基于光纤侦听监测预警技术在研判辨识井筒危险因素的研究与应用

＊胡万忠

（开滦能源化工股份有限公司范各庄矿业分公司 河北 063109）

引言

采用分布式光纤侦听系统对矿井井筒内装备运行情况实时在线监测，光纤侦听主机将实时采集的振动语音数据传送至服务器，根据音频频谱变化规律分析出设备运行状况，工作人员在远程监控端实时查看设备运行振动情况。当设备运行异常时产生的音频频谱会发生变化，利用神经网络判断故障点，分析故障情况，远程监控界面收到故障报警，以便工作人员根据报警采取维护措施。

1.分布式光纤语音传感原理

利用光在光纤中传输产生的背向瑞利散射，只需要单根光纤，不需要构成光纤回路。中央基站对于各个单基站的通讯光纤即可满足要求，无须另外铺设光纤，利用其中的任意1芯。

光纤中传输的光正常状态及受干扰状态传播方式的图形比较如下：

图1 振动引起瑞利散射示意图

触碰、振动、或挤压会导致形态干扰而产生光信号相位的改变。系统软件接收器对相位改变进行探测，可探测干扰的强度，并对探测到的信号进行处理，能对该点振动数据解析为音频流。

采用线性脉冲激光器产生光源，同时叠加可调衰减器进行光功率的调节与收缩，由于光学传输原理使用激光器，有利于传输更长距离。设备亦可以选用其它频率强激光器，但其它频率的光信号传输会迅速衰减。数字控制开关量的调制器对光频率进行调制，达到窄带线性激光器的工作门限值，增强光传输距离。对光路进行前向信号放大处理，可以有效增加光信号的增益。在光纤内壁进行反射的光信号进行开关量的捕捉，设定统一频率与功率，把光信号转换为电信号。

2.光纤声音还原原理

当检测光纤受到声音振动时，光纤中传输光的部分特性就会改变，对信号进行采集，判断光纤振动信号产生瑞利散射回光，进而可检测出发生振动位置对应的信号波还原出声音。瑞利散射产生光纤有效振动对音频还原系统，能够实现准确的采集音频引起的光纤振动信号对音频进行还原。

图2 光纤上某点的振动还原

在时间序列上，对光纤瑞利散射的回光信号进行实时的处理，可以在计算机上播放音源点的声音信号，提高了音频还原的实时性，即提高了光纤环境状况瑞利散射的光纤音频信号的还原实时监听。

还原模块能够对瑞利散射的回光对应的信号进行音频还原，故对信号的准确采样极其重要。还原模块采用实时音频处理方式，使得采样信号更加及时准确的处理。

3.设备异常检测算法

(1)设备异常特征属性

对各种类型的音频采集后进行打标签并且进行音频标准化处理，处理成标准的长度和格式，让其成为统一的标准。读取音频的时序能量值，将音频做傅里叶变换成频谱，频谱表示了音频在不同的频率的能量柱子。频谱通过对波形的傅里叶变换，把波形中的每个频率拆开来，再在纵轴上展开，越往上频率越高，频谱相对于波形图包含有更多信息。

量化后的特征属性达到一定值的时候就会出现故障，通过特征属性的量化很好的解决了设备运行状况，并且可以据此预测还未发生的故障。

图3 特征量示例

分析出在该状态下设备的摩擦、振动、功率、质量这些特征属性，对特征进行量化成数值。

(2)神经网络训练检测流程

利用神经网络算法实现设备健康度诊断流程包括模型训练和故障诊断，首先，采集设备正常运转，将音频降噪并存储到服务器。在训练模型过程中，取出在井筒内采集的音频数据，对音频进行时频转换并提取特征，利用神经网络训练模型，并存储神经网络模型参数。

