長距離管道安全智能光纖預警系統研究

白 鈺，李金鑫，邢冀川

〈系統與設計〉

長距離管道安全智能光纖預警系統研究

白 鈺1，李金鑫2，邢冀川1

（1. 北京理工大學 光電學院，北京 100081；2.,,,, 32816）

由于長距離石油天然氣管道分布范圍廣、背景環境復雜，光纖預警系統在實際環境中對威脅管道安全的破壞性事件的識別具有較高的虛警率，難以達到保護管道安全的預警效果。本文將深度學習應用于長距離的光纖預警系統中，識別出主要影響預警效果的過車信號以降低系統的虛警率。智能光纖預警系統主要分為兩個部分：分布式光纖傳感系統和信號識別系統。本文在實際環境中從F-OTDR（phase-sensitive optical time domain re?ectometry）分布式光纖傳感系統采集管道周圍的入侵信號，通過CLDNN（convolutional, long short-term memory, fully connected deep neural networks）神經網絡建立識別模型實現過車信號的識別。經過訓練和盲測，所構建的過車事件的識別模型在實際長距離光纖監測環境下有良好的識別和定位效果，有效地降低了預警系統的誤報率。

深度學習；神經網絡；分布式光纖傳感系統；智能光纖預警系統；管道安全；信號識別

0 引言

目前，全球鋪設的石油天然氣管道已經達到約3800條，其中中國的油氣管道總里程達到了1.17×105km[1]。中國的油氣輸送已形成了貫穿全國，聯通海外的傳輸網。雖然通過管道運輸有效地提升了油氣傳輸的效率，但一旦管道遭到破壞，極易發生供應中斷，環境污染，爆炸等事故，造成巨大的經濟損失、自然災害和人員傷害[2]。管道安全預警系統主要用于預警對管道安全造成威脅的入侵事件。除管道腐蝕、山體滑坡等自然災害之外，機械、人工挖掘，打孔等第三方破壞事件是造成管道泄漏的主要因素[3]。但隨著油氣管道建設規模的擴大，越來越多的油氣管道穿越人口密集區包括公路、鐵路、村莊等。因此，實際應用環境中監測到的管道周圍的入侵信號中過車信號居多，這些信號極易淹沒破壞管道安全的入侵事件，造成預警系統的虛警率變高。識別過車信號是光纖預警技術發展推廣至油氣管道安全保護應用領域的關鍵。

智能光纖管道安全預警系統主要包括檢測管道周圍信號變化的傳感系統和信號識別系統兩部分的研究。鋪設在管道周圍的傳感系統主要用于實時監控管道周圍土壤的振動、聲音等信號變化。針對長距離的油氣管道安全監測，目前已有的傳感方法有次聲波法、電磁波法、紅外熱成像監控等，但這些方法在定位精度，監測距離，投資成本，可維護性等方面均存在缺點[4-5]。因此在實際應用中常使用性價比更高的光纖傳感系統來監測破壞管道安全的入侵事件[4]。根據光學原理的不同，適用于管道安全監控領域的光纖傳感方法主要分為散射法和干涉法。從實際應用出發，F-OTDR型分布式光纖傳感系統定位精度較高且易于部署，監測距離較長且對外界微弱的振動信號也有較高的靈敏度。系統可以對光纖沿線多處發生的振動信號實現同時檢測，安全預警技術性價比最高[6-8]。因此本文采用F-OTDR分布式光纖傳感系統采集沿管道周圍的土壤振動信號[9]。

