基于分布式光纤传感和深度学习的管道早期损伤模式识别方法与流程

本发明涉及管道早期损伤监测技术领域，尤其涉及一种基于分布式光纤传感和深度学习的管道早期损伤模式识别方法。

背景技术：

管道及其系统是油气、水、冷却剂、蒸汽等介质运输的关键部件，特别是在石化、城市供水/供气、核电等领域被广泛应用，是工业流体运输装备中必不可少的部分。在服役过程中，由于在高温高压环境下长期使用，管道受流体冲蚀、疲劳等因素影响，容易出现疲劳损伤和腐蚀性缺陷。这些损伤和缺陷在早期很难被及时发现与关注，随着损伤程度的增加，管道承载能力与功能会逐步退化，从而引发重大安全事故，甚至造成人员伤亡。因此，管道早期损伤的识别与监测技术对管道系统安全运行十分重要。

目前，国内外对管道结构的检测评价主要采用射线、磁粉、超声波等常规无损检测方法，这些方法的主要问题是：采用逐点检测、抽样检测方式，效率低，易漏检，无法做到快速、全面测量。

技术实现要素：

本发明要解决的技术问题在于针对现有技术中的上述缺陷，提供一种基于分布式光纤传感和深度学习的管道早期损伤识别方法，能够准确定位管道损伤位置，并对损伤程度进行分类。

本发明解决其技术问题所采用的技术方案是：

提供一种基于分布式光纤传感和深度学习的管道早期损伤模式识别方法，包括以下步骤：

s1、通过分布式光纤传感系统采集管道各个位置由于早期损伤引起的光纤振动信号；

s2、利用多尺度小波分解与重构方法，滤除光纤振动信号中的干扰信号，并重构不同频率段的小波系数，提取需要的振动信号；

s3、将提取的振动信号作为训练集输入构建的卷积神经网络模型进行训练，得到用于检测管道结构损伤的光纤振动特征提取器和分类器；

s4、将新采集的并经小波分解与重构的新的振动信号作为测试集，利用训练好的卷积神经网络模型进行特征提取并进行分类预测，识别出待测管道的损伤位置、损伤程度；

s5、根据预测结果对卷积神经网络模型进行性能评估和优化。

接上述技术方案，步骤s3中具体通过减小预测损伤位置与实际损伤位置的差值来更新卷积神经网络的网络模型的权重值，经过多次迭代计算，得到最终卷积神经网络模型的权重值。

接上述技术方案，步骤s3中，使用数据批处理来计算当前迭代中目标函数相对于卷积神经网络模型中权重的梯度。

接上述技术方案，步骤s1中将分布式光纤传感系统采集的多条信号曲线构成时间-空间二维矩阵，作为输入信号。

接上述技术方案，步骤s2中多尺度小波分解与重构具体为：通过不同的带通滤波器将光纤振动原始信号x(n)分解为n+1组不同频率的时间序列信号，利用daubechies6小波基对振动信号x(t)进行6层分解，得到6层高频重构系数和1层近似低频重构系数。

接上述技术方案，卷积神经网络一般由输入层、卷积层、池层、全连接层和输出层组成，其中卷积层直接从振动数据中提取特征，避免了传统模态分析的复杂计算，并通过减小预测损伤程度与实际损伤程度的差值来更新神经网络，最后得到合适的分类模型，实现实时管道早期损伤的定位和分类。

