面向環境狀態監測的振動傳感器系統信號辨識

王占生,申曉明,曾軼哲,曾祥豹,謝婷玉

(1. 蘇州市軌道交通集團有限公司,江蘇 蘇州 215008;2. 中電科芯片技術(集團)有限公司,重慶 401332)

0 引言

光纖預警系統以其長距離、高精度、可定制性強等優點逐漸成為管道運輸和周界安防保護領域的研究熱點。在光纖入侵信號系統中,如何對振動信號進行識別,如何降低光纖預警系統入侵信號的虛警并提高識別率是一個難題[1-5]。為此,國內外研究者提出了各種解決方法,主要有經驗模態分解(EMD)、支持向量機(SVM)、極限學習機及卷積神經網絡等方法。1998年,Huang等[6]提出了EMD算法,但存在端點效應等問題。2019年,陳勇等[7]采用兩次極值波延拓抑制經驗模態分解算法的端點效應。 2019年,周子純等[8]采用SVM和過零率相結合的方法,對攀爬、觸碰、撞擊、剪切等4種入侵信號進行了識別。2020年,馬愈昭等[9]提出基于奇異值分解和改進粒子群優化支持向量機的算法提高分類識別率。 2020年,Jia 等[10]提出一種結合極限學習機(ELM)和fisher準則的評分特征選擇的方法,對攀爬、觸碰、撞擊、剪切等4類事件進行識別。2021年,喻后聃等[11]提出卷積神經網絡與Mel倒譜系數相結合,實現了周界入侵識別。 2021年,文獻[12-13]提出基于多尺度卷積神經網絡的入侵信號特征提取和識別方法,平均準確率達到84.67%。

本文針對振動傳感器系統對環境狀態中入侵事件識別正確率較低的難題,提出了一種基于隨機配置網絡(SCN)的神經網絡結構用于識別周界入侵的振動傳感信號。利用小波降噪對信號進行降噪預處理;再提取信號的能量特征、過均值率、PAR特征;最后采用隨機配置網絡神經網絡對攀爬、觸碰、撞擊及剪切4種入侵事件進行識別。

1 光纖傳感原理

光纖預警系統具有監測距離遠,精度高,抗電磁干擾等優點,逐漸成為周界保護領域的研究熱點。本文光纖預警系統的主要基本原理是基于光纖應變調制機理。入侵行為會引起相應位置的變形,這將導致光纖傳感器相應位置的光纖折射率以及光柵柵格周期發生變化,而折射率將導致光纖中心波長發生變化:

λB=2neffΛ

(1)

式中:λB為光纖的中心波長;neff為光纖纖芯的折射率;Λ為光纖光柵的周期。波長偏移量:

ΔλB=2ΔneffΛ+2neffΔΛ

(2)

式中:Δneff為光纖折射率變化量;ΔΛ為光纖周期變化量。

由式(2)可知,當應力或溫度發生變化時,將導致光纖中心波長產生偏移。

2 基于光纖傳感器的入侵系統結構

圖1為基于光纖傳感器的入侵識別系統。首先通過光纖數據采集系統采集振動信號,再將信號上傳至電腦;然后利用小波對信號進行降噪處理;對處理后的信號提取其時頻域特征并建立數據集,最后通過隨機配置網絡對其分類。

圖1 基于光纖傳感器的入侵識別系統圖

3 數據預處理

3.1 小波去噪原理和方法

原始信號中常有含噪聲數據,含噪數據可表示為

f(t)=s(t)+n(t)

(3)

式中:f(t)為含有噪聲的觀測數據;s(t)為真實信號;n(t)為噪聲信號。

含噪信號經小波分解后,可得到一系列的小波系數,在變換域內有用信號的能量主要集中在幅值較大的系數上,而噪聲信號的能量呈均勻分布,因此可選取合適的閾值將噪聲信號進行剔除,從而達到去噪的目的。圖2為基于小波閾值的去噪原理圖。

圖2 基于小波閾值的去噪原理圖

3.2 閾值函數和閾值選取

采用小波閾值方法去噪時,閾值函數與閾值的選取很重要,對信號去噪起關鍵作用。硬閾值函數只是簡單地保留或去除信號,且設定閾值λ處不連續,可能會使重構的信號產生偽吉布斯現象。軟閾值函數則避免了該問題,將絕對值大于λ的小波系數減去固定閾值,從而使該函數在λ處連續,使輸出的信號更平滑。

由于變形監測點的形變在時空上是連續的,因此,本文選取軟閾值函數作為去噪函數。硬閾值函數為

(4)

軟閾值函數[2]為

(5)

(6)

式中:δ=median(|wj,k|)/0.674 5為噪聲標準方差;M為信號長度。

3.3 小波去噪精度指標

選擇不同的小波函數與分解層數,其去噪效果有所不同。去噪效果主要通過均方根誤差(RMSE)和信噪比(SNR)來衡量,均方根誤差越小、SNR越高,去噪效果越好。定義均方根誤差為

