CN112504429A - 一种强干扰dvs的高精度解调算法 - Google Patents

Abstract

本发明公开了一种强干扰DVS的高精度解调算法，其通过对样本数据库中的样本进行学习，建立脉冲EDFA功率数学模型、去噪数学模型、能量值的门限值数学模型、能量比的阈值数学模型、测量次数的门限值数学模型、振动次数的门限值数学模型等各种数学模型，在测量待测传感信号时，自适应匹配数学模型，选择不同的参数对不同特征传感信号进行振动解调，得到振动点的位置信息。本发明是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。

Description

一种强干扰DVS的高精度解调算法

技术领域

本发明属于振动信息测量技术领域，具体涉及一种强干扰DVS的高精度解调算法。

背景技术

强干扰DVS是强干扰下的分布式光纤振动监测系统，其采用分布式光纤传感技术，能够在强干扰下进行振动监测，所述分布式光纤传感技术是一种以光波为载体，利用光纤作为传感敏感元件和传输信号介质来感知和传输外界被测量信号的新型传感技术，其可以用于火灾报警、环境监测、周界安防等领域。基于探测光纤本身的优良特性与低廉的价格优势，分布式光纤传感技术已成为传感领域中最具有研究价值的方向之一，其中基于

技术的分布式光纤传感系统是利用

(phase-sensitiveopticaltime-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。

但是

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，一个缺陷是该算法在信号噪声较小，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；另一个缺陷是平均次数、滑动窗口、相减间隔三种去噪方法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

针对上述不足，本发明公开了一种强干扰DVS的高精度解调算法，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。

本发明是采用如下技术方案实现的：

一种强干扰DVS的高精度解调算法，其包括以下步骤：

(1)选取不同长度的光纤作为样本，样本个数至少为1000个，测量每个样本的脉冲EDFA功率，根据每个样本的光纤长度数值和脉冲EDFA功率，分析得到光纤长度与脉冲EDFA功率的线性关系曲线，建立关于光纤长度和脉冲EDFA功率这两个量的脉冲EDFA功率数学模型；

(2)采集实际光纤的监测信息，建立样本数据库，所述样本数据库中存储有至少1000个样本数据组；所述样本数据组存储有某一条光纤的监测信息，其中包括该光纤的长度数据、传感信号、实际振动位置信息；

(3)读取每个样本数据组中的数据信息，然后采用平均次数、滑动窗口、相减间隔三者相结合的处理方法对传感信号进行去噪；

(4)逐帧读取每个样本数据组中的传感信号，采用步骤(3)所述的去噪数学模型对传感信号进行去噪，得到传感信号特征信息；

根据传感信号特征信息提取能量值、能量比，然后随机选定能量值的门限值、能量比的阈值、测量次数的门限值、振动次数的门限值，判断得到振动点对应的振动信号，根据该振动信号得到振动点位置的预测信息；

将振动点位置的预测信息与实际振动位置信息进行比对，如果不一致，再重新选定能量值的门限值、能量比的阈值、测量次数的门限值、振动次数的门限值，判断得到新振动点位置的预测信息，再将振动点位置的预测信息与实际振动位置信息重新比对；如果一致，将该传感信号特征以及其对应的能量值、能量比、能量值的门限值、能量比的阈值、测量次数的门限值、振动次数的门限值一起存储至该样本数据组中，同时进行振动信号的频率提取；根据每个样本数据组中的数据信息，分析传感信号特征分别与能量值的门限值、能量比的阈值、测量次数的门限值、振动次数的门限值、频率之间的数学关系，如线性关系、非线性关系等，并建立能量值的门限值数学模型、能量比的阈值数学模型、测量次数的门限值数学模型、振动次数的门限值数学模型、频率值模型；

所述能量值是若干个点幅值的叠加，其计算公式为：

其中N为自然数，E_i为每帧信号的能量值；

所述能量比是按照如下公式计算得到的：E_r＝E_N/E_N-1或E_r＝E_N-1/E_N，，其中E_N表示第N帧信号的能量值，E_N-1表示第N-1帧信号的能量值；

