基于BP信號(hào)識(shí)別的光纖油氣管道監(jiān)測(cè)系統(tǒng)

周 瑩,茍武侯,趙光貞

(1.北京航天易聯(lián)科技發(fā)展有限公司,北京 100176；2.中國(guó)航天空氣動(dòng)力技術(shù)研究院,北京 100074)

1 引 言

石油、天然氣等作為重要的物質(zhì)能源,在國(guó)民經(jīng)濟(jì)發(fā)展中一直發(fā)揮著其重要的作用,而管道運(yùn)輸方式,由于其運(yùn)輸量大,能耗小,安全穩(wěn)定等優(yōu)勢(shì)成為油氣運(yùn)輸?shù)闹匾\(yùn)輸方式之一。但是管線經(jīng)過沿途地形復(fù)雜,一旦出現(xiàn)偷盜泄漏事件,則造成的經(jīng)濟(jì)損失及社會(huì)危害無法估量,因此,及時(shí)有效、正確地對(duì)管線周圍安全隱患事件進(jìn)行提前預(yù)警意義重大?；诠饫w傳感技術(shù)的分布式光纖油氣管線安全預(yù)警系統(tǒng)利用隨管線同溝鋪設(shè)的通信光纜中的一芯光纖,實(shí)時(shí)采集分析管線附近振動(dòng)或聲音信號(hào),對(duì)破壞威脅管線事件進(jìn)行判斷區(qū)別,提前預(yù)警,以避免造成重大經(jīng)濟(jì)損失及社會(huì)危害[1-3]。

隨著Φ-OTDR 系統(tǒng)在實(shí)際應(yīng)用過程中不斷推進(jìn),單純的振動(dòng)定位功能已經(jīng)不能滿足用戶的要求,為提升系統(tǒng)應(yīng)用的智能性,降低巡線工人勞動(dòng)強(qiáng)度,用戶在獲取擾動(dòng)定位信息的同時(shí)還希望確定引起擾動(dòng)信號(hào)的類型。通過在不同的應(yīng)用場(chǎng)景下對(duì)不同的振動(dòng)信號(hào)進(jìn)行識(shí)別,使用者能做出正確的處理,以便對(duì)不同的振動(dòng)信號(hào)及時(shí)采取不同的應(yīng)急預(yù)案,提高監(jiān)控管理者對(duì)入侵事件的處理效率。因此分布式光纖傳感系統(tǒng)中振動(dòng)信號(hào)的識(shí)別成為了研究熱點(diǎn)。在已有的報(bào)道中,信號(hào)識(shí)別主要通過對(duì)振動(dòng)信號(hào)進(jìn)行時(shí)域、頻域特征提取,或者將兩者結(jié)合進(jìn)行多維度分析,利用人工智能的方法進(jìn)行模式識(shí)別,從而實(shí)現(xiàn)信號(hào)的智能分類。北京交大的張俊楠利用支持向量機(jī)(SVM)算法,通過提取無擾動(dòng)、踩壓擾動(dòng)、澆水?dāng)_動(dòng)和敲擊擾動(dòng)4種情形的時(shí)域和頻域特征,對(duì)4種情形進(jìn)行了進(jìn)行了分類[4]。桂林電子科技大學(xué)熊顯名利用(BP)神經(jīng)網(wǎng)絡(luò)算法,通過學(xué)習(xí)車輛振動(dòng)信號(hào)的特征,用來識(shí)別測(cè)試數(shù)據(jù)中車輛信號(hào)[5]。中國(guó)電子科技集團(tuán)公司第三十四研究所歐陽竑利用經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)與神經(jīng)網(wǎng)絡(luò)結(jié)合的算法,將振動(dòng)點(diǎn)的時(shí)域信號(hào)分解后作為特征值輸入到神經(jīng)網(wǎng)絡(luò)中,從而得到信號(hào)識(shí)別模型[6]。

