基于神经网络的强度解调应变传感方法技术

一种基于神经网络的强度解调应变传感方法，通过在应变解调中使用神经网络进行互相关运算实现解调时间的缩短，该神经网络依次使用由啁啾探测脉冲和匹配滤波器产生的训练数据集和测试数据集进行训练和测试，即在训练阶段神经网络模型学习瑞利强度曲线和对应频率的映射关系，并在测试阶段对输入的瑞利强度曲线进行频率预测，从而对待测光纤进行应变恢复。本发明专利技术在保证长距离、高空间分辨率的同时，能够将解调速度提高数百倍，实现实时解调。

【技术实现步骤摘要】
基于神经网络的强度解调应变传感方法
本专利技术涉及的是一种分布式光纤应用领域的技术，具体是一种基于神经网络的强度解调应变传感方法。
技术介绍
基于光时域反射仪(OTDR)的分布式光纤传感器可以检测和定位在待测光纤上任何位置发生的一个或者多个事件，在测量管道泄漏、边境安防和结构安全检测等大型工程上有着广阔的应用前景。根据解调方式的不同，基于OTDR的分布式光纤传感器可以分为相位解调传感器和强度解调传感器。其中，基于相位解调的传感器已经得到了广泛的研究和发展，该方法的原理是相位变化与振动幅度成正比。然而，由于解调后的相位始终周期性地分布在2π的范围内，该解调方法只适用于幅度小的动态信号的检测。而强度解调分布式光纤传感器既可以用于动态信号，也可以用于静态信号测量。该方法基本原理是应变所导致的光纤瑞利图谱特征改变，等效于探测脉冲中心频率变化所引起的瑞利图谱改变。强度解调分布式光纤系统通常需要步进式扫频：依次发射不同中心频率的探测脉冲，每个频率的探测脉冲各获得一条瑞利强度曲线，然后提取光纤上同一位置处不同的频率的瑞利强度曲线，比较应变变化前后的曲线得到待测参量引起的等效激光频率的变化量，就可以恢复出待测光纤上的应变信息。最近提出的使用啁啾脉冲代替步进式扫频的分布式系统，通过同时产生啁啾脉冲射频信号和单频正弦射频信号经激光调制后分别通过探测光路和本地光路各自进行强度调制及放大后输出探测光至传感光纤，然后通过将反射回波与本地光耦合拍频后经匹配滤波得到同一时刻多个频率的瑞利曲线，通过对提取出的瑞利特征信息进行互相关运算从而恢复出发生在测温光纤上的外界应变变化。这种测量方式具有长距离、高空间分辨率的优势，然而，强度解调法解调应变时需要大量的互相关运算，这导致了解调时间远远大于测量时间，在实践中无法实现实时解调。
技术实现思路
本专利技术针对现有的光纤传感器的解调过程中互相关运算的计算量太大，从而无法对检测到的瑞利特征信息进行实时快速处理的问题，提出了一种基于神经网络的强度解调应变传感方法，在保证长距离、高空间分辨率的同时，能够将解调速度提高数百倍，实现实时解调。本专利技术是通过以下技术方案实现的：本专利技术涉及一种基于神经网络的强度解调应变传感方法，通过在应变解调中使用神经网络进行互相关运算实现解调时间的缩短，该神经网络依次使用由啁啾探测脉冲和匹配滤波器产生的训练数据集和测试数据集进行训练和测试，即在训练阶段神经网络模型学习瑞利强度曲线和对应频率的映射关系，并在测试阶段对输入的瑞利强度曲线进行频率预测，从而对待测光纤进行应变恢复。所述的神经网络由一个输入层、一个输出层和五个隐层组成，能够检测和提取动态应变。神经网络的激活函数优选为ReLU函数，其输出为其中：xi代表神经元的输入和输出，wi代表调整后的权重，θ代表神经元的阈值，f代表非线性激活函数。所述的瑞利强度曲线是指：通过宽频的啁啾探测光脉冲经放大后输出探测光至传感光纤，然后通过将反射回波与本地光耦合拍频后，经过一个或若干个具有不同中心频率的匹配滤波器，得到待测光纤在相应中心频率下的瑞利强度曲线。所述的训练数据集，是利用第一个啁啾探测脉冲返回的原始数据通过若干频率滤波器后得到的瑞利强度曲线集。为了进一步提高系统的空间分辨率，即减小频率间隔，采用三次样条插值进一步对瑞利强度曲线进行处理。在训练数据集中，大部分用来输入到神经网络中进行学习，少部分用来评估神经网络模型的性能。所述的测试数据集，是采用与建立训练数据集相同的方式，但是采用的是第一个探测脉冲之后的瑞利后向散射光的原始数据建立的。只要计算出这些脉冲和第一个脉冲之间发生的应变，就可以知道待测光纤上发生的应变。所述的训练阶段，是指在神经网络的训练阶段中，将不同频率的瑞利强度曲线和其对应的频率输入到神经网络中进行训练，神经网络中神经元之间的权重在不断优化直到均方误差满足期望，在经过训练之后神经网络就能学会这种映射关系。所述的测试阶段，是将后面的探测脉冲经过匹配滤波后得到的瑞利强度曲线输入到已经训练好的神经网络模型中，神经网络的输出就是对应输入强度曲线的频率。所述的应变恢复，根据频率偏移中恢复出外界施加的应变变化，其中：Δv为频移量，Kε为应变系数，v0为中心频率。技术效果本专利技术整体解决了传统互相关运算速度慢、消耗资源高的问题，采用训练后的神经网络根据输入的瑞利强度曲线在较小的平均绝对误差下预测出其实际的频率，将强度解调分布式光纤传感器的解调时间缩短了数百倍，使系统能够完成对动态应变的实时解调。附图说明图1为本专利技术系统示意图；图2为实施例效果示意图；图中：(a)为实际频率与预测频率的比较图；(b)为预测频率和实际频率的绝对误差；图3为待测光纤上应变发生区域的互相关和神经网络两种方法的应变解调结果，即瑞利特征匹配过程的示意图；图中：(a)为神经网络模型解调出的应变；(b)为神经网络解调出应变的功率谱密度；(c)为互相关方法解调出的应变；(d)为互相关解调出应变的功率谱密度。具体实施方式如图1所示，为本实施例涉及一种基于神经网络的分布式应变传感方法，通过将神经网络引入分布式光纤传感器中，代替耗时的互相关运算进行数据处理。本方法建立了一个神经网络模型，在训练阶段，使用啁啾探测脉冲和匹配滤波技术组成一个数据集，并将数据集的每条瑞利强度曲线映射到相应的探测频率，在测试阶段，使用该模型直接计算出探测脉冲的等效频率，从而恢复出待测光纤上发生的外界应变。所述的神经网络，由一个输入层、一个输出层和五个隐层组成，能够检测和提取动态应变。神经网络的激活函数优选为ReLU函数。所述的训练数据集，是将啁啾脉冲射频信号发射到待测光纤后返回的瑞利后向散射光，通过81个不同频率范围的匹配滤波器，使第一个探测脉冲的瑞利后向散射光的原始数据划分为不同频率的部分从而建立起的数据集。啁啾脉冲射频信号的频率范围为100MHz～600MHz，脉冲宽度20μs的线性扫频信号，脉冲发射周期100μs。匹配滤波器的带宽和相邻匹配滤波器之间的频率间隔分别设置为100MHz和5MHz，即频率范围分别为100MHz～200MHz、150MHz～250MHz……500MHz～600MHz。最后可以得到中心频率分别为150MHz，155MHz……550MHz的81条瑞利后向散射强度曲线。为了减少频率间隔，相邻频率的瑞利强度曲线之间以0.05MHz的间隔进行三次样条插值，可以得到8001条瑞利强度曲线。所述的测试数据集，是第一个脉冲之后的瑞利后向散射光的原始数据通过频率范围为300MHz～400MHz的匹配滤波器，即可得到350MHz对应的瑞利强度曲线。本实施例中系统共发射了200个啁啾探测脉冲，每个探测脉冲的数据经过滤波器后得到一条瑞利强度曲线，所以测试数据集共有199条瑞利强度曲线。所述的训练阶段，将训练数据集输入到神经网络中并进行训练。为了便于评估网络模型的性能，随机选择里面的7001条曲线用来训练，1000条曲线本文档来自技高网...

