光纤复合海缆外部声学干扰的识别方法及识别系统

摘要

本发明实施例提供一种光纤复合海缆外部声学干扰的识别方法及识别系统，属于光纤复合海缆技术领域。所述识别方法包括获取脉冲光的瑞利后向散射光信号强度；根据所述瑞利后向散射光信号强度获取瑞利后向散射信号的空时序列。本发明提供的光纤复合海缆外部声学干扰的识别方法及识别系统通过监测并获得脉冲光的瑞利后向散射光信号强度以及空时序列，再根据空时序列获得时频二维图像并去除背景噪声，同时计算出瑞利后向散射信号平均功率以及干扰值，并判断干扰事件的发生情况，用时频二维图像和卷积神经网络来识别干扰事件的类别；本发明有效的去除了背景噪声，同时也提高了对干扰事件的识别精度。

说明书

技术领域

本发明涉及光纤复合海缆技术领域，具体地涉及一种光纤复合海缆外部声学干扰的识别方法及识别系统。

背景技术

光纤复合海缆是为海上石油平台、海岛居民提供电力供给以及海上风力发电接入陆地电网的主要设备。然而，敷设光纤复合海缆的海底环境复杂，容易受洋流、地震、海啸等自然灾害以及船舶抛锚、航道疏浚等人为因素损坏，需要利用技术手段实时监测和识别其面临的外部危害事件，确保其安全运行。光纤复合海缆内嵌光纤，利用分布式声波信息感知技术感知光纤附近的声波对瑞利后向散射信号强度的影响，可以实现对光纤复合海缆外部声学干扰事件的监测和识别。

分布式声波信息感知系统集光、电检测技术于一体，结合智能信息处理能实现长距离、高精度、快响应的态势感知，已广泛应用于水下、管道、桥梁的异常监测和周界防护等领域。

在外力破坏和危害事件监测领域，寻求更高效的异常事件识别算法是一个重要研究方向。近年来，各界对提高分布式声波信息感知系统的正确识别率进行了大量探索。2014年，中石油廊坊管道研发中心针对输油管道外力破坏事件，设计了一种基于小波变换的识别算法，利用小波变换将原始监测数据分解为不同频段的分量，以不同频段的能量为特征，利用支持向量机(SVM)对攀爬、切割、破壁等外力破坏事件进行识别和分类，但小波变换需要人工选择小波函数和分解层数。2015年，我国天津大学提出了一种联合经验模态分解(EMD)算法和径向基函数(RBF)神经网络模型的外力破坏事件识别和分类方法，首先利用EMD算法获得原始监测数据的固有模态函数(IMF)，将各IMF的能量比作为特征，然后利用RBF模型对攀爬、敲击、切断、摇动等外力破坏事件进行识别和分类，但EMD存在不连续模态混合，会影响识别精度。随后，他们利用过零率和多尺度组合熵作为特征，提高了算法的处理速度，平均识别时间仅为0.32s，但由于需要人工提取特征，识别和分类精度有待进一步提高。2017年，他们又提出了一种基于混合特征向量的外力破坏事件识别与分类算法，将频域带宽分割和峭度统计量作为特征，但由于无法完全消除全相数字滤波器组子滤波器间的耦合，正确识别率仍不高。

本申请发明人在实现本发明的过程中发现，现有技术的上述方案具有对外部干扰事件识别精度不高的缺陷。

发明内容

本发明实施例的目的是提供一种光纤复合海缆外部声学干扰的识别方法及识别系统，该光纤复合海缆外部声学干扰的识别方法及识别系统能够提高对外部干扰事件的识别精度。

为了实现上述目的，本发明实施例提供一种光纤复合海缆外部声学干扰的识别方法，包括：

获取脉冲光的瑞利后向散射光信号强度；

根据所述瑞利后向散射光信号强度获取瑞利后向散射信号的空时序列；

根据所述空时序列获取时频二维图像；

根据所述瑞利后向散射光信号强度获取瑞利后向散射信号平均功率；

根据所述瑞利后向散射信号平均功率获取干扰值；

判断所述干扰值是否为1；

在判断所述干扰值为1的情况下，根据所述时频二维图像和卷积神经网络识别干扰事件。

可选地，根据所述瑞利后向散射光信号强度获取瑞利后向散射信号的空时序列包括：

根据公式(1)计算采样频率，

f

其中，f

根据公式(2)计算采样空间位置，

d

其中，d

根据所述采样空间位置采集所述瑞利后向散射光信号强度样本；

根据公式(3)计算所述瑞利后向散射光信号的空时序列，

x[c，m]＝e[c，m]+w[c，m]， (3)

