基于分布式光纖振動傳感技術的地下管廊入侵監測系統

包 恬，李楚瑞?，邱 旭，黃祖煜

(1.復旦大學材料科學系，上海 200433；2.珠海大橫琴城市綜合管廊運營管理有限公司，廣東 珠海 519000)

隨著我國社會高速發展，集水、電、氣等各種市政管線于一體的地下綜合管廊逐漸成為城市的大動脈[1]。設置在路面上的井蓋作為地下綜合管廊的檢查口或出入口，發揮著重要作用。偷盜井蓋和通過井口入侵地下空間等行為，給地下綜合管廊運維帶來了極大的安全隱患。目前市面上監控井蓋的方法主要有加速度傳感器和電磁傳感器等，傳感數據需通過無線模塊發送到中控平臺[2－3]。然而，電子傳感器易受電磁干擾和潮濕環境的影響，且需長期供電，使得應用受到限制。為有效保障地下綜合管廊的安全運行，需要研發可靠、易用的入侵監控系統。

光纖傳感技術興起于20 世紀70 年代末，是一種利用光纖感知外界物理量同時傳輸光信號的傳感技術[4]。與傳統電子傳感器相比，光纖傳感技術具有抗電磁干擾、耐腐蝕、質量輕、可分布式探測等優勢，被廣泛應用于各個領域[5]。近年來，基于分布式光纖傳感的安防預警系統成為研究熱點，該類系統也逐漸在地下綜合管廊中得到應用[6－8]。但使用中誤報率高，如無法區分車輛駛過、挖掘機作業、暴雨等誤擾事件，給使用方帶來困擾。

基于深度學習的模式識別方法已成功應用于諸多領域[9－12]。卷積神經網絡算法作為深度學習領域的重要成員之一，因其強大的學習表征能力和優異的識別效果，被廣泛應用于圖像識別等領域[13－14]。對于振動信號，一維卷積神經網絡無需預處理即可分類識別，實現原始信號端到端直接判別，在光纖振動信號模式識別領域有較大的應用前景[15－16]。

本文針對地下綜合管廊安全防控需求，結合光纖傳感技術和深度學習方法，設計研制了一種基于分布式光纖振動傳感技術的地下管廊入侵監測系統。系統采用分布式光纖馬赫曾德爾－薩格納克(Mach Zehnder-Sagnac，MZ-Sagnac)混合干涉結構，結合振動傳遞裝置將井蓋開關行為轉化成對光纜的振動沖擊，最后利用一維卷積神經網絡算法對振動沖擊信號做模式識別，通過監測井蓋開關實現對地下管廊入侵行為監測的效果。

1 工作原理

1.1 光纖MZ-Sagnac 混合干涉結構原理

光纖MZ-Sagnac 混合干涉結構如圖1 所示，由超輻射發光二極管(Super-Luminescent Diodes，SLD)、3×3 耦合器、2×2 耦合器、光纖延時線圈、振動傳感光纜、法拉第旋轉鏡(Faraday Rotating Mirror，FRM)、光電探測器和數據采集與信號處理系統構成。

圖1 光纖MZ-Sagnac 混合干涉結構示意圖

超輻射發光二極管作為寬譜激光光源，發出的光束在該光路結構中存在多條光程，其中主要的光程有以下四條:

由于寬譜光源具有低相干長度的特點，四條光程中只有光程2 和光程3 的光程相近，可以發生干涉。當無外界擾動作用于傳感光纜時，光程2 和光程3 的相位差恒定；當有擾動作用于傳感光纜時，由于光彈效應[17]，擾動使得光程2 和光程3 產生相位差Δφ(t)，探測器接收到的兩路信號可以表示為:

式中:x(t)、y(t)是PIN 1 和PIN 2 接收到的兩路信號；Ia、Ib、Ic、Id是由系統光功率、線路衰減、3×3 耦合器分光比等決定的常量；α、β是由3×3 耦合器決定的初始相位；Δφ(t)是由外界擾動引起的光程2 和光程3 的相位差，可利用相位還原算法求解[18－19]。

假設擾動發生于圖2 的P點，其對于傳輸光的相位調制作用是φ(t)，則光程2 和光程3 產生的相位差信號為:

圖2 擾動源的位置

式中:φ2(t)、φ3(t)分別表示光程2、光程3 受到擾動后的相位；τ為光經過延時線圈所需要的時間；n為光纖的有效折射率；c為光的傳播速度；L為擾動點距離末端的距離。

