網(wǎng)格化信息管理及模式識(shí)別在分布式光纖傳感預(yù)警系統(tǒng)的應(yīng)用

張洪奎

中國(guó)石化銷售華中分公司，湖北武漢 430000

分布式光纖傳感預(yù)警系統(tǒng)是基于相位敏感的光時(shí)域反射技術(shù)（φ-OTDR），通過(guò)伴隨管道的通信光纖作為傳感體，利用光纖中后向瑞利散射光干涉，對(duì)管道沿線的振動(dòng)進(jìn)行實(shí)時(shí)監(jiān)測(cè)[1-2]。φ-OTDR技術(shù)由美國(guó)德克薩斯A&M大學(xué)的Taylor于1993年首次提出[3]，目前廣泛應(yīng)用于油氣管道安全檢測(cè)[4]。2009年，王志強(qiáng)等人報(bào)道了分布式光纖溫度檢測(cè)技術(shù)在氣體管道泄漏檢測(cè)中的應(yīng)用[5]，同年朱建新等人報(bào)道了基于φ-OTDR光纖管道安全預(yù)警系統(tǒng)在油氣管道安全防范中的應(yīng)用[6]。2015年，任亮等人報(bào)道了基于光纖光柵應(yīng)變傳感器的油氣管道腐蝕監(jiān)測(cè)應(yīng)用[7]。

武漢—廣水成品油管道應(yīng)用了分布式光纖傳感預(yù)警系統(tǒng)，自2017年12月以來(lái)，相繼開(kāi)發(fā)了利用傳感系統(tǒng)實(shí)現(xiàn)清管器實(shí)時(shí)定位、斷纜監(jiān)測(cè)等功能，系統(tǒng)于2018年10月驗(yàn)收，驗(yàn)收后在中國(guó)石化銷售華中分公司湖北處的推進(jìn)下全面使用，各站對(duì)預(yù)警系統(tǒng)的每次報(bào)警都進(jìn)行現(xiàn)場(chǎng)排查和確認(rèn)，報(bào)警確認(rèn)率接近100%。然而在現(xiàn)場(chǎng)的實(shí)際工作中，對(duì)于每一條報(bào)警信息都需要安排管道工作人員去現(xiàn)場(chǎng)復(fù)核，由于很多振動(dòng)是由農(nóng)耕、火車或者道路施工等無(wú)害振動(dòng)原因引起的，這就產(chǎn)生了很大的工作量。另一方面，在管道安全預(yù)警系統(tǒng)中，存在一定數(shù)量的無(wú)異常報(bào)警，現(xiàn)場(chǎng)復(fù)核會(huì)造成人力、物力和財(cái)力的浪費(fèi)，為有效降低無(wú)異常報(bào)警，同時(shí)減少對(duì)無(wú)傷害入侵引起振動(dòng)的現(xiàn)場(chǎng)復(fù)核次數(shù)，在光纖預(yù)警系統(tǒng)中加入了網(wǎng)格化信息管理數(shù)據(jù)庫(kù)和智能識(shí)別功能，同時(shí)對(duì)無(wú)異常報(bào)警較多處的振動(dòng)配置參數(shù)進(jìn)行優(yōu)化。經(jīng)實(shí)際監(jiān)測(cè)證明有效降低了無(wú)異常報(bào)警率并提高了報(bào)警吻合率。

1 網(wǎng)格化信息管理和信號(hào)識(shí)別方案

網(wǎng)格化信息管理和信號(hào)識(shí)別系統(tǒng)設(shè)計(jì)為三層，見(jiàn)圖1。最底層是網(wǎng)格化信息統(tǒng)計(jì)和對(duì)振動(dòng)信號(hào)的底層識(shí)別算法；中間層是將網(wǎng)格化信息進(jìn)行組織管理，建立網(wǎng)格化信息庫(kù)，同時(shí)開(kāi)發(fā)人際交互的工程應(yīng)用軟件將網(wǎng)格化數(shù)據(jù)庫(kù)和識(shí)別算法進(jìn)行邏輯融合；最高層為應(yīng)用層，在有振動(dòng)事件發(fā)生時(shí)，系統(tǒng)應(yīng)用軟件對(duì)振動(dòng)事件類型進(jìn)行判斷，同時(shí)將振動(dòng)點(diǎn)的網(wǎng)格化信息自動(dòng)推送，事件處置人員將參考推送信息對(duì)振動(dòng)做出判斷并進(jìn)行相應(yīng)的處理。

