基于EMD分解与1-D CNN算法的光纤振动信号的识别

吴 虎,孔 勇,王振伟,丁 伟,李 欢

(上海工程技术大学电子电气工程学院,上海 201620)

1 引 言

DAS因其抗电磁、监测范围大等优点在管道监测、周界预警、地震预测、入侵检测等领域得到了广泛应用。基于φ-OTDR的DAS与其他光纤入侵传感器相比,具有灵敏度高、全分布方式、成本相对较低、可实现远程入侵检测等优点,是一项很有发展前途的技术[1-5]。在对入侵事件进行识别的过程中,主要可分为四个模块:对入侵振动信号进行预处理；特征提取；制作数据集；使用识别算法进行分类。由于在实际环境中存在大量的振动源,但是对振动事件的识别主要是其中的部分振动,其余的振动信号为噪声,如果不对采集的信号进行滤波处理,对最后的识别结果影响会非常大,因此对振动信号进行预处理是非常有必要的,常用的去噪方式有小波包去噪[6]、变分模态分解(VMD)[7]等,在文献[8]中提出使用EMD将φ-OTDR采集的振动信号分解为一系列的固有模态函数(IMF)和残差分量。使用PCC选择出无振动的位置,通过去除多个IMFs来消除高频噪声,该方式将100 Hz和1.2 kHz的振动事件的信噪比分别提高到42.52 dB和39.58 dB。常用的特征提取方式有提取振动信号的傅里叶变换特征、短时能量、梅尔倒频系数等[9-11],或者使用EMD[12]、VMD[13]、小波变换[14]算法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)[15]、极值梯度下降(XGBOOST)[16]、随机森林树[17]。这些方法虽然可以比较准确地识别出入侵事件的类别,但是其运算量大,非常耗时,所以当DAS的监测距离很大时,这些方式的识别时间会随着监测距离的增加而增加。……