基于两级SVM的Φ-OTDR系统振动事件识别算法_朱海强.pdf

第 卷 第 期 年 月电 子 器 件 .项目来源：天津市教委科研计划项目（）收稿日期：修改日期：，（，；，）：（），（），：；：；：基于两级 的 系统振动事件识别算法朱海强，张志利，高慧敏，马晓明（天津理工大学电气工程与自动化学院，天津；天津中德应用技术大学智能制造学院，天津）摘 要：相位敏感光时域反射计（）对于振动信号能够实现高灵敏度的连续分布式测量，目前的振动事件识别算法常从一个或者两个维度来提取特征，如时域或频域等，未能实现多维度大样本特征参量的融合分析；现有的算法一般采用简单的单级识别算法，结构比较简单，导致最终的模型识别准确率不高、泛化能力较差。针对上述问题，对实验采集的振动信号从时域、频域和空间域的多参量特征进行提取和融合，针对具体的振动信号识别问题，构建了一种两级支持向量机（）识别算法，对振动事件进行两级分类，能够实现对相似振动事件的精确识别，识别准确率达 以上。关键词：分布式测量；振动事件识别；多特征融合；支持向量机中图分类号：；文献标识码：文章编号：（）基于相位敏感光时域反射计（，）的分布式光纤振动传感系统可以实现远距离、连续测量，具有监测盲区小、高分辨率和高灵敏度，且安装简单，通用性强，在石油管道监测、桥梁健康监测、周界安保监测等诸多领域具有广泛的应用。近几年，系统在输水管线监测领域成为研究热点。为了提高预警的准确性，降低误报率，对于振动信号模式识别的研究一直是输水管线监测领域的热点。年，王兴奇等以信号强度为识别依据在埋地环境下对人工挖掘、车辆经过以及挖掘机挖掘三种模式进行了识别研究。年，张颜等以信号平方差、短时过电平率、短时傅里叶变换等特征参量为识别依据，对敲击、攀爬、浇水等模式进行识别，在时域和频域上进行分析，使用中识别正确率较低，且对相似度较高的振动识别困难。年，彭宽等以平均片段间隔、片段长度和峰均比、频域能量等特征参量，对脚踩、自行车轧过、拍击等模式进行识别，识别正确率较高，但对相似事件的识别能力不够。年，等提取了信号时域中最大值、平均值、均方差、脉冲因子等 个特征，创新性地将随机森林分类器应用于 系统的模式电 子 器 件第 卷识别中，最终分类效果能够达到，但这种方法仅仅提取了单一维度特征，算法鲁棒性不高。年 等人采用深度学习的方法，将时空数据矩阵输入至卷积神经网络中进行训练，针对 种不同的振动数据进行分类，平均识别精度能够达到，识别精度较高，但是算法复杂度也较高，实时性不强。年，等将多分支长短时记忆卷积神经网络（，）应用于 系统的模式识别中。实现了针对浇水、敲击、攀爬等扰动事件的分类。但这种算法的算法复杂度较高，实时性较差。针对上述存在的问题，本文提出一种基于多特征融合的振动事件识别方法。该算法从时域、频域和空间域三个维度，提取信号振动持续时间、峰峰值、均值、有效值、峰值因子、峭度因子、重心频率、均方频率和频率方差等特征参量。采用了一种基于支持向量机的两级分类思想，在第一级分类中仅根据信号的振动持续时间将信号分为连续振动信号和间断振动信号；在第二级分类中结合了峰峰值、均值等时频域特征对连续振动信号大类中的各个相似的小类进行精确分类。利用多种特征向量更加有效地提高识别准确性，对相似度较高的振动目标有较强的识别能力。实验原理及系统 系统原理如图 所示，系统由窄线宽激光器、声光调制器、放大器、环形器、采集卡、平衡探测器以及光纤构成。其原理与传统 系统原理相近，首先由窄线宽激光器发出一束连续的激光，经由声光调制器调制为指定频率和脉宽的脉冲光，其中一束脉冲光作为参考光被平衡探测器接收，另外一束探测光经过 放大器放大后，通过环形器进入到光纤中，光在光纤中发生背向瑞利散射，散射回的光经过 放大器放大后进入平衡探测器，将包含待测信息的探测光和作为基准的参考光在光电探测器的光敏面上进行混频。采集卡接收信号后传输到上位机进行进一步的处理。图 系统原理图本实验系统采用市面上常用的 光纤作为传感器，传感器伴随排水管道进行铺设。