基于STFT圖像特征的天然氣管道預警技術(shù)研究

姚瑞煦，李 俊，張訢煒，張家瑞，張鼎博，范斌斌，馬 天，王偉峰，翟小偉

(1.西安科技大學 安全科學與工程學院，西安 710054；2.陜西省煤火災害防治重點實驗室，西安 710054)

0 引言

石油天然氣管道(以下簡稱“管道”)是能源運輸?shù)闹匾A設施，是經(jīng)濟社會發(fā)展的“生命線”。根據(jù)國家規(guī)劃，計劃到2025年管道網(wǎng)絡布局將形成 “五縱五橫”，形成遍布全國的一張網(wǎng)，這將會極大的提高油氣管道的運輸里程和速度，預示著我國管道發(fā)展進入了新的階段。管道運輸具有油氣運輸量大、成本低、方便管理、占地少，同時對環(huán)境污染少等優(yōu)點，一直是油氣資源輸送的首要選擇，是保證經(jīng)濟發(fā)展的重要基石，但若管道在使用過程中有所損壞，比如占比40%以上管道事故的主要原因為自然災害或者第三方施工，容易導致管道發(fā)生泄漏或者偷盜油氣，不僅影響油氣輸送的速度，也會危害周邊的居民生命安全和環(huán)境安全，因此需要全方位的確保管道運行的安全性、可靠性、靈活性，對管道沿線發(fā)生的各類事件進行實時準確的預警[1]。

目前傳統(tǒng)的管道安全監(jiān)測方法大多屬于事后檢測[2]，無法對危險提前進行預警，導致現(xiàn)場安全風險大。根據(jù)目前管道安全的應用要求，有學者提出了一種基于相位敏感光時域反射儀(Φ-OTDR，phase-sensitive optical time-domain reflectometer)的分布式長距離光纖傳感系統(tǒng)。此系統(tǒng)利用現(xiàn)場管道埋的伴行光纜進行振動數(shù)據(jù)的采集，然后系統(tǒng)的每個模塊對采集的數(shù)據(jù)進行自適應濾波，去除現(xiàn)場噪聲等干擾信號，最后再判斷現(xiàn)場發(fā)生的振動事件[3-4]。對于目前管道保護的研究來說，最重要的是如何準確地進行振動信號的識別分類，以便于減少現(xiàn)場識別振動事件的誤報。

國內(nèi)朱汪友等提出進行特征四分類，并使用神經(jīng)網(wǎng)絡(BP，back-propagation)分類器、支持向量機(SVM，support vector machine)分類器及BP-SVM融合分類器的識別率分別為75.2%、68.5%、81.4%[5]，張景川等[6]提出了小波能譜和小波信息熵兩種方法相結(jié)合的特征提取方法，總體識別率達 98.5%。T.Marie等提出使用TFDC時頻域特征識別光纖振動，使用SVM確定光纖振動模式識別事件的大小[7]，第一、第二和第三個典型事件的識別準確率為99.60%，94.74%和96.02%，平均識別率為96.78%。L.H.Jiang[8]等提出了從輸入信號中選取包含入侵信號的片段，并通過小波變換和設定合適的閾值去除噪聲。然后使用小波包分解來抽取頻域特征。最后使用 BP 神經(jīng)網(wǎng)絡對入侵信號進行識別，其實驗結(jié)果顯示識別率為96.8%。

Y.Shi[9]提出使用卷積神經(jīng)網(wǎng)絡(CNN，convolutional neural network)的深度學習算法，預處理過程只需簡單的帶通濾波和灰度變換，基于5 644個事件樣本的實驗結(jié)果表明，該網(wǎng)絡對5種事件的分類準確率達到96.67%。 H.Q.Qu[10]提出，利用隨機配置網(wǎng)絡(SCN，stochastic configuration networks)對3種事件進行識別，數(shù)據(jù)在無噪聲情況下識別率達到99.55%，數(shù)據(jù)在有噪聲情況下識別率達到77.35%。此外還有結(jié)合圖像處理方法的信號識別等，但深度學習大多采用實驗室數(shù)據(jù)樣本，沒有采用現(xiàn)場實際的數(shù)據(jù)對識別算法進行應用驗證。

