【技术实现步骤摘要】
本专利技术涉及能源传输，具体地涉及一种施工类型识别模型的训练方法、施工类型识别方法及装置。
技术介绍
1、能源输送管道通常用于输送原油、成品油等油气能源，管道沿线通常包括人口密集区，若管道发生故障，则极有可能造成输送的能源泄漏，对生态环境和人员安全造成威胁，因此，维护管道安全是公共安全的重要组成部分。
2、由于管道输送的能源价值较高，一些不法分子在利益的驱动下，对管道进行破坏，盗取管道中输送的能源，极大的威胁着管道的安全，或者一些建设团队，在没有了解管道布线的基础上，盲目施工，也极易对管道产生威胁。在一些常规手段中，通过能源输送管道的伴行光缆的光纤振动传感特性，来获取来自管道周边土体的振动信号，通过检测信号变化，来判断管道周边是否存在危险振动源。然而，由于媒介的传播以及环境噪声的干扰，使得获取到的振动信号被干扰或者调制，对管道周围的威胁振动源的识别不够准确，经常存在一些误识别的反馈。
技术实现思路
1、针对现有技术中的上述不足，本专利技术实施例的目的是提供一种施工类型识别模型的训练方法、施工类型识别方法及装置。
2、为了实现上述目的，本专利技术第一方面提供一种施工类型识别模型的训练方法，包括：
3、获取输入的仿真振动信号及仿真振动信号对应的仿真施工类型；
4、基于特征提取算法对仿真振动信号进行特征提取，得到特征数据，其中，特征数据为四维数据；
5、对特征数据进行滤波处理，得到滤波数据；
6、确定预设神经网络模型
7、基于深度学习架构对滤波数据的数据结构进行转换；
8、将转换后的滤波数据进行多通道数据融合，得到二维的图像数据；
9、基于图像数据和仿真施工类型构建样本集；
10、提取样本集中的训练集对预设神经网络模型进行训练，得到施工类型识别模型。
11、在本专利技术实施例中，基于特征提取算法对仿真振动信号进行特征提取，得到特征数据，包括：
12、对仿真振动信号进行相位还原；
13、将相位还原后的仿真振动信号进行目标事件定位和分帧，得到特征数据。
14、在本专利技术实施例中，训练方法还包括：
15、提取样本集中的测试集，基于测试集确定施工类型识别模型的识别准确度；
16、在识别准确度小于预设准确度的情况下，基于输入的参数调整信息对施工类型识别模型进行调整，得到调整后的施工类型识别模型。
17、在本专利技术实施例中，训练方法还包括：
18、确定场景需求信息；
19、获取场景需求信息对应的场景振动信号及场景振动数据对应的场景施工类型；
20、基于场景振动信号和场景施工类型对施工类型识别模型进行二次训练，得到二次训练后的施工类型识别模型。
21、本专利技术第二方面提供一种施工类型识别方法，包括：
22、通过分布式光纤声波传感器获取实际振动信号；
23、基于特征提取算法对实际振动信号进行特征提取，得到实际特征数据，其中，实际特征数据为四维数据；
24、对实际特征数据进行滤波处理，得到实际滤波数据；
25、基于施工类型识别模型的深度学习架构对实际滤波数据的数据结构进行转换，其中，施工类型识别模型通过如上述实施例所述的施工类型识别模型的训练方法得到；
26、将转换后的实际滤波数据进行多通道数据融合，得到二维的实际图像数据；
27、将实际图像数据输入至施工类型识别模型，得到实际图像数据对应的施工类型。
28、在本专利技术实施例中，施工类型识别方法还包括：
29、确定实际滤波数据中的低频声波信号；
30、基于声波信号在传输介质中的传导属性确定与低频声波信号对应的声源距离；
31、基于声源距离确定施工类型对应的施工位置。
32、本专利技术第三方面提供一种施工类型识别模型的训练装置，包括：
33、信号仿真模块，用于获取输入的仿真振动信号及仿真振动信号对应的仿真施工类型；
34、特征提取模块，用于基于特征提取算法对仿真振动信号进行特征提取，得到特征数据，其中，特征数据为四维数据；
35、降噪处理模块，用于对特征数据进行滤波处理，得到滤波数据；
36、架构识别模块，用于确定预设神经网络模型的深度学习架构；
37、结构转换模块，用于基于深度学习架构对滤波数据的数据结构进行转换；
38、数据融合模块，用于将转换后的滤波数据进行多通道数据融合，得到二维的图像数据；
