GIS/SCADA整合技术下光纤预警判定算法仿真

梁金禄

(北部湾大学，广西 钦州 535011)

1 引言

计算机与通讯技术飞速发展，地理信息系统GIS[1]逐渐成为信息产业的一个重要组成部分，SCADA系统[2]也被普遍应用，通过适当的采集与监控数据源，完成在计算机基础上的生产、控制、调度为一体的自动化系统。目前在相关研究领域中，整合GIS与SCADA是为了可以合理的互换数据信息，并在此基础上根据具体需求来判定数据系统内部发生故障的地点。在整合的过程中，为保持二者运行的稳定性，确保平台内数据库和空间数据库的单独性，需要让两个系统平台的数据始终保持统一性，利用系统一体化设计，实现地理信息与实时信息的统一，在一定程度上充分的运用两个系统特有的性能，进一步满足自动化系统的限制条件，从而实现提高系统运行效率的目的。

现阶段光纤预警系统[3]由于它本身独有的特征，在实际运行中光线传感具有不受电磁干扰、体积小、效率高的优点，已成为现下安防领域的重要研究课题之一，而且光纤本身灵敏度较高，所以在预警过程中不会出现监控盲区的情况，并且光纤预警系统比较适合于长距离、大范围以及周界地形复杂区域的全方位实时监控。

文献[4]提出基于扰动观察法的光纤预警判定算法，根据光伏电池PV特性曲线的斜率正负，来确定最大功率点电压的跟踪方向，通过光伏电池PV特性曲线的斜率取值，确定跟踪最大功率点电压所需的电压步长，获得当前步长用来查找功率最大点，实现对光纤的预警判定，但该方法容易受干扰噪声和自然环境的影响，预警精准度较低。文献[5]提出基于Logistics概率统计模型的光纤预警判定算法，建立基于Logistics多元线性对数概率统计模型，利用样本数据实现Logistics非连续的多元线性回归，获取光纤预警判定数据，但该方法只能根据特定领域提出预警手段，针对性强、缺乏广泛适用性，无法有效判断不同种类目标存在的问题。

文章提出一种整合GIS/SCADA系统下光纤信号预警判定算法。通过基于导数和特征选取的信号预警方法分析信号，获取时频分布的特征，计算输入层和模式层之间权值，减少维数影响，运用概率神经网络实现特征信号的分类预警。仿真结果表明，本文方法可以有效预警，且效率高、算法简单，应用领域广泛。

2 GIS与SCADA的整合

2.1 整合原则

整合原则可以分为两种，一是不同部分相互独立存在，在进行相互整合的过程中，需要确保这两个系统在运行的中的安全性与稳定性，以保证系统运行的整体效率；二是数据信息的整合统一性，在整合的过程中，系统的模型等数据会根据该平台构成一个相对的管理平台，SCADA系统的主要界限端口会因GIS平台而形成，当整体网络结构发出变化信号时，会自动和平台进行同步，其中同步的所有数据都来自SCADA系统中的数据库。

2.2 整合方式

常见的GIS和SCADA系统整合方式分别有下列三种：

1)在系统中调整GIS的部分功能：在具体整合的过程中，对系统中加载数据进行加速处理的同时，运用GIS可视化特点，使数据管理变得更加高效。但由于GIS在运行的过程中，会受导大量的图形数据条件限制，因此在一般情况下整合的系统需要为平台提供良好的显示数据环境，以提升系统的整体运行速度。

2)在平台中整合分布的系统功能：这种整合方法在一定程度上利用数据共享的特征，具体是指两个相互单独运行的系统，通过数据特征构建二者之间的联系，以确保运行的稳定性和适用性。但也会因数据特征提取效率而影响整合交换速率的效率。

3)创建对应的整合平台：与前两个方式相比，创建整合系统平台的方式，可以从根本上处理整合中的数据问题，并为创建整合系统打了基础，但由于这种整合办法需要根据基础问题进行分类研究，会增加系统创建的危险性。

3 光纤预警原理与特征统计

光纤预警是一种将传感与传输和为一体的技术，在实际预警操作中可以同时探测出物理量的空间分布信息和时变信息，同时拥有抗干扰、成本小等优点。一般情况下光纤预警系统在预警信号的过程中，会先运用光纤干涉仪[6]和干涉型系统，加强其敏感度，方便计算，具有较高的适用性和经济价值。

3.1 光纤预警系统结构

根据双马赫曾德干涉仪构建该系统的等效结构图如图1所示。

图1 光纤预警系统结构图

光纤预警系统的运行过程为：图1所示激光二极管会发射出一段1600mm的窄带激光，当光束经过某单项隔离器，再路过3dB耦合器C1，那么激光将会被分割成为两束等同的光线，其中一束光线将沿着顺时针方向进入R1后，再次经过C2被分为两束光线，这两束光线就会分别进入系统传感光臂1和参考光臂2，然后光臂中传感光线再一次进入C3中合并处理光束，并且在处理后造成干涉效应(其中干涉效应是指在干涉光线强度中包括了振动信号、噪声信号)，在此基础上，通过R2进入到光电探测器中转换电压信号。利用方法以及转换后，进入到上位机中完成处理分析。