接上述技术方案，其中，在测试的过程中，使用实测的新的振动信号对管道的损伤位置、程度进行预测以及对训练得到的模型性能进行评估。

本发明还提供了一种基于分布式光纤传感和深度学习的管道早期损伤模式识别系统，包括：

光纤振动信号获取模块，用于获取分布式光纤传感系统采集的管道各个位置由于早期损伤引起的光纤振动信号；

振动信号提取模块，用于利用多尺度小波分解与重构方法，滤除光纤振动信号中的干扰信号，并重构不同频率段的小波系数，提取需要的振动信号；

训练模块，用于将提取的振动信号作为训练集输入构建的卷积神经网络模型进行训练，得到用于检测管道结构损伤的光纤振动特征提取器和分类器；

测试模块，用于将新采集的并经小波分解与重构的新的振动信号作为测试集，利用训练好的卷积神经网络模型进行特征提取并进行分类预测，识别出待测管道的损伤位置、损伤程度；

优化模块，用于根据预测结果对卷积神经网络模型进行性能评估和优化。

本发明还提供了一种管道损伤监测装置，包括：

分布式光纤传感光纤，设置在光缆内部，沿管道铺设；

分布式光纤传感系统，通过接口与分布式光纤传感光纤相连，通过分布式光纤传感光纤采集管道各个位置由于早期损伤引起的光纤振动信号；

上位机，安装有上述管道早期损伤模式识别系统。

接上述技术方案，分布式光纤传感光纤封装成缆后缠绕在管道表面，并通过胶粘或焊接的方式固定到管道表面，与管道紧密贴合。

本发明产生的有益效果是：本发明结合小波分析方法，能够在实际高噪声、复杂环境下，提取关注的振动信号，针对光纤分布式传感器振动信号数据的特点建立卷积神经网络模型，直接从数据中提取结构响应的特征，专门用于损伤检测的监督训练，以对损伤进行识别和分类。本发明可以从底层数据分析得到更加抽象出高层特征表达，避免了传统模态分析的复杂计算，实现实时管道早期损伤的定位和分类。

附图说明

下面将结合附图及实施例对本发明作进一步说明，附图中：

图1是本发明实施例基于分布式光纤传感和深度学习的管道早期损伤模式识别系统的结构图；

图2是本发明实施例的多尺度小波分解与重构示意图；

图3是本发明实施例的监测装置的组成结构及其部署示意图；

图4是本发明实施例基于分布式光纤传感和深度学习的管道早期损伤模式识别方法的流程示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

本发明实施例中，如图1所示,基于卷积神经网络的系统结构图：

高灵敏分布式光纤振动传感系统采集管道各个位置上早期损伤导致的微弱变化振动信号作为输入信号，来进行下一步的分类识别处理。

基于卷积神经网络的损伤识别系统主要分为两个部分：训练平台和检测平台。

在训练平台，将由于管道早期损伤引起的光纤振动信号作为训练集，并对训练集人工设置标签；然后通过多尺度小波分解与重构方法对数据集进行预处理，来滤除外界环境噪声等干扰信号；最后将卷积神经网络模型作为特征提取器和分类器来检测结构损伤。通过减小预测损伤位置与实际损伤位置的差值来更新卷积神经网络的网络结构的权值，经过多次迭代计算，得到分类模型参数。

在检测平台，经过训练的卷积神经网络模型接收新的振动响应数据，对管道损伤位置、损伤程度进行了预测与分类。此外，模型性能的评估可以通过检测平台对测试集的识别、分类是否正确来进行。

值得注意的是，当管道产生损伤时，其结构的动力响应参数也随之变化。用高速采集卡采集微弱变化的振动信号，由于实际应用中，分布式光纤传感系统采集的振动信号是按照时间、光纤分布式系统的空间分辨率(光纤中光纤光栅的个数)分布，因此将多条信号曲线构成时间-空间二维矩阵，来作为输入信号。

值得注意的是，在管道损伤程度的识别中，由于环境噪声的干扰，采集的信号不仅有实际需要的振动信号还有噪声信号，影响对信号的识别。需要通过多尺度小波分解与重构这一信号处理方法对信号进行预处理来提取我们需要的振动信号。