本文提出一種基于BP神經(jīng)網(wǎng)絡(luò)算法的信號(hào)識(shí)別算法。通過對(duì)現(xiàn)場(chǎng)采集數(shù)據(jù)進(jìn)行時(shí)域和頻域特征提取,并將信號(hào)短時(shí)特征和長(zhǎng)時(shí)特征作為BP模型輸入進(jìn)行模型訓(xùn)練。將訓(xùn)練后的模型進(jìn)行現(xiàn)場(chǎng)測(cè)試,實(shí)現(xiàn)了誤報(bào)率為0,漏報(bào)率最低為5 %的分類結(jié)果,因此BP信號(hào)識(shí)別算法能夠?qū)崿F(xiàn)對(duì)管線入侵信號(hào)的有效識(shí)別及分類,提升傳感系統(tǒng)可靠性。

2 分布式光纖傳感系統(tǒng)

分布式光纖傳感系統(tǒng)基于相位敏感光時(shí)域反射儀技術(shù)(Φ-OTDR),原理如圖1所示。該技術(shù)將窄線寬激光作為光源,產(chǎn)生連續(xù)光信號(hào),經(jīng)聲光調(diào)制后變?yōu)槊}沖光,然后進(jìn)入環(huán)形器,經(jīng)由環(huán)形器的2端口進(jìn)入拉曼放大器,進(jìn)而進(jìn)入到光纜中,光在光纜傳播過程中產(chǎn)生后向瑞利散射光信號(hào),該信號(hào)經(jīng)由拉曼放大器,環(huán)形器3端口進(jìn)入光放大器,后向散射光信號(hào)在一個(gè)脈沖范圍內(nèi)產(chǎn)生干涉現(xiàn)象,最后被光電器接收,并轉(zhuǎn)化為電信號(hào),傳送給數(shù)據(jù)采集卡,從而提供振動(dòng)信號(hào)數(shù)據(jù)源。Φ-OTDR的定位原理為通過記錄脈沖光注入光纖的時(shí)間,光在光纖中傳播的有效速度,探測(cè)器接收到光纖中散射回來的的散射光的時(shí)間,根據(jù)對(duì)應(yīng)關(guān)系,能夠準(zhǔn)確描繪出擾動(dòng)強(qiáng)度和位置曲線。將擾動(dòng)時(shí)刻的曲線與前一時(shí)刻的曲線進(jìn)行作差處理,即可將振動(dòng)點(diǎn)處干涉強(qiáng)度峰值體現(xiàn)出來,根據(jù)峰值位置實(shí)現(xiàn)擾動(dòng)的準(zhǔn)確定位。振動(dòng)位置與時(shí)間關(guān)系式如下:

l=ct/2n

(1)

其中,l表示位置；c為真空中傳播的光速,約為3.0×108m/s2；n為光纖折射率；t為一個(gè)脈沖發(fā)出到接收的時(shí)間。

圖1 分布式光纖傳感系統(tǒng)原理圖

3 基于BP神經(jīng)網(wǎng)絡(luò)的信號(hào)識(shí)別

3.1 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)算法是一種基于誤差反向傳播的多層感知器[7],整個(gè)網(wǎng)絡(luò)主要包括三部分,即輸入層,中間層(隱藏層)和輸出層,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)元之間沒有連接關(guān)系如圖2所示。

