一种基于卷积神经网络集成学习的Sagnac分布光纤传感系统的定位方法
阅读说明：本技术 一种基于卷积神经网络集成学习的Sagnac分布光纤传感系统的定位方法 (Positioning method of Sagnac distributed optical fiber sensing system based on convolutional neural network integrated learning ) 是由 方捻 吕继东 王陆唐 王春华 于 2020-11-02 设计创作，主要内容包括：本发明公开了一种基于卷积神经网络集成学习的Sagnac分布光纤传感系统的定位方法,以传感光纤上固定间隔点为扰动点,由传感系统分别获取在各点模拟扰动产生的干涉信号,对其做预处理后作为训练集和验证集；针对不同的损失函数训练两个卷积神经网络CNN模型,使两者分别准确定位近端和远端扰动；通过集成学习方法组合两个模型的训练结果,得到基于CNN集成学习的扰动位置预测模型；通过验证集优化每个模型的参数。将待定位的干涉信号进行预处理后作为测试样本,利用训练好的预测模型对其测试,得到其扰动位置。本发明无需信号解调,系统复杂度低,且对噪声不敏感,数据处理方法简单,定位结果稳定、准确,可用于环形或直线式Sagnac分布光纤传感系统的扰动定位。(The invention discloses a positioning method of a Sagnac distributed optical fiber sensing system based on convolutional neural network integrated learning, which takes fixed interval points on a sensing optical fiber as disturbance points, respectively obtains interference signals generated by simulated disturbance at each point by the sensing system, and takes the interference signals as a training set and a verification set after preprocessing; training two convolutional neural network CNN models aiming at different loss functions to accurately position near-end disturbance and far-end disturbance respectively; combining the training results of the two models through an ensemble learning method to obtain a disturbance position prediction model based on CNN ensemble learning; the parameters of each model are optimized through the validation set. And preprocessing the interference signal to be positioned to be used as a test sample, and testing the interference signal by using a trained prediction model to obtain the disturbance position of the interference signal. The method has the advantages of no need of signal demodulation, low system complexity, insensitivity to noise, simple data processing method and stable and accurate positioning result, and can be used for disturbance positioning of an annular or linear Sagnac distribution optical fiber sensing system.)
