CN112268608A - 一种强干扰dvs的高精度解调算法 - Google Patents

Abstract

本发明揭示一种强干扰DVS的高精度解调算法，包括以下步骤：通过测量不同长度光缆，建立强干扰DVS的脉冲EDFA频率与待测光纤长度的数学模型；通过测量不同长度光缆，建立待处理信号与平均次数、滑动窗口、相减间隔的数学模型；通过测量不同长度光缆，建立在振动信号点判断时用到的能量值、能量比、振动次数、等门限值及频率值的数学模型；采集待测振动信号，根据上述模型匹配并分析，得到振动信号位置点；对得到的振动点进行频率提取。有效的解决了在强干扰下不能有效解调出振动位置，误报率高的问题。

Description

一种强干扰DVS的高精度解调算法

技术领域

本发明涉及光纤传感系统算法优先技术领域，具体地，涉及一种强干扰DVS的高精度解调算法。

背景技术

分布式光纤传感系统利用

(phase-sensitive optical time-domainreflectometer)相位敏感光时域反射计的干涉原理，实现对沿光纤线路范围内的对象进行远程和实时的安全监测的目的。

采用强相干光源为光纤注入脉冲，返回波形是脉冲宽度区域内后项瑞丽散射光相干叠加的结果。由于各个光脉冲散射中心的不同，最终探测到的瑞利波形呈现锯齿状。通过分析这些锯齿状波形的变化，即可监测外界扰动给光纤带来的折射率变化。

基于

技术的分布式光纤传感系统作为一种新型的安防监测系统,不仅具有抗电磁干扰、抗腐蚀、灵敏度高等特点,而且具有隐蔽性好、报警定位精确、数据处理相对简单等优点,适合于对大范围、长距离进行实时监测,在安防领域有着重要的应用前景。

系统采用强相干光脉冲作为光源，弱折射率变化可以由脉冲之间的相干效应得到加强。同时，这些折射率突变随时间动态变化，这就加大了信号处理难度。目前，在

中，主要是基于数字平均法对原始数据预处理以提高信号的信噪比，再采用滑动平均方法对预处理数据进行再处理来降低随机噪声带来的差异，最终解调出扰动信号，该方法根据信号的波动特征将原始数据进行分组，提高了各组数据的相关性降低了各组数据的差异性，在不引入复杂运算的情况下，提高了系统的信噪比。

但该算法存在以下两点缺陷：

1.在信号噪声较小，且振动信号比较明显的情况下才能有效解调出振动信号，存在一定的局限性。

2.针对平均次数、滑动窗口、相减间隔不能个根据具体信号特征做自适应的匹配，若参数选取不当，直接影响振动解调效果。

发明内容

针对现有技术的不足，本发明提供一种强干扰DVS的高精度解调算法。

本发明公开的一种强干扰DVS的高精度解调算法，具体包括以下步骤：

S1：通过测量不同长度光缆，建立强干扰DVS的脉冲EDFA频率与待测光纤长度的数学模型；

S2：通过测量不同长度光缆，建立待处理信号与平均次数、滑动窗口、相减间隔的数学模型；

S3：通过测量不同长度光缆，建立在振动信号点判断时用到的能量值、能量比、振动次数、等门限值及频率值的数学模型；

S4：采集待测振动信号，根据上述模型匹配并分析，得到振动信号位置点；

S5：对步骤4得到的振动点进行频率提取。

根据本发明的一实施方式，S1中，脉冲EDFA频率与待测光纤长度的数学模型为：P＝kL+b，其中，P为脉冲EDFA功率，L为光缆长度，k为系数，b为常量。

根据本发明的一实施方式，S2中，数学模型通过多个不同长度的光缆进行测量，对比不同光纤长度下振动信号的提取精度，准确度，综合评估而得到。

根据本发明的一实施方式，S3中，能量值为

能量比为E_r＝E_N/E_N-1或E_r＝E_N-1/E_N，振动次数包括计算出的振动次数N_R和设置的振动次数N_S，频率值包括计算出的频率值F_R和设置的振动次数F_S。

