CN109374110A - 一种基于光纤振动传感系统的自学习装置及方法 - Google Patents

Abstract

一种基于光纤振动传感系统的自学习装置及方法，利用可编程脉冲驱动源，驱动电机和相应的机械结构，制成一个光纤振动传感系统的可控自动扰动装置。当需要让传感器对特定的模型进行学习时，采用可编程脉冲驱动器来驱动电机和机械干扰臂，通过对驱动脉冲的强度、发生规律、时间周期等进行控制，实现对于光纤扰动的时间、频率及其组合的特征控制。系统对于传感器采集到的特征信号进行自动反复学习，并提取出振动特征，即可实现对于机器学习算法的改进修正，同时对实现应用现场不同类型的信号进行模拟测试和学习归纳。

Description

一种基于光纤振动传感系统的自学习装置及方法

技术领域

本发明涉及一种基于光纤振动传感系统的自学习装置及方法，属于安防技术和分布式光纤传感领域。

背景技术

光纤振动传感系统探测原理主要有光纤光栅振动传感技术、基于光纤干涉仪技术、φ-OTDR瑞利散射技术等类型。光纤振动传感系统具有抗电磁干扰、本质安全、灵敏度高等优点，而挂装式以其稳定性好、灵敏度高、误报率低、抗干扰能力强等优点在一些安装有实体的场景具有较为广阔的市场需求。其中基于φ-OTDR瑞利散射技术的光纤振动传感系统，能够实现对人员等的人工挖掘、机械挖掘、大型施工等振动信号的监测，非常适合安防场景。

光纤振动传感系统，现逐步应用于石油、天然气管道、城市通讯线路、电力通讯管道等线型系统的安全监测和破坏预警，可直接利用原系统的通讯光纤作为传感和信号传输介质，对光纤周边环境的振动信号进行探测、定位并发出报警。

对于光纤振动传感器在各工业领域的应用，需要进行报警的人为入侵、非法施工、自然灾害等事件引发的振动信号，往往会与环境的气候变化、车辆行驶、人员生产活动等信号混杂在一起，导致系统报警易出现误报。如何通过探测到的振动信号的特征，对不同的信号源进行识别区分，提高报警的准确率就是提升系统实用性最重要的技术难点之一。

发明内容

本发明的技术解决问题是：克服现有技术的不足，利用可编程脉冲驱动源，驱动电机和相应的机械结构，提出了一种基于光纤振动传感系统的自学习装置及方法，通过探测到的振动信号的特征，对不同的信号源进行识别区分，提高报警的准确率。

本发明的技术解决方案是：

一种基于光纤振动传感系统的自学习装置，包括：电机、机械扰动装置和与电机相连的可编程脉冲驱动器，

通过可编程脉冲驱动器来驱动电机，进而驱动机械扰动装置对光纤振动传感系统引出的传感光缆进行扰动，通过对驱动脉冲的扰动特征进行调节控制，实现对于光纤振动传感系统采集的振动信号的周期、频率、强度的特征控制；光纤振动传感系统对采集到的振动信号进行识别和匹配，完成自学习。

光纤振动传感系统引出的传感光缆绕制成环状，机械扰动装置对该环状光缆进行扰动。

绕制成的环状光缆具体为：圈数为10圈，直径为30cm，光缆连续绕制，相邻圈之间无间隔。

机械扰动装置对光纤振动传感系统引出的传感光缆进行触碰，从而进行扰动。

还包括固定辅助装置，光纤振动传感系统引出的传感光缆固定在该固定辅助装置上，该固定辅助装置的拉伸强度不小于1000N，且探测光缆同辅助装置之间为刚性连接。

对驱动脉冲的扰动特征进行调节控制，具体是指：对脉冲驱动器的输出脉冲的强度、速度、周期特性进行编程控制。

光纤振动传感系统对采集到的振动信号进行识别和匹配，完成自学习，具体为：

(1)光纤振动传感系统对采集到的振动信号进行特征提取；

(2)将提取出的特征与预设样本库进行比对识别；

(3)如果该提取出的特征与样本库中的特征匹配，则可以确定该提取出的特征的对应行为，该提取出的特征为已知样本；如果该取出的特征与样本库中的特征无法匹配，则对该提取出的特征进行分类，并存储在样本库中。

所述步骤(1)光纤振动传感系统对采集到的振动信号进行特征提取，通过如下方式实现：

(1.1)将振动信号分解为周期、频率以及强度特征分量，记为A_i、A_ii、A_iii；

(1.2)采集同一事件的多个可确认的振动信号，A₁、A₂….A_N，则每个振动信号分解得到的特征分量分别为，A_1i、A_1ii、A_1iii、A_2i、A_2ii、A_2iii、…、A_Ni、A_Nii、A_Niii；

