基于小波包能量的振动光缆入侵特征提取

龚 敏，刘 琢

（中广核工程有限公司，广东 深圳 518124）

0 引 言

近些年来，国家提倡大力发展清洁能源行业，核电也一直备受关注，如果核电站等重要环境出现问题，将会造成严重的社会影响，因此核电厂的周界安防就显得尤为重要[1-3]。在传统的周界安防系统中，一般是采用埋地感应电缆、电子脉冲作为传感元件。此类周界安防系统在一定环境下可以满足工程应用。但是在追求效率与精度并存的新一代周界安防系统中，显然很难满足当前的工程应用。在基于振动光缆的周界安防系统中，将振动光缆作为传感元件，通过振动光缆采集到振动信号，然后对采集的振动信号进行特征提取，基于提取的特征继而有效地实现对入侵类型的判断，具有重要的实际工程价值意义。文献[4]对振动光缆传感器的原理进行了深入研究，并且研发出了灵敏度更高的振动光缆传感器，为后续振动光缆的实际应用奠定了理论基础。文献[5]提出用小波高频分量定位算法，并且通过试验证明了该方法的可行性，但是并没有指出入侵类型的判断。

目前，基于振动光缆的周界安防系统在实际工程应用中存在3大难点。（1）定位不准确，在实际的核电站等工程应用环境中，周界安防范围一般很大，对于入侵定位精度要求较高；（2）入侵检测响应慢，当系统监测到入侵时，监控系统不能快速做出响应；（3）系统运行不稳定，整个振动光缆探测系统均部署在户外，系统对不同环境、不同气候的适应性不同。

综上所述，本文提出一种基于小波包能量的振动光缆入侵特征提取方法，其整合频谱分析技术与小波包分解技术，再进一步提取分解层级每个子节点的小波包能量用于判断入侵。其中，高通滤波器剔除原始振动信号中的低频信号干扰，然后对滤波后的振动光缆信号进行小波包分解，继而提取到分解层级每个子节点的小波包能量，根据小波包能量判断入侵的类别。该方法可以快速有效地对振动光缆信号进行分析处理，进而得出入侵类型，避免了传统振动光缆周界安防的弊端，具有很高的工程应用价值与实际意义。

1 传统振动光缆周界安防技术

目前，在传统振动光缆的周界安防系统的信号处理算法中，其对光缆采集到的振动信号均是停留在时域分析。算法可简述为对原始振动光缆信号进行分帧处理，然后分别统计帧内振动信号的时域指标，如过零率、帧内能量等，通过时域指标检测是否存在入侵。

2 基于小波包分解的光缆振动信号处理

2.1 傅里叶变换

频谱分析技术是常见的频域信号处理方法，主要方法有快速傅里叶变换（Fast Fourier Transform，FFT）。通过FFT变换后，可以将复杂的时域信号转换为简洁的频谱信号[6,7]。非周期性连续时间信号x(t)的傅里叶变换可以表示为

式中：X(ω)为x(t)的傅里叶变换结果。

不同对象入侵引起的振动频率不一致，可根据频谱图中的主谱线来区分不同的入侵对象。但是在实际的工程中，主谱线一般会淹没于其他噪声信号的谱线中。因此，单一的FFT分析一般很难获取到理想的结果。

2.2 小波包分解

小波包分解是对小波分解的进一步深入研究，其对小波分解中没有细分的高频部分进行了进一步分解，从而可以对信号进行更精细的刻画[8-10]。

图1为3层小波包分解示意图，每一个节点对应一个子频带，对第j尺度上的第i节点进行小波包信号重构，进而可以得到重构信号xj,i，则该节点的能量为

图1 小波包分解示意

2.3 基于小波包能量特征提取

基于小波包能量的振动光缆入侵特征提取其算法技术路线流程如图2所示。

图2 基于小波包能量的振动光缆入侵特征提取流程图

步骤（1）：通过数据采集设备采集到振动光缆的原始振动信号，其采样条件为没有发生入侵，以此作为分析的基础，其中振动光缆数据采样频率可调，在满足奈奎斯特采样定理的条件下。本文中涉及到的振动光缆数据采样频率一般不低于5 kHz。

步骤（2）：对步骤（1）采集到的振动光缆信号进行频谱分析，可认为频谱分析中的主要谱线为背景噪声引起的。

步骤（3）：根据步骤（2）中的频谱分析结果设计滤波器参数，其中包含滤波器的阶数以及滤波器的截止频率等。

步骤（4）：在步骤（3）的基础上对滤波后的振动光缆信号进行小波包分解，其中选择小波基函数为db4，分解层级设为4层。

步骤（5）：在步骤（4）的基础上计算小波包分解最后一层级（即第4层级）每一个节点C的小波包能量，其中提取各个子频带的小波能量Ej的计算公式为

步骤（6）：因为不同入侵类型对应的小波能量不一致，所以能够根据小波包能量值的大小判断入侵类型。

3 实例验证

为了验证本文所提方法的有效性与可行性，在实验室中进行试验验证，其中试验台如图3所示。振动光缆以“S”型的样式部署在铁丝围栏上，采样频率为10 kHz，数据记录保存时间为5 s。分别对铁丝网进行静置、敲击以及晃动3种试验验证，进一步在此基础上模拟环境干扰，在试验台旁边用功率为250 W的电风扇进行模拟大风天气，其中大风环境干扰试验台如图4 所示。此外，在设计高通滤波器的参数中，其截止频率为100 Hz，阶数设计为2阶。小波包分解参数分别设置小波基函数为db4，分解层级为4。分别对3种环境下采集的振动光缆信号按照图2所述技术路线进行特征提取。

图3 试验台（不含风扇）

图4 试验台（含风扇）

图5为经光电转换后采集静置条件下的振动光缆的原始振动信号，图6是对原始振动信号进行FFT分析的结果。从图6可以看出静置条件下原始振动信号的频谱谱线主要集中在100 Hz以下，因此可以判定该环境中的背景噪声主要集中在100 Hz以下，设置滤波器的截止频率为100 Hz。经过高通滤波器后的振动信号如图7所示。由图7可以看出，滤波后的振动信号幅值有所下降。图8为小波包分解后第4层级每个子节点的小波节点系数。经过小波包分解后，在高频分量所对应的小波节点系数携带的信息较低频分量更为明显，因此可以通过提取小波包分解后高频分量的小波节点系数信息作为特征指标。由图9可以看出，在无入侵的条件下其引起的各子节点小波包能量最小，其次是敲击，各子节点小波包能量最大的是晃动。这与试验预期相同，证明了本论文所提及算法的有效性与可行性。

图5 原始光缆振动信号（静置）

图6 振动光缆频谱（静置）

图7 滤波后的振动光缆信号（静置）

图8 小波包分解结果（静置）

图9 小波包能量

4 结 论

本文所提的基于小波包能量的振动光缆入侵特征提取在一定程度优化了传统的基于振动光缆的周界安防技术算法，成功将精度与入侵类型融合到周界安防系统中，可以在判断入侵的基础上有效甄别入侵类型。如果进一步融合视频监控等技术，则将更进一步提高周界安防效率、降低误报率等，提升了基于振动光缆周界安防区域的安全性能，提高了实际工程应用价值。