目前實際現(xiàn)場分析使用最成熟的應用算法是BP、SVM等傳統(tǒng)機器學習方法，軟件編寫應用方便，識別率高。因此本文通過對確認發(fā)生危險事件地段的現(xiàn)場，采集管道附近的振動信號，進行連續(xù)時間幀的短時傅里葉變換(STFT，short-time fourier transform)圖像化，并提取相應的特征值，結(jié)合BP等分類方法，進行時間-空間維度上的識別，區(qū)分噪聲、機械破環(huán)、人工挖掘、榔頭敲擊、人跳躍以及人踏步通行六類事件，測試得到基于STFT的BP分類模型的振動識別率并與其他算法進行對比，BP六類總分類準確率為99.5%高于隨機森林的88.3%，K近鄰(KNN，K-nearest neighbor)的84.2%以及SVM的73.3%，以及GoogLeNet的93.3%，另外人工挖掘的誤報率0%優(yōu)于隨機森林的10%，KNN的10%以及SVM的25%，與GoogLeNet持平，因此BP算法相較于其他算法的總識別正確率以及人工挖掘的誤報率最優(yōu)。

1 管道預警分類算法實現(xiàn)

1.1 分類算法整體流程圖

現(xiàn)場采集的振動信號，經(jīng)過濾波預處理后，通過STFT算法進行時頻域圖像化，提取圖像的特征值后，最后采用不同的算法進行分類測試，算法訓練過程由python和Matlab混合編程實現(xiàn)，主要步驟如下：

1)數(shù)據(jù)預處理。采集現(xiàn)場六類事件的原始振動數(shù)據(jù)，然后進行小波硬閾值濾波，使數(shù)據(jù)減少波動，減少干擾。

2)振動信號圖像化。將采集的六類事件的振動數(shù)據(jù)進行STFT分析，按照1 s的時間間隔生成圖片，生成圖片時注意根據(jù)信號頻率的大小調(diào)整不同事件圖片的Y軸的大小。

3)提取特征值。針對傳統(tǒng)的機器學習，需要對六類現(xiàn)場圖像數(shù)據(jù)進行特征值的提取，比如灰度特征、不變矩特征、共生矩陣特征等，深度學習則直接對圖片進行訓練。

4)生成訓練測試樣本，對六類現(xiàn)場圖像數(shù)據(jù)提取的特征值進行標簽分類，噪聲標簽為0；機械破環(huán)標簽為1；人踏步通行標簽為2；人跳躍為3；人工挖掘為4；榔頭敲擊為5。

5)使用不同的算法進行訓練。分別使用BP、隨機森林、KNN、SVM、GoogLeNet算法對訓練數(shù)據(jù)進行數(shù)據(jù)模型的生成。

6)輸出測試結(jié)果。通過對不同分類算法的數(shù)據(jù)模型進行測試，并輸出六類測試樣本的分類結(jié)果。

1.2 算法介紹

管道保護法第三十五條等條款規(guī)定，施工單位、管道企業(yè)和地方管道保護主管部門，都是保障管道外部安全的法律責任主體，任何一方履職不到位，都有可能造成管道第三方損壞事件。實際管道線路短則十幾千米，長則上百前米，如果人工進行巡查監(jiān)測，費時費力效率低下，因此基于分布式光纖傳感，利用機器學習以及深度學習的方法，可以實時的保護管道安全。

1.2.1 小波硬閾值濾波

目前一般使用信噪比(SNR，signal-to-noise ratio)衡量信號被噪聲污染的程度，當SNR較小的時候，噪聲比較大，會導致實際需要的信號識別困難，為了抑制和防止現(xiàn)場復雜環(huán)境對于振動信號的干擾，本次實驗先使用小波硬閾值的濾波方法進行信噪分離，提取出真實有效的現(xiàn)場數(shù)據(jù)，然后再進行后續(xù)的分析處理。

