王兴奇，黄丹飞，衣文索，荆涛，陈刚

（长春理工大学 光电工程学院，长春 130022）

分布式光纤振动传感系统利用光纤作为传感媒介，基于光的干涉或者后向散射原理进行高灵敏度振动监测。光纤具有功耗低抗电磁干扰强、灵敏度高、成本低廉、布设灵活、场景应用广泛等特点［1-3］，在管涌监测、桥梁健康监测、周界安保监测等诸多领域具有广泛的应用。其中相位敏感光时域反射计（φ-OTDR）的分布式光纤振动传感系统传感机构简单（一根传感光纤），可以对同一时刻不同位置的多个振动点进行同时识别定位、且分辨率高，定位精度理想，引起了光纤传感领域的广泛关注。

1993年，由Tarlor等人［4］首次提出φ-OTDR系统，与传统的光时域反射计（OTDR）最大区别在于注入光为强相干光，因此可以输出后瑞利散射光的相干干涉光。就目前来看，大部分学者就提高φ-OTDR系统分辨率及传感长度展开了较深层次的研究，而对于振动信号的模式识别的研究相对较少。2014年，Tan等人［5］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。2015年，张颜等人［6］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，且对相似度较高的扰动识别困难。2018年，彭宽等人［7］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，但对相似模式识别能力不够。

利用相位敏感光时域反射计（φ-OTDR）的分布式光纤振动传感系统信号特点，本文提出一种基于多种综合特征提取的模式识别方法。该方法提取信号主波能量（MVE）、信号主瓣时延（MVBW）、信号主瓣峰峰值（MDV）、信号主波Q值（MVQV）、信号频谱（SFS）等十一种特征参量，使用二叉树的SVM分类器模型，对扰动模式进行识别。利用多种特征向量更加有效地提高识别准确性，且对相似度较高的扰动目标有较强的识别能力。

1 φ-OTDR实验系统及原理

φ-OTDR系统结构与传统OTDR系统结构相似，不同之处在于φ-OTDR系统采用窄线宽激光器作为光源，所以传感光纤内光脉冲信号有很强的相干性。φ-OTDR系统所检测的是光脉冲信号相位变化所导致的光强变化量。其原理如图1所示，窄线宽激光器发出超窄线宽激光，经过声光调制器后，连续激光被调制为一定频率和一定脉宽的脉冲光；脉冲激光经过掺铒光纤放大器放大入射功率，经过环形器进入传感光纤。脉冲激光在传感光纤内产生瑞利散射现象，瑞利散射现象产生的后向瑞利散射光会沿环形器进入APD光电探测器将光信号转变成电信号，电信号进一步被采集处理，送入电脑进行分析。

φ-OTDR传感光纤中脉冲光传输如图2所示，A点的脉冲光信号可以表示为：

图1 系统原理

图2 脉冲光传输图

其中，ER0(t)为A点光强；fc为光频率；Φ0（t）为无扰动时光相位。若在C点有扰动信号时，光信号会受扰动信号的作用相位发生改变，此时C点的后向瑞利散射信号可以表示为：

其中，ER1(t)为C点的后向瑞利散射光光强；Φ1（t）为光纤扰动信号影响后的光相位。

A点光信号传输到B点产生的后向瑞利散射光，其强度为ER0，该信号会与C点的后向瑞利散射光产生叠加，传输到探测器时产生干涉。可以表示为：

此时，在探测器中的信号可以表示为：

由于扰动信号影响，同一位置在不同时间的后向瑞利散射光强会有很大的改变，为提高信噪比，将不同时间点的后向瑞利散射光信号进行差分，并对差分信号进行分析。提取空域特征参量，对同一位置不同时间点采集时域特征参量。

2 多特征参量模式识别

由于扰动目标特征的多样性和易变性，用单一特征向量不足以准确鉴别出目标类别，所以充分、有效地利用多种特征信息，进行诸多特征的融合是必要的。利用多角度多特征提取信号特征参量包括：信号主波能量（MVE）、信号主瓣时延（MVBW）、信号主瓣峰峰值（MDV）、信号主波Q值（MVQV）、信号频谱（SFS）、信号二次回波损耗（2VEL）、信号3 dB时延（3 dBBW）等。可以更加有效的突出不同模式扰动的特性。

信号主波能量（MVE）如图3所示，即为按照采样频率离散采样得到的信号幅度平方的积分，而能量就是主波信号内各点幅度值v平方后的求和。振动信号主波能量反映出目标信号的强度信息，算法中计算结果用来衡量目标的能量大小。

