基於分布式光纖傳感系統的導管架水下應力檢測系統的製作方法

2024-04-13 21:02:05

1.本技術涉及智能檢測領域，且更為具體地，涉及一種基於分布式光纖傳感系統的導管架水下應力檢測系統。


背景技術：

2.在國家大力推進「碳達峰」和「碳中和」的大背景下，風電、光伏、抽水蓄能行業快速發展。海上風電作為風電產業最重要的組成部分，其發展速度不容小覷，隨著海上風電的高速發展，海上風機的大型化發展趨勢已是必然。導管架基礎作為海上風機基礎中最穩重可靠的基礎形式之一，在海上風電的發展中佔據著不可或缺的地位，而作為連接上部風機塔筒和下部主體的過渡段結構亦是起著承上啟下的關鍵作用。
3.目前，由於導管架平臺所處地區大多為高溫高鹽、環境載荷複雜的海域，需要對海上風電場導管架的受力狀況、結構損失、腐蝕狀況進行實時監控,以確保導管架平臺的安全性。現有的方案在對於海上風電場導管架的受力狀況進行監控分析時，大多數是通過傳感器獲取導管架的受力情況，並基於受力情況來通過相關技術人員的分析以進行人工監測，這會造成人工監測效率低、實時性差等問題，並且易出現人為誤差，給導管架的受力情況檢測結果帶來影響。不僅如此，傳統的受力監測方案在部署傳感器時，由於水下的環境惡劣，這給傳感器的部署帶來了困難。
4.因此，期望一種優化的導管架水下應力檢測系統，其能夠克服傳統的人工監測手段的諸多弊端，能更客觀地反映實際的風電基礎的狀況，並且能夠實時智能地對於海上風電場導管架的應力分布是否正常進行準確地檢測，以保障海上風電導管架的安全性，降低企業後期維修成本。


技術實現要素：

5.為了解決上述技術問題，提出了本技術。本技術的實施例提供了一種基於分布式光纖傳感系統的導管架水下應力檢測系統，其通過採用基於深度學習的人工智慧檢測技術，以通過分布式光纖傳感系統提供的應變雲圖的智能分析來進行導管架的應力分布檢測。具體地，通過人工智慧算法來提取出所述應變雲圖中聚焦於所述導管架空間位置上的應力分布特徵信息，並基於各個局部位置的應力特徵分布來進行整體的全局性關聯特徵分布提取，以此來提高對於導管架的應力分布檢測的精準度。這樣，能夠智能地對於海上風電場導管架的應力分布是否正常進行準確地檢測，以保障海上風電導管架的安全性，降低企業後期維修成本。
6.根據本技術的一個方面，提供了一種基於分布式光纖傳感系統的導管架水下應力檢測系統，其包括：
7.應變數據採集單元，用於獲取由部署於待測導管架的分布式光纖傳感系統提供的應變雲圖；
8.應力分布特徵提取單元，用於將所述應變雲圖通過作為特徵提取器的卷積神經網
絡模型以得到應變特徵圖；
9.空間增強單元，用於將所述應變特徵圖通過空間注意力模塊以得到空間增強應變特徵圖；
10.局部特徵展開單元，用於將所述空間增強應變特徵圖的沿通道維度的各個特徵矩陣展開為特徵向量以得到多個局部區域應變特徵向量；
11.上下文編碼單元，用於將所述多個局部區域應變特徵向量通過基於轉換器的上下文編碼器以得到分類特徵向量；以及
12.應力檢測結果生成單元，用於將所述分類特徵向量通過分類器以得到分類結果，所述分類結果用於表示待測導管架的應力分布是否正常。
13.在上述基於分布式光纖傳感系統的導管架水下應力檢測系統中，所述應力分布特徵提取單元，進一步用於：使用所述作為特徵提取器的卷積神經網絡模型的各層在層的正向傳遞中分別對輸入數據進行：對輸入數據進行卷積處理以得到卷積特徵圖；對所述卷積特徵圖進行基於局部特徵矩陣的池化以得到池化特徵圖；以及，對所述池化特徵圖進行非線性激活以得到激活特徵圖；其中，所述作為特徵提取器的卷積神經網絡的最後一層的輸出為所述應變特徵圖，所述作為特徵提取器的卷積神經網絡的第一層的輸入為所述應變雲圖。
14.在上述基於分布式光纖傳感系統的導管架水下應力檢測系統中，所述空間增強單元，進一步用於：計算所述應變特徵圖的沿空間維度的各個特徵矩陣的全局均值以得到空間特徵向量；將所述空間特徵向量輸入softmax激活函數以得到空間注意力權重特徵向量；以及，以所述空間注意力權重特徵向量中各個位置的特徵值作為權重分別對所述應變特徵圖的沿空間維度的各個特徵矩陣進行加權以得到所述空間增強應變特徵圖。
15.在上述基於分布式光纖傳感系統的導管架水下應力檢測系統中，所述局部特徵展開單元，進一步用於將所述空間增強應變特徵圖的沿通道維度的各個特徵矩陣按照行向量或者列向量維度進行展開多個局部區域應變特徵向量。
16.在上述基於分布式光纖傳感系統的導管架水下應力檢測系統中，所述上下文編碼單元，包括：上下文關聯特徵提取子單元，用於將所述多個局部區域應變特徵向量通過所述基於轉換器的上下文編碼器以得到多個上下文語義區域應變特徵向量；級聯子單元，用於將所述多個上下文語義區域應變特徵向量進行級聯以得到所述分類特徵向量。
17.在上述基於分布式光纖傳感系統的導管架水下應力檢測系統中，所述上下文關聯特徵提取子單元，進一步用於：將所述多個局部區域應變特徵向量進行一維排列以得到全局區域應變特徵向量；計算所述全局區域應變特徵向量與所述多個局部區域應變特徵向量中各個區域應變特徵向量的轉置向量之間的乘積以得到多個自注意力關聯矩陣；分別對所述多個自注意力關聯矩陣中各個自注意力關聯矩陣進行標準化處理以得到多個標準化後自注意力關聯矩陣；將所述多個標準化後自注意力關聯矩陣中各個標準化後自注意力關聯矩陣通過softmax分類函數以得到多個概率值；分別以所述多個概率值中各個概率值作為權重對所述多個局部區域應變特徵向量中各個區域應變特徵向量進行加權以得到所述多個上下文語義區域應變特徵向量。
18.在上述基於分布式光纖傳感系統的導管架水下應力檢測系統中，所述應力檢測結果生成單元，包括：全連接編碼子單元，用於使用所述分類器的多個全連接層對所述分類特
徵向量進行全連接編碼以得到編碼分類特徵向量；以及，分類結果生成子單元，用於將所述編碼分類特徵向量通過所述分類器的softmax分類函數以得到所述分類結果。
