CN104729667A - 一种分布式光纤振动传感系统中的扰动类型识别方法 - Google Patents

Abstract

本发明公开了一种分布式光纤振动传感系统中的扰动类型识别方法，采用DB4小波基将降噪处理后的其中一路扰动采样信号分解为5-7层小波子带，利用分解后各层小波子带中的低频系数计算信号的质心、带宽、子带能量作为特征参数；将计算的所有特征参数送入神经网络分类器，再利用神经网络分类器识别出扰动类型；在出现新的扰动类型或者在神经网络分类器对扰动类型识别出现错误的情况下，通过对数据库中存储的扰动事件类别进行修正来实现人机交互增量学习，再根据修正后的数据库对神经网络分类器进行在线训练。本发明能够准确识别扰动类型。

Description

一种分布式光纤振动传感系统中的扰动类型识别方法

技术领域

本发明涉及一种分布式光纤振动传感系统中的扰动类型识别方法。

背景技术

分布式光纤振动传感系统能够对传感光纤上任意一点的扰动进行探测和定位,可以应用于周界安防、油气管线预警、通信线路监测以及结构监测。分布式光纤方案优势在于仅利用已铺埋的通讯光缆，无需额外布设，光缆不仅是感测介质也是数据通信介质，全程无需供电。光纤智能传感系统已经成为当前最有前景的安全防范系统之一，具有巨大的民用价值和军用价值。

本发明涉及的分布式光纤振动传感系统基于Sagnac干涉原理，通过光路中传导光波不同时刻往返通过扰动点的频率与所对应的光纤长度进行定位，扰动位置R可根据缺损谱中陷波点的频率值对传感光纤中入侵事件进行定位的方法为，公式如下：

$R=\frac{\mathrm{Kc}}{4n{f}_{s,\mathrm{null}}}$

K为所选陷波点序号，c为光速，n为折射率，f_s,null为所选陷波点的频率值。

现有同类分布式光纤振动传感系统，为提高扰动类型识别的准确性，降低漏报、误报事件的发生概率，多采用对扰动采样信号进行时频域处理获得特征向量，再通过统计分析，对各特征分量分别设置阈值的方法区分各类扰动事件。该类方法的缺点在于，针对特征分量分析比较复杂，需要多个特征值的组合才能够区分的扰动事件无法有效区分，分类准确性无法保证；只能应用于指定的环境下，对指定的扰动事件分类区分，无法再进行增量学习以应对环境的变化与新类型扰动事件的出现，缺乏通用性。

发明内容

本发明所要解决的技术问题是：提供了一种分布式光纤振动传感系统中的扰动类型识别方法，在各类型扰动事件信号特性比较相近的情况下能够准确识别出扰动类型。

本发明包括如下技术方案：

一种分布式光纤振动传感系统中的扰动类型识别方法，所述分布式光纤振动传感系统由光源、第一耦合器、延时光纤、第二耦合器、传感光纤、远端反射模块、光电探测器和计算机组成；光电探测器将从第一耦合器返回的两路干涉光信号转化为电信号并送入计算机中，计算机对电信号进行采样获得两路扰动采样信号并进行扰动类型识别；当分布式光纤振动传感系统被触发时，所述扰动类型识别方法包括以下步骤：

S1，对两路扰动采样信号进行小波降噪处理；

S2，采用DB4小波基将降噪处理后的其中一路扰动采样信号分解为5-7层小波子带，利用分解后各层小波子带中的低频系数计算信号的质心、带宽、子带能量作为特征参数；

S3，将计算的所有特征参数送入神经网络分类器，再利用神经网络分类器识别出扰动类型；在出现新的扰动类型或者在神经网络分类器对扰动类型识别出现错误的情况下，通过对数据库中存储的扰动事件类别进行修正来实现人机交互增量学习，再根据修正后的数据库对神经网络分类器进行在线训练。

神经网络分类器采用BP神经网络分类器；BP神经网络分类器结构上分为输入层、隐含层和输出层；输入层的输入结点个数与特征参数的个数相同；隐含层结点个数为输入结点个数二倍，输出层取4个节点。

输出层对应的4个节点作为四位二进制数，用来代表分类器输出的扰动类型序号。

BP神经网络分类器的训练算法中，调整层间连接权值和结点阈值采用误差反向传播算法中的共轭梯度法。

BP神经网络分类器训练的学习速率的选取范围在0.01至0.8之间。

BP神经网络分类器的初始权值取(-1，1)之间的随机数。

本发明与现有技术相比具有如下优点：

(1)本发明在小波域中对降噪处理后采样信号进行特征分析提取，利用各层小波子带低频系数计算信号的质心、带宽、子带能量作为特征参数，能够有效针对扰动信号小波域内各层子带的能量特性进行分类，大大提高了扰动类型识别的准确性。