当能量值大于能量值的门限值并且能量比大于能量比的阈值时，判定该帧信号为振动信号，振动次数增加一次，测量次数增加一次，反之能量值和能量比不同时大于能量值的门限值和能量比的阈值时，判定该帧信号不为振动信号，振动次数不增加，测量次数增加一次；所述测量次数是一次振动信号判断所需分析的信号的帧数，当测量次数大于测量次数的门限值时，判定该振动点的振动信号采集完成，反之判定该振动点的振动信号采集位完成，继续采集下一帧传感信号进行去噪处理、能量值和能量比的判定；所述振动次数是判断是否对获取到的振动信号做进一步分析的一个阈值，当测量次数大于测量次数的门限值且振动次数大于振动次数的门限值时，对采集到的振动信号进行进行频率提取，当振动次数小于门限值，丢弃本次测量数据；

(5)采集待测光纤的长度信息，按照脉冲EDFA功率数学模型进行调整脉冲EDFA功率，接着采集一帧传感信号，按照去噪数学模型进行去噪，得到待测传感信号的特征信息，然后根据待测传感信号的特征信息提取能量值、能量比，按照能量值的门限值数学模型、能量比的阈值数学模型、测量次数的门限值数学模型、振动次数的门限值数学模型选定对应的门限值，判断得到振动点对应的振动信号，根据该振动信号得到振动点位置的预测信息，如果测量次数大于测量次数的门限值且振动次数大于振动次数的门限值时，进一步对该振动点进行频率提取，当得到的频率满足频率值模型时，根据采集卡的采样速率、光速等参数得到振动位置，当频率不满足频率值模型时，丢弃本次测量数据。

进一步的，步骤(1)中所述数学模型为P＝kL+b，其中P表示脉冲EDFA功率，L表示光纤长度，k表示直线系数，b是常量。

进一步的，步骤(2)中采用平均次数、滑动窗口、相减间隔三者相结合的处理方法对传感信号进行去噪，是采用数字平均、滑动平均依次对原始信号进行处理以减小随机噪声的影响，并对降噪信号进行间隔相减归一化处理，其具体步骤如下：

首先，将N组后向瑞利散射原始数据，记为：r＝{r₁,r₂,r₃,Λr_i,Λr_N}，其中r_i表示第i组后向瑞利散射曲线，每组原始数据都对应一个光脉冲。假设数字平均次数为K并且K<N，则可将N组原始数据重新划分为

组，每组新信号由K组原始信号的数字平均得到，记为：

接着将数字平均后的数据记为：R＝{R₁,R₂,R₃,Λ,R_i,ΛR_M}，与N组原始的数据相比，新信号的噪声功率减少为平均前的1/K，改善功能的信噪比为：

SNR＝10log₁₀K；

然后将经过数字平均的M组数据做滑动平均，由此获得的信号表示为：

其中T表示滑动窗口大小；

再将经过滑动平均处理后得到S＝{S₁,S₂,S₃,Λ,S_i,ΔS_L}，其中L＝M-T+1，滑动平均方法相当于对数据作低通滤波，可消除数据中的高频起伏，抑制随机噪声信号，使处理后的数据具有平滑的波动；

由于S集合中的相邻曲线变化太小，直接相减难以提取扰动信号，因此采用间隔相减来提取扰动信号，

其中t为常数，由此提取出的扰动信号可表示为

ΔS＝{ΔS₁,ΔS₂,ΔS₃,Λ,ΔS_i,ΛΔS_J},其中J＝L-t+1

并且在一次完整的处理中，间隔t保持不变，随机选择平均次数、滑动窗口、相减间隔的取值按上述步骤进行去噪，将处理后得到的信噪比与原始信号的信噪比相比较，两者差值最大，去噪效果最好，对应的平均次数、滑动窗口、相减间隔的取值即为采用本方法的优选值。

进一步的，步骤(5)中所述振动信号的频率提取，其包括以下步骤：

S1：对待测振动信号进行改进经验模态分解，具体是先对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：

和

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

接着分别对x_p ⁺(t)和x_p ^-(t)进行MEEMD分解，得到第一组IMF分量序列集合，即I_1p ⁺(t)和I_1p ^-(t)，将两者进行累加、平均、求和计算后，得到第一组IMF分量r₁(t)：

S2：对每个固有模态分量进行Hilbert变换，可以得到：

其中Re代表实部，a_i(t)代表信号，n代表信号的个数，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，幅度信息也可代表频率-时间平面的等高线，频率分布被称作Hilbert时频谱H(w,t)，将幅度的平方，可以得到Hilbert能量谱，Hilbert谱为：

