GIS/SCADA整合技術下光纖預警判定算法仿真

梁金祿

(北部灣大學，廣西 欽州 535011)

1 引言

計算機與通訊技術飛速發展，地理信息系統GIS[1]逐漸成為信息產業的一個重要組成部分，SCADA系統[2]也被普遍應用，通過適當的采集與監控數據源，完成在計算機基礎上的生產、控制、調度為一體的自動化系統。目前在相關研究領域中，整合GIS與SCADA是為了可以合理的互換數據信息，并在此基礎上根據具體需求來判定數據系統內部發生故障的地點。在整合的過程中，為保持二者運行的穩定性，確保平臺內數據庫和空間數據庫的單獨性，需要讓兩個系統平臺的數據始終保持統一性，利用系統一體化設計，實現地理信息與實時信息的統一，在一定程度上充分的運用兩個系統特有的性能，進一步滿足自動化系統的限制條件，從而實現提高系統運行效率的目的。

現階段光纖預警系統[3]由于它本身獨有的特征，在實際運行中光線傳感具有不受電磁干擾、體積小、效率高的優點，已成為現下安防領域的重要研究課題之一，而且光纖本身靈敏度較高，所以在預警過程中不會出現監控盲區的情況，并且光纖預警系統比較適合于長距離、大范圍以及周界地形復雜區域的全方位實時監控。

文獻[4]提出基于擾動觀察法的光纖預警判定算法，根據光伏電池PV特性曲線的斜率正負，來確定最大功率點電壓的跟蹤方向，通過光伏電池PV特性曲線的斜率取值，確定跟蹤最大功率點電壓所需的電壓步長，獲得當前步長用來查找功率最大點，實現對光纖的預警判定，但該方法容易受干擾噪聲和自然環境的影響，預警精準度較低。文獻[5]提出基于Logistics概率統計模型的光纖預警判定算法，建立基于Logistics多元線性對數概率統計模型，利用樣本數據實現Logistics非連續的多元線性回歸，獲取光纖預警判定數據，但該方法只能根據特定領域提出預警手段，針對性強、缺乏廣泛適用性，無法有效判斷不同種類目標存在的問題。

文章提出一種整合GIS/SCADA系統下光纖信號預警判定算法。通過基于導數和特征選取的信號預警方法分析信號，獲取時頻分布的特征，計算輸入層和模式層之間權值，減少維數影響，運用概率神經網絡實現特征信號的分類預警。仿真結果表明，本文方法可以有效預警，且效率高、算法簡單，應用領域廣泛。

2 GIS與SCADA的整合

2.1 整合原則

整合原則可以分為兩種，一是不同部分相互獨立存在，在進行相互整合的過程中，需要確保這兩個系統在運行的中的安全性與穩定性，以保證系統運行的整體效率；二是數據信息的整合統一性，在整合的過程中，系統的模型等數據會根據該平臺構成一個相對的管理平臺，SCADA系統的主要界限端口會因GIS平臺而形成，當整體網絡結構發出變化信號時，會自動和平臺進行同步，其中同步的所有數據都來自SCADA系統中的數據庫。

2.2 整合方式

常見的GIS和SCADA系統整合方式分別有下列三種：

1)在系統中調整GIS的部分功能：在具體整合的過程中，對系統中加載數據進行加速處理的同時，運用GIS可視化特點，使數據管理變得更加高效。但由于GIS在運行的過程中，會受導大量的圖形數據條件限制，因此在一般情況下整合的系統需要為平臺提供良好的顯示數據環境，以提升系統的整體運行速度。

2)在平臺中整合分布的系統功能：這種整合方法在一定程度上利用數據共享的特征，具體是指兩個相互單獨運行的系統，通過數據特征構建二者之間的聯系，以確保運行的穩定性和適用性。但也會因數據特征提取效率而影響整合交換速率的效率。

3)創建對應的整合平臺：與前兩個方式相比，創建整合系統平臺的方式，可以從根本上處理整合中的數據問題，并為創建整合系統打了基礎，但由于這種整合辦法需要根據基礎問題進行分類研究，會增加系統創建的危險性。

3 光纖預警原理與特征統計

光纖預警是一種將傳感與傳輸和為一體的技術，在實際預警操作中可以同時探測出物理量的空間分布信息和時變信息，同時擁有抗干擾、成本小等優點。一般情況下光纖預警系統在預警信號的過程中，會先運用光纖干涉儀[6]和干涉型系統，加強其敏感度，方便計算，具有較高的適用性和經濟價值。

3.1 光纖預警系統結構

根據雙馬赫曾德干涉儀構建該系統的等效結構圖如圖1所示。

圖1 光纖預警系統結構圖

光纖預警系統的運行過程為：圖1所示激光二極管會發射出一段1600mm的窄帶激光，當光束經過某單項隔離器，再路過3dB耦合器C1，那么激光將會被分割成為兩束等同的光線，其中一束光線將沿著順時針方向進入R1后，再次經過C2被分為兩束光線，這兩束光線就會分別進入系統傳感光臂1和參考光臂2，然后光臂中傳感光線再一次進入C3中合并處理光束，并且在處理后造成干涉效應(其中干涉效應是指在干涉光線強度中包括了振動信號、噪聲信號)，在此基礎上，通過R2進入到光電探測器中轉換電壓信號。利用方法以及轉換后，進入到上位機中完成處理分析。