(1.3)对步骤(1.2)中得到的特征分量进行分类，具体为：

计算机学习各特征分量进行统计分析，找出特征最集中的值作为该事件的标准值，特征量的集合作为标准事件，标准事件记为A₀，其周期、频率以及强度特征分量分别记为A_0i、A_0ii、A_0iii，从而完成该事件的特征提取。

一种基于所述自学习装置实现的基于光纤振动传感系统的自学习方法，步骤为：

(a)从光纤振动传感系统引出传感光缆，部分位置绕制成环状，圈数为10圈，直径为30cm，光缆无间隔连续绕制；

(b)在环状光缆旁设置机械扰动装置；

(c)通过可编程脉冲驱动器来驱动电机，进而驱动机械扰动装置触碰环状光缆，对传感光缆进行扰动；通过对可编程脉冲驱动器编程，控制振动信号的周期、频率、强度特征；

(d)光纤振动传感系统采集振动信号，对采集到的振动信号进行识别和匹配，完成自学习，具体为：

(d1)光纤振动传感系统对采集到的振动信号进行特征提取；

(d1.1)将振动信号分解为周期、频率以及强度特征分量，记为A_i、A_ii、A_iii；

(d1.2)采集同一事件的多个可确认的振动信号，A₁、A₂….A_N，则每个振动信号分解得到的特征分量分别为，A_1i、A_1ii、A_1iii、A_2i、A_2ii、A_2iii、…、A_Ni、A_Nii、A_Niii；

(d1.3)对步骤(d1.2)中得到的特征分量进行分类，具体为：

计算机学习各特征分量进行统计分析，找出特征最集中的值作为该事件的标准值，特征量的集合作为标准事件，标准事件记为A₀，其周期、频率以及强度特征分量分别记为A_0i、A_0ii、A_0iii，从而完成该事件的特征提取；

(d2)将提取出的特征与预设样本库进行比对识别；

(d3)如果该提取出的特征与样本库中的特征匹配，则可以确定该提取出的特征的对应行为，该提取出的特征为已知样本；如果该取出的特征与样本库中的特征无法匹配，则对该提取出的特征进行分类，并存储在样本库中。

本发明与现有技术相比的有益效果是：

本发明通过对脉冲驱动器的输出脉冲的强度、频率、周期特性进行编程控制，可驱动振动系统对光纤圈部分进行强度、速度、周期等特性可控的扰动。从而实现对于实际应用条件下，不同类型事件产生的振动信号进行反复模拟。并提取出振动特征，即可实现对于机器学习算法的改进修正，同时对实现应用现场不同类型的信号进行模拟测试和学习归纳，从而实现系统机器自动学习。

附图说明

图1为本发明系统原理图。

具体实施方式

下面结合附图进一步说明本发明具体实施方式。

本发明提出一种基于光纤振动传感系统的自学习装置及方法。

1：利用可编程脉冲驱动源，驱动电机和相应的机械结构，制成一个光纤振动传感系统的可控自动扰动装置。

2：当需要让光纤振动传感系统对特定的扰动模型进行学习时，通过可编程脉冲驱动器来驱动电机和机械干扰臂对光纤振动传感系统进行相应扰动，通过对驱动脉冲的扰动特征进行调节控制，实现对于光纤振动传感系统采集的振动信号的时间、频率及其组合的特征控制。

如图1所示，本发明给出的实施例，一种基于光纤振动传感系统的自学习装置，包括：电机、机械扰动装置和与电机相连的可编程脉冲驱动器，

通过可编程脉冲驱动器来驱动电机，进而驱动机械扰动装置对光纤振动传感系统引出的传感光缆进行扰动，通过对驱动脉冲的扰动特征进行调节控制，实现对于光纤振动传感系统采集的振动信号的周期、频率、强度的特征控制；光纤振动传感系统对采集到的振动信号进行识别和匹配，完成自学习。对驱动脉冲的扰动特征进行调节控制，具体是指：对脉冲驱动器的输出脉冲的强度、速度、周期特性进行编程控制。

光纤振动传感系统引出的传感光缆绕制成环状，机械扰动装置对该环状光缆进行扰动。机械扰动装置对光纤振动传感系统引出的传感光缆进行触碰，从而进行扰动。

绕制成的环状光缆具体为：圈数为10圈，直径为30cm，光缆无间隔连续绕制。

本发明还提出一个实施例，该自学习装置还包括固定辅助装置，光纤振动传感系统引出的传感光缆固定在该固定辅助装置上，该固定辅助装置的拉伸强度不小于1000N，且探测光缆同辅助装置之间为刚性连接，这样设置以防止光纤较松或者较紧导致的误振动、误报警。