圖1 網(wǎng)格化信息管理和信號(hào)識(shí)別系統(tǒng)

1.1 網(wǎng)格化信息統(tǒng)計(jì)

網(wǎng)格化信息統(tǒng)計(jì)是指將輸油管道自身和周邊區(qū)域的多維度信息進(jìn)行統(tǒng)計(jì)，建立管道網(wǎng)格狀信息網(wǎng)，在系統(tǒng)出現(xiàn)報(bào)警時(shí)，將網(wǎng)格化信息推送給處置人員，作為報(bào)警處理參考的依據(jù)。多維度網(wǎng)格化信息采集內(nèi)容、參數(shù)和技術(shù)指標(biāo)要求見(jiàn)表1。

表1 網(wǎng)格化信息統(tǒng)計(jì)內(nèi)容

1.2 網(wǎng)格化數(shù)據(jù)采集實(shí)施方案

1.2.1 軟件配置準(zhǔn)備

首先利用軟件將返回的瑞利干涉光在時(shí)域上解調(diào)，將時(shí)域坐標(biāo)轉(zhuǎn)化為管道距離坐標(biāo)。然后對(duì)管道距離坐標(biāo)按照傳感系統(tǒng)最大分辨率進(jìn)行分段，如在實(shí)際應(yīng)用中，系統(tǒng)最高分辨率為10 m，則管道坐標(biāo)分為10 m一段，在總長(zhǎng)40 km的監(jiān)測(cè)系統(tǒng)中，管道分為4 000段。同時(shí)預(yù)設(shè)置每段的報(bào)警參數(shù)，如信號(hào)累積閾值、報(bào)警閾值及靈敏度等。

1.2.2 工程標(biāo)點(diǎn)

標(biāo)點(diǎn)是網(wǎng)格化工程實(shí)施的核心部分。首先沿管道走向每隔50～100 m進(jìn)行管道走向標(biāo)點(diǎn)。標(biāo)點(diǎn)過(guò)程為在沿管道每個(gè)樁點(diǎn)處進(jìn)行敲擊，當(dāng)振動(dòng)信號(hào)強(qiáng)度超過(guò)累積閾值時(shí)，信號(hào)強(qiáng)度開(kāi)始累積疊加，當(dāng)疊加值超過(guò)設(shè)定報(bào)警閾值時(shí)，系統(tǒng)報(bào)警，此時(shí)軟件將顯示報(bào)警段數(shù)，將此樁號(hào)的段數(shù)、樁號(hào)、經(jīng)緯度、報(bào)警閾值設(shè)置、周圍環(huán)境等網(wǎng)格化信息進(jìn)行統(tǒng)計(jì)，輸入Excel表格，同時(shí)也將敲擊點(diǎn)環(huán)境照片留存。

除標(biāo)點(diǎn)獲取的現(xiàn)場(chǎng)信息外，系統(tǒng)還增加了施工管道沿線的地圖信息，可將報(bào)警點(diǎn)位置標(biāo)在地圖上，現(xiàn)場(chǎng)處置人員可更加準(zhǔn)確和迅速地到達(dá)現(xiàn)場(chǎng)。

1.2.3 信息上傳

將網(wǎng)格化信息的Excel表格、地圖信息及其他的網(wǎng)格化信息上傳到軟件。此時(shí)可通過(guò)軟件調(diào)取地圖查看管道走向和對(duì)應(yīng)樁號(hào)，見(jiàn)圖2。當(dāng)有入侵振動(dòng)并引起報(bào)警時(shí)，軟件自動(dòng)彈出報(bào)警框，見(jiàn)圖3。報(bào)警框包含振動(dòng)點(diǎn)網(wǎng)格化信息，能夠快速及時(shí)將振動(dòng)點(diǎn)位置、振動(dòng)類型和現(xiàn)場(chǎng)信息反饋給工作人員。

圖2 帶有樁號(hào)走向的地圖

圖3 網(wǎng)格化信息報(bào)警圖

1.3 信號(hào)智能識(shí)別及參數(shù)優(yōu)化配置

信號(hào)智能識(shí)別利用人工智能的支持向量機(jī)SVM和BP神經(jīng)網(wǎng)絡(luò)算法，對(duì)信號(hào)在時(shí)域和頻域上進(jìn)行特征提取，根據(jù)提取的特征針對(duì)不同的振動(dòng)信號(hào)類型進(jìn)行模型訓(xùn)練，最后形成識(shí)別模型并組成算法邏輯融合器，對(duì)現(xiàn)場(chǎng)振動(dòng)信號(hào)進(jìn)行實(shí)時(shí)類型識(shí)別，提升系統(tǒng)的智能化和自動(dòng)化，最后通過(guò)振動(dòng)的智能識(shí)別，降低無(wú)害入侵的現(xiàn)場(chǎng)復(fù)核次數(shù)。

