基于BP信号识别的光纤油气管道监测系统

周 莹,苟武侯,赵光贞

(1.北京航天易联科技发展有限公司,北京 100176；2.中国航天空气动力技术研究院,北京 100074)

1 引 言

石油、天然气等作为重要的物质能源,在国民经济发展中一直发挥着其重要的作用,而管道运输方式,由于其运输量大,能耗小,安全稳定等优势成为油气运输的重要运输方式之一。但是管线经过沿途地形复杂,一旦出现偷盗泄漏事件,则造成的经济损失及社会危害无法估量,因此,及时有效、正确地对管线周围安全隐患事件进行提前预警意义重大。基于光纤传感技术的分布式光纤油气管线安全预警系统利用随管线同沟铺设的通信光缆中的一芯光纤,实时采集分析管线附近振动或声音信号,对破坏威胁管线事件进行判断区别,提前预警,以避免造成重大经济损失及社会危害[1-3]。

随着Φ-OTDR 系统在实际应用过程中不断推进,单纯的振动定位功能已经不能满足用户的要求,为提升系统应用的智能性,降低巡线工人劳动强度,用户在获取扰动定位信息的同时还希望确定引起扰动信号的类型。通过在不同的应用场景下对不同的振动信号进行识别,使用者能做出正确的处理,以便对不同的振动信号及时采取不同的应急预案,提高监控管理者对入侵事件的处理效率。因此分布式光纤传感系统中振动信号的识别成为了研究热点。在已有的报道中,信号识别主要通过对振动信号进行时域、频域特征提取,或者将两者结合进行多维度分析,利用人工智能的方法进行模式识别,从而实现信号的智能分类。北京交大的张俊楠利用支持向量机(SVM)算法,通过提取无扰动、踩压扰动、浇水扰动和敲击扰动4种情形的时域和频域特征,对4种情形进行了进行了分类[4]。桂林电子科技大学熊显名利用(BP)神经网络算法,通过学习车辆振动信号的特征,用来识别测试数据中车辆信号[5]。中国电子科技集团公司第三十四研究所欧阳竑利用经验模态分解(EMD)与神经网络结合的算法,将振动点的时域信号分解后作为特征值输入到神经网络中,从而得到信号识别模型[6]。

本文提出一种基于BP神经网络算法的信号识别算法。通过对现场采集数据进行时域和频域特征提取,并将信号短时特征和长时特征作为BP模型输入进行模型训练。将训练后的模型进行现场测试,实现了误报率为0,漏报率最低为5 %的分类结果,因此BP信号识别算法能够实现对管线入侵信号的有效识别及分类,提升传感系统可靠性。

2 分布式光纤传感系统

分布式光纤传感系统基于相位敏感光时域反射仪技术(Φ-OTDR),原理如图1所示。该技术将窄线宽激光作为光源,产生连续光信号,经声光调制后变为脉冲光,然后进入环形器,经由环形器的2端口进入拉曼放大器,进而进入到光缆中,光在光缆传播过程中产生后向瑞利散射光信号,该信号经由拉曼放大器,环形器3端口进入光放大器,后向散射光信号在一个脉冲范围内产生干涉现象,最后被光电器接收,并转化为电信号,传送给数据采集卡,从而提供振动信号数据源。Φ-OTDR的定位原理为通过记录脉冲光注入光纤的时间,光在光纤中传播的有效速度,探测器接收到光纤中散射回来的的散射光的时间,根据对应关系,能够准确描绘出扰动强度和位置曲线。将扰动时刻的曲线与前一时刻的曲线进行作差处理,即可将振动点处干涉强度峰值体现出来,根据峰值位置实现扰动的准确定位。振动位置与时间关系式如下:

l=ct/2n

(1)

其中,l表示位置；c为真空中传播的光速,约为3.0×108m/s2；n为光纤折射率；t为一个脉冲发出到接收的时间。

图1 分布式光纤传感系统原理图

3 基于BP神经网络的信号识别

3.1 BP神经网络

BP神经网络算法是一种基于误差反向传播的多层感知器[7],整个网络主要包括三部分,即输入层,中间层(隐藏层)和输出层,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如图2所示。

图2 BP神经网络原理图

BP网络模型处理信息的基本原理是:输入信号的特征向量X通过中间隐藏层(隐层点)作用于输出节点,经过非线形变换,产生输出向量信号Y。网络训练的过程为每个样本包括输入向量X和期望输出量t,网络输出值Y与期望输出值t之间存在误差,通过将误差反传,调整输入节点与隐层节点的权值向量Wjk和隐层节点与输出节点之间的权值向量Tjk以及阈值,使误差沿梯度方向下降,经过反复学习训练,确定与最小误差相对应的网络参数(权值和阈值),训练即告停止。此时经过训练的神经网络即能对类似样本的输入信息,自行处理输出误差最小的经过非线形转换的识别结果。

