尚秋峰, 黃 達(dá), 鞏 彪

(1.華北電力大學(xué) 電子與通信工程系,河北 保定 071003;2.華北電力大學(xué) 河北省電力物聯(lián)網(wǎng)技術(shù)重點(diǎn)實(shí)驗(yàn)室,河北 保定 071003;3.華北電力大學(xué) 保定市光纖傳感與光通信技術(shù)重點(diǎn)實(shí)驗(yàn)室,河北 保定 071003)

海纜一般敷設(shè)在海床之下,由于其所處的環(huán)境復(fù)雜,經(jīng)常會(huì)受到各種外力作用而引發(fā)故障。由于海纜在受到不同外力時(shí),光纖會(huì)產(chǎn)生不同的振動(dòng)信號(hào),因此對(duì)海纜振動(dòng)信號(hào)進(jìn)行分類識(shí)別,可以判斷海纜故障原因,實(shí)現(xiàn)有效預(yù)警和運(yùn)維。

由于海纜振動(dòng)信號(hào)具有非線性和非平穩(wěn)特性,典型的特征提取方法有經(jīng)驗(yàn)?zāi)B(tài)分解(empirical mode decomposition, EMD)[1]方法。但是EMD方法存在模態(tài)混疊等問(wèn)題。變分模態(tài)分解(variational mode decomposition,VMD)[2]方法突破了EMD為代表的以遞歸分析為中心的思想,避免了EMD中端點(diǎn)效應(yīng)、模態(tài)混疊等影響。VMD中的本征模態(tài)函數(shù)(intrinsic mode function,IMF)比EMD中定義適應(yīng)面更廣,具有更好的抗噪聲性能。本文所研究的布里淵光時(shí)域分析系統(tǒng)(Brillouin optical time domain analysis, BOTDA)發(fā)生受激布里淵散射效應(yīng)時(shí),所采集的振動(dòng)信號(hào)信噪比低[3],因此本文采用VMD方法提取信號(hào)特征,組建特征向量。

常用的振動(dòng)信號(hào)分類識(shí)別方法有支持向量機(jī)(support vector machines,SVM)[4]、BP神經(jīng)網(wǎng)絡(luò)[5]等。然而往往由于網(wǎng)絡(luò)架構(gòu)的設(shè)置不合理容易造成很大的時(shí)間成本,還會(huì)陷入過(guò)擬合或局部極小值的問(wèn)題[6]。隨機(jī)神經(jīng)網(wǎng)絡(luò)可以克服此問(wèn)題,其中以隨機(jī)向量函數(shù)連接(random vector functional link, RVFL) 網(wǎng)絡(luò)為典型[7]。而RVFL網(wǎng)絡(luò)需要大量設(shè)置與建模精度相關(guān)的隱藏節(jié)點(diǎn)的數(shù)量以及與隨機(jī)基函數(shù)的逼近能力有關(guān)的隨機(jī)參數(shù)范圍。Wang等[8]提出了隨機(jī)配置網(wǎng)絡(luò)(stochastic configuration network, SCN)方法,以不等式約束隨機(jī)配置網(wǎng)絡(luò)權(quán)重和偏置,降低了模型復(fù)雜度,并保留了隨機(jī)算法的良好近似性質(zhì)。

由于光纖傳感系統(tǒng)工作環(huán)境復(fù)雜,影響光纖信號(hào)測(cè)量的因素眾多,如溫度、濕度、敷設(shè)方式等,這無(wú)疑增加了建模的難度,使得識(shí)別效果不理想[9]。因此研究者們提出了一些改進(jìn)的SCN方法來(lái)提高分類準(zhǔn)確率,例如截?cái)嗥娈愔捣ā⒄齽t化方法[10]等。上述改進(jìn)方法均以單模型單個(gè)神經(jīng)網(wǎng)絡(luò)作為研究對(duì)象,而光纖振動(dòng)的敏感性使得信號(hào)的信息十分豐富,因此使用單一模型分類器存在一定的局限性,自適應(yīng)能力差[11]。自適應(yīng)增強(qiáng)(adaptive boosting, AdaBoost)[12]算法有著扎實(shí)的理論基礎(chǔ),其運(yùn)行原理類似于人類學(xué)習(xí)過(guò)程,每次學(xué)習(xí)都會(huì)吸取前一次學(xué)習(xí)的經(jīng)驗(yàn)和改正前一次的錯(cuò)誤,具有強(qiáng)大的自適應(yīng)糾錯(cuò)能力,可以減弱單個(gè)弱分類器的缺點(diǎn),保留其優(yōu)點(diǎn),從而獲得比單分類器更好的性能。本文采用AdaBoost算法優(yōu)化SCN,并結(jié)合VMD方法,有效提高了布里淵光時(shí)域分析系統(tǒng)信號(hào)識(shí)別的準(zhǔn)確性。