技术领域
本发明涉及一种分布光纤传感系统的定位方法，特别是一种基于卷积神经网络CNN集成学习的Sagnac分布光纤传感系统的定位方法。
背景技术
分布光纤传感技术在高压管道泄漏检测与定位中具有广泛的应用前景，其中Sagnac分布光纤传感系统具有抗干扰性强，对光源要求较低等优点，是目前研究的热点之一。零频率方法是Sagnac分布光纤传感系统的主要定位方法，然而零频率常常淹没在噪声中，影响定位的准确性。通过改进传感系统的结构、使用相位生成载波零差解调可以提升定位的精度，通过小波软阈值去噪、两次傅里叶变换等一系列算法也能够提升定位的精度，但这些方法在一定程度上增加了系统的复杂度，并且对系统噪声敏感。
近年来，机器学习方法开始用于分布光纤传感领域。研究较多的是光纤扰动信号识别，扰动定位方面的研究也逐渐出现。有学者使用支持向量机(SVM)回归模型使得测量位置逼近真实位置，但需事先使用零频率法初步定位，定位过程复杂。本申请人曾提出一种Sagnac分布光纤传感系统的基于机器学习分类模型的离散化定位方法，把扰动的定位问题转变成不同传感光纤位置扰动引起的干涉信号的多分类问题，然而，该分类方法需要采集所有扰动位置的干涉信号，且失去了分布光纤传感可以连续监测的优势，这成为亟待解决的技术问题。
发明内容
为了解决现有技术问题，本发明提供一种基于卷积神经网络集成学习的Sagnac分布光纤传感系统的定位方法，简化信号处理过程，减少训练样本采集量，预测任意扰动位置。
为达到上述发明创造目的，本发明采用如下技术方案：
一种基于卷积神经网络集成学习的Sagnac分布光纤传感系统的定位方法，包括如下步骤：
1)以传感光纤上固定间隔点为扰动点，由传感系统分别获取在各点模拟扰动产生的干涉信号，对其做预处理后，选取一部分作为训练集，另一部分作为验证集；
2)针对不同的损失函数训练两个卷积神经网络CNN模型，使得两个CNN模型分别准确定位近端和远端扰动；通过验证集进行参数优化，以获得最佳训练效果；
3)通过集成学习方法实现对两个CNN模型训练结果的组合，得到最终的基于CNN集成学习的扰动位置预测模型；同样利用验证集进行参数优化，获得最佳训练效果；
4)将待定位的干涉信号进行同样的预处理后作为测试样本；
5)将测试样本输入训练好的基于CNN集成学习的扰动位置预测模型，预测出测试样本对应的扰动位置，实现扰动定位。
优选地，在所述步骤1)和步骤4)中的预处理包括：获得干涉信号的频谱或干涉信号频谱的频谱，并做归一化处理，以及确定合适的频谱数据长度。
优选地，在所述步骤3)中的集成学习方法采用Stacking、Bagging或Boosting集成学习方法。
本发明的工作原理
以环形Sagnac干涉分布光纤传感系统为例，当一个宽带扰动信号在距离Sagnac干涉环的耦合器R1处作用在传感光纤上，其引起的相位变化信号频谱的相邻零点的频率差简称零频率差，记作f，f与扰动位置R1的关系为：
上式中，c表示真空中的光速，n表示光纤纤芯的折射率，L表示光纤环的长度；从式(1)可以看出，扰动位置不同，零频率差的大小也不同，而且R1越小，f也越小，即距离耦合器较近的扰动，简称近端扰动，其引起的干涉信号频谱的零频率差较小；所以，干涉信号的频谱能够很好地反映扰动位置，可以作为扰动位置预测模型的输入数据。
R1相对f的变化率为：
根据式(2)，R1相对f的变化率呈平方反比关系。由于近端扰动引起的f较小，所以，近端扰动位置相对零频率差的变化率较大，即f的微小变化将会导致较大的扰动位置的变化。因此，使用两个CNN模型分别解决近端与远端扰动定位问题，模型1的输出为归一化扰动位置，模型2的输出为归一化零频率差。卷积神经网络具有强大的特征提取能力，因此，无需提取特征，直接把扰动引起的干涉信号的频谱数据作为两个CNN模型的输入信号即可。
