分布式光纖傳感在鐵路通信光纜盜挖告警中的應用

田 璞，楊芳南，李紅輝，張 杰，劉 真

（1. 北京交通大學 計算機與信息技術學院， 北京 100044；2. 高速鐵路網絡管理教育部工程研究中心，北京 100044）

鐵路通信光纜在鐵路通信系統(tǒng)中的作用極為重要，它的安全會直接影響到鐵路通信系統(tǒng)的正常運行。近年來，由于非法施工、人為盜挖等因素而經常引發(fā)一些破壞通信光纜的事件，不僅給國家的經濟財產造成重大損失，而且對鐵路系統(tǒng)的運營安全造成極大危害。

目前，在光纜防護工作中，主要應用以下4 種技術[1]：紅外探測技術[2]、脈沖電子探測技術、張力式探測技術和智能視頻分析技術[3]。這4 種光纜防護技術都存在誤報率高的問題，且這些技術并不適用于長距離的監(jiān)測，不能廣泛地使用。分布式光纖傳感技術是20 世紀70 年代末發(fā)展起來的一種傳感技術，由于該技術能夠實現(xiàn)長距離分布式監(jiān)測，可全天候工作，適用于各種復雜地形，具有成本低、靈敏度高、抗電磁干擾、無緣、無盲區(qū)、可復用等優(yōu)點，被廣泛應用于管道防護、周界安防等領域。

1 分布式光纖傳感技術

1.1 散射型分布式光纖傳感技術

傳感光纖受到外界環(huán)境影響時，會產生感應變化，散射型分布式光纖傳感技術正是利用傳感光纖中背向散射光發(fā)生的變化來實現(xiàn)感應的。光散射包括3 種類型：拉曼散射，瑞利散射，以及布里淵散射[4]。分布式光纖傳感器的類型取決于散射光的類型。

1.1.1 基于瑞利散射的光時域反射技術

在光纖中有光脈沖傳輸時，會產生后向瑞利散射光。通過檢測光的瑞利散射特性，提出了基于光時域反射儀（OTDR）的傳感技術。當在光纖鏈路中發(fā)生非常規(guī)能量損失點時，在后向瑞利散射光中存在非常顯著的變化，后向瑞利散射曲線也會出現(xiàn)變化，根據檢測脈沖注入端這一信號的變化情況，可獲取沿光纖的衰減程度大小和光纖散射系數分布情況。所以，OTDR 是具備分布式測量功效的。但是注入OTDR 的光脈沖是非相干的，而且需要檢測光強度的損耗狀況，因此限制了該系統(tǒng)檢測物理參數的數量，特別是在檢測瞬時振動信號的過程中。

OTDR 的原理，如圖1 所示。

圖1 OTDR原理圖

1.1.2 基于布里淵散射的分布式光纖傳感技術

布里淵散射的原理是入射光波與聲波在傳播過程中相互作用，這種相互作用會使光產生頻移，頻移會受到溫度、應變的影響。布里淵散射光的頻移與應變、溫度的關系為：

該分布式光纖傳感技術中，在光纖端口注入泵浦光脈沖，然后檢測探測端處的后向布里淵散射光，可以得到散射光的頻移，這樣，通過式（1）和（2）就能計算出對應的應變信息、溫度?；诓祭餃Y散射的分布式光纖傳感技術測量結果精度比較高，應用范圍廣，空間分辨率也較高。

1.1.3 基于拉曼散射的分布式光纖傳感技術

激光光子與光纖分子的熱振動之間相互作用會發(fā)生能量交換，進而產生反斯托克斯光和斯托克斯光。拉曼散射正是建立在這兩種光的基礎上的。其中，反斯托克斯光的光強會根據溫度變化而發(fā)生變化，但是溫度變化卻不會影響到斯托克斯光的光強。因此，可以對比這兩束光強，依據溫度變化與光強間的對應關系，得到光纖中各個點的溫度情況[5]。

1.2 相位型分布式光纖傳感技術

利用干涉儀原理進行分布式傳感法的技術稱為相位型分布式光纖傳感技術[6]，通過光源發(fā)出相干光，經耦合器輸出頻率相同的兩束干涉信號，利用光電探測器來具體測算通過干涉結構后的振動信號。該分布式光纖傳感技術簡單，而且響應靈敏度高，主要包含基于Michelson 干涉的分布式光纖傳感技術、基于Sagnac 干涉的分布式光纖傳感技術和基于Mach-Zehnder 干涉的分布式光纖傳感技術，并可以通過不同干涉技術的特點進行組合，構成性能更優(yōu)復合型干涉?zhèn)鞲屑夹g，例如基于雙Mach-Zehnder 干涉的分布式光纖傳感技術。