信号主瓣时延（MVBW）如图4所示，信号的主瓣时延（MVBW）描述扰动信号主瓣每一次扰动的时延，体现了扰动信号的时域特性，通过对信号主瓣时延进行计算可以有效地提取到振动信号时域信息。

信号主瓣峰峰值（MDV）：信号在单周期内回波信号的峰值，利用离散采样得到的信号，主瓣峰峰值用来衡量信号瞬时强度信息，如图5所示，即为正向最高峰电压与反向最低电压差。

信号主波Q值（MVQV）如图6所示，信号的主波Q值（MVQV）描述来波信号的主能量的尖锐程度，瞬时敲击、挖掘破坏等信号的主波Q值（MVQV）要尖锐些，也就是说能量集中，比较窄且尖锐程度大，则主波Q值（MVQV）大。相反，如车辆经过或下雨等情况，主波Q值（MVQV）要平坦些，也就是说能量分布宽，尖锐程度小，主波Q值（MVQV）小。

信号3 dB时延（3 dBBW）：信号的3 dB时延（3 dBBW）是指信号能量衰减到原始功率一半状态的时间，如图7所示，也可以用整个信号的总功率图分解出方波信号来表示。

信号二次回波损耗（2VEL）：回波信号的二次回波损耗（2VEL）是指冲击信号的主波振荡后的二次回调峰值大小，也是主瓣3 dB能量与二次振荡3 dB能量之比，该参数描述回波信号的衰减速度，如图8所示。

信号频谱（SFS）：信号的频率分布（SFS）描述扰动信号的振动能够频率，属于频域信息。通过测定信号穿过电平阈值的次数，得到信号的频率，这是信号频率提取的一种基本方法，表示在时间阈值内信号在电平阈值附近穿越的频率，得到：式中，I(n)为信号点幅度；a为设置的电平阈值；Ψ为指示函数，当I(n)≥a成立时Ψ为1，否则为0。短时过电平率与传感信号的短时平均频率以及短时相位变化成正相关，因此，可以用信号频谱（SFS）作为信号的特征。此外，还有信号波数（SSVC）、信号半波长度（HTDT）、主瓣峰值（MVMAX）、中心频率（CF）、主瓣宽度（MVDT）等信号特征参量。

图3 主波能量（MVE）

图4 主瓣时延（MVBW）

图5 主瓣峰峰值（MDV）

图6 主波Q值（MVQV）

图7 信号3 db时延（3DBBW）

图8 二次回波损耗（2VEL）

3 多特征参数的二叉树结构SVM分类器模型

为降低外界对信号的干扰与信号之间的串扰，在得到相应信号的幅度后，先要对每组数据进行归一化处理，如图9所示，再提取信号的相关数字特征。

图9 归一化曲线

再通过提取φ-OTDR光纤分布式传感系统信号中的信号主波能量（MVE）、信号主瓣时延（MVBW）、信号主瓣峰峰值（MDV）、信号主波Q值（MVQV）、信号频谱（SFS）等参数的数字特征，来构建分类器的分界线。将3种事件与11个特征分别两两组合，共计165种组合，来寻找使得两类信号能够充分分离的信号特征组合，从而搭建起分类器系统。原理图如图10所示。

图10 二叉树结构分类器

根据SVM的理论，为了得到两类信号的分界线，使得两类信号之间的距离达到最大化，从而尽可能地分离两类信号，所采取线性回归的方法来确定分界线的位置和具体函数表达式［8-10］。在本系统中，为了能够快速的将信号分类，选取直线作为分界线。

（1）分类器Ⅰ

由图10可以看出分类器Ⅰ的任务是分类挖盗和其他扰动两种情况。为了区分挖盗和其他行为，通过分析表1的数字特征，可以得出挖盗破坏行为的各个数字特征均高于其它行为。

（2）分类器Ⅱ

当有其他扰动发生时，本系统将区分出车压、敲击和踩踏三种事件进行模式识别，利用满二叉树结构来进行扰动行为的模式识别。分类器Ⅱ的作用是将敲击和踩踏两种事件进行区分，如图11所示。

图11 分类器Ⅱ的分界图

通过分析图11发现敲击信号集中在纵坐标方向右侧，而踩踏信号分布在敲击信号的右侧。因此信号波数/主瓣峰值（SSVC/MVMAX）做纵坐标、二次回波损耗/3 db时延（2VEL/3DBBW）做横坐标能够使敲击和踩踏信号充分的分离。再通过图中点的位置关系来获得分类直线的解析式。

