孫磊峰，張姝慧，時(shí)二偉

（國家管網(wǎng)西部管道蘭州輸氣分公司，甘肅 蘭州）

引言

分布式光纖振動傳感系統(tǒng)對油氣管道沿線的振動信號進(jìn)行采集分析，能夠作為油氣管道安全監(jiān)測的重要手段。油氣管道的敷設(shè)環(huán)境復(fù)雜多樣，在途徑公路以及人員活動頻繁的區(qū)段，光纖振動傳感系統(tǒng)極易受到強(qiáng)噪聲背景、多源干擾及未知地埋條件的影響，系統(tǒng)對目標(biāo)事件檢測識別的準(zhǔn)確率成為制約其規(guī)模及應(yīng)用的最大技術(shù)瓶頸。

油氣管道光纖振動信號分析，通常采用的方法為設(shè)計(jì)時(shí)域和頻域特征計(jì)算方式，再利用計(jì)算的特征數(shù)值進(jìn)行模式識別[1-2]，然而對于不同區(qū)域的光纖振動信號采用固定的人工設(shè)計(jì)特征計(jì)算方式，缺乏一定的靈活性。本文對油氣管道周邊常見的威脅信號和非威脅信號進(jìn)行了分析，并對基于機(jī)器學(xué)習(xí)模型的多維信號檢測識別算法進(jìn)行了探究。

1 振源分析

在油氣管道周邊存在的各類挖掘動土施工都可能對油氣管道造成破壞，威脅油氣管道的安全。而常見的干擾源主要有：公路、鐵路、農(nóng)耕機(jī)械作業(yè)，分析收集到的各種振動信號樣本庫，對單個(gè)探測單元接收的一維信號進(jìn)行時(shí)域和頻域的分析比對，可以看出，其主要可以包含的振動模式有“沖擊”模式和“機(jī)械振動”模式。“沖擊”模式指時(shí)域信號具有明顯的規(guī)律性，“機(jī)械振動”模式指時(shí)域信號振動幅值相對其鄰近點(diǎn)區(qū)域較大但不具有規(guī)律性；而從頻域觀察，“沖擊”模式和“機(jī)械振動”模式均具有高頻成分明顯提升的特點(diǎn)。不同類別的振動信號，其模式構(gòu)成可做如下概括，見表1。

通過對數(shù)據(jù)庫的分析比對發(fā)現(xiàn)，挖掘機(jī)作業(yè)、破路機(jī)作業(yè)與火車經(jīng)過、重型車輛行駛、工廠作業(yè)、農(nóng)耕機(jī)械作業(yè)、農(nóng)田灌溉機(jī)械等信號均包含“沖擊”模式和“機(jī)械振動”模式；人工挖掘與放牧動物群經(jīng)過等信號主要包含“沖擊”模式；挖溝機(jī)作業(yè)、破路機(jī)作業(yè)、盾構(gòu)機(jī)作業(yè)主要包含“機(jī)械振動”模式。對管道和其伴行光纖真正具有威脅性的幾種作業(yè)行為，主要為多種機(jī)械作業(yè)行為，其振動信號所包含的模式成分并不一致，而幾種干擾信號卻含有與挖掘作業(yè)信號相似的激勵成分。因此，如果僅僅依靠對單個(gè)監(jiān)測單元信號提取固定的人工設(shè)計(jì)的特征參數(shù)，是很難對干擾振動進(jìn)行有效區(qū)分的，所以，需要利用時(shí)間和空間上的信號分布做出更為嚴(yán)密的模型進(jìn)行分析判斷，再結(jié)合深度學(xué)習(xí)算法，提高監(jiān)測系統(tǒng)的識別和報(bào)警效果。

2 模型測試

依據(jù)分布式光纖振動傳感系統(tǒng)的每個(gè)探測單元各自的一維信號提取的人工設(shè)計(jì)特征，當(dāng)管道周邊出現(xiàn)新的振動源或者地理環(huán)境發(fā)生變化時(shí)，可能需要進(jìn)行特征提取方式的再次設(shè)計(jì)，對于區(qū)分管道周邊出現(xiàn)的各種威脅性和非威脅性的振動源，缺乏一定的靈活性，需要進(jìn)一步結(jié)合深度學(xué)習(xí)算法，對振動信號進(jìn)行類型識別。從時(shí)間維度而言，應(yīng)從傳統(tǒng)人為經(jīng)驗(yàn)的特征提取方式到深度學(xué)習(xí)網(wǎng)絡(luò)特征提取方式進(jìn)行探究。從時(shí)頻、時(shí)空等多維度信息而言，可從基于機(jī)器學(xué)習(xí)模型的多維信號檢測識別算法進(jìn)行探究。