1.2.1 基于Michelson干涉的分布式光纖傳感技術

在Michelson 光纖干涉技術中，光源發(fā)出相干光，經過耦合器后分為兩路分別進入干涉儀的兩個臂，經兩臂末端反射后再次回到耦合器發(fā)生干涉。當傳感光纖受到外界擾動時，兩臂光纖之間相位差發(fā)生改變，從而導致探測器檢測到的干涉信號的強度發(fā)生變化[7]。其基本原理，如圖2 所示。

圖 2 Michelson光纖干涉技術原理圖

Michelson 光纖干涉技術必須要有效地屏蔽參考光纖，外界干擾對其影響很大，而且Michelson 光纖干涉技術有很大難度同時測量多點擾動，所以限制了其應用范圍和前景。

1.2.2 基于Sagnac干涉的分布式光纖傳感技術

在Sagnac 光纖干涉技術中，相干光從激光光源處發(fā)射，通過耦合器以后分成兩個支路，按照逆時針和順時針兩個不同方向進行傳輸，然后經過Sagnac 環(huán)一周傳輸后回到耦合器進行干涉。外界干擾對其影響后，這兩個支路光信號之間相位差發(fā)生改變，使得干涉信號的光強發(fā)生改變。其基本原理，如圖3 所示。

圖3 Sagnac光纖干涉技術原理圖

1.2.3 基于雙Mach-Zehnder干涉的分布式光纖傳感 技術

雙Mach-Zehnder 干涉技術采用測時間差方法進行定位。光源發(fā)出相干光，經耦合器C1 分為兩束。一束經過耦合器C2 分成兩束進入干涉臂F1、F2，再經耦合器C3 進入干涉臂F3，最終經耦合器C4 發(fā)生干涉；另一束經過耦合器C4 進入干涉臂F3，再經耦合器C3 分成兩束進入干涉臂F1和F2，最終在耦合器C2 發(fā)生干涉[8]。其基本原理，如圖4 所示。

圖4 雙Mach-Zehnder光纖干涉技術原理圖

假定監(jiān)測總長度為L，延遲光纖長度Ld=L，當振動信號作用在s處時，光電探測器PD1 和PD2 探測到的干涉信號分別為：

式中，t1=ns/c；t2=n(Ld+L-s)/c；I0為光源的輸出強度； 為干涉儀固有的相位差。兩個探測器輸出的信號之間的時間差Δt為：

由式（5）可知，只需測出時間差Δt即可計算出發(fā)生振動的位置。目前測時間差的方法大多是基于互相關的。

目前，雙Mach-Zehnder 干涉技術已經獲得了較為成熟的發(fā)展，其具有傳感距離長、高靈敏度、抗電磁干擾和定位精度高等優(yōu)點。因此，本文采用雙Mach-Zehnder 干涉技術。

2 基于分布式光纖傳感的盜挖告警方法研究

2.1 光纜盜挖告警的基本算法

在盜挖告警方法中需要對振動信號的類型進行識別，區(qū)別振動信號是由人為盜挖產生的，還是列車通過或天氣情況產生的。振動信號識別需要考慮3個因素：信號特征提取，模式分類算法和模式識別效率。

傳感光纖在處于正常情況時，其振動信號的幅值變化和振動頻率都很小，而在受到外界振動影響時，振動信號的頻率和振幅都會發(fā)生變化。所以，通過測量信號的時域特征和小波域特征作為識別振動事件類型的特征向量是可行的。

鐵路通信光纜大部分時間均處于正常狀態(tài)，檢測到盜挖行為只是短暫的一段時間。因此，為保證監(jiān)測系統(tǒng)的時效性，正常情況下，系統(tǒng)只對時域特征進行監(jiān)測；當時域特征的值超出設定的閾值時，再對小波域特征進行監(jiān)測，聯(lián)合小波域特征作為特征向量進行模式識別，返回振動事件的類型，例如列車通過、行人通過、人為盜挖等，如果識別出人為盜挖的行為，則產生告警信號。這種兩級振動模式識別方案，可以減少大量復雜的小波域變換計算，提高算法的時效性。算法實現(xiàn)流程，如圖5 所示。