激光器发出一束脉冲光，并由声光调制器调制为 的脉冲光，经过放大器进行放大后打入光纤，光纤总长，系统采集频率为 ，由光电探测器接收传感光纤传回的后向散射信号。探测器接收到的信号经过放大后进入信号处理模块进行处理，信号处理模块包括信号采集和信号处理两部分，信号采集部分接收探测器检测的信号，在上位计算机中显示时域和空间域信号。图 典型连续振动信号 多参量特征提取由于振动信号特征的多样性和易变性，因此用单一特征向量不足以准确鉴别出目标类别。本文采用了多特征融合的方法，充分并且有效地利用了振动信号的多维度特征信息。本文所采用的多角度多特征提取信号特征参量包括：振动持续时间、峰峰值、均值、有效值、峰值因子、峭度因子、重心频率、均方频率和频率方差等。这些指标从不同的角度突出了不同扰动事件的特征。一级特征提取振动持续时间：系统采集到的振动信号也是随时间变化的非平稳随机过程，因此对于该信号的分析也可以类比于语音信号，用短时分析来研究。图（）和图（）为典型的连续振动信号和非持续振动信号时域图，求得短时能量如图（）和图（）所示，信号有振动部分的短时能量相对较高，无振动部分的短时能量相对较低。在本文中，通过设置短时能量阈值的方式来求得振动的持续时间，计算的具体步骤如下：将时间域信号碎片化：通过窗函数对信号进行加窗、分帧，将信号进行碎片化，本文所用加窗函数为海宁窗，每帧的长度为，帧移为。设置振动持续时间阈值：将无振动部分的振动持续时间均值设定为阈值。振动片段提取：以帧为单位，求出过阈值的振动持续时间。第 期朱海强，张志利等：基于两级 的 系统振动事件识别算法 图 典型非连续振动信号 二级特征提取二级特征提取模型主要针对持续振动中的管道泄漏、机械挖掘、管道空腔中的水流流动信号，以及非持续振动事件中的人为触碰和人工挖掘信号进行进一步准确分类。针对这些信号的特征提取思路主要是从时域、频域、空间域对振动事件的特征进行指标的量化。时域特征提取峰值：反映信号幅值的增大过程。（）（）平均值：均值是反映信号中心趋势的一个指标，反映了信号中的静态部分；?（）式中：?代表信号的平均值，为采样点数，为某一时间点的幅值。有效值（均方根值）：反映信号的平均能量。（）峰值因子：信号峰值与有效值的比值，代表的是峰值在波形中的极端程度。峭度因子：能够反映波形的陡度的指标，如果波形陡度很高，说明外界扰动变化剧烈。（）频域特征提取频域特征反映信号中的频率成份以及各频率成份的能量大小情况。其主要分为频谱分析、能量谱分析、功率谱分析和倒频谱分析等，其中以频谱分析最为常用也最为重要。重心频率：反映主频带位置的变化。?（）（）（）（）均方频率：反映主频带位置的变化。（）（）（）频率方差：反映频谱的分散或集中程度。（）（）（）（）空间域特征提取振动传导距离：当光纤上某一点位置上有振动事件发生时，光纤上一段距离的光强度都会受到影响，而不同振动事件在空间域所影响的空间长度不同。振动传导距离的计算思路如下：找到振动点的位置，并以此位置为中心向两侧发散，分别计算空间上两点信号的相关性，当信号相关性小于一定值并持续减小时，将这个距离作为振动的传导距离。信号相关性的计算公式如下：（）式中：表示 和 之间的相关性大小，它的值越大代表两个序列之间的相关程度越高，即这两个序列越相似。通过分析振动中心点两侧信号的相关性，可以得到振动的传导距离。选取部分上述二级特征提取的结果，由图 可以看出，不同类别的特征值具有一定的区分度和差异，因而可以利用 算法进一步进行近似信号的识别。图 二级特征提取结果 两级 分类算法每种振动事件都有其独有的特性，这些特点主要反映在振动信号的波形中，不同振动事件波形的连续性，幅值、均值、频率等都会不同。因此，我们可以从时间域、频域等维度来求取一些指标来量化这些振动事件的特征。在实际场景中不同振动事件的某些指标也会存电 子 器 件第 卷在相似的情况，例如过车的振动事件和管道泄漏的振动事件，虽然在频谱上有所差异，但是这两者在能量上的区别并不大，因此如果仅仅从某个指标上来区分不同的振动事件的话，最终的分类效果会很差，因此我们需要使用多个特征指标来描述不同的振动事件。