本文提出了基于时变滤波经验模态分解（TVF-EMD）的Φ-OTDR信号降噪方法，旨在提高相位敏感光时域反射仪（Φ-OTDR）在复杂噪声环境下的振动检测性能。以下是文件的核心内容总结：

研究背景与目的：

Φ-OTDR技术：以光纤作为传感介质，通过分析后向瑞利散射光信号的相位变化实现对外界振动的连续分布式检测，具有灵敏度高、响应速度快与抗电磁干扰强等优势。

问题：系统采集的相位信号易受随机噪声干扰，导致振动信号信噪比降低，限制了Φ-OTDR在工程实际中的进一步应用。

目的：提出一种基于TVF-EMD的Φ-OTDR信号降噪方法，提升系统信噪比，增强振动特征的辨识能力。

传统降噪方法的局限性：

奇异值分解（SVD）：对平稳信号效果显著，但在处理非平稳特征的Φ-OTDR振动信号时性能受限。

小波阈值降噪：适用于非平稳信号，但效果依赖于小波基与分解层数的选择，可能导致信号细节丢失。

经验模态分解（EMD）：无需预设基函数，但在频率成分复杂、噪声较强时易出现模态混叠与间歇性问题。

自适应噪声完备集合经验模态分解（CEEMDAN）：在一定程度上抑制了模态混叠，但仍难以有效分离频率相近成分，且计算复杂度较高。

变分模态分解（VMD）：在抑制模态混叠方面表现良好，但分解效果受参数设置影响显著。

TVF-EMD降噪方法原理：

TVF-EMD：在EMD基础上引入时变滤波思想，自适应设计局部截止频率，有效克服了传统EMD的分离与间歇性问题。

降噪流程：采集原始振动信号 → 利用TVF-EMD分解为多个IMF分量 → 计算各分量的样本熵 → 设定样本熵阈值区分信号相关模态与噪声相关模态 → 基于信号相关模态重构振动信号。

实验验证与结果：

仿真实验：使用TVF-EMD对叠加高斯噪声的单音信号进行模态分解，设定样本熵阈值为0.35，有效区分噪声模态与信号模态。对多频信号模拟的振动进行分解与重构，信噪比提升了13.281 dB。

降噪效果对比：与小波阈值法、CEEMDAN及奇异值分解（SVD）三种降噪方法对比，TVF-EMD方法在ISNR、NCC和RMSE三项指标上均表现最优。

实测信号去噪：在不同频率的单频振动信号中，平均信噪比提升达14.3 dB；在高速公路隧道路段采集的实际振动信号中，噪声波动由1.287 rad显著降低至0.26 rad。

结论与意义：

结论：所提方法可显著提升Φ-OTDR系统的信噪比，有效克服了传统EMD的模态混叠问题，具有更强的噪声抑制能力和更高的波形还原精度。

意义：为Φ-OTDR系统在振动特征提取与模式识别中的进一步应用提供了可靠技术支持。