[发明专利]一种基于迁移学习的光纤预警系统事件分类方法

说明书

本发明公开了一种基于迁移学习的光纤预警系统事件分类方法，包括：步骤1：通过光纤预警系统检测振动事件发生时得到的瑞利散射光强信号；步骤2：将所述瑞利散射光强信号制作为振动事件数据样本；步骤3：将所述振动事件数据样本输入通过基于迁移学习得到的深度卷积神经网络，获得分类结果。本发明可在较小数据样本以及便携式电脑条件基础上就能完事件分类任务，适用于光纤预警系统应用于一个新的安装环境下的事件识别任务使用。本发明主要用于光纤预警技术领域。

技术领域

本发明涉及光纤预警技术领域，特别涉及一种基于迁移学习的光纤预警系统事件分类方法。

背景技术

分布式光纤传感系统由于其灵敏度高、定位精度高、电磁免疫等特性，广泛应用于长距离油气管道监测及周界安防，建筑结构健康监测等领域。相位敏感型光时域反射仪(Phase Sensitive Optical Time Domain Reflectometer，Φ-OTDR)技术，通过使用长相干光源，检测光脉冲返回光的相干结果，其干涉方法能有效实现动态响应，能同时实现高定位精度和高灵敏度检测，尤其是对于微弱扰动信号的检测，非常适用于管道预警。

一般的Φ-OTDR传感距离在20km左右，不满足长距离管道数十公里的传感长度要求。分布式光放大技术的引入，极大地提高了Φ-OTDR的传感距离。但是，为了保证瑞利散射光的信噪比不大幅下降，在A/D采样前，需采用外差探测结构。外差探测的引入使得瑞利散射光信号产生了很高的拍频(百MHz)，需要使用频谱分析仪或模拟变频电路，使得A/D采样过程变得非常复杂且昂贵。

另一方面，由于Φ-OTDR定性测量的特点，难以实现事件识别，导致误报率较高。传统的事件分类技术基于手动特征分析，难以选取适用于各种环境的通用特征。深度学习技术，尤其是卷积神经网络技术(Convolutional Neural Networks，CNN)的引入，通过机器学习自动获取事件特征，解决了特征选取的问题。但是，深度学习需求大量训练数据以及高性能的显卡作为训练神经网络的硬件基础。在实际应用中，往往难以在一个新的环境下获得大量样本数据，现场一般也不具备高性能显卡的神经网络训练条件。因此，需要一种能够在较小数据样本以及在计算资源不充裕的基础上就能完事件分类任务的方法。

发明内容

本发明的目的是提供一种基于迁移学习的光纤预警系统事件分类方法，以解决现有技术中所存在的一个或多个技术问题，至少提供一种有益的选择或创造条件。

本发明解决其技术问题的解决方案是：提供一种基于迁移学习的光纤预警系统事件分类方法，包括：

步骤1：通过光纤预警系统检测振动事件发生时得到的瑞利散射光强信号；

步骤2：将所述瑞利散射光强信号制作为振动事件数据样本；

步骤3：将所述振动事件数据样本输入通过基于迁移学习得到的深度卷积神经网络，获得分类结果。

进一步，所述光纤预警系统包括：窄线宽光源、第一50:50耦合器、移频声光调制器、90:10耦合器、电光调制器、第一环形器、滤波光栅、第一光放大器、第二环形器、传感光纤、脉冲调制声光调制器、第二光放大器、第三环形器、第二50:50耦合器、采集卡和上位机；

所述通过光纤预警系统检测振动事件发生时得到的瑞利散射光强信号包括：传感光纤感应振动事件，所述窄线宽光源产生连续光，经由第一50:50耦合器后分为探测光和泵浦光，所述探测光经由所述脉冲调制声光调制器调制为脉冲光，并产生频移f₁，之后经过第二光放大器进行光放大后经由第三环形器从传感光纤首端注入，在传感光纤中产生背向瑞利散射光；背向瑞利散射光经由第三环形器到达第二50:50耦合器；

所述泵浦光经由移频声光调制器，产生频移f₂，再经由90:10耦合器分离10％的泵浦光作为本振光，所述本振光到达第二50:50耦合器；