去除了噪声干扰;最终通过预训练好的事件识别模型对主特征集合进行处理,显著提升了模型对振动事件的判别能力,从而有效提高了光纤振动事件的识别检测精度。

11、可选地,所述将所述预设采样点的时域信号划分为若干频率子信号,包括:

12、提取所述待测光纤的有效频率范围,根据所述有效频率范围为所述时域信号设置起始采样频率点、终止采样频率点、动态采样窗口的基准窗口大小和滑动步长;

13、以所述起始采样频率点为起点、以所述终止采样频率点为终点,通过所述动态采样窗口和所述滑动步长从所述时域信号中滑动截取若干频率子信号;其中,在每次滑动之前,根据当前滑动截取的次数和所述基准窗口大小确定所述动态采样窗口的当前滑动截取的实际窗口大小,并根据所述实际大小进行当前滑动截取。

14、通过提取待测光纤的有效频率范围并为时域信号设置起始采样频率点、终止采样频率点、动态采样窗口的基准窗口大小和滑动步长,能够根据不同应用场景灵活配置频率子信号的划分参数,提高了方法的场景适应性;通过以起始采样频率点为起点、终止采样频率点为终点,利用动态采样窗口和滑动步长滑动截取若干频率子信号,并在每次滑动之前根据当前滑动截取的次数和基准窗口大小确定当前滑动截取的实际窗口大小,使得相邻频率子信号之间能够产生频率重叠,有效避免了因频带严格划分导致的信号能量泄漏和边界信息丢失问题,保障了后续特征提取的完整性和准确性。

15、可选地,所述根据所述预设采样点所有所述频率子信号的时频特征向量,获取所述待测光纤的主特征集合,包括:

16、将所述频率子信号的时频特征向量进行标准化处理,得到时频特征标准向量;

17、将所有所述预设采样点及其频率子信号的时频特征标准向量进行堆叠,得到全域时频特征矩阵;

18、计算所述全域时频特征矩阵的协方差矩阵;

19、将所述协方差矩阵进行特征分解,得到若干特征向量以及各特征向量所对应的特征值;其中,各特征值的大小表示其对应特征向量方向上的数据方差;

20、选取前若干个数值最大的特征值作为候选特征值,若所述候选特征值的数值之和与所述特征值的数值之和的比例超过预设的比例阈值,则将所述候选特征值作为目标特征值;

21、根据所述目标特征值所对应的特征向量构建投影矩阵;

22、根据所述投影矩阵对所述全域时频特征矩阵进行投影处理,得到主特征集合作为所述主特征集合。

23、通过对频率子信号的时频特征向量进行标准化处理得到时频特征标准向量,消除了不同特征维度之间的量纲差异对分析结果的影响;通过将所有预设采样点及其频率子信号的时频特征标准向量进行堆叠得到全域时频特征矩阵,并计算该矩阵的协方差矩阵,为后续的特征结构分析奠定了基础;通过对协方差矩阵进行特征分解得到若干特征向量及其对应的特征值,各特征值的大小表征了其对应特征向量方向上的数据方差,从而实现了对原始特征空间中各主成分方向重要性的量化评估;通过选取前若干个数值最大的特征值作为候选特征值,并在候选特征值之和与全部特征值之和的比例超过预设比例阈值时将候选特征值所对应的特征向量作为目标特征向量构建投影矩阵,实现了主成分数量的自适应选取,避免了人为设定主成分数量的主观性;最终通过投影矩阵对全域时频特征矩阵进行投影处理得到主特征集合,在保留原始特征主要信息的同时有效降低了特征维度,减少了数据冗余和计算开销,同时去除了噪声和无关特征对后续识别结果的干扰。

24、可选地,所述事件识别模型包括若干并列设置的事件识别网络,每个所述事件识别网络对应一种振动事件;所述事件识别网络用于对其输入特征进行识别,输出所述事件识别网络所对应的振动事件的置信度;

25、所述通过预训练好的事件识别模型对所述主特征集合进行处理,获取所述待测光纤中的目标振动事件类型,包括:

26、对于所述事件识别模型中的各事件识别网络,将所述主特征集合作为输入特征输入所述事件识别网络进行处理,获取所述事件识别网络所输出的振动事件的置信度;