19.在上述基於分布式光纖傳感系統的導管架水下應力檢測系統中，還包括用於對所述作為特徵提取器的卷積神經網絡模型、所述空間注意力模塊、所述基於轉換器的上下文編碼器和所述分類器進行訓練的訓練模塊；其中，所述訓練模塊，包括：訓練數據獲取單元，用於獲取訓練應變雲圖，以及，所述待測導管架的應力分布是否正常的真實值；訓練應力分布特徵提取單元，用於將所述訓練應變雲圖通過所述作為特徵提取器的卷積神經網絡模型以得到訓練應變特徵圖；訓練空間增強單元，用於將所述訓練應變特徵圖通過所述空間注意力模塊以得到訓練空間增強應變特徵圖；訓練局部特徵展開單元，用於將所述訓練空間增強應變特徵圖的沿通道維度的各個特徵矩陣展開為特徵向量以得到多個訓練局部區域應變特徵向量；訓練上下文編碼單元，用於將所述多個訓練局部區域應變特徵向量通過所述基於轉換器的上下文編碼器以得到訓練分類特徵向量；分類損失單元，用於將所述訓練分類特徵向量通過所述分類器以得到分類損失函數值；訓練單元，用於基於所述分類損失函數值並通過梯度下降的方向傳播來對所述作為特徵提取器的卷積神經網絡模型、所述空間注意力模塊、所述基於轉換器的上下文編碼器和所述分類器進行訓練，其中，在所述訓練的每一輪迭代中，計算所述訓練分類特徵向量的基於跨分類器軟相似性的自由標籤優化因數作為加權權重對所述訓練分類特徵向量進行加權迭代。
20.在上述基於分布式光纖傳感系統的導管架水下應力檢測系統中，所述在所述訓練的每一輪迭代中，以如下公式計算所述訓練分類特徵向量的基於跨分類器軟相似性的自由標籤優化因數作為所述分類器的標籤值；
21.其中，所述公式為：
[0022][0023]
v是所述分類特徵向量，m是所述分類器對所述分類特徵向量的權重矩陣，和分別表示張量乘法和張量加法，d(
·
,
·
)表示向量之間的距離，||
·
||2表示向量的二範數，且α和β是權重超參數，exp(
·
)表示向量的指數運算，所述向量的指數運算表示計算以向量中各個位置的特徵值為冪的自然指數函數值。
[0024]
根據本技術的另一方面，提供了一種基於分布式光纖傳感系統的導管架水下應力檢測方法，其包括：
[0025]
應變數據採集步驟：獲取由部署於待測導管架的分布式光纖傳感系統提供的應變雲圖；
[0026]
應力分布特徵提取步驟：將所述應變雲圖通過作為特徵提取器的卷積神經網絡模型以得到應變特徵圖；
[0027]
空間增強步驟：將所述應變特徵圖通過空間注意力模塊以得到空間增強應變特徵圖；
[0028]
局部特徵展開步驟：將所述空間增強應變特徵圖的沿通道維度的各個特徵矩陣展開為特徵向量以得到多個局部區域應變特徵向量；
[0029]
上下文編碼步驟：將所述多個局部區域應變特徵向量通過基於轉換器的上下文編碼器以得到分類特徵向量；以及
[0030]
應力檢測結果生成步驟：將所述分類特徵向量通過分類器以得到分類結果，所述分類結果用於表示待測導管架的應力分布是否正常。
[0031]
根據本技術的再一方面，提供了一種電子設備，包括：處理器；以及，存儲器，在所述存儲器中存儲有電腦程式指令，所述電腦程式指令在被所述處理器運行時使得所述處理器執行如上所述的基於分布式光纖傳感系統的導管架水下應力檢測方法。
[0032]
根據本技術的又一方面，提供了一種計算機可讀介質，其上存儲有電腦程式指令，所述電腦程式指令在被處理器運行時使得所述處理器執行如上所述的基於分布式光纖傳感系統的導管架水下應力檢測方法。
[0033]
與現有技術相比，本技術提供的一種基於分布式光纖傳感系統的導管架水下應力檢測系統，其通過採用基於深度學習的人工智慧檢測技術，以通過分布式光纖傳感系統提供的應變雲圖的智能分析來進行導管架的應力分布檢測。具體地，通過人工智慧算法來提取出所述應變雲圖中聚焦於所述導管架空間位置上的應力分布特徵信息，並基於各個局部位置的應力特徵分布來進行整體的全局性關聯特徵分布提取，以此來提高對於導管架的應力分布檢測的精準度。這樣，能夠智能地對於海上風電場導管架的應力分布是否正常進行準確地檢測，以保障海上風電導管架的安全性，降低企業後期維修成本。
附圖說明
[0034]
通過結合附圖對本技術實施例進行更詳細的描述，本技術的上述以及其他目的、特徵和優勢將變得更加明顯。附圖用來提供對本技術實施例的進一步理解，並且構成說明書的一部分，與本技術實施例一起用於解釋本技術，並不構成對本技術的限制。在附圖中，相同的參考標號通常代表相同部件或步驟。
[0035]
圖1為根據本技術實施例的基於分布式光纖傳感系統的導管架水下應力檢測系統的應用場景圖；
[0036]
圖2為根據本技術實施例的基於分布式光纖傳感系統的導管架水下應力檢測系統的框圖；
[0037]
圖3為根據本技術實施例的基於分布式光纖傳感系統的導管架水下應力檢測系統的框圖；
[0038]
圖4為根據本技術實施例的基於分布式光纖傳感系統的導管架水下應力檢測系統的系統架構圖；
[0039]
圖5為根據本技術實施例的基於分布式光纖傳感系統的導管架水下應力檢測系統中卷積神經網絡編碼的流程圖；
[0040]
圖6為根據本技術實施例的基於分布式光纖傳感系統的導管架水下應力檢測系統中空間增強過程的流程圖；
[0041]
圖7為根據本技術實施例的基於分布式光纖傳感系統的導管架水下應力檢測系統中上下文編碼過程的流程圖；
[0042]
圖8為根據本技術實施例的基於分布式光纖傳感系統的導管架水下應力檢測系統中訓練模塊的系統架構圖；
[0043]
圖9為根據本技術實施例的基於分布式光纖傳感系統的導管架水下應力檢測方法的流程圖；
[0044]
圖10為根據本技術實施例的電子設備的框圖。
具體實施方式
[0045]
下面，將參考附圖詳細地描述根據本技術的示例實施例。顯然，所描述的實施例僅僅是本技術的一部分實施例，而不是本技術的全部實施例，應理解，本技術不受這裡描述的示例實施例的限制。
[0046]
場景概述
[0047]
如前背景技術所言，傳統的對於海上風電場導管架的受力監測方案大多數是通過傳感器獲取導管架的受力情況，並基於受力情況來通過相關技術人員的分析以進行人工監測，這會造成人工監測效率低、實時性差等問題，並且易出現人為誤差，給導管架的受力情況檢測結果帶來影響。不僅如此，傳統的受力監測方案在部署傳感器時，由於水下的環境惡劣，這給傳感器的部署帶來了困難。因此，期望一種優化的導管架水下應力檢測系統。
[0048]
