CN108509850B - 一种基于分布式光纤系统的入侵信号识别方法 - Google Patents

Abstract

本发明公开了一种基于分布式光纤系统的入侵信号识别方法，步骤如下：采集并储存光纤传感器信号；对信号进行错点剔除处理；计算信号能量值，对能量值超过阈值的信号进行截取，判断为振动异常事件；对截取的振动异常信号进行固有时间尺度分解；对信号固有时间尺度分解结果进行特征值的提取；以振动信号样本的特征值为输入，训练Softmax分类器，再利用训练好的Softmax分类器输出信号入侵类型，实现入侵信号智能识别。本发明对信号先进行剔除错点处理，能有效降低因仪器故障，外界干扰导致的数据异常影响，对信号进行预处理，只对振动异常事件进行截取和识别，从而避免对正常振动数据计算，具有识别率高的特点。

Description

一种基于分布式光纤系统的入侵信号识别方法

技术领域

本发明涉及光纤振动传感技术领域，具体涉及一种基于分布式光纤系统的入侵信号识别方法，具体地说是一种特别适用于配网电缆线路安防监控系统的分布式光纤入侵信号识别方法。

背景技术

由于配电电缆线路分布范围广，运行人员难以同时将整条线路情祝及时掌握，且近年来，随着城市建设发展速度的加快，各种违法、违章行为造成的配网电缆线路绝缘层破坏形成接地短路、不同回路短路等事故层出不穷，在给供电企业造成巨额经济损失的同时，对人们生命财产安全也造成极大的威胁，分析外力破坏发生原因，提出预防措施，尤为重要。

振动光纤具有成本低、抗紫外线、抗老化，可适用于不规则周界等特点，非常适合大范围、长距离、环境条件恶劣的野外周界环境。与配电网电缆线路有着极佳的适用吻合度。

振动光纤传感技术的预警系统使用光纤作为传感单元，利用计算机对数据进行采集和控制并实现长距离、大范围周界防区的探测，收到外界振动时，由于光纤的应变效应和光弹效应，传感光纤收到外界振动作用导致光纤自身长度、直径和折射率发生变化，使光纤中的光相位产生变化，从而使光纤中的光波产生不同的振动，不同的外界运动物对光纤造成的振动特征也各有不同，通过对不同的外界运动物对光纤造成的振动特征进行识别研究，从而达到对入侵行为的识别预警，达到安防监控的目的。

现有的分布式光纤系统的入侵识别方法，多采用对扰动信号进行时域，频域等方面进行分析处理，提取出相应的特征向量，再对各特征向量设置阈值判断是否有入侵信号发生，该方法的缺点是:在环境恶劣，干扰较多的情况下，识别出来的入侵行为类别较为有限，辨识度不高，针对性不强，没有办法满足对配网电缆线路安防监控的需求。

发明内容

本发明的目的是为了解决现有技术中的上述缺陷，提供一种基于分布式光纤系统的、能针对多种不同外界运动物的入侵行为类别进行识别的方法。

本发明的目的可以通过采取如下技术方案达到：一种基于分布式光纤系统的入侵信号识别方法，所述的入侵信号识别方法包括下列步骤：

S1、从分布式光纤振动系统的采集端读取信号；

S2、根据拉依达准则对采集到的信号进行错点剔除处理；

S3、设定能量的阈值，计算采集信号的能量，对大于能量阈值参数的信号进行截取，并判断为振动异常信号；

S4、对振动异常信号进行固有时间尺度分解；

S5、对信号固有时间尺度分解的结果进行特征值的计算；

S6、将计算得到的已知入侵行为的特征送入Softmax分类器，对入侵行为已知的特征参数进行训练学习，从而实现对未知安防入侵事件的光纤振动信号进行识别。

进一步地，所述的分布式光纤振动系统包括分布式光纤传感器、数据采集模块、计算机，其中，分布式光纤传感器利用M-Z干涉原理的分布式光纤作为传感器。

进一步地，所述的步骤S2、根据拉依达准则对采集到的信号进行错点剔除处理的过程如下：

其中，

和σ_x分别为信号的均值和标准差，x(n)为信号的数据点，将满足上述公式的数据点标记为错点，通过对错点相邻两点的值求和，再取平均的方法代替错点。

进一步地，所述的步骤S3中能量的计算方法为：

其中，x(n)为信号的数据点，m为信号的帧长。

进一步地，所述的步骤S4、对振动异常信号进行固有时间尺度分解的过程如下：

S401、设X_t为要分解的振动异常的离散信号，定义L为X_t的基线提取算子，一次将信号X_t分解为基线分量L_t和固有旋转分量H_t，公式为：

X_t＝LX_t+(1-L)X_t＝L_t+H_t

其中，L_t＝LX_t为基线分量，H_t＝(1-L)X_t为固有旋转分量；

S402、确定信号X_t中所有局部极值点，设为X_k，对应的时刻设为τ_k{k＝1,2,…n}，n为极值点总数，定义τ₀＝0，即X_k和L_k分别表示X(τ_k)和L(τ_k)，设L_t和H_t的定义域为[0,τ_k]，X_t的定义域为[0,τ_k+2]，则在连续的极值点间隔[τ_k,τ_k+1]内可定义X_t的分段线性基线提取算子L，公式为：

