基于脉冲调制的Φ-OTDR研究综述

基于相位敏感光时域反射计（Φ-OTDR）的分布式光纤振动传感系统向传感光纤中注入探测光脉冲,通过测量光脉冲传输过程中产生的背向瑞利散射光的波动实现对入侵扰动的识别和定位,故探测光脉冲对Φ-OTDR系统性能有重要影响。介绍了Φ-OTDR基于光脉冲调制方面的研究进展,其中包括光脉冲的宽度、频率、形状以及消光比等参数对Φ-OTDR系统性能影响机理,以及通过脉冲调制优化Φ-OTDR系统信噪比、报警率、空间分辨率、响应带宽等参数以及恢复振动信号波形方面的研究进展。旨在通过光脉冲调制实现Φ-OTDR系统多项性能指标同步提升提供新思路,进一步推动Φ-OTDR的工程应用。     

基于Φ-OTDR的振动事件识别分类器研究进展

相位敏感光时域反射计(Φ-OTDR)凭借着传感距离长、铺设简单、耐腐蚀和抗电磁干扰等特点被广泛应用于分布式振动监测领域。随着传感任务多样化及人工智能的广泛应用,对振动事件的类型识别成为研究的热点方向。为了使读者能更好理解识别分类器研究进展和发展趋势,先后介绍了传统识别分类器和基于深度学习的神经网络识别分类器,对不同分类器性能指标、优缺点和应用场合进行了比较,最后对Φ-OTDR振动事件识别研究方向进行了展望。     

基于SVM算法的φ-OTDR分布式光纤扰动传感系统模式识别研究

针对相位敏感光时域反射计（-OTDR）分布式光纤扰动传感系统对扰动事件进行有效判别和识别的问题,提出一种基于支持向量机（SVM）的扰动判别和扰动模式识别的方法。通过提取信号时域和频域的平均值、方差、均方差以及信号功率特征,利用二叉树结构建立基于SVM算法的分类器,对扰动进行判别并对扰动模式进行识别。根据传感信号的特征,通过分类器I在对有无扰动信号进行判别的基础上,进一步对有扰动信号利用分类器对扰动事件的模式进行识别。通过实验对所提出的方法进行验证,对600组实验数据进行扰动判别和模式识别,正确的扰动判别率在96%以上,漏报率和误报率在4%以下;正确的模式识别率均在94%以上。     

基于Φ-OTDR的海风机与海底电缆在线状态监测方法

利用自研的Φ-OTDR系统,在福建省某海上风电场开展了演示验证,实现了对海风机机组的启动-运行-停机等不同工况下的状态分析与诊断,总结了不同工况下的振动特征及诊断依据;以及针对海底电缆的水流冲击、锚害拖拽、抵近船只航行等监测预警功能,总结了不同海缆状态下及周边环境感知目标事件特征。实测结果证明该方案能够在线监测海风机与海底电缆状态,并有效感知周围环境,为提升海上风电场运维水平提供了可靠的技术途径。     

Φ-OTDR分布式光纤传感系统的关键技术研究

提出了一种基于Φ-OTDR(相位敏感光时域反射计)技术的Φ-OTDR分布式光纤振动传感技术,该技术能够方便地进行入侵定位。介绍了Φ-OTDR分布式光纤振动传感系统的传感机理,论述了光纤传感采集系统的硬件和软件设计。试验结果表明,该系统可对通信光缆不同位置的入侵事件自动识别预警,显示险情位置,测量距离大于60km,定位精度10m。     

旅游安全事故周界安防入侵监测系统光纤Φ-OTDR传感器性能研究

为了全面评估旅游安全事故周界安防入侵监测系统的光纤Φ-OTDR传感器性能,本文采用了蝶形单模光纤和侵入板制作了光纤Φ-OTDR传感器,并将该传感器埋在细沙中,利用光纤Φ-OTDR(相位时域反射仪)搭建了基于分布式光纤Φ-OTDR传感器的旅游安全事故周界安防入侵监测系统,并对入侵信息(侵入者位置、重量及高度信息)进行了监测和评估。研究发现,采用所设计的光纤侵入板作为传感器,入侵监测系统能对侵入位置进行准确监测,定位精度小于10 m;重量监测下限达到15 kg;对越高的侵入者监测准确度越高,其准确度可达到99.6%。结果表明:基于光纤Φ-OTDR传感器的入侵监测系统能对长距离、大范围的入侵者进行准确监测,该入侵监测系统可广泛用于旅游景点危险禁区安全事故的安防实时监控。     

