本发明涉及一种能够有效提高预警准确率、对环境适应度高的基于深度学习的光纤管道安全预警算法，其特征在于，包括：对分布式光纤振动传感系统采集的光纤信号进行去噪，得到振动波纹信号；计算每个空间位置点振动波纹信号的特征，所有位置点的信号特征在时间空间维度上形成为时空特征图像；获得入侵位置点与入侵位置点的局部时空特征图像；构建通道一conv2D网络，构建通道二conv1D‑LSTM网络，对双通道网络输出的特征进行融合，充分利用入侵点的一维振动波纹信号特征与二维局部时空图像特征，网络融合后添加全连接层、Dropout层和分类层，形成双通道深度学习网络；进行信号分类识别，监测破坏管道安全的入侵行为，并有效屏蔽干扰。
1.一种基于深度学习的光纤管道安全预警算法，其特征在于，包括以下步骤：
步骤1：对分布式光纤振动传感系统采集的原始信号进行去噪，得到振动波纹信号；计算每个空间位置振动波纹信号的特征，所有位置点的信号特征在时间空间维度上表现为时空特征图像，得到时空特征图像；
步骤2：对时空特征图像进行图像检测，获得入侵位置点与入侵位置时空特征图像；
步骤3：构建通道一conv2D网络输入为入侵位置时空特征图像，构建通道二conv1D‑LSTM网络输入为信号振动波纹信号，对双通道特征结果进行融合，添加全连接层、Dropout层和分类层，形成双通道深度学习网络，充分利用入侵点滤波信号振动波纹特征与入侵位置时空图像特征；
步骤4：利用训练得到的模型进行信号分类识别，监测破坏管道安全的入侵行为，并有效屏蔽干扰。
2.根据权利要求1所述的一种基于深度学习的光纤管道安全预警算法，其特征在于，所述步骤1中分布式光纤振动传感系统采集的原始信号表示为包含时域信息和空间信息的二维矩阵的形式：Dt×l＝(dij)t×l,(i＝1,2...,t；j＝1,2...,l)，其中t表示时间维度，l表示空间位置点数；首先，对每一个位置点的原始信号进行小波去噪，将直流分量和高频噪声滤除，得到振动波纹信号；计算每个空间位置点振动波纹信号的过零率，所有位置点的过零率特征在时间空间维度上形成时空特征图像。
3.根据权利要求1所述的一种基于深度学习的光纤管道安全预警算法，其特征在于，所述步骤3中，双通道深度学习网络包括并行的时空图像特征提取层和信号振动波纹特征提取层、特征融合层、全连接层、Dropout层、分类层，其中所述通道一网络包括3个二维卷积块，其中每个卷积块包括依次连接的卷积子层、批量正则化子层、激活函数子层、卷积子层、批量正则化子层、激活函数子层以及池化子层；所述通道二网络包括2个一维卷积块、长短期记忆网络，其中每个卷积块包括依次连接的卷积子层、激活函数子层、卷积子层、激活函数子层以及池化子层；双通道网络分别经过平坦化，进行特征融合，依次连接全连接层、Dropout层和分类层。
4.根据权利要求3所述的一种基于深度学习的光纤管道安全预警算法，其特征在于，所述步骤3中双通道深度学习网络的激活函数子层中使用Relu函数；池化子层选用最大值池化；平坦化操作选择全局平均池化替代；Dropout层用于防止过拟合，在每一次迭代训练过程中按照0.5的概率随机失活神经元，避免模型过于依赖某些局部特征，提高模型泛化性能；所述分类层使用softmax函数。
5.根据权利要求3所述的一种基于深度学习的光纤管道安全预警算法，其特征在于，步骤3中还包括深度学习模型的训练，具体过程如下：步骤3‑1：初始化所述双通道深度学习模型的参数，包括权重参数w和偏置b；
步骤3‑2：将训练样本特征输入所述双通道深度学习模型进行前向传播，得到样本预测标签；
步骤3‑3：利用交叉熵损失函数计算预测标签和真实标签的损失值，计算公式如下：
其中，x表示样本，n表示样本总数，a、y分别为样本预测
步骤3‑4：利用所述损失值反向传播计算每个学习参数的梯度，利用Adam优化算法动态调整每个参数的学习率，以梯度下降的方式更新模型参数，通过不断迭代，使得交叉熵损失函数最小；
步骤3‑5：利用损失值判断所述双通道深度学习模型是否收敛，若收敛，则结束训练过程，否则跳转至步骤3‑2。