由于Sagnac分布光纤传感系统的定位性能沿传感光纤长度方向的非均匀分布，使用均方误差损失函数难以在整个传感光纤范围内得到较好的输出结果。因此，将输出为归一化扰动位置的模型1侧重于解决较难准确定位的近端扰动问题。增加近端扰动位置的预测误差在损失函数中的权重，即最小化损失函数时，使得近端扰动的位置预测误差更小。对于输出为归一化零频率差的模型2，由于近端扰动的零频率差只要有较小的预测误差就会导致较大的定位误差，而远端扰动较大的预测误差对定位误差影响较小，所以将该模型侧重于解决远端扰动定位。通过在损失函数中加入适当的权值，使得模型一定程度上平衡远端扰动的整体定位性能。
集成学习方法擅长解决单一学习器学习能力不足的问题，因此，利用集成学习方法把两个CNN模型的训练结果进行组合，即可得到一个基于CNN集成学习的扰动位置预测模型。用此模型可以预测传感光纤上任意未知扰动的位置。
本发明与现有技术相比较，具有如下显而易见的突出实质性特点和显著优点：
1.基于卷积神经网络集成学习的Sagnac分布光纤传感系统的定位方法无需信号解调，系统复杂度低，且对噪声不敏感，数据处理方法简单，定位结果稳定、准确，可用于环形或直线式Sagnac分布光纤传感系统的扰动定位；
2.本发明不用采集所有扰动位置的干涉信号，能确保分布光纤传感系统连续监测，并能预测传感光纤上任意未知扰动的位置，定位过程简单，效率高。
附图说明
图1为本发明实施例采用的系统结构示意图。
图2为本发明的定位方法流程图。
图3为无噪和含噪情况下采集的干涉信号的归一化频谱。
图4为实施例所使用的两个卷积神经网络的结构。
图5为实施例所使用的Stacking集成学习方法中的单隐层神经网络的结构。
具体实施方式
以下结合具体的实施例子对上述方案做进一步说明，本发明的优选实施例详述如下：
实施例一：
在本实施例中，参见图1-2，一种基于卷积神经网络集成学习的Sagnac分布光纤传感系统的定位方法，包括如下步骤：
1)以传感光纤上固定间隔点为扰动点，由传感系统分别获取在各点模拟扰动产生的干涉信号，对其做预处理后，选取一部分作为训练集，另一部分作为验证集；
2)针对不同的损失函数训练两个卷积神经网络CNN模型，使得两个CNN模型分别准确定位近端和远端扰动；通过验证集进行参数优化，以获得最佳训练效果；
3)通过集成学习方法实现对两个CNN模型训练结果的组合，得到最终的基于CNN集成学习的扰动位置预测模型；同样利用验证集进行参数优化，获得最佳训练效果；
4)将待定位的干涉信号进行同样的预处理后作为测试样本；
5)将测试样本输入训练好的基于CNN集成学习的扰动位置预测模型，预测出测试样本对应的扰动位置，实现扰动定位。
本实施例基于卷积神经网络集成学习的Sagnac分布光纤传感系统的定位方法无需信号解调，系统复杂度低，且对噪声不敏感，数据处理方法简单，定位结果稳定、准确，可用于环形或直线式Sagnac分布光纤传感系统的扰动定位。
实施例二：
本实施例与实施例一基本相同，特别之处在于：
在本实施例中，在所述步骤1)和步骤4)中的预处理包括：获得干涉信号的频谱或干涉信号频谱的频谱，并做归一化处理，以及确定合适的频谱数据长度。
在所述步骤3)中的集成学习方法采用Stacking、Bagging或Boosting集成学习方法。
本实施例能确保分布光纤传感系统连续监测，并能预测传感光纤上任意未知扰动的位置，定位过程简单，效率高。
实施例三：
本实施例与上述实施例基本相同，特别之处在于：
在本实施例中，由于暂时不具备条件，无法实际采集扰动位置预测模型需要的各种数据，故利用OptiSystem软件仿真环形Sagnac分布光纤传感系统对管道泄漏的监测，验证本实施例的基于卷积神经网络集成学习的定位方法的可行性。
如图1所示，所仿真的环形Sagnac分布光纤传感系统包括连续激光器1、2×2双向3dB光耦合器2、传感光纤3、传感光纤4、延迟光纤5、相位调制器6、光电探测器7、数据采集与处理单元8。传感光纤3、传感光纤4的长度R1、R2之和等于延迟光纤的长度R3。由于管道泄漏信号的带宽约为60kHz，因此，用带宽60kHz的Sinc函数驱动相位调制器6，来模拟管道不同位置出现泄漏对铺设其上的传感光纤产生的扰动。通过改变R1、R2的数值，仿真不同的扰动位置。
