1 概述

2 光纤振动传感器工作原理

3 信号分析及识别

3.1 光纤振动传感系统

系统实际电压范围在05 V，输出数据为二进制数，范围为01 024，因此实际电压为：

调节电位器波形放大倍数R 1 ，使不同强度振动信号得以完全显示,并将数据转换为信号的振动幅值,进一步求得每组信号的振动平均幅值。振动幅值及振动平均幅值计算式为:

3.2 信号分析方法

①小波包分析

③ BP神经网络

4 实验分析

4.1 数据采集

4.2 实验结果与分析

①振动信号波形

本文进行了100组人工敲击实验和80组电镐打击实验，每组实验采样次数均为700次；50组打夯实验，每组采样次数为600次；50组挖掘实验，每组采样次数为400次。共得到280组样本，监测到的4种入侵事件的其中1组振动信号波形见图3。

图3 4种入侵事件的其中1组振动信号波形

图4 外界干扰因素的振动信号波形

②信号的振动平均幅值和峭度

由式（3）、（4）计算4种入侵事件信号的振动平均幅值、峭度，分别见图5、6。

图5 4种入侵事件的振动平均幅值

图6 4种入侵事件信号的峭度

表1 8个频带序列号对应的频率区间

图7 4种入侵事件的1组信号不同频带能量占比

表2 BP神经网络测试的分类结果

在距离管道2 m的位置进行实验，采集了10组人工敲击数据、16组电镐打击数据、15组打夯数据和10组挖掘数据，这些数据未参与模型训练，直接应用神经网络模型对这些数据进行识别。识别结果：人工敲击识别率100.00%，电镐打击识别率87.50%，打夯识别率93.33%，挖掘识别率80.00%。整体识别率达90.20%，能够有效识别。

5 结论及建议

①根据不同入侵事件振动信号波形的特点，可基本区分4种入侵事件。连续波形长度由长到短为打夯、电镐打击、挖掘、人工敲击。外界干扰因素产生的振动幅值很小，对入侵事件识别影响较小。

②研究的BP神经网络模型能够有效地对人工敲击、电镐打击、打夯、挖掘4种入侵事件进行识别，整体识别率为96.43%。在距离管道2 m的位置进行实验信号采集，并采用上述方法对振动信号进行识别，整体识别率达90.20%。

③本研究由于实验光缆长度有限，着重对第三方入侵数据进行分析识别，后续可提升实验平台，对定位算法进行深入研究，并且对预警系统入侵定位的影响因素进行进一步数据分析。