分布式光纤井盖开关监测系统和方法与流程

1.本发明涉及光纤传感技术领域，尤其涉及分布式光纤井盖开关监测系统和方法。


背景技术：

2.随着现代城市的快速发展，集各种市政管线于一体的地下空间逐渐成为城市的大动脉。井盖作为地下空间的出入口，关系着地下空间的安全。通过井盖入口盗取地下空间的电缆、井盖被盗等事件给地下空间带来极大的安全隐患。
3.通过监控井盖的非法开启以监测非法入侵事件可以实现地下空间的入侵预警。目前地下空间入侵预警技术主要是：在井盖下安装电子传感器和无线发射模块。通过电子传感器监测井盖形变和位移，发射信号至远程主机实现定位和报警。该类技术缺点是电子传感器易受潮湿环境影响，无线发射模块易受电磁干扰影响。
4.近年来，分布式光纤振动探测技术逐步被应用到地下空间的入侵预警。专利公布号cn208701752u提出了一种管廊井盖移动的机械式感应装置，该装置与光纤振动传感技术结合，通过振动机构将微弱移动信号放大成振动信号传递给探测光缆，探测光缆将振动信号传输至远程光纤振动探测系统，达到预警的目的。
5.然而，虽然该项技术规避了电子传感器的缺点，但在实际应用中，当其他事件如电动车压过井盖、暴雨敲击井盖等扰动作用于感应装置时，被误报为非法入侵事件，给使用者带来困扰。


