徐方辰，邢炜宁

(1国家石油天然气管网集团有限公司西气东输分公司，上海200126；2中国石油天然气管道通信电力工程有限公司，河北 廊坊065000)

0 引 言

目前，DAS已被广泛用于管道泄露监测、围栏入侵、周界安防等诸多领域［1-4］。DAS具有不同的实现原理，其中使用Φ-OTDR原理构建的DAS系统具有检测信号的信噪比高、检测范围广、成本相对较低、可实现远程入侵检测等优点，具有很强的发展潜力。目前使用DAS系统对入侵事件的识别过程可分为4个步骤，即:先对入侵振动信号进行预处理，然后进行特征提取，再进行数据集的制作，最后搭建识别模型，对数据进行分类。在此过程中，对数据的预处理主要包含对数据去噪，进行端点检测［5］等。端点检测的目的在于减小一段信号中存在的噪音，将只包含振动的振动片段提取出来，减小噪音对模型的影响，双门限端点检测就是时下常用的VAD算法。而在研究中常常见到的特征提取方式则有提取振动信号的傅里叶变换特征［6］、梅尔倒频系数［7］等，或者使用EMD［8］、VMD［9］将信号分解后提取相关的统计学特征。典型的分类算法主要有:支持向量机（SVM）［10］、随机森林树［11］等。上述分类算法虽然已经在DAS振动信号的分类识别中取得了很好的效果，但是由于需要进行人为的特征提取，加大了DAS模式识别的实现难度。随着深度学习的发展以及大范围的应用，深度学习也已开始更多地应用在DAS系统的模式识别上，例如使用BP神经网络［12］、径向基神经网络［13］等神经网络算法对振动信号进行识别，在文献［14］中即提出使用一维卷积神经网络对油气管道入侵事件进行识别，该次研究直接将经过预处理的振动信号输入一维卷积神经网络，达到了与二维卷积神经网络相近的准确率，降低了识别时间。……