基于格拉姆角场的分布式光纤振动信号识别技术

针对天然气管道沿线威胁事件的实时识别问题,笔者提出了一种基于瑞利光时域反射分布式光纤振动监测系统和深度学习网络的方法。首先,利用分布式光纤振动监测系统采集28.9 km长管道沿线6类事件的波形信号,并通过格拉姆角场(GAF)将其转化为二维图像信息,然后利用GoogLeNet、VGG、AlexNet三种深度学习网络对图像信息进行分类对比,并分析了不同信噪比条件下GoogLeNet的分类效果。结果表明:GoogLeNet对6类事件的分类准确率最高,优于其他两种网络;当信噪比为8 dB时,GoogLeNet对人工挖掘和机械破坏事件数据进行滤波、GAF等处理之后没有出现误报。本文所提方法适合在实际现场使用,为管道安全监测提供了一种新的技术手段。