一种地下通信光缆外力破坏智能监测及事件智能识别方法与流程

1.本发明涉及光缆检测技术领域，更具体地，涉及一种地下通信光缆外力破坏智能监测及事件智能识别方法。


背景技术：

2.地下电力通信光缆是有效保障电力通信安全、稳定的重要基础设施，通常包括城市管道光缆、变电站导引光缆、配网通信光缆等。地下电力通信光缆常采用明沟、直埋和穿管等方式铺设，具有分布广、不可视等特点。
3.在城市建设过程中，部分开发商为了追求效率、节约成本，未去办理相关手续，不了解地下管线敷设情况就直接开挖，容易造成地下电力通信光缆时常遭受施工作业引起的外力破坏，导致电力通信出现严重影响。地下电力通信光缆线路的各类外力破坏事件成因复杂，欲实现对线路环境状态的准确判断，需综合考虑线路路段特征及线路的振动频率等多因素，单一因素的判断方法只能反映分析单一因素，误判率较高。
4.而对地下通信光缆外力破坏事件的识别准确率与敏感度是一对矛盾的指标，过往类似项目中通常采用单一因素识别、固定阀值预警等方法，若是选择准确率高的方法，该方法的敏感度就很低，反之，若是选择敏感度较高的方法，该方法的准确率就不高。而如何平衡准确率和敏感度，在保证敏感度的基础上提供最佳的识别准确率是本发明所需解决的主要技术难点。