小波去噪的基本原理是基于噪聲小波變換后平均功率與尺度成反比，真實信號小波變化后平均功率成正比這一特性，去除信號中的噪聲，主要流程是對信號進行預處理，然后通過小波變換進行多尺度分解，之后對各尺度上的小波系數(shù)進行去噪，最后通過小波逆變換重構(gòu)還原信號。但直接進行小波去噪有可能去掉一部分真實信號，因此一般使用小波閾值去噪的方法[11]。

小波閾值去噪方法就是在小波去噪的基礎上，對信號進行小波變換多尺度分解，找到一個合適的閾值，保留大于閾值的信號，去除小于閾值的信號，最后再通過小波重構(gòu)還原出真實有用的去噪信號。

其中硬閾值函數(shù)的數(shù)學表達如下：

(1)

1.2.2 STFT算法

眾所周知任何周期信號都可以由一系列正弦和余弦信號的線性組合而成，離散傅里葉變換(DFT，discrete fourier transform)可以描述一個信號由哪些波疊加而成，并給出每個分量的頻率、幅值與相位。然而直接對一個非平穩(wěn)信號做DFT無法得到信號變化的時序信息，例如在某段時間內(nèi)，信號先出現(xiàn)后消失，直接對信號進行DFT無法判斷出不同信號出現(xiàn)的先后順序，而STFT可以每次取出信號中的一小段加窗，然后進行DFT來反映信號隨時間的變化[12]。本次實驗將現(xiàn)場去噪后的振動信號通過STFT算法得到連續(xù)時間幀的時頻域圖像。

STFT的主要流程是首先取出一段信號稱為一幀數(shù)據(jù)，每兩幀數(shù)據(jù)之間的間隔稱為HopSize，然后對一幀數(shù)據(jù)進行DFT，然后重復這個步驟，直到整個信號的每一幀都完成DFT，最后將每一幀的結(jié)果拼接到一起，就可以得到整個信號的STFT結(jié)果。進行STFT最主要的參數(shù)就是一幀的長度，長度太短，所選取的信號也會太短，導致頻率分析信息不夠準確，長度太寬，會導致信號的時域分辨率低。一般來說對于非平穩(wěn)信號，高頻適合短長度，低頻適合寬長度，STFT算法的主要優(yōu)點是可以展示不同時刻內(nèi)信號的各個成分的頻率信息以及捕捉突變的信號，因此適合用于管道入侵現(xiàn)場的數(shù)據(jù)分析，本次實驗采用寬度為256的漢寧窗，重疊值為50，效果良好。

1.2.3 分類算法

BP算法由Rumelhart，Hinton和Williams于1986年提出[13]，是一種按照誤差反向傳播算法訓練的多層前饋神經(jīng)網(wǎng)絡，基于梯度下降的誤差函數(shù)優(yōu)化，因為利用了神經(jīng)網(wǎng)絡的層次結(jié)構(gòu)，顯著提高了計算效率，一般分為3種層次，有輸入層、隱藏層、輸出層。其中輸入層，輸出層一般只有1層，而隱藏層取決于具體實例的學習進程，可以設置多層次。激活函數(shù)采用sigmoid函數(shù)，在前饋網(wǎng)絡中，輸入信號經(jīng)輸入層輸入，通過隱層計算由輸出層輸出，輸出值與標記值比較，若有誤差，將誤差反向由輸出層向輸入層傳播，在這個過程中，利用梯度下降算法對神經(jīng)元權(quán)值進行調(diào)整。通過多次調(diào)整權(quán)值(神經(jīng)元節(jié)點權(quán)系數(shù))來實現(xiàn)在多組輸入值情況下，輸出值與預期值的逐漸擬合(即使兩者間誤差函數(shù)減小)，是當前工程應用最廣泛的一種人工神經(jīng)網(wǎng)絡。

2001年Breiman提出了隨機森林算法[14]，隨機森林屬于集成學習的一種，集成學習主要通過生成多個弱分類器，每個分類器各自單獨地學習并做出預測，然后將這些預測結(jié)合成組合預測，從而實現(xiàn)一個預測效果更好的分類器。通過樣本和特征生成大量的決策樹構(gòu)成隨機森林，每棵決策樹會有一個預測結(jié)果，最后投票最多或者取平均得到最終的預測結(jié)果。隨機森林適合進行回歸或者分類任務。

