DAS信号处理方法研究开题报告

全文总字数：6562字

1. 研究目的与意义（文献综述）

自20世纪70年代以来，随着光纤技术的成熟，光纤传感技术得到了快速的发展。相比于其他的电传感器，由于光纤结构的本质安全及抗电磁干扰特性，使其能够在复杂电磁环境中进行测量；通过一些特殊的调制手段，光纤传感系统能够达到很高的测量精度，实现微弱信号的探测；同时，由于整条光纤都可以作为敏感元件，所以很容易实现分布式测量，进而实现对长距离、大范围的空间进行实时监测。因此，在国防、电力、交通等各个领域，光纤传感技术都发挥了越来越重要的应用。

在众多光纤传感技术中，分布式光纤振动传感技术属于一类重要的研究领域。该技术主要利用分布式光纤振动传感系统对长距离的测量对象进行实时监测，如对长距离油气运输管道、输电线路、公路铁路、国境线等进行监测，得到发生在监测对象上的各种事件。如当管道发生泄露、人为破坏，或在国境线上发生入侵事件时，分布式光纤振动传感系统便可及时测量出相应的振动情况，进而识别出对应的事件。目前，国内外常见的分布式光纤振动传感技术包含三类：fbg（光纤布拉格光栅）技术、botdr（基于布里渊散射原理的布里渊散射光时域反射）技术和otdr（基于瑞利散射原理的瑞利散射光时域反射）技术。fbg技术属于一种准分布式光纤传感技术，通过在光纤上写入多个光纤布拉格光栅，测量反射或透射光的波长来得到应变及温度，该技术为准分布式测量技术，即只有在有fbg的地方才可以进行测量，因此不适合长距离的全分布式监测。botdr和otdr则为完全的分布式测量系统，可以感知整条传感光纤上的应变或温度。由于布里渊散射光对温度和应变均敏感，所以botdr系统可以测量温度和应变，而瑞利散射光几乎只对应变敏感，所以otdr系统通常只用来测量应变。近些年来，以基于相敏光时域反射技术（Φ-otdr）的分布式声传感（das）系统因其在长距离监测上展现的优越特性，引起了人们广泛的关注，而以分布式声传感结合模式识别系统（das prs）构成的能够自动识别振动并进行事件识别分类的新型振动监测系统，已经成为了目前的研究热点。在将人工智能技术应用于das prs系统后，一方面提高了识别精度和对环境的适应性，另一方面极大地扩展了das信号处理的研究领域。本次毕业设计则以das信号处理方法为研究对象，利用机器学习的相关算法，设计出一套基于das系统的事件识别分类算法。

通常情况下，das系统所采集的数据为二维时空矩阵，其横轴为空间轴，表示光纤沿线分布的数据采集空间点，纵轴为时间轴，表示不同时刻整条光纤的振动情况。所谓das信号处理及事件识别，即通过分析不同事件对应的时空矩阵，提取特征，并根据这些特征识别出相应的事件类型。目前国内外已有大量关于das信号处理及事件识别方法相关的研究。如早在2015年cong cao等人采用svm分类器对五种管道入侵事件进行了分类，但还没有正式提出das prs的概念。2016年，javier tejedor等人首次发表了基于das prs系统的长距离管道威胁检测和识别的文献，正式提出了das prs概念，文章中采用了高斯混合模型进行分类，实现对管道安全监测事件的分类识别。随后，相关的研究越来越多，综合来看，目前国内外关于这一类研究可总结如下：首先采用das系统进行振动信号采集，并获得大量带有事件标签的时空矩阵数据集，然后进行预处理、特征提取、模式识别，实现对事件的分类：

2. 研究的基本内容与方案

本次毕业设计将着重研究das信号处理方法及事件分类识别方法，设计并实现一个das信号处理系统，能够完成基于das信号的事件识别与分类。在特征提取上，可以采用深度学习方法与传统人工特征提取相结合的方法来实现特征提取，然后采用特征工程的方法对特征向量进行特征选择和降维，最后采用svm分类器进行分类，便可得到事件分类结果。

研究技术方案

(1)首先对das系统工作原理和das信号处理方法进行文献调研，了解基本原理和背景，为之后的研究做好理论准备；

(2)学习基本的python编程方法，搭建python运行环境，为随后的算法设计做好准备；

3. 研究计划与安排

第1周：基于das系统基本原理及das信号处理方法文献调研；

第2周：学习python语言编程及pytorch基本用法，并搭建程序运行环境，熟悉相应ide的使用方法；

第3周：进行深度学习特征提取的网络结构搭建，得到基于深度学习提取的特征向量；

4. 参考文献（12篇以上）

[1] 王郡婕,王成,杨艳妮.光纤布拉格光栅压力传感的分析与计算[j].光学仪器,2017,39(05):41-45.

[2] 吴海颖,朱鸿鹄,朱宝,齐贺.基于分布式光纤传感的地下管线监测研究综述[j].浙江大学学报(工学版),2019,53(06):1057-1070.

[3]tejedor j, macias-guarasa j,martins h f, et al. machine learning methods for pipeline surveillance systemsbased on distributed acoustic sensing: a review[j]. applied sciences, 2017, 7(8):841.