一種分布式光纖管線安全預(yù)警系統(tǒng)中的擾動事件識別方法
【專利摘要】本發(fā)明公開了一種分布式光纖管線安全預(yù)警系統(tǒng)中的擾動事件識別方法，在存在擾動事件時，對兩路采樣信號進行小波降噪處理；對小波降噪處理后的一路采樣信號提取特征值，特征值包括振動片段長度、時域能量、k階原點距、k階中心距、偏度、峰度和小波分解后各層低頻小波系數(shù)能量Ej，j＝1至7；將提取的13個特征值送入決策樹分類器，利用決策樹分類器得出擾動事件類別；在出現(xiàn)新的擾動事件類別或者在決策樹分類器得出的擾動事件類別出現(xiàn)錯誤的情況下，通過對數(shù)據(jù)庫中存儲的擾動事件類別進行更改，來實現(xiàn)人機交互增量學習，根據(jù)修改后的擾動事件類別對決策樹分類器進行在線訓練。本發(fā)明能夠能夠準確得出擾動事件類型。
【專利說明】一種分布式光纖管線安全預(yù)警系統(tǒng)中的擾動事件識別方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種分布式光纖管線安全預(yù)警系統(tǒng)中的擾動事件識別方法，屬于光纖 傳感【技術(shù)領(lǐng)域】。

【背景技術(shù)】
[0002] 隨著社會的發(fā)展、科技的進步，針對各種社會財產(chǎn)和公共設(shè)施的保護逐漸受到重 視，尤其對于交通線路、能源管線、通信線路這些位置固定而地理范圍較廣的防務(wù)目標而 言，其迫切的需求是安全預(yù)警系統(tǒng)具有超長距離預(yù)警情況下，對擾動事件模式的智能識別 能力，滿足此類需求的難點在于：1.具有超長距離實時預(yù)警與擾動事件定位能力；2.具有 對擾動事件模式的智能識別能力，即智能的擾動信息處理與識別；3.具有針對環(huán)境的變化 和新類型擾動事件出現(xiàn)而進行增量學習能力。
[0003] 分布式光纖管線安全預(yù)警系統(tǒng)基于Sagnac干涉原理，其傳感原理如圖1所示，通 過測量沿管線傳感光纜上擾動造成的兩路光信號的相位變化對擾動位置進行定位。兩束光 在光纖環(huán)中相遇，由于共用同一耦合器，無光程差，若沒有擾動事件作用在傳感光纖環(huán)上， 則輸出的兩束光沒有相位差，在耦合器輸出時不會發(fā)生干涉現(xiàn)象。若有一個擾動事件作用 在傳感光纖環(huán)上某點時，兩束光的相位在該點處發(fā)生變化產(chǎn)生干涉現(xiàn)象，光電探測器接收 至IJ的兩路干涉信號能反映兩束光的相位差，即含有擾動點的位置信息。
[0004] 現(xiàn)有同類分布式光纖振動傳感系統(tǒng)，在保證對擾動事件報警、定位前提下，針對提 高擾動事件類型識別的準確性，降低環(huán)境噪聲和人為活動的引起的噪聲造成的誤報事件等 需求，多采用對振動信號進行時域統(tǒng)計特性獲得特征向量，再通過統(tǒng)計分析，對特征分量設(shè) 置閾值的方法區(qū)分各類擾動事件。該類方法的缺點在于，針對特征分量分析比較復(fù)雜，需要 多個特征值的組合才能夠區(qū)分的擾動事件無法有效區(qū)分，分類準確性無法保證；只能應(yīng)用 于指定的環(huán)境下，對指定的擾動事件分類區(qū)分，無法再進行增量學習以應(yīng)對環(huán)境的變化與 新類型擾動事件的出現(xiàn)，缺乏通用性。現(xiàn)有的分布式光纖管線安全預(yù)警系統(tǒng)中的擾動事件 識別方法也有采用支持向量機的分類器，采用支持向量機的分類器更加依賴訓練樣本數(shù)據(jù) 的準確程度，當某個樣本誤差較大，會對整體訓練效果產(chǎn)生很大影響，進一步影響分類準確 性。