在本实施例中，延迟光纤长度R3为10km，传感光纤总长度也为10km。取距离耦合器8.5km以内的传感光纤作为有效传感区域。
为了更好地评价传感光纤上各扰动的定位结果，我们采用多参量评价指标，包括平均绝对误差、误差标准差、最大误差、最小误差和误差大于预定值的样本数。平均绝对误差反映扰动位置预测误差的实际情况，误差标准差用来衡量各样本位置预测误差的离散程度，最大误差显示出模型预测误差的最坏情况，其值越小说明模型的错误定位风险越小。最小误差显示出模型的最佳预测潜力。预先设定可接受的最大定位误差，用误差大于预定值的样本数来衡量模型的整体位置预测效果，大于预定值的样本数越少，表明模型的实用性越强。
按照如图2所示流程，定位管道泄漏。设定可接受误差为50m，以50m为间隔对传感光纤进行扰动。于是，在8.5km的有效检测长度上共获取171个固定间隔位置扰动所产生的干涉信号。由于CNN参数较多，需要较大的样本集防止网络模型过拟合。将由仿真系统获取的每个无噪干涉信号添加不同强度的高斯白噪声，在每个位置获得200个干涉信号，它们的信噪比从1dB增加到20.9dB，增幅为0.1dB，以此模拟在不同强度噪声下获得的干涉信号数据。
通过快速傅里叶变换获得所有干涉信号的频谱。由于频谱中至少需要出现三个零频率点，即两个零频率差，才好分辨其位置特征，且扰动位置越远，零频率差越大，在最远端扰动位置8.5km处，两个零频率差约134kHz，因此，设定输入数据长度为1024，即保留0-160kHz的频谱作为CNN模型的输入数据。为了避免不同干涉信号频谱的模值差异较大，将每个干涉信号频谱根据自身频谱的模值范围进行归一化处理。图3给出了扰动位于4km处，所得无噪与含噪干涉信号的归一化频谱。
对171个固定间隔位置所获取的干涉信号频谱，按其扰动位置顺序进行分组编号。选取每个奇数组号下的200个不同信噪比的干涉信号频谱作为训练集，每个偶数组号下随机选取30个不同信噪比的干涉信号频谱作为验证集。
使用的CNN模型为1维CNN，其结构如图4所示，卷积层和池化层各三层，全连接层有四层，其中最后一层为网络输出层。模型1的输出为归一化扰动位置，模型2的输出为归一化零频率差，均使用min-max归一化方法。两种模型的激活函数和部分参数相同，卷积层使用ReLU激活函数和“SAME”填充模式，卷积核大小为1 5，步长为1；池化层采用最大池化方法，池化窗口大小为1 2，步长为2；全连接层的前三层也使用ReLU激活函数，其输出层使用tanh激活函数。不同的是，在模型1和模型2中，各层卷积核个数分别为1、8、16和1、16、32，全连接层神经元个数分别为2048、512、128、1和4096、1024、256、1。
设置模型1训练的损失函数为
模型2训练的损失函数为
式(3)和式(4)中，yp为模型预测输出，yi为模型目标输出，m代表样本数，k为常数，为了平衡权重，k通过模型训练结果进行微调。
CNN模型基于TensorFlow神经网络框架，TensorFlow版本1.6.0，Python版本3.6.3，利用英伟达GTX 1080Ti显卡进行网络训练和参数优化。通过自适应矩估计(Adma)优化算法对CNN模型参数进行优化，最小化损失函数值。然后，根据CNN模型在验证集的测试效果，微调训练数据的批量大小、学习率、dropout比例、损失函数参数k等超参数，使得模型训练效果最佳。最终确定两个网络的批量大小为32，学习率为1 10-4，dropout比例为20％。设定0-2.4km作为近端，2.4km-8.5km作为远端。通过选取不同的参数k训练两个CNN模型，分别使得模型1在近端、模型2在远端的扰动位置预测的平均绝对误差以及误差大于50m的样本数最低。通过多次训练，当模型迭代60次，模型1在近端、模型2在远端的平均绝对误差分别达到最小值13.93m和16.76m，误差大于50m的样本数分别达到最小值3和38，选取此时的k值1和1.5，作为两个损失函数的最佳参数。
将两个模型的训练输出分别去归一化或去归一化后经式(1)换算得到扰动位置，以备后续集成学习使用。