其中，x[c，m]为所述空时序列，m为所述感知光纤中传输的脉冲光索引，e[c，m]为外部声学干扰作用下的瑞利后向散射信号的空时序列，w[c，m]为光纤中固有的背景噪声的空时序列。

可选地，根据所述空时序列获取时频二维图像包括：

根据公式(4)计算空时频序列，

其中，X[c，n，ω

根据公式(5)计算空时频域相位补偿差分信号，

其中，X

可选地，根据所述瑞利后向散射信号的空时序列获取时频二维图像还包括：

根据公式(6)计算所述空时频域相位补偿差分信号的实部，

I

其中，I

根据公式(7)计算所述空时频域相位补偿差分信号的虚部，

I

其中，I

根据公式(8)计算所述空时频域相位补偿差分信号的幅值，

I

其中，I

根据所述实部、所述虚部以及所述幅值生成三通道M×K阶时频二维图像。

可选地，根据所述瑞利后向散射光信号强度获取瑞利后向散射信号平均功率包括：

根据公式(9)计算所述采样空间位置为c处的瑞利后向散射信号平均功率，

其中，p

可选地，根据所述瑞利后向散射信号平均功率获取干扰值包括：

根据公式(10)计算背景噪声信号平均功率，

其中，p

根据公式(11)计算所述采样空间位置为c处的干扰值，

其中，D(c)为所述干扰值，D(c)＝1表示有干扰事件的发生，D(c)＝0表示无干扰事件的发生。

可选地，在判断所述干扰值为1的情况下，根据所述时频二维图像和卷积神经网络识别干扰事件包括：

将所述时频二维图像输入预先训练好的卷积神经网络中以得到对应的识别结果；

根据所述识别结果确定所述干扰事件。

可选地，所述卷积神经网络模型包括第一卷积层、第二卷积层和第三卷积层，所述第一卷积层包括20个大小为11×11×3的滤波器，所述第二卷积层包括50个大小为5×5×20的滤波器，所述第三卷积层包括100个大小3×3×50的滤波器。

另一方面，本发明还提供一种光纤复合海缆外部声学干扰的识别系统，包括：

激光器；

掺铒放大器，所述掺铒放大器的输入端与所述激光器的输出端连接，用于放大所述激光器的连续光；

声光调制器，所述声光调制器的输入端与所述掺铒放大器的输出端连接，用于生成脉冲光；

环形器，一端与所述声光调制器连接；

感知光纤，与所述环形器的另一端连接；

光电探测器，与所述环形器连接，用于测量瑞利后向散射信号强度；

模数转换器，输入端与所述光电探测器连接，用于将所述瑞利后向散射信号强度转换为瑞利后向散射信号的空时序列；

信号处理模块，与所述数模转换器的输出端连接，用于监测和识别外部声学干扰；

控制器，与所述光电探测器连接，用于执行如上述任一所述的识别方法。

再一方面，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有指令，所述指令用于被机器读取以使得所述机器执行如上述任一所述的识别方法。

通过上述技术方案，本发明提供的光纤复合海缆外部声学干扰的识别方法及识别系统通过监测并获得脉冲光的瑞利后向散射光信号强度以及空时序列，再根据空时序列获得时频二维图像并去除背景噪声，同时计算出瑞利后向散射信号平均功率以及干扰值，并判断干扰事件的发生情况，用时频二维图像和卷积神经网络来识别干扰事件的类别；本发明有效的去除了背景噪声，同时也提高了对干扰事件的识别精度。

本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。

附图说明

附图是用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施例，但并不构成对本发明实施例的限制。在附图中：

