技術(shù)領(lǐng)域

本發(fā)明涉及光纖傳感器系統(tǒng)以及用于確定干擾位置的方法。

背景技術(shù)：

油、水、氣以及其他產(chǎn)品管道形成了世界的每個(gè)部分中的關(guān)鍵的網(wǎng)絡(luò)，并且是入侵者的容易的目標(biāo)。這些管道還容易受到地震、海嘯和其他地質(zhì)災(zāi)害的影響。監(jiān)控這些管道以便保持管道安全免受損害是一項(xiàng)重大的挑戰(zhàn)。長(zhǎng)距離、通常穿過(guò)遙遠(yuǎn)的和敵對(duì)的領(lǐng)土使大部分傳統(tǒng)的監(jiān)控系統(tǒng)的成本過(guò)高。如果油或氣的管道損壞，由于爆炸、火災(zāi)和污染，它將對(duì)人類生命和健康產(chǎn)生毀滅性的影響；由于對(duì)動(dòng)植物的毒性，它將對(duì)環(huán)境產(chǎn)生毀滅性的影響，還會(huì)對(duì)形象和聲譽(yù)產(chǎn)生相關(guān)的經(jīng)濟(jì)損失和損害。

管道容易受到多種類型的第三方干擾，例如故意行為(非法的開孔、破壞)或非故意的破壞(建筑施工、農(nóng)業(yè))。此第三方干擾可以引起巨大的經(jīng)濟(jì)和環(huán)境損害以及對(duì)管道經(jīng)營(yíng)者聲望的損傷。因此，需要可靠的、實(shí)時(shí)的管道監(jiān)控系統(tǒng)，以便檢測(cè)感興趣的事件并從而保護(hù)自然、人類健康和經(jīng)濟(jì)利益。

根據(jù)2009年的一項(xiàng)調(diào)查，全世界管道泄露中大約36％都由第三方干擾(TPI)引起，例如非法鉆孔、破壞或建筑工程。由于第三方干擾引起的感興趣的事件的例子包括：2001年10月4日，(美國(guó))阿拉斯加州費(fèi)爾班克斯，990噸油由于破壞而損失；2000年烏克蘭Tschernigow，500,000公升柴油由于非法鉆孔而損失；1999年6月10日，(美國(guó))華盛頓，Whatcorn Creek，貝靈翰姆，880噸汽油由于建筑工程而損失，經(jīng)濟(jì)損失達(dá)4500萬(wàn)美元。

在發(fā)展中國(guó)家例如印度、中國(guó)和南美洲，非法鉆孔是主要的問(wèn)題。例如在2011年，墨西哥石油公司(PEMAX)統(tǒng)計(jì)了在墨西哥有1324例非法鉆孔。墨西哥石油公司每天估計(jì)損失40,000公升的油和氣，其總計(jì)每年損失多于10億美元。如果在干擾發(fā)生之前或接近發(fā)生干擾時(shí)檢測(cè)到第三方干擾，可以避免或大幅度降低這樣的損失。

很多時(shí)候管道監(jiān)控是通過(guò)沿管道步行、開車和飛行來(lái)完成的。沿線步行和開車的年成本在每公里100到之間變化。沿線飛行的額外成本總計(jì)為每公里通常每月執(zhí)行兩次檢查，其合計(jì)達(dá)每公里(/km*2航行/月*12個(gè)月)。年成本在每公里到之間。

相關(guān)領(lǐng)域描述

已知大量的用于感測(cè)聲音干擾的系統(tǒng)。所述聲音干擾可以是如介紹中所述的通過(guò)第三方干擾或地質(zhì)災(zāi)害而對(duì)管道造成損壞的代表，或是由于接近的車輛或個(gè)人意圖破壞管道造成潛在性損壞的代表。這些系統(tǒng)包含與管道并排鋪設(shè)的光纖的使用，其充當(dāng)傳感器并檢測(cè)背散射線圖案中的改變以便感測(cè)聲音干擾。例如，德國(guó)慕尼黑Piomon GmbH出售利用分布式光纖感測(cè)技術(shù)檢測(cè)聲音干擾的設(shè)備PMS2500-vibrO。PMS2500-vibrO系統(tǒng)結(jié)合了光時(shí)域反射計(jì)(OTDR)和分析及圖案識(shí)別軟件并提供了具有地理信息系統(tǒng)(GIS)地圖的自定義界面。

國(guó)際專利申請(qǐng)No WO2011/05813,WO2011/05812和WO2011/059501(QinetiQ)都教導(dǎo)了使用分布式光纖感測(cè)系統(tǒng)用于建立感興趣的事件的多個(gè)方面。類似地，英國(guó)專利申請(qǐng)No GB 2 491658也教導(dǎo)了一種用于定位聲音干擾的方法和系統(tǒng)。這些專利申請(qǐng)都共同具有分析來(lái)自光纖的背散射線的系統(tǒng)以建立感興趣的事件。這類系統(tǒng)可用于從聲音干擾中確定感興趣的事件，但已知該系統(tǒng)產(chǎn)生“誤報(bào)”，其中事件被識(shí)別為非興趣并且未能識(shí)別一些感興趣的事件，特別是當(dāng)這種感興趣的事件以前從未見(jiàn)過(guò)時(shí)。

