分布式光纤传感信号高识别率技术研究

张 毅，徐方辰，戴丽娟，奚 扬

（国家石油天然气管网集团有限公司西气东输分公司，上海 200126）

0 引 言

分布式光纤声传感系统（DAS）具有分布式检测、检测距离长、抗电磁干扰等优点，在周界安防、轨道入侵、油气管道检测等诸多领域被广泛应用。使用传统的机器学习算法识别振动信号的主要优点在于需要的数据量较小，识别时间较短，但缺点是难于找到能很好表达振动信号的特征参数，对特征参数的设计需用到非常专业的知识和经验，如果特征参数设计不合理，最终得出识别模型的识别效果可能很差。常用的传统机器学习模型主要有：支持向量机（SVM）、随 机森林树、极值梯 度 下降（XGBOOST）等。随着神经网络的研究深入以及在图像识别领域取得的可观应用成果，使用神经网络来对DAS中振动信号进行识别的研究项目也已陆续涌现，其优点在于不需要设计特定的特征参数，神经网络会自动提取出振动信号中的特征参数，但缺点是神经网络的训练需要巨量的数据，而且相较于传统的机器学习算法识别时间也要更长一些。常用的神经网络结构有：多尺度卷积神经网络、深度神经网络、二维卷积神经网络等。考虑到传统机器学习算法很难设计识别的特征参数，所以目前大多数的研究主要集中在神经网络对振动信号的识别上。

由于神经网络对振动信号的识别过程较为耗时，为了提高模型对振动信号识别的实时性，则提出了使用基于短时能量与短时过零率的端点检测（SE_ZCR_VAD）方法对振动信号进行预识别。在对采集的振动信号进行去噪处理后，首先使用SE_ZCR_VAD对采集的信号进行识别，如果SE_ZCR_VAD检测出信号中不存在振动信号，直接将信号输出为噪音；若存在振动，则将该振动信号送入一维的Resnet18神经网络识别模型中进行识别，从而得出最终的振动类型。由于在实际应用中，大部分信号为噪音，因此仅有少部分信号需要使用神经网络识别模型进行识别，所以该方式能有效降低识别时间。经过实验证明，该方式将噪音的识别时间降低到了3.5 ms，对振动信号的平均识别准确率达到96.3%。

1 识别原理

1.1 分布式光纤传感系统

基于相敏光时域反射计（φ-OTDR）的DAS的系统结构如图1所示。该系统使用超窄线宽激光器（DFB-LD）作为系统的能源，激光器发出连续光通过声光调制器调制为脉冲光，为了提高系统的测量距离与检测精度，使用掺铒光纤放大器（EDFA）对脉冲光进行放大，由于掺铒光纤放大器会引入自发辐射噪音（ASE），因此使用带通滤波器（BFP）对放大后的脉冲光进行滤波操作，滤除ASE噪音后，脉冲光通过光环形器（OC）进入传感光纤，并且在传感光纤中返回后向瑞利散射光（BRS）。BRS通过OC进入到EDFA进行放大，放大后经过BFP进行滤波，然后被光电探测器（PD）检测，将光信号转为电信号，使用DAQ信号采集模块对电信号进行采样并送入处理器模块进行处理。

图1 φ-OTDR结构图Fig.1 Structure diagram of φ-OTDR

1.2 识别系统结构

基于SE_ZCR_VAD的识别系统主要包含信号采集模块、去噪模块、端点检测模块和识别模块。信号采集模块由φ-OTDR系统组成，采集信号传入电脑内进行存储。识别系统的结构如图2所示。

图2 识别系统的结构示意图Fig.2 Schematic diagram of the structure of the recognition system

1.2.1 去噪模块

对振动信号进行去噪操作，可以有效提高信号的信噪比，能明显改善后续对振动信号的识别效果。为了能最大程度降低信号中的噪音，选择使用小波阈值折衷去噪对振动信号进行去噪处理。

使用小波阈值折衷去噪首先需要对振动信号进行小波变换，小波变换可以表达为：

其中，为尺度因子；为平移量；为母波函数。

通过设置合适的与可以同时得到较好时间分辨率与频率分辨率。本文对信号进行变换得到小波分解系数，并且设置相应的阈值对小波系数进行筛选。常用的阈值有硬阈值、软阈值、折衷阈值。其表达式分别如下：

这里，式（2）为硬阈值，式（3）为软阈值，式（4）为软硬折衷阈值。由于软硬折衷阈值同时具有硬阈值与软阈值的优点，因此选择使用软硬折衷阈值作为最终的阈值选择。对分解后的小波系数进行阈值筛选后，就可以将保留下的小波系数进行重构，从而得到去噪信号。