图1是根据本发明的一个实施方式的光纤复合海缆外部声学干扰的识别方法的流程图；

图2是根据本发明的一个实施方式的光纤复合海缆外部声学干扰的识别方法中获得空时序列的流程图；

图3是根据本发明的一个实施方式的光纤复合海缆外部声学干扰的识别方法中获得视频二维图像的流程图；

图4是根据本发明的一个实施方式的光纤复合海缆外部声学干扰的识别方法中获取干扰值的流程图；

图5是根据本发明的一个实施方式的光纤复合海缆外部声学干扰的识别方法中确定干扰事件的流程图；

图6是根据本发明的一个实施方式的光纤复合海缆外部声学干扰的识别方法中卷积神经网络的模型图；

图7是根据本发明的一个实施方式的光纤复合海缆外部声学干扰的识别系统的连接框图；

图8是根据本发明的一个实施方式的光纤复合海缆外部声学干扰的识别方法中空时频域相位补偿差分信号归一化功率图；

图9是根据本发明的一个实施方式的光纤复合海缆外部声学干扰的识别方法中空时频域相位补偿差分信号幅值二维图像。

具体实施方式

以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施例，并不用于限制本发明实施例。

图1是根据本发明的一个实施方式的光纤复合海缆外部声学干扰的识别方法的流程图。在图1中，该识别方法可以包括：

在步骤S10中，获取脉冲光的瑞利后向散射光信号强度。其中，光源产生的连续光经过掺铒光纤放大后输入声光调制器，并产生脉冲光，脉冲光通过环形器馈入感知光纤，由于纤芯材质的分子级缺陷，脉冲光在感知光纤中传输会产生瑞利后向散射信号。作用在光纤上的任何外部声学干扰(洋流扰动、船只作业、航道疏浚、船舶航行、船锚锚砸、船锚拖拽等)会导致瑞利后散射信号发生相位变化，此时，利用光电探测器即可测量相位变化调制的瑞利后向散射信号强度。具体地，光电探测器测量获得的每个脉冲光的瑞利后向散射信号强度可以如公式(12)所示，

x(t，m)＝e(t，m)+w(t，m)， (12)

其中，x(t，m)为瑞利后向散射信号强度，m为光纤中传输的脉冲光索引，且m＝0，1，…，t为当前时刻，e(t，m)为光纤中传输的第m个光脉冲由于外部声学干扰事件作用产生的瑞利后向散射信号强度，w(t，m)为光纤中固有的背景噪声强度，该背景噪声强度与光纤特性、光源相位漂移和热噪声等有关。

在步骤S11中，根据瑞利后向散射光信号强度获取瑞利后向散射信号的空时序列。其中，对于光电探测器测得的瑞利后向散射信号强度，输入至数模转换器，数模转换器对该瑞利后向散射信号强度按照预设的频率采样并数字化，以得到瑞利后向散射信号的空时序列。

在步骤S12中，根据空时序列获取时频二维图像。其中，在获得瑞利后向散射信号的空时序列后，采用空时频域相位补偿差分法处理该空时序列，以获得空时频域相位补偿差分线信号，并利用该空时频域相位补偿差分线信号的实部、虚部和幅值生成时频二维图像，该种方法能够有效去除背景噪声。

在步骤S13中，根据瑞利后向散射光信号强度获取瑞利后向散射信号平均功率。其中，为了明确是否存在外部声学干扰事件的发生，还需要对感知光纤上采样的样本对应的空间位置的瑞利后向散射光信号强度进行处理，并获得瑞利后向散射信号平均功率。

在步骤S14中，根据瑞利后向散射信号平均功率获取干扰值。其中，为了获得干扰事件发生情况的具体判断值，还需要根据瑞利后向散射信号平均功率计算出干扰值，该干扰值作为判断值。