事件錯(cuò)誤識(shí)別問(wèn)題的一種解決方案可以是使用人工神經(jīng)網(wǎng)絡(luò)(ANN)訓(xùn)練系統(tǒng)識(shí)別興趣事件。所述ANN是計(jì)算模型并受到了動(dòng)物中樞神經(jīng)系統(tǒng)，特別是大腦的啟發(fā)，其具有機(jī)器學(xué)習(xí)和圖案識(shí)別的能力。ANN通常表現(xiàn)為節(jié)點(diǎn)的系統(tǒng)或由“突觸”連接的“神經(jīng)元”，其可以通過(guò)經(jīng)由ANN輸送來(lái)自輸入的信息而由輸入計(jì)算值。所述突觸是一個(gè)神經(jīng)元通過(guò)其傳送信號(hào)到另外一個(gè)神經(jīng)元的機(jī)制。

ANN的一個(gè)例子是用于筆跡的識(shí)別。一組輸入神經(jīng)元可以被照相機(jī)中表示字母或數(shù)字的輸入圖像的像素激活。接著這些輸入神經(jīng)元的激活被ANN的設(shè)計(jì)師所確定的一些功能傳遞、加權(quán)和轉(zhuǎn)換到另外的神經(jīng)元等，直到最終輸出神經(jīng)元被激活，其確定被成像的是哪個(gè)字符(字母或數(shù)字)。ANN已被用于解決使用普通基于規(guī)則的編程難以解決的多種多樣的任務(wù)，包括計(jì)算機(jī)視覺(jué)和語(yǔ)音識(shí)別。

沒(méi)有ANN的單一形式的定義。通常一類統(tǒng)計(jì)模型會(huì)被叫做“神經(jīng)元”，如果該類型由幾組自適應(yīng)權(quán)值(由學(xué)習(xí)算法調(diào)整的數(shù)字參數(shù))組成并且能夠接近該統(tǒng)計(jì)模型的輸入的非線性函數(shù)。自適應(yīng)權(quán)值可以被認(rèn)為是神經(jīng)元之間的連接(突觸)的要點(diǎn)。

ANN必須被訓(xùn)練以便產(chǎn)生可以理解的結(jié)果。有三種主要的學(xué)習(xí)范例：監(jiān)督式學(xué)習(xí)、無(wú)監(jiān)督學(xué)習(xí)和加強(qiáng)學(xué)習(xí)。

在監(jiān)督式學(xué)習(xí)中，學(xué)習(xí)范例的共同點(diǎn)是ANN分析一組預(yù)分析的數(shù)據(jù)，例如波形，并且適應(yīng)ANN中神經(jīng)元之間的連接(突觸)的權(quán)重，因此ANN的輸出與已知的事件關(guān)聯(lián)。在這種訓(xùn)練中包含一項(xiàng)成本。通過(guò)使用大量代表訓(xùn)練組中的已知事件的數(shù)據(jù)項(xiàng)可以獲得ANN的結(jié)果的效率的提高。然而，所述大量的數(shù)據(jù)項(xiàng)需要計(jì)算能力和分析時(shí)間的增加以便獲得正確的結(jié)果。因此，需要在訓(xùn)練ANN所花費(fèi)的時(shí)間和結(jié)果的精確性之間需要建立一種權(quán)衡。

ANN最近的發(fā)展包括所謂的“深度學(xué)習(xí)”。深度學(xué)習(xí)是嘗試使用輸入的層次模型的一組算法。多倫多大學(xué)的Jeffrey Heaton在2007年刊登于認(rèn)知科學(xué)趨勢(shì)，vol.11，No.10，428頁(yè)到434頁(yè)，題為“Learning Multiple Layers of Representation”的文章中討論了深度學(xué)習(xí)。這一出版物描述了包含自上而下連接的多層次神經(jīng)網(wǎng)絡(luò)以及每次訓(xùn)練該多層次神經(jīng)網(wǎng)絡(luò)的一層以生成感知數(shù)據(jù)，而不是僅僅是將數(shù)據(jù)分類。

現(xiàn)有技術(shù)ANN中神經(jīng)元活動(dòng)被針對(duì)一系列離散的時(shí)間步計(jì)算，而不是通過(guò)使用連續(xù)的參數(shù)。神經(jīng)元的活動(dòng)級(jí)別通常由所謂的“活動(dòng)值”定義，其被設(shè)置為0或1，并且其描述在時(shí)間步t的“動(dòng)作電位”。神經(jīng)元(即突觸)之間的連接，被通常使用具有選自區(qū)間[-1.0,+1.0]內(nèi)的值的加權(quán)系數(shù)來(lái)加權(quán)。加權(quán)系數(shù)的負(fù)值代表“抑制突觸”，以及加權(quán)系數(shù)的正值表明“興奮值”。ANN中活動(dòng)值的計(jì)算使用簡(jiǎn)單的線性求和模型，其中在神經(jīng)元的突觸上接收的部分或全部的主動(dòng)輸入的加權(quán)輸入與神經(jīng)元的(固定的)閾值進(jìn)行對(duì)比。如果求和的結(jié)果是大于閾值的值，則激活下一個(gè)神經(jīng)元。

