一种基于弱光栅的管道安全监测方法、系统及存储介质与流程

本发明涉及油气管线安全监测技术领域，尤其是涉及一种基于弱光栅的管道安全监测方法、系统及计算机可读存储介质。

背景技术：

随着光纤传感技术的广泛运用，分布式振动传感技术在石油测井、输油管道安全预警与管道泄漏检测、高压电缆在线监控等方面运用越来越成熟。由于此技术集传输与传感于一体，可以测出沿光纤分布的连续物理量，所以其在油气管道的检测方面有着很高的运用价值；目前方法能够实时解调出沿光纤路径的振动信号，并结合机器学习和模式识别能够初步判断发生事件的类型，但是这种系统使用普通单模光纤作为传输介质，用后向瑞利散射信号进行振动信号的解调，瑞利散射信号的强度很低，这就会对系统的解调结果产生很大的影响，尤其是还要对解调信号进行分析识别的系统；此外，大部分系统对解调信号的分析是通过将超过设定幅度阈值规定次数的解调信号进行识别和做出判断；幅度阈值的设定和超过阈值次数的设定需要依靠经验进行，对于不同的系统存在着一定的误差，因此会有误报率高、异常事件识别正确率低等问题。

技术实现要素：

有鉴于此，本发明提供了一种基于弱光栅的管道安全监测方法、系统及计算机可读存储介质，解决现有技术中管道安全监测误报率高、异常事件识别正确率低的技术问题。

一方面，本发明提供了一种基于弱光栅的管道安全监测方法，包括以下步骤：

将连续光调制为相应的光脉冲信号，并将其传送至弱光栅阵列，所述弱光栅阵列将所述光脉冲信号反射，得到解调信号；

将异常事情下的一系列解调信号的时域幅值作为数据样本，将所述数据样本进行分段，获取各时域幅值落在分段区间中的概率，根据各时域幅值及其对应的概率，建立目标库一；

获取所述一系列解调信号的时域幅值和频域频率，建立对应异常事件类型的目标库二，根据所述一系列解调信号的时域幅值及对应的异常事件离管道的距离，建立目标库三；

重新连续获取解调信号，获取解调信号的时域幅值和频域频率，根据连续获取的解调信号的时域幅值及目标库一，判断异常事件是否发生，若是，则根据所述解调信号的时域幅值、频域频率、目标库二以及目标库三，获取异常事件的类型及离管道的距离。

进一步地，将连续光调制为相应的光脉冲信号，并将其传送至弱光栅阵列，所述弱光栅阵列将所述光脉冲信号反射，得到解调信号，具体包括，将连续光调制为相应的光脉冲信号，并将其传送至弱光栅阵列，所述弱光栅阵列将所述光脉冲信号反射，使经过反射的光脉冲信号形成干涉，生成干涉信号，获取所述干涉信号，并将所述干涉信号转换为电信号，对所述电信号进行解调，得到解调信号。

进一步地，将一系列解调信号的时域幅值作为数据样本，将所述数据样本进行分段，具体包括，将一系列解调信号的时域幅值作为数据样本，设置分段数，求取该分段数下数据样本在各区间的方差，获取各个方差的均值，将所述均值与样本数据的方差对比，获取最接近样本数据方差的分段数，以该分段数对所述数据样本进行分段。

进一步地，获取所述一系列解调信号的时域幅值和频域频率，建立对应异常事件类型的目标库二，具体包括，获取所述一系列解调信号的时域幅值和频域频率，根据一系列解调信号的时域幅值、频域频率，以及对应的异常事件类型，建立对应异常事件类型的目标库二。

进一步地，所述基于弱光栅的管道安全监测方法还包括，以数据样本中时域幅值的最小值为异常阈值，若重新连续获取的解调信号中，存在时域幅值小于该异常阈值的解调信号，则对该解调信号不进行异常事件判断。

进一步地，根据连续获取的解调信号的时域幅值及目标库一，判断异常事件是否发生，具体包括，获取所述解调信号的时域幅值在分段区间的概率，将连续时间上的时域幅值进行累计相加，当累计相加的值大于设定概率阈值时，则判定异常事件发生。

进一步地，根据所述解调信号的时域幅值、频域频率、目标库二以及目标库三，获取异常事件的类型及离管道的距离，具体包括，根据所述解调信号的时域幅值、频域频率及目标库二，获取异常事件的类型，根据解调信号的时域幅值及目标库三，获取异常事件离管道的距离。