1.3.1 邏輯架構(gòu)

振動(dòng)信號(hào)識(shí)別的算法融合器將支持向量機(jī)SVM和BP神經(jīng)網(wǎng)絡(luò)兩種算法結(jié)合，每一個(gè)算法對(duì)應(yīng)一個(gè)子分類器，各個(gè)分類器之間的訓(xùn)練、分類和識(shí)別過(guò)程相互獨(dú)立，每個(gè)子分類器都會(huì)輸出其分類結(jié)果，然后對(duì)這些分類結(jié)果執(zhí)行“與”運(yùn)算，輸出最終識(shí)別結(jié)果。算法融合器邏輯架構(gòu)如圖4所示。

圖4 算法融合器邏輯架構(gòu)

1.3.2 基本原理

支持向量機(jī)SVM的原理是設(shè)計(jì)一個(gè)決策函數(shù)，即找到一個(gè)最優(yōu)超平面，將兩類樣本集完全分開(kāi)且使分類間隔最大化，見(jiàn)圖5，左邊是第一類事件的分辨特征，右邊是第二類事件的分辨特征，設(shè)計(jì)的決策函數(shù)或超平面就是中間的那一條線。

圖5SVM原理

對(duì)于線性可分/線性不可分的分辨特征集，間隔最大化的分離超平面為：

x是分辨特征矢量，Φ（x） 是特征空間轉(zhuǎn)換函數(shù)，w和b是最大超平面的參數(shù)。最大分離超平面對(duì)應(yīng)的分類決策函數(shù)為：

BP神經(jīng)網(wǎng)絡(luò)是一種前饋型的神經(jīng)網(wǎng)絡(luò)，如圖6所示，信息只能從輸入層輸入信息，傳輸時(shí)只能向前傳輸，一直傳輸?shù)捷敵鰧訛橹?。整個(gè)BP網(wǎng)絡(luò)采取分層結(jié)構(gòu)，即輸入層、中間層（隱層） 和輸出層三層。層與層之間采取全連接或全互聯(lián)方式連接，同一層的神經(jīng)元之間沒(méi)有連接關(guān)系。

圖6 BP神經(jīng)網(wǎng)絡(luò)原理

在人工神經(jīng)網(wǎng)絡(luò)中，輸入是特征矢量集，輸出是單個(gè)結(jié)果，該算法實(shí)現(xiàn)了多個(gè)輸入非線性映射到單個(gè)輸出。神經(jīng)網(wǎng)絡(luò)的基本運(yùn)算單元是神經(jīng)元，每個(gè)神經(jīng)元有相對(duì)應(yīng)的權(quán)重，表示相鄰神經(jīng)元之間的連接強(qiáng)度。通過(guò)設(shè)置求和器的閾值和激活函數(shù)實(shí)現(xiàn)了一個(gè)非線性映射，完成神經(jīng)元的輸出，如圖7所示。

圖7 人工神經(jīng)網(wǎng)絡(luò)模型

1.3.3 信號(hào)特征提取

分類器輸入的特征值數(shù)據(jù)為對(duì)信號(hào)特征提取后得到的矢量集。具體為長(zhǎng)時(shí)主沖擊強(qiáng)度分辨特征B1、長(zhǎng)時(shí)次沖擊強(qiáng)度分辨特征B2、長(zhǎng)時(shí)幅度比例分辨特征B3、長(zhǎng)時(shí)小波包分辨特征B4、非異常信號(hào)主沖擊強(qiáng)度分辨特征B5、長(zhǎng)時(shí)嚴(yán)格沖擊信號(hào)個(gè)數(shù)B6。不同的事件類型有著不同的B1～B6，將它們輸入到子分類器中，得到各自的分類結(jié)果，再將這些分類結(jié)果通過(guò)報(bào)警策略處理，得到最終判別結(jié)果。