3.2 基于BP算法的入侵事件分析流程

信号识别流程主要分为四个部分:(1)对信号进行长时间采集并分割成短时信号,提取短时特征值并进行初步筛选过滤；(2)长时间特征向量提取,构成长时特征向量A；(3)将特征向量送入合适的分类器进行训练,建立相对应事件类型的模型库；(4)将训练好的模型应用于在线实时信号分析。如图3所示。

图3 BP算法的入侵事件分析流程

1)短信号特征提取

首先,为了实现对信号的初步筛选过滤,我们将获取的振动信号进行短时为1 s信号分析,将获取的短时信号计为Si。

<1>求短时主冲击强度分辨特征a1。

a1表达式为:

(2)

(3)

<2>求短时次冲击强度分辨特征a2。

将短时信号Si表示如下:

Si={yli(l=1,2,…,M)}

(4)

(5)

然后按照求取短时主冲击强度分辨特征a1的方式求得短时次冲击强度分辨特征a2。

<3>求短时幅度比例分辨特征a3。

(6)

<4>短时小波包频率特征为a4。

利用小波变换,使用db6小波基对信号进行三层小波变换如图4所示。

图4 基于db6小波基的三层小波变换

按照如下公式计算各层小波能量:

(7)

定义特征向量a4表示如下:

(8)

2)长时特征向量提取算法

长时信号分析时,选取时间长度为30 s,信号表示为Sc,则长时信号中第j个短时信号可表示为Scj(j=1,2,…,30),进行如下方式提取特征值:

<1>创建6个空集合,集合分别为Z1、Z2、Z3、Z4、Z5、Z6;

对每个Scj(j=1,2,…,30)进行短时信号分析,得到特征值a1、a2、a3、a4。若a1>thr1a1>thr,则将特征值a1、a2、a3、a4依次分别放入Z1、Z2、Z3、Z4中,若a1thr1a1

<2>计算长时分辨特征值A1,A2,A3,A4,A5,A6:

A1=average(Z1),A2=average(Z2),A3=average(Z3),A4=average(Z4)A5=average(Z5),A6=length(Z6)。

其中,average()表示集合中所有数据的平均值；length()表示集合中所包含的数据个数。

提取长时特征向量算法中,thr1thr,thr2,thr3均为thr经验阈值,分别表示特征值a1、a2、a3的经验阈值,该阈值根据训练数据得到。

利用上述算法得到的长时特征向量,构建长时特征向量矢量:

T=[A1,A2,A3,A4,A5,A6]

<3>将特征向量送入分类器进行训练，建立相对应事件类型的模型库

将得到的长时特征向量矢量输入BP神经网络子分类器,测试时采用的神经网络深度为4层,第一个隐藏设置选择tansig激活函数,第二个隐藏设置选择仍为tansig激活函数,输出层选择purelin激活函数。选择现场采集的1000组人工入侵、机械入侵数据进行分类器识别,识别结果如图5所示。

图5 BP神经网络识别结果

从上述识别结果可以看出,该神经网络子分类器方法对于半分钟内的入侵事件的识别,平均识别率为98 %左右,其最大误报率为3.3 %,平均误报率为1 %,最大漏报率为3.2 %,平均漏报率为1 %,该方法能够实现对管线入侵信号的有效识别及分类,并且平均误报率、平均漏报率均处于1 %左右。因此对提升系统智能性有很大的意义。

4 现场测试结果

现场测试选取某输油管理站,设备检测距离为40 km。测试位置选取20 km位置处,对20组不同时长下的入侵数据分别进行测试,其中人工模拟挖掘15组,机械模拟挖掘5组,其测试结果如表1所示。

表1 现场测试结果

5 结 论

本文报道了基于BP神经网络信号识别算法的分布式光纤传感系统,通过对现场采集的振动信号时域、频域短时和长时特征进行提取,将提取的特征作为BP网络输入向量对模型进行训练,实现了对人工挖掘和机械挖掘的智能分辨。将训练后模型进行测试,平均识别率为98 %,实际现场可实现最高95 %的识别率。通过以上结果可以看出,BP神经网络信号识别算法在光纤长距离传感系统中有重要的应用潜力。