CN103226028B - 一种相敏光时域反射仪扰动信号检测与识别方法 - Google Patents

Abstract

本发明公开了一种相敏光时域反射仪扰动信号检测与识别方法，其主旨在于进一步提高相敏光时域反射仪对外界扰动的检测与智能识别能力，降低系统在实际复杂噪声环境中误报率和虚警率，其以空间各点的纵向时间序列信号作为处理对象，提取其分形特征进行扰动检测和定位；通过小波变换对时间序列信号进行多尺度分解，利用起伏背景噪声、声波等时变干扰信号、真实入侵信号等不同类型扰动信号在多尺度时频轴上的分布差异，提取不同尺度下细节信号分量的能量特征，组成该信号的多尺度时频分布特征矢量，结合后向传播（BP）神经网络识别方法进行扰动信号具体属性的识别和分类。本发明应用于周界安防、长输管道安全、大型结构健康监测等应用领域。

Description

一种相敏光时域反射仪扰动信号检测与识别方法

技术领域

本发明涉及周界安防、长输管道及大型结构安全监测领域，具体涉及一种相位敏感光时域反射仪扰动信号检测与识别方法。

背景技术

相敏光时域反射仪(Phase-sensitive optical time domain reflectometry，Φ-OTDR) 是一种典型全分布式光纤传感技术，灵敏度高，全程无源，可连续感知传输路径上应变、振动等动态参数的空间分布和时间变化信息，由于探测距离和多点同时定位能力显著优于其他干涉型技术，常作为长距离围栏技术应用的首选，在周界安防、长输油气管道安全、大型结构健康监测等领域发挥重要作用，满足国家在边境线、重要基础设施等方面安全监测的重大需求。

然而，与其他干涉型高灵敏光纤检测系统类似，在实际应用中Φ-OTDR对气候变化、空气流动、声音和机械振动等背景噪声也同时敏感，目前基于光时域反射横向空间信号的检测与定位方法，只能判断扰动有无及其位置，无法确知扰动信号的类型，如是真实扰动还是背景噪声或其他干扰引起，误报频繁，无法满足实际应用要求。而结合空间上各点的纵向时间序列信号进行检测，可以根据不同类型信号随时间变化的特征差异，对各种扰动信号进行分辨和识别，是有效降低系统误报率，提高信号正确检测率的一种有效途径。然而，Φ-OTDR检测的干涉条纹变化是光脉冲范围内无数后向瑞利散射信号干涉结果的统计叠加，是一个复杂的非线性系统，其传感信号具有一定确定性也有一定随机性，这是不同于其他干涉型系统的显著特点，也进一步增加了其实际入侵检测与识别的困难。扰动信号的检测与识别是Φ-OTDR也是干涉型光纤检测系统普遍存在的难题，成为制约其在实际应用中发挥作用的关键，直接决定系统的应用前景。

发明内容

针对上述现有技术，本发明要解决的技术问题是提供一种相位敏感光时域反射仪扰动信号检测与识别方法，解决现有系统由于对外界环境各种干扰敏感，误报率偏高的问题。

为了解决上述技术问题，本发明采用如下技术方案：通过提取相敏光时域反射仪空间各点的纵向时间序列信号分形特征进行扰动检测和定位，基于该时间序列信号的多尺度时频能量分布特征，结合后向传播（BP）神经网络识别方法进行扰动信号属性的识别和分类。包括以下步骤：

（1）对接收的横向空间信号进行时间累积，得到空间上各点的纵向时间序列信号

相敏光时域反射仪以周期触发脉冲作为一个信号采集单元，触发频率为                                                ，触发周期为，该时间单元内采集的信号是Φ-OTDR光时域反射信号，映射了监测距离内光信号在所有空间点的分布信息。采集脉冲周期触发，空间分布光信息被周期性地采集刷新。设第个触发脉冲周期内接收的散射相干光沿光纤线路的光强分布信息，为 ，其中：表示横向空间采样点序号，为根据监测距离设置的横向空间上的数据采集长度；以空间某一点作为观测点，该点光信息随的增加进行时间累积，得到了该空间点光信息随时间变化的信号，称为该点的纵向时间序列信号，记为，为该点纵向时间上的采样点序号，为纵向时间上的数据采集长度，纵向时间上采样点间的时间间隔为一个触发周期，。

