一种基于Wavenet的φ-OTDR模式识别系统及方法与流程

本发明涉及信息处理和相位敏感光时域反射光纤传感技术领域，尤其涉及一种基于wavenet(声波网络)的φ-otdr模式识别系统及方法。

背景技术：

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

基于相位敏感的光时域反射系统(phase-sensitiveopticaltime-domainreflecrometricsystem,)，以光纤作为传感器，具备本征安全、耐腐蚀、功耗低的独特优势，可实时在线监测并定位光纤沿线的振动事件，在周界安防、管线安全监测、建筑物结构健康等领域具有广泛的应用。

随着系统实际应用的不断深入，仅对振动信号进行感知定位难以达到实际需求，因此对各类振动事件进行准确有效的识别日益重要。目前，研究者普遍采用的方法是人工提取振动信号在时域、频域、时频域、空间域等维度的特征信息，然后将特征信息输入到机器学习或深度学习结构中进行模式识别，但是人工提取的特征能否完全代表原始振动信号，直接影响了特征分类的准确性，且人工提取特征过程本身会增加整个模式识别方法的计算资源，导致方法实时性较差。

现有技术公开了采用一维卷积神经网络直接对一维原始信号进行特征提取和识别，省去了人工提取特征过程，但输入仅为一维时域上的幅度信息，且一维卷积神经网络缺乏对振动时序信号的准确表达和分析的能力。

现有技术公开了采用长短时记忆网络模型对设备运行振动时域数据进行训练，但由于长短时记忆网络中存在循环连接，在一定程度上限制了模型的训练速度。

技术实现要素：

为了解决现有技术存在的需要人工提取特征或因神经网络模型本身结构而造成的模式识别实时性较差的问题，以及模型不能充分分析其输入数据时序性而导致的识别准确率较低的问题，本发明提出了一种基于wavenet的φ-otdr模式识别系统及方法，能够实现准确且高效地识别各类外界振动信号。

在一些实施方式中，采用如下技术方案：

一种基于wavenet的φ-otdr模式识别系统，包括：依次连接的激光器、光衰减器、声光调制器、掺铒光纤放大器和滤波器，所述滤波器的输出端连接环形器，环形器和拉曼放大器的输出端分别连接波分复用器，所述波分复用器的输出端经过pzt与传感光纤连接。

在另一些实施方式中，采用如下技术方案：

一种基于wavenet的φ-otdr模式识别方法，包括：

通过传感光纤获取待预测的多组外界振动信号；

将采集到的振动信号经过阈值筛选处理为时间-空间数据，将所述数据输入到训练好wavenet神经网络模型，输出振动信号类型；

其中，所述阈值为使用设定的扫频信号驱动pzt作用，拉伸传感光纤以产生相应应变，以该应变量所对应的幅值为筛选有效振动信号的阈值。

在另一些实施方式中，采用如下技术方案：

一种终端设备，包括服务器，所述服务器包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述的基于wavenet的φ-otdr模式识别方法。

与现有技术相比，本发明的有益效果是：

(1)本发明在φ-otdr系统中使用模拟输出卡和pzt，模拟外界振动，便于阈值的设定，以便有效滤除噪声以及无效振动信号。

(2)在φ-otdr系统中使用光衰减器、拉曼放大器和波分复用器，便于设置光功率大小，有利于增加φ-otdr系统的传感距离，提高传感系统的信噪比。

(3)在φ-otdr系统模式识别中，直接对采集到的原始信号进行特征提取和识别，避免了传统方法需人工提取特征的过程，能够更有效率地充分获取振动信息。

(4)采集到的振动信号形成时间-空间二维数组，wavenet的因果空洞卷积结构充分考量了输入二维数组的长跨度时序性，可以提高振动信号类型的识别准确率。

(5)wavenet中的残差网络和跳步连接可使模型在较深的神经网络中较快收敛，可有效提高模型的训练速度，使φ-otdr模式识别具有高实时性。

本发明的附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

图1是本发明实施例中基于wavenet的φ-otdr模式识别系统结构示意图；

图2是本发明实施例中φ-otdr模式识别过程示意图；

图3是本发明实施例中对采集到的原始数据处理流程图；

图4是本发明实施例中wavenet因果卷积层的堆叠结构；

图5是本发明实施例中wavenet多层空洞卷积结构；

图6是本发明实施例中wavenet残差网络结构；

图7是本发明实施例中wavenet模式识别方法流程图。

具体实施方式

应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本发明使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