1 振動(dòng)信號(hào)特征提取算法

1.1 VMD算法

與EMD算法不同,VMD算法引入了變分問(wèn)題。變分問(wèn)題模型可以表示如下

(1)

式中:δ(t)為脈沖函數(shù);?(t)為狄拉克函數(shù);{uk}={u1,u2,…,uk}為各個(gè)模態(tài)的集合,每個(gè)模態(tài)具有中心頻率{wk}={w1,w2,…,wk}。對(duì)式(1)引入Lagrange乘法算子λ和二次懲罰因子α,求解變分問(wèn)題

(2)

(3)

(4)

(5)

1.2 綜合特征提取

基于BOTDA的海纜振動(dòng)監(jiān)測(cè)系統(tǒng)監(jiān)測(cè)到的海纜振動(dòng)信號(hào)受BOTDA運(yùn)行狀態(tài)、實(shí)際環(huán)境、系統(tǒng)負(fù)載等因素的影響,其時(shí)域、能量和熵各維度的特征表述均有不同,若僅從單一維度提取特征,不足以反映信號(hào)全部信息。本文從時(shí)域、能量和熵多角度分析,提取基于時(shí)域分析的峰度系數(shù)K(kurtosis)、基于能量特征的能量熵(energy entropy, EE)、基于熵特征的多尺度排列熵(multi-scale permutation entropy, MPE),定量描述信號(hào)特征。

1.2.1 峰度系數(shù)

時(shí)域特征直觀且易于理解,是信號(hào)分類的原始依據(jù)。峰度系數(shù)是無(wú)量綱參數(shù),不易受周圍環(huán)境影響,能夠衡量信號(hào)偏離高斯分布的程度,其值小于3時(shí)表示信號(hào)為亞高斯分布,大于3則為超高斯分布,沖擊類信號(hào)(如錨砸信號(hào))為超高斯信號(hào)。峰度系數(shù)用K表示,沖擊越明顯,對(duì)應(yīng)的K值越大;K值越小則信號(hào)越平緩。其表達(dá)式為

(6)

1.2.2 能量熵

不同的海纜振動(dòng)信號(hào),其頻率成分對(duì)應(yīng)的能量分布也會(huì)發(fā)生改變。VMD方法能將信號(hào)分解為若干中心頻率不同的模態(tài)分量,能量熵能夠反映各個(gè)分量的能量分布。用VMD算法分解得到的第j個(gè)IMF分量(j=1,2,…,m)能量值Ej為

(9)

式中:n為采樣點(diǎn)數(shù);x(i)(i=1,2,3,…,n)為信號(hào)序列;pj為該分量的占總能量的比值。因此能量熵HEE(j)表達(dá)式為

HEE(j)=-pjlgpj

(10)

式中,pj為第j個(gè)IMF分量的能量在整個(gè)樣本信號(hào)總能量中的占比。

1.2.3 多尺度排列熵

多尺度排列熵可以在不同尺度上衡量海纜振動(dòng)信號(hào)的復(fù)雜性。MPE的大小可以衡量信號(hào)的復(fù)雜程度。振動(dòng)信號(hào)規(guī)律性越強(qiáng),MPE值越小;反之MPE越大。MPE比排列熵(permutation entropy,PE)有更好的抗噪能力。MPE在PE的基礎(chǔ)上加入了尺度因子s,設(shè)時(shí)間序列為x(i)(i=1,2,3,…,N),首先對(duì)原始序列進(jìn)行多尺度粗粒化,如式(11)所示

(11)

對(duì)粗?；男蛄羞M(jìn)行空間重構(gòu)有

Yi=(yi,yi+λ,…,yi+(m-1)λ)

(12)

式中:m為維數(shù);λ為時(shí)間延遲。Yi的排列方式共有m!種,每種排列方式w出現(xiàn)的概率記為p(w)。因此MPE表達(dá)式為

(13)