(2)与现有的其他分类方法相比较，本发明通过神经网络分类器的设计，能够有效对特征分量分析比较复杂、需要多个特征值的组合才能够分辨的扰动事件进行类型识别。神经网络分类器分类速度快，要求对问题的了解较少；可对特征空间进行较为复杂的划分；适用于高速并行处理系统来实现。由于该神经网络有处于中间位置的隐含层，并由相应的学习规则可寻，具有对非对称模式的识别能力。

(3)通过神经网络分类器的设计，使得本发明具有人机交互的增量学习功能，不但能在系统的使用过程中，修正现有的特征分类系统，不断提高对已有扰动类型识别的准确性，而且能够应对环境的变化或新扰动事件的出现，提高系统的通用性。

附图说明

图1为基于Sagnac型干涉分布式振动传感原理图；

图2为扰动定位与模式识别算法流程图；

图3为BP神经网络分类器结构图。

具体实施方式

下面就结合附图对本发明做进一步介绍。

本发明所涉及的分布式光纤振动系统如图1所示，由光源、第一耦合器、延时光纤、第二耦合器、传感光纤、远端反射模块、光电探测器和计算机组成。光电探测器将从第一耦合器返回的干涉光信号转化为电信号并送入计算机中，计算机对电信号进行采样获得两路扰动采样信号并进行扰动类型识别。当两路扰动采样信号的幅值均超过预先设定的阈值时，分布式光纤振动传感系统的扰动类型识别工作被触发。当分布式光纤振动传感系统的扰动类型识别工作被触发时，如图2所示本发明的扰动类型识别方法包括以下步骤：

S1，对两路扰动采样信号进行小波降噪处理。

S2，对经过小波降噪处理后的其中一路采样信号提取特征值，采用DB4小波基将信号分解为5层，DB4小波基具有一定阶次消失矩，具有近似对称性、正则性，并在时域具有紧支性，同时在频域具有快速衰减性，能突出信号的时频域特征，能满足对信号处理的要求。利用分解后各层小波子带的低频系数计算质心、带宽、子带能量作为特征参数。

在小波域中，质心定义为能量分布的中心。由于在不同的时间段内，振动信号的质心是不同的，因此，质心特征可以作为一个典型的反映振动信号非平稳性的特征，它也是带宽特征的基础。小波分解后，各层小波子带低频系数质心计算公式如下：

$\mathrm{centroid}=\frac{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}i{\left|x\left(i\right)\right|}^2}{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\left|x{\left(i\right)}^2\right|}$

式中，x(i)表示该层小波分解第i个小波系数，N表示信号小波分解的低频系数长度。

带宽则反映了平均能量的分布范围，与能量中心(质心)相关，带宽也反映了振动信号的非平稳性。各层小波子带低频系数带宽计算公式如下：

$\mathrm{bandwidth}=\frac{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(i-\mathrm{centroid})}^2{\left|x\left(i\right)\right|}^2}{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\left|x\left(i\right)\right|}^2}$

式中，x(i)表示该层小波分解第i个小波系数，N表示信号小波分解的低频系数长度。

小波分解后，各层小波子带低频系数子带能量计算公式如下：

$\mathrm{energy}=\frac{1}{N}\underset{i=1}{\overset{N_k}{\mathrm{\Σ}}}{\left|x\left(i\right)k\right|}^2$

式中，x(i)表示该层小波分解第i个小波系数，N表示信号小波分解的低频系数长度。

S3，将步骤S2得到的所有特征参数送入神经网络分类器，识别出扰动类型。

神经网络分类器选用BP神经网络分类器，进行BP神经网络分类器的设计时，应从网络的层数、每层中的神经元数、初始权值及训练的学习速率、训练期望误差等方面进行考虑。

BP神经网络结构有三层：输入层、隐含层、输出层，如图3所示。三层BP神经网络理论上能够逼近任何有理函数，增加层数虽然可以更进一步地降低误差、提高精度，但同时也使网络复杂化，从而增加网络权值的训练时间。而误差精度的提高实际上也可以通过增加隐含层中的神经元个数来获得，其训练结果也比增加层数更容易观察和调整。所以一般情况下，应优先考虑增加隐含层中的神经元数。由于对扰动采样信号提取15个特征参数值作为BP神经网络的输入，因此输入结点为15个，根据隐含层结点个数为输入结点个数二倍的关系，隐含层取30个结点，输出层取4个结点，这4个输出为四位二进制数，代表BP神经网络输出的类型序号，因此该网络结构理论上最多可识别16种类型。由于BP神经网络有处于中间位置的隐含层，并有相应的学习规则可循，可训练这种网络，使其具有对非线性模式的识别能力。特别是它数学意义明、步骤分明的学习更使其具有广泛的应用前景。

为使BP神经网络具有某种功能或完成某项任务，必须通过训练调整层间连接权值和结点阈值，使所有样本的实际输出和期望输出之间的误差稳定在一个较小的值以内。误差反向传播算法是最有效、最常用的一种BP神经网络训练算法，本发明采用共轭梯度法，其基本思想是寻找与负梯度方向和上一次搜索方向共轭的方向作为新的搜索方向，从而加快训练速度，并提高训练速度。

