CN105067101A - 振源识别的基于振动信号的基音频率特征的提取方法 - Google Patents

Abstract

本发明针对光纤入侵预警系统提供了一种基于振动信号的基音频率特征提取的方法，该方法包括：对采集的信号进行一级单元平均恒虚警检测(CA-CFAR)检测，针对检测得到的振动信号列采用门限阈值法进行数据截取，得到高置信度的振动信号。然后，运用小波包分析对截取后得到的振动信号数据进行小波包去噪处理。最后，将经过小波包去噪振动信号进行自相关计算，求取自相关系数，采用自适应调整门限的方法检测相关系数峰值间的间隔，从而求出基音频率。该特征提取的方法有利于更加准确的区分出手工信号与机械信号，可以提高了识别的准确性。

Description

振源识别的基于振动信号的基音频率特征的提取方法

技术领域

本发明涉及光纤入侵系统的振源识别的基于振动信号的基音频率特征的提取方法。

技术背景

随着计算机的应用，现代社会的信息化、智能化正在飞速发展，如何从一系列复杂的信息中自动提取出有用信息并准确识别出信息类型，已经是信息领域研究的热点。同时，随着社会的快速发展，对一些重要区域的远程监测和保护已经愈来愈显重要，如机场、石油管道、军事基地、核电厂、监狱、银行等。光纤振动安全预警系统可以采集这些重要区域周边的各种振动信号，通过分析周边振动信号特征，得出振源类型，若监测出对区域有害的振源出现，可以及时进行预警，并报告危害事件的具体位置，达到对重要区域或区域周边的实时保护、减少财产损失的目的。光纤振动安全预警系统抗干扰能力较强，对目标识别可靠性较高，系统在保护区域铺设的光纤传感器可以感知周围的振动信号，对振动信号进行分析，识别出振源类型，并做出判断是否对该区域具有威胁，大大提高了系统的识别率，并降低误报警率。光纤振动安全预警系统不仅可以用于军事用途，其在民用方面也具有重要意义。

光纤振动预警系统可以自动采集周边振动信号，面对大量复杂的振动信号，如何准确识别目标振源是系统研究的难点。振源识别是基于振源的行为和振动信号的属性特征，以计算机为工具，采用一定识别算法理论，建立振动信号和振源对应关系的一门技术。由于在很多情况下，振源产生的振动信号传输的信道是未知的，对识别工作造成了极大的困难。例如，一次敲击信号经过不同地质(信道)传输到采集设备的振动信号是各不相同的。近年来，由于石油管道业和各种机场的蓬勃发展，更加剧了安全预警系统中的准确识别目标振源的需求。

综上所述，研究在光纤振动安全预警系统下的基于振动信号的基音频率特征提取的方法具有极大的现实意义和应用前景。

发明内容

本发明涉及光纤预警系统的特征提取，其通过门限阈值法截取振动信号，并且通过小波包分解和强制去噪的方法去除低频噪声，从而得到含有少量噪声的振动信号。

本发明基于振动信号的基音频率特征的提取方法用于提取振动信号中的基音频率特征，区分手工振源产生的信号和机械振源产生的信号。

根据本发明的一个方面，提供了一种基于振动信号的基音频率特征提取方法，其特征在于包括：

A)采用单元平均恒虚警检测(CA-CFAR)检测的方法对现场所采集的振动信号进行空域检测，针对检测得到的振动列采用阈值法进行截取；

B)将数据截取后的振动信号进行小波包去噪处理；

C)将小波包去噪后的振动信号做自相关计算，求出自相关系数，并根据自相关系数图求出振动信号的基音频率。

根据本发明的一个实施例的基于振动信号的基音频率特征的提取方法，其特征在于包括：采用一级单元平均恒虚警检测(CA-CFAR)的方法对现场所采集的振动信号进行空域检测，检测出振动信号所在的列，然后运用阈值法对振动列数据进行截取。其中包括：根据手工信号和机械信号的CFAR检测图和相应信号的时域差分图，从而设置门限阈值T，计算得到报警率：

$\mathrm{\α}=\frac{\mathrm{\β}}{\mathrm{\γ}}---\left(1\right)$

其中，β为振动列每一帧报警点的总个数，γ为振动列每一帧的总数据个数，

α为振动列每一帧的报警率。

之后采用小波包分解重构的方法对振动信号进行去噪的工作,在小波包的分解中，在节点(j+1,p)处的小波包系数由下式给出：

$\left\{\begin{array}{c}{d}_{j+1}^{2p}\left(k\right)=\underset{s=-\∞}{\overset{\∞}{\mathrm{\Σ}}}{d}_j^p\left(s\right)h_0(s-2k)\\ d_{j+1}^{2p+1}\left(k\right)=\underset{s=-\∞}{\overset{\∞}{\mathrm{\Σ}}}{d}_j^p\left(s\right)h_1(s-2k)\end{array}\right.---\left(2\right)$

