分布式光纤传感系统多物理量检测及事件识别技术研究

This project aims to research a distributed optical fiber sensing system which is capable of multi-physical measurement and event recognition. Though detecting the vibration and strain change in the sensing area, the sensing system is able to get time-space map both of the dynamic response waveform and strain changing state of the target event. Then the feature of the target event will be figured out by deep learning algorithm and the accurate event recognition can be acheived to decrease the false alarm rate of pre-warning system. The system can be applied in lots of areas, such as perimeter security safety precaution, buried oil and gas pipeline safety early warning, seabed oil and gas pipeline safety early warning, bridge and high-rise building structure health monitoring.

项目拟研究一种多物理量检测的分布式光纤传感系统以及检测事件识别技术。通过检测传感区域内的振动以及应力变化，传感系统可在大范围内同时得到传感区域内所发生的目标事件的动态响应波形时空图以及静态状态变化时空图，再通过深度学习算法，智能提取目标事件特征，实现精确模式识别，降低预警系统的误报率。该系统将可用于周界安防、地埋油气管道安全预警、海底油气管道安全预警、桥梁以及高层建筑结构健康监测等领域。

分布式光纤传感技术通过对光纤内背向散射光的检测实现对传感光纤沿线状态的检测，具有覆盖范围大、结构简单、易于组网和扩展的特点，可应用于关键建筑的周届安防、结构健康检测等。事件识别能力弱、易产生误报警一直是制约分布式光纤传感系统扩大应用的主要原因之一。本项目研究了分布式光纤传感的机理，采用深度学习技术，并设计优化了的事件样本生成方法，以更为智能和更具鲁棒性的检测方式提高了光纤传感对所检测事件类型的识别能力，主要取得了以下成果：1、研究设计了复合检测分布式光纤传感光路结构，研究设计了φ-TODR单通道直接探测光相位解调方法，该方案使用直接检测替代外差检测实现光相位解调，极大减小了硬件成本；2、采集并制作了分布式光纤传感数据集，内含8类事件，其中包含2组波形非常相似的事件对，优化了样本生成方式，提出了时空图、Mel时频图以及时空图-Mel时频图叠加图等高质量样本生成方式；3、提出了基于时空图和深度卷积神经网络的分布式光纤事件识别方法，在8类事件分类任务中获得了94%以上的识别准确率，并提出简化网络并优化分类器，进一步提升了网络训练速度和分类准确率，之后通过可视化的方法，验证了深度卷积神经网络所使用分类特征的有效性和可靠性；4、针对深度学习方法所需数据量大、训练时间长的问题，提出了基于迁移学习的快速模型构建方法，该方法能够在保持分类准确率的情况下，使得所需数据量减小至130样本/类，并降低了训练运算量，使得使用常规电脑设备即可完成识别网络的训练，并通过冻结预训练网络部分层的方式进一步提高了20%的训练速度，非常适用于将识别网络部署于一个新的传感应用场景。相关成果共发表学术论文共发表学术论文9篇，其中SCI收录7篇，申请发明专利4项，其中已授权2项。