（2）对空间上某点的纵向时间序列信号进行分形特征提取，并基于该分形特征进行外界扰动检测和定位

  基于相敏光时域反射仪传感信号既有确定性又有随机性，随时间变化具有混沌特征这一事实，以空间点的纵向时间序列信号作为处理对象，简写为，对该时间序列信号进行关联维特征提取，步骤如下：

 ①建立相空间

以1个采样点的时延为例，利用采集的纵向时间序列信号，建立一个维相空间，则在该相空间中可构建个数据点或向量:

    ②计算相空间任意两个数据点间的平均距离

    ③设定不同尺度的球形半径或标度，计算关联维值

     标度的取值一般为，其中为相空间中任意两个数据点间距离的平均值，计算相空间两点小于该球形半径或标度的概率，为一个Heaviside函数，其取值域为：

若分形存在，随着尺度的变化，有，即为关联维数，关联维定义为：

根据上式中-双对数曲线的斜率来估计关联维数，并根据-双对数曲线的斜率变化分辨信号的分形特征及信号差异。注意：计算关联维时相空间维数、时延数据点数、超球半径和数据长度等4个关键参数需要合理选取。

 在监测过程中，结合时间滑动窗技术，提取每个时间窗口扰动信号的分形特征参数，即关联维数，与设定的检测阈值比较，若窗口内的分形特征值大于该阈值则判定有扰动信号，该时间信号对应的空间标识即为扰动发生的位置；如窗口内的分形特征值小于该阈值则判定无扰动信号，该点正常无入侵。

（3）检测到有扰动信号发生时，对空间上该点的纵向时间序列信号进行多尺度小波分解，获得信号各尺度分量的时频能量分布特征

    为避免分形特征对噪声敏感，在检测到有扰动信号发生时，进一步对空间上该点的纵向时间序列信号进行多尺度小波分解，获得信号各尺度分量的时频能量分布特征来确认扰动信号的类型。不同类型信号的时频分布与结构不同，因此在小波分解的不同尺度分量中能量分布有差异。例如利用db6小波函数对其进行5层小波分解，将信号分为d1, d2, d3, d4, d5和 a5共6个不同的尺度分量，其中d1, d2, d3, d4, d5分别表示db6小波分解到第一层、第二层、…，依次类推，直至第五层由高频到低频的细节信号分量，a5表示db6小波分解到第五层的近似信号分量。起伏波动的背景噪声通常为大尺度信号，主要分布于低频分量，即近似信号分量a5中，声波及空气流动等类型的时变干扰信号为中尺度信号，主要分布于低频细节分量d4, d5中，而真实扰动信号为小尺度信号，主要分布于高频细节分量d1, d2中。据此时频分布的差异，将时间序列信号进行层小波分解，各层的细节信号分量为， 为小波分解层的索引号，为时间序列样本序号。分别对各层细节信号分量计算其能量方差值，得到，其中，为第层细节信号分量的均值。将各层细节信号分量的能量方差值组合，得到空间上该点时间序列信号的多尺度时频能量分布特征矢量，

（4）基于空间上该点纵向时间序列信号的多尺度能量分布特征差异， 结合BP神经网络对该信号的属性进行识别和分类

将空间上该点时间序列信号的多尺度能量分布特征矢量，，作为BP神经网络的输入层，以三层BP神经网络为例，构建BP神经网络的隐含层和输出层。输入层的节点数由特征矢量维数决定，本发明中等于小波分解层数；输出层的节点数由目标类型个数决定，若目标类有个，则需要的输出层节点数为向上取整，记为；隐含层的节点个数则根据需要确定，隐含层的节点数愈多，计算复杂度愈大，因此一般适当取值；构建好基本的网络结构，分别确定隐含层与输出层的激活函数及其判断阈值，本发明实施例中隐含层的激活函数选为双曲正切S形函数，即双极S形函数，输出层的激活函数选为线性函数 ，；网络训练学习函数选为Levenberg-Marquardt BP训练函数。

对建立的神经网络进行初始化参数设置后，利用训练样本通过迭代方式训练网络参数，达到训练要求后将该BP网络参数进行保存以备测试用；对测试样本数据进行多尺度能量分布特征提取，得到测试样本特征矢量，输入训练好的神经网络可以对其进行自动分类和识别。