分布式光纖傳感系統較高的定位識別精度和長距離的監測應用使得系統每毫秒接收的數據量較大，對管道破壞性事件的識別也極易受到周圍復雜環境的汽車、火車等無規律過車振動信號的影響，極易造成較多的誤報。因此需要一種簡單和易于推廣到各種應用環境的過車事件識別算法來處理傳感系統采集到的大量的數據，并能夠在復雜環境中快速識別和定位過車事件。不同的算法對過車事件識別的準確性存在著明顯的差異[10]。早期的研究主要通過軟硬閾值[11-13]，利用基頻周期模型進行決策樹分類[14-15]及支持向量機（support vector machines, SVM）[16]的方式實現過車信號的識別。但由于實際環境中過車信號及其他入侵信號具有未知性和多樣性，這些方法對過車信號識別效果較差。直到近期國內外的一些研究才開始將神經網絡和過車信號的識別結合起來。但目前這些研究僅使用一種神經網絡[17-21]，并不能有效地學習光纖傳感系統采集到的過車信號特征。此外，F-OTDR光纖傳感系統檢測到的信號強度會隨著空間距離的增加呈指數下降[22]，然而現有的文獻報道中所做的驗證實驗大多都在距離光纖數十或數百米的位置生成數據[19-21, 23]，背景環境較為干凈[20-21, 23]，無法真實有效地驗證在長距離、未知背景環境下過車事件識別模型的真實識別效果。因此目前仍然無有效的方法在實際環境中對長距離的光纖傳感系統采集到的過車信號進行識別和定位。

本文著重于解決上述這些問題。通過在實際環境中搭建的F-OTDR分布式光纖傳感系統采集長距離輸油管道周圍的土壤振動數據。將實際的時域數據直接輸入CLDNN（convolutional, long short-term memory, fully connected deep neural networks）神經網絡模型，深度學習過車事件的信號特征，構建識別模型。CLDNN神經網絡架構在建模中結合了CNN（convolutional neural networks），LSTM（long short- term memory networks）和DNN（deep neural networks）神經網絡的優點，可以更為有效地學習光纖傳感系統采集數據的上下文特征信息。

1 智能光纖預警系統

1.1 智能光纖預警系統構成

智能光纖預警系統主要由光纖傳感系統和信號識別系統組成。整體結構如圖1所示。

首先，光纖傳感系統通過實時收集管道附近土壤的振動信號來監測入侵事件。F-OTDR分布式光纖傳感系統使用窄線寬激光源，輸出后向瑞利散射光干涉的結果。當地面發生入侵事件時，會導致土壤振動。產生的壓力將作用于與管道放置在同一凹槽中的光纖。由于光彈性效應，相應位置處的光纖的折射率將改變。這將導致該點的光相位發生變化。由于干涉作用，相位的變化將引起后向瑞利散射光的強度變化[24]。因此，當入侵者在某一時刻入侵時，相應位置的強度將不同于前一時刻沒有入侵時的強度，而在其他位置檢測到的光強度保持不變。根據振動發生前后的時間跟蹤信號之間的差異，可以準確定位干擾的位置，如圖2所示。最后，由于長距離的管道常分布在道路下，實際監測到的入侵事件中包括汽車，火車等過車信號居多。實際應用環境中過車事件對管道的危害很小，卻是造成預警系統誤報、虛警率較高的主要原因。因此在信號分析處理系統中通過所建立的過車信號識別模型對傳感光纖監測到的信號進行識別，判讀入侵事件是否為過車事件及事件發生的時間和對應位置。

1.2 F-OTDR分布式光纖傳感系統

本文使用的F-OTDR分布式光纖傳感系統結構如圖2所示。采用窄線寬激光器作為光源，進行聲光調制器調制獲得激光脈沖。通過摻鉺光纖放大器（erbium doped fiber application amplifier, EDFA）對進入光纖的光脈沖進行放大。放大的光脈沖通過3dB耦合器和波分復用器（wavelength division multiplexer, WDM）進入傳感光纖。為了消除由放大引入的噪聲，光信號通過光環行器利用光纖布拉格光柵（fiber bragg Grating, FBG）進行濾波。最后傳感光纖中的后向瑞利散射光信號經過光電探測器探測后獲取對應監測位置的振動信號。

將監測到的原始信號對應的幅值，位置和時間信息形成三維圖像，如圖3(a)所示，其中軸表示距離，單位為米；軸表示時間，單位為秒；軸表示監測到的信號幅值。其中F-OTDR瑞利散射曲線隨距離的變化如圖3(b)所示。每個位置的信號幅值隨時間變化如圖3(c)所示，圖中的灰度代表對應信號的幅值。在監測某一位置時，信號幅值隨時間變化的時間維度分析如圖3(d)所示。