進一步地，令:

式中:τd表示光來回經過L所需的時間。

結合式(3)和式(4)，式(2)相位差信號可進一步改寫為:

基于式(5)的時域特征，對相位差信號進行自相關運算[20]求得τd，即可求得擾動發生的位置L，計算公式如下:

因此通過該光纖MZ-Sagnac 混合干涉結構，可以采集外界擾動信號并進行擾動定位。

1.2 井蓋振動傳遞裝置

為通過光纖MZ-Sagnac 混合干涉結構獲取井蓋開關的振動信號，設計了井蓋振動傳遞裝置，示意圖見圖3。裝置底端固定光纜，裝置中間包含磁鐵，井蓋邊緣安裝鐵片。當井蓋被打開時，裝置中的磁鐵與井蓋下的鐵片分離，掉落至裝置底端與光纜碰撞產生沖擊信號；當井蓋關閉時，底部磁鐵由于鐵片吸引力往上吸，吸住瞬間產生的振動信號通過裝置傳遞給探測光纜。

圖3 振動傳遞裝置示意圖

該裝置將井蓋開關行為轉化成對光纜的振動沖擊，可以實現監控井蓋開關的目的。然而由于井蓋與光纜之間通過裝置形成固態連接，其他擾動信號易被放大，當車輛駛過、暴雨等擾動作用于井蓋時，也會產生告警信號。

針對上述誤報問題，系統后端增加振動信號模式識別算法判斷振動信號類型，并根據振動信號的類型決定是否發送告警信號。圖4 展示了開井蓋時磁鐵與光纜碰撞產生的瞬態沖擊信號的時域和頻域特征。時域圖表明碰撞的瞬間信號幅度較大，隨后信號幅度逐漸減小，功率譜圖揭示該信號的頻帶較寬，覆蓋0～2 000 Hz。

圖4 開井蓋信號的時域圖和功率譜圖

根據信號時頻域特點以及現場所需的高精度要求，決定使用一維卷積神經網絡(1D-Convolutional Neural Networks，1D-CNN)算法作為后端模式識別模塊。

1.3 一維卷積神經網絡基本原理

一維卷積神經網絡通常由一個輸入層、若干隱含層和一個輸出層組成[21－22]，其中隱含層包括若干個卷積層、池化層和一個全連接層，示意圖見圖5。

圖5 一維卷積神經網絡基本原理示意圖

卷積層主要由多個卷積核構成。一個卷積核可被看作是一個感受野，以一定的步長與局部數據進行運算，其運算原理為:

式中:a為卷積核在x方向上的寬度；F為卷積核參數向量；G為與卷積核函數運算的局部向量矩陣；w為卷積核的尺寸。

池化層對卷積得到的特征進行最大池化或平均池化等操作，從而大幅減少卷積層的空間維度，降低計算成本。

經過若干次卷積和池化操作，全連接層將1DCNN 網絡中多層卷積和池化后的特征鋪平為一維向量，映射到下一層。

輸出層采用Softmax 函數。該函數的輸出結果代表其對應類別的概率，因此輸出矢量的最大值對應的目標類別即為最終的識別結果，數學公式可表述為:

式中:R為輸出結果矩陣；k為類別個數；ωi和bi為第i個分類對應的權重和偏置矩陣。

一維卷積神經網絡判別模型的建立步驟如下:①采集大量信號，將信號與其對應類別結合構建成數據集；②設計一維卷積神經網絡結構并設置一維卷積神經網絡參數、訓練超參數；③將數據集輸入網絡進行訓練，使用反向傳播算法更新每層權重參數；④待迭代次數達到設定值則停止更新權重參數，保存參數得到判別模型；⑤將新的信號輸入判別模型，得到判別結果。

該方法省去手動提取特征的過程，無需對原始數據進行預處理，將原始數據直接送入1D-CNN 網絡進行識別，最終實現對光纜振動信號的分類。

2 實驗

2.1 實驗數據采集

系統搭建于實地管廊中，管廊長度約18.5 km，光纜鋪設在管廊內。地下管廊每隔一定距離設有井蓋，累計井蓋636 個，每個井蓋均安裝振動傳遞裝置，圖6 所示是管廊現場。