1968年Cove、Hart 提出KNN 算法[15]，屬于監(jiān)督學習的一種，主要原理是當預測了一個結(jié)果時，通過多數(shù)表決計算結(jié)果距離最近的K個點的類別歸屬，然后判斷結(jié)果屬于哪個類別。主要思想就是“人以類聚，物以群分”，算法主要關注距離度量、分類決策以及K值的選擇，其中K值的選擇直接會影響預測結(jié)果，一般通過交叉驗證選擇最優(yōu)的K值。KNN算法操作簡單，易于理解和完成，尤其適合于多分類問題。

在1995年，C.Cortes 和 Vapnik等人首次提出SVM算法[16]，是機器學習典型的分類方法之一，SVM在處理小樣本數(shù)據(jù)中有很強的優(yōu)越性，因此在廣泛領域中有所應用。主要思想是在特征空間中尋找間隔最大的分類超平面，從而進行數(shù)據(jù)二分類。由于SVM是一個凸優(yōu)化問題，因此線性和非線性的問題都適用，所求的解是全局最優(yōu)解，同時理論基礎比較完善，算法思想成熟，也適用于高維樣本空間，但不適合超大數(shù)據(jù)集。

GoogLeNet[17]是2014年C.Szegedy提出的一種CNN的變種網(wǎng)絡模型結(jié)構(gòu)，由于VGG、LeNet等算法都是由不同神經(jīng)網(wǎng)絡模塊串聯(lián)而成，神經(jīng)網(wǎng)絡深度不斷增加導致模型參數(shù)巨大并且容易過擬合，而GoogLeNet采用并聯(lián)網(wǎng)絡塊Inception，通過結(jié)構(gòu)優(yōu)化來提升模型泛化能力并降低模型參數(shù)。1×1卷積核能提取到更豐富的特征，因此若要大批量計算核卷積，可以使用1×1 卷積進行合理降維。GoogLeNet網(wǎng)絡包括22個帶參數(shù)的層，獨立成塊的層主要有100個左右，另外網(wǎng)絡中間的層次生成的特征很有區(qū)分性。目前通過不斷迭代，發(fā)展出了Inception-V1、Inception-V2、Inception-V3、Inception-V4、Inception-ResNet等版本。

1.3 分類測試結(jié)果

現(xiàn)場測試管道距離控制室554米，現(xiàn)場附近有行車通道，屬于山區(qū)，較為安靜，平時機械破環(huán)和人行走事件比較多，若有列車經(jīng)過或者動物經(jīng)過會出現(xiàn)干擾，用于此次實驗測試的數(shù)據(jù)在現(xiàn)場同一個位置進行采集，此采集點埋深較淺，干擾信號較小，非常適合用于信號采集。

如表1所示，BP運行總準確率99.5%，榔頭敲擊有一次誤報成人跳躍可能是由于動作頻率接近，導致混淆。在實際運用過程中，人跳躍行為誤報發(fā)生的概率比較低，現(xiàn)場大多數(shù)人都是正常行走。

表1 BP算法混淆矩陣結(jié)果對比 %

如表2所示，根據(jù)混淆矩陣計算可知隨機森林運行準確率88.3%，噪聲、人跳躍、人工挖掘均有不同程度的誤報。

表2 隨機森林算法混淆矩陣結(jié)果對比 %

如表3所示，根據(jù)混淆矩陣計算可知KNN運行準確率84.2%，六類事件均有不同程度的誤報。

表3 KNN算法混淆矩陣結(jié)果對比 %

如表4所示，根據(jù)混淆矩陣計算可知SVM運行準確率73.3%，六類事件均有不同程度的誤報。

表4 SVM算法混淆矩陣結(jié)果對比 %

如表5所示，GoogLeNet運行準確率93.3%，機械破環(huán)有一次誤報為榔頭敲擊，噪聲有三次誤報為人工挖掘，人跳有一次誤報為人工挖掘，三次誤報為榔頭敲擊。