27、根据各所述振动事件的置信度,获取所述待测光纤中的目标振动事件类型。

28、通过设置若干并列的事件识别网络,每个事件识别网络对应一种振动事件并输出该事件对应的置信度,使得不同事件类型的判别任务由各自独立的网络分支承担,避免了单一多分类网络中不同类别之间特征竞争和相互干扰的问题;通过将主特征集合分别输入各事件识别网络获取各振动事件的置信度,并根据各置信度确定目标振动事件类型,实现了对多种振动事件的并行判别和综合决策,提高了事件类型识别的准确性和可靠性。

29、可选地,所述事件识别网络包括若干信道处理子网络和可微融合子网络;

30、所述将所述主特征集合作为输入特征输入所述事件识别网络进行处理,获取所述事件识别网络所输出的振动事件的置信度,包括:

31、提取所述预设采样点中各所述频率子信号所对应的子信号频率范围;

32、从所述主特征集合中,提取各所述子信号频率范围所对应的特征分量;

33、将各所述特征分量分别输入各所述信道处理子网络进行处理,得到各所述特征分量的信道特征向量;

34、将所有所述特征分量的信道特征向量进行拼接得到融合特征向量;

35、通过所述可微融合子网络对所述融合特征向量进行识别,得到所述振动事件的置信度。

36、通过事件识别网络中设置的若干信道处理子网络和可微融合子网络,构建了层次化的特征处理架构;通过提取各频率子信号所对应的子信号频率范围并从主特征集合中提取各频率范围所对应的特征分量,实现了对主特征集合中不同频率子信号特征的精准分离和定向提取;通过将各特征分量分别输入各信道处理子网络进行处理得到各特征分量的信道特征向量,实现了对不同频率子信号特征的独立并行处理,充分挖掘了各频率子信号中的判别信息;通过将所有信道特征向量拼接为融合特征向量并输入可微融合子网络进行识别,实现了对各频率子信号特征的综合利用和深度融合,有效提升了振动事件置信度的评估准确性。

37、可选地,所述将各所述特征分量分别输入各所述信道处理子网络进行处理,得到各所述特征分量的信道特征向量,包括:

38、对所述特征分量进行可微支持向量机处理,得到第一置信度向量;

39、通过决策树对所述特征分量进行决策路径的加权概率计算,得到第二置信度向量;

40、通过逻辑回归对所述特征分量进行处理,得到第三置信度向量;

41、根据所述第一置信度向量、第二置信度向量和第三置信度向量获取所述信道特征向量。

42、通过信道处理子网络对特征分量分别进行可微支持向量机处理、决策树的决策路径加权概率计算以及逻辑回归处理,分别得到第一置信度向量、第二置信度向量和第三置信度向量,实现了从三个不同技术路径对同一特征分量进行多角度判别;可微支持向量机通过最大间隔超平面对特征进行判别,决策树通过决策路径的加权概率计算对特征进行判别,逻辑回归通过线性加权映射对特征进行判别,三种基算子具有不同的决策机理和判别偏好,各自从不同侧面提取了特征分量中的判别信息;通过根据第一置信度向量、第二置信度向量和第三置信度向量获取信道特征向量,实现了三种基算子判别结果的融合,有效综合了各基算子的优势并抑制了单一基算子可能存在的判别偏差,提高了信道特征向量的表达能力和鲁棒性。

43、可选地,所述对所述特征分量进行可微支持向量机处理,得到第一置信度向量,包括:

44、通过可微支持向量机将所述特征分量进行高维空间映射处理,得到高维特征表示;

45、通过可微决策边界对所述高维特征表示进行计算,得到原始得分;

46、通过平滑合页损失函数对所述原始得分进行计算,得到特征概率值作为第一置信度向量;

47、和/或;

48、所述决策树包括若干节点层,每个节点层包括至少一个节点;其中,顶部节点层设置有一个节点,该节点为所述决策树的根节点;底部节点层设置有若干节点,该节点为所述决策树的叶节点;所述节点层中的每个节点通过有向边连接下一节点层的至少两个节点,所述下一节点层的节点,作为与其具有有向边连接关系的所述节点层节点的子节点;

