CN103994817A - 一种基于长距离光纤多发事件的振动振源的识别方法 - Google Patents

Abstract

本发明公开了一种基于长距离光纤多发事件的振动振源的识别方法，其包括：检测光纤的振动信号，并获取振动信号的振动数据；对振动数据进行采样和短时自相关处理；计算振动数据大于预设的自相关系数门限值的极值点的个数，并记录相邻两个极值点的时间间隔；计算时间间隔的基频变异系数；根据极值点的个数、时间间隔以及基频变异系数识别振动信号的振源。通过以上方式，本发明能够准确识别振动信号的振源。

Description

一种基于长距离光纤多发事件的振动振源的识别方法

技术领域

本发明涉及一种基于长距离光纤多发事件的振动振源的识别方法，属于光纤振动测量与随机信号处理学科的交叉领域。

背景技术

人们对于能源的需求越来越大，管道输送成为输送能源的主要方式。保护与光缆伴行的油气管道、光缆附近区域或光缆本身成为目前光纤预警系统需要解决的关键问题。

现有的光纤预警系统一般采用单级模型来进行振源检测识别，即直接检测识别法，通过分析一段数据的特征，根据特征判断振源的类型(如机械挖掘，车辆经过)，进而根据识别结果作出预警判断。现有的光纤预警系统通过神经网络、归一化峭度、固有模态函数或混沌分析方法进行识别，主要应用于高信噪比的情况。但是振源产生的振动信号是复杂多变的非平稳信号，并且管线距离长和实时环境复杂，导致现有的光纤预警系统无法准确地识别振源。

发明内容

本发明提供一种基于长距离光纤多发事件的振动振源的识别方法，以解决无法准确地识别振源的问题。

本发明提供的一种基于长距离光纤多发事件的振动振源的识别方法，其包括：检测光纤的振动信号，并获取振动信号的振动数据；对振动数据进行采样和短时自相关处理；计算振动数据大于预设的自相关系数门限值的极值点的个数，并记录相邻两个极值点的时间间隔；计算时间间隔的基频变异系数；根据极值点的个数、时间间隔以及基频变异系数识别振动信号的振源。

其中，根据极值点的个数、时间间隔以及基频变异系数识别振动信号的振源包括：判断极值点的个数是否大于预设的第一阈值；若否，则振动信号的振源为非机械振源；若是，则获取时间间隔中的最小时间，并判断最小时间是否大于预设的第二阈值；若否，则返回计算振动数据大于预设的自相关系数门限值的极值点的个数，并且增加自相关系数门限值；若是，判断基频变异系数是否小于预设的第三阈值；若是，则振动信号的振源为机械振源；若否，则振动信号的振源为非机械振源；其中，第一阈值为设定值，第二阈值为固定时间间隔，第三阈值为设定变异系数阈值。

其中，自相关系数门限值的初始值设置为0.3。

其中，该方法还包括：建立振动信号的振源识别模型，振动信号的振源识别模型满足以下关系：

$V\left(m\right)=\frac{E\left\{\right[X_n-E\left(X_n\right)\left]\right[X_{n-m}-E\left(X_{n-m}\right)\left]\right\}}{\sqrt{D\left(X_n\right)}*\sqrt{D\left(X_{n-m}\right)}};$

其中，X_n为振动信号的数据序列，X_n-m为序列X_n延时m点的振动信号的数据序列，E{[X_n-E(X_n)][X_n-m-E(X_n-m)]}为序列X_n与序列X_n-m的协方差，D(X_n)为序列X_n的方差，D(X_n-m)为序列X_n-m的方差。

其中，时间间隔的基频变异系数为：

$\mathrm{cv}=\frac{\mathrm{\σ}}{\left|\mathrm{\μ}\right|};$

$\mathrm{\σ}=\sqrt{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}(x_i-\mathrm{\μ})};$

$\mathrm{\μ}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{x}_i;$

其中，N为观测值数量，x_i为第i个采样点的振动信号的幅度；基频变异系数为一个无量纲数，用于描述均值显著不同的总体的离散性，并消除单位或平均数不同对两个或多个资料变异程度比较的影响，以统计振源的参数。

通过上述方案，本发明的有益效果是：本发明通过计算振动数据大于预设的自相关系数门限值的极值点的个数，并记录相邻两个极值点的时间间隔；计算时间间隔的基频变异系数；根据极值点的个数、时间间隔以及基频变异系数识别振动信号的振源，能够准确识别振动信号的振源。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。其中：