39、样本构建模块，用于基于图像数据和仿真施工类型构建样本集；
40、模型训练模块，用于提取样本集中的训练集对预设神经网络模型进行训练，得到施工类型识别模型。
41、本专利技术第四方面提供一种施工类型识别装置，包括：
42、信号获取模块，用于通过分布式光纤声波传感器获取实际振动信号；
43、特征提取模块，用于基于特征提取算法对实际振动信号进行特征提取，得到实际特征数据，其中，实际特征数据为四维数据；
44、降噪处理模块，用于对实际特征数据进行滤波处理，得到实际滤波数据；
45、结构转换模块，用于基于施工类型识别模型的深度学习架构对实际滤波数据的数据结构进行转换，其中，施工类型识别模型通过如上述实施例所述的施工类型识别模型的训练方法得到；
46、数据融合模块，用于将转换后的实际滤波数据进行多通道数据融合，得到二维的实际图像数据；
47、类型识别模块，用于将实际图像数据输入至施工类型识别模型，得到实际图像数据对应的施工类型。
48、本专利技术第五方面提供一种处理器，被配置成执行如上述实施例的施工类型识别模型的训练方法或施工类型识别方法。
49、本专利技术第六方面提供一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令用于使得机器执行如上述实施例所述的施工类型识别模型的训练方法或施工类型识别方法。
50、通过上述技术方案，获取输入的仿真振动信号及仿真振动信号对应的仿真施工类型，基于特征提取算法对仿真振动信号进行特征提取，得到特征数据，其中，特征数据为四维数据，对特征数据进行滤波处理，得到滤波数据，有效降低背景噪声干扰，提升数据有效性，确定预设神经网络模型的深度学习架构，基于深度学习架构对滤波数据的数据结构进行转换，以加快对预设神经网络模型的训练速度，从而将转换后的滤波数据进行多通道数据融合，得到二维的图像数据，基于图像数据和仿真施工类型构建样本集，提取样本集中的训练集对预设神经网络模型进行训练，得到施工类型识别模型。预设神经网络模型的样本集基于二维的图像数据进行确定，在提升对施工类型识别的准确性的同时，提升了对施工类型识别的速度。
51、本专利技术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。...
【技术保护点】
1.一种施工类型识别模型的训练方法，其特征在于，包括：
2.根据权利要求1所述的训练方法，其特征在于，所述基于特征提取算法对所述仿真振动信号进行特征提取，得到特征数据，包括：
3.根据权利要求1所述的训练方法，其特征在于，所述训练方法还包括：
4.根据权利要求1所述的训练方法，其特征在于，所述训练方法还包括：
5.一种施工类型识别方法，其特征在于，包括：
6.根据权利要求5所述的施工类型识别方法，其特征在于，所述施工类型识别方法还包括：
7.一种施工类型识别模型的训练装置，其特征在于，包括：
8.一种施工类型识别装置，其特征在于，包括：
9.一种处理器，其特征在于，被配置成执行根据权利要求1至4任意一项所述的施工类型识别模型的训练方法，或权利要求5至6所述的施工类型识别方法。
10.一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令用于使得机器执行如权利要求1至4任意一项所述的施工类型识别模型的训练方法，或权利要求5至6所述的施工类型识别方法。
【技术特征摘要】
1.一种施工类型识别模型的训练方法，其特征在于，包括：
2.根据权利要求1所述的训练方法，其特征在于，所述基于特征提取算法对所述仿真振动信号进行特征提取，得到特征数据，包括：
3.根据权利要求1所述的训练方法，其特征在于，所述训练方法还包括：
4.根据权利要求1所述的训练方法，其特征在于，所述训练方法还包括：
5.一种施工类型识别方法，其特征在于，包括：
6.根据权利要求5所述的施工类型识别方法，其特征在于，所述施工类型识别...
【专利技术属性】
技术研发人员：冯庆善，李保吉，龚存智，贺中强，李川，杨伟，卢嘉勋，于群，
申请(专利权)人：国家石油天然气管网集团有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。