其中，0<α<1；

S403、计算固有旋转因子H_t，公式为：

H_t＝(1-L)X_t＝X_t-L_t；

S404、将步骤S403中的基线分量L_t当作新的待分解信号，重复步骤S402和步骤S403，直到基线信号为一单调信号或常函数，原信号被分解为：

原始信号分解成若干个从高到低不同频率段的p个固有旋转分量信号

与一个单调趋势分量信号

进一步地，所述的步骤S5、对信号固有时间尺度分解的结果进行特征值的计算的过程如下：

对p个固有旋转分量信号

分别进行能量，峰峰值，奇异值的计算，可得到p个能量值E_i，p个峰峰值PP_i，p个奇异值σ_i，取第一层固有旋转分量

信号对应的E₁，PP₁，σ₁作为第1，2，3个特征值，取第二层固有旋转分量

信号对应的E₂，PP₂，σ₂作为第4，5，6个特征值，对p个能量值E_i进行能量熵W_E的计算得到第7个特征值，对p个峰峰值PP_i进行峰峰值熵W_PP的计算作为第8个特征值，对p个奇异值σ_i进行奇异熵W_σ的计算作为第9个特征值，其中，能量熵W_E的计算方法为：

峰峰值熵W_PP的计算方法为：

奇异值熵的W_σ计算方法为：

即得到9维的特征向量。

进一步地，所述的步骤S6的过程如下：

获取步骤S5异常振动信号样本集

其中x_i∈R^9×1为第i个振动异常信号样本，由9个特征数据点组成，其样本标签为y_i∈{1,2,3…k},总共有k个分类；

利用样本集中的特征标签{x_i，y_i}训练Sotfmax分类器，获得Sotfmax分类器的权重矩阵θ∈R^1×9，即最小化目标函数：

上述公式中，θ_j和θ_l分别为分类器权重矩阵θ的第j行、第l行行向量；

通过计算分类器的权重矩阵θ与样本x_i的内积，输出样本特征对应各样本标签的概率分布，取最大概率所对应的样本类别作为样本x_i的入侵信号类别。

本发明相对于现有技术具有如下的优点及效果：

1、本发明对信号先进行剔除错点处理，在采集信号过程中，能有效降低因操作不当，或仪器临时故障，或外界干扰等原因导致的异常数据影响。确保有效的分析结果。

2、本发明使用了对异常信号进行固有时间尺度分解，能够在有外界干扰的情况下，对不同的外界运动物的入侵振动信号的振动特征进行识别分类，相较于传统的方法，增加了对原始信号的固有时间尺度分解，增加了更多的辨识度的特征，能识别出更多种类的外界入侵行为。

3、通过softmax分类器的设计，使本发明有人机交互的增量学习功能，在信号识别过程中，如果出现误判或新的外界入侵行为，可以对现有的信号识别分类进行修正，提高识别方法的通用性。

附图说明

图1是本发明中公开的基于分布式光纤系统的入侵信号识别方法的流程图；

图2是分布式光纤振动系统的结构原理图；

图3是光纤振动系统采集到的人跑步的信号；

图4是光纤振动系统采集到的车辆经过的信号；

图5是光纤振动系统采集到的下大雨的信号；

图6是光纤振动系统采集到的人工敲击挖掘信号；

图7是光纤振动系统采集到的电钻破坏的信号；

图8是光纤振动系统采集到的大型机械敲击挖掘信号；

图9是光纤振动系统采集到的大型机械电镐持续破坏信号。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。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。

实施例

本发明涉及的分布式光纤振动系统如附图2所示，分布式光纤振动系统由分布式光纤传感器，数据采集模块，计算机组成。分布式光纤传感器利用M-Z干涉原理的分布式光纤作为传感器。

从分布式光纤振动系统的采集端读取信号。实际中将光纤系统的采样频域为5000Hz，每组数据设置采样点数为10000，本例采集识别的振动异常信号共7种，如附图3所示，采集到的是人跑步的信号，如附图4所示，采集到的是车辆经过的信号，如附图5所示，采集到的是下大雨的信号，如附图6所示，采集到的是人工敲击挖掘信号，如附图7所示，采集到的是电钻破坏的信号，如附图8所示，采集到的是大型机械敲击挖掘信号，如附图9所示，采集到的是大型机械电镐持续破坏信号。