图1是本发明第一实施例的基于长距离光纤多发事件的振动振源的识别方法的流程图；

图2是本发明第二实施例的基于长距离光纤多发事件的振动振源的识别方法的流程图；

图3是本发明第三实施例的基于长距离光纤多发事件的振动振源的识别方法的流程图；

图4是本发明第四实施例的基于长距离光纤多发事件的振动振源的识别方法的流程图；

图5是振源为下雨振源在八分钟内的检测结果；

图6是振源为敲击信号在八分钟内的检测结果；

图7是振源为火车在八分钟内的检测结果；

图8是振源为破路信号在八分钟内的检测结果。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性的劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参见图1所示，图1是本发明第一实施例的基于长距离光纤多发事件的振动振源的识别方法的流程图。如图1所示，本实施例所揭示的基于长距离光纤多发事件的振动振源的识别方法包括：

S101：检测光纤的振动信号；

S102：建立振动信号的振源识别模型，并获取振源识别模型的基频变异系数；

S103：根据基频变异系数识别振动信号的振源，以准确识别振动信号的振源；

S104：提取振动信号的振动数据，并从振动数据获取振动信号的能量；

S105：根据信息熵建立能量的分布熵模型。

在S102中，振动信号的振源识别模型满足以下关系：

$V\left(m\right)=\frac{E\left\{\right[X_n-E\left(X_n\right)\left]\right[X_{n-m}-E\left(X_{n-m}\right)\left]\right\}}{\sqrt{D\left(X_n\right)}*\sqrt{D\left(X_{n-m}\right)}}---\left(1\right)$

其中，X_n为振动信号的数据序列，X_n-m为序列X_n延时m点的振动信号的数据序列，E{[X_n-E(X_n)][X_n-m-E(X_n-m)]}为序列X_n与序列X_n-m的协方差，D(X_n)为序列X_n的方差，D(X_n-m)为序列X_n-m的方差。

振源识别模型的基频变异系数为：

$\mathrm{cv}=\frac{\mathrm{\σ}}{\left|\mathrm{\μ}\right|}---\left(2\right)$

$\mathrm{\σ}=\sqrt{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}(x_i-\mathrm{\μ})}---\left(3\right)$

$\mathrm{\μ}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{x}_i---\left(4\right)$

其中，N为观测值数量，x_i为第i个采样点的振动信号的幅度；基频变异系数为一个无量纲数，用于描述均值显著不同的总体的离散性，并消除单位或平均数不同对两个或多个资料变异程度比较的影响，以统计振源的参数。

在S105中，能量的分布熵模型H_E(X)为：

$H_E\left(X\right)=E\left(I\left(X\right)\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}p\left(x_i\right)I\left(x_i\right)=-\underset{i=1}{\overset{n}{\mathrm{\Σ}}}p\left(x_i\right)\log p\left(x_i\right)---\left(5\right)$

其中，X为振动信号的能量域，I(X)为X的信息量函数，p为能量x的概率密度函数。

振源产生振动信号在一分钟振动数据能量的分布熵模型为：

$H\left(X\right)=-\underset{i=1}{\overset{m\×n}{\mathrm{\Σ}}}p\left(x_i\right){\log }_2\left(p\left(x_i\right)\right)---\left(6\right)$

设定p(x_i)log_bp(x_i)＝0，根据香农定理，在能量的子区间概率相等时出现最大熵为：

$H_{\max }=\underset{i=1}{\overset{m\×n}{\mathrm{\Σ}}}p\left(x_i\right){\log }_{b}p\left(x_i\right)={\log }_b\left(\mathrm{mm}\right)---\left(7\right)$

根据最大熵将每分钟的熵值归一化，以方便计算，可得：

$\stackrel{\mathrm{\Λ}}{H}\left(X\right)=\frac{H\left(X\right)}{H_{\max }}---\left(8\right)$

本实施例通过根据基频变异系数识别振动信号的振源，并且根据信息熵建立能量的分布熵模型，能够准确识别振动信号的振源。

请参见图2所示，图2是本发明第二实施例的基于长距离光纤多发事件的振动振源的识别方法的流程图。本实施例所揭示的识别方法包括：

S201：检测光纤的振动信号，获取振动信号的振动数据；

S202：对振动数据进行采样和短时自相关处理；

S203：设置自相关系数门限值；

S204：计算大于自相关系数门限值的极值点的个数N，并记录相邻两个极值点的时间间隔T；

S205：判断极值点的个数N是否大于预设的第一阈值N0；若是，则进入S206；若否，则进入S210；

S206：判断自相关系数门限值的极值点之间的最小时间Tmin是否大于预设的第二阈值T0，若是，则进入S207；若否，则返回S203，并增加自相关系数门限值；

S207：计算时间间隔T的基频变异系数cv；

S208：判断基频变异系数cv是否小于预设的第三阈值cv0，若是，则进入S209；若否，则进入S210；

S209：振动信号的振源为机械振源；

S210：振动信号的振源为非机械振源，在持续时间大于4s时，振动信号的振源为火车振源。

在S202中，对振动数据进行采样处理，即从振动数据提取基频信息，取长度为20帧的振动数据，前10帧数据域其余数据进行相关处理，每次参加运算的数据长度均为10帧，并满足公式(1)。其中，X_n为长度为10帧的振动信号的数据序列；X_n-m为序列X_n延时m点，长度为10帧的振动信号的数据序列。

