基于神经网络的强度解调应变传感方法与流程

本发明涉及的是一种分布式光纤应用领域的技术，具体是一种基于神经网络的强度解调应变传感方法。

背景技术：

基于光时域反射仪(otdr)的分布式光纤传感器可以检测和定位在待测光纤上任何位置发生的一个或者多个事件，在测量管道泄漏、边境安防和结构安全检测等大型工程上有着广阔的应用前景。根据解调方式的不同，基于otdr的分布式光纤传感器可以分为相位解调传感器和强度解调传感器。其中，基于相位解调的传感器已经得到了广泛的研究和发展，该方法的原理是相位变化与振动幅度成正比。然而，由于解调后的相位始终周期性地分布在2π的范围内，该解调方法只适用于幅度小的动态信号的检测。

而强度解调分布式光纤传感器既可以用于动态信号，也可以用于静态信号测量。该方法基本原理是应变所导致的光纤瑞利图谱特征改变，等效于探测脉冲中心频率变化所引起的瑞利图谱改变。强度解调分布式光纤系统通常需要步进式扫频：依次发射不同中心频率的探测脉冲，每个频率的探测脉冲各获得一条瑞利强度曲线，然后提取光纤上同一位置处不同的频率的瑞利强度曲线，比较应变变化前后的曲线得到待测参量引起的等效激光频率的变化量，就可以恢复出待测光纤上的应变信息。最近提出的使用啁啾脉冲代替步进式扫频的分布式系统，通过同时产生啁啾脉冲射频信号和单频正弦射频信号经激光调制后分别通过探测光路和本地光路各自进行强度调制及放大后输出探测光至传感光纤，然后通过将反射回波与本地光耦合拍频后经匹配滤波得到同一时刻多个频率的瑞利曲线，通过对提取出的瑞利特征信息进行互相关运算从而恢复出发生在测温光纤上的外界应变变化。这种测量方式具有长距离、高空间分辨率的优势，然而，强度解调法解调应变时需要大量的互相关运算，这导致了解调时间远远大于测量时间，在实践中无法实现实时解调。

技术实现要素：

本发明针对现有的光纤传感器的解调过程中互相关运算的计算量太大，从而无法对检测到的瑞利特征信息进行实时快速处理的问题，提出了一种基于神经网络的强度解调应变传感方法，在保证长距离、高空间分辨率的同时，能够将解调速度提高数百倍，实现实时解调。

本发明是通过以下技术方案实现的：

本发明涉及一种基于神经网络的强度解调应变传感方法，通过在应变解调中使用神经网络进行互相关运算实现解调时间的缩短，该神经网络依次使用由啁啾探测脉冲和匹配滤波器产生的训练数据集和测试数据集进行训练和测试，即在训练阶段神经网络模型学习瑞利强度曲线和对应频率的映射关系，并在测试阶段对输入的瑞利强度曲线进行频率预测，从而对待测光纤进行应变恢复。

所述的神经网络由一个输入层、一个输出层和五个隐层组成，能够检测和提取动态应变。神经网络的激活函数优选为relu函数，其输出为其中：xi代表神经元的输入和输出，wi代表调整后的权重，θ代表神经元的阈值，f代表非线性激活函数。

所述的瑞利强度曲线是指：通过宽频的啁啾探测光脉冲经放大后输出探测光至传感光纤，然后通过将反射回波与本地光耦合拍频后，经过一个或若干个具有不同中心频率的匹配滤波器，得到待测光纤在相应中心频率下的瑞利强度曲线。

所述的训练数据集，是利用第一个啁啾探测脉冲返回的原始数据通过若干频率滤波器后得到的瑞利强度曲线集。为了进一步提高系统的空间分辨率，即减小频率间隔，采用三次样条插值进一步对瑞利强度曲线进行处理。在训练数据集中，大部分用来输入到神经网络中进行学习，少部分用来评估神经网络模型的性能。

所述的测试数据集，是采用与建立训练数据集相同的方式，但是采用的是第一个探测脉冲之后的瑞利后向散射光的原始数据建立的。只要计算出这些脉冲和第一个脉冲之间发生的应变，就可以知道待测光纤上发生的应变。

所述的训练阶段，是指在神经网络的训练阶段中，将不同频率的瑞利强度曲线和其对应的频率输入到神经网络中进行训练，神经网络中神经元之间的权重在不断优化直到均方误差满足期望，在经过训练之后神经网络就能学会这种映射关系。

所述的测试阶段，是将后面的探测脉冲经过匹配滤波后得到的瑞利强度曲线输入到已经训练好的神经网络模型中，神经网络的输出就是对应输入强度曲线的频率。

所述的应变恢复，根据频率偏移中恢复出外界施加的应变变化，其中：δv为频移量，kε为应变系数，v0为中心频率。

技术效果

本发明整体解决了传统互相关运算速度慢、消耗资源高的问题，采用训练后的神经网络根据输入的瑞利强度曲线在较小的平均绝对误差下预测出其实际的频率，将强度解调分布式光纤传感器的解调时间缩短了数百倍，使系统能够完成对动态应变的实时解调。

