[发明专利]一种分布式光纤传感信号时空信息提取与识别方法

说明书

本发明公开了一种分布式光纤传感信号时空信息提取与识别方法，属于光缆安全监测技术领域；利用分布式光纤振动传感系统采集通信光缆沿线的振动信号，将振动源附近的时空信号样本贴事件类型标签，建立典型事件数据库；基于时空信号结构构建CNN‑BiLSTM深度学习模型，利用CNN网络挖掘时空信号各空间点信号的时间结构信息，同时利用双向长短期记忆模型挖掘时空信号中各空间点信号的相关性，基于典型事件数据库对模型进行训练，得到最优模型；最后利用最优模型对待测事件的时空信号进行识别；本发明利用CNN‑BiLSTM深度学习模型，同步提取分布式光纤振动传感时空信号的时间结构信息及空间分布特点并进行识别，其效果上优于该领域以提取信号时间特征为主的信号识别方法。

技术领域

本发明涉及光缆安全监测技术领域，具体涉及一种分布式光纤传感信号时空信息提取与识别方法。

背景技术

基于相敏光时域反射原理的分布式光纤振动传感技术，是利用现有铺设的通信光缆高灵敏感知和精确定位周围环境中各种破坏性危险源(机械施工、人为挖掘等)振动产生的信号，并进行实时预警的一种技术，具有无源、恶劣环境生存能力强、大范围(长距离)连续监测和规模组网等突出能力，其综合性能优于普通OTDR、电学传感器阵列及其他线路破损检测手段，在通信光缆网安全监测上具有广阔应用前景。

随着人工智能技术的兴起，在光纤传感领域越来越多的研究人员利用机器学习方法对信号进行处理，实现光缆安全预警。然而，由于通信光缆实际部署环境的多样性、干扰噪声的复杂性等客观情况让埋地光缆安全预警仍面临很大的挑战。一方面采用机器学习的方法，需要人为提取事件信号的特征，特征工程费时费力，而且一旦应用场景发生变化，以往的系统往往就不再适用，需要重新构建，不同环境背景的泛化性差；另一方面近期很多研究人员尝试应用深度学习代替人工提取特征的麻烦，得到一些较好的结果。但大多是利用现有的深度学习网络，侧重于挖掘振动信号的局部随时间变化的信号结构信息，忽略了这种分布式振动传感系统接收信号的空间分布信息。

发明内容

本发明的目的在于：本发明提供了一种分布式光纤传感信号时空信息提取与识别方法，解决了目前利用深度学习对分布式振动传感系统接收信号进行识别时泛化性差，同时由于无法提取信号空间分布信息导致识别率低的技术问题。

本发明采用的技术方案如下：

一种分布式光纤传感信号时空信息提取与识别方法，包括以下步骤：

步骤1：获取分布式光纤传感信号中事件对应的时空信号，将该事件的类型作为该时空信号的真实标签，利用所述时空信号建立典型事件数据库；

步骤2：基于时空信号的结构构建CNN-BiLSTM深度学习模型，所述CNN-BiLSTM深度学习模型包括级联的CNN网络和双向长短期记忆模型，所述CNN网络用于获取各空间点的时空信号的时间结构信息，所述双向长短期记忆模型用于获取各空间点间时间结构信息的空间分布特征；

步骤3：利用典型事件数据库中的时空信号样本训练所述CNN-BiLSTM深度学习模型，得到最优模型；

步骤4：利用所述最优模型对分布式光纤传感信号中待测事件的时空信号进行识别，得到待测事件的分类结果。

进一步的，所述步骤1中，所述分布式光纤传感信号为利用分布式光纤振动传感系统采集通信光缆沿线的振动信号，所述事件信号单元的类别包括机械施工、人为施工和交通干扰。

进一步的，构建CNN-BiLSTM深度学习模型的具体步骤如下：

步骤2.1构建CNN网络，用于输入所述时空信号样本，输出时空信号样本中各空间点的时间结构信息；

步骤2.2构建双向长短期记忆模型，用于按空间点的顺序，依次输入所述时间结构信息，得到相邻空间点的空间分布特征；

步骤2.3构建全连接层，用于输入所述空间分布特征，输出所述时空信号样本的类别。