光纤振动传感仪模式识别技术的研究

王敏， 郑坚涛， 周腾

(广州供电局有限公司，广东 广州 510620)

0 引言

城市改造步伐不断加快，地埋电力电缆正向高密度，大长度发展。地铁、高架等工程全面展开，浅埋在城市道路两旁的电力管线，易遭各种外力破坏，给生命财产和社会经济带来巨大威胁。传统监测系统无法对入侵事件类型进行准确的分析判断，系统误报率居高不下，对地埋管廊防外力入侵带来了巨大挑战[1-3]。

本文应用基于M-Z光纤干涉原理的光纤振动传感仪，检测地埋电力管廊沿途的异常振动信号，采用相干光拍频技术，利用振动识别算法，采集、处理相关异常信号，对信号的时域、频域图谱进行研究，提取特征信号值，建立入侵事件识别模型，利用机器学习方法，提升光纤振动传感仪对物理振动入侵行为的识别能力[4-5]。

1 光纤振动传感仪的组成和原理

光纤振动传感仪利用电缆沿线同沟敷设的光缆中的3根单模光纤作为光纤振动传感仪的传感器[9]，其中光纤1和光纤2用于测试光纤振动信号，光纤3用于信号的传输。当外界发生振动时，会引起光纤纤芯折射率和长度的变化，从而引起光纤中相位发生变化。通过对入侵事件振动信号的采集、处理，提取特征参数，建立振动事件数据库，实现光纤振动传感仪对物理振动入侵行为的模式识别。原理如图1所示。

图1 光纤振动传感仪原理图

激光源发出两束光，当两束光在传输过程中受到外部冲击力或振动，振动点的光纤的折射率发生改变，引起光波相位的改变。由于空间位置不同，相位调制会有差异，两束光的相位差会发生变化。两束光到达耦合器2时发生干涉，相位差会导致干涉条纹的光强发生变化，通过光电转换、数据采集和信号处理便可检测到此信号。光探测器解调后，还原振动波的信号，此信号基本上是体现了事件的波形，经过与已有事件库的波形对比，可分辨出振动源的类型。

2 拍频相干技术

当波长差远小于波长量级(频率相差极小)的两束光同方向共线传播时，波长短的光会对波长长的光进行调制，形成光强变化的包络，这种现象称为光拍频，如图2所示。

图2 光拍频产生原理

光纤振动传感仪采用了拍频相干技术。也就是用2个近似波长的激光器产生相干，利用微小改变下面的激光器波长差来控制拍频波长从而很容易控制相干灵敏度，达到大动态范围不饱和探测。探测信号统一，从而得到微弱机械振动波形的线性还原。通过光相位调制及相干检测，可实现极小信号的检测[6-7]。

3 数据的采集与分析

光纤振动传感仪的采集模块采集数据后，经小波滤波抑制光纤振动传感仪的背景噪声，上位机通过算法处理相关数据信息。通过阈值设定，判定是否报警。当数据值大于阈值时，系统报警;当数据值小于阈值时，系统不报警。

4 特征信号值的提取

入侵行为的振动信号在“时间域”下，即x轴是时间(秒或分钟)，而y轴是测量的振动幅度(位移、速度、加速度)。在该概念下，显示振动波形是很精确的方法，可以显示出入侵行为的实际振动形态，并对其各种振动参数进行分析。相对“频率域”采集到的振动频谱图，振动波形图能更精确定位某入侵振动行为的持续时间、振动幅度、同一时间段的振动行为数量等，且无需在图谱的高频部分由系统取平均值，再与事件库的数据对比，从而做出判定[8-10]。

振动波形图是通过波形幅度、幅度门限、持续时间等多种参数，进行分析以区分是误报，还是具有威胁的入侵行为。相对于树枝、鸟类、小动物、冰雹、风雨等偶然性事件而引起的敲击振动，通过机器学习和AI识别系统校验分析后，虽然和某些威胁行为如人为入侵所引起的波形是一个类似的波形，但无论是从整体的波形幅度、持续时间、同一时间产生的事件数量上，都是和人为入侵所引起的波形是不同的。

