基于光纤振动安全预警系统的抗干扰算法研究

李国相，苟武侯

(中国航天空气动力技术研究院，北京 100074)

随着科学的发展以及技术的进步，越来越多的领域需要利用安全预警系统来进行防范、确保安全，而光纤振动安全报警系统解决了有些领域长距离、野外作业、无源探测等方面的要求.光纤振动安全预警系统以传感光缆作为分布式传感器，以光信号为载体，不需要供电，使用安全，便于野外作业；光纤的线状结构易于架设，便于大范围长距离的检测；其铺设方便灵活，可以做到高隐蔽性，易与周围环境融于一体；光纤既作为传感单元，又作为传输介质，增加了光纤材料的复用性；此外光纤传感器体积小、质量轻、稳定性高、抗干扰能力强、耐腐蚀、无辐射，这种光纤振动安全预警系统的误报和漏报明显优于常规的安防系统，因此被广泛应用于各领域进行周界安防.

光纤振动安全报警系统作为一种新型的安防系统，利用光纤作为感应体，探测外界扰动并判别是否属入侵行为，并自动识别入侵类型，实现对有害行为的及时报警，达到周界预警的目的.然而，自然界中，不可避免的存在着多种干扰信号，对振动事件的检测率、识别率及报警准确率产生一定干扰.当无害的干扰信号较大的情况，如布置在围栏上的传感光纤容易受到大风天气影响，由于强风干扰信号能量较大，容易产生系统误报，造成系统的误警率或漏警率一定程度的上升.如何有效识别出强风干扰信号、避免其对系统正常预警的影响，是光纤安全预警系统面临的主要问题之一.

目前针对天气干扰因素的处理方法包括：(1)结合当前天气情况对系统软件进行抑制处理，如通过风速计、天气预报等了解光纤安防周界区域的天气情况；(2)设定动态阈值方法，将采样信号幅值归一化，进行多组测试得到每一组的有效过阈值数量，从而确定动态阈值；(3)采用线性分类器、神经网络方法、方差分析、混沌分析、支持向量机[8]等，对振动信号进行识别[1-8].然而，方法一仅能降低特定天气条件下的系统误报率，对于在该天气下系统可能存在的攀爬等有害入侵信号具有一定的漏报风险；方法二对于信噪比较好的情况检测效果较好，对于信噪比较差的场景难以推广；方法三均需要对大量样本进行学习和训练，计算量大，且存在训练收敛性等问题.

本文提出建立无害的强风干扰源数学模型，结合有害的人员攀爬入侵信号特征，提取采集到的振动信号的短时过零率，实现对无害强风干扰的振源准确识别，有效降低恶劣天气情况下光纤预警系统的误报率和漏报率，由于不需要进行学习训练，降低了运算量，对系统的实用性有很大的改进，具有重要实际意义.

1 光纤振动安全预警系统简介

振动信号采集原理(见图1)，主要包括3个部分：分布式光纤传感器、光源及数据采集模块和上位机服务器.其中，分布式光纤传感器主要布置在具有安防需求的周界围栏或围墙上，并经过报警主机上的光源及数据采集模块采集安防区域周边的振动信号，经过电转换、模数转换等变换传输到计算机中，对该振动信号处理和分析，实现对光纤覆盖区域的实时监控.

图1 振动信号采集原理图

安防区域的周界围栏或围墙上的分布式光纤振动传感器，可以接受到运动、压力、和振动行为对其中光信号的影响，从而实现对诸如攀爬、剪切、行走等行为进行监测，通过光电探测模块，系统报警主机可以采集到运动、振动或压力造成的微弱信号，然后经过放大电路、模数转换器将振动信号传输至上位机服务器进行进一步信号检测、识别等相关处理.系统采样频率为10 kHz，振动数据为32位浮点数的电压数据，为了方便数据处理，设定每1 024个数据为一帧.