实施例一

在一个或多个实施方式中，公开了一种基于wavenet的φ-otdr模式识别系统，参照图1，包括：超窄线宽激光器的输出端与光衰减器的输入端相连，光衰减器的输出端与声光调制器的光输入端相连，模拟输出卡有两个信号输出端口，一个输出端口连接声光调制器驱动器的输入端；另一个输出端口连接pzt(压电陶瓷)驱动信号输入端，以驱动pzt。声光调制器驱动器的输出端与声光调制器驱动信号输入端相连，声光调制器的输出端与掺铒光纤放大器的输入端相连，掺铒光纤放大器的输出端与滤波器的输入端相连，滤波器的输出端与环形器的一个输入端相连，环形器的一个输出端与波分复用器的一个输入端相连，拉曼放大器的输出端与波分复用器的另一个输入端相连。波分复用器的输出端与pzt的光输入端相连，pzt的输出端连接传感光纤。

环形器的另一个输出端与光电探测器的输入端相连，光电探测器的输出端与数据采集卡的输入端相连，数据采集卡的输出端与计算机相连接。

具体地，进行数据采集时，将传感光纤铺设在各类振动作用的区域，利用瑞利散射原理可以分布式感知振动信号。

中心波长为1550nm、线宽小于3khz的超窄线宽激光器发出连续光，经由光衰减器来调节光功率大小，而后经移频量为200mhz的声光调制器调制成脉冲光；模拟输出卡的一路输出为声光调制器驱动器始终提供一路频率为5khz，脉冲宽度为20ns的脉冲正沿触发信号，触发模式为后触发。

脉冲光经掺铒光纤放大器放大光功率，经过滤波器滤除自发辐射噪声，再通过环形器，与拉曼放大器输出的拉曼光一同进入波分复用器，以进一步放大散射光信号，而后光信号进入传感光纤感知外界振动信号。

在该阶段，模拟输出卡的另一路输出对pzt不产生驱动信号，pzt对传感光纤不产生作用。

由于瑞利散射作用会返回后向散射光，其光场强度表达式为：

i(t)＝es²(t)＝[ascos(2πfst+φs)]²

＝as²/2+(as²/2)cos(4πfst+2φs)

其中，es、as、fs、φs分别为后向瑞利散射光的光场、振幅、频率和相位。当有振动信号作用于传感光纤时，相位φs发生改变，光强i(t)变化，采样率为100ms/s的数据采集卡采集到各类振动信号的多组原始数据，并传输至计算机。

另外，为获取振动信号阈值，模拟输出卡对pzt产生幅值为a0、频率为f＝f1～f2的扫频信号：

x(t)＝a0cos(2πf)

其中，f1～f2为φ-otdr系统的可探测频率范围内。扫频信号驱动pzt拉伸光纤，光纤产生δl的形变，进而产生δε的应变量，将该应变量所对应的信号幅值设定为筛选有效振动信号的阈值。

