一种管道光纤振动安全预警系统破坏性事件的识别方法

摘要

本发明涉及一种对特定事件监控的识别方法，确切讲本发明是一种对埋设管道振动安全预警系统振动信号的识别方法。本发明的一种管道光纤振动安全预警系统破坏性事件的识别方法是利用光纤获取管道周围土壤振动的实时信号，通过对信号分析和处理后，以此特征与对应的事件采用分类算法训练建立识别管道破坏事件的模型，在此基础上对实测信号进行分类识别。本发明具有识别的准确率高，可克服失真，识别速度快的优点。

说明书

技术领域

本发明涉及一种对特定事件监控的识别方法，确切讲本发明是一种对埋设管道振动安全预警系统振动信号的识别方法。

背景技术

长距离输油管道是大口径、长距离的大型管道系统，是国家能源大动脉和国民经济的重点工程，肩负着国民经济健康快速发展提供能源保障的重要责任，它的安全运行有着重大的社会和经济意义。传统的管道安全防护通过巡线工人持久性的管道看守，这种方式不仅费人费力，而且当发生破坏管道的行为发生时，巡线工人可能不能及时发现，可能造成管道的严重破坏，所以说管道安全预警系统对管道的运输能源有着非常重要的作用。

管道光纤振动安全预警系统是利用管道铺设光纤作为传感器，实时感应管道沿线的土壤振动信号，通过智能识别分析，对威胁管道安全的机械施工、人工挖掘等破坏性事件进行预警和定位，通知巡线人员赶赴现场查看，制止破坏事件进一步恶化。

通常图像去除环境等因素引起的干扰区域通过滤波实现，滤波可以一定程度上去除不相关的区域，但是同时也会削弱正常有效的区域，而且图像也容易产生失真现象。本发明通过以一种聚类方式的异常值检测方法，去除信号瀑布图中干扰图像区域，同时对真实破坏引起的图像区域信息没有损失，减小分类器识别图像信息的难度，提高分类的准确率。

中国发明专利2013106132601公开了一种扩展光缆振动入侵监测系统监测区域的装置和方法。该装置包括被动式红外探测器、振动信号传输介质和振动信号解码器，被动式红外探测器和振动信号解码器通过振动信号传输介质连接。利用被动式红外探测器感应入侵行为。该专利辅助光纤振动入侵监测系统进行入侵防范，扩展了光缆振动入侵监测系统的监测区域，减少入侵监测盲点，减小传感光缆对围栏的要求，但却无法区分造成光缆振动类别，因此其误报率较大。类似的专利如ZL2016102486278、ZL2016104767007等均存在同样的不足。为解决现有技术的不足，中国发明专利2010105235522公开了一种光纤周界系统的振动信号识别方法，该专利方法包括步骤：信号采集、加窗处理、带通滤波、小波降噪、振动事件检测、特征参数提取、模式匹配和分类，其有益效果是：引入了更多特征参数如短时能量E、短时平均幅度M、短时平均过零率Z、小波分解各尺度细节信号能量E

现有技术中存在的不足是：

1、专利利用信号的瀑布图作为媒介去识别破坏管道安全的类型，现有技术大多数通过对信号的直接处理与分析去判断，信号处理与分析难度较大，本专利利用信号的瀑布图识别将信号转化为可视化图像，减少分析判断难度。

2、去除瀑布图环境等因素引起的干扰区域通常通过图像滤波实现，滤波可以一定程度上去除不相关的区域，但是同时也会削弱正常有效的区域，而且图像也容易产生失真现象。

3、现有技术中提取图像特征方法多种，各种特征对分类的影响各不相同，有好有坏。

4、现有技术通常单独利用随机森林分类方法。

发明内容

本发明提供一种可克服现有技术不足的，利用光纤对埋设管道振动安全预警系统破坏性事件的识别方法。

本发明的一种管道光纤振动安全预警系统破坏性事件的识别方法，利用光纤获取管道周围土壤振动的实时信号，通过对信号分析和处理后，对实时信号进行识别，判断管道周围是否有破坏性事件的发生，具体的做法是：通过获取管道周围土壤振动引起的光纤折射率改变的实时信号，将实时信号转化为对应的瀑布图，对瀑布图进行异常值检测方法去除图像中环境等因素引起的干扰区域，然后提取图像特征，并以此特征与对应的事件采用分类算法训练建立管道破坏事件的模型，在此基础上对实测信号进行分类识别。

