基于端点检测的光纤振动信号识别

徐方辰，邢炜宁

(1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；2中国石油天然气管道通信电力工程有限公司，河北 廊坊065000)

0 引 言

目前，DAS已被广泛用于管道泄露监测、围栏入侵、周界安防等诸多领域［1-4］。DAS具有不同的实现原理，其中使用Φ-OTDR原理构建的DAS系统具有检测信号的信噪比高、检测范围广、成本相对较低、可实现远程入侵检测等优点，具有很强的发展潜力。目前使用DAS系统对入侵事件的识别过程可分为4个步骤，即:先对入侵振动信号进行预处理，然后进行特征提取，再进行数据集的制作，最后搭建识别模型，对数据进行分类。在此过程中，对数据的预处理主要包含对数据去噪，进行端点检测［5］等。端点检测的目的在于减小一段信号中存在的噪音，将只包含振动的振动片段提取出来，减小噪音对模型的影响，双门限端点检测就是时下常用的VAD算法。而在研究中常常见到的特征提取方式则有提取振动信号的傅里叶变换特征［6］、梅尔倒频系数［7］等，或者使用EMD［8］、VMD［9］将信号分解后提取相关的统计学特征。典型的分类算法主要有:支持向量机（SVM）［10］、随机森林树［11］等。上述分类算法虽然已经在DAS振动信号的分类识别中取得了很好的效果，但是由于需要进行人为的特征提取，加大了DAS模式识别的实现难度。随着深度学习的发展以及大范围的应用，深度学习也已开始更多地应用在DAS系统的模式识别上，例如使用BP神经网络［12］、径向基神经网络［13］等神经网络算法对振动信号进行识别，在文献［14］中即提出使用一维卷积神经网络对油气管道入侵事件进行识别，该次研究直接将经过预处理的振动信号输入一维卷积神经网络，达到了与二维卷积神经网络相近的准确率，降低了识别时间。

基于此，本文提出使用基于谱质心与短时能量的端点检测算法提取出振动信号中包含的振动片段，并对振动片段进行信号的重组，形成新的振动信号后，再使用一个多尺度的卷积神经网络结合随机森林树的模型对振动信号进行识别。

1 识别方式原理

1.1 基于φ-OTDR分布式光纤声传感原理

基于Φ-OTDR的DAS系统原理如图1所示。其中，激光源为超窄线宽激光。φ-OTDR的工作原理为:超窄线宽激光源发出连续光，该连续光经过声光调制器（AOM）后被调制为脉冲光，由于脉冲光的强度偏弱，因此再让该脉冲光通过掺铒光纤放大器（EDFA）进行放大，被放大后的脉冲光经过带通滤波器滤波（BPF）后由光循环器（OC）的1端口进入，从OC的2端口射入传感光纤内。在传感光纤中，产生的后向瑞利散射光反向传播到OC的2端口，由OC的3端口射出。由于后向瑞利散射光强度较低，因此使用EDFA进行放大，放大后使用带通滤波器滤除自发辐射噪（AES），稍后使用光电探测器将脉冲光转换为电信号，再使用DAQ去采集电信号。由于不同类型的振动信号所包含的频率、持续时间等不尽相同，所以通过DAS采集的信号的波型也不同，因此可以对信号进行直接识别。

图1 φ-OTDR结构Fig.1 The construction of φ-OTDR

1.2 基于谱质心与端点检测算法原理

基于短时能量与谱质心的端点检测算法可以有效地提取出一段振动信号中的振动片段。短时能量能反映出信号时域的特征，谱质心能反映出信号频域的特征，结合两种特征可以很好地提取出信号中的振动部分。基于短时能量与谱质心的端点检测算法的原理为:首先对信号进行分帧处理，并且对每帧信号进行加窗，这样可以减小信号在分帧后的能量泄露，然后计算出每帧信号的短时能量，短时能量的计算公式为:

其中，s为帧信号，i为第i帧。再计算出每帧信号的谱质心，谱质心计算公式为:

其中，f为帧信号经过傅里叶变换后的频率值。

设置一个短时能量的阈值与一个谱质心的阈值。此后进行判断。如果帧信号的短时能量与谱质心都小于设置的阈值，认为该段信号没有振动；如果大于设置的阈值，认为存在振动，保留此时的帧数，根据帧与帧移的关系得出该段帧在原信号中的位置。

1.3 多尺度卷积神经网络原理

通常单个的神经网络只能提取出信号中部分的信息，不能提取到信号不同尺度的信息，所以通过使用多个不同尺度的卷积神经网络来更加全面的提取振动信号的特征。多尺度卷积神经网络的结构如图2所示。

图2 多尺度卷积神经网络Fig.2 Multi-scale convolutional neural networks

由图2可知，在多尺度卷积神经网络中使用了三层卷积神经网络，每个卷积层后都是使用了有一个最大池化层。通过对图2中的3个卷积神经网络层使用不同的卷积核大小，从而使3个卷积神经网络能提取到信号不同尺度的特征。