实施例二

在一个或多个实施方式中，公开了一种基于wavenet的φ-otdr模式识别方法，包括：

通过传感光纤获取待预测的多组外界振动信号；

将采集到的振动信号经过阈值筛选处理为时间-空间数据，将所述数据输入到训练好wavenet神经网络模型，输出振动信号类型；

其中，所述阈值为使用设定的扫频信号驱动pzt作用，拉伸传感光纤以产生相应应变，以该应变量所对应的幅值为筛选有效振动信号的阈值。

具体地，对于wavenet神经网络模型的训练过程如图2所示，主要包括训练和测试两个部分，首先在训练部分，采集到多组原始振动数据后，通过前后两组幅值作差并取绝对值获取振动信息；并与所设定的幅值阈值比较，来滤除振动信号以外的噪声或者无用信号，从而提取到有效振动信号。

进一步形成50×50的时间-空间数组，以“0”、“1”、“2”等数字标签代表不同的振动类型，为每组数据集标注好对应的数字标签。将整个数据集及对应标签成对划分为训练集、验证集、测试集，并打乱，以观察模型的过拟合程度，时间-空间数据集输入到wavenet网络结构中进行训练。

在测试部分，加载以训练好的模型结构及权重，对实时采集处理到的时间-空间数组进行预测，以得到对应振动数据的标签。

具体包括如下过程：

(1)φ-otdr系统中的传感光纤感知外界各类动作信号，并采集各类动作的多组原始数据。

具体地，将传感光纤铺设在各类振动作用的区域，利用瑞利散射原理可以分布式感知振动信号。

φ-otdr系统中超窄线宽激光器发出连续光，经光衰减器调节光功率、声光调制器调制、掺铒光纤放大器放大后，再经由滤波器滤除自发辐射噪声，输出的脉冲光通过环形器与拉曼放大器输出的拉曼光一同进入波分复用器，而后进入传感光纤。

模拟输出卡输出两路信号，一路始终为声光调制器驱动器提供触发信号，另一路输出信号可控制pzt是否工作，此时模拟输出卡对pzt不输出信号，pzt对传感光纤不产生作用。

当有振动信号作用于传感光纤时，传感光纤中返回的后向瑞利散射光相位发生变化，光强随之变化，经光电探测、数据采集得到各类振动信号的多组原始数据。

(2)模拟输出卡产生余弦信号驱动pzt，模拟外界振动信号作用，pzt对传感光纤产生的应变量，其对应幅值设定为筛选有效振动信号的阈值。

具体地，模拟输出卡对pzt产生幅值为a0、频率为f1～f2的扫频信号，其中f1～f2为φ-otdr系统的可探测频率范围内。该扫频信号驱动pzt作用，拉伸传感光纤以产生相应应变，以该应变量所对应的幅值设定为筛选有效振动信号的阈值。

(3)将采集到的多组数据经阈值筛选并处理为时间-空间数据集，并将其划分为训练集、验证集和测试集，并打乱。

具体地，图3给出了对采集到的原始数据进行处理的流程图，采集到n组原始数据后，根据传感光纤长度，每组具有m个空间采样点，将前后两组作差并取绝对值，得到n-1组差值数据，由于脉冲触发频率为5khz，则在时间维度上的长度为：

依次循环判断每组差值数据中，是否有采样点的相邻两组幅值差值大于所设定的阈值，如果有，则得到有效振动信号作用时间以及在传感光纤上的具体位置，取该组以及该组之前的24组，该组之后的25组，以构建振动信号的时间信息；

取该组中幅值最大的采样点j，并取j以及j之前的24个点，j之后的25个点，以构建振动信号的空间信息，形成50×50的时间-空间二维数组；

以“0”、“1”、“2”等数字为每个数组注明对应动作标签，将所有数组及对应标签划分为训练集、验证集和测试集，并打乱，输入到wavenet神经网络中进行训练。

(4)时间-空间数据集输入到wavenet神经网络模型，多次训练至模型最优，并存储。

如图4所示为wavenet因果卷积层的堆叠结构。基于二维时间-空间数据集，为分析振动信号在时间维度上的时序性，整个输入序列的联合概率密度可以表示为：

其中，x1,...,xt为在某一时刻t的振动数据，振动数据点均与之前时刻数据相关，而wavenet中的因果卷积结构适合分析时序数据。当输入为时序数据点x＝{x1,x2,...,x50}时，通过因果卷积，其输出只与当前时刻以及之前的时刻有关，而与未来的时刻无关。在用于振动信号的分类时，能够有效提取振动信号的前后时序性特征。wavenet结构由多层因果卷积层堆叠而成，因果卷积核个数为16，大小为1，步长为1，在卷积网络中没有池化层，在一定程度上能避免有效信息的损失。但存在的问题是在卷积层数一定的情况下，模型对输入序列的感知范围有限。