进一步地，所述基于弱光栅的管道安全监测方法还包括，提取各种异常事件发生时一段连续时间内的频域信息，对时域波形做小波变换，并将连续时间内的小波变换图拼合起来，生成时频图，以时频图当做样本，训练得到bp神经网络；若根据所述解调信号的时域幅值、频域频率及目标库二，获取的异常事件的类型有多种，则提取解调信号的时域信号进行小波变换，按照时间的顺序将其排列，组成时频图，利用所述bp神经网络获取异常事件类型的最终结果。

另一方面，本发明还提供了一种基于弱光栅的管道安全监测系统，包括处理器以及存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现如上述任一技术方案所述的基于弱光栅的管道安全监测方法。

另一方面，本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机该程序被处理器执行时，实现如上述任一技术方案所述的基于弱光栅的管道安全监测方法。

与现有技术相比，本发明的有益效果包括：通过将连续光调制为相应的光脉冲信号，并将其传送至弱光栅阵列，所述弱光栅阵列将所述光脉冲信号反射，得到解调信号；将异常事情下的一系列解调信号的时域幅值作为数据样本，将所述数据样本进行分段，获取各时域幅值落在分段区间中的概率，根据各时域幅值及其对应的概率，建立目标库一；获取所述一系列解调信号的时域幅值和频域频率，建立对应异常事件类型的目标库二，根据所述一系列解调信号的时域幅值及对应的异常事件离管道的距离，建立目标库三；重新连续获取解调信号，获取解调信号的时域幅值和频域频率，根据连续获取的解调信号的时域幅值及目标库一，判断异常事件是否发生，若是，则根据所述解调信号的时域幅值、频域频率、目标库二以及目标库三，获取异常事件的类型及离管道的距离；降低了管道安全监测误报率，提供了识别正确率。

附图说明

图1为本发明实施例1所述的基于弱光栅的管道安全监测方法的流程示意图；

图2为本发明实施例1所述的电信号的采集与解调的原理图；

图3为本发明实施例1所述的基于弱光栅的管道安全监测方法的原理图。

附图标记：1-掺饵光纤放大器；2-环形器；3-法拉第旋镜；4-光电探测器。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

实施例1

本发明实施例提供了一种基于弱光栅的管道安全监测方法，包括以下步骤：

s1、将连续光调制为相应的光脉冲信号，并将其传送至弱光栅阵列，所述弱光栅阵列将所述光脉冲信号反射，得到解调信号；

s2、将异常事情下的一系列解调信号的时域幅值作为数据样本，将所述数据样本进行分段，获取各时域幅值落在分段区间中的概率，根据各时域幅值及其对应的概率，建立目标库一；

s3、获取所述一系列解调信号的时域幅值和频域频率，建立对应异常事件类型的目标库二，根据所述一系列解调信号的时域幅值及对应的异常事件离管道的距离，建立目标库三；

s4、重新连续获取解调信号，获取解调信号的时域幅值和频域频率，根据连续获取的解调信号的时域幅值及目标库一，判断异常事件是否发生，若是，则根据所述解调信号的时域幅值、频域频率、目标库二以及目标库三，获取异常事件的类型及离管道的距离。

优选的，将连续光调制为相应的光脉冲信号，并将其传送至弱光栅阵列，所述弱光栅阵列将所述光脉冲信号反射，得到解调信号，具体包括，将连续光调制为相应的光脉冲信号，并将其传送至弱光栅阵列，所述弱光栅阵列将所述光脉冲信号反射，使经过反射的光脉冲信号形成干涉，生成干涉信号，获取所述干涉信号，并将所述干涉信号转换为电信号，对所述电信号进行解调，得到解调信号；

一个具体实施例中，电信号的采集与解调包括信号调制端、信号接收及解调端，所述信号调制端包括窄线宽激光器、声光调制器、掺铒光纤放大器、环形器以及3×3耦合器；上位机控制的fpga产生对应的电脉冲用于驱动声光调制器，调制窄线宽光源发出的连续光，光经声光调制器调制成脉冲光，经过掺饵光纤放大器放大后进入弱光栅阵列，得到的反射光通过环形器进入3×3耦合器，相邻弱光栅的反射光在3×3耦合器中发生干涉，通过3个光电探测器转换成电信号；