圖1 智能光纖預警系統構成

圖2 F-OTDR型信號采集系統

圖3 獲取的數據形式

2 識別模型搭建

本章通過在實際環境中采集信號，分析過車信號的特征。根據信號的特點采用CLDNN神經網絡深度學習過車信號的時域特征，建立過車事件識別模型。

2.1 數據集的構建

本文通過上述F-OTDR分布式光纖傳感系統對寧夏中衛實際掩埋的石油管道進行監測，采集用于訓練過車事件識別模型的數據集。傳感光纖埋深約2～3m，定位精度為±20m，響應時間≤1min，距離分辨率為8m。實驗信息如表1所示，第一組和第二組實驗在不同時刻，光纖距離2.1～4km道路旁的相同位置處進行監測。為了保證數據集的多樣性和復雜性，第三組實驗在距離16.5～18km道路旁的位置處進行監測。實驗對應的地理信息圖4所示。

2.2 過車信號分析和訓練集的構建

分析通過上述實驗在公路附近采集到的過車信號。第一組在光纖距離2.1～4.0km位置處所做的實驗采集到的原始數據的時空二維圖像如圖5所示。圖中的不同灰度代表對應信號的幅值。

對上述信號進行10Hz的高通濾波，如圖6所示。圖6(a)表示濾波后在2.1～4.0km范圍內監測的第一組實驗數據的信號時空二維分布圖，圖中的不同灰度代表對應信號的幅值。圖6(b)為濾波后在對應監測范圍內典型位置處監測到的過車信號時域圖，其中由上到下的4幅圖分別對應在2.495km，2.791km，3.324km，3.677km位置處監測到的過車信號時域圖，對應實線方框和虛線方框選中的部分即為不同的過車信號。

表1 用于訓練過車事件識別模型的數據采集實驗

圖4 實驗對應地理信息位置

圖5 第一組實驗原始數據時空二維分布圖

同理對第二組和第三組獲得的實驗數據分別進行濾波，如圖7、圖8所示。圖7(a)和圖8(a)分別表示濾波后在2.1～4km和16.5～18km范圍內監測的實驗數據的時空二維分布圖，圖中的不同灰度代表對應信號的幅值。圖7(b)和圖8(b)分別表示濾波后在對應監測范圍內典型位置處監測到的過車信號時域圖，對應實線方框和虛線方框選中的部分即為不同的過車信號。其中圖7(b)中由上到下的4幅圖分別對應在2.487km，2.873km，3.316km，3.964km位置處監測到的過車信號時域圖，圖8(b)中由上到下的4幅圖分別對應在16.646km，17.032km，17.327km，17.852km位置處監測到的過車信號時域圖。由圖6、圖7和圖8三組實驗對應監測范圍內信號的時空分布圖和典型位置的時域圖可以明顯地看到過車信號隨著時間的變化有明顯的位置漂移。

2.3 神經網絡及模型的構建

根據光纖傳感系統采集的過車信號的特征，本文選用CLDNN神經網絡結構[25]通過將CNN，LSTM，DNN融合到同一個網絡中構建分類模型，可以獲得比單獨的網絡更好的識別性能。一般的卷積神經網絡結構（CNN）僅包含卷積層和池化層。而CLDNN結構中的長短時記憶網絡結構（LSTM）[26]可以有效地聯系上下文的特征信息，實現對數據時間序列上的深層特征提取。本文使用的CLDNN網絡包括2層CNN，1個線性層，1個LSTM層和1個完全連接層，如圖9所示。在通過兩個CNN層之后，使用具有256個輸出的線性層來構造LSTM層的輸入。LSTM層由64個單元組成，每個單元具有256個隱藏單元。最后，使用完全連接的DNN層輸出結果。