學(xué)習(xí)系統(tǒng)的一個(gè)例子在國(guó)際專利申請(qǐng)No.WO 1998 027 511(Geiger)中描述，其教導(dǎo)了一種檢測(cè)圖像特征的方法，不計(jì)尺寸或位置。該方法包括使用若干信號(hào)生成裝置，其輸出以使用非線性組合函數(shù)計(jì)算的特征的形式表示圖像信息。

國(guó)際專利申請(qǐng)No.WO 2003 017252涉及一種用于識(shí)別語(yǔ)音的聲音序列或字符序列的方法。所述語(yǔ)音的聲音序列或字符序列首先供應(yīng)給神經(jīng)網(wǎng)絡(luò)，并且特征的序列通過(guò)考慮基于字符串序列的所存儲(chǔ)的聲音和/或詞匯信息由語(yǔ)音序列或字符序列形成。設(shè)備通過(guò)使用之前規(guī)劃的大量的知識(shí)存儲(chǔ)來(lái)識(shí)別語(yǔ)音和字符序列。

Hans Geiger和Thomas Waschulzik的題為“Theorie und Anwendung strukturierte konnektionistische Systeme”，發(fā)表于Informatik-Fachreichte,Springer-Verlag，1990，143-152頁(yè)也描述了一種神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)方式。該文章的ANN中的神經(jīng)元具有在0到255之間的活動(dòng)值。這樣即使去往神經(jīng)元的輸入保持不變，每一個(gè)神經(jīng)元的活動(dòng)值也隨時(shí)間改變。神經(jīng)元的輸出活動(dòng)值將隨時(shí)間改變。該文章教導(dǎo)的概念是任意一個(gè)節(jié)點(diǎn)的活動(dòng)值都至少部分依賴于先前活動(dòng)的結(jié)果。該文章還包括系統(tǒng)可能發(fā)展的方式的簡(jiǎn)要說(shuō)明。

現(xiàn)有技術(shù)的ANN需要使用指示感興趣事件的圖案來(lái)訓(xùn)練。接著它們可善于識(shí)別這類“已知的”感興趣事件，但如果事件是未知的則可能失敗，其將導(dǎo)致光纖中背散射線的未知的圖案。所述ANN還依賴于感興趣事件被專家正確地編程和識(shí)別，而且確定感興趣事件的加權(quán)因子的選擇也是已知的。

使用現(xiàn)有的系統(tǒng)難以檢測(cè)的另一類型的事件是從事件的序列中最佳地被識(shí)別的事件。例如，假設(shè)一隊(duì)個(gè)體想要在油管道上鉆孔以獲得一些油。該事件的序列將大概包含挖掘機(jī)接近管道以及可能在管道上前后走動(dòng)直到停止并伸出其支撐腳以固定挖掘機(jī)。挖掘機(jī)開始在管道附近挖掘大洞，接著由例如三到五個(gè)人的隊(duì)伍在管道附近手動(dòng)挖掘。接著，挖掘機(jī)將被開走并且在管道上安置閥門以轉(zhuǎn)移油。油槽車到達(dá)以轉(zhuǎn)移被抽出的油。這些個(gè)體事件中的每一個(gè)自身可能是沒(méi)有意義的(盡管在管道附近手動(dòng)地挖掘可能暗示著試圖偷油)。然而，事件的全部序列將是高度相關(guān)的。因此需要一種能夠組合來(lái)自全部事件的信號(hào)的系統(tǒng)，以便識(shí)別偷油的企圖。

在一些例子中，閥門可能被留在原地并再次被用來(lái)抽油。這將導(dǎo)致一組不同的檢測(cè)事件。如果該位置與先前檢測(cè)到一組不尋常事件的位置相關(guān)，則需要提供正在進(jìn)行進(jìn)一步的抽油企圖的緊急警告。

技術(shù)實(shí)現(xiàn)要素：

確定如本公開中所述干擾或感興趣事件的位置的方法和裝置的原理是基于使用由所謂的生物神經(jīng)網(wǎng)絡(luò)(BNN)形成的信號(hào)處理器來(lái)分析來(lái)自光纖的背散射線。BNN中任意一個(gè)神經(jīng)元的活動(dòng)都被模擬為生物物理學(xué)過(guò)程。神經(jīng)元的基本神經(jīng)性質(zhì)是“膜電壓”，其在(濕的)生物學(xué)中被膜中的離子通道所影響。神經(jīng)元的動(dòng)作電位基于此膜電壓而生成，而且包括隨機(jī)的(隨意的)成分，在其中只計(jì)算該動(dòng)作電位的概率。動(dòng)作電位自身是以隨機(jī)方式生成的。膜在生物學(xué)中具有一些額外的電化學(xué)性質(zhì)影響，例如自動(dòng)地包括在本公開的BNN中的絕對(duì)的和相對(duì)的不應(yīng)期、適應(yīng)和敏化作用。