基于Φ-OTDR的光纤入侵传感器系统的原理及研究进展

介绍了相位敏感光时域反射计（Φ-OTDR）的工作原理,以及利用此原理的光纤入侵传感器系统的应用研究情况,包括实验室模拟结果、实地测试的结果、数据处理、以及空间分辨率和监测范围。总结比较了Φ-OTDR传感器系统与常规瑞利0TDR传感器系统的差异,并指出Φ-OTDR传感器系统优缺点及发展趋势。     

相位敏感光时域反射仪研究和应用进展

国家重大基础设施和关键区域的安全,对于保障经济发展、国家安全、社会稳定和人民生活具有极其重要的意义。基于相位敏感光时域反射仪(Φ-OTDR)的分布式光纤振动传感系统在入侵探测、周界安防和基础设施安全监控等方面具有独特的技术优势,近年来受到各国科技界和工业界的广泛关注。详述了本课题组近10年来在该领域的研究成果,包括Φ-OTDR定量化相位解调技术、信号干涉衰落的机理研究、超高频率响应带宽系统、超高空间分辨率系统、低噪声窄线宽单频激光器和激光扫频技术等方面的进展;介绍了Φ-OTDR系统在周界安防和铁路安全监测等领域的工程应用,并对Φ-OTDR的国内外发展趋势进行了简要的评述。     

相位敏感光时域反射系统模式识别方法综述

基于相位敏感的光时域反射系统（Ф-OTDR）是一种新型的分布式光纤扰动传感系统。随着应用需求的不断细化,单纯对外部侵扰活动的检测及定位已无法满足实际需要,亟待对检测到的信号进行准确的分类识别。在检测到侵扰信号的同时,如何能准确判别入侵事件的类别,减少误报率和漏报率是分布式光纤扰动传感系统研究的关键问题。文中主要针对分布式光纤扰动传感系统的原理进行了简要的介绍,将现有的扰动信号特征提取的方法和分类器设计的方法进行归纳和分类,并对识别结果进行总结和对比以方便研究人员根据应用环境的差异以及待测信号的特征,准确选择适合的信号模式识别方法,促进研究人员对分布式光纤扰动传感系统模式识别方法进行更为深入的研究。     

改进的进化神经网络算法及其在入侵检测中的应用

改进的进化神经网络算法是采用双种群的进化规则,同时完成对权值和结构的进化,其特点是加快算法的收敛速度,在一定程度上克服了BP算法陷入局部最小点的不足。将该算法应用于入侵检测领域中,建立一个基于改进的进化神经网络入侵检测系统模型,并用KDDCUP99数据测试了该模型中改进的进化神经网络分类器引擎,与基于BP神经网络和传统的进化神经网络等相比,得到了较高的检测率。     

基于BP信号识别的光纤油气管道监测系统

介绍了一种基于BP神经网络信号识别算法的分布式光纤管道安全预警系统,利用提取的现场振动信号时域、频域短时和长时特征,对基于BP神经网络分类器模型进行训练,模型实现了对人工挖掘和机械挖掘的智能分辨。其中BP分类器模型的最大误报率为3.3 %,平均误报率为1 %,最大漏报率为3.2 %,平均漏报率为1 %。将该BP模型应用在不同时长的现场信号识别测试中,实现了最低为5 %的漏报率,因此BP信号识别算法能够实现对管线入侵信号的有效识别及分类,提升传感系统可靠性。     

车联网中基于神经网络的入侵检测方案

车联网的入侵检测（IDS）可用于确认交通事件通知中描述的事件的真实性。当前车联网IDS多采用基于冗余数据的一致性检测方案,为降低IDS对冗余数据的依赖性,提出了一个基于神经网络的入侵检测方案。该方案可描述大量交通事件类型,并综合使用了反向传播（BP）和支持向量机（SVM）2种学习算法。这2种算法分别适用于个人安全驾驶速度快与高效交通系统检测率高的应用。仿真实验和性能分析表明,本方案具有较快的入侵检测速度,且具有较高的检测率和较低的虚警率。     

基于Φ-OTDR的分布式光纤扰动传感系统研究现状

基于相位敏感光时域反射计(Φ-OTDR)的分布式光纤扰动传感系统一直是扰动监测方面的研究热点。通过对比与传统光时域反射计(OTDR)的区别,介绍了Φ-OTDR传感系统的结构和工作原理。根据其发展动态,以提高传感距离和定位精度为目的,从Φ-OTDR系统结构的改进出发,分别论述了传统式、拉曼式、布里渊式和级联式四种典型的Φ-OTDR扰动传感系统的工作原理及研究现状,总结了各自的优缺点,为在实际应用中选择合适的系统结构提供了方向,最后展望了基于Φ-OTDR的分布式光纤扰动传感系统的应用前景。     

