网格化信息管理及模式识别在分布式光纤传感预警系统的应用

张洪奎

中国石化销售华中分公司，湖北武汉 430000

分布式光纤传感预警系统是基于相位敏感的光时域反射技术（φ-OTDR），通过伴随管道的通信光纤作为传感体，利用光纤中后向瑞利散射光干涉，对管道沿线的振动进行实时监测[1-2]。φ-OTDR技术由美国德克萨斯A&M大学的Taylor于1993年首次提出[3]，目前广泛应用于油气管道安全检测[4]。2009年，王志强等人报道了分布式光纤温度检测技术在气体管道泄漏检测中的应用[5]，同年朱建新等人报道了基于φ-OTDR光纤管道安全预警系统在油气管道安全防范中的应用[6]。2015年，任亮等人报道了基于光纤光栅应变传感器的油气管道腐蚀监测应用[7]。

武汉—广水成品油管道应用了分布式光纤传感预警系统，自2017年12月以来，相继开发了利用传感系统实现清管器实时定位、断缆监测等功能，系统于2018年10月验收，验收后在中国石化销售华中分公司湖北处的推进下全面使用，各站对预警系统的每次报警都进行现场排查和确认，报警确认率接近100%。然而在现场的实际工作中，对于每一条报警信息都需要安排管道工作人员去现场复核，由于很多振动是由农耕、火车或者道路施工等无害振动原因引起的，这就产生了很大的工作量。另一方面，在管道安全预警系统中，存在一定数量的无异常报警，现场复核会造成人力、物力和财力的浪费，为有效降低无异常报警，同时减少对无伤害入侵引起振动的现场复核次数，在光纤预警系统中加入了网格化信息管理数据库和智能识别功能，同时对无异常报警较多处的振动配置参数进行优化。经实际监测证明有效降低了无异常报警率并提高了报警吻合率。

1 网格化信息管理和信号识别方案

网格化信息管理和信号识别系统设计为三层，见图1。最底层是网格化信息统计和对振动信号的底层识别算法；中间层是将网格化信息进行组织管理，建立网格化信息库，同时开发人际交互的工程应用软件将网格化数据库和识别算法进行逻辑融合；最高层为应用层，在有振动事件发生时，系统应用软件对振动事件类型进行判断，同时将振动点的网格化信息自动推送，事件处置人员将参考推送信息对振动做出判断并进行相应的处理。

图1 网格化信息管理和信号识别系统

1.1 网格化信息统计

网格化信息统计是指将输油管道自身和周边区域的多维度信息进行统计，建立管道网格状信息网，在系统出现报警时，将网格化信息推送给处置人员，作为报警处理参考的依据。多维度网格化信息采集内容、参数和技术指标要求见表1。

表1 网格化信息统计内容

1.2 网格化数据采集实施方案

1.2.1 软件配置准备

首先利用软件将返回的瑞利干涉光在时域上解调，将时域坐标转化为管道距离坐标。然后对管道距离坐标按照传感系统最大分辨率进行分段，如在实际应用中，系统最高分辨率为10 m，则管道坐标分为10 m一段，在总长40 km的监测系统中，管道分为4 000段。同时预设置每段的报警参数，如信号累积阈值、报警阈值及灵敏度等。

1.2.2 工程标点

标点是网格化工程实施的核心部分。首先沿管道走向每隔50～100 m进行管道走向标点。标点过程为在沿管道每个桩点处进行敲击，当振动信号强度超过累积阈值时，信号强度开始累积叠加，当叠加值超过设定报警阈值时，系统报警，此时软件将显示报警段数，将此桩号的段数、桩号、经纬度、报警阈值设置、周围环境等网格化信息进行统计，输入Excel表格，同时也将敲击点环境照片留存。

除标点获取的现场信息外，系统还增加了施工管道沿线的地图信息，可将报警点位置标在地图上，现场处置人员可更加准确和迅速地到达现场。

1.2.3 信息上传

将网格化信息的Excel表格、地图信息及其他的网格化信息上传到软件。此时可通过软件调取地图查看管道走向和对应桩号，见图2。当有入侵振动并引起报警时，软件自动弹出报警框，见图3。报警框包含振动点网格化信息，能够快速及时将振动点位置、振动类型和现场信息反馈给工作人员。

图2 带有桩号走向的地图

图3 网格化信息报警图

1.3 信号智能识别及参数优化配置

信号智能识别利用人工智能的支持向量机SVM和BP神经网络算法，对信号在时域和频域上进行特征提取，根据提取的特征针对不同的振动信号类型进行模型训练，最后形成识别模型并组成算法逻辑融合器，对现场振动信号进行实时类型识别，提升系统的智能化和自动化，最后通过振动的智能识别，降低无害入侵的现场复核次数。