S3：对时频谱H(w，t)在时间轴进行积分得到Hilbert边界谱：

其中T是采样周期，H(w，t)是振动信号时频谱，h(w)表达了不同频率在整体上的幅度贡献，在统计上，是全部信号序列的累加幅度；在概率上，是在整个时间轴上的幅值积累；

接着将将幅值进行平方，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；

S4：通过分析边际谱获取该振动点的频率，具体是设置一个幅值门限，当边际谱中的幅值大于该幅值门限时，对应的频率即作为该点的频率值，如果该点的频率值满足频率值模型，则根据采集卡的采样速率、光速等参数得到振动位置。用户可以根据实际需要设定不同的幅值门限，用来区分不同的振动级别。

进一步的，步骤(4)中所述能量值是10个点幅值的叠加。这样可以避免同一个振动源上报多个振动点，提高定位精度和定位效果。

本技术方案与现有技术相比较具有以下有益效果：

1、本发明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。

2、相位敏感OTDR系统由于其较高的灵敏度很容易受环境因素的干扰，从而使得传感信号中引入大量噪声，尤其是靠近传感光纤的尾端。因此，对光纤振动传感信号进行去噪是十分必要的。本系统采用平均次数、滑动窗口、相减间隔三者相结合的处理方法对信号进行去噪。通过样本学习，建立平均次数、滑动窗口、相减间隔的取值这三者与对应传感信号的数学模型，在测量待测传感信号时，可以根据具体信号特征做自适应的匹配数学模型，提高去噪效果，保证后续振动信号的提取精度和准确度。

3、本发明通过对样本数据库中的样本进行学习，建立能量值的门限值数学模型、能量比的阈值数学模型、测量次数的门限值数学模型、振动次数的门限值数学模型等各种数学模型，在测量待测传感信号时，自适应匹配数学模型，选择不同的参数对不同特征传感信号进行振动解调，同时为进一步防止误报，对该振动点进行频率提取，其中频率提取是先将信号进行改进经验模态分解(MEEMD)，然后进行Hilbert变换，最后获取边际谱，通过分析边际谱获取该点频率值，然后根据频率值对振动信号做最后的判断，进一步提高了解调出振动位置的精确度，降低误报率。

附图说明

图1是本发明所述强干扰DVS的高精度解调算法的流程图。

具体实施方式

以下通过实施例进一步说明本发明，但不作为对本发明的限制。下列实施例中未注明的具体实验条件和方法，所采用的技术手段通常为本领域技术人员所熟知的常规手段。

实施例1：

一种强干扰DVS的高精度解调算法，其包括以下步骤：

(1)选取不同长度的光纤作为样本，样本个数为1000个，测量每个样本的脉冲EDFA功率，根据每个样本的光纤长度数值和脉冲EDFA功率，分析得到光纤长度与脉冲EDFA功率的线性关系曲线，建立关于光纤长度和脉冲EDFA功率这两个量的脉冲EDFA功率数学模型；所述数学模型为P＝kL+b，其中P表示脉冲EDFA功率，L表示光纤长度，k表示直线系数，b是常量；

(2)采集实际光纤的监测信息，建立样本数据库，所述样本数据库中存储有1000个样本数据组；所述样本数据组存储有某一条光纤的监测信息，其中包括该光纤的长度数据、传感信号、实际振动位置信息；

(3)读取每个样本数据组中的数据信息，然后采用数字平均、滑动平均依次对原始信号进行处理以减小随机噪声的影响，并对降噪信号进行间隔相减归一化处理，其具体步骤如下：

首先，将N组后向瑞利散射原始数据，记为：r＝{r₁,r₂,r₃,Λr_i,Λr_N}，其中r_i表示第i组后向瑞利散射曲线，每组原始数据都对应一个光脉冲。假设数字平均次数为K并且K<N，则可将N组原始数据重新划分为

