徐國壘, 張文斌, 唐立軍, 周年榮,3

(1.昆明理工大學(xué) 機(jī)電工程學(xué)院,云南 昆明 650500；2.云南電網(wǎng)有限責(zé)任公司電力科學(xué)研究院,云南 昆明650217；3.重慶大學(xué) 電氣工程學(xué)院,重慶400044)

0 引 言

隨著傳感技術(shù)快速發(fā)展,復(fù)雜電力作業(yè)環(huán)境下電場強(qiáng)度、電壓等級、磁場強(qiáng)度等隱含信息的測量技術(shù)研究越來越多,同時(shí)可基于該類測量技術(shù)進(jìn)行預(yù)警裝置研制。預(yù)警裝置中電壓等級辨識技術(shù)的原理為相同條件下電壓等級越大電場值變化越快;但實(shí)際作業(yè)環(huán)境中不同工況會導(dǎo)致電壓等級誤判,如電壓等級相同的帶電體,作業(yè)人員爬塔靠近與水平靠近兩種工況下,采集到的電場值變化快慢截然不同,導(dǎo)致識別出來的電壓等級極可能不同;同時(shí)電壓等級的誤判影響預(yù)警裝置的報(bào)警閾值設(shè)置,降低預(yù)警準(zhǔn)確率。

目前人體行走工況辨識的方法主要有圖像辨識和慣性辨識,其中圖像辨識存在易受障礙物影響、不便于攜帶、成本高等缺陷;慣性識別均利用加速度傳感器測量作業(yè)人員在不同工況下運(yùn)動過程中,加速度傳感器采集加速度值波動幅值大小不同識別運(yùn)動工況,但是該方法測量過程中誤差大,且易受作業(yè)人員額外動作影響,導(dǎo)致誤判率高。

為了提高預(yù)警準(zhǔn)確率,本文對水平靠近帶電體、斜坡靠近帶電體及爬塔靠近帶電體3種工況辨識技術(shù)進(jìn)行研究[1]。并提出基于協(xié)同濾波和反向傳播(back propagation,BP)神經(jīng)網(wǎng)絡(luò)的電力作業(yè)人員運(yùn)動工況辨識;由于不同工況下電力作業(yè)人員運(yùn)動時(shí)頭部的加速度與氣壓值變化特性不同,提取加速度值與氣壓值的特征參數(shù)建立BP神經(jīng)網(wǎng)絡(luò)模型[2～4];該方法具有便于攜帶、成本低、辨識準(zhǔn)確率高等優(yōu)點(diǎn),不僅可以輔助提高電力作業(yè)中預(yù)警準(zhǔn)確度,還可以廣泛應(yīng)用于其他領(lǐng)域。

1 運(yùn)動工況識別系統(tǒng)模型建立

整體模型主要包括特征數(shù)據(jù)采集、特征參數(shù)提取、工況辨識[5～8]。其實(shí)現(xiàn)步驟為：先將氣壓傳感器、加速度傳感器安裝在作業(yè)人員的頭部,采集頭部的氣壓值和三軸加速度值,對加速度值與氣壓值進(jìn)行數(shù)據(jù)預(yù)處理提取特征參數(shù),最后以特征參數(shù)作為輸入建立BP神經(jīng)網(wǎng)絡(luò)模型[9～16]實(shí)現(xiàn)工況分類。

2 數(shù)據(jù)預(yù)處理

可靠的數(shù)據(jù)預(yù)處理是模式識別關(guān)鍵,本文選取MPU6050型加速度傳感器與MS5611型氣壓傳感器采集作業(yè)人員運(yùn)動過程中的加速度值與氣壓值,兩種傳感器均為高精度、高靈敏度傳感器,采集到的數(shù)據(jù)中存在大量噪聲,同時(shí)氣壓傳感器采集的氣壓值在靜態(tài)過程中易發(fā)生漂移,導(dǎo)致傳感器直接測量到的數(shù)據(jù)不適合直接使用,本文提出利用信息協(xié)同濾波方法提取有效相對高度值,最后對有效相對高度值進(jìn)行一階擬合,獲取擬合參數(shù),其數(shù)據(jù)預(yù)處理結(jié)構(gòu)圖如圖1所示。

圖1 數(shù)據(jù)預(yù)處理結(jié)構(gòu)

圖1中,ax,ay,az分別為傳感器內(nèi)部坐標(biāo)系X軸、Y軸、Z軸上的加速度值,axyz為三軸合加速度值,p為采集到的氣壓值,Hv為氣壓值p對應(yīng)的海拔高度值,H為協(xié)同融合后的有效相對高度值,t為采集數(shù)據(jù)次數(shù),f(t)為有效相對高度值H與采集數(shù)據(jù)次數(shù)t的擬合函數(shù)。