圖6 第一組實驗濾波后數據分布圖

圖7 第二組實驗過車事件信號圖

圖8 第三組實驗過車事件信號圖

圖9 CLDNN結構

通過2.2節的分析可以看出，在時域圖中有明顯的過車事件的信號特征和其隨時間在空間位置上的變化。因此為了盡可能地保證讓神經網絡學習到更多過車事件的信號細節，將3組實驗獲取的原始時域信號進行5Hz的高通濾波。將濾波后的數據分成過車信號和正常情況無入侵的兩類信號，進行4s一組的數據切割。選取有明顯過車信號約5萬組數據，無入侵事件約5萬組數據，標記對應事件類型，共輸入約10萬組數據構建訓練集輸入神經網絡進行訓練，建立出過車信號的識別模型。

3 盲測實驗驗證及分析

為了驗證所建立的過車信號識別模型在實際情況下的識別效果和對不同環境的普遍通用性，本文通過對沿管道33km的所有監測數據進行盲測實驗，驗證了模型對過車事件的識別和定位效果。由于監控距離較長，所采用的120s時間范圍的實驗數據周圍所發生的事件均是未知的。每個標記信號在訓練期間是4s數據，因此過車事件概率分布時空圖的輸出為每個位置的每4s的識別數據。根據實際應用情況，輸出概率大于90%的過車事件信號發生位置及時間，模型的識別效果如圖10所示。

其中線狀部分為識別出的過車信號發生的位置和持續時間，由4s一條短線構成。識別出的過車信號的位置及所處位置周圍的道路情況的具體信息如表2所示。

圖10 識別概率大于90%的過車事件位置及發生時間分布圖

為了驗證模型對過車事件的識別效果，對原始的盲測數據進行濾波，輸出主要發生過車事件的范圍內信號的時空二維分布圖，如圖11所示。其中圖11(a)表示1150～5750m范圍內的信號分布，圖11(b)表示8150～13000m范圍內的信號分布，圖11(c)表示15200～18100m范圍內的信號分布，圖11(d)表示28000～29300m范圍內的信號分布，圖中的不同灰度代表對應信號的幅值。和表2進行對比，圖11可以明顯地看出當識別概率大于90%時，過車事件識別模型在實際的長距離應用環境中可以有效地識別出除采集訓練神經網絡所用數據集實驗所在公路位置之外的其他道路附近的過車信號，包括與管道并行和交叉道路上的過車信號。

表2 時長120s內距離33km全部監測數據中過車事件識別、定位結果以及周圍的地理信息情況

圖11 不同位置盲測信號的時空二維分布圖

4 結論

本文通過盲測實驗驗證了所構建的過車事件識別模型在復雜環境下進行長距離的光纖監測應用中具有較高的準確性和針對不同環境的高度通用性。當識別模型對過車事件識別概率大于90%時，除訓練網絡數據所測公路附近位置外，還檢測到了沿石油管道周圍的其他道路上的車輛信號，可以有效地濾除監測信號中大部分非威脅管道安全性事件。識別系統可以處理120s內33km的全部數據（約1GB數據）并在1min內輸出過車事件的識別和定位結果，具有很高的實時性能。所建立的模型適用于在實際長距離復雜的監測環境中實時識別和定位過車事件，提高管道安全預警系統的預警效果。

[1] 祝愨智, 吳超, 李秋揚, 等. 全球油氣管道發展現狀及未來趨勢[J]. 油氣儲運, 2017, 36(4): 375-380.

ZHU Quezhi, CHAO W U, LI Qiuyang, et al. Development status and trend of global oil and gas pipelines[J]., 2017, 36(4): 375-380.

[2] 王振, 王永強, 王燕輝, 等. 長輸油氣管道泄漏監測預警技術分析及展望[J]. 工業安全與環保, 2018, 44(5): 79-81, 86.

WANG Zhen, WANG Yongqiang, WANG Yanhui, et al. Analysis and prospect of monitoring and pre-warning technology for long-distance oil and gas pipeline leakage[J]., 2018, 44(5): 79-81, 86.

[3] 孫潔, 李松, 劉凱蕾, 等. 油氣管道安全預警技術現狀[J]. 油氣儲運, 2016, 35(9): 1023-1026.