本实施例中，光纤振动传感系统对采集到的振动信号进行识别和匹配，完成自学习，具体为：

(1)光纤振动传感系统对采集到的振动信号进行特征提取；

(1.1)将振动信号分解为周期、频率以及强度特征分量，记为A_i、A_ii、A_iii；

(1.2)采集同一事件的多个可确认的振动信号，A₁、A₂….A_N，则每个振动信号分解得到的特征分量分别为，A_1i、A_1ii、A_1iii、A_2i、A_2ii、A_2iii、…、A_Ni、A_Nii、A_Niii；这里的事件，就是指本发明装置用于光纤报警系统中时，因为某种原因导致光纤振动产生信号，比如入侵行为。

(1.3)对步骤(1.2)中得到的特征分量进行分类，具体为：

计算机学习各特征分量进行统计分析，找出特征最集中的值作为该事件的标准值，特征量的集合作为标准事件，标准事件记为A₀，其周期、频率以及强度特征分量分别记为A_0i、A_0ii、A_0iii，从而完成该事件的特征提取。

(2)将提取出的特征与预设样本库进行比对识别；

(3)如果该提取出的特征与样本库中的特征匹配，则可以确定该提取出的特征的对应行为，该提取出的特征为已知样本；如果该取出的特征与样本库中的特征无法匹配，则对该提取出的特征进行分类，并存储在样本库中。

系统采集实际真实事件(比如某入侵行为)的信号，如事件A’时，计算其各特征分量(周期、频率以及强度)A’_i、A’_ii、A’_iii与标准事件A₀各特征分量的差，记为ΔA’_i、ΔA’_ii、ΔA’_iii，通过评判这些分量差值的大小，综合如果越小，则A’事件与标准A₀越接近。

可设定上述各标准事件特征分量的差值标准，如果某实际信号与某预定要探测事件的标准事件特征量差值足够小，就认为该实际信号的类型为此事件分类；同时该差值越小，则认为事件分类的准确性越高。

基于上述自学习装置，本发明实施例还给出了一种自学习方法，包括

(a)从光纤振动传感系统引出传感光缆，部分位置绕制成环状，作为测试点；

(b)在环状光缆旁设置机械扰动装置；

(c)通过可编程脉冲驱动器来驱动电机，进而驱动机械扰动装置触碰环状光缆，对传感光缆进行扰动；通过对可编程脉冲驱动器编程，控制振动信号的周期、频率、强度特征；

(d)光纤振动传感系统采集振动信号，对采集到的振动信号进行识别和匹配，完成自学习。

需要让传感器对特定的模型进行学习时，采用可编程脉冲驱动器来驱动电机和机械干扰臂，通过对驱动脉冲的强度、发生规律、时间周期等进行控制，实现对于光纤扰动的时间、频率及其组合的特征控制。

通过对脉冲驱动器的输出脉冲的强度、速度、周期特性进行编程控制，可驱动振动系统对光光缆信号采集部分进行强度、速度、周期等特性可控的扰动。从而实现对于实际应用条件下，不同类型事件产生的振动信号进行反复模拟。

系统对于光纤振动传感系统采集到的特征信号进行自动反复学习，并提取振动特征，即可实现对于机器学习算法的改进修正，同时对实现应用现场不同类型的信号进行模拟测试和学习归纳。

本发明通过对脉冲驱动器的输出脉冲的强度、频率、周期特性进行编程控制，可驱动振动系统对光纤圈部分进行强度、速度、周期等特性可控的扰动。从而实现对于实际应用条件下，不同类型事件产生的振动信号进行反复模拟。并提取出振动特征，即可实现对于机器学习算法的改进修正，同时对实现应用现场不同类型的信号进行模拟测试和学习归纳，从而实现系统机器自动学习。

本发明说明书中未作详细描述的内容属本领域技术人员的公知技术。

Claims (10)

1.一种基于光纤振动传感系统的自学习装置，其特征在于包括：电机、机械扰动装置和与电机相连的可编程脉冲驱动器，

通过可编程脉冲驱动器来驱动电机，进而驱动机械扰动装置对光纤振动传感系统引出的传感光缆进行扰动，通过对驱动脉冲的扰动特征进行调节控制，实现对于光纤振动传感系统采集的振动信号的周期、频率、强度的特征控制；光纤振动传感系统对采集到的振动信号进行识别和匹配，完成自学习。

