本发明涉及光纤传感技术领域,具体是一种分布式光缆振动安全预警系统中的扰动事件识别方法。
背景技术:
随着社会的发展、光通信技术的进步,通信光缆已经成为现代社会最重要的基础设施之一,每年由于第三方施工破坏造成的主干通信光缆中断多大数百起,造成难以挽回的经济损失,针对通信光缆的保护逐渐受到重视。然而在通信光缆途径的地理环境大部分都在城市道路两侧,受到通信运维放缆、大型车辆碾压、各种工程活动等因素的影响,形成多发振动源。目前基于相干瑞利散射的分布式光缆预警系统已经具备了超长的实时监测预警能力,以及超高的定位精度,如何识别复杂地表环境下多发振动源成为分布式光缆安全预警系统的迫切需求。其难点在于:1、具有对复杂地表环境下的事件模式的智能识别能力;2、具有针对应对外界环境变化而造成的新类型事件的增量学习能力。
分布式通信光缆安全预警系统基于相干瑞利散射原理,其传感原理如图1所示,通过测量沿通信光缆沿线扰动造成的散射光信号的相位变化对扰动位置进行定位。脉冲光在光纤中传播产生散射,若没有扰动事件作用在传感光纤环上,则输出的脉冲光和散射光没有相位差,不会发生干涉现象。若有一个扰动事件作用在传感光纤上某点时,散射光的相位在该点处发生变化产生干涉现象,光电探测器接收到散射光的干涉信号能反映散射光的相位差,并得到扰动点的精确位置信息和扰动信息。
现有同类分布式光纤振动传感系统,都是基于确定性模型,即振动信号模型。常采用位置、能量、频谱、lc、峭度等特征,对某些先验已知的串发振动检测与识别取得了一定的效果。但对于复杂地表环境下的长距离预警系统,先验信息经常不可能获得,振动几乎总是并行发生的。采用单一特征模型很难准确检测振源和识别振源。只能应用于指定的环境下,对指定的扰动事件分类区分,无法再进行增量学习以应对环境的变化与新类型扰动事件的出现,缺乏通用性。现有的分布式光纤振动传感系统中的扰动事件识别方法也有采用支持向量机的分类器,采用支持向量机的分类器更加依赖训练样本数据的准确程度,当某个样本误差较大,会对整体训练效果产生很大影响,进一步影响分类准确性。
技术实现要素:
本发明的目的在于提供一种分布式光缆振动安全预警系统中的扰动事件识别方法,在环境噪音干扰和机械施工等破坏事件信号特性比较相近的情况下能够准确得出扰动事件类型,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
一种分布式光缆振动安全预警系统中的扰动事件识别方法,包括以下步骤:
s1,使用最小二乘法拟合原始信号基线,通过对原始信号与拟合的基线曲线做差的方式,去除信号中直流分量和趋势项分量,提取有效振动分量,对去除趋势项后的原始信号进行数字滤波和差分预处理,差分的幅值超过设定阈值时,判断存在扰动事件,然后对原始信号进行小波降噪处理;
s2,对小波降噪处理后的一路采样信号提取特征值,特征值包括峰值、峰峰值、过零率、方根幅值、脉冲指标、波形指标、峭度、峰值指标、频谱重心、总能量、过零率、过直流率、信号长度、信号能量、峭度和低频能量、中高频能量、频域波形指标、频域谱熵、频域峰值指标;
s3,将提取的20个特征值送入梯度提升树分类器,利用梯度提升树分类器得出扰动事件类别。
作为本发明进一步的方案:峰值指标:
波形指标:
x为原始信号,xi为原始信号的第i个数据,xmax原始信号数值最大值,xmin为原始信号数值最小值,
作为本发明进一步的方案:频域峰值指标:
频域谱熵:
频域波形指标:
式中y为原始信号经过傅里叶变化后的频谱,ymax为频谱最大值,yi为原始信号的第i个频谱幅值。
作为本发明进一步的方案:梯度提升树分类器根据特征值的个数设置训练样本空间大小,每类扰动事件训练样本的大小至少为特征值个数的20倍。
作为本发明进一步的方案:根据瑞利散射原理对传感光缆中入侵事件进行定位的方法为根据如下公式计算扰动点距离光缆起点的位置l:
l=δt*c/2n
c为真空中光速δt为发出脉冲到收到瑞利曲线发生变化的时间,n为光纤纤芯折射率。
