一种城市综合管廊安全监测系统及方法与流程

1.本发明涉及管廊安全监测技术领域，具体而言，特别涉及一种城市综合管廊安全监测系统及方法。


背景技术：

2.随着经济社会的高速发展，安防问题日显突出，人们对安防的意识和要求也越来越高。尤其对于输油气管道及城市综合管廊等的安全防范显得尤为重要，一旦发生入侵或者破坏行为将给人民、企业、社会甚至国家带来重大损失。
3.综合管廊，就是地下城市管道综合走廊，即在城市地下建造一个隧道空间，将电力、通信，燃气、供热、给排水等各种工程管线集于一体，设有专门的检修口、吊装口和监测系统。地下综合管廊有着许多优势，使其成为未来城市基础建设的大趋势。我国由于起步较晚，相较美国、欧洲、日本等发达国家技术有一定差距，那么综合管廊系统因为多功能集成，面临着管理非常的复杂而变得很困难，靠日常的巡检效率低，容易出现巡检盲区，特别是针对管道的温度异常变化、外力破坏等引起的公共安全隐患需要有更加智能的管理方式。
4.现有技术中的综合管廊最大的优势在于不破路的情况下对地下管线进行施工和维护，这意味着维护人员的工作大部分要在地下进行。地下综合管廊内干线、支线纵横分布，距离长、人员稀少、光线昏暗、通风不畅，一旦地下管线出现事故，人员和设备设施的安全都将面临巨大的风险。因此，急需一套系统进行地下综合管廊专业管线运行状态的实时监控和安全防护，提高城市地下综合管廊运行管理的快速反应和安全防控能力，保障地下综合管廊安全。


技术实现要素：

5.本发明旨在至少在一定程度上解决现有技术中的上述技术问题之一。为此，本发明的一个目的在于提出一种提升安全监测准确率和部署效率；实现同时震动监测和温度监测，能有效降低成本的城市综合管廊安全监测系统及方法。
6.本发明解决上述技术问题的技术方案如下：一种城市综合管廊安全监测系统，包括超窄线宽激光器、光学脉冲调制器、第一环形器、第一分路器、平衡光探测器和数据采集卡，所述超窄线宽激光器、光学脉冲调制器和第一环形器的第一端口依次连接，所述第一环形器的第二端口与光缆连接；所述第一分路器的第三端口、第一分路器、平衡光探测器和数据采集卡依次连接，所述第一分路器还与所述超窄线宽激光器连接。
7.在上述技术方案的基础上，本发明还可以做如下改进。
8.进一步，还包括光纤激光器、第二环形器和雪崩光探测器，所述光纤激光器与所述第二环形器的第三端口连接；所述雪崩光探测器的输入端与所述第二环形器的第一端口连接，其输出端与所述数据采集卡连接；所述第二环形器的第二端口与所述光缆连接。
9.进一步，还包括波分复用器，所述第一环形器的第二端口和第二环形器的第二端口均通过所述波分复用器与所述光缆连接。
10.进一步，还包括光放大器、第二分路器和拉曼放大器，所述光放大器、第二分路器和拉曼放大器依次串联在所述光学脉冲调制器和第一环形器之间，所述光放大器的输入端与所述光学脉冲调制器的输出端连接，所述拉曼放大器的输出端与所述第一环形器的第一端口连接。
11.本发明的有益效果是：利用深度学习bp神经网络对信号进行处理，提升安全监测准确率达到96％以上，以及提升安全监测部署效率；利用波分复用器实现在单台设备单芯光缆上同时进行震动监测和温度监测，能有效降低安全监测成本；还利用相干调制技术实现震动监测最大52公里传感距离且
±
3米空间分辨率；实现了复杂场景下安全事件的准确识别，系统误报率由1次/天下降到了1次/月，达到实用化水平。
12.本发明解决上述技术问题的另一技术方案如下：一种城市综合管廊安全监测方法，包括以下步骤：
13.超窄线宽激光器分别向光学脉冲调制器和第一分路器发出第一激光信号，所述光学脉冲调制器将第一激光信号调制成稳定的脉冲激光信号传输至第一环形器，所述第一环形器的第三端口将稳定的脉冲激光信号传输至光缆；