组，每组新信号由K组原始信号的数字平均得到，记为：

接着将数字平均后的数据记为：R＝{R₁,R₂,R₃,Λ,R_i,ΛR_M}，与N组原始的数据相比，新信号的噪声功率减少为平均前的1/K，改善功能的信噪比为：

SNR＝10log₁₀K；

然后将经过数字平均的M组数据做滑动平均，由此获得的信号表示为：

其中T表示滑动窗口大小；

再将经过滑动平均处理后得到S＝{S₁,S₂,S₃,Λ,S_i,ΔS_L}，其中L＝M-T+1；

接着采用间隔相减来提取扰动信号，

其中t为常数，由此提取出的扰动信号可表示为

ΔS＝{ΔS₁,ΔS₂,ΔS₃,Λ,ΔS_i,ΛΔS_J},其中J＝L-t+1

并且在一次完整的处理中，间隔t保持不变；

(4)逐帧读取每个样本数据组中的传感信号，采用步骤(3)所述的去噪数学模型对传感信号进行去噪，得到传感信号特征信息；

根据传感信号特征信息提取能量值、能量比，然后随机选定能量值的门限值、能量比的阈值、测量次数的门限值、振动次数的门限值，判断得到振动点对应的振动信号，根据该振动信号得到振动点位置的预测信息；

将振动点位置的预测信息与实际振动位置信息进行比对，如果不一致，再重新选定能量值的门限值、能量比的阈值、测量次数的门限值、振动次数的门限值，判断得到新振动点位置的预测信息，再将振动点位置的预测信息与实际振动位置信息重新比对；如果一致，将该传感信号特征以及其对应的能量值、能量比、能量值的门限值、能量比的阈值、测量次数的门限值、振动次数的门限值一起存储至该样本数据组中，同时进行振动信号的频率提取；根据每个样本数据组中的数据信息，分析传感信号特征分别与能量值的门限值、能量比的阈值、测量次数的门限值、振动次数的门限值、频率之间的数学关系，并建立能量值的门限值数学模型、能量比的阈值数学模型、测量次数的门限值数学模型、振动次数的门限值数学模型、频率值模型；

所述能量值是10个点幅值的叠加，其计算公式为：

其中N为自然数，E_i为每帧信号的能量值；

所述能量比是按照如下公式计算得到的：E_r＝E_N/E_N-1或E_r＝E_N-1/E_N，其中E_N表示第N帧信号的能量值，E_N-1表示第N-1帧信号的能量值；

当能量值大于能量值的门限值并且能量比大于能量比的阈值时，判定该帧信号为振动信号，振动次数增加一次，测量次数增加一次，反之能量值和能量比不同时大于能量值的门限值和能量比的阈值时，判定该帧信号不为振动信号，振动次数不增加，测量次数增加一次；所述测量次数是一次振动信号判断所需分析的信号的帧数，当测量次数大于测量次数的门限值时，判定该振动点的振动信号采集完成，反之判定该振动点的振动信号采集位完成，继续采集下一帧传感信号进行去噪处理、能量值和能量比的判定；所述振动次数是判断是否对获取到的振动信号做进一步分析的一个阈值，当测量次数大于测量次数的门限值且振动次数大于振动次数的门限值时，对采集到的振动信号进行进行频率提取，反之则不用进行振动信号的频率提取，当振动次数小于门限值，丢弃本次测量数据；

(5)采集待测光纤的长度信息，按照脉冲EDFA功率数学模型进行调整脉冲EDFA功率，接着采集一帧传感信号，按照去噪数学模型进行去噪，得到待测传感信号的特征信息，然后根据待测传感信号的特征信息提取能量值、能量比，按照能量值的门限值数学模型、能量比的阈值数学模型、测量次数的门限值数学模型、振动次数的门限值数学模型选定对应的门限值，判断得到振动点对应的振动信号，根据该振动信号得到振动点位置的预测信息，如果测量次数大于测量次数的门限值且振动次数大于振动次数的门限值时，进一步对该振动点进行频率提取；

所述振动信号的频率提取，其包括以下步骤：

S1：对待测振动信号进行改进经验模态分解，具体是先对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：

和

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

接着分别对x_p ⁺(t)和x_p ^-(t)进行MEEMD分解，得到第一组IMF分量序列集合，即I_1p ⁺(t)和I_1p ^-(t)，将两者进行累加、平均、求和计算后，得到第一组IMF分量r₁(t)：

S2：对每个固有模态分量进行Hilbert变换，可以得到：

其中Re代表实部，a_i(t)代表信号，n代表信号的个数，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，幅度信息也可代表频率-时间平面的等高线，频率分布被称作Hilbert时频谱H(w,t)，将幅度的平方，可以得到Hilbert能量谱，Hilbert谱为：

