一种用于分布式光纤振动传感系统的信号特征提取方法与流程

本发明属于分布式光纤传感领域，涉及振动信号模式识别中的一种新的特征提取方法，具体是指一种用于分布式光纤振动传感系统的基于改进总体经验模态分解meemd的振动信号特征提取方法。

背景技术：

振动是现实生活中一种常见的现象，在工程应用和科学研究中，特别是在基础设施安全监测方面具有广泛应用。传统的振动检测手段主要是基于压电、电容和电感等电子检测技术，易遭受电磁辐射等外界环境干扰，使用寿命短且维护费用高，不符合现代工程测量的实际需要。随着传感器技术的不断进步，以光纤传感技术为基础的新型传感器正逐步取代传统传感器，在现代人工智能测量领域扮演越来越重要的角色。

分布式光纤振动传感系统可以实现长距离振动信号的传感与传输，通过检测传感光纤各部分后向瑞利散射干涉光的光强变化及相位变化，实现对外部侵扰活动的定位以及频率的解调，具有测量精度高、测量范围广、性能安全等优点，可以长期工作在恶劣的环境中，在周界安防、石油管道和轨道交通安全监测等领域具有广泛的应用。

随着应用需求的不断细化，仅仅对振动入侵信号进行检测和定位已经无法满足实际需求，因此，如何对振动信号特征进行精准、快速地提取成为分布式光纤振动传感系统的关键问题。初期的特征提取方法主要有过零率检测、信号持续时间检测等方法，由于各种振动信号的频率以及持续时间有相互重叠的部分，信号的特征差异并不明显，导致信号识别的准确率不高；此外，还有比较常用的短时能量法、短时傅里叶法等，将振动信号分成不同的小段，从而进行细化分析，获得振动信号的时频、能量特征信息，但是其计算量较大，实时性不好，且不适于非平稳随机振动信号的特征提取。随着研究的不断深入，目前振动信号特征提取的方法更加智能化与多样化，其中，经验模态分解(emd)是比较常用的一种方法，通过对原始信号的分解，将振动信号分解成不同的固有模态(imf)分量，进而得出振动信号的不同特征分量。国内发明专利(cn103617684a)公开了一种基于emd的周界振动入侵识别算法，通过emd方法分解获得的imf分量与过零率方法相结合，对振动信息进行提取。但其在分解过程中存在模态混叠等问题，导致获得的imf分量存在误差，降低了振动信息模式识别的准确率。

技术实现要素：

为克服上述现有技术的不足，本发明提供了一种用于分布式光纤振动信号特征提取方法，能够更加快速与准确地提取振动信号的瞬时频率以及瞬时能量，解决了emd方法中的模式混叠问题和伪分量问题，简化运算过程，减少运算时间，对于提高分布式光纤振动传感系统实时性和模式识别的准确性有重要意义。

本发明所采用的技术方案是：分布式光纤振动信号特征提取方法的流程图如图1所示，其特点是：改进总体经验模态分解(meemd)处理过程为从数据采集卡中读取原始数据；原始数据进行预处理，即振动信号定位以及相位解调；对解调后的数据引入白噪声，即加入均值为零的两组白噪声，并对引入白噪声的两组数据分别进行emd分解，对两组数据的第一个imf分量进行求和、累加、平均运算，将结果作为第一个imf分量值；对第一个imf分量进行排列熵计算，即通过互信息法确定的嵌入维度和伪近邻法确定的延迟时间，将时间序列所对应的数字序列进行延时空间重构，将每一个经过延时重构的向量，按照数值由小到大进行重新排列，最终获得排列熵值；将熵值与设定的阈值进行比较，若高于设定的阈值，重复上述步骤直到低于阈值；原始数据去除第一个imf分量，将剩余数据进行emd分解，获得振动信号剩余的imf分量；对imf分量进行hilbert变换，得到hilbert谱，对hilbert谱进行时间积分，得到hilbert边际谱，hilbert谱的平方累加求和运算得到能量图，上述向量值作为振动信号模式识别的特征向量。