（3）分类器Ⅲ和分类器Ⅳ

分类器Ⅲ和分类器Ⅳ是最终识别车压、敲击和踩踏三种模式的两个分类器。分类器Ⅲ的作用是识别敲击和车压两种扰动，如图12所示。

图12 分类器Ⅲ的分界图

表1 400组平均数据

从图12中可以确定由信号主波峰峰值/主波Q值（MDV/MVQV）做纵坐标、主瓣宽度/信号频谱（MVDT/SFS）做横坐标的数字特征组合能有效分离车压和敲击扰动，并求得线性回归方程：

分类器Ⅳ识别踩踏和车压扰动事件，通过多次组合发现由信号半波长度/波数（HTDT/SSVC）做纵坐标、二次回波信号/3 db时延（2VEL/3DBBW）做横坐标的组合可以作为车压和踩踏扰动的分类依据。

图13 分类器Ⅳ的分界图

并选取图中两类事件相邻最近的点，求两个中点并连线可以得到分界线方程：

4 实验结果及分析

本文实验系统如图1所示，用线宽为10 KHz的超窄线宽激光器作为光源发出1 550 nm激光，经过AOM声光调制器产生频率为2 KHz，脉冲宽度为100 ns的脉冲激光后再经掺铒激光放大器（EDFA）放大激光入射功率至54.6 μW后进入长度为22.6 km铠装光纤（光纤埋入地下深约0.4 m），后向瑞利散射光由探测器接收滤波放大后，进入采集卡（采集卡采集频率为2 MHz），得到如图14所示信号数据，对多次信号数据采集后，通过滑动平均算法得到差动后数据［11-12］，如图15所示。并在上位机中使用LabVIEW软件进行信号阈值判断及报警预测，得到报警信号波形进行分析判断及模式识别，得到最终结果。

图14 瑞利信号

图15 差动数据

实验中选取传感光纤10 km处作为试验点，首先在试验点进行挖盗，区分车压（普通小汽车60 km/h，通过预埋光纤侧上方）、踩踏（模拟行人通过一次）、敲击（手持4 KG的铁棒敲击预埋光纤正上方）这四种情形的实验，然后，每组实验进行100次，共计400次实验，得到400个样本。挖盗对应时域波形例图，如图16（a）所示；车压对应时域波形例图，如图16（b）所示；敲击对应时域波形例图，如图16（c）所示；踩踏对应时域波形例图，如图16（d）所示。

图16 四种扰动模式时域波形图

如图16所示，从图中可以明显看出挖盗行为振动能量大，幅值高，信号波形较宽大，2次回波损耗也低；车压扰动能量低于挖盗行为，但明显高于踩踏和敲击；敲击扰动振动能量较小，信号波形尖锐且二次回波损耗高；踩踏行为振动能量最低，信号波形小而尖锐。对本实验数据做平均处理得到表1数据，作为目标库样本数据。

通过提取传感信号多个特征量作为识别的信号特征，并运用回归分析的方法建立了多特征参数的二叉树结构SVM分类器。首先，通过分类器Ⅰ区分挖盗信号和其他模式的传感信号；然后再通过分类器Ⅱ、Ⅲ、Ⅳ对其他扰动的传感信号进行进一步的分类，以识别三种扰动源：车压（普通小汽车60 km/h，通过预埋光纤侧上方）、踩踏（模拟行人通过一次）、敲击（手持4 KG的铁棒敲击预埋光纤正上方）。该方法突破了单一特征参量目标识别的缺点，提高了扰动源识别的准确性。

利用目标库对80组数据进行模式识别，并与只利用4种特征参量的识别方法进行对比。

表2 识别结果

通过表2可以看出利用多特征参量进行模式识别方法的识别率分别为95%、93.75%、90%、81.25%，综合识别率达到90%明显高于4种特征参量的识别方法，多特征参量的模式识别方法能够解析出扰动信号种包含的更多的识别信息，更有利于识别相似度较高的扰动模式。

5 结论

本文搭建了φ-OTDR光纤振动传感系统，以识别多种扰动模式为目的，利用多特征参数的二叉树结构SVM算法，能有效识别多种扰动模式。该方法突破了单一特征量目标识别的缺点，有效提高了多种扰动源识别的准确性，拓展其在工程应用中的功能。