2.2 振動信號特征提取

2.2.1 短時過雙閾值率

短時過零率是利用統(tǒng)計正負閾值轉換過程中經過零閾值的數目來估計信號的頻率的[9]，一般用于處理語言信號。可以通過短時過零率得到信號的頻率特征，但是得不到信號的振幅特征。所以，可通過短時過雙閾值率來考量信號的時域特征。

通過設置信號的上下雙閾值門限，計算信號在上下閾值中穿梭的次數，把短時過上、下閾值率相乘，得到短時過雙閾值率。假設信號Xn(m) 的短時過雙閾值率為Ld(n)，則其計算公式為：

式中，Lup(n) 為短時過上閾值率；Ldown(n) 分別為短時過下閾值率；其計算式為：

式中，aup為上閾值門限值，adown為下閾值門限值。

圖5 算法流程圖

2.2.2 基于離散小波分解的頻段方差

與傅里葉變換相比，小波變換發(fā)展了局部信號分析的特點，是傅里葉變換的一種延伸，分析窗形狀可以通過拉伸或收縮進行改變[10]。通過對頻率較低的信號段頻率上的細分和頻率較高的信號段時間上的細分，可以對信號進行多分辨率多尺度的分析，擴大了傅里葉變換的應用范圍。

Mallat 算法是一種有效、快速的離散小波變換方法[11]，使用不同的細小尺度不斷逼近需要進行分析的信號，極大地降低了離散小波變換的計算量。信號通過高通濾波器產生高頻分量cD，通過低通濾波器后產生低頻分量cA。在每一次分解中，保留信號的高頻分量，而不斷對低頻分量進行分解，該分解過程經過M次迭代，最終形成M層分解。小波的重構是分解的逆過程，通過反向執(zhí)行Mallat 算法，重構出原始信號。通過離散小波變換，得到信號在不同頻帶上的特征，假定信號的采樣頻率為fs，則第i層的小波重構系數所對應的頻帶范圍為[2-(i+1)fs，2-ifs]。

信號在經過離散小波變換后被分解到不同頻段，計算各層小波系數平均能量(σi)2的方差，將其作為特征參數：

其中，M為小波分解的層數；Eim為第m層小波系數的平均能量；Ei為各層小波系數的平均能量Eim的均值；其計算式為：

不同信號在不同頻段上的分布是不同的，通過分析不同振動信號的小波系數能量在各個頻段的分布情況，可以作為對振動事件檢測的一個特征參數。

2.3 振動事件分類

2.3.1 SVM分類

SVM 方法是通過創(chuàng)建多維分類超平面進行決策的，目的是實現(xiàn)兩類數據正反例之間的支持向量的距離最大化。SVM 分類的重點是選擇核函數，正確選擇核函數可以將低維空間難以線性劃分的問題轉換到高維度上，并且不會增加問題的計算復雜度。核函數一般為4 類，分別為：

線性函數：K(x，xi)=x?xi；

多項式函數：K(x，xi)=(xTxi+1)p；

二層感知器函數：K(x，xi)=tanh[γ(x ? xi)+r]。

這4 類核函數中，徑向基函數對應的特征空間具有無窮的維數，這樣小樣本問題一定是線性可分的，故而徑向基函數在核函數中應用最廣。因此，本文選擇徑向基函數作為核函數。

SVM 算法中，懲罰項參數太高會引發(fā)SVM 分類器出現(xiàn)過擬合狀況，降低SVM 分類器的泛化能力，選取適當的核函數參數和懲罰項參數非常重要，本文選擇遺傳算法對SVM 分類方法進行優(yōu)化。