在采集信号过程中，可能存在因操作不当，或仪器临时故障，或外界干扰等原因导致的采集到异常错点数据，从而影响信号分析识别结果，应当对错点数据进行剔除，计算方法为：

其中，

和σ_x分别为信号的均值和标准差，x(n)为信号的数据点，将满足上述公式的数据点标记为错点，通过对错点相邻两点的值求和，再取平均的方法代替错点。

预先设定能量的阈值。计算采集信号的能量，对大于能量阈值参数的信号判断为振动异常信号，并进行截取。能量的计算方法为：

其中，m为信号的帧长。

这样避免了对正常振动数据段进行分析，只对振动异常的信号进行识别分析，大大提高了系统的工作效率。

对截取到的振动异常信号进行固有时间尺度分解。本发明对信号的处理是基于固有时间尺度(ITD)分解的技术方案，ITD是一种非线性、非平稳信号自适应时频分析方法。ITD可以自适应地将任意复杂信号分解为若干具有实际物理意义的固有旋转分量和一个趋势分量，与EMD或EEMD相比，具有计算精度高、分解速度快、频率分辨率高的优点，能够实时处理大量数据。所以，可以利用此算法对光纤传感器的异常振动信号进行实时处理，将其分解为瞬时频率具有实际物理意义的一系列单分量信号，为后续信号特征的处理奠定基础。对振动异常信号进行固有时间尺度分解步骤如下：

设X_t为要分解的振动异常的离散信号，定义L为X_t的基线提取算子，一次将信号X_t分解为基线分量L_t和固有旋转分量H_t，公式为：

X_t＝LX_t+(1-L)X_t＝L_t+H_t

其中，L_t＝LX_t为基线分量，H_t＝(1-L)X_t为固有旋转分量。

确定信号X_t中所有局部极值点，设为X_k，对应的时刻设为τ_k{k＝1,2,…n}，n为极值点总数，为方便起见，定义τ₀＝0，即X_k和L_k分别表示X(τ_k)和L(τ_k)。设L_t和H_t的定义域为[0,τ_k]，X_t的定义域为[0,τ_k+2]，则在连续的极值点间隔[τ_k,τ_k+1]内可定义X_t的分段线性基线提取算子L，公式为：

其中，0<α<1，通常取0.5，

计算固有旋转因子H_t，公式为：

H_t＝(1-L)X_t＝X_t-L_t

将上一步得到的基线分量L_t当作新的待分解信号，重复上面计算固有旋转因子H_t的步骤，直到基线信号为一单调信号或常函数，原信号被分解为：

原始信号分解成若干个从高到低不同频率段的p个固有旋转分量信号

与一个单调趋势分量信号

对p个固有旋转分量信号

分别进行能量，峰峰值，奇异值的计算。可得到p个能量值E_i，p个峰峰值PP_i，p个奇异值σ_i，因为前两层固有旋转分量的信息量较大，所以取前两层的固有旋转分量的特征进行提取。取第一层固有旋转分量

信号对应的E₁，PP₁，σ₁作为第1，2，3个特征值，取第二层固有旋转分量

信号对应的E₂，PP₂，σ₂作为第4，5，6个特征值，对p个能量值E_i进行能量熵W_E的计算得到第7个特征值，对p个峰峰值PP_i进行峰峰值熵W_PP的计算作为第8个特征值，对p个奇异值σ_i进行奇异熵W_σ的计算作为第9个特征值，能量熵W_E的计算方法为：

峰峰值熵W_PP的计算方法为：

奇异值熵的计算方法为：

即得到9维的特征向量。

获取上述的异常振动信号样本集

其中x_i∈R^9×1为第i个振动异常信号样本，由9个特征数据点组成，其样本标签为y_i∈{1,2,3…7}，总共有7个分类。y_i的取值为1,2…7，从小到大依次对应人跑步，车辆经过，下大雨，人工敲击挖掘，电钻破坏，大型机械敲击挖掘和大型机械电镐持续破坏7种类别的信号，利用样本集中的特征标签{x_i，y_i}训练Sotfmax分类器，获得Sotfmax分类器的权重矩阵θ∈R^1×9，即最小化目标函数：

上述公式中，θ_j和θ_l分别为分类器权重矩阵θ的第j行、第l行行向量。通过计算分类器的权重矩阵θ与样本x_i的内积，输出样本特征对应各样本标签的概率分布，取最大概率所对应的样本类别作为样本x_i的入侵信号类别。

