关键词:
分布式声波传感技术
卷积神经网络
灰狼算法
支持向量机
振动信号识别
摘要:
分布式声波传感系统(Distributed Acoustic Sensing,DAS)是分布式光纤传感系统(Distributed Optical Fiber Sensing,DOFS)的一种特定应用形式。基于分布式声波传感技术的传感器,由于其成本低、耐腐蚀、精度高等优势,被广泛地应用在对油气管道泄露的监测中,比如将光纤沿着油气管道布置,当油气管道发生振动时,便认为产生了破坏性事件,需要注意有管道泄露的风险。但是在真实环境下,一些无害的人为活动或者环境噪声不可避免的,如果仅仅通过振动是否发生来判断入侵事件,很容易导致传感器的误报。因此,根据光纤信号来对不同的事件类型进行区分是必不可少的。
基于以上问题,本文采集五种不同的扰动信号作为分布式光纤传感系统中的振动信号并制成数据集,然后使用卷积神经网络(Convolutional Neural Network,CNN)、灰狼算法(Grey Wolf Optimizer,GWO)和支持向量机(Support Vector Machines,SVM)相结合的方式,对不同的扰动信号进行识别,以减小误报率。本文完成的研究工作如下:
(1)介绍DAS系统、卷积神经网络、支持向量机和灰狼算法的原理和一些常见性能评估指标,为接下来的实验提高理论基础。
(2)根据生活中常见的扰动,在实验中模拟了五种扰动信号,分别为环境噪声、敲击、浇水、步行和车辆碾压。对采集到的信号进行了分帧、重组、归一化和数据划分等预处理操作,然后制成数据集用于接下来的训练。
(3)使用卷积神经网络对预处理后的信号进行特征提取并分类。将预处理后的信号直接输入到卷积神经网络中,借助其强大的特征提取能力,自动完成对事件的分类,最初的准确率为92%。然后引入残差结构和注意力机制对卷积神经网络进行改进,最终的准确率达到了94%。
(4)引入灰狼算法对卷积神经网络的卷积核大小、卷积核数量、批处理数量、全连接层的输出维度等参数进行优化,并对灰狼算法进行改进,提升其收敛速度。优化参数后的卷积神经网络相较于优化前的网络,准确率提高到了96%。
(5)提出一种使用卷积神经网络与传统分类器相结合的方法,将卷积神经网络最后一层全连接的结果作为输入,输入到支持向量机、决策树(Decision Trees,DT)、随机森林(Random Forest,RF)等分类器中,通过对比得知,使用传统分类器进行分类确实可以提高分类效果,且使用SVM作为分类器时效果最好,最终的准确率可达97.05%。