3.2 調制原理

在圖1光纖預警系統結構基礎上，得知傳感光纖臂是根據對應的參考光纖臂創建的。假設傳感光束埋在預警范圍內土下的十厘米處，檢測預警系統，其中檢測的方式包括：地下管道損壞、人力挖掘、自然環境下車輛行駛到預警范圍內形成的振動信號，這三種手段都容易使預警系統發射出預警信號，并且在發出預警信號的基礎上光纖也會因此受到振動。

在一般下，振動信號是經過光纖本身調制效應，來改變光纖折射率[7]和光纖內芯的具體長度，以及光纖在傳輸過程中的相位變化，統稱為光波相位調制[8]。

假設某一段光纖的長度為L，該光纖的折射率描述為n，二者之間的直徑表述為D，則光波在光纖位移基礎上的φ為

(1)

式中，β為光纖傳播常數，同樣也可以將其看作為折射率和內直徑具體長度的函數，上式的三項也可分別表示為：因光線彈性形變、彈光效應和泊松效應造成的光纖整體相位變化情況[9]。可以利用介電抗張量的變換針對前兩項式來表述，其中第三項和前兩項相比，會小兩個數量級，所以可以在計算的過程中忽略不計，前兩項代入數值β=nk0，就可以得出

(2)

其中k0=2π/λ0，表示傳播常數量，λ0表示初始相位值，Pij表示四階彈光張量，εz表示預警過程中具有變量的數值。因此就可以把φ看做是在固定時間內t函數值，根據這種情況，系統中的干涉儀會發揮出具體作用，并轉換函數值φ(t)，即

H(t)=2H0+2H0cos(φ(t)+φ0)

(3)

式中，將H0描述為光纖激光強度，φ0為沒有發生變化的相位。根據上式(3)得知，當檢測光電時，實際預警電路會因為光纖激光強度將信號轉換成為常見的電壓信號，并放大處理至上位機，從而識別出沒有變相位的振動信號，達到信號預警的效果。

3.3 噪聲信號傳輸特征

根據上述分析，在自然環境下振動作為時變隨機噪聲調制，根據上式(2)中的φ(t)中，即可寫出隨機噪聲

φ(t)=φu(t)+φn(t)

(4)

其中φv(t)則表示待預警的信號；φn(t)表示自然環境造成的光波相位噪聲，可以代表檢測過程中的非平穩隨機，因為在自然環境下信號會較慢變化，所以將短時間內的φn(t)看作為固定時間內更新參數值的穩定信號。

假設在某時間段tk的起始時間τ0點，檢測到噪聲φn0(t)，那么結束時間tk點到τ1處就會檢測到其中包括噪聲的預警信號φ(t)=φu(t)+φn1(t)，這里噪聲φn0(t)與φn1(t)的互相關系數ρn0n1、預警振動信號φy(t)和噪聲φn1(t)的互相關系數ρyn1則滿足于下列條件

ρn0n1→1-

(5)

ρyn1→0+

(6)

對上式進行計算后得知，在某段時間內的環境噪聲φn(t)具有較高的自相關性，并且是一種激光窄帶隨機形成的噪聲，所以就可以運用振動信號噪聲特征來代替振動預警過程中所檢測到的振動信號，實現對噪聲特征的統計。

4 基于導數分析和特征選擇的信號預警算法實現

4.1 提取信號時頻特征

依據上述噪聲信號傳輸的特征，將受干擾時系統所采集信號統稱為干擾信號，即可表述為

I(t)=I0cos[φ(t)+φ0]

(7)

式中I0表示為受干擾信號振動幅，在一般情況下振幅與光強成正比；φ(t)表示干擾信號的瞬間時位，時位是隨著信號變化而不斷改變的；φ0表示干擾信號中的初始相位，但因為振動信號的相位是隨著不同干擾信號而發生變換的，在預警的過程中就會出現用信號接替出具體信息困難的情況，所以針對時頻單獨分析法處理干擾信號，從而獲得時頻參數量特征[10]。將相位研究轉換為時頻研究，對上式(7)進行求導后，便可以得出

(8)

(9)

由上式可見，干擾信號零電平[11]正處于導數和信號頻率成正比位置，得知當導數取值較大時，就會出現信號頻率較高的情況，所以可以利用在零電平處的導數來獲得對應的信號時頻特征。

一般情況下，入侵信號不會超過200kHz，盡管系統的采樣率高，可以提升預警的精準度，但精準度提高的同時預警系統在運行過程中也收納了高頻噪聲信號。針對這種情況本文采納有效預警信號的同時，對干擾信號進行減少采樣處理，不僅減少系統整體運行計算量和高頻噪聲，而且可以避免對結果的影響，信號時頻特征可以用下列公式來表示