目前，深度學習以及神經網絡已經廣泛應用於計算機視覺、自然語言處理、語音信號處理等領域。此外，深度學習以及神經網絡在圖像分類、物體檢測、語義分割、文本翻譯等領域，也展現出了接近甚至超越人類的水平。
[0049]
近年來，深度學習以及神經網絡的發展為導管架的水下應力檢測提供了新的解決思路和方案。
[0050]
相應地，考慮到傳統的對於海上風電場導管架水下應力檢測方案對於人員操作技能要求較高、產生的效費比低、智能化水平低，並且對於傳感器的部署較為困難，進而降低了對於導管架的應力分布的檢測準確性。同時，還考慮到與依賴於在預定點處測量的離散傳感器的傳統傳感器不同，分布式探測不依賴於製造的傳感器，而是利用光纖。光纖本身是傳感元件，在光路中沒有任何附加的傳感器。由於光纖是傳感器，因此它也是一種經濟高效的方法，即使在最惡劣和最不尋常的環境中也可以輕鬆部署。
[0051]
基於此，在本技術的技術方案中，採用基於深度學習的人工智慧檢測技術，以通過分布式光纖傳感系統提供的應變雲圖的智能分析來進行導管架的應力分布檢測。具體地，通過人工智慧算法來提取出所述應變雲圖中聚焦於所述導管架空間位置上的應力分布特徵信息，並基於各個局部位置的應力特徵分布來進行整體的全局性關聯特徵分布提取，以此來提高對於導管架的應力分布檢測的精準度。這樣，能夠智能地對於海上風電場導管架的應力分布是否正常進行準確地檢測，以保障海上風電導管架的安全性，降低企業後期維修成本。
[0052]
具體的，在本技術的技術方案中，首先，通過部署於待測導管架的分布式光纖傳感系統提供應變雲圖。應可以理解，所述應變雲圖為有限元軟體裡面生成的機構在給定外力作用下表現出來的各部分應力大小和分布的雲圖，其能夠很好地反映出所述待測導管架的應力分布情況。接著，再將所述應變雲圖通過在圖像的隱含特徵提取方面具有優異表現的作為特徵提取器的卷積神經網絡模型中進行處理，以提取出所述應變雲圖中關於所述待測導管架的隱含特徵分布信息，從而得到應變特徵圖。
[0053]
然後，考慮到在對於所述待測導管架的應力分布進行檢測時，應更關注於所述待測導管架的空間位置上的應力分布情況，因此，在進行所述待測導管架的隱含特徵提取時應聚焦於其在空間上的應力分布特徵信息。具體地，在本技術的技術方案中，將所述應變特
徵圖通過空間注意力模塊以得到空間增強應變特徵圖。應可以理解，所述空間注意力所提取到的圖像特徵反映了所述應變雲圖中關於導管架的應力分布信息在空間維度上的特徵差異權重，用來抑制或強化不同空間位置的特徵。
[0054]
進一步地，由於在對於所述待測導管架的應力分布是否正常進行檢測判斷時，所述待測導管架上的各個局部區域的應力之間具有著相互的影響，也就是說，所述待測導管架上的各個局部區域的應力特徵在高維空間中具有著關聯性的特徵分布信息，因此，為了能夠充分地提取出所述導管架上的應力分布特徵信息，以此來進行應力分布是否正常的準確檢測，需要進一步提取其在空間上的應力分布的全局性關聯特徵信息。具體地，在本技術的技術方案中，進一步將所述空間增強應變特徵圖的沿通道維度的各個特徵矩陣按行或列展開為特徵向量，以得到具有所述待測導管架的多個局部區域空間隱含特徵的多個局部區域應變特徵向量。
[0055]
接著，再將所述多個局部區域應變特徵向量通過基於轉換器的上下文編碼器中進行編碼，以提取出所述導管架在空間位置上的各個局部區域的應力分布隱含特徵基於全局的關聯性特徵分布信息，從而得到分類特徵向量。也就是，基於transformer思想，利用轉換器能夠捕捉長距離上下文依賴的特性，對所述多個局部區域應變特徵向量中各個局部區域應變特徵向量進行基於全局的上下文語義編碼以得到以所述多個局部區域應變特徵向量的整體語義關聯為上下文背景的上下文語義關聯特徵表示，即，所述分類特徵向量。應可以理解，在本技術的技術方案中，通過所述基於轉換器的編碼器可以捕捉所述導管架在空間位置上的各個局部區域的應力分布隱含特徵相對於所述導管架整體的應力分布隱含特徵的上下文語義關聯特徵表示。
[0056]
然後，進一步再將所述分類特徵向量通過分類器以得到用於表示待測導管架的應力分布是否正常的分類結果。這樣，能夠智能地對於海上風電場導管架的應力分布是否正常進行準確地檢測，以保障海上風電導管架的安全性，降低企業後期維修成本。
[0057]
特別地，在本技術的技術方案中，將所述多個局部區域應變特徵向量通過基於轉換器的上下文編碼器得到所述分類特徵向量時，是將所述多個局部區域應變特徵向量通過基於轉換器的上下文編碼器得到的多個上下文局部區域應變特徵向量直接級聯以得到所述分類特徵向量時，因此，即使所述基於轉換器的上下文編碼器能夠提取所述多個局部區域應變特徵向量之間的關聯關係以提升所述多個上下文局部區域應變特徵向量之間的特徵語義分布的相關性，但在直接級聯特徵向量的情況下，由於所述多個上下文局部區域應變特徵向量之間的顯式關聯性較低，仍然會使得所述分類特徵向量的整體分布具有較強的離散性，使得分類器的訓練困難，尤其是分類器的標籤值的收斂困難。
[0058]
因此，優選地使用軟標籤學習來代替常用的硬標籤學習，具體地，在每次迭代時，計算所述分類特徵向量的基於跨分類器軟相似性的自由標籤優化因數作為所述分類器的標籤值；
[0059]
其中，所述公式為：
[0060][0061]
v是所述分類特徵向量，m是所述分類器對所述分類特徵向量的權重矩陣，和分別表示張量乘法和張量加法，d(
·
,
·
)表示向量之間的距離，||
·
||2表示向量的二範
數，且α和β是權重超參數，exp(
·
)表示向量的指數運算，所述向量的指數運算表示計算以向量中各個位置的特徵值為冪的自然指數函數值。
[0062]
這裡，所述基於跨分類器軟相似性的自由標籤優化因數通過在以硬標籤值計算特徵向量的分類概率之前來對所述分類特徵向量和分類器對於其的權重矩陣進行雙向聚簇，來通過所述分類特徵向量與所述權重矩陣的跨分類器的軟相似性模擬基於分類器權重矩陣的偽類別，從而以軟相似性學習來避免了硬標籤學習帶來的分類量化損失，實現了更關注於分類器的內在權重結構的自由標籤優化，從而優化了分類器的標籤值的訓練，提升了分類器的訓練速度。這樣，能夠智能地對於海上風電場導管架的應力分布是否正常進行準確地檢測，以保障海上風電導管架的安全性，降低企業後期維修成本。
