CN103617684B - 干涉型光纤周界振动入侵识别算法 - Google Patents

Abstract

本发明涉及光纤振动传感技术领域，具体地说是一种特别适用于安防周界用的干涉型光纤周界振动入侵识别算法，其特征在于包括：从数据采集端读取光纤振动传感器所采集数据，对所采集数据进行归一化处理；经验模态分解；对经验模态分解结果进行特征值的计算；多特征值检测，判断是否有入侵，若是，进行报警，否则重复步骤1‑:5进行下轮识别；本发明与现有技术相比，增加了对原始信号模态分解处理，增加了判断的准确性，同时采用多特征值的门限检测方式，可消除某一特定特征出现偶然性引起误报的可能，保证在有风雨、车辆等干扰的情况下，能够准确无误实现入侵报警。

Description

干涉型光纤周界振动入侵识别算法

技术领域

本发明涉及光纤振动传感技术领域，具体地说是一种特别适用于安防周界用的干涉型光纤周界安防系统的干涉型光纤周界振动入侵识别算法。

背景技术

随着社会经济和科技的发展，人们的安防意识逐步提高，尤其是针对油库、国防、各种化工厂、燃料库、核电站、码头等关系到国民安全的重要领域，随之而来的安防监测设施层出不穷。相较于传统的安防监测方式，如人工监测、红外对射、电子围栏等众多安防入侵系统，干涉型光纤周界安防系统具有耐高温高压、抗电磁干扰、监测区域大、无漏报、误报率低等优势，适用于易燃、易爆及潮湿等恶劣环境。

干涉型光纤周界安防系统是基于光干涉相位调制技术，将光纤作为传输传感二合一的器件，通过直接接触或承载物如覆土、钢丝网、围栏等接触方式，置于待测环境中，当受到外界振动时，由于光纤的应变效应和光弹效应，传感光纤受到振动信号作用导致光纤自身长度、直径和折射率发生变化，而使光纤中传输的光相位发生变化，通过检测光纤中光波相位的变化可知响应的振动情况。

基于干涉原理的周界安防系统，目前光学实现方式包括迈克尔逊干涉原理、萨格奈克干涉原理以及马赫-曾德干涉原理。然而无论采用何种实现原理，均会存在信号识别的问题，尤其是环境恶劣、干扰较多的条件下，很难精确识别人为入侵。

发明内容

本发明针对现有技术存在的缺点和不足，提出一种可用于恶劣环境、干扰较多环境下的干涉型光纤周界振动入侵识别算法。

本发明可以通过以下措施达到：

一种干涉型光纤周界振动入侵识别算法，其特征在于包括以下步骤：

步骤1：从数据采集端读取光纤振动传感器所采集数据，

步骤2：对所采集数据进行归一化处理；

步骤3：经验模态分解；

步骤4：对经验模态分解结果进行特征值的计算；

步骤5：多特征值检测，判断是否有入侵，若是，进行报警，否则重复步骤1-:5进行下轮识别。

本发明步骤2中对所采集的数据进行归一化处理具体为运用IMF可把归一化振动信号S(t)按以下筛选流程：

步骤1：找出S(t)中所有局部极大值以及局部最小值，利用三次多项式拟合，分别将局部最大值串成上包络线，局部最小值串成下包络线；

步骤2：求出上下包络线之间平均，得到均值包络线m₁(t)；

步骤3：原始信号S(t)与均值包络线相减，得到第一个分量h₁(t)；

步骤4：检查h₁(t)是否符合IMF条件，如果不符合，则回到步骤1并将h₁(t)当做原始信号进行第二次筛选，得到h₂(t)，重复筛选K次，知道h_K(t)符合IMF条件，即得到第一个IMF分量C₁(t)，即C₁(t)= h_K(t)；