 本发明具有以下有益效果：以相敏光时域反射仪空间各点的纵向时间序列信号作为处理对象，通过提取空间各点的纵向时间序列信号分形特征进行扰动检测和定位，并基于该时间序列信号的多尺度时频能量分布特征，结合BP神经网络识别方法进行识别和分类。该发明内容为进一步提高相敏光时域反射仪对外界扰动的检测和智能识别能力，同时能够有效抑制背景噪声及其他干扰对相敏光时域反射仪的影响，降低系统在实际复杂噪声环境中的误报率和虚警率，推动其在周界安防、长输管道安全、大型结构健康监测等应用领域发挥重要作用。

附图说明

图1为相敏光时域反射仪基于横向空间信号的入侵监测原理图；

图2为本发明中相敏光时域反射仪横向空间信号和纵向时间序列信号关系图；

图3为本发明中相敏光时域反射仪无扰动和有扰动信号的-双对数曲线；

图4为本发明中相敏光时域反射仪扰动信号随时间变化的关联维特征曲线；

图5为本发明中相敏光时域反射仪基于多尺度能量分布特征的BP神经网络识别方法结构图。

具体实施方式

下面将结合附图及具体实施方式对本发明作进一步的描述。

参见图1，相敏光时域反射仪由三个主要部分组成，探测光缆、光源及信号解调设备、中央处理单元，从系统信号流程上需要的具体设备和器件包括产生超窄相干脉冲的激光器及调制器，埋在周界附近或地下用于感知外界入侵的普通单模光纤，光耦合器，探测光信号的光电探测器，信号采集装置和中央处理单元；其他放大设备则根据监测距离要求选用，如掺铒光纤放大器、拉曼放大器等；本发明中由窄带激光器发出强相干光经过调制器调制出窄脉冲光，光脉冲经放大从光纤的一端注入，经过光纤传输时发生瑞利散射，通过探测器探测后向瑞利散射光干涉结果变化判断侵扰的发生。相敏光时域反射仪通过测量输入脉冲与接收到的干涉变化信号的时间延迟来判断干扰点的位置。本发明的实施例中使用的探测光缆为普通单模光纤，光缆长度为10公里，由于返回的瑞利散射信号较弱，在光脉冲注入光缆之前加上一个掺铒光纤放大器 (EDFA) 对光信号进行放大。根据监测光缆长度计算渡越时间为97.3μs，选择脉冲发生频率为1KHz，调整脉冲占空比为0.02%，则脉宽为0.2μs，对应于20米的定位精度。根据应用要求选择采样率为50MHz的高速采集卡对监测信号进行模数转换，根据渡越时间选择数据采集深度为6000个数据点；在距离探测器8公里光缆处设置入侵标记，然后对标记处光缆进行入侵模拟。

如图2所示，Φ-OTDR传感信号检测与识别方法以Φ-OTDR空间各点的纵向时间序列信号作为处理对象，通过提取空间各点的纵向时间序列信号分形特征进行扰动检测和定位，并基于该时间序列信号的多尺度能量分布特征， 结合BP神经网络进行识别和分类。具体步骤如下：

（1）对接收的横向空间信号进行时间累积，得到空间上各点的纵向时间序列信号

相敏光时域反射仪以周期触发脉冲作为一个信号采集单元，触发频率为，触发周期为，该时间单元内采集的信号是Φ-OTDR光时域反射信号，映射了监测距离内光信号在所有空间点的分布信息。采集脉冲周期触发，空间分布光信息被周期性地采集刷新。设第个触发脉冲周期内接收的散射相干光沿光纤线路的光强分布信息，为 ，其中：表示横向空间采样点序号，为根据监测距离设置的横向空间上的数据采集长度；以空间某一点作为观测点，该点光信息随的增加进行时间累积，得到了该空间点光信息随时间变化的信号，称为该点的纵向时间序列信号，记为，为该点纵向时间上的采样点序号，为纵向时间上的数据采集长度，纵向时间上采样点间的时间间隔为一个触发周期，。

（2）对空间上某点的纵向时间序列信号进行分形特征提取，并基于该分形特征进行外界扰动检测和定位

以空间点的纵向时间序列信号作为处理对象，简写为，以关联维特征为例对该时间序列信号进行分形特征提取，步骤如下：

 ①建立相空间

 以1个采样点的时延为例，利用采集的纵向时间序列信号，建立一个维相空间，则在该相空间中可构建个数据点或向量:

