基于光纖偵聽監(jiān)測預警技術在研判辨識井筒危險因素的研究與應用

＊胡萬忠

（開灤能源化工股份有限公司范各莊礦業(yè)分公司 河北 063109）

引言

采用分布式光纖偵聽系統(tǒng)對礦井井筒內(nèi)裝備運行情況實時在線監(jiān)測，光纖偵聽主機將實時采集的振動語音數(shù)據(jù)傳送至服務器，根據(jù)音頻頻譜變化規(guī)律分析出設備運行狀況，工作人員在遠程監(jiān)控端實時查看設備運行振動情況。當設備運行異常時產(chǎn)生的音頻頻譜會發(fā)生變化，利用神經(jīng)網(wǎng)絡判斷故障點，分析故障情況，遠程監(jiān)控界面收到故障報警，以便工作人員根據(jù)報警采取維護措施。

1.分布式光纖語音傳感原理

利用光在光纖中傳輸產(chǎn)生的背向瑞利散射，只需要單根光纖，不需要構成光纖回路。中央基站對于各個單基站的通訊光纖即可滿足要求，無須另外鋪設光纖，利用其中的任意1芯。

光纖中傳輸?shù)墓庹顟B(tài)及受干擾狀態(tài)傳播方式的圖形比較如下：

圖1 振動引起瑞利散射示意圖

觸碰、振動、或擠壓會導致形態(tài)干擾而產(chǎn)生光信號相位的改變。系統(tǒng)軟件接收器對相位改變進行探測，可探測干擾的強度，并對探測到的信號進行處理，能對該點振動數(shù)據(jù)解析為音頻流。

采用線性脈沖激光器產(chǎn)生光源，同時疊加可調衰減器進行光功率的調節(jié)與收縮，由于光學傳輸原理使用激光器，有利于傳輸更長距離。設備亦可以選用其它頻率強激光器，但其它頻率的光信號傳輸會迅速衰減。數(shù)字控制開關量的調制器對光頻率進行調制，達到窄帶線性激光器的工作門限值，增強光傳輸距離。對光路進行前向信號放大處理，可以有效增加光信號的增益。在光纖內(nèi)壁進行反射的光信號進行開關量的捕捉，設定統(tǒng)一頻率與功率，把光信號轉換為電信號。

2.光纖聲音還原原理

當檢測光纖受到聲音振動時，光纖中傳輸光的部分特性就會改變，對信號進行采集，判斷光纖振動信號產(chǎn)生瑞利散射回光，進而可檢測出發(fā)生振動位置對應的信號波還原出聲音。瑞利散射產(chǎn)生光纖有效振動對音頻還原系統(tǒng)，能夠實現(xiàn)準確的采集音頻引起的光纖振動信號對音頻進行還原。

圖2 光纖上某點的振動還原

在時間序列上，對光纖瑞利散射的回光信號進行實時的處理，可以在計算機上播放音源點的聲音信號，提高了音頻還原的實時性，即提高了光纖環(huán)境狀況瑞利散射的光纖音頻信號的還原實時監(jiān)聽。

還原模塊能夠對瑞利散射的回光對應的信號進行音頻還原，故對信號的準確采樣極其重要。還原模塊采用實時音頻處理方式，使得采樣信號更加及時準確的處理。

3.設備異常檢測算法

(1)設備異常特征屬性

對各種類型的音頻采集后進行打標簽并且進行音頻標準化處理，處理成標準的長度和格式，讓其成為統(tǒng)一的標準。讀取音頻的時序能量值，將音頻做傅里葉變換成頻譜，頻譜表示了音頻在不同的頻率的能量柱子。頻譜通過對波形的傅里葉變換，把波形中的每個頻率拆開來，再在縱軸上展開，越往上頻率越高，頻譜相對于波形圖包含有更多信息。

量化后的特征屬性達到一定值的時候就會出現(xiàn)故障，通過特征屬性的量化很好的解決了設備運行狀況，并且可以據(jù)此預測還未發(fā)生的故障。

圖3 特征量示例

分析出在該狀態(tài)下設備的摩擦、振動、功率、質量這些特征屬性，對特征進行量化成數(shù)值。

(2)神經(jīng)網(wǎng)絡訓練檢測流程

利用神經(jīng)網(wǎng)絡算法實現(xiàn)設備健康度診斷流程包括模型訓練和故障診斷，首先，采集設備正常運轉，將音頻降噪并存儲到服務器。在訓練模型過程中，取出在井筒內(nèi)采集的音頻數(shù)據(jù)，對音頻進行時頻轉換并提取特征，利用神經(jīng)網(wǎng)絡訓練模型，并存儲神經(jīng)網(wǎng)絡模型參數(shù)。