S3：对时频谱H(w，t)在时间轴进行积分得到Hilbert边界谱：

其中T是采样周期，H(w，t)是振动信号时频谱，h(w)表达了不同频率在整体上的幅度贡献，在统计上，是全部信号序列的累加幅度；在概率上，是在整个时间轴上的幅值积累；

接着将将幅值进行平方，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；

S4：通过分析边际谱获取该振动点的频率，具体是设置一个幅值门限，当边际谱中的幅值大于该幅值门限时，对应的频率即作为该点的频率值，如果该点的频率值满足频率值模型，则根据采集卡的采样速率、光速等参数得到振动位置，例如假设采集卡采样速率100M，即1秒有100M个采样点数，进而推算出每个采样间隔10ns，根据光速推算出光在光纤中10ns大概走1m，计算得到：(3×10×10－9×109)2/1.4685＝1.0214，即100M采集卡对应采样间隔为1.0214m，若振动点位置为K，则对应的振动位置为L＝K×1.0214；当频率不满足频率值模型时，丢弃本次测量数据。

按照实施例所述方法，对实际光纤振动进行振动监测，具体结果见表1

表1分布式光纤振动监测系统监测结果

有上述监测结果可见，本发明方法监测定位的振动位置误差在0.4％以下，监测范围可以达到20000m。

此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (5)

1.一种强干扰DVS的高精度解调算法，其特征在于：包括以下步骤：

(1)选取不同长度的光纤作为样本，样本个数至少为1000个，测量每个样本的脉冲EDFA功率，根据每个样本的光纤长度数值和脉冲EDFA功率，分析得到光纤长度与脉冲EDFA功率的线性关系曲线，建立关于光纤长度和脉冲EDFA功率这两个量的脉冲EDFA功率数学模型；

(2)采集实际光纤的监测信息，建立样本数据库，所述样本数据库中存储有至少1000个样本数据组；所述样本数据组存储有某一条光纤的监测信息，其中包括该光纤的长度数据、传感信号、实际振动位置信息；

(3)读取每个样本数据组中的数据信息，然后采用平均次数、滑动窗口、相减间隔三者相结合的处理方法对传感信号进行去噪；

(4)逐帧读取每个样本数据组中的传感信号，采用步骤(3)所述的去噪数学模型对传感信号进行去噪，得到传感信号特征信息；

根据传感信号特征信息提取能量值、能量比，然后随机选定能量值的门限值、能量比的阈值、测量次数的门限值、振动次数的门限值，判断得到振动点对应的振动信号，根据该振动信号得到振动点位置的预测信息；

将振动点位置的预测信息与实际振动位置信息进行比对，如果不一致，再重新选定能量值的门限值、能量比的阈值、测量次数的门限值、振动次数的门限值，判断得到新振动点位置的预测信息，再将振动点位置的预测信息与实际振动位置信息重新比对；如果一致，将该传感信号特征以及其对应的能量值、能量比、能量值的门限值、能量比的阈值、测量次数的门限值、振动次数的门限值一起存储至该样本数据组中，同时进行振动信号的频率提取；根据每个样本数据组中的数据信息，分析传感信号特征分别与能量值的门限值、能量比的阈值、测量次数的门限值、振动次数的门限值、频率之间的数学关系，并建立能量值的门限值数学模型、能量比的阈值数学模型、测量次数的门限值数学模型、振动次数的门限值数学模型、频率值模型；

所述能量值是若干个点幅值的叠加，其计算公式为：

其中N为自然数，E_i为每帧信号的能量值；

所述能量比是按照如下公式计算得到的：E_r＝E_N/E_N-1或E_r＝E_N-1/E_N，其中E_N表示第N帧信号的能量值，E_N-1表示第N-1帧信号的能量值；

当能量值大于能量值的门限值并且能量比大于能量比的阈值时，判定该帧信号为振动信号，振动次数增加一次，测量次数增加一次，反之能量值和能量比不同时大于能量值的门限值和能量比的阈值时，判定该帧信号不为振动信号，振动次数不增加，测量次数增加一次；所述测量次数是一次振动信号判断所需分析的信号的帧数，当测量次数大于测量次数的门限值时，判定该振动点的振动信号采集完成，反之判定该振动点的振动信号采集位完成，继续采集下一帧传感信号进行去噪处理、能量值和能量比的判定；所述振动次数是判断是否对获取到的振动信号做进一步分析的一个阈值，当测量次数大于测量次数的门限值且振动次数大于振动次数的门限值时，对采集到的振动信号进行进行频率提取，当振动次数小于门限值，丢弃本次测量数据；