使用Stacking集成学习方法对两个不同的CNN模型进行组合，即使用CNN作为基学习器，通过一个单隐层神经网络作为元学习器对2个CNN模型进行组合。单隐层神经网络结构如图5所示。输入层包含2个神经元，即2个基学习器，隐层包含16个神经元，输出层包含1个神经元，为基学习器组合输出。
将单个样本由CNN模型1和CNN模型2预测所得的扰动位置合并为特征向量，作为单隐层神经网络的输入，将样本对应的真实扰动位置作为该网络的目标输出。将两个CNN模型训练所得特征向量作为单隐层神经网络的训练集。同样，将由CNN模型的验证集所得的特征向量作为单隐层神经网络的验证集。
使用均方误差作为损失函数，Adma优化算法确定单隐层神经网络的最佳模型参数。Adma优化算法学习率也为1 10-4。当模型迭代20万次时，训练集均方误差损失函数值达到5.17 10-6，且下降缓慢，可以认为模型已经训练好了。
在测试阶段，在每100m区间内的随意位置扰动传感光纤，共获取85个随机间隔位置扰动所产生的干涉信号；在1.0-1.1km、4.0-4.1km和7.0-7.1km区域、每间隔10m，获取传感光纤的近、中、远三个区域共24个小固定间隔位置扰动所产生的干涉信号，其中刨去了已算入171个50m大固定间隔的扰动位置。类似于训练过程，也给每个随机间隔和小固定间隔位置获得的无噪干涉信号添加不同强度的高斯白噪声，以测试不同强度下的干涉信号的位置预测效果。获取这些干涉信号的频谱，同样选取1024个频谱数据作为输入数据，对频谱进行同样的归一化处理。
从85个随机间隔位置所获取的干涉信号频谱中，每个位置下随机选取30个不同信噪比的干涉信号频谱作为测试集1，即对传感光纤每个区间段进行一次测试，以检验基于CNN集成学习的扰动定位方法在整个传感光纤范围内的定位效果。从24个小固定间隔位置所获取的干涉信号频谱中，每个位置下随机选取30个不同信噪比的干涉信号频谱作为测试集2，以排除偶然性，进一步验证对任意扰动位置的定位可行性，并探究定位的分辨率。
利用训练所得的两个CNN模型对两个测试集的样本进行测试，分别得到预测输出。利用与训练阶段同样的方法转换得到两个CNN模型的预测扰动位置，以备后续元学习器组合和测试。
同样，将由CNN模型的测试集所得的特征向量作为单隐层神经网络的测试集。输入训练好的单隐层神经网络进行组合，得到扰动位置的预测结果，即实现了扰动定位。
基于CNN集成学习的扰动位置预测模型对测试集1的所有样本的测试结果的平均绝对误差、误差标准差、最大误差、最小误差和误差大于预定值的样本数占测试样本总数的比值的平均值分别为14.6m、9.8m、41.6m、1.2m和1.25％；对测试集2则分别为11.4m、5.9m、27.0m、1.9m和0.28％。可以看出，两个测试集的测试结果没有明显差异，表明基于CNN集成学习的扰动位置预测模型确实具有对传感光纤任意扰动位置定位的可行性，平均定位误差只有十几米，分辨率可以达到10m，且定位结果稳定、可靠。
综上所述，上述实施例基于卷积神经网络集成学习的Sagnac分布光纤传感系统的定位方法，以传感光纤上固定间隔点为扰动点，由传感系统分别获取在各点模拟扰动产生的干涉信号，对其做预处理后作为训练集和验证集；针对不同的损失函数训练两个卷积神经网络模型，使两者分别准确定位近端和远端扰动；通过集成学习方法组合两个模型的训练结果，得到基于CNN集成学习的扰动位置预测模型；通过验证集优化每个模型的参数。将待定位的干涉信号进行预处理后作为测试样本，利用训练好的预测模型对其测试，得到其扰动位置。本实施例方法无需信号解调，系统复杂度低，且对噪声不敏感，数据处理方法简单，定位结果稳定、准确，可用于环形或直线式Sagnac分布光纤传感系统的扰动定位。
上面对本发明实施例结合附图进行了说明，但本发明不限于上述实施例，还可以根据本发明的发明创造的目的做出多种变化，凡依据本发明技术方案的精神实质和原理下做的改变、修饰、替代、组合或简化，均应为等效的置换方式，只要符合本发明的发明目的，只要不背离本发明的技术原理和发明构思，都属于本发明的保护范围。
- 上一篇：一种医用注射器针头装配设备
- 下一篇：一种吸盘及运动系统