從一個(gè)神經(jīng)元傳遞到另外一個(gè)神經(jīng)元的基本信息不僅僅是動(dòng)作電位(或射速，如稍后將描述的)，還有動(dòng)作電位的依賴時(shí)間的圖案。該動(dòng)作電位的依賴時(shí)間的圖案被描述為單峰值模型(SSM)，這意味著在來(lái)自任意兩個(gè)神經(jīng)元的輸出之間的互動(dòng)比活動(dòng)的簡(jiǎn)單線性求和法更為復(fù)雜。

神經(jīng)元(突觸)之間的連接可有不同的類型。突觸遠(yuǎn)非只有興奮的或抑制的(如ANN的情況)，而是可還有其他的性質(zhì)。例如，還可以考慮連接個(gè)體神經(jīng)元的枝狀樹的拓?fù)鋵W(xué)。來(lái)自在枝狀樹中的樹突上的兩個(gè)輸入神經(jīng)元的突觸的相對(duì)位置也可以對(duì)兩個(gè)神經(jīng)元之間的方向產(chǎn)生很大的影響。

除了信號(hào)處理器之外，本公開的光纖傳感器系統(tǒng)包括具有用于發(fā)射射線到光纖中的射線源的光纖和用于檢測(cè)從光纖背散射的背散射線的檢測(cè)器。

在本公開的一個(gè)方面中，射線源以一系列光脈沖產(chǎn)生紅外光。

本公開還教導(dǎo)了一種用于確定干擾或感興趣事件的位置的方法，其包括發(fā)射射線到光纖中并檢測(cè)來(lái)自光纖的背散射線。處理該背散射線以產(chǎn)生多個(gè)值，接著傳遞所述多個(gè)值到信號(hào)處理器用于分析。信號(hào)處理器在多個(gè)第一激活單元上接收該值并觸發(fā)來(lái)自第一激活單元的第一輸出。第一輸出被傳遞到第二激活單元的至少一個(gè)子集并且此后觸發(fā)來(lái)自第二激活單元的此子集的第二輸出?？傆?jì)來(lái)自第二激活單元的多個(gè)子集的第二輸出，以便產(chǎn)生關(guān)于所述干擾的輸出值。通過(guò)參考之前存儲(chǔ)的代表已知事件的聲音配置文件的背散射線的圖案的輸出值來(lái)識(shí)別所述干擾。

本公開的信號(hào)處理器是自學(xué)習(xí)的并能夠?qū)W習(xí)和組合一個(gè)或相同事件或來(lái)自相關(guān)的事件序列的不同的“噪聲”。信號(hào)處理器組合和比較不同的噪聲圖案以及它們特定的特點(diǎn)和聲級(jí)以便區(qū)分正常的干擾，例如農(nóng)民的農(nóng)活和代表盜竊的感興趣事件，例如某人駕駛挖掘機(jī)接近管道。

本公開教導(dǎo)的光纖傳感器系統(tǒng)能夠提供：在緊急情況下具有精確的GIS位置的警報(bào)；實(shí)時(shí)地識(shí)別盜竊以便減少由挖掘、鉆孔、開孔、破壞、地震等引起的泄露風(fēng)險(xiǎn)；采用一個(gè)測(cè)量單元、無(wú)需任何額外的電源監(jiān)控管道周圍50km并通過(guò)增加額外的單元具有覆蓋任意長(zhǎng)度的部署的擴(kuò)展性。該系統(tǒng)降低了錯(cuò)誤的或不相關(guān)的警報(bào)并已被發(fā)現(xiàn)以低至一米的分辨率區(qū)分多個(gè)事件，以及追蹤以不同的速度(車輛或步行)沿管道移動(dòng)的潛在的入侵者。該系統(tǒng)可以檢測(cè)可能的入侵者的方向和速度。

附圖說(shuō)明

圖1示出了本公開的系統(tǒng)中使用的光纖傳感器的例子。

圖2示出了用于檢測(cè)干擾的方法。

圖3示出了信號(hào)處理器的示意圖。

具體實(shí)施方式

本發(fā)明基于附圖進(jìn)行描述。應(yīng)該理解的是，此處描述的本發(fā)明的實(shí)施例和方面只是示例，不以任何方式限制權(quán)利要求的保護(hù)范圍，本發(fā)明由權(quán)利要求及其等同來(lái)定義。應(yīng)該理解的是，本發(fā)明的一個(gè)方面或一個(gè)實(shí)施例的特征可以與本發(fā)明的不同的一個(gè)或多個(gè)方面和/或?qū)嵤├奶卣飨嘟Y(jié)合。

本公開的光纖傳感器系統(tǒng)是基于分布式光纖感測(cè)，并整合了光時(shí)域反射計(jì)(OTDR)和檢測(cè)軟件，以及具有地理信息系統(tǒng)(GIS)地圖的自定義界面。光纖光纜通常已經(jīng)埋在管道附近或附于其上以用于通信的目的。系統(tǒng)利用標(biāo)準(zhǔn)的單模通信光纖作為感興趣事件的收聽設(shè)備。

光時(shí)域反射計(jì)(OTDR)是用于表征光纖的光電子儀器。反射計(jì)向光纖中注入一系列光脈沖，其被測(cè)試并在同一光纖末端檢測(cè)已從沿光纖的點(diǎn)反射或背散射的返回光。OTDR由這一測(cè)量產(chǎn)生所謂的反射圖樣并執(zhí)行光纖特征的有效的、精確的和廣泛的分析。

