1概述
随着我国燃气管线基础设施老化，安全问题日益突出，实现实时在线安全监测显得尤为重要[1-2]。目前主流的燃气管线安全监测传感器均为点状传感器，其缺点是覆盖面不足且施工、维护成本较高。而分布式光纤传感技术具备优良的防水性、抗电磁干扰能力、高监测精度和远距离信号传输的能力，能够实时监测管道及其周边异常事件[3-5]。目前分布式光纤传感技术在城市燃气管线，尤其是中低压燃气管线中的应用研究较为缺乏。因此，开展光纤AI识别感知在城市生命线燃气风险防控中的应用研究，利用光纤传感技术实时监测通信光纤毗邻的燃气管线，提升燃气管道潜在风险的预测、监测和管理能力，对保障城市燃
气管道的安全运行具有重要意义。
2023年6月在实验环境中对分布式光纤振动传感定位系统进行了系统研究，并利用地下通信光缆有效采集了挖机、风炮、静止等场景的数据。本研究是在此基础上，通过搭建新街口地区城市生命线燃气管道风险事件监测试验场景，采集燃气管道工况测试实景数据进行分析识别风险事件，验证光纤AI识别感知技术对燃气管网的周边风险事件的实时、精准监测。
2光纤AI识别感知技术
2.1光传感技术光路架构
在光传感技术中通过调制解调激光脉冲，可以有效检测并分析不同位置的外界信号。本文基于图1所示
[第一作者简介]王晨艳，副总经理，高级经济师，主要从事燃气管理工作。
路径完成激光调制与解调。通过声光调制器（AOM）调制激光脉冲，生成两个频率不同的激光脉冲A和B。经EDFA放大后，两个激光脉冲通过环形器进入待测光纤，形成相应的反向瑞利散射信号。反向瑞利散射信号A和B经耦合器后，A路信号延迟，B路信号不延迟，在光纤内同一位置形成干涉。干涉光通过光电转换器（PD）转为电信号，再经模数转换器（ADC）转换为数字信号，最终由CPU解调算法解调出对应位置的相位信号，实现对外界信号的精确测量。
为解决通信光纤在多接点光衰耗较大后出现反向瑞利散射光极其微弱的问题，本文采用多波长和多路径调制解调技术。采用窄线宽的激光器，通过多波长调制解调和多路径调制解调，实现对16个波长的光学信号的解调。基于对波长的光接口卡，采用多波长激光探测外部传感光缆，减少个别波长导致的通道衰落，确保信号完整性。
2.2光传感技术信号高保真感知算法
光信号的相位发生变化，相位变化公式为△@=2(-201 -1)5是格民模量。P是外界报动信号造成的声压，μ为泊松系数、S光缆截面积。本文采用最坏环境设计值法，考虑管道有6层衰耗，利用土壤传播密函数提高多弹性介质下的相位量解调准确率，提高复杂环境下光纤传感系统的相位解调精度和可靠性。
2.3事件振动信号分类AI判别算法
本文采用基于多模态特征提取和WaveNet神经网络模型的事件振动信号分类AI判别算法。首先，对信号提取梅尔谱特征（fbank，特征间相关性较高）、梅尔倒谱特征（MFCC，特征间相关性较低）和对数幅度谱特征（logspec，细节信息丰富），将这3种特征按帧维度进行拼接，形成多模态特征，从而丰富特征信息。图2展示了信号分类的整体框架，从通用角度对振动事件进行特征提取，组合成多维振动特征向量，实现事件振动波特征模型的设计。
针对埋地管线多样化和复杂背景噪音等问题，本
图1激光调制解调示意图
图2信号分类整体框架图
文对光纤振动传感信号的端点进行检测分析，从时域、频域等方面进行特征提取，采用复合特征动态阈值检测方法，以提高系统的振动识别准确率，降低系统的误报率。采用差异量变化信号降噪算法，以1s为单位，对光纤信号进行分帧加窗、短时傅里叶变换、梅尔滤波、一二阶差分和离散余弦变换，从原始光纤信号中提取出[10，192维度的特征向量，每秒划分为10顿，每帧包含192个特征。最后，本文采用WaveNet神经网络模型对潜在的振动信号进行识别，实现对事件种类的准确判断。
3实验室测试与研究
3.1风险事件实验环境测试
2023年6月在栖霞藤仓光缆厂厂内搭建实验环境，铺设通信光纤，在其上方进行夯土试验动作，模拟挖机、风炮等风险事件（图3）。
图3风险事件模拟测试
3.2不同场景振动信号分析
在实验过程中，静止场景作为背景，模拟挖掘机和风炮砸石板，获取光缆振动信号。瀑布图显示振动信号在时间和频率上的变化。通过瀑布图（图4），发现挖掘机对光缆通道的影响范围更广，显著影响了约80个通道，而风炮显著影响了约40个通道；挖机操作产生的振动信号持续时间长于风炮信号；瀑布图中显示的时延关系能够帮助定位具体的敲击点和信号传播路径。
Cc.挖掘机风炮砸石板光缆瀑布图图4不同场景光缆瀑布图对比
波形图和频谱图显示振动信号的振幅和频率特性。通过对挖机、风炮、静止3种场景时域对比分析（图5），挖机的振幅最大，风炮次之，静止的振幅最小。频域分析显示（图6），3种场景的信号在低频上有较大区别，挖机的低频能量高于风炮，风炮的低频能量高于静止。基于时域和频域特征的差异，可有效实现对不同场景下异常信号的分类判别。
3.3不同场景振动信号捕捉模型研究
本文采用基于深度学习的光纤扰动行为分类模
型，对采集到的信号数据进行了模型训练。信号数据来源于挖掘机、风炮和静止3种场景。模型训练完成后在测试集上的准确率达到了87.8%。
在模型运算后的分类样本点数据分布图中（图7），静止类别样本分布集中且与其他两类在空间上距离较远，挖掘机类别样本分布集中，风炮样本分布较为分散，部分与挖掘机样本距离较近。这表明模型对静止和挖掘机样本的学习效果较好，但对风炮样本的学习效果较差。
图5不同场景波形对比图
图6不同场景频谱对比图
图7不同场景样本点数据分布图
另外，本文构建了挖掘机、风炮和静止数据的拼接数据输入模型进行检测和分类（图8）。异常检测结果用蓝框标示，红圈表示被误识别为静止的异常行为。通过异常检测程序定位行为后，将数据输入分类模型进行预测，预测准确率为87%。实验室研究结果表明，基于深度学习的光纤扰动行为分类模型能够有效捕提风险事件信号，为后续的风险预警和应急响应提供了重要技术支持。
图8拼接数据瀑布图