光纖振動傳感儀模式識別技術的研究

王敏， 鄭堅濤， 周騰

(廣州供電局有限公司，廣東 廣州 510620)

0 引言

城市改造步伐不斷加快，地埋電力電纜正向高密度，大長度發展。地鐵、高架等工程全面展開，淺埋在城市道路兩旁的電力管線，易遭各種外力破壞，給生命財產和社會經濟帶來巨大威脅。傳統監測系統無法對入侵事件類型進行準確的分析判斷，系統誤報率居高不下，對地埋管廊防外力入侵帶來了巨大挑戰[1-3]。

本文應用基于M-Z光纖干涉原理的光纖振動傳感儀，檢測地埋電力管廊沿途的異常振動信號，采用相干光拍頻技術，利用振動識別算法，采集、處理相關異常信號，對信號的時域、頻域圖譜進行研究，提取特征信號值，建立入侵事件識別模型，利用機器學習方法，提升光纖振動傳感儀對物理振動入侵行為的識別能力[4-5]。

1 光纖振動傳感儀的組成和原理

光纖振動傳感儀利用電纜沿線同溝敷設的光纜中的3根單模光纖作為光纖振動傳感儀的傳感器[9]，其中光纖1和光纖2用于測試光纖振動信號，光纖3用于信號的傳輸。當外界發生振動時，會引起光纖纖芯折射率和長度的變化，從而引起光纖中相位發生變化。通過對入侵事件振動信號的采集、處理，提取特征參數，建立振動事件數據庫，實現光纖振動傳感儀對物理振動入侵行為的模式識別。原理如圖1所示。

圖1 光纖振動傳感儀原理圖

激光源發出兩束光，當兩束光在傳輸過程中受到外部沖擊力或振動，振動點的光纖的折射率發生改變，引起光波相位的改變。由于空間位置不同，相位調制會有差異，兩束光的相位差會發生變化。兩束光到達耦合器2時發生干涉，相位差會導致干涉條紋的光強發生變化，通過光電轉換、數據采集和信號處理便可檢測到此信號。光探測器解調后，還原振動波的信號，此信號基本上是體現了事件的波形，經過與已有事件庫的波形對比，可分辨出振動源的類型。

2 拍頻相干技術

當波長差遠小于波長量級(頻率相差極小)的兩束光同方向共線傳播時，波長短的光會對波長長的光進行調制，形成光強變化的包絡，這種現象稱為光拍頻，如圖2所示。

圖2 光拍頻產生原理

光纖振動傳感儀采用了拍頻相干技術。也就是用2個近似波長的激光器產生相干，利用微小改變下面的激光器波長差來控制拍頻波長從而很容易控制相干靈敏度，達到大動態范圍不飽和探測。探測信號統一，從而得到微弱機械振動波形的線性還原。通過光相位調制及相干檢測，可實現極小信號的檢測[6-7]。

3 數據的采集與分析

光纖振動傳感儀的采集模塊采集數據后，經小波濾波抑制光纖振動傳感儀的背景噪聲，上位機通過算法處理相關數據信息。通過閾值設定，判定是否報警。當數據值大于閾值時，系統報警;當數據值小于閾值時，系統不報警。

4 特征信號值的提取

入侵行為的振動信號在“時間域”下，即x軸是時間(秒或分鐘)，而y軸是測量的振動幅度(位移、速度、加速度)。在該概念下，顯示振動波形是很精確的方法，可以顯示出入侵行為的實際振動形態，并對其各種振動參數進行分析。相對“頻率域”采集到的振動頻譜圖，振動波形圖能更精確定位某入侵振動行為的持續時間、振動幅度、同一時間段的振動行為數量等，且無需在圖譜的高頻部分由系統取平均值，再與事件庫的數據對比，從而做出判定[8-10]。

振動波形圖是通過波形幅度、幅度門限、持續時間等多種參數，進行分析以區分是誤報，還是具有威脅的入侵行為。相對于樹枝、鳥類、小動物、冰雹、風雨等偶然性事件而引起的敲擊振動，通過機器學習和AI識別系統校驗分析后，雖然和某些威脅行為如人為入侵所引起的波形是一個類似的波形，但無論是從整體的波形幅度、持續時間、同一時間產生的事件數量上，都是和人為入侵所引起的波形是不同的。