2.根据权利要求1所述的一种基于光纤振动传感系统的自学习装置，其特征在于：光纤振动传感系统引出的传感光缆绕制成环状，机械扰动装置对该环状光缆进行扰动。

3.根据权利要求2所述的一种基于光纤振动传感系统的自学习装置，其特征在于：绕制成的环状光缆具体为：圈数为10圈，直径为30cm，光缆连续绕制，相邻圈之间无间隔。

4.根据权利要求2中任一项所述的一种基于光纤振动传感系统的自学习装置，其特征在于：机械扰动装置对光纤振动传感系统引出的传感光缆进行触碰，从而进行扰动。

5.根据权利要求1所述的一种基于光纤振动传感系统的自学习装置，其特征在于：还包括固定辅助装置，光纤振动传感系统引出的传感光缆固定在该固定辅助装置上，该固定辅助装置的拉伸强度不小于1000N，且探测光缆同辅助装置之间为刚性连接。

6.根据权利要求1所述的一种基于光纤振动传感系统的自学习装置，其特征在于：对驱动脉冲的扰动特征进行调节控制，具体是指：对脉冲驱动器的输出脉冲的强度、速度、周期特性进行编程控制。

7.根据权利要求1所述的一种基于光纤振动传感系统的自学习装置，其特征在于：光纤振动传感系统对采集到的振动信号进行识别和匹配，完成自学习，具体为：

(1)光纤振动传感系统对采集到的振动信号进行特征提取；

(2)将提取出的特征与预设样本库进行比对识别；

(3)如果该提取出的特征与样本库中的特征匹配，则可以确定该提取出的特征的对应行为，该提取出的特征为已知样本；如果该取出的特征与样本库中的特征无法匹配，则对该提取出的特征进行分类，并存储在样本库中。

8.根据权利要求7所述的一种基于光纤振动传感系统的自学习装置，其特征在于：所述步骤(1)光纤振动传感系统对采集到的振动信号进行特征提取，通过如下方式实现：

(1.1)将振动信号分解为周期、频率以及强度特征分量，记为A_i、A_ii、A_iii；

(1.2)采集同一事件的多个可确认的振动信号，A₁、A₂….A_N，则每个振动信号分解得到的特征分量分别为，A_1i、A_1ii、A_1iii、A_2i、A_2ii、A_2iii、…、A_Ni、A_Nii、A_Niii；

(1.3)对步骤(1.2)中得到的特征分量进行分类，具体为：

计算机学习各特征分量进行统计分析，找出特征最集中的值作为该事件的标准值，特征量的集合作为标准事件，标准事件记为A₀，其周期、频率以及强度特征分量分别记为A_0i、A_0ii、A_0iii，从而完成该事件的特征提取。

9.一种基于权利要求1～8中任一项所述自学习装置实现的基于光纤振动传感系统的自学习方法，其特征在于：

(a)从光纤振动传感系统引出传感光缆，部分位置绕制成环状，圈数为10圈，直径为30cm，光缆无间隔连续绕制；

(b)在环状光缆旁设置机械扰动装置；

(c)通过可编程脉冲驱动器来驱动电机，进而驱动机械扰动装置触碰环状光缆，对传感光缆进行扰动；通过对可编程脉冲驱动器编程，控制振动信号的周期、频率、强度特征；

(d)光纤振动传感系统采集振动信号，对采集到的振动信号进行识别和匹配，完成自学习。

10.根据权利要求9所述自学习方法，其特征在于：光纤振动传感系统对采集到的振动信号进行识别和匹配，完成自学习，具体为：

(d1)光纤振动传感系统对采集到的振动信号进行特征提取；

(d1.1)将振动信号分解为周期、频率以及强度特征分量，记为A_i、A_ii、A_iii；

(d1.2)采集同一事件的多个可确认的振动信号，A₁、A₂….A_N，则每个振动信号分解得到的特征分量分别为，A_1i、A_1ii、A_1iii、A_2i、A_2ii、A_2iii、…、A_Ni、A_Nii、A_Niii；

(d1.3)对步骤(d1.2)中得到的特征分量进行分类，具体为：

计算机学习各特征分量进行统计分析，找出特征最集中的值作为该事件的标准值，特征量的集合作为标准事件，标准事件记为A₀，其周期、频率以及强度特征分量分别记为A_0i、A_0ii、A_0iii，从而完成该事件的特征提取；

(d2)将提取出的特征与预设样本库进行比对识别；

(d3)如果该提取出的特征与样本库中的特征匹配，则可以确定该提取出的特征的对应行为，该提取出的特征为已知样本；如果该取出的特征与样本库中的特征无法匹配，则对该提取出的特征进行分类，并存储在样本库中。