其中，h₀(s-2k)和h₁(s-2k)是两个正交镜像滤波器组，j是小波包分解层数，p为频段序数，k为小波包系数序号，为在节点(j,p)处的小波包系数；将小波包分解得到j＝3层的d₀部分的系数置零，去除低频的噪声部分，并且重构信号得到经过去噪处理后的信号。

将以上方法去噪后的信号进行自相关计算，采用自适应调整门限的方法检测两相关系数峰值间的时间间隔，求出基音频率。

附图说明

图1是根据本发明的一个实施例的方法的实施以及验证过程。

图2是根据本发明的一个实施例的振动列数据截取流程图。

图3是根据本发明的一个实施例的一级单元平均恒虚警检测(CA-CFAR)信号数据检测图。

图4是根据本发明的一个实施例的振动信号时域差分图。

图5是根据本发明的一个实施例的小波包去噪流程图。

图6是根据本发明的一个实施例的小波包分解图。

图7是提取振动信号的基音频率特征流程图。

图8是根据本发明的一个实施例的振动信号自相关系数图。

具体实施方案

以下结合附图，对本发明实施例中的技术方案进行描述。

请参见图1所示，图1是根据本发明的一个实施例的基于振动信号的基音频率特征提取方法的流程图。该实施例中，特征提取的对象包括：手工信号，其为用于使用非电动类工具而产生的振动信号，如镐刨、砸地等；机械信号，其为由于使用电动类工具而产生的振动信号，如电钻、电镐等。

如图1所示，本实施例的基音频率特征提取方法包括：

S101：振动数据截取，通过一级单元平均恒虚警检测(CA-CFAR)得到振动列，并采用门限阈值法进行数据截取。

S102：运用小波包将截取的振动数据进行去噪处理。

S103：将去噪后的振动数据进行自相关计算，此次采用自适应调整门限的方法检测两相关系数峰值间的时间间隔，求出基音频率。

根据本发明的一个实施例的振动数据的截取方法的示意图如图2所示，包括：

S201：采用一级单元平均恒虚警检测(CA-CFAR)的方法对现场所采集的振动信号进行空域检测，检测出振动信号所在的列。

S202：将振动列进行分帧，计算振动列每一帧的报警率。

S203：根据手工信号和机械信号的恒虚警检测(CFAR)检测图和相应信号的时域差分图，从而设置门限阈值T；然后将每一帧的报警率与门限T比较，保存过门限的数据。

S204：截取过门限的振动数据。

根据本发明的一个实施例的振动信号的一级单元平均恒虚警检测(CA-CFAR)图如图3所示，由其可以得到振动列的位置。

图4所示为根据本发明的一个实施例的手工信号的时域差分图，确定门限阈值T。

根据本发明的一个实施例的对截取后得到的振动数据进行小波包去噪的具体过程如图5所示，其包括：

S501：运用小波包对截取后的振动数据进行3层小波包分解。

S502：由于对纯噪声信号进行小波包分解了解到，大部分噪声集中在低频部分。因此将小波包分解后最频率部分去除，达到小波包强制去噪的目的。

S503：小波包重构振动信号，得到去除低频噪声的振动信号。

将上述得到的去噪后的振动信号做自相关计算，求取振动信号的基音频率，其根据本发明的一个实施例的具体流程包括：

S701：将经过小波包去噪后的振动信号的每z个点的振动数据分为一组，求每一组的自相关系数：

$\left\{\begin{array}{c}{R}_i\left(b\right)=\underset{m=1}{\overset{N-m}{\mathrm{\Σ}}}{x}_i\left(m\right)x_i(m+b)\\ r_i\left(b\right)=\frac{R_i\left(b\right)}{R_i\left(0\right)}\end{array}\right.---\left(3\right)$

其中，x_i(m)为第i组振动信号的一段数据，i为振动数据的组数，b时间的延迟量，N为x_i(m)这段振动信号的数据个数，R_i(b)为短时自相关函数，r_i(b)为归一化的自相关函数(即自相关系数)。