优选地，本发明的管道光纤振动安全预警系统破坏性事件的识别方法是将瀑布图以一种基于聚类算法的异常值检测方法，对去除图像中环境等因素引起的干扰区域后的信号瀑布图提取图像的灰度共生矩阵,从灰度共生矩阵中得到能量、熵、对比度、自相关性和逆矩阵五种图像特征，并以此特征利用Embedded方法进行特征选择，最后通过机器学习分类算法Adaboost-SVM训练识别破坏管道事件的模型，识别破坏与非破坏类型事件。

优选地，本发明的的管道光纤振动安全预警系统破坏性事件的识别方法对瀑布图进行以聚类方法进行异常值检测，并去除异常值点。

优选地，本发明的管道光纤振动安全预警系统破坏性事件的识别方法中的聚类方法为DBSCAN聚类算法、统计方法检测离群点、基于邻近度的离群点检测、基于密度的离群点检测或基于聚类的异常值检测方法中的任一种。

优选地，本发明的管道光纤振动安全预警系统破坏性事件的识别方法具体使用的聚类方法为基于聚类的异常值检测方法。基于聚类的异常值检测方法比较适合于利用在图像作为检测对象上，而且利用的聚类算法DBSCAN方法不需要人为指定聚类的个数，聚类速度和效果在瀑布图图像上都表现较好。优点是：现有技术去除图像干扰区域主要通过图像的滤波实现，滤波可以一定程度上去除不相关的区域，但是也会削弱正常有效的区域，图像也容易产生失真现象。

优选地，本发明的的管道光纤振动安全预警系统破坏性事件的识别方法，经过对图像进行特征选择后，进行训练分类模型，判断管道周围是否有破坏性的事件发生。

更为优选地，本发明的的管道光纤振动安全预警系统破坏性事件的识别方法中的训练模型的算法采用Adaboost-SVM算法实现。

本发明具有如下优点：

1、本发明利用信号的瀑布图作为识别对象判断破坏管道安全的类型，现有技术大多数通过对信号的直接处理与分析去判断，信号处理与分析难度较大，本专利利用信号的瀑布图识别将信号转化为可视化图像，减少分析的难度，增加识别的准确性。通过更为直观的信号处理媒介频谱瀑布图来实现对管道沿线破坏行为的分析识别。

2、去除瀑布图环境等因素引起的干扰区域通常通过图像滤波实现，滤波可以一定程度上去除不相关的区域，但是同时也会削弱正常有效的区域，而且图像也容易产生失真现象。通过本发明通过基于异常值检测的方法实现去除瀑布图环境等因素引起的干扰区域的目的。

3、SVM算法在管道安全监测系统获得的瀑布图识别是一种弱分类器，准确率不高，专利方法利用了Adaboost-SVM方法解决准确率偏低的问题。

4、本发明通过提取图像的灰度共生矩阵，并且通过主成分分析法得到信息量最大的五种特征项，最后通过特征选择，得到最优的图像特征。

目前在管道安全监测领域，分析对象的特征提取和识别算法还没有一种较合适的方法，专利利用的方法是一种识别准确率高，识别速度快的方案。

附图说明

附图1为管道光纤振动监测系统工作流程示意图。

附图2为人工作业的频谱瀑布图。

附图3为机械挖掘作业的频谱瀑布图。

附图4为瀑布图计算得到的灰度共生矩阵。

具体实施方式

以下结合一个实施例对本发明进行解说，这一实施例为本发明的最佳实施例。

第一步：设置光纤振动安全预警系统

利用管道光纤振动安全预警系统实时得到管道周围土壤的振动信号，其具体做法是在被测管道正下方0.5米左右放置光缆，当发生破坏行为时，利用光纤感应土壤的挖掘情况，参见附图1。