2 振動(dòng)信號(hào)識(shí)別模型

2.1 SCN

SCN作為一種隨機(jī)網(wǎng)絡(luò),廣泛應(yīng)用在處理數(shù)據(jù)的回歸和分類問(wèn)題上。SCN引入不等式約束條件,更新輸入權(quán)重,利用最小二乘法計(jì)算輸出權(quán)重,使其在學(xué)習(xí)速度快的基礎(chǔ)上獲得了良好的逼近能力。SCN包含3層網(wǎng)絡(luò)結(jié)構(gòu),SCN網(wǎng)絡(luò)結(jié)構(gòu)圖,如圖1所示。輸入權(quán)重w和偏置b由輸入層生成,送入到隱藏層,隱藏層將輸出權(quán)重β送入輸出層。

圖1 SCN網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 SCN network structure

2.2 AdaBoost-SCN算法

AdaBoost是典型的Boosting算法,是集成學(xué)習(xí)算法的一種。其運(yùn)行原理類似于人類學(xué)習(xí)過(guò)程,每次學(xué)習(xí)都會(huì)吸取前一次學(xué)習(xí)的經(jīng)驗(yàn)和改正前一次的錯(cuò)誤。采用AdaBoost方法合成的強(qiáng)分類器保留了單個(gè)弱分類器的優(yōu)點(diǎn),并減弱其缺點(diǎn)。AdaBoost運(yùn)行時(shí),首先賦予每個(gè)弱分類器相同的權(quán)重,之后根據(jù)弱分類器結(jié)果,更新每個(gè)分類器權(quán)重,根據(jù)最后一次迭代得到的權(quán)重,合成一個(gè)強(qiáng)分類器[13]。AdaBoost-SCN算法流程圖,如圖2所示。

圖2 AdaBoost-SCN算法流程圖Fig.2 AdaBoost-SCN algorithm flowchart

由圖2可知,AdaBoost主要原理是用同一訓(xùn)練集,依次訓(xùn)練各個(gè)弱分類器,由前一個(gè)弱分類器分類結(jié)果,更新下一個(gè)弱分類器權(quán)重,當(dāng)?shù)Ｖ箷r(shí),根據(jù)每個(gè)弱分類器權(quán)重合成一個(gè)強(qiáng)分類器。算法具體步驟如下:

步驟1設(shè)訓(xùn)練的樣本為{(x1,y1),(x2,y2),…,(xN,yN)},樣本的總數(shù)為N,其中xi代表樣本的特征,yi代表樣本的標(biāo)簽,yi∈(-1,1),i=1,2,…,N。

步驟2弱分類器初始化權(quán)重為

(14)

步驟3設(shè)置迭代次數(shù)m=1,2,…,M,開(kāi)始迭代,根據(jù)具有權(quán)重分布Dm的訓(xùn)練集訓(xùn)練出弱分類器hm。

步驟4計(jì)算弱分類器的誤差率為

(15)

式中,I代表弱分類器hm的分類結(jié)果,若hm(xi)≠yi時(shí),I(hm(xi)≠yi)=1,否則I(hm(xi)≠yi)=0。

步驟5計(jì)算弱分類器系數(shù)

(16)

步驟6更新訓(xùn)練集權(quán)重

(17)

式中,Zm是規(guī)范化因子,計(jì)算方法為

(18)

步驟7重復(fù)步驟3～6,直至達(dá)到最大的迭代次數(shù)M,最后根據(jù)弱分類器系數(shù)合成強(qiáng)分類器

(19)

3 試驗(yàn)環(huán)境搭建

試驗(yàn)所搭建的系統(tǒng)如圖3所示。下面就其主要器件做簡(jiǎn)要說(shuō)明。系統(tǒng)所用激光器為分布式反饋激光器(distributed feedback laser, DFB):輸出穩(wěn)定連續(xù)的激光;電光調(diào)制器(electro-optic modulator, EOM):與微波源配合改變探測(cè)光頻率;聲光調(diào)制器(acousto-optic modulator, AOM):將激光器輸出的連續(xù)光調(diào)制成泵浦脈沖光;摻鉺光纖放大器(erbium-doped optical fiber amplifier, EDFA):將探測(cè)光和泵浦光的功率放大;可調(diào)衰減器(variable optical attenuator, VOA):改變探測(cè)器的光功率;偏振檢測(cè)儀(polarization detection, POD):檢測(cè)海纜內(nèi)置光纖中連續(xù)探測(cè)光偏振態(tài)的變化;光電檢測(cè)器(photodetector, PD):將光信號(hào)轉(zhuǎn)換為電信號(hào);光隔離器(optical isolator, OI):限制光的傳輸方向;數(shù)據(jù)采集卡(digital acquisition, DAQ):采集來(lái)自光電檢測(cè)器的電信號(hào)。