对振动数据进行短时自相关处理，即对振动数据进行10倍降采样处理，降采样公式为：

x‘(n)＝x(m)     (9)

其中，m＝10n，n＝1,2,3……。对降采样后的振动数据进行短时自相关处理，可得振动数据的短时自相关系数。

在S203中，自相关系数门限值的初始值为0.3。

在S205中，第一阈值N0优选为设定值。

在S206中，第二阈值T0优选为固定时间间隔。在S207中，根据公式(2)、(3)、(4)计算时间间隔T的基频变异系数cv。

在S208中，第三阈值cv0优选为设定变异系数阈值。

本实施例能够准确识别振动信号的振源为机械振源或非机械振源。

请参见图3所示，图3是本发明第三实施例的基于长距离光纤多发事件的振动振源的识别方法的流程图。本实施例所揭示的识别方法包括：

S301：检测光纤的振动信号，获取振动信号的振动数据；

S302：从振动数据获取振动信号的能量及能量分布；

S303：划分能量分割子区间；

S304：计算各个子区间能量分布的概率p(x_i)；

S305：计算第i分钟的归一化熵值

S306：计算前T0分钟的基频变异系数cv；

S307：判断基频变异系数cv是否小于预设的第三阈值cv0，若是，则进入S308；若否，则进入S310；

S308：判断前T0分钟的归一化熵值是否大于预设的第四阈值H0，若是，则进入S309；若否则进入S310；

S309：振动信号的振源为下雨振源；

S310：振动信号的振源为非下雨振源。

在S302中，从振动数据获取振动信号的能量，即计算振动信号的能量，其中每帧振动信号的能量为：

$E_s=10\log \left(\underset{i=1}{\overset{1024}{\mathrm{\Σ}}}{x}_i^2\right)---\left(10\right)$

其中，E_s为每帧振动信号的能量，单位为dB；x_i为第i个采样点的振动信号的幅度。

在S305中，根据公式(5)、(6)、(7)、(8)计算第i分钟的归一化熵值

在S306中，根据公式(2)、(3)、(4)计算前T0分钟的基频变异系数cv，其中基频变异系数越小，则说明测量值变异程度越小，也越稳定。

在S308中，第四阈值H0优选为设定数据能量平均信息熵。

本实施例能够准确识别振动信号的振源为下雨振源或非下雨振源。

请参见图4所示，图4是本发明第四实施例的基于长距离光纤多发事件的振动振源的识别方法的流程图。本实施例所揭示的识别方法包括：

S401：检测光纤的振动信号；

S402：建立能量的分布熵模型；

S403：判断振动信号的能量是否具备下雨的三个特征，若是，则进入S404；若否，则进入S405；

S404：振源为下雨振源；

S405：判断是否具有高能量，若是，则进入S406；若否，则进入S407；

S406：振源为敲击信号；

S407：判断连续信号的持续时间是否大于4s，若是，则进入S408；若否，则进入S411；

S408：判断基频变异系数cv是否大于0.1，若是，则进入S409,；若否，则进入S410；

S409：振源为火车；

S410：振源为破路信号；

S411：对振动信号的振动数据进行短时自相关处理，振源为敲击路面。

在S402中，根据公式(5)、(6)、(7)、(8)建立能量的分布熵模型。

在S403中，下雨的三个特征为：均匀的，随时间变化时平稳的，且长时间存在。

在S408中，根据公式(2)、(3)、(4)获取基频变异系数cv。

在S411中，对振动信号的振动数据进行短时自相关处理与S202相同。

以下为根据本发明所揭示的识别方法得到的测验数据。其中，振源优先级由高到底依次分别用编号6～1表示，其中6表示预警级别最高，即该类振源对系统的威胁程度最大，1表示对系统威胁程度小。