技术实现要素：

5.本发明提供一种地下通信光缆外力破坏智能监测及事件智能识别方法，旨在解决地下光缆的线路状态误判率较高，在保证敏感度的基础上提供最佳的识别准确率的技术问题。
6.为解决上述问题，提供一种地下通信光缆外力破坏智能监测及事件智能识别方法，包括建立地下光缆外力破坏事件智能识别模型步骤和事件智能识别步骤；所述建立地下光缆外力破坏事件智能识别模型步骤包括以下子步骤：a1.设定光缆外力破坏事件类型；a2.收集海量地下光缆特征参数、微地形信息、环境数据并转换为特征向量作为训练集；a3.通过训练集和智能识别方法获得地下光缆外力破坏事件智能识别模型；所述地下光缆外力破坏事件智能识别模型用于输出光缆外力破坏事件类型；所述事件智能识别步骤包括以下子步骤：b1.实时获取光缆振动监测数据，并对所述振动监测数据进行特征提取，得出地下光缆特征参数；b2.实时获取光缆监测地点的定位，并获取定位的微地形信息；b3.实时获取定位的环境数据；
b4.将地下光缆特征参数、微地形信息和环境数据转化为特征向量，并将所有特征向量合成实时多维特征数据集；b5.将实时多维特征数据集输入至地下光缆外力破坏事件智能识别模型输出光缆外力破坏事件类型。
7.特别的，所述步骤a3中，所述智能识别方法具体包括以下步骤：采用一对一多类支持向量机将所述训练集进行状态分类识别的类别区域的划分；基于粗糙集的上下近似的核心思想对类别区域依据光缆外力破坏事件类型进行描述，得出每个光缆外力破坏事件类型的上下近似域及边界域的集合，并提取状态识别分类规则；所述分类规则能够进行光缆外力破坏事件类型的划分识别。
8.特别的，所述获取振动监测数据的方式为通过分步式光纤振动监测设备进行采集。
9.特别的，所述步骤b1中对所述振动监测数据进行特征提取的方法为运用短时能量计算法、短时平均幅度计算法、短时过零率计算法和小波分析对光缆振动监测数据中的光纤振动信号进行算法分析。
10.特别的，所述地下光缆特征参数包括短时能量、短时平均幅度、短时过零率和小波变换系数。
11.特别的，所述微地形信息包括地形类型、坡向、坡度、距地表深度、光缆附近道路数据。
12.特别的，所述环境数据包括温度、湿度、气候、电磁环境参数、土质种类、土壤质量。
13.特别的，所述光缆外力破坏事件类型包括施工破坏事件类型和盗窃破坏事件类型；所述施工破坏事件类型包括顶管施工事件、道路开挖施工事件、地下钻探施工事件、站内施工事件；所述盗窃破坏事件类型包括盗窃地下光缆事件和外力破坏地下光缆事件。
14.本发明的有益效果：1.本发明将实时状态多维特征数据集与环境数据与微地形相结合，以完善状态智能识别的分析数据，通过分析各环境状态及事件变化中振动数据中的多维特征因素的综合表现，结合从分步式光纤振动监测设备采集的振动各特征因素监测数据建立多维度的特征参数形成基于ai的地下光缆外力破坏事件智能判定的特征数据模型。
15.2.本发明采用的智能识别方法能够实现状态识别信息的综合利用，并将粗糙集在不完备数据与复杂模式刻画方面所具备的优良表现，及一对一支持向量机在智能识别及分类方面的良好泛化性能进行有效融合，能有效提高地下光缆外力破坏时间智能识别精度。
16.3.本发明通过基于ai的模式识别技术自动判断和识别可能危及光缆的施工事件，并迅速定位发生施工的位置或区域，有效解决非接触式监测技术及其带来的误报警现象，在保证敏感度的基础上提供最佳的识别准确率。
附图说明
17.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
18.图1为本发明实施例的方法流程图。
具体实施方式
19.下面结合附图对本发明的优选实施例进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。
20.需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
21.此外，术语“水平”、“竖直”、“悬垂”等术语并不表示要求部件绝对水平或悬垂，而是可以稍微倾斜。如“水平”仅仅是指其方向相对“竖直”而言更加水平，并不是表示该结构一定要完全水平，而是可以稍微倾斜。
22.在本发明的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
23.本发明实施例根据柳州供电局区域环境特点，归纳本区域地下光缆所处的典型环境状态及典型外力破坏事件进行多维特征研究分析，分析各环境状态及事件变化中振动数据中的多维特征因素的综合表现，结合从分步式光纤振动监测设备采集的振动各特征因素监测数据建立多维度的特征参数形成基于ai的地下光缆外力破坏事件智能判定的特征数据模型。
24.如图1所示，本发明实施例的一种地下通信光缆外力破坏智能监测及事件智能识别方法，包括建立地下光缆外力破坏事件智能识别模型步骤和事件智能识别步骤；建立地下光缆外力破坏事件智能识别模型步骤包括以下子步骤：a1.设定光缆外力破坏事件类型；光缆外力破坏事件类型包括施工破坏事件类型和盗窃破坏事件类型。施工破坏事件类型包括顶管施工事件、道路开挖施工事件、地下钻探施工事件、站内施工事件；所述盗窃破坏事件类型包括盗窃地下光缆事件和外力破坏地下光缆事件。