值得注意的是，卷积神经网络模型作为特征提取器可以学习到具有多个抽象层次的数据表示。使用这种方法，可以直接从数据中提取管道的结构形态、管道的固有频率、光纤测得的时域跃变信号等特征，专门用于损伤检测的监督训练，以对损伤进行识别和分类。具体过程是将经过多尺度小波分解与重构方法提取的振动信号人工设置标签，将卷积神经网络作为特征提取器和分类器，从底层数据提取出更加抽象的高层特征表达，避免了传统模态分析的复杂计算。并使用数据批处理来计算当前迭代步骤中目标函数相对于神经网络中权重的梯度，经过多次迭代计算，最终得到分类模型。在训练过程中，采用反向传播算法进行训练，使用随机梯度下降法使代价函数最小化：

对于每次迭代更新，得到的迭代更新权值如下：

wi+1＝wi+vi+1(3)

另外，为了提高神经网络的性能，我们需要进行数据扩充等预处理过程来增加更多的数据。在卷积神经网络训练过程中，使用数据批处理来计算当前迭代步骤中目标函数相对于神经网络中权重的梯度。

值得注意的是，卷积神经网络作为一种监督学习算法，训练集中的每组数据都需要人工设置标签。在这里，人工设置的标签是管道在不同位置的损伤程度。

通过上述分布式光纤振动信号的模式识别方法及系统，可以实现对管道早期损伤的程度进行有效的分类。

如图2所示，图2是本发明实施例的多尺度小波分解与重构示意图：

考虑到光纤传感系统采集的信号不仅包括需要的振动信号，还包括外界环境噪声等干扰信号。又由于小波分析在处理非平稳信号有着较大的优势，为了后续模式识别获得较为优质的振动信号，所以对采集的光纤振动信号进行小波分析。通过多尺度小波分解得到高频(细节)重构系数和低频(近似)重构系数，然后选取合适的小波系数进行小波重构。

具体过程是：如图2所示，将分布式光纤传感系统采集的振动信号x(t)输入至预处理模块的多尺度小波分解部分，利用daubechies6小波基对振动信号x(t)进行6层分解，得到高频(细节)重构系数aj(n)和低频(近似)重构系数dj(n)，即分解为：

aj+1(n)＝∑kh(k)aj(2n-k)(4)

dj+1(n)＝∑kg(k)aj(2n-k)(5)

由于不同类型的事件具有不同的频率分量，因此它们在分解分量中具有不同的集中分布。因此，可以选择性地重组相应的频率分量。一般来说，高频部分是人为入侵信号的主要部分；中频部分是环境噪声的主要部分；低频部分主要是系统噪声。所以可以通过选择高频部分的重构系数进行小波重构，得到需要的振动信号。小波重构公式如下所示：

aj(n)＝∑kh(n-2k)aj+1(k)+∑kg(n-2k)dj+1(k)(6)

如图3所示，图3是本发明实施例的监测装置的组成结构及其部署示意图：

主要分为以下三部分：分布式光纤传感器、信息处理系统和上位机。分布式光纤传感器为沿管道铺设的光缆内的含有光栅阵列的传感光纤；信息处理系统就是分布式光纤传感系统，传感光纤与系统的接口相连，将调制过的脉冲光输入光纤中，并将经过光栅反射后的光反射到系统中，进行后续处理，并将光信号转化为电信号用于后续的上位机处理；最后，上位机对反射的信号进行相位解调，得到管道早期损伤引起的相位变化信息。

值得注意的是，将集成了光纤光栅阵列的新型传感光纤紧包海萃料形成直径900um的光纤，再进行基于金属基带材料的封装成缆，能抵御各种恶劣工况的干扰。

值得注意的是，传感光纤的缠绕方式：封装成缆的传感光纤缠绕在管道表面(一定的螺距/周长比)，并通过胶粘或焊接的方式固定到管道表面，与管道紧密贴合，使其具有良好的应变一致性。

值得注意的是，分布式光纤传感的空间分辨率为光纤中相邻光栅的间距，在对管道的测量过程中，可以根据精度要求和成本考量来设定不同的螺距/周长比、传感器数量以及光纤长度。