表5 GoogLeNet算法混淆矩陣結(jié)果對比 %

綜上分析，分類準確率較高的為BP和GoogLeNet算法，機械破環(huán)和人工挖掘以及人跳躍有一些混淆誤報。其中BP系統(tǒng)測試穩(wěn)定性好，可以良好地用于現(xiàn)場事件分類。

2 測試方案及現(xiàn)場測試

2.1 實驗測試方案

2.1.1 Φ-OTDR實驗原理

由Taylor 等[18]首次提出的Φ-OTDR 系統(tǒng)，與傳統(tǒng)光時域反射計(OTDR，optical time-domain reflectometer)相比，其注入光為強相干光，輸出為后向散射光的相干干涉光。當外界壓力或者變化作用于某一點的傳感光纖時，傳感光纖的折射率會發(fā)生變化，導致這點的瑞利散射受到影響產(chǎn)生了相位調(diào)制，整個傳感光纖系統(tǒng)就是通過解調(diào)現(xiàn)場測試每個點的瑞利散射光脈沖信號的強度或相位信息，最后測量輸出光電流的變化進行分布式傳感。由于這一特性，使得Φ-OTDR系統(tǒng)能夠探測出現(xiàn)場一些微弱的擾動。

Φ-OTDR系統(tǒng)使用激光器經(jīng)聲光調(diào)制后，將相干脈沖光通過環(huán)形器注入現(xiàn)場的傳感光纖，當測試現(xiàn)場發(fā)生擾動后，傳感光纖產(chǎn)生的后向瑞利散射光返回至光纖前端，然后瑞利散射光通過環(huán)形器，其中強度解調(diào)型 OTDR，環(huán)形器的光通過光電探測器進行接收后通過解調(diào)單元進行外界擾動事件的還原，主要用于定位外界應變，而對于相位解調(diào)型Φ-OTDR，環(huán)形器的光通過干涉儀進行解調(diào)或者相干解調(diào)，因此外界發(fā)生的事件與干涉信號的相位成正比，主要用于確定外界應變的大小、相位和頻率。當現(xiàn)場光纖線路上入侵位置發(fā)生擾動[19]，入侵位置的光強將與前一時刻沒有入侵時的光強不同，通過當前時刻的信號與前一時刻信號連續(xù)相減，確定現(xiàn)場線路實時的光強差異，可以定位線路上的入侵位置[20]。

2.1.2 Φ-OTDR實驗方案

由于Φ-OTDR系統(tǒng)的激光器的線寬越窄，測試靈敏度越高，測試現(xiàn)場外界擾動的效果也越好。本次實驗采用激光線寬為100 Hz的窄線寬激光器，激光器中心波長為1 550 nm、功率為20 mW。激光器的光通過耦合器，設置比例9：1，再通過光纖聲光調(diào)制器形成光脈沖，通過循環(huán)器傳送至傳感光纖中，將返回的瑞利散射光通過耦合器，設置比例3：3，最后將光電轉(zhuǎn)換后的信號，通過濾波器，經(jīng)過解調(diào)電路進行解調(diào)，輸出最終結(jié)果。系統(tǒng)光纖放大器的增益均為15 dB，數(shù)據(jù)采集卡采用簡儀科技PCle-9802DC，數(shù)據(jù)采集卡和聲光調(diào)制器采用同一發(fā)生器進行調(diào)制，脈寬設置為100 ns，數(shù)據(jù)采集卡采樣頻率設置為250 MSa/s，布置傳感光纖的總長度為12 000 m，采用單模光纖，纖芯光折射率為1.48，采樣點12 000個。每一次采樣的間隔是重復頻率，每次采集的數(shù)據(jù)量不變。