[0063]
基於此，本技術提出了一種基於分布式光纖傳感系統的導管架水下應力檢測系統，其包括：應變數據採集單元，用於獲取由部署於待測導管架的分布式光纖傳感系統提供的應變雲圖；應力分布特徵提取單元，用於將所述應變雲圖通過作為特徵提取器的卷積神經網絡模型以得到應變特徵圖；空間增強單元，用於將所述應變特徵圖通過空間注意力模塊以得到空間增強應變特徵圖；局部特徵展開單元，用於將所述空間增強應變特徵圖的沿通道維度的各個特徵矩陣展開為特徵向量以得到多個局部區域應變特徵向量；上下文編碼單元，用於將所述多個局部區域應變特徵向量通過基於轉換器的上下文編碼器以得到分類特徵向量；以及，應力檢測結果生成單元，用於將所述分類特徵向量通過分類器以得到分類結果，所述分類結果用於表示待測導管架的應力分布是否正常。
[0064]
圖1為根據本技術實施例的基於分布式光纖傳感系統的導管架水下應力檢測系統的應用場景圖。如圖1所示，在該應用場景中，通過由部署於待測導管架的分布式光纖傳感系統(例如，如圖1中所示意的s1)獲取應變雲圖。接著，將上述圖像輸入至部署有用於基於分布式光纖傳感系統的導管架水下應力檢測算法的伺服器(例如，圖1中的s2)中，其中，所述伺服器能夠以所述基於分布式光纖傳感系統的導管架水下應力檢測算法對上述圖像進行處理，以生成用於表示待測導管架的應力分布是否正常的分類結果。
[0065]
在介紹了本技術的基本原理之後，下面將參考附圖來具體介紹本技術的各種非限制性實施例。
[0066]
示例性系統
[0067]
圖2為根據本技術實施例的基於分布式光纖傳感系統的導管架水下應力檢測系統的框圖。如圖2所示，根據本技術實施例的基於分布式光纖傳感系統的導管架水下應力檢測系統300包括推斷模塊，其中，所述推斷模塊包括：應變數據採集單元310；應力分布特徵提取單元320；空間增強單元330；局部特徵展開單元340；上下文編碼單元350；以及，應力檢測結果生成單元360。
[0068]
其中，所述應變數據採集單元310，用於獲取由部署於待測導管架的分布式光纖傳感系統提供的應變雲圖；所述應力分布特徵提取單元320，用於將所述應變雲圖通過作為特徵提取器的卷積神經網絡模型以得到應變特徵圖；所述空間增強單元330，用於將所述應變特徵圖通過空間注意力模塊以得到空間增強應變特徵圖；所述局部特徵展開單元340，用於將所述空間增強應變特徵圖的沿通道維度的各個特徵矩陣展開為特徵向量以得到多個局部區域應變特徵向量；所述上下文編碼單元350，用於將所述多個局部區域應變特徵向量通過基於轉換器的上下文編碼器以得到分類特徵向量；以及，所述應力檢測結果生成單元
360，用於將所述分類特徵向量通過分類器以得到分類結果，所述分類結果用於表示待測導管架的應力分布是否正常。
[0069]
圖4為根據本技術實施例的基於分布式光纖傳感系統的導管架水下應力檢測系統的系統架構圖。如圖4所示，在所述基於分布式光纖傳感系統的導管架水下應力檢測系統300的系統架構中，在推斷過程中，首先通過所述應變數據採集單元310獲取由部署於待測導管架的分布式光纖傳感系統提供的應變雲圖；接著，所述應力分布特徵提取單元320將所述應變數據採集單元310獲取的應變雲圖通過作為特徵提取器的卷積神經網絡模型以得到應變特徵圖；所述空間增強單元330將所述應力分布特徵提取單元320得到的應變特徵圖通過空間注意力模塊以得到空間增強應變特徵圖；然後，所述局部特徵展開單元340將所述空間增強單元330得到的空間增強應變特徵圖的沿通道維度的各個特徵矩陣展開為特徵向量以得到多個局部區域應變特徵向量；所述上下文編碼單元350將所述局部特徵展開單元340得到的多個局部區域應變特徵向量通過基於轉換器的上下文編碼器以得到分類特徵向量；進而，所述應力檢測結果生成單元360將所述分類特徵向量通過分類器以得到分類結果，所述分類結果用於表示待測導管架的應力分布是否正常。
[0070]
具體地，在所述基於分布式光纖傳感系統的導管架水下應力檢測系統300的運行過程中，所述應變數據採集單元310，用於獲取由部署於待測導管架的分布式光纖傳感系統提供的應變雲圖。考慮到傳統的對於海上風電場導管架水下應力檢測方案對於人員操作技能要求較高、產生的效費比低、智能化水平低，並且對於傳感器的部署較為困難，進而降低了對於導管架的應力分布的檢測準確性。同時，還考慮到與依賴於在預定點處測量的離散傳感器的傳統傳感器不同，分布式探測不依賴於製造的傳感器，而是利用光纖。光纖本身是傳感元件，在光路中沒有任何附加的傳感器。由於光纖是傳感器，因此它也是一種經濟高效的方法，即使在最惡劣和最不尋常的環境中也可以輕鬆部署，因此，在本技術的技術方案中，以通過分布式光纖傳感系統提供的應變雲圖的智能分析來進行導管架的應力分布檢測，在本技術的一個具體示例中，可通過部署於待測導管架的分布式光纖傳感系統提供應變雲圖。
[0071]
具體地，在所述基於分布式光纖傳感系統的導管架水下應力檢測系統300的運行過程中，所述應力分布特徵提取單元320，用於將所述應變雲圖通過作為特徵提取器的卷積神經網絡模型以得到應變特徵圖。應可以理解，所述應變雲圖為有限元軟體裡面生成的機構在給定外力作用下表現出來的各部分應力大小和分布的雲圖，其能夠很好地反映出所述待測導管架的應力分布情況。接著，再將所述應變雲圖通過在圖像的隱含特徵提取方面具有優異表現的作為特徵提取器的卷積神經網絡模型中進行處理，以提取出所述應變雲圖中關於所述待測導管架的隱含特徵分布信息，從而得到應變特徵圖。在一個具體示例中，所述第一卷積神經網絡包括相互級聯的多個神經網絡層，其中各個神經網絡層包括卷積層、池化層和激活層。其中，在所述卷積神經網絡的編碼過程中，所述卷積神經網絡的各層在層的正向傳遞過程中對輸入數據使用所述卷積層進行基於卷積核的卷積處理、使用所述池化層對由所述卷積層輸出的卷積特徵圖進行池化處理和使用所述激活層對由所述池化層輸出的池化特徵圖進行激活處理，其中，卷積神經網絡的第一層的輸入數據為所述應變雲圖，卷積神經網絡的最後一層的輸出數據為所述應變特徵圖。