圖3 基于BOTDA的海纜故障模擬振動(dòng)信號(hào)監(jiān)測(cè)試驗(yàn)系統(tǒng)Fig.3 BOTDA-based submarine cable fault simulation vibration signal monitoring experimental system

基于研究團(tuán)隊(duì)前期研究,通過(guò)有限元仿真得到了海纜的沖刷、摩擦及錨砸振動(dòng)信號(hào)。文獻(xiàn)[14]仿真了海浪沖刷條件下的海纜有限元模型,得到了波浪高0.1 m,海流速度為2 m/s的勻速海浪條件下的沖刷信號(hào)。文獻(xiàn)[15]通過(guò)有限元分析法中的瞬態(tài)動(dòng)力學(xué)建立了海纜在巖石上的二維模型,摩擦?xí)r間設(shè)為0.5 s,海纜施加起始速度是0.25 m/s,滑動(dòng)方向沿x軸的正方向,同時(shí)在y方向施加了約束,使海纜摩擦運(yùn)動(dòng)方向只能沿x軸正向,利用此模型獲得了海纜摩擦信號(hào)。文獻(xiàn)[16]建立了船錨砸海纜三維模型,設(shè)定錨重156 kg,重力加速度g=9.8 m/s2,得到海纜受錨砸作用0.05 s的振動(dòng)信號(hào)。

將仿真的三種振動(dòng)信號(hào)輸入到任意波形發(fā)生器(arbitrary waveform generator,AWG)生成波形,在經(jīng)過(guò)功率放大器(power amplifier,PA)后控制振動(dòng)臺(tái)(platform vibration,PV)上的光纖振動(dòng),振動(dòng)信號(hào)調(diào)制BOTDA中單模光纖的偏振態(tài),由POD和BOTDA原理可知,其歸一化斯托克斯矢量S1反映了振動(dòng)段光纖偏振態(tài)變化,與摩擦、沖刷和錨砸振動(dòng)規(guī)律一致。因此本文試驗(yàn)振動(dòng)信號(hào)特征提取和識(shí)別采用的數(shù)據(jù)源為S1信號(hào)。如圖4所示。

(a) 錨砸信號(hào)

(b) 摩擦信號(hào)

(c) 沖刷信號(hào)圖4 三種振動(dòng)信號(hào)波形圖Fig.4 Three vibration signal waveform plots

4 海纜振動(dòng)信號(hào)特征提取

4.1 振動(dòng)信號(hào)的VMD分解

為提高振動(dòng)信號(hào)特征的提取效果,利用VMD分解獲得各IMF分量,每個(gè)IMF分量對(duì)應(yīng)振動(dòng)信號(hào)的不同模態(tài)。求取各分量的特征參數(shù),能夠全面表征信號(hào)的信息,提高分類效果。設(shè)置VMD分解的模態(tài)數(shù)K取7,懲罰因子α的值取2 000,噪聲容忍度γ取0,控制誤差取10-6。VMD分解后振動(dòng)信號(hào)的各模態(tài)分量,如圖5所示。

(a) 錨砸信號(hào)各模態(tài)分量

(b) 摩擦信號(hào)各模態(tài)分量

(c) 沖刷信號(hào)各模態(tài)分量圖5 VMD各模態(tài)分量的波形圖Fig.5 Waveform plot of each modal component of the VMD

由圖5可知,振動(dòng)信號(hào)被分解為若干頻率不等的IMF分量,不同振動(dòng)信號(hào)的各個(gè)模態(tài)分量在數(shù)值和變化上存在明顯差異,說(shuō)明本研究提取各模態(tài)分量的特征參數(shù)在全面表征信號(hào)的信息方面是可行的。為篩選包含主要信息的IMF分量,引入皮爾遜相關(guān)系數(shù)選擇有效分量。在實(shí)際中,當(dāng)相關(guān)系數(shù)大于0.3時(shí)便可視為有效分量[17]。各IMF分量與原始信號(hào)的相關(guān)系數(shù),如表1所示。