技术实现要素：

6.本发明的目的是提供分布式光纤井盖开关监测系统和方法，能够解决已有光纤类井盖监测技术误报率高的问题。
7.为了实现上述目的，本发明公开了一种分布式光纤井盖开关监测系统，其包括：
8.干涉型振动传感系统，其利用光纤干涉结构提取铺设在地下空间的光缆周围的扰动信号，以监测井盖开关行为；
9.井盖振动传递装置，其通过振动机构将微弱移动信号放大成振动信号，并将所述振动信号传递给所述干涉型振动传感系统的探测光缆；
10.去位置化算法模块，其将包含位置信息的相位差信号通过去位置化算法将位置信息去除，以供用于后续模式识别中，以降低学习的复杂度；
11.卷积神经网络模块，其用于通过训练一维卷积神经网络，得到判别模型，以通过所述判别模型判断井盖是否为非法开启；
12.报警控制模块，其当发生井盖非法开启事件时，产生报警信号并显示位置信息。
13.相应地，本发明还公开了一种分布式光纤井盖开关监测方法，其应用于如上所述的分布式光纤井盖开关监测系统，所述分布式光纤井盖开关监测方法包括如下步骤：
14.s1、利用带有井盖振动传递装置的干涉型振动传感系统，采集大量地下空间传感光缆的信号；
15.s2、对所有信号进行去位置化处理，并将去位置化处理后的信号与对应的信号状态结合，以构建形成数据集；
16.s3、构建一维卷积神经网络；
17.s4、将以所述的数据集作为输入，对所述一维卷积神经网络进行训练，以获得判别模型；
18.s5、通过所述判别模型监测任一井盖的开关类型；
19.s6、若当前井盖的开关类型为非法开启时，发出报警信号并显示位置信息。
20.较佳地，所述信号状态包括人开关井盖、电动车压过井盖、暴雨敲击井盖。
21.较佳地，所述步骤s3进一步包括：
22.分别设置所述一维卷积神经网络的网络参数和训练超参数。
23.较佳地，所述判别模型为二分类模型。
24.较佳地，所述一维卷积神经网络包括依次设置的一个输入层、七个卷积池化层、一个dropout层、一个全连接层、一个softmax层和一个输出层。
25.较佳地，所述输入层的输入序列尺寸为200000*1；所述dropout层的丢弃率设为50％；所述全连接层中的每一个结点都与上一层的所有结点相连，并将之前提取到的特征综合；所述softmax层使用softmax函数，为每个输出分类的结果都赋予一个概率值，以表示属于每个信号状态的可能性；所述输出层共有两神经元，两所述神经元中的一者用于输出人为入侵的概率，另一者用于输出非人为侵入的概率。
26.较佳地，第一个卷积池化层使用64个大小为48*1的卷积核，以步长为5做卷积，使用0填充；
27.第二个卷积池化层和第三个卷积池化层分别使用32个大小为24*1的卷积核，以步长为5做卷积，使用0填充；
28.第四个卷积池化层和第五个卷积池化层分别使用32个大小为12*1的卷积核，以步长为5做卷积，使用0填充；
29.第六个卷积池化层和第七个卷积池化层分别使用32个大小为6*1的卷积核，以步长为5做卷积，使用0填充。
30.较佳地，每一个卷积池化层的池化尺寸为3*1，并以步长为1作最大池化操作，使用0填充。
31.与现有技术相比，本发明通过在地下空间铺设一条光缆，在井盖下安装井盖振动传递装置，就可监测整条光缆上所有的井盖状态。在系统后端将采集的信号进行去位置化处理送入一维卷积神经网络算法的判别模型，可以判别井盖是否为非法开启，监测结果准确度高。
附图说明
32.图1是本发明的分布式光纤井盖开关监测系统的结构示意图；
33.图2是本发明的分布式光纤井盖开关监测系统的执行流程；
34.图3是本发明的分布式光纤井盖开关监测方法的流程框图；
35.图4是本发明的一维卷积神经网络的结构示意图；
36.图5是本发明去位置化前后的开井盖信号波形示意图；
37.图6是本发明的实验结果展示图。
具体实施方式
38.为详细说明本发明的技术内容、构造特征、所实现目的及效果，以下结合实施方式并配合附图详予说明。
39.请参阅图1所示，本实施例的分布式光纤井盖开关监测系统，其包括：
40.干涉型振动传感系统1，其利用光纤干涉结构提取铺设在地下空间的光缆周围的扰动信号，以监测井盖开关行为；
41.井盖振动传递装置2，其通过振动机构将微弱移动信号放大成振动信号，并将所述振动信号传递给所述干涉型振动传感系统的探测光缆；
42.去位置化算法模块3，其将包含位置信息的相位差信号通过去位置化算法将位置信息去除，以供用于后续模式识别中，以降低学习的复杂度；
43.卷积神经网络模块4，其用于通过训练一维卷积神经网络，得到判别模型，以通过所述判别模型判断井盖是否为非法开启；
44.报警控制模块5，其当发生井盖非法开启事件时，产生报警信号并显示位置信息。
45.请参阅图2所示，本实施例的分布式光纤井盖开关监测系统的主要工作流程如下：
46.步骤1：分布式光纤井盖开关监测系统的安装及部署；
47.步骤2：干涉型振动传感系统1向地下空间光缆发送光信号；
48.步骤3：井盖振动传递装置2将微弱移动信号放大成振动信号；
49.步骤4：利用去位置化算法模块3将步骤3返回的信号进行去位置化处理再送入判别模型；
50.步骤5：利用判别模型对步骤4的信号进行模式识别；
51.步骤6：当步骤5的信号被判别为非法开启时，分布式光纤井盖开关监测系统产生报警信号并显示位置信息。