初始权值选取对于训练误差是否达到局部最小，是否能够收敛以及训练时间的长短有很大关系；一般取初始权值在(-1，1)之间的随机数。学习速率决定每一次循环训练中所产生的权值变化量，在一般情况下，倾向于选取较小的学习速率以保证系统的稳定性，学习速率的选取范围在0.01至0.8之间。期望误差的选取，在神经网络训练过程中，期望误差值也应当通过对比训练后确定一个合适的值，较小的期望值误差要靠增加隐含层的的结点及训练时间获得。本发明中BP神经网络分类器训练的学习速率设置为0.2，最大训练次数设置为20000，训练期望误差设置为0.05。

在出现新的扰动类型或者在神经网络分类器对扰动类型识别出现错误的情况下，可通过值守人员对数据库中存储的扰动类型进行修正，来实现人机交互增量学习，由于样本的采集是个不断积累、丰富和完善的过程。为了得到较高的分类精度，当有新样本加入时，将新增样本与旧样本整合起来；再根据修正后的数据库对BP神经网络进行在线训练。

本发明通过对扰动采样信号的小波分解，提取信号小波域内各层能量分布的中心、能量分布范围、低频系数子带能量等参数，满足了不确定性原则，提高了时频分辨率，可充分表征扰动信号特征，再结合BP神经网络分类器对非线性模式的识别能力与人机交互的训练学习过程，实现了对分布式振动传感系统中扰动类型的智能识别。

应用实例

在实例中，数据采集自山东联通公司潍坊至安丘段通信光缆二期测试，测试光缆长45公里，其中部分通信光缆铺设地下管道中，部分光缆架空。本系统采样频率为1.5MHz，采样个数N为50000。

根据使用需求将扰动类型分为触缆、环境干扰、环境噪声三种类型，发现环境干扰主要来自穿过树林的一段架空光缆，由于树枝触碰光缆而产生扰动触发报警。工作人员结合扰动信号波形与扰动位置等信息，对近几个月的采自测试光缆的扰动信号数据进行分析，并在系统数据库中对扰动事件进行类型标记。为保证分类器设计效果，每种扰动类型训练样本数设置为100，进行神经网络分类器训练。

最后利用训练完毕的神经网络分类器对近几个月采自测试光缆的扰动数据进行模式识别验证，并进行现场实时扰动类型识别测试，实验结果表明这种方法比较简单，提取小波域的特征所花费的计算较少，分类准确率达到95％以上。满足实际的应用需求。从而也证明了本发明所提出的分布式光纤振动传感系统中的扰动类型识别方法的可靠性与有效性。

本发明未详细说明部分属本领域技术人员公知常识。

Claims (6)

1.一种分布式光纤振动传感系统中的扰动类型识别方法，所述分布式光纤振动传感系统由光源、第一耦合器、延时光纤、第二耦合器、传感光纤、远端反射模块、光电探测器和计算机组成；光电探测器将从第一耦合器返回的两路干涉光信号转化为电信号并送入计算机中，计算机对电信号进行采样获得两路扰动采样信号并进行扰动类型识别；其特征在于，当分布式光纤振动传感系统被触发时，所述扰动类型识别方法包括以下步骤：

S1，对两路扰动采样信号进行小波降噪处理；

S2，采用DB4小波基将降噪处理后的其中一路扰动采样信号分解为5-7层小波子带，利用分解后各层小波子带中的低频系数计算信号的质心、带宽、子带能量作为特征参数；

S3，将计算的所有特征参数送入神经网络分类器，再利用神经网络分类器识别出扰动类型；在出现新的扰动类型或者在神经网络分类器对扰动类型识别出现错误的情况下，通过对数据库中存储的扰动事件类别进行修正来实现人机交互增量学习，再根据修正后的数据库对神经网络分类器进行在线训练。

2.如权利要求1所述的一种分布式光纤振动传感系统中的扰动类型识别方法，其特征在于，神经网络分类器采用BP神经网络分类器；BP神经网络分类器结构上分为输入层、隐含层和输出层；输入层的输入结点个数与特征参数的个数相同；隐含层结点个数为输入结点个数二倍，输出层取4个节点。

3.如权利要求2所述的一种分布式光纤振动传感系统中的扰动类型识别方法，其特征在于，输出层对应的4个节点作为四位二进制数，用来代表分类器输出的扰动类型序号。

4.如权利要求2所述的一种分布式光纤振动传感系统中的扰动类型识别方法，其特征在于，BP神经网络分类器的训练算法中，调整层间连接权值和结点阈值采用误差反向传播算法中的共轭梯度法。

5.如权利要求2所述的一种分布式光纤振动传感系统中的扰动类型识别方法，其特征在于，BP神经网络分类器训练的学习速率的选取范围在0.01至0.8之间。

6.如权利要求2所述的一种分布式光纤振动传感系统中的扰动类型识别方法，其特征在于，BP神经网络分类器的初始权值取(-1，1)之间的随机数。