本文研究针对布防在海边某地的安防地界，分布式传感光纤铺设在周界围栏上，主要用于监测防止人员攀爬、越过围栏，对有害入侵行为进行预警.由于环境因素，海边风速较大，在大风情况下，系统容易产生误报.据此，本文开展强风干扰情况下，光纤振动安全预警系统的振源识别算法，对强风干扰振源进行检测、识别并屏蔽无害干扰信号，降低系统误报率，同时，保证有害攀爬振源准确报警，防止系统漏报.

2 振动信号处理

经典的振动信号分析主要包括时域和频域分析，在系统实际运行过程中，经常会出现强风干扰振源，特别是布防在海边、风口的预警区域，因此，区分强风干扰振源和人员入侵振源对提高系统识别率、报警率具有重要意义.本文分别提取强风振动信号和攀爬振动信号，对于采集到的信号，进行时域和频域分析，观察其时域波形，图2所示为强风信号和攀爬信号的时域波形对比.

图2 强风与攀爬振动信号时域波形对比

分析两者时域波形，发现两振动信号的幅度基本相近，均在1.3 V左右，仅在时域特征上难以区分机械振源和火车振源.

图3所示为强风干扰信号与人员攀爬信号的频谱分析结果，分析两者的频谱特征可以发现，两者幅度谱幅度略有差别，然而，很难直接从频谱上将两者区分开来，如何量化的提取两者频谱差异，是区别强风干扰振源和人员攀爬入侵振源的关键，本文以此为根据，建立基于短时过零率的强风干扰振源识别算法.

图3 强风与攀爬振动信号频谱波形对比

3 基于短时过零率的干扰振源识别方法

3.1 振源信号的预处理

为了衡量振动信号大小，引入信号的短时平均能量，短时平均能量是研究信号能量的量，振动信号序列{x(k),k=1,2,…,n}的n时刻振动信号的短时平均能量P(n)为：

(1)

其中，wN为长度为N的窗函数，窗函数选取

(2)

由于振幅较小，采用线性计算将影响数据精度，为了方便数据处理，提高系统检测能力，显示能量动态变化范围，采取能量的分贝形式：

(3)

图4所示为强风干扰信号与人员攀爬入侵信号的短时平均能量对比结果.由图可知，两者短时平均能量相近，均可达到-4 dB左右，单凭设定能量阈值难以将两者区分开来，阈值设定偏高，会导致系统漏报，造成人员攀爬入侵系统未报警；阈值设置偏低，会导致系统频繁误报，增加安保人员排查成本，不利于系统运行.

图4 强风与攀爬振动信号短时平均能量对比

因此，检测并识别出振源信号类型，对于无害的强风干扰振源进行识别并屏蔽报警，对于有害的人员攀爬入侵振源进行识别并及时报警，具有重要应用价值.据此，本文设定较低的系统检测阈值，并对检测到的振动信号进行进一步的识别，提出短时过零率方法识别强风干扰振源和人员攀爬振源.

3.2 短时过零率法

短时过零率(zero-crossing rate, ZCR)可以看作信号频率的简单度量，是指信号通过零值的次数.短时过零率可以表示为：

(4)

其中，sign(x)为符号函数

(5)

w(n)为矩形窗函数，窗长度为N，公式可表示为：

(6)

为了避免受到噪声干扰，采用幅值滤波法滤除干扰信号，设置降噪阈值为Tα，避免小幅振动干扰对过零检测的影响，增强抗干扰能力，改进后的短时过零率计算方法为：

ZCR(n)=

(7)

为了方便设置过零率阈值，统一单位，采用单位时间短时过零率，在采样频率为Fs=10 kHz情况下，单位时间短时过零率可表示为

(8)

单位时间短时过零率描述，在单位时间内振幅信号的过零次数.

3.3 振源识别算法

本研究通过大量数据分析，建立了基于模型和知识的模式识别方法，通过对振动信号进行预处理，计算其单位时间短时过零率作为识别参数，实现强风干扰振源和人员攀爬入侵振源的自动检测与识别的目的.其中振源模型的建立是系统的关键，根据不同振源模型，提取出相应振源的相应特征，进而达到识别分类目的.