3.2 调制原理

在图1光纤预警系统结构基础上，得知传感光纤臂是根据对应的参考光纤臂创建的。假设传感光束埋在预警范围内土下的十厘米处，检测预警系统，其中检测的方式包括：地下管道损坏、人力挖掘、自然环境下车辆行驶到预警范围内形成的振动信号，这三种手段都容易使预警系统发射出预警信号，并且在发出预警信号的基础上光纤也会因此受到振动。

在一般下，振动信号是经过光纤本身调制效应，来改变光纤折射率[7]和光纤内芯的具体长度，以及光纤在传输过程中的相位变化，统称为光波相位调制[8]。

假设某一段光纤的长度为L，该光纤的折射率描述为n，二者之间的直径表述为D，则光波在光纤位移基础上的φ为

(1)

式中，β为光纤传播常数，同样也可以将其看作为折射率和内直径具体长度的函数，上式的三项也可分别表示为：因光线弹性形变、弹光效应和泊松效应造成的光纤整体相位变化情况[9]。可以利用介电抗张量的变换针对前两项式来表述，其中第三项和前两项相比，会小两个数量级，所以可以在计算的过程中忽略不计，前两项代入数值β=nk0，就可以得出

(2)

其中k0=2π/λ0，表示传播常数量，λ0表示初始相位值，Pij表示四阶弹光张量，εz表示预警过程中具有变量的数值。因此就可以把φ看做是在固定时间内t函数值，根据这种情况，系统中的干涉仪会发挥出具体作用，并转换函数值φ(t)，即

H(t)=2H0+2H0cos(φ(t)+φ0)

(3)

式中，将H0描述为光纤激光强度，φ0为没有发生变化的相位。根据上式(3)得知，当检测光电时，实际预警电路会因为光纤激光强度将信号转换成为常见的电压信号，并放大处理至上位机，从而识别出没有变相位的振动信号，达到信号预警的效果。

3.3 噪声信号传输特征

根据上述分析，在自然环境下振动作为时变随机噪声调制，根据上式(2)中的φ(t)中，即可写出随机噪声

φ(t)=φu(t)+φn(t)

(4)

其中φv(t)则表示待预警的信号；φn(t)表示自然环境造成的光波相位噪声，可以代表检测过程中的非平稳随机，因为在自然环境下信号会较慢变化，所以将短时间内的φn(t)看作为固定时间内更新参数值的稳定信号。

假设在某时间段tk的起始时间τ0点，检测到噪声φn0(t)，那么结束时间tk点到τ1处就会检测到其中包括噪声的预警信号φ(t)=φu(t)+φn1(t)，这里噪声φn0(t)与φn1(t)的互相关系数ρn0n1、预警振动信号φy(t)和噪声φn1(t)的互相关系数ρyn1则满足于下列条件

ρn0n1→1-

(5)

ρyn1→0+

(6)

对上式进行计算后得知，在某段时间内的环境噪声φn(t)具有较高的自相关性，并且是一种激光窄带随机形成的噪声，所以就可以运用振动信号噪声特征来代替振动预警过程中所检测到的振动信号，实现对噪声特征的统计。

4 基于导数分析和特征选择的信号预警算法实现

4.1 提取信号时频特征

依据上述噪声信号传输的特征，将受干扰时系统所采集信号统称为干扰信号，即可表述为

I(t)=I0cos[φ(t)+φ0]

(7)

式中I0表示为受干扰信号振动幅，在一般情况下振幅与光强成正比；φ(t)表示干扰信号的瞬间时位，时位是随着信号变化而不断改变的；φ0表示干扰信号中的初始相位，但因为振动信号的相位是随着不同干扰信号而发生变换的，在预警的过程中就会出现用信号接替出具体信息困难的情况，所以针对时频单独分析法处理干扰信号，从而获得时频参数量特征[10]。将相位研究转换为时频研究，对上式(7)进行求导后，便可以得出

(8)

(9)

由上式可见，干扰信号零电平[11]正处于导数和信号频率成正比位置，得知当导数取值较大时，就会出现信号频率较高的情况，所以可以利用在零电平处的导数来获得对应的信号时频特征。

一般情况下，入侵信号不会超过200kHz，尽管系统的采样率高，可以提升预警的精准度，但精准度提高的同时预警系统在运行过程中也收纳了高频噪声信号。针对这种情况本文采纳有效预警信号的同时，对干扰信号进行减少采样处理，不仅减少系统整体运行计算量和高频噪声，而且可以避免对结果的影响，信号时频特征可以用下列公式来表示

