基于波网络的相位敏感光时域反射系统模式识别方法研究

针对相位敏感光时域反射系统中传统人工特征提取和模式识别方法实时性差、准确率低的问题,提出一种波网络模式识别方法。该方法通过因果空洞卷积结构充分分析光纤振动信号的时序因果性,通过残差块结构使模型更快收敛,以实现更高的识别准确率和效率。实验结果表明,在对手拍、脚踩、棒击三种信号识别时,与一维卷积神经网络结构和长短期记忆网络结构方法相比,该方法识别准确率高达99.85%;且训练耗时最少,低至96 s,测试耗时也仅为30 ms,满足应用实时性的要求。该模式识别方法既具有高准确率又具有高实时性,对于φ-OTDR系统在周界安防中的应用推广具有重要意义。

基于MEEMD-HHT的分布式光纤振动传感系统信号特征提取方法

实际应用中,分布式光纤振动传感系统所测信号多为非平稳随机信号,对其进行模式识别的关键是准确获取信号的幅值-时间-频率瞬时特征。现有的相关研究表明,经验模态分解EMD方法结合希尔伯特变换可获得所测信号中固有模态分量的瞬时能量和瞬时频率,但存在模态混叠问题,后续改进的总体经验模态分解EEMD方法存在伪分量,重构误差大,互补经验模态分解CEEMD方法减小了重构误差的同时增加了运算量,无法保证特征提取与分类的效率与准确性。文中基于改进型经验模态分解方法结合希尔伯特变换MEEMD-HHT方法实现分布式光纤振动传感系统的特征提取,引入的排列熵的评价机制优化了分解过程中随机噪声迭代次数,通过仿真分析与实验对比,验证了该方法可有效解决上述方法中存在的问题,使系统在处理时间、特征准确度等性能皆有提高。实验结果表明,所提出的方法对于单频振动信号平均特征提取准确率达99.2%;对于混频振动信号平均特征提取准确率达98.1%,相对于EMD和CEEMD分别提高15.6%和7%,算法平均耗时最短,为3.825 9 s,为分布式光纤振动传感系统的信号特征提取提供了一种可靠、高效的方法。

相位敏感光时域反射系统相位模糊及解卷绕

对相位敏感光时域反射系统相位模糊问题和解卷绕进行了研究,推导了系统中扰动引入的相位变化的整个过程,分析了相位敏感光时域反射系统相位解调过程中产生相位模糊的原因。实验采用压电陶瓷作为扰动源,通过数字相干解调方法进行了相位解调。实验结果表明,相位模糊同时存在于每条相位解调曲线上和曲线之间,因此需要进行两次相位解卷绕消除相位模糊现象;同时,对实验中产生的相位错乱进行了分析,指出相位解卷绕阈值和扰动位置相位的剧烈变化导致了扰动位置相位解卷绕结果不准确,提出了采用相位差变化峰之后的临近位置处的相位变化来还原扰动。实验表明,这种方法能够正确还原扰动信号,能够对10 Hz~1.5 kHz范围内的扰动信号进行准确解调,可同时响应并解调光纤沿线多点扰动,且相位变化幅值与扰动强度具有良好的线性关系。

变分模态分解-排列熵方法用于分布式光纤振动传感系统去噪

提出一种变分模态分解-排列熵的去噪方法,分析并设定排列熵中关键参数和阈值,进而通过排列熵来确定变分模态分解的分解层数值,将分解的各模态进行重构以实现对振动信号的去噪。通过仿真测试来验证该方法在正交性、完备性、信噪比和效率方面的优越性,最后对系统采集的实际振动信号进行去噪处理。实验结果表明,与现有的经验模态分解-相关系数和完全经验模态分解-相关系数方法相比,所提方法对触网、车轮碾压和雨淋三种振动信号具有最优的去噪信噪比(含噪信号与降噪值之比),分别为32.5358 dB、30.5546 dB和29.3435 dB,耗时也较少,分别为1.4432,1.6320,1.2349 s,信号模式识别准确率最高,均在99%以上。