第二步：将实测中的振动信号转化为对应的频谱瀑布图。转化方法如下：

在监测管道的光纤长度上，每10ms进行一次采样,10ms进行一次采样是激光每10ms发送一次脉冲，将光纤上的模拟信号取一次值，信号方差计算公式为：

其中均值

在监测的整个管道，根据采样周期连续在光纤的模拟信号上取值，根据每次取值信号强度差异化的统计结果，得到一个以纵轴为时间轴，横轴为距离，距离的起始点为管道开始点，至整个管道结束，也就是得到了以振动光纤长度为距离的二维图形。

此时实时监测的信号会变成一个二维数据，形成了以Y轴为时间轴(采样周期)，X轴为距离，起始点为管道开始点，至整个管道结束，也就是得到了振动光纤的距离的二维图形，附图2即为一幅人工作业获得的瀑布图，瀑布图图像区域分布呈间隔性断续区域，这种状态分布是与人工作业时的动作一致。随着连续不断的采样，事件的行为最终通过图像形成了一张张瀑布图图像。

第三步：对频谱瀑布图利用一种基于聚类方法的异常值检测方法，去除图像中环境等因素引起的干扰区域，具体可采用现有的各种聚类算法，如：DBSCAN聚类算法、基于统计方法离群点检测方法、基于邻近度的离群点检测方法和基于密度的离群点检测方法或基于聚类的异常值检测方法中的任一种。本发明的最佳实施例中采用聚类的异常值检测方法，这种方法比较适合于利用在图像作为检测对象上。本发明利用的聚类方法是DBSCAN算法。本发明的方法是首先用DBSCAN聚类算法对图像做聚类，将图像聚类为几个区域，然后计算聚类区域中每个点到该聚类区域中心的欧式距离P，点(x

再得出聚类区域中所有点到中心的平均距离L，根据多次试验设置一个spec值，试验过程为从0.1到10，每隔0.5作为一个试验值。计算聚类区域中的每个点到聚类区域中心的欧式距离S，如果S-L>spec，则该点被判断为异常值点。异常值表现在瀑布图像素点或者区域中，异常区域的形成比如当破坏行为正在发生时，周围的过车同时也会产生振动，两种事件的振动信号会同时转换在瀑布图上。从瀑布图像中将被判断为异常值点去除中，以去除非识别事件引起的图像区域。

第四步：对获得的信号瀑布图提取图像的灰度共生矩阵，灰度共生矩阵可以计算得到12种图像特征，利用主成分分析法对12种特征进行分析每种特征的包含图像信息量程度，本发明最终选择5种特征信息量最大的图像，分别为图像的能量、熵、对比度、自相关性和逆矩阵五种图像特征。灰度共生矩阵计算5种图像特征步骤为：首先得到图像的灰度共生矩阵，计算过程为：取图像N×N中任意一点(x，y)及偏离它的另一点(x+a，y+b)，设该点对的灰度值为(g1，g2)。令点(x，y)在整个画面上移动，则会得到各种(g1，g2)值，设灰度值的级数为k，k的取值范围为0到255，则(g1，g2)的组合共有k的平方种。对于整个画面，统计出每一种(g1，g2)值出现的次数，然后排列成一个方阵，再用(g1，g2)出现的总次数将它们归一化为出现的概率P(g1，g2)，这样的方阵称为灰度共生矩阵。距离差分值(a，b)取不同的数值组合，可以得到不同情况下的联合概率矩阵。(a，b)取值要根据纹理周期分布的特性来选择，对于较细的纹理，选取(1，0)、(1，1)、2，0)等小的差分值。