卷積神經(jīng)網(wǎng)絡(luò)CNN 廣泛應(yīng)用于圖像處理領(lǐng)域，而分布式光纖振動傳感系統(tǒng)的每個(gè)探測單元采集的振動信號，實(shí)質(zhì)上為1D 信號。目前研究中，對1D 信號如語音、振動信號進(jìn)行處理分析時(shí)，主要有三種思路[3-5]：一是將1D 信號通過某種變換轉(zhuǎn)化為圖像，如將原始光纖振動信號進(jìn)行短時(shí)傅里葉變換得到時(shí)頻圖，再利用CNN 對時(shí)頻圖進(jìn)行學(xué)習(xí)和分類；二是利用1D-CNN 處理振動信號，直接輸入1D 數(shù)據(jù)，基于1D-CNN 神經(jīng)網(wǎng)絡(luò)，對一維的光纖振動數(shù)據(jù)進(jìn)行特征的提取和類型的識別；三是結(jié)合CNN 與BiLSTM 網(wǎng)絡(luò)，先用1D-CNN提取時(shí)間序列的信號特征，再利用BiLSTM 網(wǎng)絡(luò)實(shí)現(xiàn)信號分類。

本文基于從多個(gè)現(xiàn)場應(yīng)用項(xiàng)目長期運(yùn)行收集和整理得到的信號樣本數(shù)據(jù)庫，對以上三種CNN 應(yīng)用思路進(jìn)行探究，并從識別準(zhǔn)確性和計(jì)算性能等方面進(jìn)行了比較。

2.1 基于CNN 的振動信號時(shí)頻圖特征提取和識別

時(shí)頻分析計(jì)算步驟：

(1) 對于單個(gè)光纖監(jiān)測單元的振動探測信號，以長度為256 的窗函數(shù)，重疊數(shù)據(jù)點(diǎn)數(shù)200，按時(shí)間順序進(jìn)行滑動截??；

(2) 對于每次窗口中截取得到的數(shù)據(jù)序列，依次進(jìn)行快速傅里葉變換(fft)，并記錄本次計(jì)算得到的頻譜數(shù)據(jù)序列；

(3) 將窗口滑動過程中每次計(jì)算得到的頻譜數(shù)據(jù)序列，進(jìn)行拼接，得到時(shí)頻分析矩陣，時(shí)頻分析矩陣的橫軸為頻率，縱軸為時(shí)間。

經(jīng)過以上計(jì)算步驟，將振動信號時(shí)頻圖作為原始的輸入圖片，輸入到LeNet-5 卷積神經(jīng)網(wǎng)絡(luò)，采用LeNet-5 卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行信號區(qū)塊的模式識別。

2.2 基于1D-CNN 的振動信號特征提取與識別

CNN 可以很好地識別出數(shù)據(jù)中的簡單模式，然后使用這些簡單模式在更深的層中生成更復(fù)雜的模式。本文采用的1D CNN 模型描述如下：

輸入數(shù)據(jù)：原始數(shù)據(jù)采樣率400 Hz，每條樣本記錄時(shí)長為20 s，數(shù)據(jù)經(jīng)過解調(diào)預(yù)處理后，每條數(shù)據(jù)樣本中包含有8 000 個(gè)采樣點(diǎn)，得到一個(gè)8 000×1 的矩陣。

第一個(gè)1D CNN 層：卷積核大小設(shè)置為400，濾波器數(shù)量設(shè)置為80。輸出矩陣7 601×80。

第二個(gè)1D CNN 層：卷積核大小設(shè)置為400，濾波器數(shù)量設(shè)置為80。輸出矩陣7 202×80。

第一個(gè)池化層：池化層大小設(shè)置為5，步幅stride設(shè)置為1。輸出矩陣1 440×80。計(jì)算區(qū)域中的最大值作為池化后的值，即最大池化層。

第三個(gè)1D CNN 層：卷積核大小設(shè)置為720，濾波器數(shù)量設(shè)置為60。輸出矩陣721×60。

第四個(gè)1D CNN 層：卷積核大小設(shè)置為720，濾波器數(shù)量設(shè)置為60。輸出矩陣2×60。

第二個(gè)池化層：池化層大小設(shè)置為2，步幅stride設(shè)置為1。輸出矩陣1×60。計(jì)算區(qū)域中的平均值作為池化后的值，即平均池化層。

Dropout 層：比率設(shè)置為0.6，輸出矩陣1×60。

Softmax 層：將長度為60 的向量降為長度為12 的向量，因?yàn)榇藭r(shí)有12 種事件類別需要進(jìn)行識別。

2.3 基于CNN-BiLSTM 的時(shí)空信號特征提取與識別

結(jié)合CNN 與BiLSTM 的網(wǎng)絡(luò)，提出了一種基于CNN-BiLSTM 的分布式光纖振動傳感時(shí)空信號特征提取與識別方法。CNN 網(wǎng)絡(luò)從一維時(shí)序光纖振動信號中自動提取和生成模式特征，BiLSTM 網(wǎng)絡(luò)結(jié)合時(shí)序振動模式特征的空間分布信息，對分布式光纖振動傳感系統(tǒng)采集的激勵振動信號進(jìn)行類型識別。