[0072]
圖5為根據本技術實施例的基於分布式光纖傳感系統的導管架水下應力檢測系統
中卷積神經網絡編碼的流程圖。如圖5所示，在所述卷積神經網絡編碼過程中，包括：使用所述作為特徵提取器的卷積神經網絡模型的各層在層的正向傳遞中分別對輸入數據進行：s210，對輸入數據進行卷積處理以得到卷積特徵圖；s220，對所述卷積特徵圖進行基於局部特徵矩陣的池化以得到池化特徵圖；以及，s230，對所述池化特徵圖進行非線性激活以得到激活特徵圖；其中，所述作為特徵提取器的卷積神經網絡的最後一層的輸出為所述應變特徵圖，所述作為特徵提取器的卷積神經網絡的第一層的輸入為所述應變雲圖。
[0073]
具體地，在所述基於分布式光纖傳感系統的導管架水下應力檢測系統300的運行過程中，所述空間增強單元330，用於將所述應變特徵圖通過空間注意力模塊以得到空間增強應變特徵圖。考慮到在對於所述待測導管架的應力分布進行檢測時，應更關注於所述待測導管架的空間位置上的應力分布情況，因此，在進行所述待測導管架的隱含特徵提取時應聚焦於其在空間上的應力分布特徵信息。具體地，在本技術的技術方案中，將所述應變特徵圖通過空間注意力模塊以得到空間增強應變特徵圖。應可以理解，所述空間注意力所提取到的圖像特徵反映了所述應變雲圖中關於導管架的應力分布信息在空間維度上的特徵差異權重，用來抑制或強化不同空間位置的特徵。更具體地，所述將所述應變特徵圖通過空間注意力模塊以得到空間增強應變特徵圖，包括：計算所述應變特徵圖的沿空間維度的各個特徵矩陣的全局均值以得到空間特徵向量，將所述空間特徵向量輸入softmax激活函數以得到空間注意力權重特徵向量；進而，以所述空間注意力權重特徵向量中各個位置的特徵值作為權重分別對所述應變特徵圖的沿空間維度的各個特徵矩陣進行加權以得到所述空間增強應變特徵圖。
[0074]
圖6為根據本技術實施例的基於分布式光纖傳感系統的導管架水下應力檢測系統中空間增強過程的流程圖。如圖6所示，在所述空間增強過程中，包括：s310，計算所述應變特徵圖的沿空間維度的各個特徵矩陣的全局均值以得到空間特徵向量；s320，將所述空間特徵向量輸入softmax激活函數以得到空間注意力權重特徵向量；以及，s330，以所述空間注意力權重特徵向量中各個位置的特徵值作為權重分別對所述應變特徵圖的沿空間維度的各個特徵矩陣進行加權以得到所述空間增強應變特徵圖。
[0075]
具體地，在所述基於分布式光纖傳感系統的導管架水下應力檢測系統300的運行過程中，所述局部特徵展開單元340，用於將所述空間增強應變特徵圖的沿通道維度的各個特徵矩陣展開為特徵向量以得到多個局部區域應變特徵向量。應可以理解，由於在對於所述待測導管架的應力分布是否正常進行檢測判斷時，所述待測導管架上的各個局部區域的應力之間具有著相互的影響，也就是說，所述待測導管架上的各個局部區域的應力特徵在高維空間中具有著關聯性的特徵分布信息，因此，為了能夠充分地提取出所述導管架上的應力分布特徵信息，以此來進行應力分布是否正常的準確檢測，需要進一步提取其在空間上的應力分布的全局性關聯特徵信息。具體地，在本技術的技術方案中，進一步將所述空間增強應變特徵圖的沿通道維度的各個特徵矩陣按行或列展開為特徵向量，以得到具有所述待測導管架的多個局部區域空間隱含特徵的多個局部區域應變特徵向量。在本技術的一個具體示例中，可將所述空間增強應變特徵圖的沿通道維度的各個特徵矩陣按照行向量或者列向量維度進行展開多個局部區域應變特徵向量。
[0076]
具體地，在所述基於分布式光纖傳感系統的導管架水下應力檢測系統300的運行過程中，所述上下文編碼單元350，用於將所述多個局部區域應變特徵向量通過基於轉換器
的上下文編碼器以得到分類特徵向量。也就是，將所述多個局部區域應變特徵向量通過基於轉換器的上下文編碼器中進行編碼，以提取出所述導管架在空間位置上的各個局部區域的應力分布隱含特徵基於全局的關聯性特徵分布信息，從而得到分類特徵向量。也就是，基於transformer思想，利用轉換器能夠捕捉長距離上下文依賴的特性，對所述多個局部區域應變特徵向量中各個局部區域應變特徵向量進行基於全局的上下文語義編碼以得到以所述多個局部區域應變特徵向量的整體語義關聯為上下文背景的上下文語義關聯特徵表示，即，所述分類特徵向量。應可以理解，在本技術的技術方案中，通過所述基於轉換器的編碼器可以捕捉所述導管架在空間位置上的各個局部區域的應力分布隱含特徵相對於所述導管架整體的應力分布隱含特徵的上下文語義關聯特徵表示。更具體地，將所述多個局部區域應變特徵向量通過所述基於轉換器的上下文編碼器以得到多個上下文語義區域應變特徵向量；以及，將所述多個上下文語義區域應變特徵向量進行級聯以得到所述分類特徵向量。在一個具示例中，以如下公式來融合所述多個上下文語義區域應變特徵向量以得到分類特徵向量；其中，所述公式為：vc＝concat[v1，v2，...vn]，其中v1，v2，...vn表示所述多個上下文語義區域應變特徵向量，concat[
·
,
·
]表示級聯函數，vc表示所述分類特徵向量。
[0077]
圖7為根據本技術實施例的基於分布式光纖傳感系統的導管架水下應力檢測系統中上下文編碼過程的流程圖。如圖7所示，在所述上下文編碼過程中，包括：s410，將所述多個局部區域應變特徵向量進行一維排列以得到全局區域應變特徵向量；s420，計算所述全局區域應變特徵向量與所述多個局部區域應變特徵向量中各個區域應變特徵向量的轉置向量之間的乘積以得到多個自注意力關聯矩陣；s430，分別對所述多個自注意力關聯矩陣中各個自注意力關聯矩陣進行標準化處理以得到多個標準化後自注意力關聯矩陣；s440，將所述多個標準化後自注意力關聯矩陣中各個標準化後自注意力關聯矩陣通過softmax分類函數以得到多個概率值；s450，分別以所述多個概率值中各個概率值作為權重對所述多個局部區域應變特徵向量中各個區域應變特徵向量進行加權以得到所述多個上下文語義區域應變特徵向量。
[0078]