(10)

式中，I表达收纳信号的序列号；n代表信号的具体采样点，假设n=1，2，…，N，其中N表示减少采样率后的数量。

4.2 特征选取

信号的特征选取是入侵信号预警判定过程中的重要部分。根据特征提取预警的方式得知，在不同情况下不同种类的干扰信号特征选择是不同的，为减少特征维数的影响，本文运用选择方式如下所示：

1)最大值M：选取时频特征中最高取值，在信号高于环境的情况下，引起的虚假警报信号；

2)频率偏差D：选取最高值的平均差值，即可写为：

D=max(f(n))-mean(f(n))

(11)

3)频率样本熵S：在时频分布中，不仅可以看出频域差距明显，还可以看出时域中分布均匀程度，所以可通过样本熵来判定信号在时域分布中的复杂度。

4.3 基于信号分类器的光线预警

采用PNN作为预警系统的分类器，概率神经网络是由信号输入层、模式层、求和层以及输出层这5个主要模块创建的，如果摄入层具有五个不同的神经元，并且将预警特征矢量传到模式层中，那么四种干扰信号中每一种取出48个样本来构成模式层的基本节点，即可得知第i类的第j层预警神经元输出可以写为

(12)

式中，i=1，2，3，4，j=1，2，…Nj，Nj为每种样本数，xij则表述第i类的第j个样本，d是特征维数，σ是平滑参数。在实际运行中，将训练样本来作为输入层和模式层之间的权值，从根本上减少对信号分类的计算时间。通过以上步骤完成光线预警。

5 仿真研究

为验证所提方法的光纤预警判定有效性，设计对比仿真，验证不同方法的预警信号获取性能，以及噪声信号的抑制效果。

5.1 预警信号信噪比

一般情况下，光纤预警系统所检测到的信号为振动周期信号，因此在实验过程中以两个相同振动幅、频率和相位的正弦函数s(n)=sin(0.004n)+1.2cos(0.002n)作为检测的振动信号。利用文献[4]方法、文献[5]方法以及所提方法测得信噪比，获得结果如图2所示。

图2 不同方法下预警信号信噪比

从图2中能够看出，不同方法下预警信号信噪比不同。当数据量为500bit时，文献[4]方法的预警信号信噪比为43 dB，文献[5]方法的预警信号信噪比为58 dB，本文方法的预警信号信噪比为71 dB，本文方法的预警信号信噪比明显高于其它两种方法。当数据量为1500bit时，文献[4]方法的预警信号信噪比为56 dB，文献[5]方法的预警信号信噪比为54 dB，本文方法的预警信号信噪比为79 dB，本文方法具有更高的信噪比，即有效信号较高。说明有助于在后续判断中，获取更加全面完整的信息，使预警判断结果精准度得到进一步提升。

5.2 噪声信号抑制效果对比

对噪声信号的有效控制，能够提高光纤预警的判定性能。通过检测噪声信号的抑制效果来验证方法的可控性，实验结果如表1所示。

表1 不同方法的噪声信号强度

通过表1可知，利用所提方法和两种传统方法抑制噪声信号后，所提方法的噪声信号强度始终低于传统方法，噪声范围更小，可以证明GIS/SCADA整合技术下光纤预警判定算法，能够更好地抑制噪音信号，从而可有效的对入侵信号进行精准预警判定，实现光纤预警的判定，应用性能更好。

5.3 光纤预警判定准确率对比

为了验证光纤预警判定效果，采用文献[4]方法、文献[5]方法以及所提方法检测光纤预警判定准确率，结果如图4所示。

分析图3可知，不同方法下光纤预警判定准确率不同。当实验次数为10次时，文献[4]方法的光纤预警判定准确率为76%，文献[5]方法的光纤预警判定准确率为73%，本文方法的光纤预警判定准确率为98%，本文方法判定结果比其它两种结果准确性最高。当实验次数为100次时，文献[4]方法的光纤预警判定准确率为76%，文献[5]方法的光纤预警判定准确率为74%，本文方法的光纤预警判定准确率为96%，本文方法判定结果准确率最高，具有最佳判断准确率。

图3 不同方法下光纤预警判定准确率

6 结论

传统的光纤预警判定算法已经满足不了当前需求，基于此提出了在整合技术下的新的光纤预警判定算法。在GIS/SCADA整合的基础上，通过导数和信号特征选择获得时频分布的特点，选择出部分代表的经典特征，运用概率神经网络方法，完成特征信号的分类预警，仿真证明，所提方法能够确定受干扰时的噪声信号和自然环境下的随机噪声信号，获得预警信息多、完成精准判断，可用于多种领域。