基于深度学习的光纤管道安全预警算法
技术领域：
[0001] 本发明涉及分布式光纤振动传感信号处理技术领域，具体的说是一种能够有效提高预警准确率、对环境适应度高的基于深度学习的光纤管道安全预警算法。发明内容：
[0002] 石油石化产业的输油输气管道周围经常会发生第三方施工等破坏事件，一旦造成油气泄露，会对国家和社会造成严重的经济损失，直接威胁人民群众的生命财产安全。传统的人工巡检方法已经不能满足当前的管道安全监测需求，近年来，分布式光纤振动传感系统在油气产业的管道安全领域得到了广泛的应用，与传统监测方法相比，光纤管道安全预警技术具有长距离监测、准确定位、快速响应的优点。
[0003] 入侵报警算法是分布式光纤振动传感系统实现管道安全监测的关键，由于干扰噪声的复杂性、部署环境的多样性，使得准确的光纤管道安全监测仍面临挑战。算法目标为对人为挖掘、机械施工等破坏行为做出准确定位和快速响应，同时屏蔽车辆经过等多种环境干扰。如何提高光纤管道安全监测系统的报警准确率，提高算法环境适应性，是目前亟待解决的关键问题。
[0004] 目前的光纤管道安全监测技术中，阈值法或传统的机器学习算法在实际应用中往往环境适应性差、算法准确性不高。近期深度学习算法由于其良好的泛化性能已被越来越多的应用到光纤管道安全监测领域，但目前算法大多利用现有的深度学习网络对信号特征进行学习，如何构建高效的深度学习网络对不同事件行为特征进行更加充分的挖掘与利用仍需进一步研究。此外，现有算法侧重于利用深度学习网络挖掘信号的时频域混合特征或特征图像信息，对不同事件行为特征的不充分挖掘导致算法环境适应性差、报警准确率低，尤其是对于过车干扰的误报率高。
[0005] 发明内容：
[0006] 本发明针对现有技术中存在的缺点和不足，提出了一种能够有效提高预警准确率、对环境适应度高的基于深度学习的光纤管道安全预警。
[0007] 本发明通过以下措施达到：
[0008] 一种基于深度学习的光纤管道安全预警算法，其特征在于，包括以下步骤：
[0009] 步骤1：对分布式光纤振动传感系统采集的光纤信号进行去噪，得到振动波纹信号；计算每个空间位置点振动波纹信号的特征，所有位置点的信号特征在时间空间维度上形成为时空特征图像；
[0010] 步骤2：对时空特征图像进行图像检测，获得入侵位置点与入侵位置点的局部时空特征图像；
[0011] 步骤3：构建通道一conv2D网络，网络的输入为入侵位置的局部时空特征图像，构建通道二conv1D‑LSTM网络，网络的输入为振动波纹信号，对双通道网络输出的特征进行融合，充分利用入侵点的一维振动波纹信号特征与二维局部时空图像特征，网络融合后添加全连接层、Dropout层和分类层，形成双通道深度学习网络；
[0012] 步骤4：利用上述网络训练得到的模型进行信号分类识别，监测破坏管道安全的入侵行为，并有效屏蔽干扰。
[0013] 本发明所述步骤1中分布式光纤振动传感系统采集的原始光纤信号表示为包含时域信息和空间信息的二维矩阵的形式：Dt×l＝(dij)t×l,(i＝1,2...,t；j＝1,2...,l)，其中t表示时间维度，l表示空间位置点数；首先，采用小波去噪的方式获得振动波纹信号；然后计算每个空间位置点振动波纹信号的过零率特征，所有位置点的过零率特征在时间空间维度上形成时空特征图像。
[0014] 本发明所述步骤3中，双通道深度学习网络包括并行的时空图像特征提取层和信号振动波纹特征提取层、特征融合层、全连接层、Dropout层、分类层，其中所述通道一网络包括3个二维卷积块(conv2D)，其中每个卷积块包括依次连接的卷积子层、批量正则化子层、激活函数子层、卷积子层、批量正则化子层、激活函数子层以及池化子层；所述通道二网络包括2个一维卷积块(conv1D)、长短期记忆网络(LSTM层)，其中每个卷积块包括依次连接的卷积子层、激活函数子层、卷积子层、激活函数子层以及池化子层；双通道网络分别经过平坦化，进行特征融合，依次连接全连接层、Dropout层和分类层。
