基于梅尔频谱的分布式光纤入侵检测方法与流程

技术领域：

本发明涉及输油输气管线中分布式光纤振动监测安防技术领域，具体地说是一种基于梅尔频谱的分布式光纤入侵检测方法。

背景技术：

分布式光纤振动入侵检测技术在石油石化输油输气管线的安全监测领域上受到越来越多的关注，相比传统的监测方法，分布式光纤入侵检测技术可以实现长距离安全监测，并且对破坏入侵事件的响应速度快、定位准确，监测覆盖面广，这些优点是传统人工巡线和管道压力检测等手段所无法实现的，所以分布式光纤入侵检测技术的发展变得重要和迫切。

分布式光纤入侵检测方法是分布式入侵检测技术应用发展的一个重要因素。目前大多数方法都是将时域信号变换到频域中进行分析和识别，采用最多的时频变换方法是傅里叶变换和小波变换，这些时频分析方法可以将信号所覆盖的所有频率范围都提取出来，从整个频率范围分析信号特征，但是在实际中采集的入侵信号，由于土质对振动的吸收，信号的频率范围主要集中在低频区域，所以信号分析的重点是低频范围的信号特征。现阶段需要在保证计算速度的前提下，进一步提高系统对不同事件信号的响应灵敏度，以区分不同的入侵事件和干扰事件。

技术实现要素：
：

本发明针对现有技术中存在的缺点和不足，提出了一种对低频区域信号响应灵敏，能够将不同事件对信号的低频响应差异化表征出来，能够很好的区分不同入侵事件和干扰事件，提高系统的识别准确率的基于梅尔频谱的分布式光纤入侵检测方法。

本发明可以通过以下措施达到：

一种基于梅尔频谱的分布式光纤入侵检测方法，其特征在于包含以下步骤：

步骤一：读取光纤振动传感器采集的原始信号，定位出疑似入侵事件发生的位置点；

步骤二：提取疑似入侵事件发生位置点的信号，生成多个梅尔频谱图；

步骤三：多个梅尔频谱图通过频率映射形成一维特征向量；

步骤四：将一维特征向量输入到深度学习网络中，构建训练模型，并将模型用于光纤入侵事件的实时检测。

本发明所述步骤一中，光纤振动传感器采集的原始信号是包含时域信息和空间信息的二维数据矩阵，可表示为dt×l＝(dij)t×l,(i＝1,2...,t；j＝1,2...,l)，其中t表示时间维度，l表示空间维度，定位出疑似入侵事件发生的位置点是将采集到的原始信号在时间方向上提取出能量信息，然后根据能量信息在空间位置上的相互关系确定疑似入侵事件发生的位置点，具体的实现步骤为：

步骤1-1：原始信号在时间方向采用滤波的方式将直流分量和高频噪声滤除；步骤1-2：将滤波后的信号沿时间方向求取能量值：

步骤1-3：遍历el中的点，对每个点按如下规则进行筛选：

将满足如上条件的e’和e’所在的坐标位置loc进行记录，记录的这些位置坐标loc即为疑似入侵事件发生的位置点。

本发明步骤二中，所述提取疑似入侵事件发生位置点的信号，是指根据步骤一中得到的位置坐标loc将原始信号中对应位置的信号提取出来，所述生成梅尔频谱是指将提取的每个疑似入侵位置点的信号都生成对应的梅尔频谱，生成步骤为：

步骤2-1：信号分帧，即将每个位置点的一维信号进行分帧处理；

步骤2-2：计算每帧的傅里叶变换及其功率谱；

步骤2-3：使用梅尔滤波器组将每帧的傅里叶频谱变换到梅尔频谱域中，变换公式为：

m(f)＝1125ln(1+f/700)

步骤2-4：每一帧信号都重复上述步骤3操作，所有帧的信号将形成多个梅尔频谱图，按照帧顺序将多个梅尔频谱图进行组合。

本发明步骤三中，所述将多个梅尔频谱图通过频率映射形成一维特征向量是指对每个梅尔频谱图都通过映射形成一个特征值，多个梅尔频谱图通过映射后形成的多个特征值组合在一起形成一维的特征向量，具体实现步骤为：

步骤3-1：构建频谱映射关系：

其中，value为计算的特征值，e为梅尔频率为melf时的能量值，μ为权重，melf0、melf1和melf2为频带截止频率；

步骤3-2：每个梅尔频谱都根据步骤1中的映射关系，将频谱图中的频率分布映射到一个特征值上；

步骤3-3：根据分帧顺序，将多个特征值进行组合形成该疑似入侵位置点的特征向量。

本发明上述步骤四中，所述构建深度学习训练模型的步骤为：

步骤4-1：采集大量不同入侵行为和扰动行为的样本信号；

步骤4-2：根据上述步骤提取所有样本信号的特征向量；

步骤4-3：将所有样本的特征向量分成训练样本和测试样本，使用训练样本对深度学习网络进行训练，使用测试样本对算法性能进行评估，并不断优化参数和算法结构，直至算法性能达到最优；通过上述步骤训练的模型可以应用于系统中，实时检测破坏管道的入侵行为并发出报警。