2.1.3 現(xiàn)場測試背景介紹

目前現(xiàn)場管道發(fā)生事故原因的很多，有的是因為管道質(zhì)量未達標，比如管道本身有缺陷或者焊接質(zhì)量不佳容易損壞，這是由于管道自身的問題導致發(fā)生事故，也有管道遭到外界的影響導致發(fā)生事故，比如腐蝕、人工挖掘、自然災害等等。這其中由外在原因或第三方施工破壞引發(fā)的管道事故，例如機械破環(huán)會鉆破管道，可能使石油大量泄漏，導致環(huán)境污染并引發(fā)爆燃，是目前管道維護中，最頻繁、最重要的問題，約占事故總數(shù)的49.7%，給管道安全可靠運行帶來了最嚴峻的挑戰(zhàn)。導致第三方施工破壞的原因主要是施工單位管理不到位、施工作業(yè)人員安全意識不強、趕工期、施工作業(yè)不規(guī)范、違規(guī)施工等，由于管道第三方施工破壞的形式是復雜的、多樣的，具有不可控制性和隨機性。因此，需要對管道現(xiàn)場進行各種外界事件的實時監(jiān)測，是進行管道保護的重要手段。

中石油某管道敷設處于川南地震活躍帶，土地資源稀缺，管道占壓與非法機械破壞風險較大，尤其對管道附近小型施工活動難以及時發(fā)現(xiàn)。此次實驗以管線里程樁為基礎，30～50米為一個測點間隔，沿線逐一標定光纜實際位置在系統(tǒng)中的位置信息。以1米為振動跨距間隔，4米為埋深找到信號最強烈的點，在系統(tǒng)中對應實際光纜的位置信息，進行全程標定。

圖1為分布式光纖振動監(jiān)測預警系統(tǒng)[14]，其監(jiān)測范圍20公里。通過和管道同溝敷設光纜中的一芯光纖連接各個場站的設備將數(shù)據(jù)傳送至放置在天然氣壓氣站中控室內(nèi)的主機，最后將主機的數(shù)據(jù)上傳至監(jiān)控終端完成整個系統(tǒng)的預警顯示。

圖1 現(xiàn)場監(jiān)測系統(tǒng)布置示意圖

現(xiàn)場中控室主要包括顯示器、光學解調(diào)系統(tǒng)及工控機等。監(jiān)控終端使用自主研發(fā)的軟件，系統(tǒng)軟件負責信號處理、威脅事件識別、數(shù)據(jù)存儲、報警管理等任務。系統(tǒng)軟件主要包括如下功能模塊：系統(tǒng)權(quán)限、告警顯示、斷纜監(jiān)測、故障報警、報表統(tǒng)計、事件定位等功能。

基于Φ-OTDR的分布式光纖傳感系統(tǒng)對油氣管道附近的現(xiàn)場振動信號進行了采集，分別包括噪聲、機械破環(huán)、人工挖掘、榔頭敲擊、人跳躍以及人踏步通行6類事件，共計100組數(shù)據(jù)。其中機械破環(huán)持續(xù)時間為1分鐘。

在現(xiàn)場測試中，對于每類振動信號，保存多組測量數(shù)據(jù)，以便于進行信號分析。在管道上施加各類信號的測量結(jié)果進行分析比較。在不同振動信號的施加過程中，解調(diào)儀獲取的光纖光柵中心波長變化范圍不同。對信號進行STFT分析，首先通過基于 “wname”的正交小波函數(shù)，對信號進行硬閾值濾波，然后每間隔一秒，對信號添加窗長256的漢寧窗，最后進行重合點數(shù)為250，快速傅里葉變換(FFT，fast fourier transform)點數(shù)為256，信號采樣率為3 000 Hz的STFT函數(shù)分析，生成時頻域圖片，六類事件的時頻譜大小皆不同，能夠滿足對以上幾類事件的頻譜區(qū)分。傅里葉變換只能獲取信號總體上包含哪些頻率的成分，而STFT處理可以對各成分出現(xiàn)的時刻加以展現(xiàn)。另外對于信號中的突變，傅里葉變換很難及時捕捉。而STFT可以捕捉信號的突變，可以得到不同事件的不同信號圖。