表1 各IMF分量與原始信號(hào)的相關(guān)系數(shù)Tab.1 Correlation coefficient of each IMF component to the original signal

由表1可知,選取IMF2～I(xiàn)MF7為有效分量,將IMF1舍棄。提取有效分量的特征參數(shù),能夠有效的表征信號(hào)的特征。

4.2 信號(hào)的特征參量提取部分

針對(duì)4.1節(jié)得到的各模態(tài)分量,根據(jù)特征參量求解公式計(jì)算其特征值。三種信號(hào)各模態(tài)分量的峰度系數(shù)、能量熵和多尺度排列熵的比較圖,如圖6所示。

(a) 峰度系數(shù)分布圖

(b) 能量熵分布圖

(c) 多尺度排列熵分布圖圖6 振動(dòng)信號(hào)模態(tài)分量特征分布圖Fig.6 Characteristic distribution plot of modal components of vibration signals

由圖6可知,依靠單一方面的特征并不能很好的區(qū)分沖刷、錨砸、摩擦3種海纜振動(dòng)信號(hào),因此將多個(gè)方面的特征結(jié)合,可以更全面的提取振動(dòng)信息,有效克服海纜監(jiān)測(cè)系統(tǒng)狀態(tài)及各種外界干擾,提高振動(dòng)信號(hào)分類的識(shí)別率。

5 海纜振動(dòng)信號(hào)識(shí)別

5.1 SCN分類識(shí)別

將4.2節(jié)提取的特征向量作為分類模型的樣本。本文選取3類振動(dòng)信號(hào)各300組作為試驗(yàn)數(shù)據(jù),其中85%用作訓(xùn)練集,剩下的15%作為測(cè)試集。試驗(yàn)指定錨砸信號(hào)標(biāo)簽為1,摩擦信號(hào)標(biāo)簽為2,沖刷信號(hào)標(biāo)簽為3。

根據(jù)圖1中SCN結(jié)構(gòu)可知,網(wǎng)絡(luò)的迭代次數(shù)與隱層節(jié)點(diǎn)數(shù)L有關(guān)。L選擇過(guò)大,會(huì)導(dǎo)致網(wǎng)絡(luò)復(fù)雜度增加,效率降低;L的選擇過(guò)小,又會(huì)導(dǎo)致欠擬合,無(wú)法發(fā)揮網(wǎng)絡(luò)的全部性能。本文采用遍歷法選擇最佳隱層節(jié)點(diǎn)數(shù):使用訓(xùn)練數(shù)據(jù)對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,并驗(yàn)證不同隱層節(jié)點(diǎn)的訓(xùn)練結(jié)果,當(dāng)網(wǎng)絡(luò)的性能不再變化時(shí),此時(shí)對(duì)應(yīng)的節(jié)點(diǎn)數(shù)即為最佳隱層節(jié)點(diǎn)數(shù)。設(shè)置SCN隱層節(jié)點(diǎn)數(shù)遍歷的最大范圍為50,并記錄訓(xùn)練時(shí)不同隱層節(jié)點(diǎn)數(shù)所對(duì)應(yīng)的準(zhǔn)確率與誤差率,結(jié)果如圖7所示。

圖7 SCN算法訓(xùn)練過(guò)程中準(zhǔn)確率變化Fig.7 The accuracy rate changes during SCN algorithm training

由圖7可知,訓(xùn)練開(kāi)始后隨著隱層節(jié)點(diǎn)數(shù)增加,訓(xùn)練準(zhǔn)確率增加,誤差率減小,當(dāng)L=33時(shí)訓(xùn)練準(zhǔn)確率達(dá)到最大后基本維持不變,表明在此情況下訓(xùn)練集訓(xùn)練效果即達(dá)到最佳。訓(xùn)練結(jié)束后取每種振動(dòng)信號(hào)剩余的15%作為測(cè)試集進(jìn)行識(shí)別分類。圖8(a)和圖8(b)分別顯示了L=33時(shí),SCN對(duì)錨砸、摩擦、沖刷三種海纜振動(dòng)信號(hào)訓(xùn)練和測(cè)試結(jié)果的混淆矩陣,其中每一行代表一個(gè)類的預(yù)測(cè)結(jié)果,而每一列表示類的真實(shí)歸屬類別:如圖8(a)中第一行第一列的183表示有183個(gè)實(shí)際歸屬第一類的樣本被預(yù)測(cè)為第一類,23.9%表示其占樣本總數(shù)的比值,同理第一行第二列的4表示有4個(gè)實(shí)際歸屬為第二類的樣本被錯(cuò)誤預(yù)測(cè)為第一類。結(jié)果顯示,訓(xùn)練集和測(cè)試集的平均識(shí)別率分別為82.0%和81.5%,使用單個(gè)SCN模型的分類效果并不理想。為了提高其識(shí)別準(zhǔn)確率,引入AdaBoost算法對(duì)其改進(jìn)。