基于神经网络和SVM的GPS干扰类型识别

全球定位系统（GPS）干扰信号类型的识别是采取有效抗干扰手段的先决条件。针对7种典型的GPS干扰信号,提取了包括高阶统计量在内的8个特征,设计了反向传播（BP）神经网络分类器和多项式支持向量机（SVM）分类器,实现了干扰信号类型识别。仿真结果表明,两种分类器均具有较高的正确识别率和较好的热噪声鲁棒性,特别是在干噪比（JNR）为3dB时,平均正确识别率可保持在94％以上。     

基于弱光栅阵列增强的Φ-OTDR传感系统性能分析

在基于弱光栅阵列增强的相位敏感光时域反射技 术(Φ-OTDR)传感系统中,通过以弱光栅阵列(FBG)的反射信号代替传统Φ-OTDR中的瑞利散射信号,并通 过匹配干涉仪来解调出相位变化,实现分 布式测量。本文研究了弱光纤光栅阵列对Φ-OTDR振动传感系统 信噪比(SNR)改善的效果,并分析了随 之带来的串扰影响。实验结果表明,相比于传统Φ-OTDR传感系统,采用约－35 dB反射率弱光栅阵列增强 的Φ-OTDR传感系统有着更低的相位噪声水平,信噪比提高了33 dB;由于弱光栅阵列中的串扰影响,在 光纤2.4 km处的噪声水平相比于入射端上升了18 dB,但仍然好于无光栅阵列的Φ-OTDR系统。     

基于环境特征判别学习的欷顽健语音识别方法

提出一种基于环境特征判别学习的顽健语音识别方法，它首先通过使用一个简单的分类器和梯度下降法迭代地学得环境特征，接首利用得到的环境特征从观测到的混噪音特征中估计出纯净的语音特征，然后将估计出来的纯净语音特征用到后端的HMM分类器中，使用所提出的方法对不特定者小词表进行实验，其系统误识率与基本HMM系统相比下降了33.3%。     

基于1DCNN的ΦOTDR地埋光纤振动事件分类方法

OTDR分布式光纤传感系统在 安全监测领域应用 广泛,其关键的任务是振动事件的 类型识别。传统的模式识别方法的识别率和鲁棒性都不够理想,而基于深度学习的方法能自 发从数据提取特征并完成分类,准确率和适应性都更好。相比二维卷积神经网络(2D-CNN) , 一维卷积神经网络(1D-CNN)的网络大小和训练速度均更有优势,本文以LeNet-5为基准 网 络,实现了基于1D-CNN的Φ-OTDR地埋光纤检测振动事件分类,并通过 实验法对比分析了 不 同结构超参数对识别效果的影响,选取最优参数构建LeNet-1D-V网络。实验结果显示,本 文 构建的LeNet-1D-V在5种类别的地埋光纤振动事件分类中,将分类准确率从92.3%提升至94.6%,为多事件类型的地埋光纤事件分类研究 提供了参考依据。     

基于异构加速的Φ-OTDR实时信号处理系统

针对相位敏感光时域反射计(Φ-OTDR)信号处理复杂、计算量大、实时性要求高的特点,提出一种基于现场可编程门阵列(FPGA)异构加速计算技术的Φ-OTDR实时信号处理系统。对外差探测式Φ-OTDR信号处理流程进行分析与分解,提出基于FPGA的滑动窗数据帧分割、多通道并行快速傅里叶变换(FFT)计算、频域滤波、短时能量求和等一系列加速计算方法。该系统最终实现在40 km光纤传感距离、2 kHz重复频率与1 m采样间隔下的长时间、实时扰动信号解调与显示,并且具有80%的帧重叠率。该FPGA系统作为异构加速器,能够减轻计算机数据处理压力,保证传感系统高重复频率下的运算实时性,为系统可靠性和稳定性提供了有效保障。     

基于BP神经网络算法的入侵检测技术

在入侵检测中应用神经网络技术,可以大大提高入侵检测的检测率,有效提高网络数据的安全。本文分析了BP神经网络应用于入侵检测的实现方式及存在的问题,并对现有的BP神经网络算法进行改进,阐述了基于BP神经网络入侵检测系统及仿真实验。     

基于Φ-OTDR的光纤传感技术原理及其应用现状

相位敏感光时域反射技术(Φ-OTDR)由于其出色的综合性能而成为目前主流的分布式光纤振动监测方法之一。文章在介绍背向瑞利散射的基础上详细分析了Φ-OTDR系统的传感机理,并对Φ-OTDR系统的空间分辨率、动态范围和灵敏度等关键性能指标及其影响因素和提高方法进行了系统分析,为Φ-OTDR系统实际应用时参数的选择和性能优化提供参考。在此基础上,针对现阶段Φ-OTDR技术在海底电缆、周界防护等领域的应用进行了综述,指出了Φ-OTDR技术存在的一些不足,并对其发展前景进行了总结与展望。