[发明专利]基于CNN的分布式光纤光栅传感网络的信号识别方法

说明书

本发明所设计的基于CNN的分布式光纤光栅传感网络的信号识别方法，该方法包括步骤1：对分布式光纤光栅振动传感系统在工况中实际测得的振动信号按信号来源进行分类；步骤2：使每个振动信号类别中的振动数据个数满足振动数据数量的分布概率公式；步骤3：构建分布式光纤光栅振动传感系统的振动信号识别卷积神经元网络模型，使用训练数据集合对振动信号识别卷积神经元网络模型进行训练，从而确定每个振动信号属于的振动信号类别。本发明将深度学习的数学模型应用于光纤领域做信号识别，极大地提升了分布式光纤光栅振动传感系统对各类振动信号的识别率。

技术领域

本发明涉及光纤光栅传感技术领域，具体地指一种基于CNN(卷积神经元网络)的分布式光纤光栅传感网络的信号识别方法。

技术背景

随着光纤光栅传感技术的不断成熟，光纤光栅已经在科研、生产中逐渐体现出其独特的优势，被广泛地应用于在许多工业领域中。为了对铁轨、电缆以及输油管道等大型线路的重要物理量(如应变、温度等)进行测量，光纤光栅传感网络的组网方式朝着长距离、大容量、分布式、高速等大规模组网方式发展。

在分布式光纤光栅传感网络的解调中，首先让固定波长的光脉冲信号下经过传感网络，然后通过特定解调算法将采集到的数据进行解调，解调得到的信号即各个光栅的受力情况，即应变。在得到最终的振动信号后，需要对信号进行分析归类，比如，人员行走信号，车辆行驶信号以及施工信号等。传统的信号识别分析方法主要有：对信号进行短时过零率分析、短时能量分析、小波分析、快速傅立叶变换、希尔伯特-黄变换以及经验模态分解等等。其中，希尔伯特-黄变换和经验模态分解的理论依据不够明朗，尤其缺乏统一理论依据，属于偏主观经验下的一种信号识别方法，适合作为数据资料方面上的算法，而非理论；快速傅立叶变换对于非平稳信号具有局限性，而振动信号大多都是非平稳的；小波分析可以解决非平稳信号的问题，但是对于未知信号不具有自适应性；短时过零率和短时能量分析无法提取到足够的有用信息，对于信号的特征涵盖不高，只适于类别较小以及特征差别明显的信号。

目前，针对分布式光纤光栅振动传感网络的多数信号辨识方法都或多或少存在分辨率不高、鲁棒性不佳等问题。这些方法在一定程度上可以起到信号分类的作用，但识别的精度不够，会导致系统作出错误判决。同时，其中很多算法的时间复杂度相当高，需要大量的系统开销，制约了分布式光纤光栅传感网络的信号识别在实际工程中的应用和发展。

发明内容

本发明的目的就是要提供一种基于CNN的分布式光纤光栅传感网络的信号识别方法，本发明将深度学习的数学模型应用于光纤领域做信号识别，极大地提升了分布式光纤光栅振动传感系统对各类振动信号的识别率。此方法首先将在上位机完成的光纤光栅解调数据进行统计分类，并将每个类别的振动信号做好标签，然后将有标签的数据构建成一个大的数据集合投入构建好的CNN模型中训练，最后得到一个特定用来分类光纤光栅振动信号的识别模型。

为实现此目的，本发明所设计的基于CNN的分布式光纤光栅传感网络的信号识别方法，其特征在于，它包括如下步骤：

步骤1：对分布式光纤光栅振动传感系统在工况中实际测得的振动信号按信号来源进行分类，并对各类振动信号设置各自相应的标签，并对所有标签进行编码；根据实际工程中每个类别振动信号发生的频率次数，预设在工况期间内需要采集的各类别振动信号的目标数量；然后根据分布式光纤光栅振动传感系统实际的采样率，分析实际工况中的各类振动信号的频率，确定各类振动信号的频谱分布在0～200Hz，将各类不定长的振动信号做短时傅里叶谱叠加求均值，转换为信号长度为定长的频谱信号，各类不定长的振动信号的信号长度均能涵盖0～200Hz的频谱范围；