【技术保护点】
1.一种基于神经网络的强度解调应变传感方法，其特征在于，通过在应变解调中使用神经网络进行互相关运算实现解调时间的缩短，该神经网络依次使用由啁啾探测脉冲和匹配滤波器产生的训练数据集和测试数据集进行训练和测试，即在训练阶段神经网络模型学习瑞利强度曲线和对应频率的映射关系，并在测试阶段对输入的瑞利强度曲线进行频率预测，从而对待测光纤进行应变恢复。/n

【技术特征摘要】
1.一种基于神经网络的强度解调应变传感方法，其特征在于，通过在应变解调中使用神经网络进行互相关运算实现解调时间的缩短，该神经网络依次使用由啁啾探测脉冲和匹配滤波器产生的训练数据集和测试数据集进行训练和测试，即在训练阶段神经网络模型学习瑞利强度曲线和对应频率的映射关系，并在测试阶段对输入的瑞利强度曲线进行频率预测，从而对待测光纤进行应变恢复。


2.根据权利要求1所述的强度解调应变传感方法，其特征是，所述的神经网络由一个输入层、一个输出层和五个隐层组成，激活函数为ReLU函数，其输出为其中：xi代表神经元的输入和输出，wi代表调整后的权重，θ代表神经元的阈值，f代表非线性激活函数。


3.根据权利要求1所述的强度解调应变传感方法，其特征是，所述的瑞利强度曲线是指：通过宽频的啁啾探测光脉冲经放大后输出探测光至传感光纤，然后通过将反射回...

【专利技术属性】
技术研发人员：刘庆文，何祖源，庄语迪，王一凡，陈典，
申请(专利权)人：上海交通大学，朴牛上海科技有限公司，
类型：发明
国别省市：上海;31