2.1 數(shù)據(jù)轉(zhuǎn)換

(1)

2.2 信息協(xié)同濾波

當(dāng)作業(yè)人員運(yùn)動過程中相對初始位置的海拔高度發(fā)生變化時(shí),氣壓傳感器采集氣壓值經(jīng)過轉(zhuǎn)換公式得到的海拔高度變化值可有效反映出相對高度變化量,作業(yè)人員處于靜止?fàn)顟B(tài)時(shí),氣壓傳感器采集到的氣壓值存在較大的漂移,且作業(yè)人員身體的晃動、自然環(huán)境下風(fēng)、溫度變因素也將影響氣壓傳感器采集到的氣壓值,轉(zhuǎn)換后的相對高度值變化存在極大誤差,導(dǎo)致實(shí)際上所處位置的海拔高度變化不明顯,計(jì)算的海拔高度依然存在變化,不能準(zhǔn)確反映作業(yè)人員運(yùn)動過程中相對初始位置的高度變化量;當(dāng)作業(yè)人員處于靜止?fàn)顟B(tài)時(shí),加速度傳感器采集到的合加速度幅值變化量小,當(dāng)作業(yè)人員處于運(yùn)動狀態(tài)時(shí),加速度傳感器采集到的合加速度幅值變化量較大,根據(jù)該特征可知加速度傳感器能較好地識別作業(yè)人員是否處于運(yùn)動狀態(tài),由氣壓傳感器與加速度傳感器在運(yùn)動過程中采集到的數(shù)據(jù)關(guān)聯(lián)性,本文采取信息協(xié)同濾波提取有效相對高度值,即設(shè)置一個(gè)加速度閾值A(chǔ),當(dāng)加速度傳感器采集到的合加速度值波動幅值大于閾值A(chǔ),氣壓傳感器采集到氣壓值p轉(zhuǎn)換后的相對高度值H變化有效,否則無效。

2.2.1 加速度閾值設(shè)置

加速度閾值A(chǔ)設(shè)置過大,容易忽略有效信息,加速度閾值設(shè)置過小,一些無效信息容易被誤認(rèn)為有效信息,為此，本文通過設(shè)計(jì)實(shí)驗(yàn),將加速度傳感器及氣壓傳感器安裝在實(shí)驗(yàn)人員頭頂,采取讓被實(shí)驗(yàn)人員運(yùn)動一段時(shí)間再靜止一段時(shí)間的方法,采集10組數(shù)據(jù),每組采集500次數(shù)據(jù),對每組數(shù)據(jù)中靜止過程、運(yùn)動過程的合加速度值分別求算數(shù)平均值,再求測量值與算數(shù)平均值做差后的平均值γ,其γ計(jì)算公式為

(2)

式中at為t次測量到的加速度值,N為每組測量次數(shù)且N=500;計(jì)算10組數(shù)據(jù)得到γ統(tǒng)計(jì)如表1所示。

通過表1可以看出：10組運(yùn)動過程中γ值的平均值為1 551.832,靜止?fàn)顟B(tài)下γ為187.178 4,因此,設(shè)置加速度閾值A(chǔ)為兩個(gè)平均值的中值869.5。

表1 運(yùn)動、靜止?fàn)顟B(tài)下γ值

2.2.2 有效相對高度值可靠性驗(yàn)證

設(shè)計(jì)作業(yè)人員攜帶加速度傳感器、氣壓傳感器在坡度約為30°的斜坡上行走,作業(yè)人員行走一段時(shí)間,停止一段時(shí)間,該過程中,加速度計(jì)、氣壓計(jì)采集140次數(shù)據(jù)為一組,計(jì)算該組數(shù)據(jù)中的合加速度,計(jì)算加速度閾值γ值,當(dāng)γ>A時(shí),運(yùn)動過程中相對起始位置的高度變化H有效,否則無效;通過該方法,提取有效相對高度值,隨機(jī)抽取其中一組數(shù)據(jù)繪制曲線如圖2(a)所示。由圖2(a)可以看出：經(jīng)協(xié)同濾波后的有效相對高度值相對原始高度值更平滑,因此利用信息協(xié)同濾波處理作業(yè)人員在水平、斜坡、桿塔3種不同工況下運(yùn)動采集的加速度值與氣壓值,提取有效相對高度值變化,從采集到的所有數(shù)據(jù)中每種工況隨機(jī)提取10組數(shù)據(jù)繪制處理后的有效相對高度變化曲線圖如圖2(b)所示。