1.3.4 報(bào)警策略

在信號(hào)識(shí)別分類算法中考慮三分類的情況，將人為偷油挖掘記為1、人工挖掘記為2、安靜環(huán)境噪聲記為3。報(bào)警策略見(jiàn)表2。從表2可以看出，報(bào)警策略為當(dāng)兩個(gè)子分類器同時(shí)輸出1時(shí)，才輸出為1；當(dāng)兩個(gè)子分類器同時(shí)輸出為2時(shí)，才輸出為2；其余情況均輸出為3。

表2 報(bào)警策略

1.3.5 配置參數(shù)調(diào)整

根據(jù)前期無(wú)效報(bào)警相對(duì)較多的點(diǎn)，統(tǒng)計(jì)報(bào)警類別和地點(diǎn)，分析報(bào)警原因，對(duì)振動(dòng)源的特點(diǎn)如振動(dòng)強(qiáng)度、持續(xù)時(shí)間、時(shí)間間隔、位置等進(jìn)行了統(tǒng)計(jì)，針對(duì)不同的情況分別調(diào)整了各點(diǎn)的靈敏度和閾值。如深度較淺管道，周圍有國(guó)道汽車行駛引起誤報(bào)較多，可以降低靈敏度或者提高閾值；深度較深管道，可以提高靈敏度降低閾值。

2 方案實(shí)施成果

2.1 方案實(shí)施效果評(píng)價(jià)標(biāo)準(zhǔn)

根據(jù)管道安全監(jiān)測(cè)的實(shí)際需要和傳感系統(tǒng)的特點(diǎn)，現(xiàn)階段評(píng)價(jià)以上方案實(shí)施效果的主要標(biāo)準(zhǔn)為：無(wú)異常報(bào)警次數(shù)降低和報(bào)警吻合率提升。

無(wú)異常報(bào)警是指系統(tǒng)有報(bào)警推送，但是現(xiàn)場(chǎng)復(fù)核卻沒(méi)有發(fā)現(xiàn)振動(dòng)源，因此降低無(wú)異常報(bào)警次數(shù)可以有效降低誤報(bào)率，減少現(xiàn)場(chǎng)復(fù)核次數(shù)。同時(shí)以報(bào)警吻合率的高低來(lái)反映系統(tǒng)報(bào)警準(zhǔn)確度的高低，在當(dāng)前使用階段影響吻合率的主要因素是報(bào)警現(xiàn)場(chǎng)復(fù)核后有無(wú)明顯動(dòng)土痕跡來(lái)判斷是否為“無(wú)異常”報(bào)警，處理結(jié)果為“無(wú)異常”的報(bào)警作為無(wú)效報(bào)警，如有明顯動(dòng)土或者振動(dòng)源則為有效報(bào)警。

2.2 方案實(shí)施結(jié)果

通過(guò)對(duì)前期統(tǒng)計(jì)的無(wú)異常報(bào)警點(diǎn)進(jìn)行優(yōu)化處置，通過(guò)跟蹤觀察、現(xiàn)場(chǎng)排查分析，對(duì)無(wú)異常報(bào)警點(diǎn)進(jìn)行了相應(yīng)的閾值調(diào)整和靈敏度優(yōu)化，靈敏度調(diào)整為過(guò)去靈敏度的80%，調(diào)整后8月份相較7月份調(diào)整前，試點(diǎn)段報(bào)警數(shù)量明顯減少，從346條變?yōu)?09條，下降40%，無(wú)異常報(bào)警從145條降低到12條。報(bào)警吻合率從58.09%上升至94.26%，提升36.17%。具體對(duì)比數(shù)據(jù)見(jiàn)表3（表中“無(wú)異常”為在報(bào)警發(fā)生地點(diǎn)未發(fā)現(xiàn)任何引起報(bào)警的行為但卻報(bào)警，其他包括重型車輛駛過(guò)、水泵抽水等不在分類里的引起報(bào)警的情況）。

表3 靈敏度優(yōu)化和無(wú)異常處理前后報(bào)警數(shù)據(jù)對(duì)比

3 結(jié)束語(yǔ)

本文通過(guò)對(duì)光纖預(yù)警系統(tǒng)的試點(diǎn)段進(jìn)行網(wǎng)格化信息統(tǒng)計(jì)、算法優(yōu)化以及參數(shù)調(diào)整等方法，使得系統(tǒng)報(bào)警復(fù)核量減少，報(bào)警準(zhǔn)確率提升，從而使管道周邊挖掘預(yù)警系統(tǒng)的報(bào)警響應(yīng)更高效，為系統(tǒng)工業(yè)化運(yùn)行夯實(shí)基礎(chǔ)。