在步骤S15中，判断干扰值是否为1。其中，干扰值的具体值分为1和0两种，若干扰值为1，则说明存在外部声学干扰事件；若干扰值为0，则说明不存在外部声学干扰事件。

在步骤S16中，在判断干扰值为1的情况下，根据时频二维图像和卷积神经网络识别干扰事件。其中，若干扰值为1，则说明存在外部声学干扰事件的发生，为了进一步明确干扰事件的种类，还需要根据时频二维图像和卷积神经网络对该干扰事件进行识别和分类。

在步骤S10至步骤S16中，采用光电探测器测量测量的每个脉冲光的瑞利后向散射信号强度，数模转换器根据预设的频率对瑞利后向散射信号强度进行采样并获得瑞利后向散射信号的空时序列，再根据该空时序列获取时频二维图像并去除背景噪声。同时根据瑞利后向散射信号强度计算出瑞利后散射信号平均功率，通过该瑞利后散射信号平均功率计算出干扰值，用该干扰值判断外部声学干扰事件的发生情况。若干扰值为1，则说明存在外部声学干扰事件的发生，此时需要根据时频二维图像和卷积神经网络对该干扰事件进行识别和分类；若干扰值为0，则说明无外部声学干扰事件的发生，继续监测每个脉冲光的瑞利后向散射信号强度。

传统的光纤复合海缆外部声学干扰的识别方法中，采用基于混合特征向量的外力破坏事件识别与分类算法，但由于无法完全消除全相数字滤波器组子滤波器间的耦合，正确识别率仍不高。在本发明的该实施方式中，采用空时频域相位补偿差分法处理空时序列，能够有效去除背景噪声；同时，采用卷积神经网络与时频二维图像配合识别的方式，提高了对干扰事件的识别精度。

在本发明的该实施方式中，为了获得瑞利后向散射信号的空时序列，还需对监测到的瑞利后向散射光信号强度进行计算出来。具体地，该识别方法还可以包括如图2所示的步骤。在图2中，该识别方法还可以包括：

在步骤S20中，根据公式(1)计算采样频率，

f

其中，f

在步骤S21中，根据公式(2)计算采样空间位置，

d

其中，d

在步骤S22中，根据采样空间位置采集瑞利后向散射光信号强度样本。其中，对于感知光纤上的多个脉冲光，需要对每个脉冲光的C个空间位置进行采样以获得对应的空间样本。

在步骤S23中，根据公式(3)计算瑞利后向散射光信号的空时序列，

x[c，m]＝e[c，m]+w[c，m]， (3)

其中，x[c，m]为空时序列，m为感知光纤中传输的脉冲光索引，且m＝0，1,2…，e[c，m]为外部声学干扰作用下的瑞利后向散射信号的空时序列，w[c，m]为光纤中固有的背景噪声的空时序列。

在步骤S20至步骤S23中，根据公式(1)和公式(2)计算出采样频率和采样空间位置，模数转换器根据采样空间位置对瑞利后向散射光信号强度进行采样并数字化，以得到瑞利后向散射光信号的空时序列。该种采样方式能够稳定获取瑞利后向散射光信号强度的趋势，以提高瑞利后向散射光信号强度的采样精度。

在本发明的该实施方式中，为了获得时频二维图像，还需要采用空时频域相位补偿差分法处理瑞利后向散射信号的空时序列进行处理。具体地，该识别方法还可以包括如图3所示的步骤。在图3中，该识别方法还可以包括：

在步骤S30中，采用短时傅里叶变换将空时序列转换为空时频序列，转换公式如公式(4)所示，

其中，X[c，n，ω

在步骤S31中，根据公式(5)计算空时频域相位补偿差分信号，

其中，X

其中，φ

其中，θ

在步骤S32中，根据公式(6)计算空时频域相位补偿差分信号的实部，

I

其中，I

在步骤S33中，根据公式(7)计算空时频域相位补偿差分信号的虚部，

I

其中，I

在步骤S34中，根据公式(8)计算空时频域相位补偿差分信号的幅值，

I

其中，I

在步骤S35中，根据实部、虚部以及幅值生成三通道M×K阶时频二维图像。其中，对于空间位置c，利用M×K个空时频域相位补偿差分信号X

在步骤S30至步骤S35中，采用短时傅里叶变换将空时序列转换为空时频序列，并根据空时频序列计算出空时频域相位补偿差分信号X

在本发明的该实施方式中，为了明确外部声学干扰事件的发生情况，还需要根据瑞利后向散射光信号强度计算干扰值。具体地，该识别方法还可以包括如图4所示的步骤。在图4中，该识别方法还可以包括：