通過圖2～7可以看出，噪聲的波形圖隨機無規(guī)律，頻率在15 Hz左右，機械破環(huán)有周期規(guī)律，頻率40 Hz左右，人踏步通行和人工挖掘都是1 s左右進行一次實驗，能明顯從頻率圖上看出，有土壤進行緩沖，信號逐漸衰減，人踏步通行頻率在20 Hz左右，人工挖掘頻率在20～60 Hz左右，人跳躍頻率在40～100 Hz左右，榔頭敲擊衰減慢一些，跟土壤接觸面積大，頻率從0～100 Hz都有。

圖2 噪聲振動信號變化圖

圖3 機械破壞振動信號變化圖

圖4 人踏步通行振動信號變化圖

圖5 人跳躍振動信號變化圖

圖6 人工挖掘振動信號變化圖

圖7 榔頭敲擊振動信號變化圖

3 測試結(jié)果及對比分析

3.1 BP與傳統(tǒng)方法對比

如表6所示，通過對比分析BP的總分類準確率99.5%最好，機械破環(huán)誤報率0%和人工挖掘的誤報率0%最低，由于BP神經(jīng)網(wǎng)絡具有高度自學習和自適應的能力，通過學習自動提取輸出、輸出數(shù)據(jù)間的“合理規(guī)則”，并自適應地將學習內(nèi)容記憶于網(wǎng)絡的權(quán)值中，通過權(quán)值的不斷迭代可以達到一個比較好的分類效果。隨機森林可能有很多相似的決策樹，掩蓋了真實的結(jié)果影響結(jié)果穩(wěn)定性，KNN中k值大小的選擇影響實驗結(jié)果，SVM通過對特征空間劃分的最優(yōu)超平面，特征平面選擇會限制影響最終結(jié)果。

表6 機械破壞和人工挖掘效果對比 %

3.2 BP與深度學習方法對比

如表7所示，通過對比分析BP機械破環(huán)和人工挖掘誤報率最優(yōu)，并且總分類準確率BP高于GoogLeNet，小樣本條件下的深度學習容易過擬合，分類效果也容易受影響，結(jié)果不穩(wěn)定，同樣的數(shù)據(jù)量下，BP的分類結(jié)果比GoogLeNet更穩(wěn)定一些。綜合來看BP方法簡單成熟，最終分類的效果適用實際現(xiàn)場應用。

表7 機械破壞和人工挖掘效果對比 %

4 結(jié)束語

本文提出了一種基于STFT對振動事件進行圖像化的監(jiān)測方法，并搭建了現(xiàn)場監(jiān)測系統(tǒng)。利用OTDR分布式傳感的方法來監(jiān)測管道周圍的振動情況，闡述了振動信號監(jiān)測的原理，并在中石油西南某管道上進行現(xiàn)場實驗。測試過程中將采集到的振動信號預處理后通過短時傅里葉變換轉(zhuǎn)換成時頻域圖像，通過BP、SVM、GoogLeNet等方法對噪聲、機械破環(huán)、人工挖掘、榔頭敲擊、人跳躍以及人踏步通行6種基本類型的現(xiàn)場事件進行分類測試，使用BP算法進行分類，機械破環(huán)的預警誤報率低至0%，人工挖掘的預警誤報率低至0%，隨機森林算法誤報率為10%，KNN算法機械破壞和人工挖掘的誤報率都為10%，SVM算法機械破壞的誤報率為10%，人工挖掘的誤報率為25%，因此BP算法的誤報率最低。

現(xiàn)場測試結(jié)果表明實際工程應用中可以基于BP系統(tǒng)對管道附近發(fā)生的噪聲、機械破環(huán)、人工挖掘、榔頭敲擊、人跳躍以及人踏步通行6種現(xiàn)場振動信號進行監(jiān)測。本系統(tǒng)的優(yōu)勢在于對現(xiàn)場復雜多事件發(fā)生情況下，系統(tǒng)對于機械破環(huán)以及人工挖掘事件的誤報率依然非常低，能夠滿足現(xiàn)場的實際應用，避免管道非法開挖、第三方破壞及其引發(fā)次生災害事故的發(fā)生，實時地監(jiān)測現(xiàn)場管道周圍發(fā)生的各類事件，確保管道的安全運行，減少人力物力等維護成本，保護人民的生命財產(chǎn)安全以及周邊環(huán)境。