激光二極管以一系列光脈沖的形式發(fā)射射線到光纖的一端并且光電二極管在同一光纖末端測(cè)量返回光。光電二極管是OTDR的一部分并產(chǎn)生信號(hào)。返回光包含反射光和背散射光。光電二極管檢測(cè)到的信號(hào)提供關(guān)于沿光纖的感興趣事件的相關(guān)信息。信號(hào)被入射的光脈沖在其沿光纖的路徑上所經(jīng)歷的不規(guī)則所影響。如果光纖內(nèi)部的某區(qū)域具有衰減或反射，例如由彎曲或光纖連接所引起的，該衰減或反射通過(guò)返回信號(hào)中的差異而被檢測(cè)到。光脈沖的速度是已知的并且可以因此基于光脈沖的入射和返回信號(hào)的發(fā)生之間的時(shí)間差異來(lái)確定該不規(guī)則的準(zhǔn)確位置。該不規(guī)則可以表明感興趣的事件或其他的干擾。

現(xiàn)在假設(shè)光纖附近發(fā)生了干擾或感興趣事件。光纖上可能存在壓力，其導(dǎo)致光纖的小程度的彎曲，或振動(dòng)/聲波將短暫地改變光纖的結(jié)構(gòu)，并且這些將會(huì)導(dǎo)致背散射信號(hào)的改變。這一改變能夠被OTDR檢測(cè)到。假設(shè)干擾是移動(dòng)的對(duì)象，則光纖的輕微彎曲將隨著移動(dòng)對(duì)象的移動(dòng)改變位置，這使能確立干擾移動(dòng)的速度和方向。

光纖構(gòu)成了很好的傳感器，因?yàn)楣饫w能夠測(cè)量長(zhǎng)距離的干擾。光纖中信號(hào)的背散射隨著振動(dòng)(例如車輛、腳步、挖掘、鉆孔而引起的)、溫度改變(例如由加壓氣體逃逸所引起的)或當(dāng)光纖被拉緊、彎曲、扭結(jié)或切斷而改變。

舉例

圖1示出了使用本公開的技術(shù)的光纖傳感器系統(tǒng)的一個(gè)例子。該傳感器系統(tǒng)中使用的光纖20可以是專門鋪設(shè)的光纖20，其已經(jīng)被放置于感興趣的區(qū)域。光纖20還可以是標(biāo)準(zhǔn)通信光纖，其通常攜帶數(shù)據(jù)。如在介紹中對(duì)本說(shuō)明所概述的，光纖20可以被鋪設(shè)于管道25附近或直接與其鄰近。通常光纖20與光纜中的其他光纖放置在一起。本公開的光纖傳感器系統(tǒng)使用光纜中的一根光纖作為暗光纖，即不使用。本發(fā)明的一個(gè)方面中，應(yīng)該在光線20的另一端選擇光學(xué)終端以避免來(lái)自光纖末端的反射。

光纖20連接到射線源30，其在本發(fā)明的一個(gè)非限制性的方面中是產(chǎn)生包含一系列1.55μm波長(zhǎng)的光脈沖的射線35的半導(dǎo)體激光器，并以重復(fù)頻率例如4kHz發(fā)射射線35到光纖20中以檢測(cè)25km處的感興趣事件?？梢允褂酶叩闹貜?fù)頻率以檢測(cè)較近的感興趣的事件。在光纖20中一次應(yīng)該只有一個(gè)光脈沖并可以因此相應(yīng)地調(diào)整重復(fù)頻率。

從光纖20中返回的背散射信號(hào)37可以由在光纖20同一端的檢測(cè)器40的裝置檢測(cè)到并被轉(zhuǎn)換成反射圖樣，其中信號(hào)發(fā)生的時(shí)間延遲被顯示為到光纖20上感興趣事件的距離。作為射線源30的高度相干的激光被使用以便增加敏感性。因?yàn)樵摳叨鹊南喔尚?，可以在背散射信?hào)37(指紋)中觀察到干涉圖樣。振動(dòng)引起光纖20的結(jié)構(gòu)的暫時(shí)性改變并導(dǎo)致此干涉圖樣的暫時(shí)性改變。干涉圖樣中的暫時(shí)性改變可以被用于檢測(cè)干擾45，例如手動(dòng)或機(jī)器挖掘引起的第三方干擾。每種事件引起典型的聲波并改變導(dǎo)致干涉圖樣的差異的背散射信號(hào)37。不同種類的聲波具有取決于事件的類型和聲波傳送所經(jīng)過(guò)的地面的性質(zhì)的特征。背散射信號(hào)37被接收并且信號(hào)圖樣被數(shù)字化。來(lái)自檢測(cè)器40的信號(hào)穿過(guò)到信號(hào)處理器50。如果需要的話，信號(hào)處理器50能夠分類干擾45并發(fā)送警報(bào)到系統(tǒng)操作員。

信號(hào)處理器50能夠?qū)⑺小耙?guī)則的”聲音與背散射信號(hào)中的可能的干擾45以及無(wú)害的或其他不相干的事件分離開。信號(hào)處理器50還能夠識(shí)別出干擾45的序列，其自身將被認(rèn)為是非關(guān)鍵的事件，但當(dāng)組合在一起時(shí)會(huì)得出該干擾可能更加危險(xiǎn)的結(jié)論。