SUN Jie, LI Song, LIU Kailei, et al. Current status of security pre -warning technologies for oil and gas pipelines[J]., 2016, 35(9): 1023-1026.

[4] 連鵬國. 油氣管道安全預警技術性能評估與分析[J]. 油氣田地面工程, 2017, 36(10): 44-46, 51

LIAN Pengguo. Safety pre-warning technology performance evaluation and analysis of oil and gas pipeline[J]., 2017, 36(10): 44-46, 51.

[5] REN L, JIANG T, JIA Z, et al. Pipeline corrosion and leakage monitoring based on the distributed optical fiber sensing technology[J]., 2018, 122: 57-65.

[6] 史家旭, 齊迎峰, 李小彤, 等. 管道安全預警系統基本要求與設備選型[J]. 自動化與儀器儀表, 2018(1): 93-98.

SHI Jiaxu, QI Yingfeng, LI Xiaotong, et al. Main requirements and equipment selection of pipeline safety early warning system[J]., 2018(1): 93-98.

[7] ZHAN Y, YU Q, WANG K, et al. A high performance distributed sensor system with multi-intrusions simultaneous detection capability based on phase sensitive OTDR[J]., 2015, 23(3): 187 -194.

[8] Martins H F, Martin-Lopez S, Corredera P, et al. Phase-sensitive optical time domain reflectometer assisted by first-order Raman amplification for distributed vibration sensing over 100km[J]., 2014, 32(8): 1510-1518.

[9] 楊文明, 焦書浩, 趙鋒, 等. 基于φ-OTDR管道安全預警系統研究與應用[C]//2014年后勤油料保障工程技術研討會論文集, 北京, 2014: 93-97.

YANG W, JIAO S, ZHAO F, et al. Study and application on pipeline security forewarning system based on φ-OTDR[C]//2014, Beijing, 2014: 93-97.

[10] Tejedor J, Macias-Guarasa J, Martins H, et al. Machine learning methods for pipeline surveillance systems based on distributed acoustic sensing: a review[J]., 2017, 7(8): 841.

[11] 丁寧, 費樹岷, 陳夕松. 基于F-OTDR的列車行駛軌跡檢測方法[J]. 工業控制計算機, 2017, 30(5): 18-20.

DING N, FEI S, CHEN X. Trains track detection method based onF- OTDR[J]., 2017, 30(5): 18-20.

[12] QU Hongquan, ZHENG Tong, BI Fukun, et al. Vibration detection method for optical fiber pre-warning system[J]., 2016, 10(6): 692-698.

[13] QU H, ZHENG T, PANG L, et al. A new two-dimensional method to detect harmful intrusion vibrations for optical fiber pre-warning system[J]., 2016, 127(10): 4461-4469.

[14] 劉素杰, 張金權, 萬江飛, 等. 基于光纖振動安全預警系統的振源識別算法研究[J]. 光學技術, 2016, 42(1): 89-96.

LIU Sujie, ZHANG Jinquan, WAN Jiangfei, et al. The research of recognition algorithm of vibration source based on the optical fiber vibration safety warning system[J]., 2016, 42(1): 89-96.

[15] 王壯. 光纖預警系統在天然氣管道保護中的應用[D]. 濟南: 山東建筑大學, 2016.

WANG Zhuang. The Application of the Fiber Warning System in the Protection of the Natural Gas Pipeline[D]. Jinan: Shandong Jianzhu University, 2016.

[16] WANG G, LI X, LI Y, The application of wavelet transform in the fiber pipeline safety pre-warning system [C]//27(2015), 2015: 3605-3608(doi: 10. 1109/CCDC.2015.7162548).

[17] WU Huijuan, QIAN Ya, ZHQNG Wei, et al. Feature extraction and identification in distributed optical-fiber vibration sensing system for oil pipeline safety monitoring[J]., 2017, 7(4): 305-310.

[18] 熊顯名, 崔向良.F-OTDR全分布式光纖振動傳感系統的車輛識別方法改進[J]. 激光雜志, 2018, 39(6): 70-73.