【發(fā)明內(nèi)容】

[0005] 本發(fā)明所要解決的技術(shù)問題是：提供了一種分布式光纖管線安全預(yù)警系統(tǒng)中的擾 動事件識別方法，在各類型擾動事件信號特性比較相近的情況下能夠準確得出擾動事件類 型。
[0006] 本發(fā)明包括如下技術(shù)方案：
[0007] -種分布式光纖管線安全預(yù)警系統(tǒng)中的擾動事件識別方法，包括以下步驟：
[0008] S1，當兩路采樣信號的幅值超過設(shè)定值時，判斷存在擾動事件，然后對兩路采樣信 號進行小波降噪處理；
[0009] S2,對小波降噪處理后的一路采樣信號提取特征值，特征值包括振動片段長度、時 域能量、k階原點距、k階中心距、偏度、峰度和小波分解后各層低頻小波系數(shù)能量&，j = 1 至7 ;采用DB4小波基將小波降噪處理后的一路采樣信號分解為7層，小波分解后各層低頻 小波系數(shù)能量&的計算公式如下：
[0010]

【權(quán)利要求】
1. 一種分布式光纖管線安全預(yù)警系統(tǒng)中的擾動事件識別方法，其特征在于，包括以下 步驟： S1，當兩路采樣信號的幅值超過設(shè)定值時，判斷存在擾動事件，然后對兩路采樣信號進 行小波降噪處理； 52, 對小波降噪處理后的一路采樣信號提取特征值，特征值包括振動片段長度、時域能 量、k階原點距、k階中心距、偏度、峰度和小波分解后各層低頻小波系數(shù)能量&，j = 1至 7 ;采用DB4小波基將小波降噪處理后的一路采樣信號分解為7層，小波分解后各層低頻小 波系數(shù)能量&的計算公式如下： L ι=ι 式中，a^l)為小波分解第j層尺度上的第1個低頻小波系數(shù)值，j = 1至7, L為信號 小波分解第j層尺度上的低頻系數(shù)長度； 53, 將提取的13個特征值送入決策樹分類器，利用決策樹分類器得出擾動事件類別； 若擾動事件類別為環(huán)境背景噪聲，則不報警，將提取的特征值直接送入數(shù)據(jù)庫存儲；若擾 動事件類別為入侵事件則進行報警，對小波降噪處理后的兩路采樣信號進行時頻變換獲得 Pwelch功率譜，從而得到擾動定位的缺損譜，根據(jù)缺損譜中陷波點的頻率值對傳感光纖中 入侵事件進行定位，最后將提取的特征值送入數(shù)據(jù)庫進行存儲； 在出現(xiàn)新的擾動事件類別或者在決策樹分類器得出的擾動事件類別出現(xiàn)錯誤的情況 下，通過對數(shù)據(jù)庫中存儲的擾動事件類別進行更改，來實現(xiàn)人機交互增量學習，根據(jù)修改后 的擾動事件類別對決策樹分類器進行在線訓練。
2. 如權(quán)利要求1所述的擾動事件識別方法，其特征在于，決策樹分類器根據(jù)特征值的 個數(shù)設(shè)置訓練樣本空間大小，每類擾動事件訓練樣本的大小至少為特征值的個數(shù)的5至10 倍。
3. 如權(quán)利要求1所述的擾動事件識別方法，其特征在于，根據(jù)缺損譜中陷波點的頻率 值對傳感光纖中入侵事件進行定位的方法為根據(jù)如下公式計算擾動點距離遠端反射模塊 的位置R : R = -^- (10) K為所選陷波點序號，K= 1，3,5 ;c為光速，η為折射率，fs，null為所選陷波點的頻率值。
4. 如權(quán)利要求1所述的擾動事件識別方法，其特征在于，決策樹分類器采用ID3算法。
【文檔編號】G01H9/00GK104240455SQ201410385097
【公開日】2014年12月24日 申請日期:2014年8月7日 優(yōu)先權(quán)日:2014年8月7日
【發(fā)明者】李成志, 張海巖, 卞賀明, 魏宇峰, 姜萌, 王學鋒, 于文鵬, 鄭春雷 申請人:北京航天控制儀器研究所