S702：门限自适应调整的方法提取基频周期序列，自相关系数图如图8

所示，提取基频周期序列算法步骤如下：

－设定自适应门限的初值，此处设定自相关系数门限初值为0.25；

－计算大于门限值的自相关系数极大值点的个数N，以及相邻两个极大值点的时间间隔序列{ΔT₁,ΔT₂,...,ΔT_i,...}；

－判断极大值点个数N是否大于设定值N₀，若否，记录此时的极大值点间隔序列{ΔT₁,ΔT₂,...,ΔT_i,...}，算法结束；若是，进行下一步；

－若自相关系数极大值点之间的时间间隔满足一定间隔，则进行下一步，否则，调整短时自相关系数门限值；

－记录并输出此时的极大值点间隔序列{ΔT₁,ΔT₂,...,ΔT_i,...}即是待提取的基音周期序列。

S703：通过基音周期序列计算基音周期：

$T_{\mathrm{pitch}}=\frac{1}{c}\underset{i=1}{\overset{c}{\mathrm{\Σ}}}\mathrm{\Δ}{T}_i---\left(4\right)$

其中T_pitch为基音频率，c为间隔序列元素个数，ΔT_i为自相关系数极大值点间隔。

S704：通过基音周期，从而求出振动信号的基音频率：

$f_{\mathrm{pitch}}=\frac{N_{\mathrm{sf}}}{T_{\mathrm{pitch}}}---\left(5\right)$

其中，N_sf为振动信号的采样频率，T_pitch为振动信号的基音周期，f_pitch为振动信号的基音频率。

所图8所示，该图为振动信号的自相关系数图，通过采用门限自适应调整的方法求出振动信号的基音频率。

本发明人针对上述特征提取的方法，对实测手工信号与机械信号进行基音频率提取；其中手工信号为由于人使用非电动类工具而产生的振动信号，如镐头，机械信号为由于人使用电动类工具而产生的振动信号，如电钻、电镐。该振动信号特征提取的方法更加准确的区分出手工信号与机械信号，可以提高了识别的准确性，标明本发明具有显著的效果。

本发明与现有振动信号特征提取相比具有以下优点：

(1)该方法能够提高光纤入侵识别系统的准确性。

(2)通过数据截取和小波包分析可以去除振动信号中大部分的噪声，特征提取工作提供了便利。

(3)对振动信号基音频率提取的方法更加准确的区分出手工信号与机械信号，提高了识别的准确性。

Claims (5)

1.基于振动信号的基音频率特征提取方法，其特征在于包括：

A)采用单元平均恒虚警检测(CA-CFAR)检测的方法对现场所采集的振动信号进行空域检测，针对检测得到的振动列采用阈值法进行截取；

B)将数据截取后的振动信号进行小波包去噪处理；

C)将小波包去噪后的振动信号做自相关计算，求出自相关系数，并根据自相关系数图求出振动信号的基音频率。

2.根据权利要求1的方法，其特征在于：

所述振动信号分为手工信号和机械信号，其中手工信号为由于人使用非电动类工具而产生的振动信号，机械信号为由于人使用电动类工具而产生的振动信号。

3.根据权利要求1的方法，其特征在于所述步骤A)包括：

检测出振动信号所在的列，

然后运用阈值法对振动列数据进行截取，包括：根据信号和的CFAR检测结果，设置门限阈值T，计算得到报警率：

其中，β为振动列每一帧报警点的总个数，γ为振动列每一帧的总数据个数，α为振动列每一帧的报警率。

4.根据权利要求1的方法，其特征在于所述步骤B)包括：

采用小波包分解重构的方法对振动信号进行去噪的工作,在小波包的分解中，在节点(j+1,p)处的小波包系数由下式给出：

其中，h₀(s-2k)和h₁(s-2k)是两个正交镜像滤波器组，j是小波包分解层数，p为频段序数，k为小波包系数序号，为在节点(j,p)处的小波包系数；

将小波包分解得到j＝3层的d₀部分的系数置零，去除低频的噪声部分，并且重构信号得到经过去噪处理后的信号。

5.根据权利要求1的方法，其特征在于所述步骤C)包括：

将经过小波包去噪后的振动信号的每z个点的振动数据分为一组，按下式求每一组的自相关系数：

其中，x_i(m)为第i组振动信号的一段数据，i为振动数据的组数，b为时间的延迟量，N为x_i(m)这段振动信号的数据个数，R_i(b)为短时自相关函数，r_i(b)为归一化的自相关函数，即自相关系数；

根据自相关系数存在的局部峰值点的位置，提取出振动信号的基频周期，其中采用自适应调整门限的方法检测两相关系数峰值间的时间间隔，求出基音周期T_pitch，从而求得振动信号的基音频率f_pitch。