步骤5：原始信号S(t)减去C₁(t)可剩余r₁(t)；

步骤6：将r₁(t)作为新的资料，重新执行步骤1、步骤2……步骤5，得到新的剩余量r₂(t)，如此重复n次；

步骤7：当第n个剩余量r_n(t)已成为单调函数，将无法再分解IMF时，整个EMD的分解过程完成。

本发明中根据经典模态分解后的IMF进行多特征值分析过程如下：

步骤1：提取经典模态分解IMF1、IMF2…IMFn模态进行过零率计算分析，得到n组过零率与设定阈值进行对比，超过设定阈值判定满足；

步骤2：针对信号加权频率计算，对每一阶IMF分量进行Hilbert变换，得到每个IMF的Hilbert变换后求出相应的解析函数幅值谱和瞬时频率，根据分析，采用n阶IMF分量即可进行判断，对IMF1、IMF2…IMFn的基础上，进行加权频率wf[n]计算，加权频率反映信号频谱能量的分布情况；一般来说，wf[n]值越小，说明频谱能量主要集中在低频，相反，wf[n]值越大，则说明频谱能量主要集中在高频，设定判定阈值，加权频率超过设定阈值时判定满足；

步骤3：模态边际谱质心计算，对每一阶IMF分量进行Hilbert变换，求出相应解析函数的幅值谱和瞬时频率谱，并计算其频率谱质心，谱质心是信号频率成分的中心，在一定频率范围内通过能量加权平均频率，表示随强度变换的特性，针对离散信号的谱质心求出的时序号。分别对IMF1、IMF2…IMFn模态的边际谱质心与n组设定阈值进行对比，超过设定阈值判定满足；

步骤4：小波包分解，对IMF1、IMF2…IMFn模态信号进行基于db5的五层小波包分解，得到其第五层小波包分解系数，获得小波分解高频分量，进行计算n组模态信号高频能量值，将计算值与设定阈值进行对比，超过设定阈值判定满足。

本发明所述的多特征值检测包括以下步骤：

步骤1：数学建模，需保证有效特征值的合理利用，同时兼顾不同的信号特征值在对信号分类上的优、劣势，建立多特征值联合的数学模型，Y=β₁Y₁+β₂Y₂+…+β_nY_n，其中Y_n为根据不同信号特征判断出信号的种类，β_n为Y_n对最后判断结果Y的贡献率，其中β₁+β₂…+β_n=1；

步骤2：学习过程，通过多组对比判读，训练确定每个β的大小选择，假设某一特征值的计算值已超过判决门限，但多特征联合判决并未满足，须人为对β_n进行补偿，其补偿原则为：对特征计算值超出门限值部分值乘以一个系数后，加到原来的贡献率β上；

步骤3：计算最终判定值Y值，与设定判定门限比较，大于判定门限值人为有入侵行为，进行报警。

本发明与现有技术相比，提供了一种全新的干涉型光纤周界安防系统振动入侵识别算法，该方法利用经典模态分解的方式，来对振动信号进行模式分析，能够在有外界干扰的情况下，准确判定入侵行为并报警；相较于传统方法，增加了对原始信号模态分解处理，增加了判断的准确性，同时采用多特征值的门限检测方式，可消除某一特定特征出现偶然性引起误报的可能，保证在有风雨、车辆等干扰的情况下，能够准确无误实现入侵报警。