[0015] 本发明所述步骤3中双通道深度学习网络的激活函数子层中使用Relu函数；池化子层选用最大值池化(MaxPooling)；平坦化操作选择全局平均池化替代；Dropout层用于防止过拟合，在每一次迭代训练过程中按照0.5的概率随机失活神经元，避免模型过于依赖某些局部特征，提高模型泛化性能；所述分类层使用softmax函数。
[0016] 本发明步骤3中还包括深度学习模型的训练，具体过程如下：
[0017] 步骤3‑1：初始化所述双通道深度学习模型的参数，包括权重参数w和偏置b；
[0018] 步骤3‑2：将训练样本特征输入所述双通道深度学习模型进行前向传播，得到样本预测标签；
[0019] 步骤3‑3：利用交叉熵损失函数计算预测标签和真实标签的损失值，计算公式如下： 其中，x表示样本，n表示样本总数，a、y分别为样本预测标签和真实标签；
[0020] 步骤3‑4：利用所述损失值反向传播计算每个学习参数的梯度，利用Adam优化算法动态调整每个参数的学习率，以梯度下降的方式更新模型参数，通过不断迭代，使得交叉熵损失函数最小；
[0021] 步骤3‑5：利用损失值判断所述双通道深度学习模型是否收敛，若收敛，则结束训练过程，否则跳转至步骤3‑2。
[0022] 本发明通过构建双通道的深度学习网络，利用Conv1D‑LSTM网络挖掘信号的振动波纹特征，同时利用Conv2D网络挖掘光纤信号时空图像特征，使得不同行为的识别准确率大大提升；本方案中的光纤管道安全监测算法能够有效监测机械挖掘、人为挖掘等威胁管道安全的入侵行为，并能屏蔽过车、水泵等环境干扰，模型普适性高、稳定性强，解决了目前算法模型在不同环境下泛化性差、误报率高的技术问题。附图说明：
[0023] 附图1是本发明的流程图。
[0024] 附图2是本发明中双通道深度学习网络结构图。
[0025] 附图3是本发明实施例1中不同行为滤波信号振动波纹示意图，其中图3(a)是机械挖掘信号示意图，附图3(b)是人为挖掘信号示意图，附图3(c)是过车干扰信号示意图，附图3(d)是水泵干扰信号示意图。
[0026] 附图4是本发明实施例1中不同行为入侵位置时空特征图像，其中图4(a)是机械挖掘信号对应时空特征图像，图4(b)是人为挖掘信号对应时空特征图像，图4(c)是过车干扰信号对应时空特征图像，图4(d)是水泵干扰信号对应时空特征信号。
[0027] 附图5是本发明实施例1中模型训练过程中，交叉熵损失和精度变化曲线，其中图5(a)是交叉熵损失曲线图，图5(b)是训练集及验证集精度变化曲线。
[0028] 附图6是本发明实施例1中算法模型测试号混淆矩阵示意图。具体实施方式：
[0029] 下面结合附图和实施例，对本发明做进一步的说明。
[0030] 实施例1：
[0031] 本例提出了一种基于深度学习的光纤管道安全预警算法，算法流程如附图1所示，其中具体包括以下步骤：
[0032] 第一步，对分布式光纤振动传感系统采集的原始信号进行去噪，得到振动波纹信号；计算每个空间位置点振动波纹信号的一种或多种特征，所有位置点的信号特征在时间空间维度上表现为时空特征图像，最终得到一幅或多幅时空特征图像。
[0033] 第二步，对时空特征图像进行图像检测，获得入侵位置点与入侵位置的局部时空特征图像。
[0034] 第三步，构建通道一conv2D网络输入为入侵位置时空特征图像，构建通道二conv1D‑LSTM网络输入为振动波纹信号，对双通道特征结果进行融合，添加全连接层、Dropout层和分类层，形成双通道深度学习网络，充分利用入侵点滤波信号振动波纹特征与入侵位置时空图像特征。
[0035] 第四步，利用训练得到的模型进行信号分类识别，监测机械挖掘、人为挖掘等破坏管道安全的入侵行为，并有效屏蔽过车等干扰。