(7)

(8)

式中:Ps為真實數據的功率;Pn為噪聲的功率。

4 特征提取

4.1 過均值率

由于光纖中心波長受環境的影響,有無入侵信號時中心波長的偏移量不同,而在不同入侵信號之間,過均值率也不同。本文采用過均值率來判斷是否有入侵信號,過均值率為

(9)

式中:N為采樣點個數;ymean為均值;yzero為幅值與均值的差值;z為過零率。

4.2 能量特征提取

短時能量特征可反映信號波動強度隨時間變化的瞬態變化,在周界安防中通常作為振動信號的一種特征。設信號f(t)的快速傅里葉變換(FFT)為F(w),根據快速傅里葉變換(FFT)規則及巴塞伐(Parseval)恒等式有:

(10)

式中:f(t)為時域信號;F(w)為經過傅里葉變換的頻域信號;P(w)為FFT功率譜;E為能量信號。

4.3 峰均比

峰均比(PAR)特征是指能量最大信號幅值與均值之比。不同的入侵信號存在幅值和均值上的不同,故可用該特征作為分類的依據。

5 隨機配置網絡(SCN)

圖3為SCN神經網絡結構圖。SCN神經網絡是由區間隨機向量函數鏈路網絡(IRVFLN)演變而來。由于其受隱藏層節點的權重及偏置的影響,無法保證其逼近能力,因此, SCN通過引入約束條件提高網絡的收斂能力。

圖3 SCN網絡結構圖

IRVFLN神經網絡的L-1個隱藏層節點的輸出可以表示為

(L=1,2,…,Lmax)

(11)

當前預測值fL與真實值f的誤差eL可表示為

eL-1=f-fL-1

(12)

通過式(11)、(12)推導可得:

(13)

為確保神經網絡可以收斂,對SCN神經網絡在IRVFLN神經網絡的基礎上提出了約束條件:

(14)

式中:0

6 模型實現

6.1 平臺搭建

實驗平臺如圖4所示。在周界入侵實驗中,本文使用的光纖解調儀型號為FI-104,采樣頻率為2 000 Hz,共有4個解調通道,每個通道最多可解調30個光纖信號。將光纖傳感器利用粘合劑固定到圍欄上,可對攀爬、觸碰、撞擊、剪切4 種信號進行識別。

圖4 周界入侵信號采集平臺

6.2 信號采集

光纖解調儀的采樣頻率為2 000 Hz,即1 min采集120 000個點,部分采樣點信息如圖5所示。由圖可看出,不同的入侵信號在時域上差異較大。

圖5 4種入侵信號

6.3 信號預處理

在獲得原始信號后,本文采用小波對其進行降噪處理。圖6為對攀爬信號進行降噪處理前后的對比。通過小波降噪后,攀爬信號在局部細節上更平滑。

圖6 小波降噪對比圖

6.4 特征信號提取

提取信號的PAR特征、FFT能量特征及過均值率,圖7為信號特征圖。由圖可看出,每種入侵信號在各個特征上的幅值不同。

圖7 信號特征圖

6.5 利用SCN實現分類

通過SCN訓練,設置隱藏層最大節點數(Lmax)為10,最大誤差為0.01,r= [0.9,0.99,0.999,0.999 9,0.999 9],每次最多可添加1個節點。最后訓練得出節點數L=10,權重W為(4,10)的矩陣,偏置b為(1,10)。

如圖8所示,訓練過程中隨著隱藏層節點的增加,訓練集的準確度達到92.75%。其均方根誤差在訓練過程中逐漸減小。圖9為在測試集上的預測結果,最終預測的準確率為90.7%。由圖9可看出,SCN可實現4種入侵信號的分類,但在剪切、攀爬、撞擊上的準確度還有待提升。

圖8 訓練準確度和誤差

圖9 訓練集及測試集結果

圖9(a)、(b)為訓練過程中測試集和訓練集訓練的結果。由圖9可看出,在敲打、攀爬、觸碰、剪切入侵事件中,都有較高的準確率。測試集上剪切、觸碰、攀爬、敲打識別準確率分別為82.7%、100%、94.4%、91.6%。

7 結束語

本文利用隨機配置神經網絡能夠自動快速構建萬能逼近器的特性,提出了一種基于隨機配置網絡的周界入侵系統信號識別方案。首先通過光纖采集系統對剪切、攀爬、觸碰、敲打4種周界入侵信號進行采集,共采集460組入侵信號,并將其40%作為訓練數據集,60%作為測試數據集?？紤]存在環境噪聲的問題,本文通過小波對原始信號進行降噪,然后提取信號的PAR特征、過均值率及FFT能量特征,最后采用SCN神經網絡對4類入侵信號進行分類。訓練集的分類準確度可達92.75%,在測試集上準確率為90.7%。這表明所提方法能有效識別周界入侵信號。