一种基于深度学习的光纤振动信号识别方法与流程

本发明涉及光纤振动传感的，特别涉及一种基于深度学习的光纤振动信号识别的方法。

背景技术：

1、在光纤振动传感领域，基于ϕ-otdr的das与其他光纤入侵传感器相比，具有灵敏度高、全分布方式、成本相对较低、可实现远程入侵检测等优点，是一项很有发展前途的技术。常用的特征提取方式有提取振动信号的傅里叶变换特征、短时能量、梅尔倒频系数等，或者使用emd、vmd、小波变换算法将信号分解后提取相关的统计学特征。典型的分类算法主要有：支持向量机、极值梯度下降、随机森林树。这些方法虽然可以比较准确地识别出入侵事件的类别，但是复杂算法和数据处理方法的使用使得整个光纤振动信号识别过程变得更加复杂。

技术实现思路

1、针对现有技术中存在的不足之处，本发明的目的是提供一种基于深度学习的光纤振动信号识别的方法，不同于以往的深度学习应用于光纤振动传感信号的识别，将拼接为8s的振动信号转化成128×128大小的灰度图像的预处理方式，包含的有效振动信息更多，时间维度的特征会更加明显，结合使用对二维和一维特征都能有效提取的eca+resnet+lstm网络结构来进行识别，信号的识别准确率达到98%以上，表明本识别方法具有很好的效果，且过程十分简便。包括：

2、s1、选择基于φ-otdr的光纤传感系统收集振动信号；

3、s2、将光纤传感系统收集的幅值数据转换为 128×128 的二维灰度图像；

4、s3、设计用于光纤振动信号识别的多维特征提取网络，其包含resnet50、高效通道注意力机制（eca）和lstm三种结构。

5、优选的，步骤s1中光纤传感系统光源选择具有高相干性、更低的相位噪声和频率噪声的窄线宽激光器。脉冲光从激光器射出的连续光调制得到，经掺铒光纤放大器放大后注入到传感光纤中，光纤的缠绕方式选择外缠绕式。外界的振动使光相位信息发生改变，然后引起后向散射光强度发生变化，最后被光电探测器接收，利用数据采集卡对振动信息进行采集和运算，实现外界振动的定位。

6、优选的，步骤s2中将传感系统收集到的振幅数据转为十进制，然后对其进行 min-max 归一化处理，再按时间顺序将四个数据文件中包含的 1×4096 个一维信号连接成一个数组。所含信号的长度为 8 秒，所含数据点数为 16384 个。由于图像的灰度范围为 0-255，将归一化数组中的每个数据乘以 255，然后将 1×16384 的一维数组重组为 128×128 的二维数组，并转换为二维灰度图像。

7、优选的，步骤s3中使用新网络进行特征提取以及信号识别，其融合了resnet50、eca和lstm三种结构，resnet50网络前段部分的最大池化层之前加入轻量的eca模块，它有着更强的特征提取能力，特征经过输出为256的线性层传递到拥有128个隐藏神经元节点的lstm中进行进一步的时间维度特征提取，最后将含有时间维度的传感特征由全连接层进行权重运算并送入输出层进行分类输出。在使用模型训练时：1）损失函数采用交叉熵函数；2）采用adam算法作为优化算法；3）在训练过程中对学习率进行调节，网络训练的初始学习率设为0.0001；4）训练批次为32。

8、本发明与现有技术相比，其有益效果是：

9、（1）将拼接为8s的振动信号转化成128×128大小的灰度图像的预处理方式，其包含的有效振动信息更多，时间维度的特征会更加明显，且该预处理方法简便。

10、（2）设计的eca+resnet+lstm网络结构中，添加了轻量高效的eca模块的resnet50能够提取到灰度图像更多的二维特征，特征经过线性层的一维化传入lstm结构中，lstm能够有效处理一维信息，使得网络能够从多维度来对信号进行识别，提升振动信号识别率且保证一定的效率。

技术特征：

1.一种基于深度学习的光纤振动信号识别方法，其特征在于，包括以下步骤：

2.如权利要求1所述的一种基于深度学习的光纤振动信号识别方法，其特征在于，步骤s1中，光纤振动传感系统包括1550nm波长的超窄线宽激光器，声光调制器，掺铒光纤放大器，传感光纤，光电探测器，数据采集卡。传感光纤的缠绕方式选择外缠绕式。将pgc相位解调功能写入数据采集卡的fpga中，能提高系统响应速度。选用桥式光路脉冲光纤放大器，利用桥式二级光路提高光纤放大器edfa的信噪比。

3. 如权利要求1所述的一种基于深度学习的光纤振动信号识别方法，其特征在于，步骤s2中128×128大小灰度图像所含信号的长度为 8 秒，所含数据点数为 16384 个。若一张图像包含的信号长度小于8s，会使得有效振动信息出现的几率减小，图像的特征减弱，导致识别率降低；若包含的信号长度大于8s，数据点数会增加，使单张图像大小增加，导致训练时长显著增加。

4.如权利要求1所述的一种基于深度学习的光纤振动信号识别方法，其特征在于，步骤s3中使用新网络进行特征提取以及信号识别，其融合了resnet50、eca和lstm三种结构，前段网络为加入了eca模块的resnet50网络，它有着更强的特征提取能力，特征经过线性层传递到lstm中进行进一步的时间维度特征提取，最后将含有时间维度的传感特征由全连接层进行权重运算并送入输出层进行分类输出。

5.其中，eca模块的自适应大小卷积核的参数γ= 1，b = 1，若γ值设置小于1，会导致卷积核大小过大，网络特征提取能力减弱，使信号识别准确率逐渐下降；若γ值设置大于1，卷积核大小减小，使得训练时间增加，且信号识别准确率无明显提升。lstm网络的隐藏层节点个数设置为128。

6.在使用网络训练时的参数：1）损失函数采用交叉熵函数；2）采用adam算法作为优化算法；3）在训练过程中对学习率进行调节，网络训练的初始学习率设为0.0001；4）训练批次为32。

技术总结
本发明公开了一种基于深度学习的光纤振动信号识别方法，包括：S1、利用基于Φ‑OTDR的光纤传感系统收集振动信号，S2、在信号预处理阶段，将8s的振动信号转化为128×128×1大小的灰度图像，S3、使用新网络进行特征提取以及信号识别，其融合了Resnet50、高效通道注意力机制（ECA）和LSTM三种结构。根据本发明，可以减少信号识别过程复杂度，提升振动信号识别率，识别率可以达到98%以上。

技术研发人员：徐邦联,杜宇洲,张雷洪,王洪波
受保护的技术使用者：上海政飞电子科技有限公司
技术研发日：
技术公布日：2024/3/17