圖2 有效高度驗(yàn)證結(jié)果

2.3 數(shù)據(jù)擬合

根據(jù)圖2(b)可以明顯地看到,作業(yè)人員在爬塔、爬坡、水平行走3種工況下的有效相對高度值變化快慢不同,且變化曲線近似一元二次方程曲線,因此對有效相對高度值變化曲線進(jìn)行一階擬合,設(shè)擬合函數(shù)為f(h)=αt+β,其中t為采集數(shù)據(jù)次數(shù),h為相對高度值,選取室外的桿塔安全區(qū)、室外坡度約為30°的斜坡及水平路面作為實(shí)驗(yàn)平臺,每種工況采集400組數(shù)據(jù),總的數(shù)據(jù)組數(shù)為1 200組,分別對1 200數(shù)據(jù)的有效相對高度值進(jìn)行一階擬合,得到擬合參數(shù)α與β; 建立BP神經(jīng)網(wǎng)絡(luò)模型,每種工況隨機(jī)抽取350組擬合參數(shù)α與β作為訓(xùn)練輸入,其余擬合參數(shù)作為測試。

3 BP神經(jīng)網(wǎng)絡(luò)算法

BP神經(jīng)網(wǎng)絡(luò)包含多個(gè)隱含層,具備處理線性不可分問題的能力,具有自學(xué)習(xí)和自適應(yīng)能力,泛化能力強(qiáng),有一定的容錯(cuò)能力,因此本文選擇BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行作業(yè)人員工況識別。

3.1 BP神經(jīng)網(wǎng)絡(luò)模型建立

BP神經(jīng)網(wǎng)絡(luò)模型由三個(gè)部分組成,分別為輸入層、隱含層、輸出層,每層含有不同數(shù)量的神經(jīng)元[11～13]。該模型中設(shè)期望輸出值為D=[d1,d2,…,dn],(n∈R),實(shí)際輸出值為Y=[y1,y2,…,yn],期望輸出值與實(shí)際輸出值誤差為E=[e1,e2,…,en],計(jì)算誤差值的標(biāo)準(zhǔn)差σ,設(shè)誤差閾值為ξ,當(dāng)σ<ξ,更新權(quán)值達(dá)到要求,停止訓(xùn)練并得到最終的BP神經(jīng)網(wǎng)絡(luò)權(quán)值參數(shù)。

令隱含層輸出H中的元素計(jì)算

hi=f(wi×xj+bi)

(3)

將xj=[αjβj]′,wi=[w1iw2i]代入式(3)得到

hi=f(w1i×αj+w2iβj+bi)

(4)

令B=[b1b2…bp],隱含層輸出矩陣H計(jì)算

H=f(W′×X+B′)

(5)

令輸出層權(quán)值為Q,Q=[q1q2…qp],則輸出層Y誤差E的計(jì)算公式為

Y=Q×H,E=D-Y

(6)

令隱含層與輸出層之間的局部梯度G=[g1,g2,…,gn],輸入層與隱含層之間的局部梯度L=(lij),則權(quán)值 更新計(jì)算公式計(jì)算

(7)

3.2 實(shí)驗(yàn)驗(yàn)證結(jié)果與分析

利用BP神經(jīng)網(wǎng)絡(luò)模型對采集數(shù)據(jù)進(jìn)行訓(xùn)練及測試,其訓(xùn)練結(jié)果如圖3(a)所示,利用其余數(shù)據(jù)進(jìn)行測試,其測試結(jié)果如圖3(b)所示,圖中 “*”所在縱坐標(biāo)為1時(shí),辨識運(yùn)動工況為水平行走,“*”所在縱坐標(biāo)為2時(shí),辨識運(yùn)動工況為爬坡,“*”所在縱坐標(biāo)為3時(shí),辨識運(yùn)動工況為爬塔,“o”表示識別出現(xiàn)錯(cuò)誤。

圖3 訓(xùn)練與測試結(jié)果

對圖3辨識結(jié)果分析如表2所示。

表2 結(jié)果分析

4 結(jié) 論

訓(xùn)練及測試結(jié)果表明：訓(xùn)練準(zhǔn)確率達(dá)到94.95 %,測試準(zhǔn)確率達(dá)到94.67 %,該方法具有便于攜帶、成本低、辨識準(zhǔn)確率高等優(yōu)點(diǎn),不僅提高電力作業(yè)中的相關(guān)信息測量準(zhǔn)確度,還具有廣泛的運(yùn)用市場。