14.所述第一环形器的第二端口接收光缆内的背向瑞利散射光信号，背向瑞利散射光信号通过所述第一环形器的第二端口传输至第一分路器；所述第一分路器对背向瑞利散射光信号和第一激光信号进行光学混频生成混频信号传输至平衡光探测器，所述平衡光探测器将混频信号进行光电转化，生成相干混频电信号传输至数据采集卡，所述数据采集卡通过深度学习bp神经网络对相干混频电信号进行预处理获得数据帧，利用数据处理算法对数据帧进行处理获得震动数据。
15.进一步，还包括以下步骤：
16.光纤激光器向第二环形器的第三端口发出第二激光信号，所述第二环形器的第二端口将第二激光信号传输至光缆；所述第二环形器的第二端口接收光缆内的拉曼散射光信号，将拉曼散射光信号传输至雪崩光探测器，所述雪崩光探测器对拉曼散射光信号进行光电转化，生成拉曼散射电信号传输至数据采集卡，所述数据采集卡通过深度学习bp神经网络对拉曼散射电信号进行预处理获得数据帧，利用数据处理算法对数据帧进行处理获得温度数据。
17.进一步，所述深度学习bp神经网络的训练方法，包括以下步骤：
18.对收集到的数据进行格式化，构建权重矩阵对数据进行加权，并进行交叉验证，获得初始模型；判断初始模型是否为最优模型，当判断初始模型为最优模型时，则完成深度学习bp神经网络的模型；
19.当判断初始模型并非最优模型时，计算数据权重的误差，利用梯度下降法计算误差的梯度下降变化量，根据误差的梯度下降变化量更新数据权重，再对初始模型进行交叉验证。
20.进一步，所述数据处理算法包括以下步骤：
21.对数据帧进行解析获得多组数据，将每组数据中对应排序位置的数据进行重组获得多组新数据，求每一组新数据进行标准差σ1，将标准差σ1与前一数据帧中每组数据的对应排序位置的数据进行差分，获得差分矩阵d1；通过差分矩阵d1绘制震动曲线。
22.进一步，所述数据采集卡对震动数据或温度数据进行傅里叶变换：
[0023][0024]
其中，f(ω)为f(t)的像函数；ω为频率，t为时间，e-iωt
为复变函数。
[0025]
本发明的有益效果是：利用深度学习bp神经网络对信号进行处理，提升安全监测准确率达到96％以上，以及提升安全监测部署效率；利用波分复用器实现在单台设备单芯光缆上同时进行震动监测和温度监测，能有效降低安全监测成本；还利用相干调制技术实现震动监测最大52公里传感距离且
±
3米空间分辨率；实现了复杂场景下安全事件的准确识别，系统误报率由1次/天下降到了1次/月，达到实用化水平。
附图说明
[0026]
图1为本发明一种城市综合管廊安全监测系统的模块框图；
[0027]
图2为本发明一种城市综合管廊安全监测方法的一流程图；
[0028]
图3为本发明一种城市综合管廊安全监测方法的另一流程图；
[0029]
图4为本发明深度学习bp神经网络的训练方法的流程图。
[0030]
附图中，各标号所代表的部件列表如下：
[0031]
1、超窄线宽激光器，2、光学脉冲调制器，3、第一环形器，4、第一分路器，5、平衡光探测器，6、数据采集卡，7、光缆，8、光纤激光器，9、第二环形器，10、雪崩光探测器，11、波分复用器，12、光放大器，13、第二分路器，14、拉曼放大器。
具体实施方式
[0032]
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
[0033]
实施例1：
[0034]
如图1所示，一种城市综合管廊安全监测系统，包括超窄线宽激光器1、光学脉冲调制器2、第一环形器3、第一分路器4、平衡光探测器5和数据采集卡6，所述超窄线宽激光器1、光学脉冲调制器2和第一环形器3的第一端口依次连接，所述第一环形器3的第二端口与光缆7连接；所述第一分路器4的第三端口、第一分路器4、平衡光探测器5和数据采集卡6依次连接，所述第一分路器4还与所述超窄线宽激光器1连接。