一种用于分布式光纤振动传感系统的信号特征提取方法，涉及了一种meemd改进总体经验模态方法：

(1)在解调后持续时间为t的非平稳随机时间序列x(t)引入均值为零的白噪声信号np(t)和-np(t)，得到两组信号：

其中，ap表示第p次引入噪声信号的幅值，p＝1,2,...,nnoise，nnoise表示引入噪声的总次数；

(2)对和分别进行emd分解，得到第一组imf分量序列集合和将两组信号进行累加、平均、求和计算后，得到第一组imf分量r1(t)；

(3)根据延迟时间和嵌入维数对r1(t)进行延时空间重构，得到如下序列：

式中，t＝1,2,..,k,...,n,n为数字序列总长度，τ为序列延迟长度，m为空间重构维数。

(4)将r(k)的m个向量r1(k)＝{r1(k),r1(k+τ),...,r1(k+(m-1)τ)}按照数值由小到大进行重新排列，得到一组新的序列s(g)＝{j1,j2,...,jm}，其中，j1,j2,...,jm表示重构向量中各个元素所在列的索引号，g＝1,2,...,k,k≤m！，若存在s(k+(jp-1)τ)＝s(k+(jq-1)τ)时，则按j值得大小进行排列。m个不同的符号[j1,j2,...,jm]共有m！种不同的符号组合；

(5)计算每一种符号序列出现的概率p1,p2,...,pk；

(6)计算r(k)的排列熵值：

hp的大小表示序列的随即程度的大小，hp越大说明时间序列的随机性越强。

(7)将求得的排列熵值与设定的阈值相比较，若超出阈值，则将imf值作为原始信号，重复执行(1)-(6)，直到所求排列熵小于阈值，此时为第一个imf1信号；

(8)原始信号去除第一个imf1分量后，将剩余数据进行emd分解，最终得到振动信号的各个imf分量。

一种用于分布式光纤振动传感系统的信号特征提取方法，涉及了排列熵延迟时间τ的确定，具体是指一种互信息计算方法：将第一个imf分量r1(t)作为原始数据序列记为r，q作为r1(t)的时间延迟t数据序列r1(t+t)，两者互信息计算公式是

式中，psq(si,qj)为当s＝si,q＝qj时，重构图中的联合分布概率，ps(si)，pq(qj)为边缘分布的概率，延迟时间是当互信息函数第一次达到极小值点时对应的时间。

一种用于分布式光纤振动传感系统的信号特征提取方法，涉及了排列熵嵌入维数m的确定，具体是指一种伪近邻法：对r1(t)的时间序列计算虚假最近邻点的比例，然后逐渐增加m，直到伪近邻点不再随着m的增加而减少时，此时所对应的m为最小嵌入维数。

与现有技术相比，本发明的有益效果是：

(1)首次提出meemd方法用于分布式光纤振动传感器特征提取；

(2)针对后向瑞利散射光非平稳特点，解决了模态混淆和伪分量的问题，提高特征提取精度，从而提高模式识别准确率；

(3)通过优化白噪声的叠加引入次数，简化算法计算流程，减少了运算量，提高了运算时间，对系统实时性具有重要意义。

附图说明

图1meemd算法流程图。

图2解调后的原始信号图。

图3emd分解流程图。

图4emd算法分解imf分量图。

图5meemd算法分解imf分量图。

图6hilbert谱图。

图7hilbert边际谱图。

图8能量图。

具体实施方式

一种用于分布式光纤振动传感系统的信号特征提取方法的具体实现方式主要分为振动信号采集、信号分解以及hilbert分析。

采用分布式光纤振动传感系统进行振动测试，传感光纤长度约为7.6km，由长度分别为5km和2.5km的两盘裸纤，以及熔接于两盘裸纤间的100m铠装振动敏感光缆组成，将两盘裸纤放置于泡沫隔音箱中，铠装振动敏感光缆分布式布放于地面和金属网上。系统的光脉冲重复频率为10khz，脉冲宽度60ns。以连续踩踏作为振动事件为例，对施加于铠装振动敏感光缆的振动信号进行连续采集，解调后的原始信号图如图2所示。