(10)

式中，I表達收納信號的序列號；n代表信號的具體采樣點，假設n=1，2，…，N，其中N表示減少采樣率后的數量。

4.2 特征選取

信號的特征選取是入侵信號預警判定過程中的重要部分。根據特征提取預警的方式得知，在不同情況下不同種類的干擾信號特征選擇是不同的，為減少特征維數的影響，本文運用選擇方式如下所示：

1)最大值M：選取時頻特征中最高取值，在信號高于環境的情況下，引起的虛假警報信號；

2)頻率偏差D：選取最高值的平均差值，即可寫為：

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

(11)

3)頻率樣本熵S：在時頻分布中，不僅可以看出頻域差距明顯，還可以看出時域中分布均勻程度，所以可通過樣本熵來判定信號在時域分布中的復雜度。

4.3 基于信號分類器的光線預警

采用PNN作為預警系統的分類器，概率神經網絡是由信號輸入層、模式層、求和層以及輸出層這5個主要模塊創建的，如果攝入層具有五個不同的神經元，并且將預警特征矢量傳到模式層中，那么四種干擾信號中每一種取出48個樣本來構成模式層的基本節點，即可得知第i類的第j層預警神經元輸出可以寫為

(12)

式中，i=1，2，3，4，j=1，2，…Nj，Nj為每種樣本數，xij則表述第i類的第j個樣本，d是特征維數，σ是平滑參數。在實際運行中，將訓練樣本來作為輸入層和模式層之間的權值，從根本上減少對信號分類的計算時間。通過以上步驟完成光線預警。

5 仿真研究

為驗證所提方法的光纖預警判定有效性，設計對比仿真，驗證不同方法的預警信號獲取性能，以及噪聲信號的抑制效果。

5.1 預警信號信噪比

一般情況下，光纖預警系統所檢測到的信號為振動周期信號，因此在實驗過程中以兩個相同振動幅、頻率和相位的正弦函數s(n)=sin(0.004n)+1.2cos(0.002n)作為檢測的振動信號。利用文獻[4]方法、文獻[5]方法以及所提方法測得信噪比，獲得結果如圖2所示。

圖2 不同方法下預警信號信噪比

從圖2中能夠看出，不同方法下預警信號信噪比不同。當數據量為500bit時，文獻[4]方法的預警信號信噪比為43 dB，文獻[5]方法的預警信號信噪比為58 dB，本文方法的預警信號信噪比為71 dB，本文方法的預警信號信噪比明顯高于其它兩種方法。當數據量為1500bit時，文獻[4]方法的預警信號信噪比為56 dB，文獻[5]方法的預警信號信噪比為54 dB，本文方法的預警信號信噪比為79 dB，本文方法具有更高的信噪比，即有效信號較高。說明有助于在后續判斷中，獲取更加全面完整的信息，使預警判斷結果精準度得到進一步提升。

5.2 噪聲信號抑制效果對比

對噪聲信號的有效控制，能夠提高光纖預警的判定性能。通過檢測噪聲信號的抑制效果來驗證方法的可控性，實驗結果如表1所示。

表1 不同方法的噪聲信號強度

通過表1可知，利用所提方法和兩種傳統方法抑制噪聲信號后，所提方法的噪聲信號強度始終低于傳統方法，噪聲范圍更小，可以證明GIS/SCADA整合技術下光纖預警判定算法，能夠更好地抑制噪音信號，從而可有效的對入侵信號進行精準預警判定，實現光纖預警的判定，應用性能更好。

5.3 光纖預警判定準確率對比

為了驗證光纖預警判定效果，采用文獻[4]方法、文獻[5]方法以及所提方法檢測光纖預警判定準確率，結果如圖4所示。

分析圖3可知，不同方法下光纖預警判定準確率不同。當實驗次數為10次時，文獻[4]方法的光纖預警判定準確率為76%，文獻[5]方法的光纖預警判定準確率為73%，本文方法的光纖預警判定準確率為98%，本文方法判定結果比其它兩種結果準確性最高。當實驗次數為100次時，文獻[4]方法的光纖預警判定準確率為76%，文獻[5]方法的光纖預警判定準確率為74%，本文方法的光纖預警判定準確率為96%，本文方法判定結果準確率最高，具有最佳判斷準確率。

圖3 不同方法下光纖預警判定準確率

6 結論

傳統的光纖預警判定算法已經滿足不了當前需求，基于此提出了在整合技術下的新的光纖預警判定算法。在GIS/SCADA整合的基礎上，通過導數和信號特征選擇獲得時頻分布的特點，選擇出部分代表的經典特征，運用概率神經網絡方法，完成特征信號的分類預警，仿真證明，所提方法能夠確定受干擾時的噪聲信號和自然環境下的隨機噪聲信號，獲得預警信息多、完成精準判斷，可用于多種領域。