当a＝1，b＝0时，像素对是水平的，即0度扫描；当a＝0，b＝1时，像素对是垂直的，即90度扫描；当a＝1，b＝1时，像素对是右对角线的，即45度扫描；

当a＝-1，b＝1时，像素对是左对角线，即135度扫描。这样，两个像素灰度级同时发生的概率，就将(x，y)的空间坐标转化为“灰度对”(g1，g2)的描述，形成了灰度共生矩阵G(i，j)。

能量是灰度共生矩阵元素值的平方和，反映了图像灰度分布均匀程度和纹理粗细度程度，它的计算公式为：

熵是图像所具有的信息量的度量，它的计算公式为：

对比度反映了某个像素值及其领域像素值的亮度的对比情况，它的计算公式为：

自相关性反应了图像纹理的一致性，它的计算公式为：

其中灰度共生矩阵横向均值

逆矩阵的计算公式为：

通过在整张图像进行计算上述五种特征，得到五种特征向量ASM、ENT、CON、COR和IDM。根据特征向量得到如图4所示的图像灰度像素点矩阵，其中图4左边矩阵为图像的灰度像素点，右边矩阵为计算得到的灰度共生矩阵，通过灰度共生矩阵得到图像的能量、熵、对比度、自相关性和逆矩阵五种图像的特征向量。

第五步：对上述计算的五种不同的灰度共生矩阵图像特征，可采用Embedded方法、Filter和wrapper方法等进行特征选择，本发明的特征选择利用Embedded方法,即嵌入式选择法。

第六步：训练对管道光纤振动安全预警系统振动信号破坏性事件识别的分类模型，分别将事先获取的人工破坏作业、机械破坏作业、车辆过往和环境引起的瀑布图像进行人工标签，经过第一到第五步骤，输入到Adaboost-SVM选代分类训练方法，通过Adaboost方法对SVM进行了迭代训练，Adaboost和许多方法都能结合，本发明的实施例中采用的Adaboost-SVM组合的算法，建立训练分类模型。模型的关键参数：Adaboost中方法利用SAMME，学习率为0.4。SVM使用的核函数选择径向基函数(RBF)，核参数为100，惩罚因子为10，通过使用分类算法SVM的最优参数这些措施，使其效果更好。当分类模型识别到人工作业或者机械作业事件时，监测系统进行报警提示。

本发明由于利用一种基于聚类的异常值检测的方法去除图像不相关区域，同时利用主成分分析法得到包含信息量最大的灰度共生矩阵图像特征，通过更优的Adaboost-SVM组合算法，识别准确率将大大提高，破坏管道安全的事件将精确识别。

为了验证模型识别的准确率，数据来源于申请人的管道光纤振动安全监测系统DVS(Distributed Vibration Sensing)软件，现场环境为四川省元坝镇管道安全监测系统项目，管道长度共计22.41Km，光纤长度26.51Km，管线地理环境复杂，有山区、河流、农田、公路、人口密集区，给识别振动事件类型增加很大的难度。

报警位置在管道长度共计22.41Km任意点就可能发生，破坏位置是随机的，可能同时好几个位置报警。

正常情况下，信号比较平稳不会产生瀑布图，当发生剧烈振动时，达到信号捕捉的阈值时，系统就会捕捉此时的异常振动信号，捕捉到的信号转化为瀑布图。图2和图3这样的瀑布图当被识别到人工作业和机械作业事件类型时，会产生报警。当管道周围的光纤感应到信号的振动幅度超过捕获阈值时，捕获信号并且转化为频谱瀑布图，方法将转化的瀑布图进行识别，当识别人工作业和机械作业破坏管道安全的事件时进行报警。例如人工作业和机械作业瀑布图如附图2和附图3所示。两种事件的图像分布与破坏事件行为的发生规律一致。异常点去除主要是去除瀑布图像中非识别事件引起的干扰图像区域，比如在发生破坏行为时，周围的过车同时也会产生振动，两种事件的振动会同时表现在瀑布图上。在图1和图2中，周围白色不连续的淡状斑点为可能的其它振动产生的区域，对破坏性事件的识别产生一定程度的干扰。