1.3.1 逻辑架构

振动信号识别的算法融合器将支持向量机SVM和BP神经网络两种算法结合，每一个算法对应一个子分类器，各个分类器之间的训练、分类和识别过程相互独立，每个子分类器都会输出其分类结果，然后对这些分类结果执行“与”运算，输出最终识别结果。算法融合器逻辑架构如图4所示。

图4 算法融合器逻辑架构

1.3.2 基本原理

支持向量机SVM的原理是设计一个决策函数，即找到一个最优超平面，将两类样本集完全分开且使分类间隔最大化，见图5，左边是第一类事件的分辨特征，右边是第二类事件的分辨特征，设计的决策函数或超平面就是中间的那一条线。

图5SVM原理

对于线性可分/线性不可分的分辨特征集，间隔最大化的分离超平面为：

x是分辨特征矢量，Φ（x） 是特征空间转换函数，w和b是最大超平面的参数。最大分离超平面对应的分类决策函数为：

BP神经网络是一种前馈型的神经网络，如图6所示，信息只能从输入层输入信息，传输时只能向前传输，一直传输到输出层为止。整个BP网络采取分层结构，即输入层、中间层（隐层） 和输出层三层。层与层之间采取全连接或全互联方式连接，同一层的神经元之间没有连接关系。

图6 BP神经网络原理

在人工神经网络中，输入是特征矢量集，输出是单个结果，该算法实现了多个输入非线性映射到单个输出。神经网络的基本运算单元是神经元，每个神经元有相对应的权重，表示相邻神经元之间的连接强度。通过设置求和器的阈值和激活函数实现了一个非线性映射，完成神经元的输出，如图7所示。

图7 人工神经网络模型

1.3.3 信号特征提取

分类器输入的特征值数据为对信号特征提取后得到的矢量集。具体为长时主冲击强度分辨特征B1、长时次冲击强度分辨特征B2、长时幅度比例分辨特征B3、长时小波包分辨特征B4、非异常信号主冲击强度分辨特征B5、长时严格冲击信号个数B6。不同的事件类型有着不同的B1～B6，将它们输入到子分类器中，得到各自的分类结果，再将这些分类结果通过报警策略处理，得到最终判别结果。

1.3.4 报警策略

在信号识别分类算法中考虑三分类的情况，将人为偷油挖掘记为1、人工挖掘记为2、安静环境噪声记为3。报警策略见表2。从表2可以看出，报警策略为当两个子分类器同时输出1时，才输出为1；当两个子分类器同时输出为2时，才输出为2；其余情况均输出为3。

表2 报警策略

1.3.5 配置参数调整

根据前期无效报警相对较多的点，统计报警类别和地点，分析报警原因，对振动源的特点如振动强度、持续时间、时间间隔、位置等进行了统计，针对不同的情况分别调整了各点的灵敏度和阈值。如深度较浅管道，周围有国道汽车行驶引起误报较多，可以降低灵敏度或者提高阈值；深度较深管道，可以提高灵敏度降低阈值。

2 方案实施成果

2.1 方案实施效果评价标准

根据管道安全监测的实际需要和传感系统的特点，现阶段评价以上方案实施效果的主要标准为：无异常报警次数降低和报警吻合率提升。

无异常报警是指系统有报警推送，但是现场复核却没有发现振动源，因此降低无异常报警次数可以有效降低误报率，减少现场复核次数。同时以报警吻合率的高低来反映系统报警准确度的高低，在当前使用阶段影响吻合率的主要因素是报警现场复核后有无明显动土痕迹来判断是否为“无异常”报警，处理结果为“无异常”的报警作为无效报警，如有明显动土或者振动源则为有效报警。

2.2 方案实施结果

通过对前期统计的无异常报警点进行优化处置，通过跟踪观察、现场排查分析，对无异常报警点进行了相应的阈值调整和灵敏度优化，灵敏度调整为过去灵敏度的80%，调整后8月份相较7月份调整前，试点段报警数量明显减少，从346条变为209条，下降40%，无异常报警从145条降低到12条。报警吻合率从58.09%上升至94.26%，提升36.17%。具体对比数据见表3（表中“无异常”为在报警发生地点未发现任何引起报警的行为但却报警，其他包括重型车辆驶过、水泵抽水等不在分类里的引起报警的情况）。

表3 灵敏度优化和无异常处理前后报警数据对比

3 结束语

本文通过对光纤预警系统的试点段进行网格化信息统计、算法优化以及参数调整等方法，使得系统报警复核量减少，报警准确率提升，从而使管道周边挖掘预警系统的报警响应更高效，为系统工业化运行夯实基础。