基于HMM的管道安全监测DAS信号时序信息挖掘与识别方法

发布时间：2020-05-25 02:17

【摘要】：基于相敏光时域反射仪(Phase-sensitive Optical Time-domain Reflectometry,Φ-OTDR)的分布式声波传感(Distributed Acoustic Sensing,DAS)系统在长距离管道安全监测中快速发展并广泛应用。在大范围环境安全监测中,复杂环境下声波/振动信号通常表现出非线性和非平稳特征,实现宽动态环境下物理事件的高识别率和深入理解具有很大的挑战。因此,本文提出了基于隐马尔可夫模型(Hidden Markov Model,HMM)的管道安全监测DAS信号时序信息挖掘与识别方法。该方法结合了特征矢量和特征矢量时序演化关系两重信息,相比于只根据某时间段信号的静态特征或特征矢量进行分类的传统识别算法,具有更高的事件识别率;同时基于HMM模型库可挖掘信号的时序演化信息。现场数据测试结果表明,该方法对埋地管道上五类典型事件的平均识别率可达到98%,优于传统的机器学习方法,如决策树(Decision Tree,DT)、随机森林(Random Forest,RF)、支持向量机(Support Vector Machine,SVM)和贝叶斯网络(Bayesian Network,BN)等,并具有较好的时效性。具体工作如下:(1)分析国内外管道安全监测领域信号处理技术现状,对现有方法因忽略信号时序演化信息导致识别率低的问题,本文提出了基于HMM的管道安全监测DAS信号时序挖掘与识别方法。(2)根据DAS信号具有随机性和非平稳性的特点,提出了基于时域、频域、变换域和模型参数的多分析域特征提取方法。另外,采用F值特征选择和LDA特征降维算法降低特征集维数,并对降维结果进行可视化。(3)基于HMM提出了人工挖掘、机械挖掘、交通干扰和工厂干扰等五类事件信号的时序挖掘和识别方法,包括基于K-means算法的参数初始化方法和基于高斯混合模型(Gaussian Mixed Model,GMM)的HMM观测矩阵参数估计方法,首次在获得信号事件类型的同时,挖掘出信号的时序演化规律。(4)基于现场数据测试HMM时序挖掘和识别方法的有效性。基于准确率、召回率等多个分类器性能评估指标,对五种传统模型与HMM进行对比,测试结果表明HMM相比其他五种模型具有更高的识别率,平均识别率可达到98%,且输出的隐状态序列很好地刻画了信号的演化过程。最后,对HMM方法的时效性进行了测试,结果表明HMM在线处理速度可以达到125条样本/秒,满足系统时效性要求。
【图文】：

示意图,示意图,彩球,观测值

电子科技大学硕士学位论文随机选择罐且每个罐随机掉落彩球彩球序列图 2-3 缸与彩球模型实验由罐子取球实验，HMM 过程描述，如图 2-4 所示，HMM 的特征总结如（1）HMM 状态变化过程无法直接确定，可结合观测序列和模型参数预（2）隐状态和观测值不一一对应，每个状态下出现的观测值满足某种（3）HMM 含有双重随机过程，，状态按概率转移的 Markov 过程，状态的出现满足概率分布。

示意图,前向算法,递归关系,观测值

第二章基于 DAS 的管道安全监测原理及信号处理方法 NiTPOi1( | ) ()1 iq 且1 1v o的联合概率。递推公式(2-19)是前意图如图 2-6 所示。从图中可以很清晰的理解相推演关系，在不考虑 t 1时刻的观测值t1o 时，时刻 N 种隐状态通过全概率公式计算得到，在得，观测值为的概率又可以由时刻所有隐状。
【学位授予单位】：电子科技大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TN911.7;TU990.3

【参考文献】