对于采集到的振动信号，具体的振源识别流程(见图5).算法步骤为：

(1)根据式(3)计算振动信号的短时平均能量，进行信号预处理；

(2)根据设定的短时平均能量阈值P(n0)，进行信号检测，得到振动信号数据；

(3)设置合适的单位时间短时过零率降噪阈值Tα，根据先验知识，可以设置降噪阈值为Tα=μ+2.5σ～μ+3σ，其中，μ为振动信号均值，σ为振动信号标准差；

(4)根据式(8)计算单位时间短时过零率R(n)；

(5)将计算得到的单位时间短时过零率与经验阈值门限R0进行对比，若R>R0，则认为是强风干扰振源，否则，是攀爬入侵振源，算法结束.

图5 振源识别系统流程

4 振源识别结果分析

分别将光纤振动安全预警系统采集到的强风干扰信号和人员攀爬测试信号通过识别系统，并对抗干扰算法进行验证，对大风和攀爬数据进行过零率检测，幅值滤波阈值设置为2.5倍的振幅标准差，结果(见图6).

图6 单位时间短时过零率分类结果

分类结果表明，所有强风干扰振动信号均具有较低的单位时间短时过零率，而人员攀爬入侵振源的单位时间短时过零率较高，且在选择合适的降噪阈值情况下，可以准确的区分出强风干扰振源和人员攀爬入侵振源.识别结果表明，基于本文提出的抗干扰算法具有较好的识别效果，实际应用表明，该算法可以有效的降低系统误报率，同时保证系统较低的漏报率，增强了系统的应用价值.

5 结 论

本文研究了光纤振动安全预警系统中较难的大能量强风干扰振源识别问题，分析比对了强风干扰振源和人员攀爬入侵振源的振动信号模型，发现了强风干扰振动信号和人员攀爬入侵振动信号在频率域上的区别，提出了基于短时过零率的振源识别新方法，给出了识别的具体实现流程，实现了光纤振动安全预警系统中无害强风干扰的准确检测与识别，经实际验证，识别正确率高、误判率低，能很好的运用到实际系统中，降低了系统的误报率和漏报率，具有较高的实际应用价值.

参考文献：

[1] TARR S, LEACH G. The dependence of detection system performance on fence construction and detector location[C]// 1998 International Carnahan Conference on Security Technology. Proceedings. IEEE, 1998:196-200.

[2] MAHMOUD S S, KATSIFOLIS J. Performance investigation of real-time fiber optic perimeter intrusion detection systems using event classification [J].2010,41(3):387-393.

[3] KATSIFOLIS J. Elimination of rain-induced nuisance alarms in distributed fiber optic perimeter intrusion detection systems[J]. Proceedings of SPIE-The International Society for Optical Engineering, 2009,7316(5):433-443.

[4] VRIES J D. A low cost fence impact classification system with neural networks[C]// Africon, 2004. Africon Conference in Africa. IEEE, 2005(1):131-136.

[5] YOUSEFI A, MEMBER S, DIBAZAR A A, et al. Intelligent fence intrusion detection system: detection of intentional fence breaching and recognition of fence climbing[C]// Technologies for Homeland Security, 2008 IEEE Conference on. IEEE Xplore, 2008:620-625.

[6] 曲志刚,靳世久.基于经验模态分解的管道预警系统信号多尺度混沌特性分析方法[J].石油学报.2008,29(2):313-316.

[7] ZHANG J, ZENG Z, HAO F, et al. A recognition method of petroleum pipeline safety-detection events using the largest lyapunov exponent and wavelet threshold de-noising[C]// International Conference on Electronic Measurement & Instruments. IEEE, 2009:1-140-1-144.

[8] 曲志刚,封 皓,靳世久，等.基于支持向量机的油气管道安全监测信号识别方法[J].天津大学学报，2009,42(5):465-470.