CNN 與BiLSTM 網(wǎng)絡(luò)結(jié)合的分布式光纖振動信號特征提取和模式識別的方式，在有效利用了分布式光纖振動信號空間維度信息的同時(shí)，能夠自適應(yīng)的提取到光纖振動信號的模式特征，避免了人工設(shè)計(jì)固定特征計(jì)算方式復(fù)雜度高、靈活性低的問題，對于處在不同的土質(zhì)、濕度、埋深等地理環(huán)境的光纖振動信號，都能夠進(jìn)行有效的特征提取以及類型識別，在工程應(yīng)用中，能夠有效的降低在工程部署實(shí)施階段的系統(tǒng)配置復(fù)雜度，并能夠在長期運(yùn)行階段，根據(jù)新出現(xiàn)的各種外界激勵，加入系統(tǒng)的訓(xùn)練樣本數(shù)據(jù)庫，進(jìn)行持續(xù)的自適應(yīng)優(yōu)化，確保油氣管道安全監(jiān)測系統(tǒng)的監(jiān)測效果，具有明顯的技術(shù)優(yōu)勢。

2.4 分析比較

基于從多個(gè)現(xiàn)場應(yīng)用項(xiàng)目長期運(yùn)行收集和整理得到的信號樣本數(shù)據(jù)庫，使用十折交叉驗(yàn)證方法，對上述三種算法模型進(jìn)行測試，其分類準(zhǔn)確性統(tǒng)計(jì)如圖1 所示。基于CNN 的振動信號時(shí)頻圖特征提取和識別準(zhǔn)確率約為91.1%，基于1D-CNN 的振動信號特征提取與識別準(zhǔn)確率約為95.5%，基于CNN-BiLSTM 的時(shí)空信號特征提取與識別準(zhǔn)確率約為95.6%。三種模型的識別準(zhǔn)確率均＞90%，1D-CNN 和CNN-BiLSTM 的識別準(zhǔn)確率相近，均高于CNN-時(shí)頻圖方法。

圖1 三種模型十折交叉驗(yàn)證正確率統(tǒng)計(jì)

不同模型識別單個(gè)振動信號樣本的平均計(jì)算耗時(shí)如圖2 所示?；贑NN 的振動信號時(shí)頻圖特征提取和識別平均計(jì)算耗時(shí)約0.010 2 s，計(jì)算數(shù)據(jù)為每個(gè)振動信號樣本中具有最大幅值的探測單元數(shù)據(jù)；基于1D-CNN 的振動信號特征提取與識別平均計(jì)算耗時(shí)約0.005 6 s，計(jì)算數(shù)據(jù)為每個(gè)振動信號樣本中具有最大幅值的探測單元數(shù)據(jù)；基于CNN-BiLSTM 的時(shí)空信號特征提取與識別平均計(jì)算耗時(shí)約0.006 3 s，計(jì)算數(shù)據(jù)為每個(gè)振動信號樣本中幅值超過全體數(shù)據(jù)中值的探測單元數(shù)據(jù)。其中，CNN-時(shí)頻圖方法計(jì)算耗時(shí)最長，CNN-BiLSTM 比1D-CNN 模型的運(yùn)行時(shí)間略長，但三者均滿足實(shí)時(shí)監(jiān)測的要求。

圖2 三種模型計(jì)算耗時(shí)統(tǒng)計(jì)

3 結(jié)論

本文對油氣管道周邊常見的威脅信號和非威脅信號進(jìn)行了分析，并對基于機(jī)器學(xué)習(xí)模型的多維信號檢測識別算法進(jìn)行了探究。由于管線周邊出現(xiàn)的信號源復(fù)雜多樣，僅依靠對單個(gè)監(jiān)測單元信號提取人工設(shè)計(jì)的特征參數(shù)很難對具有威脅性的振動源進(jìn)行有效區(qū)分，利用深度學(xué)習(xí)算法模型，自動提取振動信號特征，對振動信號的時(shí)間和空間特征分布進(jìn)行更為靈活和嚴(yán)密的分析，避免人工設(shè)計(jì)的固定特征對不同的環(huán)境自適應(yīng)差的問題，進(jìn)一步提升信號特征信息提取的全面性、有效性。并基于從多個(gè)現(xiàn)場應(yīng)用項(xiàng)目長期運(yùn)行收集和整理得到的信號樣本數(shù)據(jù)庫，對CNN-時(shí)頻圖方法、1D-CNN 和CNN-BiLSTM 等三種CNN 應(yīng)用思路進(jìn)行了探究，并從識別準(zhǔn)確性和計(jì)算性能等方面進(jìn)行了比較。經(jīng)過測試結(jié)果的統(tǒng)計(jì)分析，三種模型的識別準(zhǔn)確率均＞90%，1D-CNN 和CNN-BiLSTM 的識別準(zhǔn)確率相近，均高于CNN-時(shí)頻圖方法。在計(jì)算耗時(shí)方面，CNN-時(shí)頻圖方法計(jì)算耗時(shí)最長，CNN-BiLSTM比1D-CNN 模型的運(yùn)行時(shí)間略長，但三者均滿足實(shí)時(shí)監(jiān)測的要求。