本发明与现有技术相比，采用了预判策略，在对入侵事件检测前先对光纤各个位置点进行筛选，保留疑似入侵事件发生的位置点并对这些位置点的信号进行进一步识别，这种策略可以提高计算速度，保证系统的实时计算性能。

附图说明

附图1为本发明实施例中能量曲线图。

附图2为本发明实施例中疑似入侵事件发生位置点的信号波形图。

附图3为本发明实施例中梅尔频谱图。

附图4为本发明实施例中特征向量曲线

具体实施方式

为了使本发明的技术方案更加清楚，以下我们结合附图进一步对本发明进行描述。

本发明提出了一种基于梅尔频谱的分布式光纤入侵检测方法，本方法在对疑似入侵事件发生位置预筛选的基础上，基于梅尔频谱提取特征，并通过深度学习网络进行最终的入侵事件判别，本方法的计算步骤如下：1)读取光纤振动传感器采集的原始信号，定位出疑似入侵事件发生的位置点；2)将疑似入侵事件发生位置点的信号生成梅尔频谱图；3)对梅尔频谱图进行映射，形成一维特征向量；4)将一维特征向量输入到深度学习网络中，构建训练模型，并将模型用于光纤入侵事件的实时检测。

其中，本发明所述定位出疑似入侵事件发生的位置点是指采用信号能量生成能量曲线，根据能量曲线定位出疑似入侵事件发生的位置点，具体为：原始信号在时间方向采用滤波的方式将直流分量和高频噪声滤除；将滤波后的信号沿时间方向求取能量值，生成能量曲线；遍历能量曲线中点，对每个点按照一定规则进行筛选，将满足规则的点进行保留。

所述将疑似入侵事件发生位置点的信号生成梅尔频谱图是指对筛选出来的信号进行分帧，对每帧信号提取梅尔频谱，最终形成多个梅尔频谱，具体实现步骤为：1)对筛选出来的每个位置点的一维信号进行分帧处理；2)计算每帧的傅里叶变换及其功率谱；3)使用梅尔滤波器组将每帧的傅里叶频谱变换到梅尔频谱域中，生成梅尔频谱图。

所述对梅尔频谱图进行映射，形成一维特征向量是指：将每个二维频谱图都通过映射关系映射为一个特征值，多个频谱图生成的特征值组合起来形成一维特征向量，其中一维特征向量中可以包含一个时间段的特征值。

所述深度学习网络模型训练和识别是指对一维特征向量组成的训练样本采用自定义深度学习网络进行训练，得到最优的深度学习网络模型。在实际应用中，采用最优深度学习网络模型实时的对各种入侵事件和干扰事件进行识别，准确区分出入侵事件，过滤掉干扰事件。

实施例1：

首先，读取原始信号：原始信号的大小为2000*5000，其中2000是每个位置点的采样频率，5000是空间位置点的个数。

其次，定位出疑似入侵事件发生的位置点：原始信号采用带通滤波器沿垂直方向进行滤波，得到去噪声和去直流的信号，然后对每个位置点的信号求能量得到如图1的能量曲线，曲线中的每个点表示在某一位置的信号能量值，最后根据该能量曲线，找到多个疑似入侵事件发生的位置点，如图中红色圈所标注。

然后，提取疑似入侵事件发生位置点的信号，生成多个梅尔频谱图：图1中得出位置1600是一个疑似入侵事件发生的位置点，将该位置点的原始信号提取出来，如图2所示，对该信号进行分帧，共分为5帧，每帧都生成梅尔频谱，梅尔滤波器组个数为40，所有梅尔频谱生成的梅尔声谱图如图3所示。

多个梅尔频谱图通过频谱映射形成一维特征向量：每个梅尔频谱图都通过频率映射关系生成一个特征值，多个梅尔频谱生成多个特征值，多个特征值组合形成特征向量，其中本实例中共包含了20秒的共100个特征的组合，图4是生成特征向量曲线。

构建深度学习网络模型：

首先，建立数据样本库，样本库中包括挖掘机挖掘、人工挖掘、车辆经过三种行为共5000个样本，其中3000条用于模型训练，2000条用于测试；然后搭建深度学习算法网络，并通过多次迭代优化得到最终的网络结构，最后将训练得到的模型用于系统中，对实时出现的入侵事件进行报警。

本发明提出的基于梅尔频谱的分布式光纤入侵检测方法根据实际入侵事件发生的频率响应规律，结合梅尔频谱对低频区域响应灵敏的特点，能很好的将入侵事件所引起的低频振动差异化的提取出来，使系统对不同事件的识别准确率提高，并且在入侵事件判断前通过位置筛选，先确定疑似入侵位置点，节省了计算时间，保证了实时计算的性能要求。