圖3示出了本公開的信號(hào)處理器50的第一個(gè)例子，信號(hào)處理器50連接到檢測(cè)器40。信號(hào)處理器50數(shù)字化反射圖樣以及應(yīng)用例如傅里葉變換、拉普拉斯過(guò)濾器、自相關(guān)或其他方法以產(chǎn)生多個(gè)第一輸入132。

第一輸入132被傳遞到多個(gè)第一激活單元130。第一激活單元130以一對(duì)一的關(guān)系與第一輸入132連接或以一對(duì)多的關(guān)系與第一輸入132連接。換句話說(shuō)，其中第一激活單元130中的多個(gè)連接到一個(gè)或多個(gè)的第一輸入132。連接的數(shù)目取決于輸入120的數(shù)目，例如由干涉圖樣生成的值的數(shù)目以及第一激活單元130的數(shù)目。

第一激活單元130具有第一輸出137，其包含多個(gè)以輸出頻率射出的峰值。在“靜止模式”中，即沒(méi)有來(lái)自第一輸入132上的檢測(cè)器的信號(hào)，第一激活單元130產(chǎn)生多個(gè)示例性輸出頻率為200Hz的峰值。因此第一激活單元130是單峰值模型的例子。來(lái)源于第一輸入132上的背散射信號(hào)37的信號(hào)的應(yīng)用增加了依賴于來(lái)自檢測(cè)器40的背散射信號(hào)37的強(qiáng)度的輸出頻率，并且例如達(dá)到400Hz。在本發(fā)明的一個(gè)方面中，輸出頻率的改變基本上直接用在第一輸入132上的背散射信號(hào)37的成分的應(yīng)用和移除上。因此，第一激活單元130幾乎立即對(duì)背散射信號(hào)37中的改變作出反應(yīng)。

多個(gè)第一激活單元130以多對(duì)多的關(guān)系連接多個(gè)第二激活單元140。為簡(jiǎn)單起見(jiàn)，圖3中只示出了其中一個(gè)第二激活單元140和示例性數(shù)量的第一激活單元130之間的連接。來(lái)自第一激活單元130中的被連接的多個(gè)的一段時(shí)間內(nèi)的第一輸出137在被連接的第二激活單元140處被總計(jì)。

第一輸出137的值也被組合，如此(在這種情況下)來(lái)自三個(gè)中心的第一激活單元130的第一輸出137’被加入，同時(shí)來(lái)自外部的第一激活單元130的輸出137”被從總輸出137中減去。換句話說(shuō)，中心的三個(gè)輸入132為第二激活單元140的輸出142處接收的信號(hào)作出積極貢獻(xiàn)，而來(lái)自外部傳感器132”的信號(hào)被減去。應(yīng)該理解的是，三個(gè)中心的第一激活單元130和外部的第一激活單元130的方面僅僅是個(gè)例子。大量的第一激活單元可以被使用。

輸出137’和137”僅僅是輸出通?？梢员唤Y(jié)合的方式的例子。在說(shuō)明的介紹中解釋了神經(jīng)元或激活單元之間的連接(突觸)通常不以總計(jì)的模型結(jié)合，而是具有隨機(jī)的成分。第一激活單元130連接到檢測(cè)器40和第二激活單元140的本發(fā)明的這一隨機(jī)的方面僅僅是本發(fā)明的一個(gè)方面。所述連接還可視情況作出修改。

第二激活單元140具有不同的激活等級(jí)和響應(yīng)時(shí)間。第二激活單元140還產(chǎn)生某頻率上的峰值，并且該頻率根據(jù)輸入信號(hào)142的峰值頻率而增加。在第二激活單元140的輸出頻率和輸入信號(hào)142的輸入頻率之間沒(méi)有一對(duì)一的關(guān)系。一般輸出頻率將會(huì)隨著輸入信號(hào)142的增加而增加，并在閾值處達(dá)到飽和。該依賴性從第二激活單元140中的一個(gè)變?yōu)榈诙せ顔卧?40中的另一個(gè)并具有隨機(jī)的或隨意的成分。第二激活單元140的響應(yīng)時(shí)間也會(huì)改變。一些第二激活單元140幾乎立即對(duì)輸入信號(hào)142的改變作出反應(yīng)，而其他的在第二激活單元140反應(yīng)之前需要幾段時(shí)間。一些第二激活單元140轉(zhuǎn)為靜止并在輸入信號(hào)142被移除時(shí)沒(méi)有采用增加的峰值頻率發(fā)布第二輸出信號(hào)147，而其他的保持激活，即便輸入信號(hào)142已被移除。因此第二激活單元140的激活的持續(xù)時(shí)間在多個(gè)激活單元140上變化。第二激活單元140還具有“記憶”，在其中它們的激活潛能依賴于激活潛能的在先值。激活潛能的在先值進(jìn)一步由衰退因子加權(quán)，使得更近的第二激活單元40的激活比所有的更強(qiáng)烈地影響激活潛能。