(5)采集待测光纤的长度信息，按照脉冲EDFA功率数学模型进行调整脉冲EDFA功率，接着采集一帧传感信号，按照去噪数学模型进行去噪，得到待测传感信号的特征信息，然后根据待测传感信号的特征信息提取能量值、能量比，按照能量值的门限值数学模型、能量比的阈值数学模型、测量次数的门限值数学模型、振动次数的门限值数学模型选定对应的门限值，判断得到振动点对应的振动信号，根据该振动信号得到振动点位置的预测信息，如果测量次数大于测量次数的门限值且振动次数大于振动次数的门限值时，进一步对该振动点进行频率提取，当得到的频率满足频率值模型时，根据采集卡的采样速率、光速等参数得到振动位置，当频率不满足频率值模型时，丢弃本次测量数据。

2.根据权利要求1所述的强干扰DVS的高精度解调算法，其特征在于：步骤(1)中所述数学模型为P＝kL+b，其中P表示脉冲EDFA功率，L表示光纤长度，k表示直线系数，b是常量。

3.根据权利要求1所述的强干扰DVS的高精度解调算法，其特征在于：步骤(2)中采用平均次数、滑动窗口、相减间隔三者相结合的处理方法对传感信号进行去噪，是采用数字平均、滑动平均依次对原始信号进行处理以减小随机噪声的影响，并对降噪信号进行间隔相减归一化处理，其具体步骤如下：

首先，将N组后向瑞利散射原始数据，记为：r＝{r₁,r₂,r₃,Λr_i,Λr_N}，其中r_i表示第i组后向瑞利散射曲线，每组原始数据都对应一个光脉冲。假设数字平均次数为K并且K<N，则可将N组原始数据重新划分为

组，每组新信号由K组原始信号的数字平均得到，记为：

接着将数字平均后的数据记为：R＝{R₁,R₂,R₃,Λ,R_i,ΛR_M}，与N组原始的数据相比，新信号的噪声功率减少为平均前的1/K，改善功能的信噪比为：

SNR＝10log₁₀K；

然后将经过数字平均的M组数据做滑动平均，由此获得的信号表示为：

其中T表示滑动窗口大小；

再将经过滑动平均处理后得到S＝{S₁,S₂,S₃,Λ,S_i,ΔS_L}，其中L＝M-T+1；

接着采用间隔相减来提取扰动信号，

其中t为常数，由此提取出的扰动信号可表示为

ΔS＝{ΔS₁,ΔS₂,ΔS₃,Λ,ΔS_i,ΛΔS_J},其中J＝L-t+1

并且在一次完整的处理中，间隔t保持不变。

4.根据权利要求1所述的强干扰DVS的高精度解调算法，其特征在于：步骤(5)中所述振动信号的频率提取，其包括以下步骤：

S1：对待测振动信号进行改进经验模态分解，具体是先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：

和

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

接着分别对x_p ⁺(t)和x_p ^-(t)进行MEEMD分解，得到第一组IMF分量序列集合，即I_1p ⁺(t)和I_1p ^-(t)，将两者进行累加、平均、求和计算后，得到第一组IMF分量r₁(t)：

S2：对每个固有模态分量进行Hilbert变换，可以得到：

其中Re代表实部，a_i(t)代表信号，n代表信号的个数，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，幅度信息也可代表频率-时间平面的等高线，频率分布被称作Hilbert时频谱H(w,t)，将幅度的平方，可以得到Hilbert能量谱，Hilbert谱为：

S3：对时频谱H(w，t)在时间轴进行积分得到Hilbert边界谱：

其中T是采样周期，H(w，t)是振动信号时频谱，h(w)表达了不同频率在整体上的幅度贡献，在统计上，是全部信号序列的累加幅度；在概率上，是在整个时间轴上的幅值积累；

接着将将幅值进行平方，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；

S4：通过分析边际谱获取该振动点的频率，具体是设置一个幅值门限，当边际谱中的幅值大于该幅值门限时，对应的频率即作为该点的频率值，如果该点的频率值满足频率值模型，则根据采集卡的采样速率、光速等参数得到振动位置。

5.根据权利要求1所述的强干扰DVS的高精度解调算法，其特征在于：步骤(4)中所述能量值是10个点幅值的叠加。

Images