Φ-OTDR分布式光纤传感系统扰动事件的模式识别研究

摘要

相位敏感光时域反射计(Phase-SensitiveOpticalTimeDomainReflectometer,Φ-OTDR)具备高灵敏度、高空间分辨率、监测距离长且可多点定位等优点，被广泛应用到长周界安防和管道监控等诸多领域。但基于Φ-OTDR的长距离安全监测系统普遍存在误报率高以及实时性差等问题，本论文将理论与实验相结合，以提升Φ-OTDR系统对扰动信号识别精度、降低误报率以及提高信号识别的实时性为目标，开展了基于以极限梯度提升(eXtremeGradientBoosting，XGBoost)为代表的boosting集成学习算法和以卷积神经网络(ConvolutionalNeuralNetwork，CNN)和长短时记忆神经网络(LongShort-termMemoryNetwork，LSTM)为代表的深度学习算法的研究。研究工作对提升Φ-OTDR系统的性能具有重要的意义和实用价值。　　本文完成的主要研究工作如下：　　(1)分析了Φ-OTDR系统的原理，搭建了分布式光纤传感系统的实验平台，设计了浇水、敲击、攀爬、碾压、背景噪声等五种实际扰动信号类型，并对扰动事件进行了数据采集。对采集到的数据进行了归一化处理、经验模态分解、数据增强以及特征提取，为后续识别工作奠定了基础。　　(2)提出一种基于boosting集成学习算法的扰动事件识别方法，构建了自适应提升(Adaptiveboosting，Adaboost)、梯度提升决策树(GradientBoostingDecisionTree，GBDT)和XGBoost三种分类器模型。使用经验模态分解(EmpiricalModeDecomposition，EMD)对信号进行分解，得到六个IMF分量和一个Res分量，在对每一个分量提取能量特征，并使用这三个算法模型进行识别。基于XGBoost模型的识别结果最好，浇水、敲击、攀爬、碾压、背景噪声五种事件的精确率分别为97.96%、95.90%、91.10%、94.84%和99.69%，平均精确率达到了95.90%，误报率为4.10%，识别时间为0.28s。　　(3)提出一种基于深度神经网络的扰动事件识别方法，构建了四种深度神经网模型,一维卷积神经网络(1DCNN)、单分支长短时记忆神经网络(SLSTM)、多分支长短时记忆神经网络(MLSTM)和多分支长短时记忆卷积神经网络(MLSTM-CNN)。实验结果显示，基于MLSTM-CNN模型的识别效果优于另外三种模型，浇水、敲击、攀爬、碾压、背景噪声五种事件的精确率分别为94.38%、94.40%、94.76%、95.25%和99.71%，平均精确率达到了95.70%，误报率为4.30%，识别时间为0.27s。

目录