光纤振动传感仪采用时域/频域混合分析法,结合人工智能识别技术，对相干信号相位分析，实现对振源信号的精确分类、识别，大幅度提高振源识别准确率。

本方法基于分布式光纤振动传感信号的线性还原及振动源类型识别的研究。将光纤振动传感仪设备接入的电力通信光缆作为长距离传感器，感知沿线的振动信号，采集线路沿线的GPS坐标数据，绘制线路(若干条)GIS电子地图。

通过采集到的多种振动源的信号如手工工具钻探电力缆线及管道、大型机器作业电力缆线及管道、管井盖掀开等，基于光纤微振动分布信号的线性还原及振动源类型的振动事件数据(波形图)，建立并丰富电力缆线及管道的振动事件数据库，形成对不同振动事件的分类和数据归档。

5 识别模型的建立及机器学习

任何复杂的信号均由多个复杂算法的短时简单信号组成，将其与时间相关的幅度进行展宽与压缩。

(1)依据数据、识别效果、选取分段数目，选取该段信号的最大值和最小值，通过信号最大值和最小值构建数据模型；

(2)计算数据与模型间最短欧氏距离的模型，作为最优的数据模型；

(3)将所有最优模型的参数作为机器学习的判定和学习的标准，输入系统；

(4)利用已经建立好的数据模型对多种类型的多组数据进行运算；

(5)对输入信号和期望输出信号，利用机器学习的方法进行训练。当训练后的输入信号与输出信号的最小方差满足要求，停止训练。

通过系统采集到物理入侵事件的振动信号，将光电信号转化为对应的振动事件波形图。通过分析研究，模拟典型环境下各种入侵事件，并采集对应的振动波形图，通过大数据分析原理，对入侵事件的振动波形图进行定义和分类，实现机器学习功能。

6 实验结果分析

于2019年7月12日上午，我司在广州花都区，分别对田心变电站至公益站的110 kV和10 kV，以及田心站至平石站的输电光缆线路进行测试。

当输电线路受到外力，如人工挖掘、机器挖掘，伴随输电线的光缆将振动信号提供给机房的主机，发出告警信息。让工作人员能及时赶到现场制止破坏行为。

对于光纤振动传感仪监测到的开井盖、手工工具挖掘、重型机械作业、下雨信号，进行实际监测后，可得到波形图如图3—图6所示。

分析图3—图6可发现，不同原因引起的振动幅度存在着较大差异，通过波形幅度、幅度门限、持续时间、波形密度等多种参数，进行分析以区分是误报，还是具有威胁的入侵行为，同时将相关参数作为模式分类的依据。

图3 开井盖的波形图

图4 手工挖掘的波形图

图5 重型机械作业的波形图

图6 滂沱大雨的波形图

为了验证以上分析，分别对开井盖、手工工具挖掘、重型机械作业、滂沱大雨的入侵行为进行100次测试，测试结果如表1所示。

表1 不同入侵行为模式识别的识别率分析

从表1实验结果可以看出，基于M-Z光纤干涉原理的光纤振动传感仪模式识别技术的识别率大于96%，相关模式识别的算法、模型和特征值、入侵事件的波形判别标准满足光纤振动传感仪的需要，可以作为光纤振动传感仪模式识别的依据。

7 总结

本文设计了一种基于M-Z光纤干涉原理的光纤振动传感仪,以直埋单模通讯光缆作为光纤振动传感仪的检测传感器,采用相干拍频技术，对光纤振动信号进行算法分析，对不同振动信号的频域图和时域图进行分析判断，提取波形幅度、持续时间、波形密度等特征值，从而将不同入侵事件进行区分。通过实验发现基于M-Z光纤干涉原理的光纤振动传感仪对电力地埋管廊入侵事件模式识别率达到96%以上，满足光纤振动传感仪模式识别的要求，相关技术可以作为光纤振动传感仪模式识别的依据。基于M-Z光纤干涉原理的光纤振动传感仪模式识别技术为降低地埋管廊防外力破坏的误报率提供了有效手段和方法。