[0035]
上述实施例中，还包括光纤激光器8、第二环形器9和雪崩光探测器10，所述光纤激光器8与所述第二环形器9的第三端口连接；所述雪崩光探测器10的输入端与所述第二环形器9的第一端口连接，其输出端与所述数据采集卡6连接；所述第二环形器9的第二端口与所述光缆7连接。
[0036]
上述实施例中，还包括波分复用器11，所述第一环形器3的第二端口和第二环形器9的第二端口均通过所述波分复用器11与所述光缆7连接。
[0037]
上述实施例中，还包括光放大器12、第二分路器13和拉曼放大器14，所述光放大器12、第二分路器13和拉曼放大器14依次串联在所述光学脉冲调制器2和第一环形器3之间，所述光放大器12的输入端与所述光学脉冲调制器2的输出端连接，所述拉曼放大器14的输出端与所述第一环形器3的第一端口连接。
[0038]
本实施例中，超窄线宽激光器1分90％光作为初始信号进入光学脉冲调制器2，光学脉冲调制器2将第一激光信号调制成稳定且可通过软件控制的脉冲激光信号，脉冲激光
信号通过光放大器12进行信号放大后进入第二分路器13，第二分路器13为50：50分路器，第二分路器13将脉冲激光信号分为两束，一路用于拓展预留，另一路经拉曼放大器14信号放大后进入第一环形器3；第一环形器3将脉冲激光信号通过第二端口传输至光缆7，光缆7为传感光缆；
[0039]
当声波或震动作于光缆7时，光缆7会产生微小的形变，光缆7产生形变的位置，物质密度会发生改变，进而影响光缆7在该位置的折射率，背向散射的瑞利散射光受折射率的影响，强度会发生改变；同时，由于形变使得光缆7的长度也发生了改变，使得瑞利散射相位也同样发生变化，一部分背向瑞利散射光信号会沿光缆7返回第一环形器3的第二端口，经第一环形器3的第三端口进入第一分路器4，其中第一分路器4为2
×
2分路器；第一分路器4还从超窄线宽激光器1接入超窄线宽激光器1的10％光作为基准信号，由于初始信号与基准信号是超窄线宽激光器1分出的信号，因此初始信号与基准信号为强相干光，背向瑞利散射光信号与基准信号进入第一分路器4后进行光学混频后，送入平衡光探测器5进行光电转化，生成相干混频电信号传输至数据采集卡6，所述数据采集卡6通过深度学习bp神经网络对相干混频电信号进行预处理获得数据帧，利用数据处理算法对数据帧进行处理获得震动数据。
[0040]
光纤激光器8向第二环形器9的第三端口发出第二激光信号，所述第二环形器9的第二端口将第二激光信号传输至光缆7；所述第二环形器9的第二端口接收光缆7内的拉曼散射光信号，将拉曼散射光信号传输至雪崩光探测器10，所述雪崩光探测器10对拉曼散射光信号进行光电转化，生成拉曼散射电信号传输至数据采集卡6，所述数据采集卡6通过深度学习bp神经网络对拉曼散射电信号进行预处理获得数据帧，利用数据处理算法对数据帧进行处理获得温度数据。
[0041]
本实施例利用深度学习bp神经网络对信号进行处理，提升安全监测准确率达到96％以上，以及提升安全监测部署效率；利用波分复用器11将光缆分出两束分别用于震动传感和温度传感，实现在单台设备单芯光缆上同时进行震动监测和温度监测，能有效降低安全监测成本；还利用相干调制技术实现震动监测最大52公里传感距离且
±
3米空间分辨率。
[0042]
实施例2：
[0043]
如图2和图3所示，一种城市综合管廊安全监测方法，包括以下步骤：
[0044]