XIONG Xianming, CUI Xiangliang. Improvement of vehicle identification method forF-OTDR fully distributed optical vibration sensing system[J]., 2018, 39(6): 70-73.

[19] WANG Y, GONG D, PANG L, et al. RVFL-based optical fiber intrusion signal recognition with multi-level wavelet decomposition as feature[J]., 2018, 8(3): 234-241.

[20] 崔向良. 基于神經網絡的光纖F-OTDR車輛振動識別研究[D]. 桂林: 桂林電子科技大學, 2018.

CUI Xiangliang. Research on Vibration Identification of Optical FiberF-OTDR Based on Neural Network[D]. Guilin: Guilin University Of Electronic Technology Optical Engineering, 2018.

[21] 葉彬. 分布式光纖傳感車輛振動識別及車速算法研究[D]. 杭州: 浙江大學, 2018.

YE Bin. Research on Distributed Optical Fiber Sensing for Vehicle Identification and Speed Measurement[D]. Hangzhou: Zhejiang University Naval Architecture and Marine Engineering, 2018.

[22] KONG Y, LIU Y, SHI Y, et al. Research on theF-OTDR fiber sensor sensitive for all of the distance[J]., 2018, 407: 148-152.

[23] TIAN Q, ZHAO C, ZHANG Y, et al. Intrusion signal recognition in OFPS under multi-level wavelet decomposition based on RVFL neural network[J]., 2017, 146: 38-50.

[24] 涂勤昌, 韋波, 張真毅, 等. OTDR型分布式光纖傳感器在油氣管道監測中的應用[J]. 管道技術與設備, 2015(3): 28-31.

TU Qinchang, WEI Bo, ZHANG Zhenyi, et al. OTDR-type distributed optical fiber sensors and application of oil and gas pipelines online monitoring[J]., 2015(3): 28-31.

[25] Sainath T N, Vinyals O, Senior A, et al. Convolutional, long short-term memory, fully connected deep neural networks[C]//2015, 2015: 4580-4584(doi:10.1109/ICASSP.2015.7178838).

[26] Sak H, Senior A, Beaufays F.[M] //In INTERSPEECH, 2014: 338-342.

Research on Intelligent Optical-Fiber Pre-Warning System for Long-Distance Pipeline Safety

BAI Yu1，LI Jinxin2，XING Jichuan1

(1.,,100081,; 2.,,32816,)

Long-distance oil and gas pipelines are widely distributed and have complex background environments. Therefore, their optical-fiber pre-warning system experiences a high false-alarm rate in identifying destructive events that threaten pipeline safety in a real-world environment. This makes it challenging for the system to achieve accurate pre-warning results and ensure pipeline safety. This study applies deep learning to a long-distance fiber pre-warning system. Through deep learning, a vehicle-passing signal that mainly affects the pre-warning effect is identified, which effectively reduces the false-alarm rate of the pre-warning system. The intelligent fiber pre-warning system is mainly divided into two parts: the distributed optical-fiber sensing system and the signal-recognition system. In a real-world environment, an intrusion signal around the pipeline is collected by a Φ-OTDR(phase-sensitive optical time domain re?ectometry) distributed optical-fiber sensing system. Additionally, a recognition model is established by convolutional long short-term memory and fully connected deep neural networks to detect the vehicle-passing signal. After training and blind testing, the vehicle-passing event recognition model demonstrated a good recognition and positioning effect in a real-world long-distance fiber-monitoring environment and effectively reduced the false positives of the pre-warning system.

deep learning, neural network, distributed optical fiber sensing system, intelligent optical fiber pre-warning system, pipeline safety, signal recognition

TP2，TH8

A

1001-8891(2020)10-0927-09

2019-03-16；

2019-06-13.

白鈺（1993-），女，陜西人，碩士研究生，研究光纖傳感，信號識別等方向。E-mail：yubai93@foxmail.com。

邢冀川（1974-），男，講師，研究激光應用，光纖傳感，信號處理等方向。E-mail：michaelhsing@163.com。