近年来,分布式光纤传感器由于其结构简单、适合于几十公里范围内的长距离监控、灵敏度高且抗电磁干扰能力强,在管道泄漏和损坏的实时定位与监测及干线安全防护等方面都有广泛应用^[1,2,3,4]。微分干涉型光纤传感器以单根光纤复用作为信号载体和分布式感应单元,拾取外界扰动,再对该信号运用频谱分析等解调技术,实现对扰动源的定位监控^[5,6,7]。在工程应用中,扰动源种类的识别能够使监控方做出正确的反应和有效的措施,因此成为干涉型光纤传感系统的迫切需求。

现有的光纤周界系统的振动信号识别方法主要有两种,一种是采用基于入侵振动信号的时域特征进行分析,如振动信号幅度或者过零率等。该方法由于进行模式识别的特征参数数量少,因此不能准确地区分各种外界振动信号,误报率高。另一种是采用信号的频谱技术,根据多维的频谱特征作为判别的依据。该方法计算量大,算法复杂,实时性较差。并且,分布式光纤传感器的信号是基于光在光纤内干涉形成,并不能很好的适合已有模型。

本文提出了一种基于小波变换理论的微分干涉型光纤传感信号的识别方法。将信号分解为基于时域和频域的向量,根据小波变换后的能量分布特性确定不同模式的特征向量。不仅解决了单纯的时域特征分类效果有限的问题,同时,运算效率高且实际应用效果理想。 1 微分干涉型光纤振动系统传感原理

微分干涉型光纤振动系统结构如图 1所示。

图 1

Fig. 1

图 1 微分干涉型光纤传系统结构图 Fig. 1 The system structure of a differential interference optic fiber sensor

从SLD宽带光源发出的光,依次通过3×3和2×2两个光纤耦合器后进入传感光纤(光缆),在终端遇到反射面后原路返回,再依次通过2×2和3×3耦合器进入光电探测器D1和D2。在两个光纤耦合器之间的两个连接臂,分别采用延迟光纤和直通光纤的方式形成非平衡马赫-曾德尔干涉结构,其中延迟光纤产生的时间延迟为τ。从SLD发出的光,往返传播后,在探测端共形成四条光路,由于宽带光源的存在,最终只有两条光路能够形成干涉。在传感光纤上没有扰动出现时,两条干涉光路始终等长,无法形成干涉;当有扰动出现时,因为这两束光是以时间差τ先后经过扰动源D,而扰动是对光的相位进行随时间变化的动态调制,因此在探测器D1和D2中就会形成干涉。

设扰动源D对光造成的相位调制信号为s(t),在假设所有耦合器都等比分光、忽略各种损耗和偏振态影响等的简化条件下,去掉直流分量,在探测器D1和D2中最终得到的归一化信号为

2 微分干涉型光纤振动系统识别算法 2.1 能量分布模型建立

外界触发导致光纤长度发生微形变,引起光纤内光路的干涉。依据微形变能够提取出触发源时间及频率特性^[6],因此光纤内干涉信号携带了触发源的时域和频域信息。本文讨论一种基于小波变换理论的时域-频域能量分布算法,建立不同触发模式的模型。

设信号是长度为n的采样序列,简化起见,采用光纤内有效信号A(n)叠加噪声n(n)的方式表达,则有

由于包裹裸光纤的外壁具有滤波效果,对不同频率振动的传导系数不同,从而导致不同尺度下的响应幅度不同。使用下列方法定义每个尺度Di的权重系数:对于不同触发模式的能量分布模型,式(6)的每一行代表Di尺度下的能量分布。因此,m种模式相同的Di尺度下其方差可以表示为

同样的,在分别计算出m个尺度Di各自的方差后,定义能量分布模型Di尺度的权重系数为

该现象是由于触发开始时提取的触发源信号更能体现该触发源的时频特征,随着光缆自身产生振动,触发源的时频特征被逐渐淹没。这里引入时域差异权重系数,表示尺度下能量随时间分布的差异修正权重。

选择m种触发各自Di尺度中的第j段数据,这m个数据方差定义为

同样的,在分别计算出各自的方差后,时域权重系数定义为

因此,由式(6)、(8)、(10)得到最终的模式能量分布模型为

在进行模式分类前,需要大量的典型触发数据训练模型,建立每种模式的模型系数。对于每一种模式,使用20组典型数据进行训练,按照算法得到Bⁱ_n(n=1,2,…,20)。将所得的每种模式下20个典型系数平均,得到每种模式唯一的平均特征模型矩阵

