论文部分内容阅读
通信光缆安全关系到经济发展、社会民生等领域,随着基于Φ-OTDR技术的分布式光纤声波传感系统(DAS)在长距离监测领域的发展,研究学者开始将DAS应用于通信光缆安全监测。但是,目前基于DAS采集的事件信号在类型识别上仍然面临着许多问题。在这个研究背景下,本文对国内外基于DAS的通信光缆安全监测现状进行调研,发现目前主流的信号识别方法只是考虑了信号的时间信息,忽略了DAS可以采集得到信号空间分布信息的特点。同时,有相关文献指出利用空间信息可以将光纤传感信号的信噪比在不损失空间分辨率的情况下提升多倍。本文在这种思路启发下,提出一种基于深度学习的CNN-BiLSTM时空信号处理模型。本文所做具体工作如下:(1)调研并分析目前通信光缆安全监测研究现状,总结得出DAS具有监测距离长、成本低、灵敏度高等特点,非常适合通信光缆安全监测,但是在DAS信号的识别方法上存在没有考虑信号空间信息的缺陷,在这个基础上本文提出了CNN-BiLSTM时空信号处理方法。(2)利用DAS现场采集五类典型事件信号,并建立一维时间信号数据集和二维时空信号数据集。根据现场数据集依次设计实现了CNN-BiLSTM模型的时间局部特征提取模块,该模块利用多个并列的1D-CNN针对每个空间点的时间序列提取特征;其次是空间分布特征提取模块,该模块在时间特征基础上,利用BiLSTM网络综合提取各空间点的分布特征;然后是全连接层识别模块,用于识别事件类型;最后通过试验选择合适的损失函数和优化方法,完成整个模型的训练和测试,测试结果表明本文提出的CNN-BiLSTM时空模型识别率可以达到97.8%。(3)根据相关文献设计一维时间信号模型Xgb,二维时空信号模型2D-CNN和BiLSTM作为参考模型,并在本文建立的现场数据集下训练和评估各个模型的性能。通过对比本文提出的CNN-BiLSTM模型与各参考模型在分类评价指标、特征提取能力、模型稳定性、识别速度等方面的表现,得出二维时空信号模型性能要优于一维时间信号模型,同时本文提出的CNN-BiLSTM模型要优于其余的二维时空信号模型,并且在时效性上也完全可以满足实际应用需求。