具體地，在所述基於分布式光纖傳感系統的導管架水下應力檢測系統300的運行過程中，所述應力檢測結果生成單元360，用於將所述分類特徵向量通過分類器以得到分類結果，所述分類結果用於表示待測導管架的應力分布是否正常。也就是，將所述分類特徵向量通過分類器以得到用於表示待測導管架的應力分布是否正常的分類結果。這樣，能夠智能地對於海上風電場導管架的應力分布是否正常進行準確地檢測，以保障海上風電導管架的安全性，降低企業後期維修成本。具體地，所述分類器包括多個全連接層和與所述多個全連接層最後一個全連接層級聯的softmax層。在一個具體的示例中，使用所述分類器的多個全連接層對所述分類特徵向量進行多次全連接編碼以得到編碼分類特徵向量；進而，將所述編碼分類特徵向量輸入所述分類器的softmax層，即，使用所述softmax分類函數對所述編碼分類特徵向量進行分類處理以得到用於表示待測導管架的應力分布是否正常的分類結果。更具體地，使用所述分類器的多個全連接層對所述分類特徵向量進行全連接編碼以得到編碼分類特徵向量；以及，將所述編碼分類特徵向量通過所述分類器的softmax分類函數以得到所述分類結果。更具體地，所述將所述分類特徵向量通過分類器以得到分類結果，包括：使用所述分類器以如下公式對所述分類特徵向量進行處理以獲得分類結果，其中，所述公式為：
[0079]
o＝softmax{(wn,bn):
…
:(w1,b1)|x}，其中，w1到wn為權重矩陣，b1到bn為偏置向量，x為分類特徵向量。
[0080]
應可以理解，在利用上述神經網絡模型進行推斷之前，需要對所述作為特徵提取器的卷積神經網絡模型、所述空間注意力模塊、所述基於轉換器的上下文編碼器和所述分類器進行訓練。也就是說，在本技術的基於分布式光纖傳感系統的導管架水下應力檢測系統中，還包括訓練模塊，用於對所述作為特徵提取器的卷積神經網絡模型、所述空間注意力模塊、所述基於轉換器的上下文編碼器和所述分類器進行訓練。
[0081]
圖3為根據本技術實施例的基於分布式光纖傳感系統的導管架水下應力檢測系統的框圖。如圖3所示，根據本技術實施例的基於分布式光纖傳感系統的導管架水下應力檢測系統300，還包括訓練模塊400，所述訓練模塊包括：訓練數據獲取單元410；訓練應力分布特徵提取單元420；訓練空間增強單元430；訓練局部特徵展開單元440；訓練上下文編碼單元450；分類損失單元460；以及，訓練單元470。
[0082]
其中，所述訓練數據獲取單元410，用於獲取訓練應變雲圖，以及，所述待測導管架的應力分布是否正常的真實值；所述訓練應力分布特徵提取單元420，用於將所述訓練應變雲圖通過所述作為特徵提取器的卷積神經網絡模型以得到訓練應變特徵圖；所述訓練空間增強單元430，用於將所述訓練應變特徵圖通過所述空間注意力模塊以得到訓練空間增強應變特徵圖；所述訓練局部特徵展開單元440，用於將所述訓練空間增強應變特徵圖的沿通道維度的各個特徵矩陣展開為特徵向量以得到多個訓練局部區域應變特徵向量；所述訓練上下文編碼單元450，用於將所述多個訓練局部區域應變特徵向量通過所述基於轉換器的上下文編碼器以得到訓練分類特徵向量；所述分類損失單元460，用於將所述訓練分類特徵向量通過所述分類器以得到分類損失函數值；所述訓練單元470，用於基於所述分類損失函數值並通過梯度下降的方向傳播來對所述作為特徵提取器的卷積神經網絡模型、所述空間注意力模塊、所述基於轉換器的上下文編碼器和所述分類器進行訓練，其中，在所述訓練的每一輪迭代中，計算所述訓練分類特徵向量的基於跨分類器軟相似性的自由標籤優化因數作為加權權重對所述訓練分類特徵向量進行加權迭代。
[0083]
圖8為根據本技術實施例的基於分布式光纖傳感系統的導管架水下應力檢測系統中訓練模塊的系統架構圖。如圖8所示，在所述基於分布式光纖傳感系統的導管架水下應力檢測系統300的系統架構中，在訓練過程中，首先通過所述訓練數據獲取單元410獲取訓練應變雲圖，以及，所述待測導管架的應力分布是否正常的真實值；所述訓練應力分布特徵提取單元420將所述訓練數據獲取單元410獲取的訓練應變雲圖通過所述作為特徵提取器的卷積神經網絡模型以得到訓練應變特徵圖；接著，所述訓練空間增強單元430將所述訓練應力分布特徵提取單元420提取的訓練應變特徵圖通過所述空間注意力模塊以得到訓練空間增強應變特徵圖；所述訓練局部特徵展開單元440將所述訓練空間增強單元430得到的訓練空間增強應變特徵圖的沿通道維度的各個特徵矩陣展開為特徵向量以得到多個訓練局部區域應變特徵向量；然後，所述訓練上下文編碼單元450將所述訓練局部特徵展開單元440得到的多個訓練局部區域應變特徵向量通過所述基於轉換器的上下文編碼器以得到訓練分類特徵向量；所述分類損失單元460將所述訓練分類特徵向量通過所述分類器以得到分類損失函數值；進而，所述訓練單元470基於所述分類損失函數值並通過梯度下降的方向傳播來對所述作為特徵提取器的卷積神經網絡模型、所述空間注意力模塊、所述基於轉換器
的上下文編碼器和所述分類器進行訓練，其中，在所述訓練的每一輪迭代中，計算所述訓練分類特徵向量的基於跨分類器軟相似性的自由標籤優化因數作為加權權重對所述訓練分類特徵向量進行加權迭代。
[0084]
特別地，在本技術的技術方案中，將所述多個局部區域應變特徵向量通過基於轉換器的上下文編碼器得到所述分類特徵向量時，是將所述多個局部區域應變特徵向量通過基於轉換器的上下文編碼器得到的多個上下文局部區域應變特徵向量直接級聯以得到所述分類特徵向量時，因此，即使所述基於轉換器的上下文編碼器能夠提取所述多個局部區域應變特徵向量之間的關聯關係以提升所述多個上下文局部區域應變特徵向量之間的特徵語義分布的相關性，但在直接級聯特徵向量的情況下，由於所述多個上下文局部區域應變特徵向量之間的顯式關聯性較低，仍然會使得所述分類特徵向量的整體分布具有較強的離散性，使得分類器的訓練困難，尤其是分類器的標籤值的收斂困難。因此，優選地使用軟標籤學習來代替常用的硬標籤學習，具體地，在每次迭代時，計算所述分類特徵向量的基於跨分類器軟相似性的自由標籤優化因數所述分類器的標籤值；
[0085]
其中，所述公式為：
[0086][0087]
v是所述分類特徵向量，m是所述分類器對所述分類特徵向量的權重矩陣，和分別表示張量乘法和張量加法，d(