对解调后的原始信号进行emd分解，分解流程图如图3所示，其具体步骤是：找出待测非平稳信号的所有局部极大值和局部极小值；采用三次样条函数对极值点进行拟合，将局部最大值串联成上包络线，局部最小值串联成下包络线；求取上包络线和下包络线的均值；原始信号与均值包络线相减，若满足imf成立条件，则作为imf分量；若不满足条件，则将差值作为原始时间序列，重复执行上述步骤；每次将剩余量重复执行，直到最后一剩余量成为单调函数，无法进行分解时，结束分解过程，最终获得振动信号的imf分量，如图4所示。

对解调后的原始信号进行meemd分解，在原始信号中添加两组白噪声，白噪声的幅值一般选取原始信号标准差(sd)的0.2至0.3倍，也可根据原始信号的特点适当调整；然后进行emd分解，通过对两组信号累加平均后，获得imf分量，对获得的分量进行排列熵计算，通过实验确定嵌入维数m＝6时，最能反映振动信号的细微变化，延迟时间对时间序列的计算影响较小，通过实验选取延迟时间为1；通过排列熵值控制添加白噪声的次数，设定阈值为0.7，当达到阈值后，对剩余信号进行emd分解，得到imf分量，最终将振动信号分解为5层，如图5所示，可以看出模态混叠问题和伪分量问题得到明显抑制，算法整体步骤得到优化，提升了运算速度。

emd的分解结果与meemd的分解结果相比，可以看出经过meemd分解的各imf分量，分解结果中伪分量几乎不存在，消除了模态混叠问题，且具有较高的处理效率，对提高振动信号特征提取精度以及数据处理效率都有重要意义，适用于实时在线监测的分布式光纤扰动信号的特征提取。

将获得的imf分量进行hilbert分析，分别计算hilbert谱、边际谱以及能量图，作为振动信号的特征向量。计算方法如下：

(1)hilbert谱：将获得的每一个imf分量进行hilbert变换，获得每个imf分量的幅值和相位信息，x(t)表示随机事件序列，y(t)表示求得的对应解析信号，

构造解析函数z(t)

z(t)＝x(t)+jy(t)＝a(t)e^jφ(t)(2)

其中相位函数

而相位函数的导数即为瞬时频率

采用三维图形的方式表达时间、频率和幅值之间的关系，在matlab中，通过hilbert函数得到imf分量的振幅和频率值，通过spectrogram函数进行短时傅里叶变换得到hilbert频谱h(w,t)，通过surf函数将一维数组变成二维数组显示，如图6所示。

(2)边际谱：对hilbert谱h(w,t)进行时间积分，通过hhspectrum函数对imf分量求取振幅和频率，提取瞬时频率信息进行累加求和，得到希尔伯特边际谱h(w)，如图7所示，从统计意义上表征了整组数据每个频率点的累计幅值分布，可以看出振动信号频率集中在低频部分。

其中，t为采集时间序列的持续时间，h(w)表示t时间长度内累积的幅值。

(3)能量图：将hilbert谱进行平方累加求和，得到每一个imf分量的能量图

d表示cj(i)的点数，es为各imf分量对应的归一化能量，如图8所示，横坐标表示每一个imf分量，纵坐标表示每个imf归一化后能量。

通过上述方法，对踩踏振动信号进行特征提取，分别采用emd分解算法和meemd分解算法对同组数据进行处理，通过对比分解后imf分量，可以看出本发明的提出及实验应用，能够准确提取振动信号的频率以及能量特征，解决了emd方法中存在的模式混叠问题以及伪分量问题，简化运算过程，减少运算时间，计算消耗时间为3.301秒，相对emd方法提高3.509秒，降低信号重构误差，信号重构误差为0.0193，相对于emd方法降低80％的误差，提高特征向量准确率，本发明对分布式光纤振动传感系统模式识别准确性以及实时性有重要意义。