圖6 實驗現場

系統切片采集擾動信號，經反復試驗，40 ms 切片長度可以完整采集開關井蓋的瞬時振動信號，故切片長度設置為40 ms。采集的信號包括人為開關井蓋、車壓過井蓋、大卡車經過、暴雨襲擊和人不斷踩踏井蓋等。其中人為開關井蓋行為歸為人為入侵行為，其他事件歸為非人為入侵行為。本次實驗用于訓練神經網絡模型的信號共1 161 條，其中入侵行為信號656 條，非人為入侵信號505 條。

由式(5)可知相位差信號與擾動位置有關，圖7所示是不同類型振動信號去位置化前后的典型信號波形圖對比。觀察信號波形圖可以發現，振動信號去位置化后與原始的信號在幅度和輪廓上均有區別，直接將包含位置信息的相位差信號送入模式識別算法進行訓練將增加訓練的難度，訓練準確率下降。為使實驗數據之間更加具有一致性，將采集到的信號進行去位置化處理再用于模式識別可降低訓練的難度，增加識別準確度。該處理方法借鑒語音信號混響消除算法[23－24]，可以消除位置干擾。

圖7 振動信號去位置化前后的信號波形

2.2 1D-CNN 網絡結構搭建

采集的實驗數據去位置化之后，利用一維卷積神經網絡進行模式識別。網絡模型超參數的設計主要包括網絡的深度，卷積核的大小與步長以及卷積核的數目。本實驗搭建的1D-CNN 結構如圖8所示。

圖8 本實驗搭建的1D-CNN 結構

該1D-CNN 在第一個卷積層中采用48×1 的長卷積核以獲得較大的感受野，達到提取低頻信息的效果，使用ReLU 函數作為激活函數，采用最大池化過濾輸入中的冗余信息。此外，為了防止過擬合，增強泛化效果，網絡結構中還添加了50%丟棄率的dropout 層，并采用交叉熵損失函數作為模型優化的損失函數。Softmax 層有兩個輸出類別，對應人為入侵與非人為入侵兩種狀態。

2.3 1D-CNN 訓練結果

將1161 條信號與對應的狀態作為數據集，其中70%做訓練集，30%做驗證集。訓練過程的超參數選擇會影響模型性能，圖9 所示是不同優化算法、迭代輪次、初始學習率對初始訓練結果的影響。由圖9 可知自適應矩估計(Adaptive Moment Estimation，Adam)優化器優化性能最好，其同時結合了隨機梯度下降(Stochastic Gradient Descent with Momentum，SGDM)優化器的一階動量和均方根傳遞(Root Mean Square Prop，RMSProp)優化器的二階動量特點；理論上迭代次數越多準確度越高，但實際上過多的迭代次數會產生過擬合現象，選擇迭代次數要合理；學習率是更新網絡權重的超參數，表示每次參數更新的幅度大小。初始學習率過低或過高都會降低神經網絡的性能，本實驗選取10－3作為初始學習率，效果最佳。

圖9 訓練超參數對1D-CNN 初始訓練結果影響

1D-CNN 初始訓練結束后，為提高1D-CNN 最終判別性能，保存初始模型的映射函數，在該基礎上再次訓練。學習率從0.001 微調至0.002，迭代倫次從6 增加至18，間隔為1，mini-batch size 超參數從15 增加至40，間隔為5，當訓練集與驗證集準確度均是100%則保存模型為最佳模型用于后續的工程應用。圖10 所示是最終訓練結果的混淆矩陣，訓練集和驗證集預測結果均與真實標簽相符。

圖10 最終模型混淆矩陣

訓練結束后，保存最佳模型用于工程應用驗證，以測試模型的有效性和泛化能力。將幾個月后采集的1 573 條新信號送入判別模型進行識別，判別的準確度為99.3%。除了識別準確度，識別速度也是深度學習算法的重要指標之一。經試驗本算法判別一條信號所需時間約為0.07 s，滿足實際應用的實時性要求。

3 總結與展望

針對地下綜合管廊的安全防控需求，設計研制了一種基于分布式光纖振動傳感技術的地下管廊入侵監測系統。系統采用分布式光纖馬赫曾德爾－薩格納克混合干涉結構，結合裝置將井蓋開關行為轉化成對光纜的振動沖擊，利用一維卷積神經網絡算法對振動沖擊信號做模式識別，通過監測井蓋開關實現對地下管廊入侵行為監測的效果。經過現場后續的實地測試，該系統可以有效區分監測事件和干擾事件，識別準確率高于99%，判別實時性高。今后，將進一步豐富干擾信號的數據集，采集其他的干擾信號納入訓練，以提高判別模型的準確率。