根据本发明的一实施方式，N_R＞N_S，F_R＞F_S。

根据本发明的一实施方式，S4中，匹配分析的具体步骤如下：

S4.1：采集一帧待测信号并对采集到的信号进行去噪；

S4.2：将S4.1采集到信号的能量值、能量比与S3中的数据进行比较：若满足能量值＞N，且能量比＞E_r，振动次数加一；

S4.3：当满足信号帧数＞测量个数且振动次数＞振动次数门限时，对信号进行FFT变换，获取待测振动信号的频率f；

S4.4：当f满足S3中的振动信号频率，根据采集卡的采样速率、光速等参数得到振动信号的位置。

根据本发明的一实施方式，S5中，振动点频率提取的具体步骤如下：

S5.1：对解调后持续时间为T的非平稳振动信号随机时间序列x(t)，引入均值为零的两组白噪声信号n_p(t)和--n_p(t)，得到如下信号：

其中，a_p为第p次引入噪声信号的幅值，p＝1，2，...，N_noise，N_noise为引入噪声的总次数；

分别对

和

进行MEEMD分解，得到第一组IMF分量序列集合：即

和

将两者进行累加、平均、求和计算后，获得第一组IMF分量r1(t)：

S5.2：对每个固有模态分量进行Hilbert变换，可以得到振动信号随机时间序列x(t)：

其中，Re为实部，a_i(t)为信号，n为信号的个数；

通过上述公式将振动信号的幅度在三维空间表示，可以得到时间和瞬时频率的函数关系，：

其中，H(w，t)为振动信号时频谱；

S5.3：对时频谱H(w，t)在时间轴进行积分得到Hilbert边界谱：

其中，T为采样周期；H(w，t)为振动信号时频谱，h(w)为不同频率在整体上的幅度贡献；

将幅值进行平方，对频率积分获得瞬时能量密度IE(t)：

IE(t)＝∫H(w，t)²dw

其中，IE(t)表示时间函数，反映能量随时间波动的变化；

S5.4：通过分析边际谱获取该点频率值：设置一个幅值门限，将边际谱中的幅值大于该幅值门限时对应的频率作为该点的频率值。

本发明的有益效果：针对高强度干扰下的能量和频率特性，通过各种门限机制综合对比，解调得到了强干扰下高精度的振动位置。有效的解决了在强干扰下不能有效解调出振动位置，误报率高的问题。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为实施例中将采集待测振动信号与模型匹配并分析的流程图。

具体实施方式

以下将以图式揭露本发明的多个实施方式，为明确说明起见，许多实务上的细节将在以下叙述中一并说明。然而，应了解到，这些实务上的细节不应用以限制本发明。也就是说，在本发明的部分实施方式中，这些实务上的细节是非必要的。此外，为简化图式起见，一些习知惯用的结构与组件在图式中将以简单的示意的方式绘示之。

另外，在本发明中如涉及“第一”、“第二”等的描述仅用于描述目的，并非特别指称次序或顺位的意思，亦非用以限定本发明，其仅仅是为了区别以相同技术用语描述的组件或操作而已，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。

本发明公开的一种强干扰DVS的高精度解调算法，具体包括以下步骤：

S1：通过测量不同长度光缆，建立强干扰DVS的脉冲EDFA频率与待测光纤长度的数学模型，其中脉冲EDFA频率与待测光纤长度的数学模型为：P＝kL+b，其中，P为脉冲EDFA功率，L为光缆长度，k为系数，b为常量；

S2：通过测量不同长度光缆，建立待处理信号与平均次数、滑动窗口、相减间隔的数学模型，数学模型通过多个不同长度的光缆进行测量，对比不同光纤长度下振动信号的提取精度，准确度，综合评估而得到；

S3：通过测量不同长度光缆，建立在振动信号点判断时用到的能量值、能量比、振动次数、等门限值及频率值的数学模型，能量值为

能量比为E_r＝E_N/E_N-1或E_r＝E_N-1/E_N，振动次数是对获取到的振动信号做进一步分析的一个阈值，包括计算出的振动次数N_R和设置的振动次数N_S，频率值是对振动信号做最后的判断，包括计算出的频率值F_R和设置的振动次数F_S，将计算出的振动次数N_R和设置的振动次数N_S作对比N_R＞N_S，将计算出的频率值F_R和设置的振动次数F_S作对比F_R＞F_S。