1.4 随机森林树

构建随机森林树实际就是同时构建出多个决策树，所使用的特征是随机选择的，从不同的特征组合中选择出最佳的特征组合。在随机森林树中设置的主要参数有:用于判断节点不纯度指标的计算方式、gini系数与entropy系数；用于设置最大决策树棵树的参数，一般情况下该参数设置得越大，判断效果越好；用于决定树最大深度的参数，多数情况下设置为5层，越大则拟合效果越好，但也越耗时；以及一些剪枝参数，主要是用于降低模型的过拟合现象。使用随机森林树进行分类可以有效降低计算时间，因为相较于支持向量机来说，随机森林树中不存在复杂的计算。

2 实验验证与结果分析

研究中使用的Φ-OTDR的实验装置参如图1所示。图1中，激光器为输出功率10 mW、线宽为3 KHz的分布式反馈激光器（DFB＿LD），AOM的带宽为100 MHz，EDFA的放大增益为27 dB，PD的带宽为200 MHz，DAQ的采样速率为200 MHz／s、采样位数为12位。实验装置的传感光纤部分被埋设在中国上海市的文翔东路和沪松路的施工现场来采集振动信号。拟有针对性地采集如下振动信号:汽车通过路面或者井盖时引发的振动、施工机械工作时引发的振动、手触碰光纤时引发的振动以及背景噪声。采集的信号主要是单个事件工作时的振动信号，目前对混合型振动信号的识别依旧是一个难点。汽车通过、机械挖掘、触碰光纤、背景噪音的振动信号如图3所示。

图3 振动信号Fig.3 Vibration signal

考虑到是在实际的施工现场来采集振动信号，所以采集的振动信号中存在有大量的噪音。如果不去除信号中存在的噪音，就会对信号的识别造成严重的影响，因此需对信号进行小波阈值去噪处理。未去噪与去噪后的振动信号如图4所示。由图4（a）可以看出，原始未去噪的振动信号中存在有大量的噪音；由图4（b）中可以看出，使用了小波阈值去噪后，明显减小了噪音，振动部分的信号变得清晰可见。

图4 未去噪与去噪后的振动信号Fig.4 Undenoising and denoising signal

一段振动信号通常包括振动部分信号与噪音段信号。为了提取出振动信号中的振动部分，需要对振动信号使用VAD算法以提取出信号中的振动部分，从而排除非振动部分对识别模型的影响。使用基于短时能量与谱质心的VAD算法所提取的振动部分信号如图5所示。图5（a）中的红色部分就是通过VAD算法提取出来的振动部分信号，通过对比图5（b）中的原始信号后可以看出，基于短时能量与谱质心的VAD算法很好地提取出了信号中的振动部分。

图5 振动信号的检测Fig.5 Detection of the vibration signal

使用VAD算法提取出信号中的振动段后，就要对振动段进行重组，这是因为，每种振动的持续时间不同，导致提取出的振动段长度不同，为了使各种振动信号的振动段长度相同，需要对振动段进行信号的重组，所使用的方式为对所提取出的振动信号段进行重复，以此来重组出一个只包含振动片段的信号。重组信号如图6所示。

图6 振动片段的重组Fig.6 Recombination of the vibration fragments

为验证本次研究提出的模型能准确识别出汽车通过、机械工作、触碰、噪音这4种振动事件，接着又进行了对比实验。研究中，为对比使用重组信号进行识别的效果，使用重组信号与原始信号进行对比，使用LeNet-5网络结构作为识别模型。两种信号的识别准确率如图7所示。

从图7中可以看出，通过使用重组信号，模型的识别率明显上升，这主要是因为使用VAD算法排除了信号中噪音的干扰。

图7 原始信号与重组信号识别率Fig.7 Original signal and recombinant signal recognition rate

通过多尺度卷积神经网络提取重组信号的特征，再使用随机森林树对所提取特征进行识别，为了得到最优的随机森林树参数，设置不同的参数，根据学习率曲线来得出最优参数。N＿estimators的学习率曲线如图8所示。由图8中可以看出，当N＿estimators设为13时，识别准确率最高，可以达到97.4%。此时使用的判断不纯度指标为entropy系数，最大深度为5。

图8 N＿estimators学习曲线Fig.8 N＿estimators learning curve

通过上述实验得出随机森林树最优参数后，开展模型的对比实验。数据集使用重组信号，模型则分别使用多尺度卷积神经网络结合随机森林树与LeNet-5模型进行识别。两种模型的识别准确率如图9所示。

图9 LeNet-5与多尺度卷积神经网络结合随机森林树的识别准确率Fig.9 LeNet-5 Recognition accuracy of random forest trees combined with multiscale convolutional neural networks

由图9中可以看出，使用多尺度卷积神经网络对重组信号进行识别的准确率明显高于LeNet-5模型的识别准确率。

3 结束语

本文使用端点检测算法和信号重组算法来对信号进行提取与重组，又进一步地使用了多尺度卷积神经网络结合随机森林树对信号进行识别，不仅降低了识别时间，还提高了对振动事件的识别准确率，对4种振动事件的识别准确率达到了97.4%。