圖2 BP神經(jīng)網(wǎng)絡(luò)原理圖

BP網(wǎng)絡(luò)模型處理信息的基本原理是:輸入信號(hào)的特征向量X通過中間隱藏層(隱層點(diǎn))作用于輸出節(jié)點(diǎn),經(jīng)過非線形變換,產(chǎn)生輸出向量信號(hào)Y。網(wǎng)絡(luò)訓(xùn)練的過程為每個(gè)樣本包括輸入向量X和期望輸出量t,網(wǎng)絡(luò)輸出值Y與期望輸出值t之間存在誤差,通過將誤差反傳,調(diào)整輸入節(jié)點(diǎn)與隱層節(jié)點(diǎn)的權(quán)值向量Wjk和隱層節(jié)點(diǎn)與輸出節(jié)點(diǎn)之間的權(quán)值向量Tjk以及閾值,使誤差沿梯度方向下降,經(jīng)過反復(fù)學(xué)習(xí)訓(xùn)練,確定與最小誤差相對(duì)應(yīng)的網(wǎng)絡(luò)參數(shù)(權(quán)值和閾值),訓(xùn)練即告停止。此時(shí)經(jīng)過訓(xùn)練的神經(jīng)網(wǎng)絡(luò)即能對(duì)類似樣本的輸入信息,自行處理輸出誤差最小的經(jīng)過非線形轉(zhuǎn)換的識(shí)別結(jié)果。

3.2 基于BP算法的入侵事件分析流程

信號(hào)識(shí)別流程主要分為四個(gè)部分:(1)對(duì)信號(hào)進(jìn)行長(zhǎng)時(shí)間采集并分割成短時(shí)信號(hào),提取短時(shí)特征值并進(jìn)行初步篩選過濾；(2)長(zhǎng)時(shí)間特征向量提取,構(gòu)成長(zhǎng)時(shí)特征向量A；(3)將特征向量送入合適的分類器進(jìn)行訓(xùn)練,建立相對(duì)應(yīng)事件類型的模型庫(kù)；(4)將訓(xùn)練好的模型應(yīng)用于在線實(shí)時(shí)信號(hào)分析。如圖3所示。

圖3 BP算法的入侵事件分析流程

1)短信號(hào)特征提取

首先,為了實(shí)現(xiàn)對(duì)信號(hào)的初步篩選過濾,我們將獲取的振動(dòng)信號(hào)進(jìn)行短時(shí)為1 s信號(hào)分析,將獲取的短時(shí)信號(hào)計(jì)為Si。

<1>求短時(shí)主沖擊強(qiáng)度分辨特征a1。

a1表達(dá)式為:

(2)

(3)

<2>求短時(shí)次沖擊強(qiáng)度分辨特征a2。

將短時(shí)信號(hào)Si表示如下:

Si={yli(l=1,2,…,M)}

(4)

(5)

然后按照求取短時(shí)主沖擊強(qiáng)度分辨特征a1的方式求得短時(shí)次沖擊強(qiáng)度分辨特征a2。

<3>求短時(shí)幅度比例分辨特征a3。

(6)

<4>短時(shí)小波包頻率特征為a4。

利用小波變換,使用db6小波基對(duì)信號(hào)進(jìn)行三層小波變換如圖4所示。

圖4 基于db6小波基的三層小波變換

按照如下公式計(jì)算各層小波能量:

(7)

定義特征向量a4表示如下:

(8)

2)長(zhǎng)時(shí)特征向量提取算法

長(zhǎng)時(shí)信號(hào)分析時(shí),選取時(shí)間長(zhǎng)度為30 s,信號(hào)表示為Sc,則長(zhǎng)時(shí)信號(hào)中第j個(gè)短時(shí)信號(hào)可表示為Scj(j=1,2,…,30),進(jìn)行如下方式提取特征值:

<1>創(chuàng)建6個(gè)空集合,集合分別為Z1、Z2、Z3、Z4、Z5、Z6;

對(duì)每個(gè)Scj(j=1,2,…,30)進(jìn)行短時(shí)信號(hào)分析,得到特征值a1、a2、a3、a4。若a1>thr1a1>thr,則將特征值a1、a2、a3、a4依次分別放入Z1、Z2、Z3、Z4中,若a1thr1a1

<2>計(jì)算長(zhǎng)時(shí)分辨特征值A(chǔ)1,A2,A3,A4,A5,A6:

A1=average(Z1),A2=average(Z2),A3=average(Z3),A4=average(Z4)A5=average(Z5),A6=length(Z6)。