如图4所示，一个含有4层的卷积层的模型只有5个感知范围。要训练足够长的时序样本，需要多个卷积层的堆叠，或者更大的滤波器来增加足够长的感知野，但这又增加了计算资源。

如图5所示为wavenet多层空洞卷积结构，可使模型在同样的卷积层数下获得更大的感知范围，即在卷积核中以固定间隔(被称为空洞系数)添加一些零值的权重，来稀疏化卷积核内部，使卷积核可被应用于大于其本身长度的区域，从而在同样卷积层数下获得更大的感知野。如图5所示，当卷积核空洞系数分别为1，2，4，8时，输入的感知范围增加到16个，感知野随卷积层数呈指数增长。为进一步扩大感知范围，将空洞系数分别为1，2，4，8的空洞卷积视为一个块，其卷积核大小为7；重复三次块，便产生12层因果空洞卷积。

如图6所示为wavenet残差网络结构，每层残差网络中包含不同空洞系数的空洞卷积结构，因此产生12层的残差块。输入序列首先经过一维因果卷积，而后进入第一层残差块。经过空洞系数为1的空洞卷积层后，为增加卷积层之间的非线性、增强模型的表达能力，输入经门控激活单元进一步激活：

z＝tanh(wf,k*x)⊙σ(wg,k*x)

其中，*代表卷积运算，⊙代表点乘运算，tanh和σ分别为tanh激活函数和sigmoid激活函数，k为层数，f和g分别代表滤波器和门控，w为可学习的卷积核，x为输入。

激活后，经1×1的卷积核来降低通道数；而后其输出分为两路：一路与该层残差块的输入相加，构成残差网络；另一路作为跳步连接直接输出与各层相累加。残差网络将浅层网络的输入直接传到深层的输出，恒等映射转化为两者的差作为下一层残差块的输入。浅层网络直接映射的引入，可更有效率地执行转化后的恒等映射，从而使模型收敛得更快，训练出更深的网络结构。

如图7所示为wavenet模式识别方法流程图，50×50的时间-空间二维数组输入到因果卷积层，而后进入到第一层残差块，在该层残差块中，首先经过空洞系数为1的空洞卷积层，输入到门激活单元tanh(wf,k*x)⊙σ(wg,k*x)进一步激活，以增加卷积层之间的非线性，再输入到1×1的卷积层降低通道数，而后其输出分为两路：一路与该层残差块的输入相加，构成残差网络；另一路作为跳步连接直接输出与各层相累加。残差网络的输出依次传递到下一层空洞系数为2ⁱ残差块，直到空洞系数增加到8为止，并重复三次。将最后一层残差块的输出与各层残差块的跳步连接输出相累加，对累加结果进行一维因果卷积、批归一化，而后进行一维全局最大值池化，最后采用softmax激活函数进行分类，输出各个振动类型的概率，并给出最后的预测标签。

将新采集到的待测试数据形成时间-空间数组，输入到训练好的模型，得到模式识别结果。

实施例三

在一个或多个实施例中，公开了一种终端设备，包括服务器，所述服务器包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现实施例二中的基于wavenet的φ-otdr模式识别方法。为了简洁，在此不再赘述。

应理解，本实施例中，处理器可以是中央处理单元cpu，处理器还可以是其他通用处理器、数字信号处理器dsp、专用集成电路asic，现成可编程门阵列fpga或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。

在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。