(3)異常檢測算法流程

①設備健康度評估算法

采集一段時間設備音頻，神經(jīng)網(wǎng)絡輸入大量正常數(shù)據(jù)訓練收斂后，根據(jù)特征捕捉正常事件分布。檢測時輸入未知樣本輸入X，通過神經(jīng)網(wǎng)絡生成隨機變量Z的映射gn(Z,Θ)，如果X為正常事件，具有相似事件分布，則gn(Z,Θ)約等于X，具有較小的樣本距離。如果X為異常事件，事件分布不一致，則gn(Z,Θ)不約等于X具有較大的樣本距離。網(wǎng)絡輸入大量正常數(shù)據(jù)訓練收斂后，捕捉異常事件分布。檢測時輸入未知樣本X，通過生成隨機變量Z的映射ga(Z,Θ)，如果X為正常事件，事件分布不一致，則ga(Z,Θ)不約等于X，具有較大的樣本距離。如果X為異常事件，具有相似事件分布，則ga(Z,Θ)約等于X，具有較小的樣本距離。如果生成器成功地學習到訓練數(shù)據(jù)分布的良好近似，檢測時根據(jù)輸入事件與生成事件的樣本距離大小，實現(xiàn)對異常事件的精確檢測。網(wǎng)絡學習到了大量正常事件的特征，網(wǎng)絡學習到了大量異常事件的特征，檢測時檢測器通過計算輸入與模擬事件樣本空間距離的歐幾里得范數(shù)，計算異常分A(X,Θ)。異常分A(X,Θ)由輸入向量X與模擬正常事件誤差An(X,Θ)及輸入向量與模擬異常事件誤差Aa(X,Θ)決定。An(X,Θ)=XGn(Z)2(4)Aa(X,Θ)=X-Ga(Z)2(5)為更好地檢出異常事件，需要異常分A(X,Θ)盡量大，通過使An(X,Θ)盡可能大，同時使Aa(X,Θ)盡可能小實現(xiàn)。A(X,Θ)=An(X,Θ)-Aa(X,Θ)(6)通過計算異常分A(X,Θ)。在神經(jīng)網(wǎng)絡多次迭代后，檢測準確率可達93%以上。

在計算設備健康度過程中，一分鐘計算一次，每次采集數(shù)據(jù)6s，采集10次，10次的音頻特征與正常音頻特征誤差 （檢測時檢測器通過計算輸入與模擬事件樣本空間距離的歐幾里得范數(shù)）計算平均值，將計算的平局值與標準的樣本特征差值比作為設備健康度。

②設備狀態(tài)變化情況

將設備的運行狀態(tài)量化，以此量化了的設備狀態(tài)能夠清晰的描述設備的運行狀況，并且表征設備的歷史狀況。在全新設備所有的部件都是完好的情況下，設備的工作狀態(tài)評分為100分，采集到的音頻作為最優(yōu)狀態(tài)。新設備運行的時候，所有的部件全部完好，其可以作為一個參考初始值。在該狀態(tài)下提取到的摩擦特征是平穩(wěn)的，在該狀態(tài)下設備參數(shù)的摩擦量化的特征值小，產(chǎn)生的振動特征的量化值小，產(chǎn)生的功率量化值大，產(chǎn)生的質量量化值大，此種狀態(tài)為設備最優(yōu)狀態(tài)。以此時的狀態(tài)為參考，當這個狀態(tài)發(fā)生變化了，算出變化量。最后算出一個總分，此時狀態(tài)為最優(yōu)。

設備的運行狀態(tài)發(fā)生變化，采集到的音頻也發(fā)生變化。在采集的設備音頻不再是那么有平穩(wěn)有規(guī)律，會出現(xiàn)波動。在其變化中，因為故障的類型不同，其變化影響的特征也不相同。如果有輕微的比如設備在生成過程中缺掉一塊也會產(chǎn)生振動，就會有大幅度的起伏，振動的頻率也與設備的生成速度有關。功率發(fā)生變化的特征屬性為其設備生成狀況，質量主要是看高頻的頻譜的平穩(wěn)程度。將上述特征屬性量化后計算出一個值，作為設備當前狀態(tài)的評分。如果評分在80分以上，表示設備都是正常運行。

在設備沒有進行維護繼續(xù)運行設備，設備情況就會變的更糟，設備根據(jù)傳感器采集到的音頻分離出來的特征屬性，此種狀態(tài)下設備的評分在60-80分。就會發(fā)生大幅的變化，在事件故障點產(chǎn)生后會發(fā)出故障報警。

其中，在不進行設備維護的時候，設設備故障會更加惡化，會導致設備故障停機。此處產(chǎn)生的的音頻會有更大幅度的變化，這個時候根據(jù)特征屬性與良好狀態(tài)計算出來的屬性特征量化評分在60分以下。

4.結語

通過評估算法對設備的運行狀態(tài)進行評分，根據(jù)各個特征屬性的變化給出出現(xiàn)故障種類，根據(jù)變化的程度與趨勢，預測出現(xiàn)故障的可能性以及給出維護意見，能夠避免產(chǎn)生事故，達到預測性維護作用。