技術(shù)支持：黃工 13427781756 (微信同號，可掃碼）

Email: huangqianyuan@glgyzn.com

您是不是對這個(gè)產(chǎn)品感興趣，如果感興趣的話，可以添加我們黃工的微信具體了解一下。

分布式光纖振動(dòng)監(jiān)測系統(tǒng)對防護(hù)區(qū)域的保護(hù)過程是：通過系統(tǒng)監(jiān)測光纜的振動(dòng)并實(shí)時(shí)采集振動(dòng)信號，然后對振動(dòng)信號行為進(jìn)行識別，識別出具有破壞性的行為后，系統(tǒng)進(jìn)行預(yù)警或告警，前往現(xiàn)場處置破壞行動(dòng)。所以對振動(dòng)信號進(jìn)行準(zhǔn)確識別，是目前市場的一個(gè)強(qiáng)需求。

對于振動(dòng)信號的識別方法有很多，有通過對振動(dòng)信號幅值的強(qiáng)弱，頻率，持續(xù)時(shí)間進(jìn)行識別的，也有通過支持向量機(jī)SVM進(jìn)行的，還有通過卷積神經(jīng)網(wǎng)絡(luò)模型（簡稱CNN）進(jìn)行AI識別的。

在當(dāng)前一切都想往AI靠的大環(huán)境下，CNN神經(jīng)網(wǎng)絡(luò)模型倍受歡迎。那么如何通過CNN對振動(dòng)信號進(jìn)行識別呢？

我們在用CNN做識別前，需要先搭建自己的CNN模型。我們首先需要對振動(dòng)點(diǎn)進(jìn)行特征采樣，例如安靜環(huán)境下的樣本，有挖掘機(jī)挖掘等破壞行為時(shí)候的樣本，采樣時(shí)長我們設(shè)置為3秒，這樣我們就可以獲取到一系列的3秒鐘時(shí)長的不同行為下的振動(dòng)樣本數(shù)據(jù)。

我們把這3秒鐘的振動(dòng)數(shù)據(jù)讀取，其實(shí)就是一個(gè)一維的數(shù)組，我們把該數(shù)據(jù)可視化到圖形上，可以得到一系列的波形圖。

在神經(jīng)網(wǎng)絡(luò)中，我們一般都是輸入二維的tensor矩陣，所以我們可以把3秒鐘的一維數(shù)組，假設(shè)10000個(gè)數(shù)，可以轉(zhuǎn)換成一個(gè)100*100的二維數(shù)組。

二維卷積（nn.Conv2d）是最常用的卷積，我們可以多次二維卷積，然后最大池化（MaxPool2d）等操作，搭建自己的模型。

剩余的即是訓(xùn)練數(shù)據(jù)，及修改參數(shù)調(diào)整模型準(zhǔn)確度的工作了。

當(dāng)數(shù)據(jù)樣本足夠多，理論上模型更精準(zhǔn)。這樣當(dāng)現(xiàn)場一個(gè)3S的振動(dòng)數(shù)據(jù)數(shù)據(jù)到模型庫后，立即可以識別是否具有破壞性。