基于φ-OTDR与深度学习的地埋管道入侵事件分类与振动源精准定位系统设计.docxVIP

PAGE2

基于φ-OTDR与深度学习的地埋管道入侵事件分类与振动源精准定位系统设计

摘要

地埋管道作为城市能源输送的生命线，长期面临第三方施工破坏和人为入侵的威胁。传统人工巡检与电类传感器在长距离、抗干扰和事件识别精度方面存在明显局限。本设计以相位敏感光时域反射计（φ-OTDR）为传感基础，构建了一套兼具振动源定位与入侵事件分类的智能监测系统。系统通过后向瑞利散射相位解调算法提取高灵敏度扰动信号，利用改进的互相关时延估计方法实现米级定位精度，并引入一维卷积神经网络（1D-CNN）对挖掘、行走、车辆碾压等典型入侵事件进行自动分类。

论文按照“需求分析→总体设计→详细设计→实现→测试”的工程递进逻辑展开。首先分析管道安全监测的现实痛点，明确实时检测扰动、精准定位位置、准确分类事件的功能指标。继而设计由光传感单元、信号解调与预处理模块、定位运算模块、CNN识别模块及人机交互终端构成的总体架构。详细设计中给出了基于反正切与相位解包裹的解调算法流程和基于广义互相关的定位算法步骤，并定义了CNN的网络结构与特征提取策略。系统实现后对挖掘机作业、人员行走、车辆通行三类场景进行测试，验证了定位误差小于10米、分类准确率高于95%的设计目标。本设计的创新之处在于将分布式光纤传感的相位信息与深度学习的时空特征提取能力深度融合，实现了从“扰动报警”到“事件理解”的能力跃升。

第一章绪论

1.1