    ②计算相空间任意两个数据点间的平均距离

    ③设定不同尺度的球形半径或标度，计算关联维值

     标度的取值一般为，其中为相空间中任意两个数据点间距离的平均值，计算相空间两点小于该球形半径或标度的概率，为一个Heaviside函数，其取值域为：

若分形存在，随着尺度的变化，有，即为关联维数，关联维定义为：

根据上式中-双对数曲线的斜率来估计关联维数，并根据-双对数曲线的斜率变化分辨信号的分形特征及信号差异。注意：计算关联维时相空间维数、时延数据点数、超球半径和数据长度等4个关键参数需要合理选取。

    图3为无扰动和有扰动信号的-双对数曲线；图3(a)(b)(c)无扰动信号的双对数曲线整体线性较好具有明显的无标度区，分形特征明显；而图3(d)(e)(f)有扰动信号的双对数曲线有明显弯折，虽不是整体分形，但在一定范围也具有无标度区，在一定活动区内具有分形特征。这种无标度区的存在和形式差异表明，无扰动和有扰动时信号的分形特征有明显差异。在监测过程中，结合滑动时间窗技术提取一段扰动信号随时间变化的关联维特征曲线，如图4所示，在有扰动发生时，该信号的关联维特征值明显增加，而无扰动时其关联维特征值基本分布于某一范围以下，根据此特征，通过设置关联维特征的经验阈值，可以对有扰动的信号进行检测和定位：若窗口内的分形特征值大于该阈值则判定有扰动信号，该时间信号对应的空间标识即为扰动发生的位置；如窗口内的分形特征值小于该阈值则判定无扰动信号，该点正常无入侵。

（3）检测到有扰动信号发生时，对空间上该点的纵向时间序列信号进行多尺度小波分解，获得信号各尺度分量的时频能量分布特征

    在检测到有扰动信号发生时，进一步对空间上该点的纵向时间序列信号进行多尺度小波分解，获得信号各尺度分量的时频能量分布特征来确认扰动信号的类型。不同类型信号的时频分布与结构不同，因此在小波分解的不同尺度分量中能量分布有差异。例如利用db6小波函数对其进行5层小波分解，将信号分为d1, d2, d3, d4, d5和 a5共6个不同的尺度分量，其中d1, d2, d3, d4, d5分别表示db6小波分解到第一层、第二层、…，依次类推，直至第五层由高频到低频的细节信号分量，a5表示db6小波分解到第五层的近似信号分量。起伏波动的背景噪声通常为大尺度信号，主要分布于低频分量，即近似信号分量a5中，声波及空气流动等类型的时变干扰信号为中尺度信号，主要分布于低频细节分量d4, d5中，而真实扰动信号为小尺度信号，主要分布于高频细节分量d1, d2中。据此时频分布的差异，将时间序列信号进行层小波分解，各层的细节信号分量为， 为小波分解层的索引号，为时间序列样本序号。分别对各层细节信号分量计算其能量方差值，得到，其中，为第层细节信号分量的均值。将各层细节信号分量的能量方差值组合，得到空间上该点时间序列信号的多尺度时频能量分布特征矢量，

（4）基于空间上该点纵向时间序列信号的多尺度能量分布特征差异， 结合BP神经网络对该信号的属性进行识别和分类

基于多尺度能量分布特征的BP神经网络识别方法结构，如图5所示。将空间上该点时间序列信号的多尺度能量分布特征矢量，，作为BP神经网络的输入层，以三层BP神经网络为例，构建BP神经网络的隐含层和输出层。输入层的节点数由特征矢量维数决定，本发明中等于小波分解层数；输出层的节点数由目标类型个数决定，若目标类有个，则需要的输出层节点数为向上取整，记为；隐含层的节点个数则根据需要确定，隐含层的节点数愈多，计算复杂度愈大，因此一般适当取值；构建好基本的网络结构，分别确定隐含层与输出层的激活函数及其判断阈值，本发明实施例中隐含层的激活函数选为双曲正切S形函数，即双极S形函数，输出层的激活函数选为线性函数 ，；网络训练学习函数选为Levenberg-Marquardt BP训练函数。

    对建立的神经网络进行初始化参数设置后，利用训练样本通过迭代方式训练网络参数，达到训练要求后将该BP网络参数进行保存以备测试用；对测试样本数据进行多尺度能量分布特征提取，得到测试样本特征矢量，输入训练好的神经网络可以对其进行自动分类和识别。