2.3.2 基于遺傳算法的優(yōu)化

遺傳算法是一種借鑒生物進化過程的求解全局最優(yōu)化問題的隨機搜索算法，具有實用、高效、魯棒性高的特性，遺傳算法優(yōu)化SVM 的流程如下[12]：

Step1 ：生成初始種群，從待分類的點集中隨機選擇N 個點作為初始種群；

Step2：編碼，通過二進制編碼的方式生成染色體，將各個個體的基因帶入SVM，包括懲罰項參數和核函數參數，并對其進行訓練和測試；

Step3 ：適應度評價，根據適應度評價原則，計算每個個體的適應度的值；

Step4 ：判斷終止條件是否滿足，若滿足，則退出循環(huán)，不滿足執(zhí)行Step5 ；

Step5 ：選擇操作，從當前種群中選擇適應度的值較高的個體，使它們進入下一次迭代過程；

Step6 ：交叉操作，將種群內的個體隨機搭配成對，對于每對個體以某一概率交換它們之間的部分染色體；

Step7 ：變異操作：隨機選擇種群中的某些個體，對于這些個體以某一概率隨機改變個體某個基因的值。然后返回Step2 繼續(xù)下一次迭代。

3 實驗結果與分析

3.1 復合特征提取

采集列車通過、行人通過以及人為盜挖產生的振動信號各100 組，振動信號特征提取方法采用時域- 小波域的復合特征提取方法。選取的時域特征為短時過雙閾值率，選取的小波域特征為小波系數能量方差。

提取3 類振動信號的時域特征，使用矩形窗對信號進行加窗分幀處理，幀長選取32 ms，對每一幀信號進行降噪處理并進行6 層小波分解，計算這3 類振動信號100 組數據樣本的短時過雙閾值率平均值，計算結果，如表1 所示。

表1 3類振動事件的時域特征平均值

從表1 看出，列車通過所產生的振動信號振動幅度較大，因此短時過雙閾值率的值較大；行人通過產生的振動信號振動幅度隨時間逐漸衰弱，短時過雙閾值率的值較?。蝗藶楸I挖所產生的振動信號類似間斷的行人通過所產生的振動信號，短時過雙閾值率的值高于行人通過產生的振動信號的值。

進一步地，提取3 類振動信號的小波域特征，對信號進行6 層小波分解，計算振動信號在7 個尺度[d1，d2，d3，d4，d5，d6，a6]下的小波系數能量方差占總能量方差的比值，得到的小波系數能量方差分布比，如圖6 所示。

圖 6 小波系數能量方差分布比

從圖6 可以看出， 3 種振動事件的小波系數能量方差分布呈現(xiàn)明顯差異，列車通過所產生振動信號的小波能量主要集中在高頻，行人通過所產生振動信號的小波能量主要集中在低頻，而人為盜挖所產生振動信號的小波能量分布相對較均勻。

3.2 SVM優(yōu)化及分類

提取到3 類振動事件的時域特征和小波域特征之后，對這3 類振動信號分別選取50 組數據作為訓練樣本，剩余50 組數據作為測試樣本。

針對基于時域特征、基于小波域特征以及基于時域- 小波域復合特征的3 種特征提取方法，建立對應的3 個基于決策樹的多分類器，再對每個多分類器中的SVM 二分類器進行參數優(yōu)化。

得出最佳的核函數參數和懲罰項參數之后，對DT-SVM 多分類模型進行訓練。對于每類振動信號的100 組樣本數據，隨機選取50 組作為訓練樣本，提取訓練樣本的時域特征向量和小波域特征向量。分別選擇時域特征、小波域特征以及時域- 小波域復合特征作為特征向量輸入到基于決策樹的SVM 分類器中，訓練多分類器，最終得到3 種多分類器。將每類振動信號的剩余50 組數據作為測試樣本，將其分別輸入到得到的3 種多分類器中進行分類。這一過程循環(huán)進行10 次，計算平均分類正確率，如表2 所示。

表2 振動事件分類識別正確率

從表2 中可以看出，使用遺傳算法優(yōu)化SVM 的方法有效地提高了算法的分類正確率，且基于時域-小波域復合特征向量的特征提取方法相比于基于時域特征或基于小波域特征，對于每種振動信號的分類識別正確率均有很大的提高。這說明，單一的時域特征只能表征信號的振幅和持續(xù)時間信息，不能表現(xiàn)信號的頻率信息，而小波域特征可以表現(xiàn)出信號在各個頻帶的分布特性。因此基于時域- 小波域復合特征的特征提取方法能夠有效地識別振動信號的類型。

4 結束語

隨著我國高速鐵路的迅速發(fā)展，鐵路通信光纜越來越多，可以充分利用各種監(jiān)測技術，及時發(fā)現(xiàn)并阻止由于非法施工、人為盜挖等引起的鐵路通信光纜破壞事件，以保障鐵路系統(tǒng)的安全運營。

本文對目前主流的分布式光纖傳感技術的工作原理進行了分析和總結，在此基礎上提出了一種通過分布式光纖傳感技術進行光纜盜挖告警的應用方案，并通過實驗驗證了其有效性。