附图说明

附图1为本算法总体流程图

附图2为在轻微干扰条件下有、无入侵时的时域波形图；

附图3为在轻微干扰条件下有、无入侵时归一化后的时域波形图；

附图4为在轻微干扰条件下有入侵3阶IMF数据图形；

附图5为在轻微干扰条件下无入侵3阶IMF数据图形；

附图6为在轻微干扰条件下有入侵3阶IMF的小波包分解高频能量信号图；

附图7为在轻微干扰条件下无入侵3阶IMF的小波包分解高频能量信号图；

附图8为在风雨干扰条件下有、无入侵时的时域波形图；

附图9为在风雨干扰条件下有、无入侵时归一化后的时域波形图；

附图10为在风雨干扰条件下有入侵3阶IMF数据图形；

附图11为在风雨干扰条件下无入侵3阶IMF数据图形；

附图12为在风雨干扰条件下有入侵3阶IMF的小波包分解高频能量信号图；

附图13为在风雨干扰条件下无入侵3阶IMF的小波包分解高频能量信号图；

具体实施方式

以下部分为参照附图具体实施方式。

实施例：

本发明是基于经典模态分解（EMD）的多特征值分析的技术方案，该算法是一种用于语音信号参数特征提取方法，适用于非线性和非平稳的信号分析，能把复杂的信号分解为从高频到低频的若干个固有模态函数（IMF），从而得到具有物理意义的瞬时频率参数，EMD算法对信号突变性非常敏感，分解后能够保留其突变性；同时EMD算法可把多个耦合在一起的不同频率信号分离开，实现信号之间解耦，有利于信号进一步分析及处理，避免假频率和多余信号分量等冗余问题出现；和简单的单调函数相比，一个IMF代表一个简单的振动模态，IMF的定义有两个条件：（1）其数据中的过零点个数和极值点个数相等或最多相差一个；（2）其局部极大值和极小值分别构成的上、下包络线的均值为零。

如图1所示，为整个算法的总体设计流程图，结合流程图其工作流程如下：

步骤1：读取数据：设定的采样频率为10KHz，每组数据设定采样点数为2500个点，每组数据单独分析、计算、判断，以图2、图8为例，分别为轻微干扰和风雨干扰条件下采集的数据时域图；

步骤2：归一化处理：将读取信号进行归一化处理，信号幅值归一化到[-1,1]的区间内，如图3、图9所示，进行时域数据归一化；

步骤3：经验模态分解：按照经验模态分解步骤，对归一化的时域信号进行分解，分解阶数n=3，得到IMF1、IMF2、IMF3的3级IMF函数，如图4、图5、图10、图11得到轻微干扰和风雨干扰条件下的IMF1、IMF2、IMF3数据图形；

步骤4：特征值的计算：1）IMF过零率计算，分别求取IMF1、IMF2、IMF3的过零率并记录到IMF-E(IMF-E1,IMF-E2,IMF-E3)中；2）加权频率计算，求取3阶IMF加权频率记录到IMF-F中；3）边际谱质心计算，分别求取IMF1、IMF2、IMF3的边际谱质心，并记录到IMF-S(IMF-S1,IMF-S2,IMF-S3)中；4）小波包分解计算，分别对IMF1、IMF2、IMF3进行小波包分解及高频能量重构，如图6、图7、图12、图13得到IMF1、IMF2、IMF3重构的高频能量分量，计算其高频能量记录到IMF-W(IMF-W1,IMF-W2,IMF-W3)中。其计算结果如下表：

步骤5：多特征值检测：1）将特征值计算结果与设定阈值进行比较，满足设定为1，不满足设定为0，以备后期进行判断；2）根据多组数据计算遍历分析，设定β₁、β₂ …β₁₀的值，分别设定为β₁=0.076、β₂=0.067、β₃=0.063、β₄=0.154、β₅=0.124、β₆=0.107、β₇=0.079、β₈=0.131、β₉=0.11、β₁₀=0.089；3）计算Y值，Y=β₁Y₁+β₂Y₂+…+β₁₀Y₁₀，判断计算Y值结果，满足Y>0.8即可判定有入侵，实现报警。

本实例中的特征比例选取，是根据几百组数据遍历分析统计获得，通过多特征值检测的方法可减少偶然性引起的漏报和误报现象，增加了整个系统的稳定性和准确度。

本发明提供的干涉型光纤周界安防系统的振动入侵监测算法，在存在外界环境干扰的条件下，能够快速、准确识别入侵行为并发出报警，本算法适用于目前常见的干涉型光纤周界安防系统。

Claims (2)

