基于多域RGB融合方法的Φ-OTDR管道振动事件识别技术

《IEEE Sensors Journal》：Pipeline Vibration Events Recognition Using Φ-OTDR Based on a Multidomain RGB Fusion Approach

　　

摘要：

在管道监测中，准确分类振动事件对运营安全至关重要，因为不同的振动模式反映了不同的机械或环境状况。深度学习方法在提取和分类基于相位敏感光时域反射术（Φ -OTDR）的传感数据方面表现出较强能力；然而，现有方法大多基于单域表征，这在复杂或噪声较大的环境中会限制其性能。为解决这一问题，本文提出了一种新的多域融合模型，通过将时频特征与非线性动态特征整合为复合RGB图像。小波同步挤压变换、傅里叶同步挤压变换以及递归图被分别应用于RGB通道，从而保留互补的光谱、时间及动态信息。此外，还构建了一个浅层VGG-FusionNet网络来提取融合图像的层次化特征。针对六种振动事件的实验结果表明，所提出的方法分类准确率超过99%，AUC值为0.996，远高于所有单域模型。通过消融实验和McNemar检验，从统计上验证了该方法的性能提升效果。因此，这种RGB FusionNet方法为管道振动事件识别提供了一种可靠且高效的解决方案。

I. 引言

随着工业和经济的快速发展，全球能源需求急剧增长，这推动了石油和天然气输送基础设施的建设，尤其是长距离管道。这些管道往往位于复杂且危险的环境中，因此确保这些地下管道的安全、完整性与可靠性显得尤为重要[4]。分布式光纤传感器被认为是一种极具潜力的监测工具，它能够以高灵敏度实现长距离内的实时、连续温度、应变和振动检测，同时还具备较强的抗电磁干扰能力[6]。相位敏感光时域反射术就是其中的之一，自1993年被发明以来便被用于检测管道中的振动情况。通过分析瑞利后向散射光的相位变化，-OTDR能够精准定位并实时检测管道中的泄漏、外部干扰以及异常振动[8]。尽管这项技术具有诸多优势，但如何准确分类振动事件依然是个挑战。不同的振动源往往具有相似的时间和频谱特征，这使得在实际应用中难以可靠地使用-OTDR。由于后向散射的-OTDR信号包含了关于干扰源及其传播方式的大量信息，因此需要借助复杂的信号处理和模式识别方法才能有效识别各类振动事件[11]。

登录以继续阅读