一种分布式光纤管线安全预警系统中的扰动事件识别方法

摘要

本发明公开了一种分布式光纤管线安全预警系统中的扰动事件识别方法，在存在扰动事件时，对两路采样信号进行小波降噪处理；对小波降噪处理后的一路采样信号提取特征值，特征值包括振动片段长度、时域能量、k阶原点距、k阶中心距、偏度、峰度和小波分解后各层低频小波系数能量Ej，j＝1至7；将提取的13个特征值送入决策树分类器，利用决策树分类器得出扰动事件类别；在出现新的扰动事件类别或者在决策树分类器得出的扰动事件类别出现错误的情况下，通过对数据库中存储的扰动事件类别进行更改，来实现人机交互增量学习，根据修改后的扰动事件类别对决策树分类器进行在线训练。本发明能够能够准确得出扰动事件类型。

说明书

技术领域

本发明涉及一种分布式光纤管线安全预警系统中的扰动事件识别方法，属于光纤传感技术领域。 

背景技术

随着社会的发展、科技的进步，针对各种社会财产和公共设施的保护逐渐受到重视，尤其对于交通线路、能源管线、通信线路这些位置固定而地理范围较广的防务目标而言，其迫切的需求是安全预警系统具有超长距离预警情况下，对扰动事件模式的智能识别能力，满足此类需求的难点在于：1.具有超长距离实时预警与扰动事件定位能力；2.具有对扰动事件模式的智能识别能力，即智能的扰动信息处理与识别；3.具有针对环境的变化和新类型扰动事件出现而进行增量学习能力。 

分布式光纤管线安全预警系统基于Sagnac干涉原理，其传感原理如图1所示，通过测量沿管线传感光缆上扰动造成的两路光信号的相位变化对扰动位置进行定位。两束光在光纤环中相遇，由于共用同一耦合器，无光程差，若没有扰动事件作用在传感光纤环上，则输出的两束光没有相位差，在耦合器输出时不会发生干涉现象。若有一个扰动事件作用在传感光纤环上某点时，两束光的相位在该点处发生变化产生干涉现象，光电探测器接收到的两路干涉信号能反映两束光的相位差，即含有扰动点的位置信息。 

现有同类分布式光纤振动传感系统，在保证对扰动事件报警、定位前提下，针对提高扰动事件类型识别的准确性，降低环境噪声和人为活动的引起的噪声造成的误报事件等需求，多采用对振动信号进行时域统计特性获得特征向量，再通过统计分析，对特征分量设置阈值的方法区分各类扰动事件。该类方法的缺点在于，针对特征分量分析比较复杂，需要多个特征值的组合才能够区分的扰动事件无法有效区分，分类准确性无法保证；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。现有的分布式光纤管线安全预警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。 

发明内容

本发明所要解决的技术问题是：提供了一种分布式光纤管线安全预警系统中的扰动事件识别方法，在各类型扰动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。 

本发明包括如下技术方案： 

一种分布式光纤管线安全预警系统中的扰动事件识别方法，包括以下步骤： 

S1，当两路采样信号的幅值超过设定值时，判断存在扰动事件，然后对两路采样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，特征值包括振动片段长度、时域能量、k阶原点距、k阶中心距、偏度、峰度和小波分解后各层低频小波系数能量E_j，j＝1至7；采用DB4小波基将小波降噪处理后的一路采样信号分解为7层，小波分解后各层低频小波系数能量E_j的计算公式如下： 

$E_j=\frac{1}{L}\underset{l=1}{\overset{L}{\Sigma }}{\left|a_j\left(l\right)\right|}^2---\left(6\right)$

式中，a_j(l)为小波分解第j层尺度上的第l个低频小波系数值，j＝1至7，L为信号小波分解第j层尺度上的低频系数长度； 

S3，将提取的13个特征值送入决策树分类器，利用决策树分类器得出扰动事件类别；若扰动事件类别为环境背景噪声，则不报警，将提取的特征值直接送入数据库存储；若扰动事件类别为入侵事件则进行报警，对小波降噪处理后的两路采样信号进行时频变换获得Pwelch功率谱，从而得到扰动定位的缺损谱，根据缺损谱中陷波点的频率值对传感光纤中入侵事件进行定位，最后将提 取的特征值送入数据库进行存储； 