超窄线宽激光器1分别向光学脉冲调制器2和第一分路器4发出第一激光信号，所述光学脉冲调制器2将第一激光信号调制成稳定的脉冲激光信号传输至第一环形器3，所述第一环形器3的第三端口将稳定的脉冲激光信号传输至光缆7；
[0045]
所述第一环形器3的第二端口接收光缆7内的背向瑞利散射光信号，背向瑞利散射光信号通过所述第一环形器3的第二端口传输至第一分路器4；所述第一分路器4对背向瑞利散射光信号和第一激光信号进行光学混频生成混频信号传输至平衡光探测器5，所述平衡光探测器5将混频信号进行光电转化，生成相干混频电信号传输至数据采集卡6，所述数据采集卡6通过深度学习bp神经网络对相干混频电信号进行预处理获得数据帧，利用数据处理算法对数据帧进行处理获得震动数据。
[0046]
上述实施例中，还包括以下步骤：
[0047]
光纤激光器8向第二环形器9的第三端口发出第二激光信号，所述第二环形器9的
第二端口将第二激光信号传输至光缆7；所述第二环形器9的第二端口接收光缆7内的拉曼散射光信号，将拉曼散射光信号传输至雪崩光探测器10，所述雪崩光探测器10对拉曼散射光信号进行光电转化，生成拉曼散射电信号传输至数据采集卡6，所述数据采集卡6通过深度学习bp神经网络对拉曼散射电信号进行预处理获得数据帧，利用数据处理算法对数据帧进行处理获得温度数据。
[0048]
上述实施例中，如图4所示，所述深度学习bp神经网络的训练方法，包括以下步骤：
[0049]
对收集到的数据进行格式化，构建权重矩阵对数据进行加权，并进行交叉验证，获得初始模型；判断初始模型是否为最优模型，当判断初始模型为最优模型时，则完成深度学习bp神经网络的模型；
[0050]
当判断初始模型并非最优模型时，计算数据权重的误差，利用梯度下降法计算误差的梯度下降变化量，根据误差的梯度下降变化量更新数据权重，再对初始模型进行交叉验证。
[0051]
本实施例中，深度学习bp神经网络分为输入、隐藏和输出层。传感数据从输入层输入，经隐藏层分析，从输出层输出结果。其中，隐藏层可能包含多层，按照顺序，可以将各层从l0至ln依次排序。
[0052]
设有n个数据，则有：
[0053]
w1s1 w2s2
…
wnsn＝m
[0054]
其中w为权重，s为样本数据，m为需要识别的模式。
[0055]
深度学习bp神经网络中，每层对应一个矩阵a
ln
以及前一层a
ln-1
(n≥1)，则：
[0056]aln
＝[ln
1 ln2ꢀ…ꢀ
lnm]
[0057]aln-1
＝[ln-1
1 ln-12ꢀ…ꢀ
ln-1n]
[0058]aln
中每个元素代表该层的神经元，当n＝1时，即a
l0
中，元素代表输入神经网络的数据。
[0059]
根据上述，可建立m
×
n权重矩阵
[0060][0061]
ln层矩阵a
ln
可由l
n-1
层与权重矩阵点乘得到，即：
[0062][0063]
深度学习bp神经网络输出的是各个事件的可能性，因此在得到l1后，需要对其进行逻辑回归处理，在算法中我们使用sigmoid函数将神经网络的输出映射到0至1。
[0064]
sigmoid函数原型为：
[0065][0066]
则：
[0067][0068]
对于一个n层的神经网络，可以按照的模式依次得到每层的神经元，并最终得到ln层矩阵a
ln
。a
ln
中的每个元素即为模式识别的概率。此过程即为交叉验证，也称正向推导。但对于一个刚初始化的神经网络，由于初始权重存在误差，从l0层至ln层正方向，误差逐渐累加，导致ln输出的模式识别结果存在偏差，因此需要计算误差。对于输出层ln，在进行训练时，数据样本又确定的模式矩阵am，因此，误差
[0069]
由于误差来自于权重的的误差在神经网络中的正向传递。因此，该误差因需作为参量，并采用梯度下降法逐渐逼近局部最优解。设调整权重的变化量为由梯度下降法可得：