(3)异常检测算法流程

①设备健康度评估算法

采集一段时间设备音频，神经网络输入大量正常数据训练收敛后，根据特征捕捉正常事件分布。检测时输入未知样本输入X，通过神经网络生成随机变量Z的映射gn(Z,Θ)，如果X为正常事件，具有相似事件分布，则gn(Z,Θ)约等于X，具有较小的样本距离。如果X为异常事件，事件分布不一致，则gn(Z,Θ)不约等于X具有较大的样本距离。网络输入大量正常数据训练收敛后，捕捉异常事件分布。检测时输入未知样本X，通过生成随机变量Z的映射ga(Z,Θ)，如果X为正常事件，事件分布不一致，则ga(Z,Θ)不约等于X，具有较大的样本距离。如果X为异常事件，具有相似事件分布，则ga(Z,Θ)约等于X，具有较小的样本距离。如果生成器成功地学习到训练数据分布的良好近似，检测时根据输入事件与生成事件的样本距离大小，实现对异常事件的精确检测。网络学习到了大量正常事件的特征，网络学习到了大量异常事件的特征，检测时检测器通过计算输入与模拟事件样本空间距离的欧几里得范数，计算异常分A(X,Θ)。异常分A(X,Θ)由输入向量X与模拟正常事件误差An(X,Θ)及输入向量与模拟异常事件误差Aa(X,Θ)决定。An(X,Θ)=XGn(Z)2(4)Aa(X,Θ)=X-Ga(Z)2(5)为更好地检出异常事件，需要异常分A(X,Θ)尽量大，通过使An(X,Θ)尽可能大，同时使Aa(X,Θ)尽可能小实现。A(X,Θ)=An(X,Θ)-Aa(X,Θ)(6)通过计算异常分A(X,Θ)。在神经网络多次迭代后，检测准确率可达93%以上。

在计算设备健康度过程中，一分钟计算一次，每次采集数据6s，采集10次，10次的音频特征与正常音频特征误差 （检测时检测器通过计算输入与模拟事件样本空间距离的欧几里得范数）计算平均值，将计算的平局值与标准的样本特征差值比作为设备健康度。

②设备状态变化情况

将设备的运行状态量化，以此量化了的设备状态能够清晰的描述设备的运行状况，并且表征设备的历史状况。在全新设备所有的部件都是完好的情况下，设备的工作状态评分为100分，采集到的音频作为最优状态。新设备运行的时候，所有的部件全部完好，其可以作为一个参考初始值。在该状态下提取到的摩擦特征是平稳的，在该状态下设备参数的摩擦量化的特征值小，产生的振动特征的量化值小，产生的功率量化值大，产生的质量量化值大，此种状态为设备最优状态。以此时的状态为参考，当这个状态发生变化了，算出变化量。最后算出一个总分，此时状态为最优。

设备的运行状态发生变化，采集到的音频也发生变化。在采集的设备音频不再是那么有平稳有规律，会出现波动。在其变化中，因为故障的类型不同，其变化影响的特征也不相同。如果有轻微的比如设备在生成过程中缺掉一块也会产生振动，就会有大幅度的起伏，振动的频率也与设备的生成速度有关。功率发生变化的特征属性为其设备生成状况，质量主要是看高频的频谱的平稳程度。将上述特征属性量化后计算出一个值，作为设备当前状态的评分。如果评分在80分以上，表示设备都是正常运行。

在设备没有进行维护继续运行设备，设备情况就会变的更糟，设备根据传感器采集到的音频分离出来的特征属性，此种状态下设备的评分在60-80分。就会发生大幅的变化，在事件故障点产生后会发出故障报警。

其中，在不进行设备维护的时候，设设备故障会更加恶化，会导致设备故障停机。此处产生的的音频会有更大幅度的变化，这个时候根据特征属性与良好状态计算出来的属性特征量化评分在60分以下。

4.结语

通过评估算法对设备的运行状态进行评分，根据各个特征属性的变化给出出现故障种类，根据变化的程度与趋势，预测出现故障的可能性以及给出维护意见，能够避免产生事故，达到预测性维护作用。