信号接收及解调端包括fpga高速采集卡，用于采集经过光电探测器之后的电信号，触发脉冲信号，并通过3×3解调算法解调，经过fpga解调之后过的信号通过pcie接口传递给上位机pc端；上位机pc端实时监测异常事件；电信号的采集与解调的原理图，如图2所示；通过采用弱光栅阵列的光纤替代普通单模光纤，以提高反射信号的强度，这样解调出来的信号具有更高的信噪比，可以提高了解调信号的可识别性；

另一个具体实施例中，基于弱光栅的管道安全监测方法的原理图，如图3所示，图3中的传感单元为图2中传感单元，图3中的解析分析功能单元为图2中的上位机，图3中的采集功能单元为图2中的高速采集卡；

优选的，将一系列解调信号的时域幅值作为数据样本，将所述数据样本进行分段，具体包括，将一系列解调信号的时域幅值作为数据样本，设置分段数，求取该分段数下数据样本在各区间的方差，获取各个方差的均值，将所述均值与样本数据的方差对比，获取最接近样本数据方差的分段数，以该分段数对所述数据样本进行分段；

一个具体实施例中，假设有n个种类的异常事件(异常事件通常指行人走动、人为挖掘、车辆通过、机器挖掘等)，采集各种异常事件的若干解调信号，在考虑事件距离管道的位置时，将从管道位置为起点到最远入侵位置等分为l个区域，每个区域宽度为a，假设每种异常信号在距离管道某一区域内采集k个解调信号，记录所有异常事件的时域幅值信息，幅值可按照某时间段内平均幅值选取，并按照异常种类事件类型进行分成n组，建立n个二维数组adm，其中，d代表事件距离管道的距离d∈(0,1，...,l)，每一组有k个值，m代表k个解调信号中的第m个解调信号的幅值；

对所述数据样本进行分段，具体包括以下步骤：

s11、设置一个区间分段数的区间(在允许的情况下，尽量大)，假设分段数x∈[m,n]区间内，一开始令x＝m；

s12、将数据样本按幅值大小等分为x个区间，分别计算x个区间内的方差，求出x个区间内方差的均值并保存；

s13、将x+1，继续重复s12，直到x＝n时停止；

s14、将s12保存的均值与样本的方差对比，得出最接近样本方差的分段数，即为样本的分段数；

根据上述的分段过程，建立目标库一，其目标库一建立的数据样本是采集到的所有样本(n类异常事件的各分段区域类的样本，即n*l*k个样本)的幅值；

优选的，获取所述一系列解调信号的时域幅值和频域频率，建立对应异常事件类型的目标库二，具体包括，获取所述一系列解调信号的时域幅值和频域频率，根据一系列解调信号的时域幅值、频域频率，以及对应的异常事件类型，建立对应异常事件类型的目标库二；

优选的，所述基于弱光栅的管道安全监测方法还包括，以数据样本中时域幅值的最小值为异常阈值，若重新连续获取的解调信号中，存在时域幅值小于该异常阈值的解调信号，则对该解调信号不进行异常事件判断；

具体实施时，以n种异常事件中幅值最低的情况作为时域阈值，当超过此时域阈值时，则开始进行监测，将解调信号的幅值对比目标库一，得出对应的概率；

优选的，根据连续获取的解调信号的时域幅值及目标库一，判断异常事件是否发生，具体包括，获取所述解调信号的时域幅值在分段区间的概率，将连续时间上的时域幅值进行累计相加，当累计相加的值大于设定概率阈值时，则判定异常事件发生；

优选的，根据所述解调信号的时域幅值、频域频率、目标库二以及目标库三，获取异常事件的类型及离管道的距离，具体包括，根据所述解调信号的时域幅值、频域频率及目标库二，获取异常事件的类型，根据解调信号的时域幅值及目标库三，获取异常事件离管道的距离；

考虑到时域幅值信号不仅仅只受到异常事件类型的影响，还受到事件离管道距离的影响，所以，需要采集在距离管道不同位置、不同事件的解调信息；在考虑事件发生的距离时，只需要在入侵距离内考虑，入侵范围外则不考虑；首先，根据不同事件的类型，建立时域-频域目标库二，建立该目标库二时暂时不考虑距离对幅值的影响，只记录不同事件类型在不同位置对应的所有幅值和频率信息；建立目标库三是为了判别发生事件距离管道的距离，所以在建立目标库三的时候只考虑不同异常事件时域幅值信息与发生的异常事件距离管道的距离；