1.一种干涉型光纤周界振动入侵识别算法，其特征在于包括以下步骤：

步骤1：从数据采集端读取光纤振动传感器所采集数据，

步骤2：对所采集数据进行归一化处理；

步骤3：经验模态分解；

步骤4：对经验模态分解结果进行特征值的计算；

步骤5：多特征值检测，判断是否有入侵，若是，进行报警，否则重复步骤1-5进行下轮识别，其中所采集的数据进行归一化处理具体为运用IMF可把归一化振动信号S(t)按以下流程筛选：

步骤1：找出S(t)中所有局部极大值以及局部最小值，利用三次多项式拟合，分别将局部最大值串成上包络线，局部最小值串成下包络线；

步骤2：求出上下包络线之间平均，得到均值包络线m₁(t)；

步骤3：原始信号S(t)与均值包络线相减，得到第一个分量h₁(t)；

步骤4：检查h₁(t)是否符合IMF条件，如果不符合，则回到步骤1并将h₁(t)当做原始信号进行第二次筛选，得到h₂(t)，重复筛选K次，直到h_K(t)符合IMF条件，即得到第一个IMF分量C₁(t)，即C₁(t)= h_K(t)；

步骤5：原始信号S(t)减去C₁(t)可剩余r₁(t)；

步骤6：将r₁(t)作为新的资料，重新执行步骤1、步骤2至步骤5，得到新的剩余量r₂(t)，如此重复n次；

步骤7：当第n个剩余量r_n(t)已成为单调函数，将无法再分解IMF时，整个EMD的分解过程完成；

其中根据经典模态分解后的IMF进行多特征值分析过程如下：

步骤1：提取经典模态分解IMF1、IMF2…IMFn模态进行过零率计算分析，得到n组过零率与设定阈值进行对比，超过设定阈值判定满足；

步骤2：针对信号加权频率计算，对每一阶IMF分量进行Hilbert变换，得到每个IMF的Hilbert变换后求出相应的解析函数幅值谱和瞬时频率，根据分析，采用n阶IMF分量即可进行判断，对IMF1、IMF2…IMFn的基础上，进行加权频率wf[n]计算，加权频率反映信号频谱能量的分布情况；一般来说，wf[n]值越小，说明频谱能量主要集中在低频，相反，wf[n]值越大，则说明频谱能量主要集中在高频，设定判定阈值，加权频率超过设定阈值时判定满足；

步骤3：模态边际谱质心计算，对每一阶IMF分量进行Hilbert变换，求出相应解析函数的幅值谱和瞬时频率谱，并计算其频率谱质心，谱质心是信号频率成分的中心，在一定频率范围内通过能量加权平均频率，表示随强度变换的特性，针对离散信号的谱质心求出的时序号，分别对IMF1、IMF2…IMFn模态的边际谱质心与n组设定阈值进行对比，超过设定阈值判定满足；

步骤4：小波包分解，对IMF1、IMF2…IMFn模态信号进行基于db5的五层小波包分解，得到其第五层小波包分解系数，获得小波分解高频分量，进行计算n组模态信号高频能量值，将计算值与设定阈值进行对比，超过设定阈值判定满足。

2.根据权利要求1所述的一种干涉型光纤周界振动入侵识别算法，其特征在于所述的多特征值检测包括以下步骤：

步骤1：数学建模，需保证有效特征值的合理利用，同时兼顾不同的信号特征值在对信号分类上的优、劣势，建立多特征值联合的数学模型，Y=β₁Y₁+β₂Y₂+…+β_nY_n，其中Y_n为根据不同信号特征判断出信号的种类，β_n为Y_n对最后判断结果Y的贡献率，其中β₁+β₂…+β_n=1；

步骤2：学习过程，通过多组对比判读，训练确定每个β的大小选择，假设某一特征值的计算值已超过判决门限，但多特征联合判决并未满足，须人为对β_n进行补偿，其补偿原则为：对特征计算值超出门限值部分值乘以一个系数后，加到原来的贡献率β上；

步骤3：计算最终判定值Y值，与设定判定门限比较，大于判定门限值认为有入侵行为，进行报警。