作为本发明进一步的方案:分类器采用gbdt算法。
作为本发明进一步的方案:若扰动事件类别为车辆通行,则不报警,将提取的特征值直接存入特征数据库存储;若扰动事件类别为人为施工或机械施工事件则进行报警,将提取的特征值存入特征数据库。
在出现新的扰动事件类别或者在梯度提升树分类器得出的扰动事件类别出现错误的情况下,通过现场核实并对数据库中存储的扰动事件标签进行更改,来实现人机交互增量学习,根据修改后的扰动事件类别对梯度提升树分类器进行在线训练。
与现有技术相比,本发明的有益效果是:
1、本发明结合时频域分析与统计分析手段,利用降噪处理后采样信号的峰值、峰峰值、过零率、方根幅值、脉冲指标、波形指标、峭度、峰值指标、频谱重心、总能量、过零率、过直流率、信号长度、信号能量、峭度和低频能量、中高频能量、频域波形指标、频域谱熵、频域峰值指标作为特征向量,能够有效针对大型车辆通行信号和机械施工扰动信号特性进行分类,提高了机械施工模式识别的准确性;
2、与现有的其他分类方法相比较,本发明通过梯度提升决策树分类器的设计,能够有效对特征分量分析比较复杂,需要多个特征值的组合才能够分辨的扰动事件进行模式识别。梯度提升决策树分类器分类速度快,计算量小,容易转化为分类规则;分类准确性高,从决策树分类器中挖掘出的规则准确性高且便于理解;
3、通过梯度提升决策树分类器的设计,使得分类器模型具有人机交互的增量学习功能,不但能在系统的使用过程中,修正现有的特征分类系统,不断提高对已有扰动模式识别的准确性,而且能够应对环境的变化或新扰动事件的出现,提高系统的通用性。
附图说明
图1为本发明基于相干瑞利散射型分布式振动传感原理图。
图2为本发明扰动定位与模式识别算法流程图。
图3为本发明决策树分类器算法效果图。
具体实施方式
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,所描述的实施例仅仅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1
如图1所示,本发明的分布式光纤管线安全预警系统,包括超窄线宽光源、声光调制器、环形器、传感光纤、光电探测器、高速采集卡、计算机。
光电探测器输出的信号送入高速采集卡进行采样获得采样信号并计算出信号特征,利用计算机进行扰动事件模式识别,在计算机中进行扰动事件识别方法如图2所示,具体包括如下步骤:
s1、使用最小二乘法拟合原始信号基线,通过对原始信号与拟合的基线曲线做差的方式,去除信号中直流分量和趋势项分量,提取有效振动分量。对去除趋势项后的原始信号进行数字滤波和差分预处理,差分的幅值超过设定阈值时,判断存在扰动事件,然后对原始信号进行小波降噪处理。
s2、对小波降噪处理后的一路采样信号提取特征值,特征值包括峰值、峰峰值、过零率、方根幅值、脉冲指标、波形指标、峭度、峰值指标、频谱重心、总能量、过零率、过直流率、信号长度、信号能量、峭度和低频能量、中高频能量、频域波形指标、频域谱熵、频域峰值指标。
峰值指标:
波形指标:
x为原始信号,xi为原始信号的第i个数据,xmax原始信号数值最大值,xmin为原始信号数值最小值,
频域峰值指标:
频域谱熵:
频域波形指标:
式中y为原始信号经过傅里叶变化后的频谱,ymax为频谱最大值,yi为原始信号的第i个频谱幅值。
s3、将步骤s2得到的特征值送入梯度提升决策树分类器,得出扰动事件类别。
梯度提升决策树分类器采用自顶向下的递归方式,根据特征值对扰动事件进行分类,分类过程中在决策树的内部结点进行特征值的比较,并根据不同特征值判断从该内部结点向下的分支,直到达到某个叶节点,从而找到该扰动事件所属的类别。决策树的每个内部结点代表对某一特征值的一次测试,每条边代表一个测试过程,每个叶结点代表某个类别的分布。
如果扰动事件类别为环境背景噪声,则系统不报警,只将信号的特征值直接送入数据库存储。
如果扰动事件类别为入侵事件,则进行报警,根据瑞利散射原理对传感光缆中入侵事件进行定位的方法为根据如下公式计算扰动点距离光缆起点的位置l:
l=δt*c/2n
c为真空中光速δt为发出脉冲到收到瑞利曲线发生变化的时间,n为光纤纤芯折射率。
如果扰动事件类别并非为已知入侵事件类别之一,在对入侵事件定位报警的同时,将原始信号以及经过处理后的特征向量直接送入数据库,在领域专家或值守人员对其进行已存储在数据库中的新类别扰动事件标记后,再重新进行决策树分类器的设计,实现人机交互增量学习。
在本发明分类器的增量学习环节,主要包括对旧有类别新样本的增量学习与对属于新类别的新样本的增量学习两个过程。由于样本的采集是个不断积累、丰富和完善的过程。为了得到较高的分类精度,当有新样本加入时,将新增样本与旧样本合起来重新进行训练。对于决策树分类器来说,由于其构造算法是在掌握全局信息的基础上进行的,而当新增加一类之后,每类之间的关系可能都发生了变化,旧有的树结构对于新的全局信息来说可能已并非最优解,在此情况下以增量学习的方式对决策树分类器重新设计以达到最优解。
决策树分类器根据特征值的个数设置训练样本空间大小,为保证分类器设计效果,一般每类扰动事件训练样本的大小至少为特征值的个数的20倍。
本系统利用已知的初始特征数据库对现场扰动事件进行分类,在实施过程中根据现场标定反馈的环境信息,和核实的报警信息。由现场值守人员或领域专家对初始特征数据库进行重新标记和修改。逐步提升报警准确率。
实施例2
在实例中,数据采集自湖北武汉移动公司常青至新洲段通信光缆,测试光缆长45公里,其中部分通信光缆铺设地下管道中,部分光缆架空。本系统采样频率为100m,采样个数n为6400*2048。
根据使用需求将扰动事件分为触缆、车辆通行干扰、机械施工三种类型,系统运行过程中,发现环境噪声主要来自于与光缆并行公路大型车辆行驶,由于大型车辆行驶对沿线光缆产生扰动触发报警。工作人员结合大型车辆行驶扰动信号波形与扰动位置等信息,对近三个月的采自测试光缆的扰动信号数据进行分析,并在系统数据库中对扰动事件进行类别标记。由于系统利用20个特征值对扰动信号进行分类,为保证分类器设计效果,每种扰动事件类别训练样本数设置为2000,进行决策树分类器训练,已标定类别训练样本特征值如表1所示:
表1已标定类别训练样本特征值
特征1、特征2至特征20依次为振动片段峰值、峰峰值、过零率、方根幅值、脉冲指标、波形指标、峭度、峰值指标、频谱重心、总能量、过零率、过直流率、信号长度、信号能量、峭度和低频能量、中高频能量、频域谱熵、频域波形指标、频域峰值指标。
利用已标定类别训练样本可获得如图3所示的决策树分类器,如图3所示,参与分类特征选择为特征1、特征2、特征4、特征5、特征8、特征10、特征17、特征18、特征20,分别对应信号峰值、峰峰值、方根幅值、脉冲指标、峭度、频谱重心、频域谱熵、频域波形指标以及频域峰值指标。
为验证系统扰动模式识别功能的有效性,分别挑选三类扰动触发事件的信号,并计算分类特征值送入图3所示的决策树分类器中,决策树分类器的各个结点对信号的特征值进行判定,根据不同特征值判断从该内部结点向下的分支,直到达到某个叶节点,从而找到该扰动事件所属的类别,梯度提升决策树分类器输出结果分别为“触缆”、“车辆通行”、“机械施工”,证明了系统扰动事件模式识别方法的有效性。其中,三类扰动触发事件的分类特征值如表2所示:
表2三类扰动触发事件分类特征值
最后利用训练完毕的梯度提升决策树分类器对近几个月采自测试光缆的扰动信号进行分类验证,并进行现场实时事件识别测试,最终系统运行中机械施工模式识别率为90%以上,达到预期设计效果,满足实际的应用需求。从而也证明了本发明所提出的分布式光纤振动预警系统中的事件识别方法的可靠性与有效性。
本发明未详细说明部分属本领域技术人员公知常识。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
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。