49、所述通过决策树对所述特征分量进行决策路径的加权概率计算,得到第二置信度向量,包括:

50、将所述特征分量输入所述决策树的根节点;

51、在所述决策树中,每个节点根据节点输入特征以及所述节点的可学习节点参数,计算流向其下一节点层各子节点的节点径向概率;根据各节点计算得到的节点径向概率,计算所述特征分量到达每个叶节点的到达概率;根据所述叶节点的可学习节点参数和到达所述叶节点的到达概率,计算所述叶节点的路径概率;将所述叶节点的路径概率进行加权得到特征路径概率,作为所述第二置信度向量。

52、在对特征分量进行可微支持向量机处理时,通过可微支持向量机将特征分量进行高维空间映射处理得到高维特征表示,使原本线性不可分的特征在高维空间中变得线性可分;通过可微决策边界对高维特征表示进行计算得到原始得分,并通过平滑合页损失函数对原始得分进行计算得到特征概率值作为第一置信度向量,使得支持向量机的输出为连续可微的概率值,保证了整个处理过程的梯度可导性,为端到端的联合训练提供了支持。

53、和/或,

54、在通过决策树对特征分量进行决策路径的加权概率计算时,通过决策树中每个节点根据节点输入特征和可学习节点参数计算流向各子节点的节点径向概率,实现了节点分裂的软性化和可微化;通过根据各节点径向概率计算特征分量到达每个叶节点的到达概率,再根据叶节点的可学习节点参数和到达概率计算各叶节点的路径概率并进行加权得到特征路径概率作为第二置信度向量,使得决策树的输出为连续可微的概率值,突破了传统决策树硬分裂导致的不可微限制,使得决策树能够作为神经网络的一层参与梯度反向传播和联合优化,同时保留了决策树良好的可解释性。

55、根据本技术的第二方面,提供了一种光纤振动事件检测系统,所述系统包括:

56、信号采集模块,用于获取待测光纤上预设采样点的时域信号;所述待测光纤预先根据预设间隔设置有若干预设采样点;

57、频率划分模块,用于将所述预设采样点的时域信号划分为若干频率子信号;

58、时域特征提取模块,用于对所述频率子信号进行时域特征提取,得到所述频率子信号的时域特征向量;

59、频域特征提取模块,用于对所述频率子信号进行频域特征提取,得到所述频率子信号的频域特征向量;

60、时频拼接模块,用于将所述频率子信号的时域特征向量与所述频域特征向量进行拼接,得到所述频率子信号的时频特征向量;

61、主特征提取模块,用于根据所述预设采样点所有所述频率子信号的时频特征向量,获取所述待测光纤的主特征集合;

62、事件识别模块,用于通过预训练好的事件识别模型对所述主特征集合进行处理,获取所述待测光纤中的目标振动事件类型。

63、根据本技术的第三方面,提供了一种电子设备,包括:

64、存储器,用于存储一个或多个计算机程序;

65、处理器,当所述一个或多个计算机程序被所述处理器执行时,实现上述第一方面所述的光纤振动事件检测方法。

66、根据本技术的第四方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现上述第一方面所述的光纤振动事件检测方法。

67、基于上述任意一个方面,本技术实施例提供的一种光纤振动事件检测方法、系统、电子设备及计算机存储介质,通过获取待测光纤上预设采样点的时域信号并划分为若干频率子信号,分别对各频率子信号进行时域特征提取得到时域特征向量以及进行频域特征提取得到频域特征向量,实现了对光纤振动信号时域与频域特征的全面提取,进而能够克服仅依赖单一维度特征导致的信息缺失问题;进一步地,通过将时域特征向量与频域特征向量拼接为时频特征向量,保留了时域与频域特征之间的关联信息,避免了分别判决带来的信息割裂;再通过根据所有频率子信号的时频特征向量获取主特征集合,有效降低了特征冗余度并去除了噪声干扰;最终通过预训练好的事件识别模型对主特征集合进行处理,显著提升了模型对振动事件的判别能力,从而有效提高了光纤振动事件的识别检测精度。