此外，参阅图4，图4是本发明实施例的基于分布式光纤传感的管道早期损伤模式识别方法的流程示意图。该方法的步骤包括：

s1、通过分布式光纤传感器获得管道由于早期损伤引起的光纤振动信号；

s2、利用小波分析方法，滤除外界环境噪声、随机相位噪声等干扰信号，提取需要的振动信号；

s3、构建卷积神经网络模型作为特征提取器和分类器来检测管道结构损伤；

s4、输入新的数据作为测试集，利用训练好卷积神经网络模型返回预测结果。

s5、根据预测结果对卷积神经网络模型进行性能评估和优化。

本发明所述步骤s1的具体方法为：采集光纤传感器感应振动信号产生的多组后向瑞利散射光，按照时间、光纤分布式系统的空间分辨率(光纤中光纤光栅的个数)分布，将多条后向瑞利散射曲线构成时间-空间二维矩阵，即为原始信号，用于后续小波分析过程。

本发明所述步骤s2的具体方法为：对于步骤1所得到的含有外界环境噪声、随机相位噪声等干扰信号的原始信号，利用多尺度小波分解与重构方法，提取出需要的振动信号，不同类型的信号主要处于的频率段是不同的，通过重构不同频率段的小波系数，就可以得到关注的信号。

本发明所述步骤s3的具体方法为：为步骤2所提取的振动信号人工设置标签，作为训练集输入卷积神经网络结构中进行训练处理，另外，在训练过程中，使用数据批处理来计算当前迭代步骤中目标函数相对于神经网络中权重的梯度，经过多次迭代，得到最终的卷积神经网络模型的权重值。

本发明所述步骤s4的具体方法为：对步骤3得到的卷积神经网络模型进行性能的评估。利用分布式光纤传感器采集新的振动信号，并将经过小波分析处理的新采集的信号作为测试集，输入模型之中，对管道的损伤位置、程度进行预测。

本发明实施例基于分布式光纤传感和深度学习的管道早期损伤模式识别系统，可以完全实现上述实施例的管道早期损伤模式识别，包括：

光纤振动信号获取模块，用于获取分布式光纤传感系统采集的管道各个位置由于早期损伤引起的光纤振动信号；

振动信号提取模块，用于利用多尺度小波分解与重构方法，滤除光纤振动信号中的干扰信号，并重构不同频率段的小波系数，提取需要的振动信号；

训练模块，用于将提取的振动信号作为训练集输入构建的卷积神经网络模型进行训练，得到用于检测管道结构损伤的光纤振动特征提取器和分类器；

测试模块，用于将新采集的并经小波分解与重构的新的振动信号作为测试集，利用训练好的卷积神经网络模型进行特征提取并进行分类预测，识别出待测管道的损伤位置、损伤程度；

优化模块，用于根据预测结果对卷积神经网络模型进行性能评估和优化。

其他功能部分参照上述方法实施例，在此不赘述。

本发明还提供了一种管道损伤监测装置，包括：

分布式光纤传感光纤，设置在光缆内部，沿管道铺设；

分布式光纤传感系统，通过接口与分布式光纤传感光纤相连，通过分布式光纤传感光纤采集管道各个位置由于早期损伤引起的光纤振动信号；

上位机，安装有上述实施例的管道早期损伤模式识别系统。

分布式光纤传感光纤封装成缆后缠绕在管道表面，并通过胶粘或焊接的方式固定到管道表面，与管道紧密贴合。其他功能部分参照上述实施例，在此不赘述。

综上，本发明基于分布式光纤传感和模式识别的管道早期损伤模式识别问题，提出了一种模式识别方法及系统，结合小波分析方法能够在实际高噪声、复杂环境下，提取关注的振动信号，最后针对光纤分布式传感器振动信号数据的特点建立卷积神经网络模型，直接从数据中提取管道的结构形态、管道的固有频率、光纤测得的时域跃变信号等特征，专门用于损伤检测的监督训练，以对损伤进行识别和分类。本发明可以从底层数据分析得到更加抽象出高层特征表达，避免了传统模态分析的复杂计算，实现实时管道早期损伤的定位和分类。

应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。