如图5所示，振源为下雨振源在八分钟内的检测结果：

警告：第1分钟17.5312Km为中心9.7366Km范围内有下雨信号；

警告：第2分钟17.6819Km为中心9.8864Km范围内有下雨信号；

警告：第3分钟17.3596Km为中心10.0951Km范围内有下雨信号；

警告：第4分钟17.6434Km为中心10.1494Km范围内有下雨信号；

警告：第5分钟18.1845Km为中心10.3396Km范围内有下雨信号；

警告：第6分钟17.4669Km为中心9.2Km范围内有下雨信号；

警告：第7分钟17.0463Km为中心9.7906Km范围内有下雨信号；

警告：第8分钟17.7801Km为中心10.8672Km范围内有下雨信号。

如图6所示，振源为敲击信号在八分钟内的检测结果：

警告：第4分钟42.9891Km处有敲击信号，持续119下；

警告：第5分钟41.4774Km处有敲击信号，持续135下；

警告：第6分钟42.3657Km处有敲击信号，持续123下；

警告：第7分钟42.0206Km处有敲击信号，持续146下；

警告：第8分钟42.3902Km处有敲击信号，持续151下。

如图7所示，振源为火车在八分钟内的检测结果：

警告：第1分钟15.4279Km处有火车信号，持续19.3192秒；

警告：第2分钟8.6761Km处有滴水信号，持续34下；

警告：第3分钟9.3593Km处有滴水信号，持续36下；

警告：第5分钟15.4272Km处有火车信号，持续22.7736秒；

警告：第8分钟9.9338Km处有滴水信号，持续50下。

如图8所示，振源为破路信号在八分钟内的检测结果：

警告：第1分钟3.3484Km处有机械信号，持续5.4921秒；

警告：第2分钟2.3263Km处有机械信号，持续22.1698秒；

警告：第3分钟2.3454Km处有机械信号，持续23.8993秒；

警告：第4分钟2.3494Km处有机械信号，持续15.0891秒；

警告：第5分钟2.2681Km处有机械信号，持续26.3486秒；

警告：第6分钟2.4743Km处有机械信号，持续40.3896秒；

警告：第7分钟2.2774Km处有机械信号，持续36.4499秒；

警告：第8分钟2.2664Km处有机械信号，持续39.3185秒。

综上所述，本发明通过根据基频变异系数识别振动信号的振源，能够准确识别振动信号的振源为机械振源或非机械振源；并且通过根据信息熵建立能量的分布熵模型，能够准确识别振动信号的振源为下雨振源或非下雨振源，进而能够准确识别振动信号的振源。

以上仅为本发明的实施方式，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (5)

1.一种基于长距离光纤多发事件的振动振源的识别方法，其特征在于，所述方法包括：

检测光纤的振动信号，并获取所述振动信号的振动数据；

对所述振动数据进行采样和短时自相关处理；

计算所述振动数据大于预设的自相关系数门限值的极值点的个数，并记录相邻两个所述极值点的时间间隔；

计算所述时间间隔的基频变异系数；

根据所述极值点的个数、时间间隔以及基频变异系数识别所述振动信号的振源。

2.根据权利要求1所述的识别方法，其特征在于，所述根据所述极值点的个数、时间间隔以及基频变异系数识别所述振动信号的振源包括：

判断所述极值点的个数是否大于预设的第一阈值；

若否，则所述振动信号的振源为非机械振源；

若是，则获取所述时间间隔中的最小时间，并判断所述最小时间是否大于预设的第二阈值；

若否，则返回所述计算所述振动数据大于预设的自相关系数门限值的极值点的个数，并且增加所述自相关系数门限值；

若是，判断所述基频变异系数是否小于预设的第三阈值；

若是，则所述振动信号的振源为机械振源；

若否，则所述振动信号的振源为非机械振源；

其中，所述第一阈值为设定值，所述第二阈值为固定时间间隔，所述第三阈值为设定变异系数阈值。

3.根据权利要求1所述的识别方法，其特征在于，所述自相关系数门限值的初始值设置为0.3。

4.根据权利要求1所述的识别方法，其特征在于，所述方法还包括：

建立所述振动信号的振源识别模型，所述振动信号的振源识别模型满足以下关系：

$V\left(m\right)=\frac{E\left\{\right[X_n-E\left(X_n\right)\left]\right[X_{n-m}-E\left(X_{n-m}\right)\left]\right\}}{\sqrt{D\left(X_n\right)}*\sqrt{D\left(X_{n-m}\right)}};$

其中，X_n为所述振动信号的数据序列，X_n-m为所述序列X_n延时m点的振动信号的数据序列，E{[X_n-E(X_n)][X_n-m-E(X_n-m)]}为所述序列X_n与所述序列X_n-m的协方差，D(X_n)为所述序列X_n的方差，D(X_n-m)为所述序列X_n-m的方差。

5.根据权利要求4所述的识别方法，其特征在于，所述时间间隔的基频变异系数为：

$\mathrm{cv}=\frac{\mathrm{\σ}}{\left|\mathrm{\μ}\right|};$

$\mathrm{\σ}=\sqrt{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}(x_i-\mathrm{\μ})};$

$\mathrm{\μ}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{x}_i;$

其中，N为观测值数量，x_i为第i个采样点的振动信号的幅度；所述基频变异系数为一个无量纲数，用于描述均值显著不同的总体的离散性，并消除单位或平均数不同对两个或多个资料变异程度比较的影响，以统计所述振源的参数。