1.2.2 端点检测模块

端点检测模块的主要作用为检测采集信号中是否存在振动，对不存在振动的信号直接判定为噪音进行输出；对存在振动的信号则送入识别模块进行识别。由于在实际应用中噪音占绝大多数、并且不需要施以训练，因此使用端点检测对噪音信号进行直接检测能有效提升识别速度。

端点检测模块首先需要对振动信号进行端点检测，将信号中的振动位置检测出来，端点检测的特征量选择为短时能量与短时过零率。短时能量（）与短时过零率（）的数学公式分别见如下：

其中，（）为窗函数。

由于端点检测可能会被系统中毛刺或者噪音影响而出现检测出错的情况，所以还需要对检测出的振动片段进行分析，检测振动片段的有效性。具体算法步骤为：

（1）检测信号中是否存在振动，若不存在振动，直接将该信号输出为噪音，若存在振动继续执行算法。

（2）对一个振动信号中的所有振动片段长度、短时能量进行计算，并且保留所有振动片段长度与短时能量信息。

（3）得出一个信号中振动片段长度的最大值，将该最大值与长度阈值进行比较，若最大长度小于长度阈值，将该信号输出为噪音；得出一个信号中短时能量的最大值，并且将该最值与短时能量阈值进行比较，若小于短时能量阈值将该信号输出为噪音。

1.2.3 识别模块

对振动信号的识别主要需要使用Resnet18网络对一维振动信号进行识别。识别模块主要包含离线训练部分与在线检测部分。其中，离线训练主要是依靠采集得到的数据集对Resnet18网络进行训练，在线检测部分是使用训练好的模型对采集的振动信号进行实时的检测。

2 实验验证与结果分析

本次实验采用的基于φ-OTDR的DAS所使用的DFB-LD的线宽为3 KHz、输出功率为10 mW，声光调制器的带宽为100 MHz，EDFA的放大增益为27 dB，PD带宽为200 MHz，DAQ的采样速率为200 MHz／s。识别的振动类型为汽车在路面行驶的振动、施工机械作业的振动、手敲击光纤的振动、噪音。采集的振动数据数量见表1。

表1 振动数据数量Tab.1 Number of vibration data

使用小波阈值折衷去噪的去噪结果如图3所示。图3（a）为去噪后的振动信号，图3（b）为未去噪的振动信号，对比两图可以看出使用小波软硬阈值折衷去噪能将振动信号中的噪音有效去除。小波软硬阈值折衷去噪的分解层数设置为5，母波函数选择为“sym8”。

图3 振动信号Fig.3 Vibration signals

通过将4种振动数据进行混合，每种数据选择200个，共800个振动样本。将800个振动样本随机打乱后，再输入到端点检测模块进行噪音检测，检测结果见表2。从表2中可以看出振动信号的识别准确率为94.6%，对噪音信号的误检率为5.4%。800个样本的总识别时间为2.8 s，一个样本的识别时间为3.5 ms。端点检测中长度阈值设置为180，短时能量阈值设置为0.53。

表2 端点检测识别结果Tab.2 Endpoints detection identification results

考虑到噪音信号由端点检测模块进行识别，因此在振动识别模块中，不再设置对噪音信号的检测，振动信号识别模块仅对3种振动信号进行识别。每种振动信号采集500个样本，将振动信号进行随机混合后按照7：3的划分比例将振动数据分割为训练集与测试集。将划分好的训练集使用去噪算法进行去噪处理后加载到Resnet18网络上进行训练，模型训练完成后使用测试集进行测试验证。对测试集进行验证得到的混淆矩阵如图4所示。Resnet18网络使用的损失函数为交叉熵损失函数，一维卷积层中使用的激活函数为，分类器使用全连接神经网络，激活函数为。

图4 测试集混淆矩阵Fig.4 Test set confusion matrix

从图4中可以看出，Resnet18模型对3种振动事件的识别准确率较高，其平均识别准确率达到了96.3%。每个样本的识别时间为3.5 ms。通过混淆矩阵分别计算模型的召回率、精度、参数。测试集的性能参数见表3。从表3中可以看出，使用Resnet18网络模型对振动信号的识别性能较好，召回率、精度、的值都能达到96%。

表3 性能参数Tab.3 Performance parameters

在训练好Resnet18网络模型后，就可以直接将采集的信号送入监测系统中进行实时的监测。检测中，噪音信号由端点检测模块进行识别，其余振动信号由Resnet18网络进行识别。通过在线系统对800组样本信号进行检测后得出的结果见表4。

表4 在线监测识别结果Tab.4 Online monitoring and identification results

3 结束语

通过使用基于端点检测的方式对噪音信号进行识别，能有效提升系统对采集信号的识别速度。论文提出方式对噪音信号的识别时间仅需要3.5 ms，对噪音的识别准确率达到100%，且对振动信号的误检率仅为5.4%，通过使用Resnet18网络对振动信号的平均识别准确率达到了96.3%。