第二輸出147被傳遞到布置在多個(gè)層180中的多個(gè)第三激活單元170。多個(gè)層180中的每一個(gè)包含中間層185，其連接到第二輸出147和一個(gè)或多個(gè)更多層187，其連接到在更多層187的其他層中的第三激活單元170。在圖1的例子中，只示出了五個(gè)層180，但這僅僅是示例性的。在用于識(shí)別反射圖樣的本發(fā)明的一個(gè)方面中，呈現(xiàn)了七個(gè)層。同樣地將有可能具有大量的層180，但這將增加所需要的計(jì)算能力的量。

第二輸出147以多對(duì)多的關(guān)系與第二激活單元40連接。

第三激活單元170也有不同的激活等級(jí)和不同的激活時(shí)間，如關(guān)于第二激活單元140所討論的。第二激活單元140的功能是識(shí)別背散射信號(hào)37中的特征，而第三激活單元170的功能是分類所述特征的組合。

層180之一中的第三激活單元170以多對(duì)多的關(guān)系連接層180的另一個(gè)中的第三激活單元170。在不同的層180中的第三激活單元170之間的連接如此布置，使一些連接是積極的并加強(qiáng)彼此，而其他連接是消極的并減弱彼此。第三激活單元170還具有峰值輸出，其頻率依賴于它們的輸入的值。

在第三激活單元170和第二激活單元140的輸出之間還具有反饋回路(圖3中的265)，其充當(dāng)自控制機(jī)制。在第三激活單元170和第二激活單元140之間的反饋回路本質(zhì)上是用來(lái)區(qū)別反射圖樣中不同的特征以及減少重疊信息。這通過(guò)使用反饋機(jī)制首先加強(qiáng)關(guān)于反射圖樣中的特定特征的第二激活單元140以允許該特征被正確地處理和識(shí)別來(lái)完成。接著反饋減少針對(duì)所識(shí)別出的特征的第二激活單元140的輸出以及加強(qiáng)關(guān)于進(jìn)一步的特征的第二激活單元140的值。此進(jìn)一步的特征可以接著被識(shí)別。這一反饋是必要的，以便解決反射圖樣中的任何重疊特征，否則其將導(dǎo)致錯(cuò)誤的分類。

處理器50進(jìn)一步包括用于輸入關(guān)于反射圖樣的信息項(xiàng)195的輸入設(shè)備190。信息項(xiàng)195可以包括一般附于反射圖樣和/或反射圖樣的一個(gè)或多個(gè)特征的名稱或標(biāo)簽。輸入設(shè)備190連接到具有存儲(chǔ)器且還接受第三輸出77的數(shù)據(jù)處理器200。信號(hào)處理器200將關(guān)于反射圖樣中的特定存儲(chǔ)特征的第三輸出177與輸入的信息項(xiàng)195進(jìn)行比較，并可將特定的反射圖樣(或其部分)與輸入的信息項(xiàng)195相關(guān)聯(lián)。此關(guān)聯(lián)被存儲(chǔ)，使得如果檢測(cè)器40檢測(cè)到反射圖樣中的未知圖樣或特征，并且第三輸出177大體上類似于此關(guān)聯(lián)，則信號(hào)處理器200可以確定該未知的圖樣事實(shí)上是已知的圖樣并在輸出198處向用戶輸出信息195的關(guān)聯(lián)項(xiàng)。

圖樣識(shí)別系統(tǒng)可以被訓(xùn)練以使用無(wú)監(jiān)督學(xué)習(xí)過(guò)程識(shí)別反射圖樣中的大量圖樣。這些圖樣將產(chǎn)生不同的第三輸出177，并且信息項(xiàng)195和圖樣之間的關(guān)聯(lián)被存儲(chǔ)。此無(wú)監(jiān)督學(xué)習(xí)過(guò)程利用來(lái)自已有反射圖樣的一組代表興趣特征的預(yù)存儲(chǔ)的圖樣并通過(guò)處理器50運(yùn)行所述預(yù)存儲(chǔ)的圖樣以確定第三輸出177來(lái)實(shí)行。第三輸出177接著關(guān)聯(lián)信號(hào)處理器200中的信息項(xiàng)195。

如圖2所示，本公開的系統(tǒng)和方法可以被用于確定和分類未知的干擾45。

在系統(tǒng)和方法的這一例子中，射線35在步驟205中被發(fā)射到光纖20。檢測(cè)器40在步驟210中接收背散射信號(hào)37并在步驟235中傳遞所述背散射信號(hào)37(在步驟220中)到處理器50。在步驟230中，反射圖樣中的背散射信號(hào)37被數(shù)字化并被分成多個(gè)部分并在步驟235中傳遞到第一輸入132。在步驟240中該部分觸發(fā)第一激活單元130并且觸發(fā)的程度依賴于部分的強(qiáng)度。

來(lái)自第一激活單元130的第一輸出137在步驟250中被轉(zhuǎn)移到第二激活單元140并在步驟260中接著被轉(zhuǎn)移到第三激活單元170。第一激活單元130的激活潛能依賴于背散射信號(hào)37中部分的強(qiáng)度。這些部分被轉(zhuǎn)到低等級(jí)并且首先第三激活單元80的明顯的隨機(jī)序列表現(xiàn)為被點(diǎn)燃。該點(diǎn)燃在一段時(shí)間以后穩(wěn)定，并且“結(jié)構(gòu)”在多個(gè)層180之間創(chuàng)建，其反映了背散射信號(hào)37中的特征。