[0070][0071]
则：
[0072][0073]
其中，sigmoid
′
(a
ln
)为a
ln
中每个元素在sigmoid(a
ln
)的一阶导数。即：
[0074][0075]
变化量是的变化率，即重在当前状态下的局部最优解，下式用于更新
[0076][0077]
对于非输出层而言，由于误差是逐层传递的，所以其神经元的误差计算需要通过后一层权重的及其修正量反向推导。同样地，通过梯度下降法，前一层l
n-1
的误差为ln层权重及其变化量的内积，即：
[0078][0079]
则l
n-1
层权重变化量为：
[0080]
[0081]
并由可更新
[0082][0083]
算法通过ln层的误差更新ln权重，并通过神经网络中误差的传递，从ln层向l
n-1
层反向逐层计算其误差。通过梯度下降法计算各层的局部最优解，此过程称为反向传播。
[0084]
反向传播将更新神经网络中的更新完成之后，算法从l0输入新的模式确定的数据样本，并再次正向推导。新的误差会再次通过反向传播过程进行修正。经过反复多次的训练，最终得到一组最优解此最优解即为深度学习bp神经网络的模型。
[0085]
上述实施例中，所述数据处理算法包括以下步骤：
[0086]
对数据帧进行解析获得多组数据，将每组数据中对应排序位置的数据进行重组获得多组新数据，求每一组新数据进行标准差σ1，将标准差σ1与前一数据帧中每组数据的对应排序位置的数据进行差分，获得差分矩阵d1；通过差分矩阵d1绘制震动曲线。
[0087]
本实施例中，为了方便理解，可认为在光缆中平均分布着若干个传感点。每个传感点可返回该点的光信号数据；取数据帧中100组数据进行解析，对这100组数据第一个传感点求标准差σ1；即，取100组数据第一个元素组成新的一组数据，并对其求标准差。
[0088]
如当前时刻t第一个传感点的数据组成矩阵a1，则有：
[0089]
(下标1-1为数据帧第1组数据中的第1个数据，以此类推)；
[0090]
对于公式中每个均取低16位的相位数据，则对应第一个传感点的标准差σ1为：
[0091][0092]
同样地，前一时刻t-1有对应的数据帧；
[0093]
将σ1与前一时刻数据帧第一个传感点矩阵a
′1差分，并得到差分矩阵d1：
[0094][0095]
差分矩阵d1即反映了第一个传感点一个时间片内震动情况。在无震动时，理想状态下，d1的元素均保持在2到-2之间，保持动态平衡，即：
[0096]
d1＝[-0.6 0.2 0.9
ꢀ‑
2 0 0.4 ...
ꢀ‑
0.2]
[0097]
通过差分矩阵绘制震动曲线。差分矩阵表示的是一个传感点的数据变化，即光缆中某个点的震动变化。
[0098]
上述实施例中，所述数据采集卡6对震动数据或温度数据进行傅里叶变换：
[0099][0100]
其中，f(ω)为f(t)的像函数；ω为频率，t为时间，e-iωt
为复变函数。
[0101]
本实施例中，数据采集卡6无法直接捕捉信号的频域特性，而数据分析需要数据的频域特性，因此，在数据采集卡6需要对原始数据进行傅里叶变换。
[0102]
本实施例利用深度学习bp神经网络对信号进行处理，提升安全监测准确率达到96％以上，以及提升安全监测部署效率；利用波分复用器11将光缆分出两束分别用于震动传感和温度传感，实现在单台设备单芯光缆上同时进行震动监测和温度监测，能有效降低安全监测成本；还利用相干调制技术实现震动监测最大52公里传感距离且
±
3米空间分辨
率。
[0103]
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。