在步骤S40中，根据公式(9)计算采样空间位置为c处的瑞利后向散射信号平均功率，

其中，p

在步骤S41中，根据公式(10)计算背景噪声信号平均功率，

其中，p

在步骤S42中，根据公式(11)计算采样空间位置为c处的干扰值，

其中，D(c)为感知光纤上采用空间位置为c处的干扰值，D(c)＝1表示有干扰事件的发生，D(c)＝0表示无干扰事件的发生。

在步骤S40至步骤S42中，根据Parseval关系，施加在感知光纤上的外部声学干扰引起的瑞利后向散射信号平均功率应大于背景噪声信号平均功率。因此，事先设定预设功率阈值Γ，在瑞利后向散射信号平均功率大于背景噪声信号平均功率与预设功率阈值Γ的和时，则说明存在外部声学干扰事件的发生，反之则不存在。采用干扰值判断的方式，能够快速且准确地判断出外部声学干扰事件的发生情况，方便快捷。

在本发明的该实施方式中，为了明确外部声学干扰事件的具体种类，还需采用卷积神经网络对二维图像进行识别。具体地，，该识别方法还可以包括如图5所示的步骤。在图5中，该识别方法还可以包括：

在步骤S50中，将时频二维图像输入预先训练好的卷积神经网络中以得到对应的识别结果。其中，对于卷积神经网络需要预先训练。首先收集训练数据集T＝{x[c，m]，y[c]|c＝1,2，…C；m＝0，1，…M-1}，该数据集中包括有洋流扰动、船只作业、航道疏浚、船舶航行、船锚锚砸、船锚拖曳等外部声学干扰事件标签。其中，x[c，m]为感知光纤空间位置c处第m个瑞利后向散射信号样本数据，y[c]为感知光纤空间位置c处作用的外部声学干扰事件标签，洋流扰动、船只作业、航道疏浚、船舶航行、船锚锚砸、船锚拖曳等外部声学干扰事件标签分别记为y[c]＝{1，2，3，4，5，6}。其次，对空间位置c处的瑞利后向散射信号的空时序列采用空时频域相位补偿分法以获得空时频域相位补偿差分信号序列，再利用该空时频域相位补偿差分信号序列的实部、虚部以及幅值生成三通道M×K阶时频二维图像。最后，利用三通道时频二维图像数据{I

在步骤S51中，根据识别结果确定干扰事件。其中，将实时的时频二维图像输入训练好的卷积神经网络中，即可实时输出识别结果，以确定干扰事件的具体种类。

在步骤S50至步骤S51中，预设收集训练数据集来训练卷积神经网络，训练完成后，将实时的时频二维图像输入训练好的卷积神经网络中，此时，该训练好的卷积神经网络能够实时输出干扰事件的种类的判断结果，以便于实现对光纤复合海缆的及时防护。

在本发明的该实施方式中，如图6所示，该卷积神经网络可以包括第一一卷积层、第二卷积层、第三卷积层、第一全连接层、第二全连接层以及分类器。具体地，第一卷积层包括20个大小为11×11×3的滤波器，第二卷积层包括50个大小为5×5×20的滤波器，第三卷积层包括100个大小3×3×50的滤波器，每个卷积层采用整流线性单元(ReLu)激活函数和最大池化处理；第二全连接层的输出通过分类器算6类外部声学干扰事件的概率。

另一方面，本发明还提供一种光纤复合海缆外部声学干扰的识别系统，如图7所示。具体地，在图7中，该识别系统可以包括激光器、掺铒放大器、声光调制器、环形器、感知光纤、光电探测器、数模转换器、信号处理模块以及控制器。