本发明实施例中列举的是Φ-OTDR传感信号检测与识别的具体实施方法，该发明方法中的分形特征，小波函数和多尺度分解层数，BP神经网络结构，激活函数类型等可根据实际应用情况进行选择，相关参数根据需求进行调整，实施例方法也完全可以应用到其他分布式光纤传感系统的信号检测与识别中。

Claims (3)

1.一种相敏光时域反射仪扰动信号检测与识别方法，其特征在于，包括以下步骤：

1）对接收的横向空间信号进行时间累积，得到空间上各点的纵向时间序列信号；

2）对空间上某点的纵向时间序列信号进行分形特征提取，并基于该分形特征进行外界扰动检测和定位；

3）检测到有扰动信号发生时，对空间上该点的纵向时间序列信号进行多尺度小波分解，获得信号各尺度分量的能量特征；

4）基于空间上该点纵向时间序列信号的多尺度能量分布特征差异，利用BP神经网络对该信号的属性进行识别和分类;

步骤1）所述对接收的横向空间信号通过相敏光时域反射仪提供，所述相敏光时域反射仪以周期触发脉冲作为一个信号采集单元，触发频率为                                                ，触发周期为，时间单元内采集的信号是相敏光时域反射仪光时域反射信号，映射了监测距离内光信号在所有空间点的分布信息；

采集脉冲周期触发，随空间分布的光信息被周期性地采集刷新；

第个采集脉冲周期内接收的散射相干光沿光纤线路的光强分布信息，为 ，

其中：表示横向空间采样点序号，为根据监测距离设置的横向空间上的数据采集长度；以空间某一点作为观测点，该点光信息随的增加进行时间累积，得到了该空间点光信息随时间变化的信号，称为该点的纵向时间序列信号，记为，为该点纵向时间上的采样点序号，为纵向时间上的数据采集长度，纵向时间上采样点间的时间间隔为一个触发周期，。

2.根据权利要求1所述的一种相敏光时域反射仪扰动信号检测与识别方法，特征在于：步骤2）中所述的基于分形特征进行外界扰动检测和定位，具体为以空间点的纵向时间序列信号作为处理对象，简写为，对该时间序列信号进行关联维特征提取，步骤如下：

步骤31、建立相空间；

以时延为1个采样点为例建立一个维相空间，有个数据点或向量:

步骤32、计算相空间任意两点间的平均距离；

步骤33、设定不同尺度的球形半径或标度，计算关联维值；

 标度的取值为，其中为相空间中任意两点间距离的平均值，计算相空间两点小于该球形半径或标度的概率，为一个Heaviside函数，其取值域为：

若分形存在，随着尺度的变化，有，即为关联维数，关联维定义为：

根据上式中-双对数曲线的斜率估计关联维数，并根据-双对数曲线的斜率变化差异分辨信号的分形特征及信号差别；

结合时间滑动窗技术，提取每个时间窗口扰动信号的分形特征参数，与设定检测阈值比较，若窗口内的分形特征值大于该阈值则判定有扰动信号，该信号所处的空间位置即为扰动发生的位置，准备进行下一步的扰动信号识别；如窗口内的分形特征值小于该阈值则判定无扰动信号，该点正常无入侵。

3.根据权利要求1所述的一种相敏光时域反射仪扰动信号检测与识别方法，其特征在于，所述步骤3)具体包括以下步骤：

步骤41、利用db6小波函数对纵向时间序列信号进行5层小波分解，将信号分为d1, d2, d3, d4, d5和 a5共6个不同的尺度分量，其中d1, d2, d3, d4, d5分别表示db6小波分解到第一层、第二层、…，依次类推，直至第五层由高频到低频的细节信号分量，a5表示db6小波分解到第五层的近似信号分量；

起伏波动的背景噪声通常为大尺度信号，主要分布于低频分量，即近似信号分量a5中，声波及空气流动类型的时变干扰信号为中尺度信号，主要分布于低频细节分量d4, d5中，而真实扰动信号为小尺度信号，主要分布于高频细节分量d1, d2中；

步骤42、将时间序列信号进行层小波分解，各层的细节信号分量为， 为小波分解层的索引号，中为时间序列样本序号，分别对各层细节信号分量计算其能量方差值，得到，其中，为第层细节信号分量的均值，

步骤43、将各层细节信号分量的能量方差值组合，得到空间上该点时间序列信号的多尺度能量分布特征矢量，

。