在出现新的扰动事件类别或者在决策树分类器得出的扰动事件类别出现错误的情况下，通过对数据库中存储的扰动事件类别进行更改，来实现人机交互增量学习，根据修改后的扰动事件类别对决策树分类器进行在线训练。 

决策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的个数的5至10倍。 

根据缺损谱中陷波点的频率值对传感光纤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远端反射模块的位置R： 

$R=\frac{\mathrm{Kc}}{4n{f}_{s,\mathrm{null}}}---\left(10\right)$

K为所选陷波点序号，K＝1，3，5；c为光速，n为折射率，f_s,null为所选陷波点的频率值。 

决策树分类器采用ID3算法。 

本发明与现有技术相比具有如下优点： 

(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振动片段长度、时域能量、频域能量分布、k阶原点距、k阶中心距、偏度、峰度、信号小波分解各层低频分量对应的能量作为特征向量，能够有效针对扰动信号特性进行分类，提高了扰动模式识别的准确性。 

(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。决策树分类器分类速度快，计算量相对较小，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)通过决策树分类器的设计，使得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为基于Sagnac型干涉分布式振动传感原理图； 

图2为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

下面就结合附图对本发明做进一步介绍。 

如图1所示，本发明的分布式光纤管线安全预警系统，包括光源、第一耦合器、延时光纤、第二耦合器、传感光纤、远端反射模块、光电探测器和计算机。光电探测器输出的两路信号送入计算机进行采样获得两路采样信号，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、当两路采样信号的幅值超过设定值时，判断存在扰动事件，然后对两路采样信号进行小波降噪处理。基本方法为对采集到的含噪声信号进行多尺度小波变换，在各尺度下尽可能提取出信号的小波系数，同时抑制乃至去除属于噪声的小波系数，再用逆小波变换重构信号。利用小波降噪对采样信号进行处理后的，可有效降低系统内随机噪声的干扰，有效提高扰动事件定位的精度和扰动事件类型识别的准确率。 

S2、对小波降噪处理后的一路采样信号提取特征值，特征值包括振动片段长度、时域能量、k阶原点距、k阶中心距、偏度、峰度、小波分解后各层低频分量对应的能量。通过对扰动信号进行时频域特性分析和统计特性分析获得振动片段长度、时域能量、k阶原点距、k阶中心距、偏度和峰度；通过小波多尺度分解获得小波分解后各层低频小波系数能量。振动片段长度是表征扰动信号持续时间长短的特征量，可通过采样信号的幅值设置阈值来得到扰动事件的起始时间。时域能量是表征在扰动信号持续时间内信号的强度的特征量，可通过对持续时间内信号的幅值的绝对值进行求和得到。 

数据的矩分可为原点距与中心距： 

k阶原点距为： 

$v_k=\frac{1}{N}\underset{i=1}{\overset{N}{\Sigma }}{x}_i^k---\left(2\right)$

k阶中心距为： 

$u_k=\frac{1}{N}\underset{i=1}{\overset{N}{\Sigma }}{(x_i-\bar{x})}^k---\left(3\right)$

上式中，k为原点距与中心距的阶数，N为采样个数，x_i为第i个采样数据值，为采样平均值。k阶原点距、k阶中心距，可根据扰动模式分类效果，对k值进行调整。k一般取3-5。 

偏度与峰度是刻画采样数据的偏态、尾重程度的指标，与数据的矩有关。 

偏度g₁的计算公式为： 

$g_1=\frac{N}{(N-1)(N-2)s^3}\underset{i=1}{\overset{N}{\Sigma }}{(x_i-\bar{x})}^3=\frac{N^2{u}_3}{(N-1)(N-2)s^3}---\left(4\right)$