光纖振動傳感儀采用時域/頻域混合分析法,結合人工智能識別技術，對相干信號相位分析，實現對振源信號的精確分類、識別，大幅度提高振源識別準確率。

本方法基于分布式光纖振動傳感信號的線性還原及振動源類型識別的研究。將光纖振動傳感儀設備接入的電力通信光纜作為長距離傳感器，感知沿線的振動信號，采集線路沿線的GPS坐標數據，繪制線路(若干條)GIS電子地圖。

通過采集到的多種振動源的信號如手工工具鉆探電力纜線及管道、大型機器作業電力纜線及管道、管井蓋掀開等，基于光纖微振動分布信號的線性還原及振動源類型的振動事件數據(波形圖)，建立并豐富電力纜線及管道的振動事件數據庫，形成對不同振動事件的分類和數據歸檔。

5 識別模型的建立及機器學習

任何復雜的信號均由多個復雜算法的短時簡單信號組成，將其與時間相關的幅度進行展寬與壓縮。

(1)依據數據、識別效果、選取分段數目，選取該段信號的最大值和最小值，通過信號最大值和最小值構建數據模型；

(2)計算數據與模型間最短歐氏距離的模型，作為最優的數據模型；

(3)將所有最優模型的參數作為機器學習的判定和學習的標準，輸入系統；

(4)利用已經建立好的數據模型對多種類型的多組數據進行運算；

(5)對輸入信號和期望輸出信號，利用機器學習的方法進行訓練。當訓練后的輸入信號與輸出信號的最小方差滿足要求，停止訓練。

通過系統采集到物理入侵事件的振動信號，將光電信號轉化為對應的振動事件波形圖。通過分析研究，模擬典型環境下各種入侵事件，并采集對應的振動波形圖，通過大數據分析原理，對入侵事件的振動波形圖進行定義和分類，實現機器學習功能。

6 實驗結果分析

于2019年7月12日上午，我司在廣州花都區，分別對田心變電站至公益站的110 kV和10 kV，以及田心站至平石站的輸電光纜線路進行測試。

當輸電線路受到外力，如人工挖掘、機器挖掘，伴隨輸電線的光纜將振動信號提供給機房的主機，發出告警信息。讓工作人員能及時趕到現場制止破壞行為。

對于光纖振動傳感儀監測到的開井蓋、手工工具挖掘、重型機械作業、下雨信號，進行實際監測后，可得到波形圖如圖3—圖6所示。

分析圖3—圖6可發現，不同原因引起的振動幅度存在著較大差異，通過波形幅度、幅度門限、持續時間、波形密度等多種參數，進行分析以區分是誤報，還是具有威脅的入侵行為，同時將相關參數作為模式分類的依據。

圖3 開井蓋的波形圖

圖4 手工挖掘的波形圖

圖5 重型機械作業的波形圖

圖6 滂沱大雨的波形圖

為了驗證以上分析，分別對開井蓋、手工工具挖掘、重型機械作業、滂沱大雨的入侵行為進行100次測試，測試結果如表1所示。

表1 不同入侵行為模式識別的識別率分析

從表1實驗結果可以看出，基于M-Z光纖干涉原理的光纖振動傳感儀模式識別技術的識別率大于96%，相關模式識別的算法、模型和特征值、入侵事件的波形判別標準滿足光纖振動傳感儀的需要，可以作為光纖振動傳感儀模式識別的依據。

7 總結

本文設計了一種基于M-Z光纖干涉原理的光纖振動傳感儀,以直埋單模通訊光纜作為光纖振動傳感儀的檢測傳感器,采用相干拍頻技術，對光纖振動信號進行算法分析，對不同振動信號的頻域圖和時域圖進行分析判斷，提取波形幅度、持續時間、波形密度等特征值，從而將不同入侵事件進行區分。通過實驗發現基于M-Z光纖干涉原理的光纖振動傳感儀對電力地埋管廊入侵事件模式識別率達到96%以上，滿足光纖振動傳感儀模式識別的要求，相關技術可以作為光纖振動傳感儀模式識別的依據?；贛-Z光纖干涉原理的光纖振動傳感儀模式識別技術為降低地埋管廊防外力破壞的誤報率提供了有效手段和方法。