连续检测落入该异常事件的时域幅值信息并取得其概率，异常事件的发生可能有两种情况，第一种是在距离管道的同一分段区间内发生异常事件，第二种是跨越不同距离分段的异常事件(主要考虑越来越接近管道的情况，例如行人通过，车辆通过等)；

对于第一种情况，若第一次和第二次落入该异常区间在时间上不连续，则将第二次落入该异常区间看做是第一次落入某异常事件并重新开始监测，将连续时间上的每次落入该异常事件区间内的概率相加，若相加概率超过1(即概率阈值，可以根据实际情况进行调整)时，则判定异常事件在同一距离区间发生；

对于第二种情况，检测到的幅度值应该是逐渐增大的，则当检测到信号幅值逐渐增大时，且将连续时间上的每次落入该异常事件区间内的概率相加，若相加概率超过1时，则判定异常事件跨距离区间发生；与此同时记录每次的时域波形；

将记录的时域波形进行频域信息提取，得到信号的频域信息，进而得到时域-频域信息，然后对比目标库二，得出发生异常事件的类型，然后再根据幅值大小和异常事件类型对比目标库三确定异常事件距离管道的距离；若发生的异常事件对管道安全影响较大，则还及时发出预警提醒相关人员，该异常事件距离管道越来越；

优选的，所述基于弱光栅的管道安全监测方法还包括，提取各种异常事件发生时一段连续时间内的频域信息，对时域波形做小波变换，并将连续时间内的小波变换图拼合起来，生成时频图，以时频图当做样本，训练得到bp神经网络；若根据所述解调信号的时域幅值、频域频率及目标库二，获取的异常事件的类型有多种，则提取解调信号的时域信号进行小波变换，按照时间的顺序将其排列，组成时频图，利用所述bp神经网络获取异常事件类型的最终结果；

一个具体实施例中，提取各种异常事件发生时一段连续时间内的频域信息，通过对时域波形做小波变换，并将连续时间内的小波变换图拼合起来，组成时频图，其中，时频图的横向代表时域，时频图的纵向代表频域；将得到各种异常事件的多个时频图做相关处理，并用此当做样本数据训练bp神经网络；

倘若对比目标库二时有多种异常事件结果对应的情况时，则将提取的时域信号进行小波变换，按照时间的顺序将其排列，组成时频图，将时频图做相关处理后输入到已经由样本数据训练过的bp神经网络进行分类识别，最终输出识别结果；最终的判断结果应结合初步判断结果以及bp神经网络识别的结果，综合判断为哪种异常事件的产生以及运动趋势(在固定区域内还是在靠近管道)。

实施例2

本发明实施例提供了一种基于弱光栅的管道安全监测系统，包括处理器以及存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现如实施例1所述的基于弱光栅的管道安全监测方法。

实施例3

本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机该程序被处理器执行时，实现如实施例1所述的基于弱光栅的管道安全监测方法。

本发明公开了一种基于弱光栅的管道安全监测方法、系统及计算机可读存储介质，通过将连续光调制为相应的光脉冲信号，并将其传送至弱光栅阵列，所述弱光栅阵列将所述光脉冲信号反射，得到解调信号；将异常事情下的一系列解调信号的时域幅值作为数据样本，将所述数据样本进行分段，获取各时域幅值落在分段区间中的概率，根据各时域幅值及其对应的概率，建立目标库一；获取所述一系列解调信号的时域幅值和频域频率，建立对应异常事件类型的目标库二，根据所述一系列解调信号的时域幅值及对应的异常事件离管道的距离，建立目标库三；重新连续获取解调信号，获取解调信号的时域幅值和频域频率，根据连续获取的解调信号的时域幅值及目标库一，判断异常事件是否发生，若是，则根据所述解调信号的时域幅值、频域频率、目标库二以及目标库三，获取异常事件的类型及离管道的距离；降低了管道安全监测误报率，提供了识别正确率。

以上所述本发明的具体实施方式，并不构成对本发明保护范围的限定。任何根据本发明的技术构思所做出的各种其他相应的改变与变形，均应包含在本发明权利要求的保护范围内。