上式中，s为数据标准差，u₃为3阶中心距。偏度是刻画数据对称性的指标，均值对称的数据其偏度为0，右侧更分散的数据偏度为正，左侧更分散的数据偏度为负。 

峰度g₂的计算公式为： 

$g_2=\frac{N(N+1)}{(N-1)(N-2)(N-3)s^4}\underset{i=1}{\overset{N}{\Sigma }}{(x_i-\bar{x})}^4-3\frac{{(N-1)}^2}{(N-2)(N-3)}---\left(5\right)$

当数据的总体分布为正态分布时，峰度近似为0；当分布较正态分布的尾部更分散时，峰度为正，否则峰度为负。当峰度为正时。两侧极端数据较多，当峰度为负时，两侧极端数据较少。 

本发明采用DB4小波基将小波降噪处理后的一路采样信号分解为7层，将信号各层低频小波系数能量E_j作为信号特征值，公式如下： 

$E_j=\frac{1}{L}\underset{l=1}{\overset{L}{\Sigma }}{\left|a_j\left(l\right)\right|}^2---\left(6\right)$

式中，a_j(l)为信号小波分解第j层尺度上的第l个低频小波系数值，j＝1至7，L为信号小波分解第j层尺度上的低频系数长度。经过实地测试，发现利用 DB4小波基将信号进行7层小波分解后提取特征值，扰动模式分类效果最好。 

S3、将步骤S2得到的特征值送入决策树分类器，得出扰动事件类别。 

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，对小波降噪处理后的两路采样信号进行时频变换获得Pwelch功率谱，从而得到扰动定位的缺损谱，根据缺损谱中陷波点的频率值对传感光纤中入侵事件进行定位，最后将提取的特征值送入数据库进行存储。根据缺损谱中陷波点的频率值对传感光纤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远端反射模块的位置R： 

$R=\frac{\mathrm{Kc}}{4n{f}_{s,\mathrm{null}}}---\left(10\right)$

上式中，K为所选陷波点序号，K＝1，3，5；c为光速，n为折射率，f_s,null为所选陷波点的频率值。 

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5至10倍。 

本系统结合数据库对扰动事件进行类别标记，由此得到具有时间先后顺序的扰动事件记录，系统根据不同领域、不同等级的报警需求给出安全报警信息，从而得到关于应用环境更准确的认知；在利用已知的信号特征和环境信息进行分类的同时，又可根据领域专家或值守人员对安全预警信号的标定和决策，自动的修正现有的特征分类系统。 

实例 

在实例中，数据采集自山东联通公司潍坊至安丘段通信光缆二期测试，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1.5MHz，采样个数N为50000。 

根据使用需求将扰动事件分为触缆、环境干扰、环境噪声三种类型，系统运行过程中，发现环境干扰主要来自穿过树林的一段架空光缆，由于树枝触碰光缆而产生扰动触发报警。工作人员结合扰动信号波形与扰动位置等信息，对近几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13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150，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。特征1、特征2至特征13依次为振动片段长度、时域能量、k阶原点距、k阶中心距、偏度、峰度、小波分解后各层低频分量对应的能量。 

表1已标定类别训练样本特征值 

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2、特征4、特征5、特征6、特征7、特征9、特征11、特征12、特征13，分别对应信号时域能量、k阶原点距、k阶中心距、偏度、峰度以及信号小波分解对应第3、5、6、7层低频小波系数能量。 

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,决策树分类器输出结果分别为“触缆”、“环境干扰”、“环境噪声”，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 

类别 特征2 特征4 特征5 特征6 特征7 特征9 特征11 特征12 特征13 触缆 1012 25 -0.00137607 1.36537 0.147763 0.147714 0.145013 0.140563 0.124105 环境干扰 396 2 0.00308111 12.5099 0.143769 0.143766 0.143689 0.143289 0.137979 环境噪声 87 9 0.00104344 0.0260809 0.142924 0.142922 0.142861 0.142744 0.142719

最后利用训练完毕的决策树分类器对近几个月采自测试光缆的扰动数据进行模式识别验证，并进行现场实时扰动模式识别测试，最终系统运行中扰动模式识别率为95％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管线安全预警系统中的扰动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。