52.请参阅图1-图6所示，本实施例的分布式光纤井盖开关监测方法，其应用于如上所述的分布式光纤井盖开关监测系统，所述分布式光纤井盖开关监测方法包括如下步骤：
53.s1、利用带有井盖振动传递装置2的干涉型振动传感系统1，采集大量地下空间传感光缆的信号；
54.s2、对所有信号进行去位置化处理，并将去位置化处理后的信号与对应的信号状态结合，以构建形成数据集；
55.s3、构建一维卷积神经网络；
56.s4、将以所述的数据集作为输入，对所述一维卷积神经网络进行训练，以获得判别模型；
57.s5、通过所述判别模型预测任一井盖的开关类型。
58.s6、当当前光纤井盖的开关类型为非法开启时，发出报警信号并显示位置信息。
59.较佳地，所述信号状态包括人开关井盖、电动车压过井盖、暴雨敲击井盖。
60.较佳地，本实施例将人开关井盖标记为人为入侵，及将电动车压过井盖、暴雨敲击井盖标记为非人为入侵，其中，人为入侵的井盖开关类型为非法开启，非人为入侵的井盖开关类型为合法开启。可以理解的是，本实施例的分布式光纤井盖开关监测方法能够识别井
盖是否开启，使用者可以根据井盖开关的类型，通过人工判断的方式判断井盖开关是否合法，在此不做赘述。
61.较佳地，所述步骤s3进一步包括：
62.分别设置所述一维卷积神经网络的网络参数和训练超参数。
63.较佳地，所述判别模型为二分类模型。
64.较佳地，所述一维卷积神经网络包括依次设置的一个输入层、七个卷积池化层、一个dropout层、一个全连接层、一个softmax层和一个输出层。
65.可以理解的是，本实施例在第一层卷积层中改进了2d-cnn中常规3
×
3或5
×
5的二维小卷积核，采用48
×
1的长卷积核以获得较大的感受野，达到提取低频信息的效果。使用relu函数作为激活函数，使用最大池化过滤输入中的冗余信息。此外，为了防止过拟合，增强泛化效果，在网络结构中还添加了50％丢弃率的dropout层，并采用交叉熵损失函数作为模型优化的损失函数。最后softmax层有2个输出，对应人为入侵与非人为入侵两种状态。
66.较佳地，所述输入层的输入序列尺寸为200000*1；所述dropout层的丢弃率设为50％；所述全连接层中的每一个结点都与上一层的所有结点相连，并将之前提取到的特征综合；所述softmax层使用softmax函数，为每个输出分类的结果都赋予一个概率值，以表示属于每个信号状态的可能性；所述输出层共有两神经元，两所述神经元中的一者用于输出人为入侵的概率，另一者用于输出非人为侵入的概率。
67.较佳地，第一个卷积池化层使用64个大小为48*1的卷积核，以步长为5做卷积，使用0填充；
68.第二个卷积池化层和第三个卷积池化层分别使用32个大小为24*1的卷积核，以步长为5做卷积，使用0填充；
69.第四个卷积池化层和第五个卷积池化层分别使用32个大小为12*1的卷积核，以步长为5做卷积，使用0填充；
70.第六个卷积池化层和第七个卷积池化层分别使用32个大小为6*1的卷积核，以步长为5做卷积，使用0填充。
71.较佳地，每一个卷积池化层的池化尺寸为3*1，并以步长为1作最大池化操作，使用0填充。
72.进一步地，该softmax函数的数学公式可表述为：
[0073][0074]
式中：r为输出结果矩阵；ωi和bi为第i个分类对应的权重和偏置矩阵。
[0075]
将包含位置信息的相位差信号通过去位置化算法将位置信息去除，再与对应状态结合构建成数据集，图5为去位置化前后的开井盖信号波形示意图，其中，(a)为去位置化前信号波形，(b)为去位置后前信号波形。
[0076]
可以发现，振动信号去位置化后保留了去位置化前的波形轮廓但有细微的变化，且幅度较去位置化前也有变化。
[0077]
将去位置化处理后的大量信号作为输入，对应状态作为输出。
[0078]
输入：x＝[x1,x2,
…
xn],xi为去位置化后的一维信号，n为训练集信号总数；
[0079]
输出：y＝[y1,y2,
…
yn],yi为“人为入侵”或“非人为入侵”。
[0080]
本实施例数据集为1161条信号，按7：3比例将信号划分为训练集和验证集。利用输入集和输出集对自主构建的一维卷积神经网络模型进行训练，使用反向传播算法更新每层权重参数，采用adam优化算法，待迭代次数达到设定值则停止更新，得到用于判别井盖是否非法开启的判别模型。
[0081]
上述adam优化算法通过计算梯度的一阶矩估计和二阶矩估计为不同的参数设计独立的自适应性学习率，加快收敛速度。适合解决含大规模数据和参数的优化问题、非稳态目标、包含很高噪声或稀疏梯度的问题。
[0082]
本实施例模型实验结果如图6所示，训练集与验证集准确度均为100％，满足实际应用需求。
[0083]
结合图1-图6，本发明通过在地下空间铺设一条光缆，在井盖下安装井盖振动传递装置2，就可监测整条光缆上所有的井盖状态。在系统后端将采集的信号进行去位置化处理送入一维卷积神经网络算法的判别模型，可以判别井盖是否为非法开启，监测结果准确度高。
[0084]
以上所揭露的仅为本发明的优选实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明申请专利范围所作的等同变化，仍属本发明所涵盖的范围。