[0036] 本例第一步中，分布式光纤振动传感系统采集的原始信号可以表示为包含时域信息和空间信息的二维矩阵的形式：Dt×l＝(dij)t×l,(i＝1,2...,t；j＝1,2...,l)，其中t表示时间维度，l表示空间位置点数。首先，对每一个位置点的原始信号进行小波去噪，将直流分量和高频噪声滤除，得到振动波纹信号。机械挖掘、人为挖掘、过车干扰、水泵干扰振动波纹信号如图3(a)‑图3(d)所示；
[0037] 计算每个空间位置点振动波纹信号的过零率，所有位置点的过零率特征在时间空间维度上形成时空特征图像。对时空特征图像进行图像检测操作，获得入侵位置时空图像，以该时空图像的中心点作为入侵位置点。图4(a)‑4(d)分别为机械挖掘、人为挖掘、过车干扰、水泵干扰时空特征图像。
[0038] 然后构建双通道深度学习网络模型，网络结构如图2所示：
[0039] 所述双通道深度学习网络包括并行的时空图像特征提取层和信号振动波纹特征提取层、特征融合层、全连接层、Dropout层、分类层。
[0040] 所述通道一网络包括3个二维卷积块(conv2D)，其中每个卷积块包括依次连接的卷积子层、批量正则化子层、激活函数子层、卷积子层、批量正则化子层、激活函数子层以及池化子层。
[0041] 所述通道二网络包括2个一维卷积块(conv1D)、长短期记忆网络(LSTM层)，其中每个卷积块包括依次连接的卷积子层、激活函数子层、卷积子层、激活函数子层以及池化子层；双通道网络分别经过平坦化，进行特征融合，依次连接全连接层、Dropout层和分类层；激活函数子层中使用Relu函数；所述池化子层选用最大值池化(MaxPooling)；所述平坦化操作选择全局平均池化替代；所述Dropout层用于防止过拟合，在每一次迭代训练过程中按照0.5的概率随机失活神经元，避免模型过于依赖某些局部特征，提高模型泛化性能；所述分类层使用softmax函数。
[0042] 接下来，进行深度学习模型训练，具体过程如下：(1)初始化所述双通道深度学习模型的参数，包括权重参数w和偏置b；(2)将训练样本特征输入所述双通道深度学习模型进行前向传播，得到样本预测标签；(3)利用交叉熵损失函数计算预测标签和真实标签的损失值，计算公式如下：
[0043]
[0044] 其中，x表示样本，n表示样本总数，a、y分别为样本预测标签和真实标签。利用所述损失值反向传播计算每个学习参数的梯度，利用Adam优化算法动态调整每个参数的学习率，以梯度下降的方式更新模型参数，通过不断迭代，使得交叉熵损失函数最小；
[0045] (4)利用损失值判断所述双通道深度学习模型是否收敛，若收敛，则结束训练过程，否则跳转至步骤(2)。
[0046] 图5所示为训练过程中交叉熵损失和精度。图5(a)和(b)的横轴均代表迭代次数，纵轴分别表示交叉熵损失和精度，其中蓝色曲线为训练样本的交叉熵损失和精度，橙色曲线为验证样本(划分10％样本作为验证集，不参与训练)的交叉熵损失和精度。可以看出，网络训练过程中，训练精度和验证精度稳步提升，同时交叉熵损失快速稳定收敛。
[0047] 调用训练得到的深度学习模型进行信号实时分类识别并判断报警：将所有入侵中心点的振动波纹与其对应的时空特征图像输入双通道深度学习网络模型，其中入侵中心点振动波纹信号作为conv1D‑LSTM网络的输入，时空特征图像作为conv2D网络的输入，调用训练得到的深度学习模型进行信号分类识别，输出模型实时识别结果。
[0048] 最后，对模型实时识别结果进行判断，若识别为机械挖掘或人为挖掘，则输出相应位置的报警信息，否则不进行报警输出。
[0049] 采用本发明所构建的双通道深度学习网络结构进行模型训练，模型训练精度和验证精度分别为99.36％和98.95％。每类选择500个测试样本进行模型精度测试，混淆矩阵如图6所示。其中类别标签0为机械挖掘、1为人为挖掘、2为过车干扰、3为水泵干扰，测试结果算法模型漏报率1％，误报率0.7％。
[0050] 本发明算法模型能够准确监测机械挖掘、人为挖掘等破坏管道安全的入侵行为，并能有效屏蔽车辆经过、水泵连续干扰等干扰行为，能够适应伴公路、荒地、农田、泥塘等多种环境场景及光缆埋深，算法准确率高、普适性强。