本实施例中，在配电网电缆线路安防防区现场用上述流程训练好的softmax分类器对来自光纤的振动数据进行判断识别验证，实验结果表明这种方法可以有效地识别出多种类的外界入侵行为，准确率达到90％以上。从而验证了本发明的可靠性和有效性。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (5)

1.一种基于分布式光纤系统的入侵信号识别方法，其特征在于，所述的入侵信号识别方法包括下列步骤：

S1、从分布式光纤振动系统的采集端读取信号；

S2、根据拉依达准则对采集到的信号进行错点剔除处理；

S3、设定能量的阈值，计算采集信号的能量，对大于能量阈值参数的信号进行截取，并判断为振动异常信号；

S4、对振动异常信号进行固有时间尺度分解；

S5、对信号固有时间尺度分解的结果进行特征值的计算，过程如下：

对p个固有旋转分量信号

分别进行能量，峰峰值，奇异值的计算，可得到p个能量值E_i，p个峰峰值PP_i，p个奇异值σ_i，取第一层固有旋转分量

信号对应的E₁，PP₁，σ₁作为第1，2，3个特征值，取第二层固有旋转分量

信号对应的E₂，PP₂，σ₂作为第4，5，6个特征值，对p个能量值E_i进行能量熵W_E的计算得到第7个特征值，对p个峰峰值PP_i进行峰峰值熵W_PP的计算作为第8个特征值，对p个奇异值σ_i进行奇异熵W_σ的计算作为第9个特征值，其中，能量熵W_E的计算方法为：

峰峰值熵W_PP的计算方法为：

奇异值熵的W_σ计算方法为：

即得到9维的特征向量；

S6、将计算得到的已知入侵行为的特征送入Softmax分类器，对入侵行为已知的特征参数进行训练学习，从而实现对未知安防入侵事件的光纤振动信号进行识别，过程如下：

获取步骤S5异常振动信号样本集

其中x_i∈R^9×1为第i个振动异常信号样本，由9个特征数据点组成，其样本标签为y_i∈{1,2,3…k},总共有k个分类；

利用样本集中的特征标签{x_i，y_i}训练Sotfmax分类器，获得Sotfmax分类器的权重矩阵θ∈R^1×9，即最小化目标函数：

上述公式中，θ_j和θ_l分别为分类器权重矩阵θ的第j行、第l行行向量；

通过计算分类器的权重矩阵θ与样本x_i的内积，输出样本特征对应各样本标签的概率分布，取最大概率所对应的样本类别作为样本x_i的入侵信号类别。

2.根据权利要求1所述的一种基于分布式光纤系统的入侵信号识别方法，其特征在于，所述的分布式光纤振动系统包括分布式光纤传感器、数据采集模块、计算机，其中，分布式光纤传感器利用M-Z干涉原理的分布式光纤作为传感器。

3.根据权利要求1所述的一种基于分布式光纤系统的入侵信号识别方法，其特征在于，所述的步骤S2、根据拉依达准则对采集到的信号进行错点剔除处理的过程如下：

其中，

和σ_x分别为信号的均值和标准差，x(n)为信号的数据点，将满足上述公式的数据点标记为错点，通过对错点相邻两点的值求和，再取平均的方法代替错点。

4.根据权利要求1所述的一种基于分布式光纤系统的入侵信号识别方法，其特征在于，所述的步骤S3中能量的计算方法为：

其中，x(n)为信号的数据点，m为信号的帧长。

5.根据权利要求1所述的一种基于分布式光纤系统的入侵信号识别方法，其特征在于，所述的步骤S4、对振动异常信号进行固有时间尺度分解的过程如下：

S401、设X_t为要分解的振动异常的离散信号，定义L为X_t的基线提取算子，一次将信号X_t分解为基线分量L_t和固有旋转分量H_t，公式为：

X_t＝LX_t+(1-L)X_t＝L_t+H_t

其中，L_t＝LX_t为基线分量，H_t＝(1-L)X_t为固有旋转分量；

S402、确定信号X_t中所有局部极值点，设为X_k，对应的时刻设为τ_k{k＝1,2,…n}，n为极值点总数，定义τ₀＝0，即X_k和L_k分别表示X(τ_k)和L(τ_k)，设L_t和H_t的定义域为[0,τ_k]，X_t的定义域为[0,τ_k+2]，则在连续的极值点间隔[τ_k,τ_k+1]内可定义X_t的分段线性基线提取算子L，公式为：

其中，0<α<1；

S403、计算固有旋转因子H_t，公式为：

H_t＝(1-L)X_t＝X_t-L_t；

S404、将步骤S403中的基线分量L_t当作新的待分解信号，重复步骤S402和步骤S403，直到基线信号为一单调信号或常函数，原信号被分解为：

原始信号分解成若干个从高到低不同频率段的p个固有旋转分量信号

与一个单调趋势分量信号

Images