25.a2.收集海量地下光缆特征参数、微地形信息、环境数据并转换为特征向量作为训练集；地下光缆特征参数包括短时能量、短时平均幅度、短时过零率和小波变换系数。环境数据包括温度、湿度、气候、电磁环境参数、土质种类、土壤质量。微地形信息包括地形类型、坡向、坡度、距地表深度、光缆附近道路数据。
26.a3.通过训练集和智能识别方法获得地下光缆外力破坏事件智能识别模型；所述地下光缆外力破坏事件智能识别模型用于输出光缆外力破坏事件类型。智能识别方法具体包括以下步骤：采用一对一多类支持向量机将所述训练集进行状态分类识别的类别区域的划分；基于粗糙集的上下近似的核心思想对类别区域依据光缆外力破坏事件类型进行
描述，得出每个光缆外力破坏事件类型的上下近似域及边界域的集合，并提取状态识别分类规则；所述分类规则能够进行光缆外力破坏事件类型的划分识别。
27.获取振动监测数据的方式为通过分步式光纤振动监测设备进行采集。
28.所述事件智能识别步骤包括以下子步骤：b1.实时获取光缆振动监测数据，并对所述振动监测数据进行特征提取，得出地下光缆特征参数；对所述振动监测数据进行特征提取的方法为运用短时能量计算法、短时平均幅度计算法、短时过零率计算法和小波分析对光缆振动监测数据中的光纤振动信号进行算法分析。地下光缆特征参数包括短时能量、短时平均幅度、短时过零率和小波变换系数。
29.b2.实时获取光缆监测地点的定位，并获取定位的微地形信息；微地形信息包括地形类型、坡向、坡度、距地表深度、光缆附近道路数据。
30.b3.实时获取定位的环境数据；环境数据包括温度、湿度、气候、电磁环境参数、土质种类、土壤质量。
31.b4.将地下光缆特征参数、微地形信息和环境数据转化为特征向量，并将所有特征向量合成实时多维特征数据集；b5.将实时多维特征数据集输入至地下光缆外力破坏事件智能识别模型输出光缆外力破坏事件类型。光缆外力破坏事件类型包括施工破坏事件类型和盗窃破坏事件类型。施工破坏事件类型包括顶管施工事件、道路开挖施工事件、地下钻探施工事件、站内施工事件。盗窃破坏事件类型包括盗窃地下光缆事件和外力破坏地下光缆事件。
32.根据采集到的振动等物理量数据，根据多维特征数据模型和特征参数的采集提取算法，建立光缆振动数据中多因素的实时多维特征数据集，通过基于ai的模式识别技术，结合地下通信光缆线路所处环境、微地形数据，对有可能影响地下光缆运行的常见外力破坏异常事件进行智能化分析判断，并自动定位到外力破坏异常事件发生的具体地图位置或区域。
33.本发明实施例具有以下有益效果：将实时状态多维特征数据集与环境数据与微地形相结合，以完善状态智能识别的分析数据，通过分析各环境状态及事件变化中振动数据中的多维特征因素的综合表现，结合从分步式光纤振动监测设备采集的振动各特征因素监测数据建立多维度的特征参数形成基于ai的地下光缆外力破坏事件智能判定的特征数据模型。
34.针对外力破坏事件分析与识别：根据采集到的光缆振动数据中的多维特征数据集，针对地下光缆线路（包括站内引导光缆）所处地形、道路等数据即环境数据和微地形数据，建立顶管施工、道路开挖、地下钻探、站内施工等施工引起的光纤振动信号特征模型库，即地下光缆外力破坏事件智能识别模型，通过基于ai的模式识别技术自动判断和识别可能危及光缆的施工事件，并迅速定位发生施工的位置或区域，有效解决非接触式监测技术及其带来的误报警现象。
35.盗窃事件分析与识别：针对地下电缆沟敷设的地下光缆（包括站内引导光缆），根据地下光缆振动特征数据集，提取在电缆沟环境中人为盗窃或破坏地下光缆或电缆产生的光纤振动特征，建立振动数据模型库即地下光缆外力破坏事件智能识别模型，通过基于ai的模式识别技术有效解决非接触式监测技术及其带来的误报警现象，自动判断和识别盗窃或破坏行为，迅速定位这类事件的位置或区域。
36.采用智能识别方法能够实现状态识别信息的综合利用，并将粗糙集在不完备数据与复杂模式刻画方面所具备的优良表现，及一对一支持向量机在智能识别及分类方面的良好泛化性能进行有效融合，能有效提高地下光缆外力破坏时间智能识别精度。
37.通过基于ai的模式识别技术自动判断和识别可能危及光缆的施工事件，并迅速定位发生施工的位置或区域，有效解决非接触式监测技术及其带来的误报警现象，在保证敏感度的基础上提供最佳的识别准确率。
38.虽然描述了本发明的实施方式，但是专利所有者可以在所附权利要求的范围之内做出各种变形或修改，只要不超过本发明的权利要求所描述的保护范围，都应当在本发明的保护范围之内。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实例的说明只是用于帮助理解本发明的方法及其核心思想。以上仅是本发明的优选实施方式，应当指出，由于文字表达的有限性，而客观上存在无限的具体结构，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进、润饰或变化，也可以将上述技术特征以适当的方式进行组合；这些改进润饰、变化或组合，或未经改进将发明的构思和技术方案直接应用于其它场合的，均应视为本发明的保护范围。