S4：采集待测振动信号，根据上述模型匹配并分析，得到振动信号位置点；

S4.1：采集一帧待测信号并对采集到的信号进行去噪；

S4.2：将S4.1采集到信号的能量值、能量比与S3中的数据进行比较：若满足能量值＞N，且能量比＞E_r，振动次数加一；

S4.3：当满足信号帧数＞测量个数且振动次数＞振动次数门限时，对信号进行FFT变换，获取待测振动信号的频率f；

S4.4：当f满足S3中的振动信号频率，根据采集卡的采样速率、光速等参数得到振动信号的位置。

S5：对步骤4得到的振动点进行频率提取：

S5.1：对解调后持续时间为T的非平稳振动信号随机时间序列x(t)，引入均值为零的两组白噪声信号n_p(t)和--n_p(t)，得到如下信号：

其中，a_p为第p次引入噪声信号的幅值，p＝1，2，...，N_noise，N_noise为引入噪声的总次数；

分别对

和

进行MEEMD分解，得到第一组IMF分量序列集合：即

和

将两者进行累加、平均、求和计算后，获得第一组IMF分量r₁(t)：

S5.2：对每个固有模态分量进行Hilbert变换，可以得到振动信号随机时间序列x(t)：

其中，Re为实部，a_i(t)为信号，n为信号的个数；

通过上述公式将振动信号的幅度在三维空间表示，可以得到时间和瞬时频率的函数关系，：

其中，H(w，t)为振动信号时频谱；

S5.3：对时频谱H(w，t)在时间轴进行积分得到Hilbert边界谱：

其中，T为采样周期；H(w，t)为振动信号时频谱，h(w)为不同频率在整体上的幅度贡献；

将幅值进行平方，对频率积分获得瞬时能量密度IE(t)：

IE(t)＝∫H(w，t)²dw

其中，IE(t)表示时间函数，反映能量随时间波动的变化；

S5.4：通过分析边际谱获取该点频率值：设置一个幅值门限，将边际谱中的幅值大于该幅值门限时对应的频率作为该点的频率值

本实施例中：

测量不同长度光缆时，选取1000个样本做分析。

振动信号点判断时用到的能量值、能量比、测量次数、振动次数、等门限值及频率值的数学模型需要通过分析。

避免同一个振动源上报多个振动点，结合定位精度和定位效果，一般能力值N选择10。

测量次数是一次振动信号判断所需分析的信号的帧数，帧数越大，分析时间越长。

上所述仅为本发明的实施方式而已，并不用于限制本发明。对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原理的内所作的任何修改、等同替换、改进等，均应包括在本发明的权利要求范围之内。

Claims (7)

1.一种强干扰DVS的高精度解调算法，其特征在于，具体包括以下步骤：

S1：通过测量不同长度光缆，建立强干扰DVS的脉冲EDFA频率与待测光纤长度的数学模型；

S2：通过测量不同长度光缆，建立待处理信号与平均次数、滑动窗口、相减间隔的数学模型；

S3：通过测量不同长度光缆，建立在振动信号点判断时用到的能量值、能量比、振动次数、等门限值及频率值的数学模型；

S4：采集待测振动信号，根据上述模型匹配并分析，得到振动信号位置点；

S5：对步骤4得到的振动点进行频率提取。

2.根据权利要求1所述的一种强干扰DVS的高精度解调算法，其特征在于，所述S1中，脉冲EDFA频率与待测光纤长度的数学模型为：P＝kL+b，其中，P为脉冲EDFA功率，L为光缆长度，k为系数，b为常量。

3.根据权利要求1所述的一种强干扰DVS的高精度解调算法，其特征在于，所述S2中，数学模型通过多个不同长度的光缆进行测量，对比不同光纤长度下振动信号的提取精度，准确度，综合评估而得到。

4.根据权利要求1所述的一种强干扰DVS的高精度解调算法，其特征在于，所述的S3中，能量值为

能量比为E_r＝E_N/E_N-1或E_r＝E_N-1/E_N，振动次数包括计算出的振动次数N_R和设置的振动次数N_S，频率值包括计算出的频率值F_R和设置的振动次数F_S。

5.根据权利要求4所述的一种强干扰DVS的高精度解调算法，其特征在于，所述N_R＞N_S，F_R＞F_S。

6.根据权利要求1所述的一种强干扰DVS的高精度解调算法，其特征在于，所述S4中，匹配分析的具体步骤如下：

S4.1：采集一帧待测信号并对采集到的信号进行去噪；

S4.2：将S4.1采集到信号的能量值、能量比与S3中的数据进行比较：若满足能量值>N，且能量比>E_r，振动次数加一；

S4.3：当满足信号帧数>测量个数且振动次数>振动次数门限时，对信号进行FFT变换，获取待测振动信号的频率f；

S4.4：当f满足S3中的振动信号频率，根据采集卡的采样速率、光速等参数得到振动信号的位置。

7.根据权利要求1所述的一种强干扰DVS的高精度解调算法，其特征在于，所述的S5中，振动点频率提取的具体步骤如下：

S5.1：对解调后持续时间为T的非平稳振动信号随机时间序列x(t)，引入均值为零的两组白噪声信号n_p(t)和--n_p(t)，得到如下信号：

其中，a_p为第p次引入噪声信号的幅值，p＝1,2,…,N_noise，N_noise为引入噪声的总次数；

分别对

和

进行MEEMD分解，得到第一组IMF分量序列集合：即

和

将两者进行累加、平均、求和计算后，获得第一组IMF分量r₁(t)：

S5.2：对每个固有模态分量进行Hilbert变换，可以得到振动信号随机时间序列x(t)：

其中，Re为实部，a_i(t)为信号，n为信号的个数；

通过上述公式将振动信号的幅度在三维空间表示，可以得到时间和瞬时频率的函数关系，：

其中，H(w,t)为振动信号时频谱；

S5.3：对时频谱H(w,t)在时间轴进行积分得到Hilbert边界谱：

其中，T为采样周期；H(w,t)为振动信号时频谱，h(w)为不同频率在整体上的幅度贡献；

将幅值进行平方，对频率积分获得瞬时能量密度IE(t)：

IE(t)＝∫H(w，t)²dw

其中，IE(t)表示时间函数，反映能量随时间波动的变化；

S5.4：通过分析边际谱获取该点频率值：设置一个幅值门限，将边际谱中的幅值大于该幅值门限时对应的频率作为该点的频率值。

Images