这样能够在一定程度上降低事件的误识别率，但是仍然存在某两种相似振动事件难以区分的情况，无法满足精准识别的需求，除此之外，振动信号数量庞大，种类多，计算机在面对如此多的事件进行分类时，其压力无疑是巨大的，并且准确性和系统的实时性都无法得到保障。为了解决上述问题，本文提出一种两级振动信号模式识别方法，算法的流程如图 所示：为了消除不同指标的量纲对最终分类结果的影响，首先需要将原始信号进行归一化，接下来才能从不同的维度进行特征值的提取。在第一级分类中，不考虑振动信号的具体类别，仅仅考虑信号的振动持续时间，将振动信号粗略地划分为连续信号和非连续信号两大类，在此过程中，可能会出现属于不同相似类的信号被划分到同一大类中去的情况。在第二级分类中，主要从时域、频域、空域三个维度进行特征提取，针对持续振动以及非持续振动中的小类进行细分类。图 二级分类算法示意图在两级分类模型中，第一级分类相当于将外界的振动信号进行了粗分类，把外界所发生的振动事件区分为持续性振动事件和非持续性振动事件，信号在经过一级分类处理后就可以识别到信号的大致类别。第一级分类器将海量的数据进行了预处理，起到了初步的过滤作用，同时避免了振动信号的频域、空域某些指标过于近似导致的误识别问题。在第二级分类中，设计了多个二分类的分类器，使多个分类器同时并行工作，这样在一定程度上提高了运算效率，缓解了计算机的计算压力，保障了系统处理数据的实时性，并且识别的准确率也有所提高。本模型整体主要分两级来对外界的振动事件进行识别分类，并且在第二级分类模型中存在多个二分类器并行工作，因此模型的总体识别精度要从两级分类角度综合考虑，其计算方式如下：（）式中：代表了第一级分类器的识别精度，为第 类的扰动事件的信号量，表示需要处理的总体信号量，为第二级分类中第 种振动事件的识别精度。实验结果与分析 实验结果实验中基于 光纤振动传感系统，采集了山东某地野外排水管线上几种频繁发生的振动事件进行分析，主要有：人为触碰：为了方便对系统进行维护，需要每隔一段距离预留一部分光纤备用，假如光纤发生断裂时能够及时进行融接，这部分预留的光纤可能会被人为触碰到，从而引起系统的误报警。人工挖掘：夜间可能会出现人为挖盗输水管线的情况存在，当外界有偷盗管道事件发生时，系统需要能够及时进行报警。管道空腔的水流流动：由于下雨、河水流动等因素，管道下方经常会由于水流的冲击从而形成空腔，空腔中的水流流动会引起振动。当出现管道空腔时，需要及时对空腔进行填补，避免出现管道的断裂。机械挖掘：为了对管道进行维护，现场经常会有挖掘机对管道进行挖掘，。管道泄漏：管道在长时间野外使用中会受到土壤中各种腐蚀性物质的侵蚀，很容易导致管道产生断裂，时常会有泄露产生，带来严重的安全隐患和巨大的财产损失。实验中采集了人为触碰、人工挖掘、管道空腔内的水流流动、机械挖掘和管道泄漏这 种振动情形的实验数据，然后，每组实验进行 次，共计 次实验，得到 个样本。实验中采集了农机作业、机械挖掘、管道泄露、水流流动和人为触碰这 种振动情形的实验数据，然后，每组实验进行 次，共计 次实验，得到 个样本，并采用移动平均法对信号进行处理，去除信号中的直流分量。图（）图（）为不同振动事件的时域波形，几种振动事件分别为：人为触碰、人工挖掘、管道空第 期朱海强，张志利等：基于两级 的 系统振动事件识别算法 腔中的水流流动、机械挖掘和管道泄漏。从图中可以明显看出，后三种事件的持续事件较长，因此信号能量分布比较均匀，而人为触碰和人工挖掘挖掘事件的持续时间短，因此信号能量较集中。图 时域波形图本文提取了 系统中的 种外界振动事件的信号，并采用多特征融合的方法提取了振动事件的特征并构建了两级 分类器。首先，根据提取的振动持续事件，通过第一级分类器来区分非持续振动信事件和其他连续振动事件；然后通过二级分类的分类器来针对非持续振动事件和持续振动事件的具体种类做详细