附图说明

图1为本发明系统示意图；

图2为实施例效果示意图；

图中：(a)为实际频率与预测频率的比较图；(b)为预测频率和实际频率的绝对误差；

图3为待测光纤上应变发生区域的互相关和神经网络两种方法的应变解调结果，即瑞利特征匹配过程的示意图；

图中：(a)为神经网络模型解调出的应变；(b)为神经网络解调出应变的功率谱密度；(c)为互相关方法解调出的应变；(d)为互相关解调出应变的功率谱密度。

具体实施方式

如图1所示，为本实施例涉及一种基于神经网络的分布式应变传感方法，通过将神经网络引入分布式光纤传感器中，代替耗时的互相关运算进行数据处理。本方法建立了一个神经网络模型，在训练阶段，使用啁啾探测脉冲和匹配滤波技术组成一个数据集，并将数据集的每条瑞利强度曲线映射到相应的探测频率，在测试阶段，使用该模型直接计算出探测脉冲的等效频率，从而恢复出待测光纤上发生的外界应变。

所述的神经网络，由一个输入层、一个输出层和五个隐层组成，能够检测和提取动态应变。神经网络的激活函数优选为relu函数。

所述的训练数据集，是将啁啾脉冲射频信号发射到待测光纤后返回的瑞利后向散射光，通过81个不同频率范围的匹配滤波器，使第一个探测脉冲的瑞利后向散射光的原始数据划分为不同频率的部分从而建立起的数据集。啁啾脉冲射频信号的频率范围为100mhz～600mhz，脉冲宽度20μs的线性扫频信号，脉冲发射周期100μs。匹配滤波器的带宽和相邻匹配滤波器之间的频率间隔分别设置为100mhz和5mhz，即频率范围分别为100mhz～200mhz、150mhz～250mhz……500mhz～600mhz。最后可以得到中心频率分别为150mhz，155mhz……550mhz的81条瑞利后向散射强度曲线。为了减少频率间隔，相邻频率的瑞利强度曲线之间以0.05mhz的间隔进行三次样条插值，可以得到8001条瑞利强度曲线。

所述的测试数据集，是第一个脉冲之后的瑞利后向散射光的原始数据通过频率范围为300mhz～400mhz的匹配滤波器，即可得到350mhz对应的瑞利强度曲线。本实施例中系统共发射了200个啁啾探测脉冲，每个探测脉冲的数据经过滤波器后得到一条瑞利强度曲线，所以测试数据集共有199条瑞利强度曲线。

所述的训练阶段，将训练数据集输入到神经网络中并进行训练。为了便于评估网络模型的性能，随机选择里面的7001条曲线用来训练，1000条曲线用来计算训练之后的瓶颈绝对误差。

所述的测试阶段，将测试集的瑞利强度曲线输入到神经网络中，输出就是神经网络预测的频率。当外界未发生应变时，提取出的瑞利强度曲线应该与数据集中350mhz对应的曲线的形状是一样的，即神经网络输出的也是350mhz；当外界发生应变时，神经网络输出的频率和350mhz之间的差值就是此探测脉冲和第一个脉冲之间发生的探测脉冲频率偏移。

所述的应变恢复，就是根据求出的频率偏移和计算出对应的应变。

如图2所示，在神经网络完成训练之后，可以通过比较模型预测出的频率和实际的频率来评估模型的性能，这也是调整整个模型参数的重要依据。在神经网络的训练阶段，使用8001条中随机的7001条进行训练，然后使用1000条来评价训练的效果。图2为1000条瑞利强度曲线作为输入后预测频率和实际频率的比较，在图中红线代表实际频率，蓝点代表预测频率。图(a)横轴为实际频率，纵轴为预测频率，可以看到红线和蓝点基本重合，说明预测与实际频率偏差不大。(b)的横坐标为实际频率，纵轴为实际频率和预测频率的差值，通过计算得到平均绝对误差为0.1mhz，根据频率差与应变变化的关系，可以得知0.1mhz大约相当于0.67nε。这意味着，在此实验条件下此模型对于输入的瑞利强度曲线可以在0.1mhz的平均绝对误差下预测出实际对应的频率。

如图3所示，展示了神经网络应变解调的结果。在本实施例中，共有200个啁啾脉冲被发射到待测光纤中，脉冲周期为100μs。图中(a)和(b)为提取出待测光纤上[9000.4,9002]m位置的瑞利强度曲线后使用互相关方法解调应变的结果。图中(c)和(d)为提取出待测光纤上相同位置处的瑞利强度曲线后使用神经网络模型解调应变的结果。

使用互相关算法的应变解调和使用神经网络的应变解调相比，在信噪比方面，可以从图3看到两者相差不大，仅仅3.5db；在计算时间方面，使用互相关的方法的应变解调时间为4500ms，而使用神经网络的方法仅仅耗时10ms，可见计算时间缩短了450倍(使用的cpu相同，均为e5-2690)。

本实施例是使用了神经网络的强度解调法，已成功用于应变的解调和恢复，在保持性能的情况下将应变解调时间缩短了450倍。

本实施例使用神经网络代替了互相关运算，大大减少了计算量，在其他有相似需求的实验场景中也是值得探索应用的方法。

上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的方式对其进行局部调整，本发明的保护范围以权利要求书为准且不由上述具体实施所限，在其范围内的各个实现方案均受本发明之约束。