·
,
·
)表示向量之間的距離，||
·
||2表示向量的二範數，且α和β是權重超參數，exp(
·
)表示向量的指數運算，所述向量的指數運算表示計算以向量中各個位置的特徵值為冪的自然指數函數值。
[0088]
這裡，所述基於跨分類器軟相似性的自由標籤優化因數通過在以硬標籤值計算特徵向量的分類概率之前來對所述分類特徵向量和分類器對於其的權重矩陣進行雙向聚簇，來通過所述分類特徵向量與所述權重矩陣的跨分類器的軟相似性模擬基於分類器權重矩陣的偽類別，從而以軟相似性學習來避免了硬標籤學習帶來的分類量化損失，實現了更關注於分類器的內在權重結構的自由標籤優化，從而優化了分類器的標籤值的訓練，提升了分類器的訓練速度。這樣，能夠智能地對於海上風電場導管架的應力分布是否正常進行準確地檢測，以保障海上風電導管架的安全性，降低企業後期維修成本。
[0089]
綜上，根據本技術實施例的基於分布式光纖傳感系統的導管架水下應力檢測系統300被闡明，其通過採用基於深度學習的人工智慧檢測技術，以通過分布式光纖傳感系統提供的應變雲圖的智能分析來進行導管架的應力分布檢測。具體地，通過人工智慧算法來提取出所述應變雲圖中聚焦於所述導管架空間位置上的應力分布特徵信息，並基於各個局部位置的應力特徵分布來進行整體的全局性關聯特徵分布提取，以此來提高對於導管架的應力分布檢測的精準度。這樣，能夠智能地對於海上風電場導管架的應力分布是否正常進行準確地檢測，以保障海上風電導管架的安全性，降低企業後期維修成本。
[0090]
如上所述，根據本技術實施例的基於分布式光纖傳感系統的導管架水下應力檢測系統可以實現在各種終端設備中。在一個示例中，根據本技術實施例的基於分布式光纖傳感系統的導管架水下應力檢測系統300可以作為一個軟體模塊和/或硬體模塊而集成到終端設備中。例如，該基於分布式光纖傳感系統的導管架水下應力檢測系統300可以是該終端設備的作業系統中的一個軟體模塊，或者可以是針對於該終端設備所開發的一個應用程
序；當然，該基於分布式光纖傳感系統的導管架水下應力檢測系統300同樣可以是該終端設備的眾多硬體模塊之一。
[0091]
替換地，在另一示例中，該基於分布式光纖傳感系統的導管架水下應力檢測系統300與該終端設備也可以是分立的設備，並且該基於分布式光纖傳感系統的導管架水下應力檢測系統300可以通過有線和/或無線網絡連接到該終端設備，並且按照約定的數據格式來傳輸交互信息。
[0092]
示例性方法
[0093]
圖9為根據本技術實施例的基於分布式光纖傳感系統的導管架水下應力檢測方法的流程圖。如圖9所示，根據本技術實施例的基於分布式光纖傳感系統的導管架水下應力檢測方法，包括步驟：s110，應變數據採集步驟：獲取由部署於待測導管架的分布式光纖傳感系統提供的應變雲圖；s120，應力分布特徵提取步驟：將所述應變雲圖通過作為特徵提取器的卷積神經網絡模型以得到應變特徵圖；s130，空間增強步驟：將所述應變特徵圖通過空間注意力模塊以得到空間增強應變特徵圖；s140，局部特徵展開步驟：將所述空間增強應變特徵圖的沿通道維度的各個特徵矩陣展開為特徵向量以得到多個局部區域應變特徵向量；s150，上下文編碼步驟：將所述多個局部區域應變特徵向量通過基於轉換器的上下文編碼器以得到分類特徵向量；以及，s160，應力檢測結果生成步驟：將所述分類特徵向量通過分類器以得到分類結果，所述分類結果用於表示待測導管架的應力分布是否正常。
[0094]
在一個示例中，在上述基於分布式光纖傳感系統的導管架水下應力檢測方法中，所述步驟s120，包括：使用所述作為特徵提取器的卷積神經網絡模型的各層在層的正向傳遞中分別對輸入數據進行：對輸入數據進行卷積處理以得到卷積特徵圖；對所述卷積特徵圖進行基於局部特徵矩陣的池化以得到池化特徵圖；以及，對所述池化特徵圖進行非線性激活以得到激活特徵圖；其中，所述作為特徵提取器的卷積神經網絡的最後一層的輸出為所述應變特徵圖，所述作為特徵提取器的卷積神經網絡的第一層的輸入為所述應變雲圖。
[0095]
在一個示例中，在上述基於分布式光纖傳感系統的導管架水下應力檢測方法中，所述步驟s130，包括：計算所述應變特徵圖的沿空間維度的各個特徵矩陣的全局均值以得到空間特徵向量；將所述空間特徵向量輸入softmax激活函數以得到空間注意力權重特徵向量；以及，以所述空間注意力權重特徵向量中各個位置的特徵值作為權重分別對所述應變特徵圖的沿空間維度的各個特徵矩陣進行加權以得到所述空間增強應變特徵圖。
[0096]
在一個示例中，在上述基於分布式光纖傳感系統的導管架水下應力檢測方法中，所述步驟s140，包括：將所述空間增強應變特徵圖的沿通道維度的各個特徵矩陣按照行向量或者列向量維度進行展開多個局部區域應變特徵向量。
[0097]
在一個示例中，在上述基於分布式光纖傳感系統的導管架水下應力檢測方法中，所述步驟s150，包括：將所述多個局部區域應變特徵向量通過所述基於轉換器的上下文編碼器以得到多個上下文語義區域應變特徵向量；以及，將所述多個上下文語義區域應變特徵向量進行級聯以得到所述分類特徵向量。更具體地，所述將所述多個局部區域應變特徵向量通過所述基於轉換器的上下文編碼器以得到多個上下文語義區域應變特徵向量，包括：將所述多個局部區域應變特徵向量進行一維排列以得到全局區域應變特徵向量；計算所述全局區域應變特徵向量與所述多個局部區域應變特徵向量中各個區域應變特徵向量的轉置向量之間的乘積以得到多個自注意力關聯矩陣；分別對所述多個自注意力關聯矩陣
中各個自注意力關聯矩陣進行標準化處理以得到多個標準化後自注意力關聯矩陣；將所述多個標準化後自注意力關聯矩陣中各個標準化後自注意力關聯矩陣通過softmax分類函數以得到多個概率值；分別以所述多個概率值中各個概率值作為權重對所述多個局部區域應變特徵向量中各個區域應變特徵向量進行加權以得到所述多個上下文語義區域應變特徵向量。
[0098]
在一個示例中，在上述基於分布式光纖傳感系統的導管架水下應力檢測方法中，所述步驟s160，包括：使用所述分類器的多個全連接層對所述分類特徵向量進行全連接編碼以得到編碼分類特徵向量；以及，將所述編碼分類特徵向量通過所述分類器的softmax分類函數以得到所述分類結果。