標(biāo)簽195可以與背散射信號(hào)中的一個(gè)或多個(gè)特征相關(guān)聯(lián)。多個(gè)層180中的結(jié)構(gòu)因此與所述特征相對(duì)應(yīng)。標(biāo)簽195將被輸入設(shè)備190輸入，例如鍵盤。

這一程序?yàn)榱瞬煌奶卣鞫貜?fù)。不同的特征在多個(gè)層180中創(chuàng)建不同的結(jié)構(gòu)。學(xué)習(xí)程序可以接著使用不同的特征推進(jìn)。

一旦學(xué)習(xí)完成，可以檢測(cè)出背散射信號(hào)37中的未知特征。這一未知特征在步驟210中生成第一激活單元130中的第一輸入132，其在步驟250中被轉(zhuǎn)移到第二激活單元40以識(shí)別特征，接著在步驟260中轉(zhuǎn)移到多個(gè)層180中以使能特征的分類?？梢苑治龆鄠€(gè)層180中的信號(hào)并且在步驟280中推斷出多個(gè)層180中與未知特征相對(duì)應(yīng)的結(jié)構(gòu)。因此該系統(tǒng)可輸出與該特征相關(guān)聯(lián)的標(biāo)簽，因此識(shí)別出該未知特征。

系統(tǒng)應(yīng)該能夠識(shí)別該特征，因?yàn)閷?80中已創(chuàng)建了一種新類型的結(jié)構(gòu)，接著系統(tǒng)可以給出適當(dāng)?shù)木娌⒖梢蚤_始人為干涉以審查干擾并分類未知特征或在解決其他沖突。

在步驟265中，可以通過(guò)考慮特征中的兩個(gè)重疊元素輕易地理解第二激活單元140和第三激活單元170之間的反饋。最初第一激活單元130將登記重疊元素周圍的特征中的不同，但不能區(qū)分特征的類型，即分離重疊元素中的兩個(gè)不同特征。類似地，因?yàn)閮蓷l重疊線的重疊性質(zhì)，第二激活單元140中鄰近的那些將被激活。如果全部的第二激活單元140和第三激活單元170都同樣地反應(yīng)，則將不可能在兩個(gè)重疊特征之間區(qū)分。然而，上文解釋了，對(duì)于第二激活單元140和第三激活單元170的激活存在隨機(jī)的或隨意的元素。這一隨機(jī)的元素導(dǎo)致一些第二激活單元140和/或第三激活單元170早于其他的被激活。在第二激活單元140和第三激活單元170之間的互相干擾將增強(qiáng)和/或減弱激活潛力，而因此反應(yīng)于其中一個(gè)重疊元素的那些第二激活單元140或第三激活單元170將首先互相增強(qiáng)自身以允許特征被識(shí)別。激活潛力的延遲意味著在一小段時(shí)間(毫秒)以后這些關(guān)聯(lián)于被識(shí)別的重疊特征的第二激活單元140或第三激活單元170減小強(qiáng)度，并且其他關(guān)于至今尚未被識(shí)別的重疊元素的其他第二激活單元140或其他第三激活單元170被激活以允許這一個(gè)重疊元素被識(shí)別。

在本發(fā)明的其他方面中，系統(tǒng)可以被教導(dǎo)以識(shí)別一系列指示主要干擾的事件。這一例子在來(lái)自管道的鉆孔和偷油的介紹中被給出。處理這一類型的系列事件的一種方法是使用一系列的狀態(tài)模型，其由變量S0(為沒(méi)有事件發(fā)生的最初狀態(tài))、S1、S2等等所表示。當(dāng)檢測(cè)到第一個(gè)事件時(shí)，則狀態(tài)從最初狀態(tài)S0切換到第一狀態(tài)S1。如果該系列事件中的第二個(gè)在一段固定時(shí)間內(nèi)被發(fā)起，則狀態(tài)可以切換到第二狀態(tài)S2。另一方面，如果沒(méi)有檢測(cè)到后續(xù)事件，則狀態(tài)可以被切換回最初狀態(tài)S0，因?yàn)榭梢约僭O(shè)事件序列將不會(huì)發(fā)生。類似地，如果檢測(cè)到第三事件，則狀態(tài)可以切換到S3。閾值等級(jí)將被設(shè)置在狀態(tài)Sth。如果由于發(fā)生事件序列而到達(dá)狀態(tài)Sth，則可以發(fā)起警報(bào)信號(hào)。

事件序列的更詳細(xì)的分析可以通過(guò)在序列中的多個(gè)事件的每一個(gè)上使用Markov模型來(lái)實(shí)行，接著如果Markov模型指示可能的干擾則發(fā)起警報(bào)信號(hào)?？梢允褂闷渌淖詫W(xué)習(xí)系統(tǒng)。

如上所述，還可以訓(xùn)練圖1中示出的網(wǎng)絡(luò)以識(shí)別導(dǎo)致干擾的系列事件。