掺铒放大器的输入端与激光器的输出端连接，用于放大激光器的连续光；声光调制器的输入端与掺铒放大器的输出端连接，用于生成脉冲光。环形器的一端与声光调制器连接，感知光纤与环形器的另一端连接。光电探测器与环形器连接，用于测量瑞利后向散射信号强度；模数转换器的输入端与光电探测器连接，用于将瑞利后向散射信号强度转换为瑞利后向散射信号的空时序列。信号处理模块与数模转换器的输出端连接，用于监测和识别外部声学干扰；控制器与光电探测器连接，用于执行如上任一的识别方法。

激光器选择波长为1550nm的窄线宽连续波激光器作为光源，激光器输出的连续光经过掺铒光纤放大器放大后输入声光调制器，声光调制器产生的脉冲光通过环行器馈入感知光纤。由于纤芯材质的分子级缺陷，脉冲光在感知光纤中传输会产生瑞利后向散射信号，作用在光纤上的任何外部声学干扰会导致瑞利后向散射信号发生相位变化。利用光电探测器测量相位变化调制的瑞利后向散射信号强度，利用模数转换器将瑞利后向散射信号强度转换为瑞利后向散射信号空时序列，利用信号处理模块中内置的外部声学干扰事件监测模块和卷积神经网络实现对外部声学干扰的监测和识别。

在本发明的该实施方式中，为了验证该识别方法的监测性能，设计了如下的实验方案：用鹤嘴锄模拟船锚锚砸，在45秒内撞击光纤复合海缆6次，并记录测量的原始瑞利后向散射信号功率，撞击位置与脉冲光馈入点之间的距离d＝21500m，脉冲光重复周期T

采用空时频域相位补偿差分法对测量获得的瑞利后向散射信号去除背景噪音，再依据去除噪音后的瑞利后向散射信号功率水平评价对外部声学干扰事件的监测性能。

测量获得的原始瑞利后向散射信号归一化功率、利用空时频域相位补偿差分法处理瑞利后向散射信号后获得的空时频域相位补偿差分信号归一化功率以及幅值二维图像如图8和图9所示。图8中所示分别是利用测量获得的原始瑞利后向散射信号和经过空时频域相位补偿差分法处理后获得的空时频域相位补偿差分信号归一化功率曲线，N＝512，M＝256，K＝128。根据空时频域相位补偿差分信号归一化功率曲线可以明显判断出6次撞击事件及其发生的时间。同时，图9中的幅值二维图像也能明显看出6次撞击事件及其发生的时间。此外，幅值二维图像中的750Hz和1100Hz处出现的结果对应于声光调制器和模数转换器同步误差引起的背景噪声。

在本发明的该实施方式中，为了验证该识别方法的识别性能，设计了如下的实验方案：从感知光纤的不同空间位置收集6种不同类型的干扰事件，具体地，干扰事件包括：1-船锚锚砸，2-船只作业，3-航道疏浚，4-船锚拖拽，5-船舶航行，6-洋流扰动。

设置采样频率f

表1功率阈值设置

表2为对每种外部声学干扰事件识别的分类精度。

表2对外部声学干扰的分类精度

表3为基于卷积神经网络分类器的混淆矩阵。

表3分类器的混淆矩阵

由表1、表2和表3所知，采用时频域相位补偿差分法对原始空时序列进行处理，利用了整个带宽，对特征相似的外部声学干扰事件也能提供较高的识别性能。虽然区分船锚锚砸和航道疏浚以及船只作业和船锚拖拽仍有一定的误差，但正确识别率仍高达82.95％和89.52％。

再一方面，本发明还提供一种计算机可读存储介质，具体地，该计算机可读存储介质存储有指令，指令用于被机器读取以使得机器执行如上任一的识别方法。

通过上述技术方案，本发明提供的光纤复合海缆外部声学干扰的识别方法及识别系统通过监测并获得脉冲光的瑞利后向散射光信号强度以及空时序列，再根据空时序列获得时频二维图像并去除背景噪声，同时计算出瑞利后向散射信号平均功率以及干扰值，并判断干扰事件的发生情况，用时频二维图像和卷积神经网络来识别干扰事件的类别；本发明有效的去除了背景噪声，同时也提高了对干扰事件的识别精度。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。