[0099]
綜上，根據本技術實施例的基於分布式光纖傳感系統的導管架水下應力檢測方法被闡明，其通過採用基於深度學習的人工智慧檢測技術，以通過分布式光纖傳感系統提供的應變雲圖的智能分析來進行導管架的應力分布檢測。具體地，通過人工智慧算法來提取出所述應變雲圖中聚焦於所述導管架空間位置上的應力分布特徵信息，並基於各個局部位置的應力特徵分布來進行整體的全局性關聯特徵分布提取，以此來提高對於導管架的應力分布檢測的精準度。這樣，能夠智能地對於海上風電場導管架的應力分布是否正常進行準確地檢測，以保障海上風電導管架的安全性，降低企業後期維修成本。
[0100]
示例性電子設備
[0101]
下面，參考圖10來描述根據本技術實施例的電子設備。
[0102]
圖10圖示了根據本技術實施例的電子設備的框圖。
[0103]
如圖10所示，電子設備10包括一個或多個處理器11和存儲器12。
[0104]
處理器11可以是中央處理單元(cpu)或者具有數據處理能力和/或指令執行能力的其他形式的處理單元，並且可以控制電子設備10中的其他組件以執行期望的功能。
[0105]
存儲器12可以包括一個或多個電腦程式產品，所述電腦程式產品可以包括各種形式的計算機可讀存儲介質，例如易失性存儲器和/或非易失性存儲器。所述易失性存儲器例如可以包括隨機存取存儲器(ram)和/或高速緩衝存儲器(cache)等。所述非易失性存儲器例如可以包括只讀存儲器(rom)、硬碟、快閃記憶體等。在所述計算機可讀存儲介質上可以存儲一個或多個電腦程式指令，處理器11可以運行所述程序指令，以實現上文所述的本技術的各個實施例的基於分布式光纖傳感系統的導管架水下應力檢測系統中的功能以及/或者其他期望的功能。在所述計算機可讀存儲介質中還可以存儲諸如分類特徵向量等各種內容。
[0106]
在一個示例中，電子設備10還可以包括：輸入裝置13和輸出裝置14，這些組件通過總線系統和/或其他形式的連接機構(未示出)互連。
[0107]
該輸入裝置13可以包括例如鍵盤、滑鼠等等。
[0108]
該輸出裝置14可以向外部輸出各種信息，包括分類結果等。該輸出裝置14可以包括例如顯示器、揚聲器、印表機、以及通信網絡及其所連接的遠程輸出設備等等。
[0109]
當然，為了簡化，圖10中僅示出了該電子設備10中與本技術有關的組件中的一些，省略了諸如總線、輸入/輸出接口等等的組件。除此之外，根據具體應用情況，電子設備10還可以包括任何其他適當的組件。
[0110]
示例性電腦程式產品和計算機可讀存儲介質
[0111]
除了上述方法和設備以外，本技術的實施例還可以是電腦程式產品，其包括電腦程式指令，所述電腦程式指令在被處理器運行時使得所述處理器執行本說明書上述「示例性系統」部分中描述的根據本技術各種實施例的基於分布式光纖傳感系統的導管架水下應力檢測方法中的功能中的步驟。
[0112]
所述電腦程式產品可以以一種或多種程序設計語言的任意組合來編寫用於執行本技術實施例操作的程序代碼，所述程序設計語言包括面向對象的程序設計語言，諸如java、c++等，還包括常規的過程式程序設計語言，諸如「c」語言或類似的程序設計語言。程序代碼可以完全地在用戶計算設備上執行、部分地在用戶設備上執行、作為一個獨立的軟體包執行、部分在用戶計算設備上部分在遠程計算設備上執行、或者完全在遠程計算設備或伺服器上執行。
[0113]
此外，本技術的實施例還可以是計算機可讀存儲介質，其上存儲有電腦程式指令，所述電腦程式指令在被處理器運行時使得所述處理器執行本說明書上述「示例性系統」部分中描述的根據本技術各種實施例的基於分布式光纖傳感系統的導管架水下應力檢測方法中的功能中的步驟。
[0114]
所述計算機可讀存儲介質可以採用一個或多個可讀介質的任意組合。可讀介質可以是可讀信號介質或者可讀存儲介質。可讀存儲介質例如可以包括但不限於電、磁、光、電磁、紅外線、或半導體的系統、裝置或器件，或者任意以上的組合。可讀存儲介質的更具體的例子(非窮舉的列表)包括：具有一個或多個導線的電連接、可攜式盤、硬碟、隨機存取存儲器(ram)、只讀存儲器(rom)、可擦式可編程只讀存儲器(eprom或快閃記憶體)、光纖、可攜式緊湊盤只讀存儲器(cd-rom)、光存儲器件、磁存儲器件、或者上述的任意合適的組合。
[0115]
以上結合具體實施例描述了本技術的基本原理，但是，需要指出的是，在本技術中提及的優點、優勢、效果等僅是示例而非限制，不能認為這些優點、優勢、效果等是本技術的各個實施例必須具備的。另外，上述公開的具體細節僅是為了示例的作用和便於理解的作用，而非限制，上述細節並不限制本技術為必須採用上述具體的細節來實現。
[0116]
本技術中涉及的器件、裝置、設備、系統的方框圖僅作為例示性的例子並且不意圖要求或暗示必須按照方框圖示出的方式進行連接、布置、配置。如本領域技術人員將認識到的，可以按任意方式連接、布置、配置這些器件、裝置、設備、系統。諸如「包括」、「包含」、「具有」等等的詞語是開放性詞彙，指「包括但不限於」，且可與其互換使用。這裡所使用的詞彙「或」和「和」指詞彙「和/或」，且可與其互換使用，除非上下文明確指示不是如此。這裡所使用的詞彙「諸如」指詞組「諸如但不限於」，且可與其互換使用。
[0117]
還需要指出的是，在本技術的裝置、設備和方法中，各部件或各步驟是可以分解和/或重新組合的。這些分解和/或重新組合應視為本技術的等效方案。
[0118]
提供所公開的方面的以上描述以使本領域的任何技術人員能夠做出或者使用本技術。對這些方面的各種修改對於本領域技術人員而言是非常顯而易見的，並且在此定義的一般原理可以應用於其他方面而不脫離本技術的範圍。因此，本技術不意圖被限制到在此示出的方面，而是按照與在此公開的原理和新穎的特徵一致的最寬範圍。
[0119]
為了例示和描述的目的已經給出了以上描述。此外，此描述不意圖將本技術的實施例限制到在此公開的形式。儘管以上已經討論了多個示例方面和實施例，但是本領域技術人員將認識到其某些變型、修改、改變、添加和子組合。