根据式(7)~(10)得到含有权重的矩阵:Bⁱ_wt(n=1,2,…,m)。对于任意一个采集到的触发信号x^c(n),按照式(6)计算得到B^c,根据已计算出的权重系数w_i和s_ij得到B^c_wt。然后,分别计算与m种特征模式的距离

最小值即对应的触发模式为

在实际应用中,图 1中2~13的一段光纤(10～20 km长)布置在需要被监控的区域周围。当有触发源(侵入)在2~13区域内扰动,将被系统探测到。根据大量实际工程经验,分布式光纤传感器在应用于长距离监控中,侵入行为主要为以下几种,其典型波形如图 2所示。

图 2

Fig. 2

图 2 典型触发模式波形 Fig. 2 Waveforms of the typical disturbance modes

尽管上述7种模式没有列举出所有触发方式,但已经覆盖了工程应用中绝大部分情况。并且,实际经验证明其他种类的触发通常构成与上述模式类似的触发效果。比如,当传感器周边有施工时,则可能造成类似于图 2(d)轻敲击光缆的效果。触发模式同分布式光纤传感系统的应用环境是相关的,不失一般性,本文集中讨论导致光纤被触动的一般模式状态。图 2为40 kHz对光纤内触发信号进行采样,采样长度为2 000点。横坐标为采样点数,纵坐标为幅度V,分别对图 2的7种模式进行8个尺度的db4小波变换。图 3为各模式在某一个共同尺度(Scale-D4)下的小波变换后波形。

图 3

Fig. 3

图 3 各种触发模式下小波变换后第4尺度 Fig. 3 The signals of wavelet transformed in the 4th-scale

依据2.2节提出的模式识别算法,对于上述7种模式的特征向量,计算模式间特征向量距离来验证模式间相似程度,如表 1所示。其中M1~M7分别对应图 2中的(a)~(g)各触发模式。

表 1(Table 1)

表 1 典型模式间距离 Tab. 1 Distances between the disturbance modes 距离 M1 M2 5.7 M2 M3 7.5 8.2 M3 M4 5.3 7.2 4.5 M4 M5 5.3 8.7 4.6 4.7 M5 M6 5.7 8.1 3.2 4.0 3.8 M6 M7 4.8 7.8 4.2 4.6 4.7 3.9

表 1 典型模式间距离 Tab. 1 Distances between the disturbance modes

表 1表明模式之间的距离分布并非是均匀的,如M2与其他模式之间的距离要大,这是因为M2与其他模式有明显不同造成的。对于每种触发模式采集20组特征触发进行训练,得到特征能量分布模型。每种触发方式使用500次触发进行算法验证,算法正确率如表 1所示。

表 2(Table 2)

表 2 算法验证及鲁棒性 Tab. 2 Analysis of validation and robust 正确率 M1 M2 M3 M4 M5 M6 M7 正常下% 84.6 82.2 82.4 85.6 83.8 84.6 86.0 干扰下% 83.6 81.4 81.2 84.2 83.4 83.8 85.4

表 2 算法验证及鲁棒性 Tab. 2 Analysis of validation and robust

分布式光纤传感系统的鲁棒性主要有两个方面考虑:一是不同人动作的差异性影响,例如A的敲击动作和B的敲击动作不同;二是自然环境的影响导致系统噪声干扰,比如监控区域附近施工或下雨。对于第一种人为因素影响,在建立特征模型参数和数据采集时使用不同的人进行相同模式的触发动作。尽管不同的人动作方式不同,但最基本的行为方式是相同的,并且模式间的距离也有足够的裕度作为识别缓冲。由于微分干涉光纤传感器的工程应用和环境相关密切,所以自然条件的干扰要求模式识别算法有较强的鲁棒性。自然环境的影响通常包含雨水滴落等的影响。在以上触发信号中叠加雨天系统噪声来测试该算法对干扰的鲁棒性,结果如表 2所示。从验证结果来看,该算法达到了应用于实际工程中的鲁棒性的要求。 4 结 语

本文基于微分干涉仪传感原理,构建了光纤传感识别系统。系统识别基于小波变换理论,建立了分布式光纤传感器的触发模式模型,并给出了触发模式的识别方法。经验证,该算法能够解决实际工程中发生的模式识别问题,对摸光缆、轻敲、重敲、踩光缆等其中入侵行为有很好的识别能力,识别准确率可达86%,并分析和讨论了系统的鲁棒性,具有广泛的应用前景。