其中,average()表示集合中所有數(shù)據(jù)的平均值；length()表示集合中所包含的數(shù)據(jù)個(gè)數(shù)。

提取長(zhǎng)時(shí)特征向量算法中,thr1thr,thr2,thr3均為thr經(jīng)驗(yàn)閾值,分別表示特征值a1、a2、a3的經(jīng)驗(yàn)閾值,該閾值根據(jù)訓(xùn)練數(shù)據(jù)得到。

利用上述算法得到的長(zhǎng)時(shí)特征向量,構(gòu)建長(zhǎng)時(shí)特征向量矢量:

T=[A1,A2,A3,A4,A5,A6]

<3>將特征向量送入分類器進(jìn)行訓(xùn)練，建立相對(duì)應(yīng)事件類型的模型庫(kù)

將得到的長(zhǎng)時(shí)特征向量矢量輸入BP神經(jīng)網(wǎng)絡(luò)子分類器,測(cè)試時(shí)采用的神經(jīng)網(wǎng)絡(luò)深度為4層,第一個(gè)隱藏設(shè)置選擇tansig激活函數(shù),第二個(gè)隱藏設(shè)置選擇仍為tansig激活函數(shù),輸出層選擇purelin激活函數(shù)。選擇現(xiàn)場(chǎng)采集的1000組人工入侵、機(jī)械入侵?jǐn)?shù)據(jù)進(jìn)行分類器識(shí)別,識(shí)別結(jié)果如圖5所示。

圖5 BP神經(jīng)網(wǎng)絡(luò)識(shí)別結(jié)果

從上述識(shí)別結(jié)果可以看出,該神經(jīng)網(wǎng)絡(luò)子分類器方法對(duì)于半分鐘內(nèi)的入侵事件的識(shí)別,平均識(shí)別率為98 %左右,其最大誤報(bào)率為3.3 %,平均誤報(bào)率為1 %,最大漏報(bào)率為3.2 %,平均漏報(bào)率為1 %,該方法能夠?qū)崿F(xiàn)對(duì)管線入侵信號(hào)的有效識(shí)別及分類,并且平均誤報(bào)率、平均漏報(bào)率均處于1 %左右。因此對(duì)提升系統(tǒng)智能性有很大的意義。

4 現(xiàn)場(chǎng)測(cè)試結(jié)果

現(xiàn)場(chǎng)測(cè)試選取某輸油管理站,設(shè)備檢測(cè)距離為40 km。測(cè)試位置選取20 km位置處,對(duì)20組不同時(shí)長(zhǎng)下的入侵?jǐn)?shù)據(jù)分別進(jìn)行測(cè)試,其中人工模擬挖掘15組,機(jī)械模擬挖掘5組,其測(cè)試結(jié)果如表1所示。

表1 現(xiàn)場(chǎng)測(cè)試結(jié)果

5 結(jié) 論

本文報(bào)道了基于BP神經(jīng)網(wǎng)絡(luò)信號(hào)識(shí)別算法的分布式光纖傳感系統(tǒng),通過對(duì)現(xiàn)場(chǎng)采集的振動(dòng)信號(hào)時(shí)域、頻域短時(shí)和長(zhǎng)時(shí)特征進(jìn)行提取,將提取的特征作為BP網(wǎng)絡(luò)輸入向量對(duì)模型進(jìn)行訓(xùn)練,實(shí)現(xiàn)了對(duì)人工挖掘和機(jī)械挖掘的智能分辨。將訓(xùn)練后模型進(jìn)行測(cè)試,平均識(shí)別率為98 %,實(shí)際現(xiàn)場(chǎng)可實(shí)現(xiàn)最高95 %的識(shí)別率。通過以上結(jié)果可以看出,BP神經(jīng)網(wǎng)絡(luò)信號(hào)識(shí)別算法在光纖長(zhǎng)距離傳感系統(tǒng)中有重要的應(yīng)用潛力。