(a) SCN訓(xùn)練集分類結(jié)果

(b) SCN測(cè)試集分類結(jié)果圖8 SCN算法分類結(jié)果Fig.8 SCN algorithm classification result

5.2 AdaBoost-SCN提升識(shí)別精度

在5.1節(jié)中確定當(dāng)SCN隱層節(jié)點(diǎn)數(shù)為33時(shí)針對(duì)海纜振動(dòng)信號(hào)樣本能夠達(dá)到最好的訓(xùn)練效果,故AdaBoost-SCN中每個(gè)弱分類器隱層節(jié)點(diǎn)數(shù)設(shè)為33,以提高其應(yīng)用效率。

在AdaBoost-SCN模型中,弱分類器SCN的個(gè)數(shù)對(duì)分類結(jié)果有很大影響,數(shù)目過(guò)少,識(shí)別效果不佳,數(shù)目過(guò)多又會(huì)導(dǎo)致識(shí)別時(shí)間增加,降低效率。為了獲得最好的識(shí)別效果,采用網(wǎng)格搜索[18]的調(diào)參手段,以窮舉的方式,尋找最優(yōu)的弱分類器數(shù)目。本研究設(shè)置弱分類器個(gè)數(shù)為1～25,對(duì)測(cè)試集進(jìn)行識(shí)別,并對(duì)比其識(shí)別效果,以選擇合適的弱分類器個(gè)數(shù)。不同數(shù)目的弱分類器的識(shí)別準(zhǔn)確率與時(shí)間對(duì)比,如圖9所示。

圖9 不同數(shù)目弱分類器效果Fig.9 Different numbers of weak classifier effects

由圖9可知,當(dāng)弱分類器個(gè)數(shù)逐漸增加時(shí),海纜振動(dòng)信號(hào)的識(shí)別率呈上升趨勢(shì),當(dāng)弱分類器個(gè)數(shù)為17時(shí)識(shí)別率達(dá)到95.6%,識(shí)別時(shí)間為1.78 s;繼續(xù)增加弱分類器個(gè)數(shù)時(shí),識(shí)別率基本維持不變,但識(shí)別時(shí)間卻一直在增加,識(shí)別效率下降。權(quán)衡識(shí)別效果與算法效率,本文選擇集成的弱分類器個(gè)數(shù)為17。圖10顯示了弱分類器個(gè)數(shù)為17時(shí),AdaBoost-SCN的識(shí)別結(jié)果。

圖10 AdaBoost-SCN海纜振動(dòng)分類結(jié)果Fig.10 AdaBoost-SCN submarine cable vibration classification results

由圖10中AdaBoost-SCN的分類結(jié)果知,錨砸信號(hào)的識(shí)別率為93.3%,摩擦信號(hào)識(shí)別率為97.8%,沖刷信號(hào)為95.6%,三種振動(dòng)信號(hào)平均識(shí)別率為95.6%,相比于SCN算法提升了14.1%,識(shí)別時(shí)間為1.78 s。AdaBoost-SCN具有很高的識(shí)別精度,相比于SCN有著明顯的提高。

5.3 與傳統(tǒng)機(jī)器學(xué)習(xí)識(shí)別方法的比較

典型的機(jī)器學(xué)習(xí)識(shí)別技術(shù)有SVM、BP神經(jīng)網(wǎng)絡(luò)等,以及在它們基礎(chǔ)上的優(yōu)化算法。為驗(yàn)證本文方法的有效性,選擇相同的訓(xùn)練集與測(cè)試集,將結(jié)果與SCN、SVM、BP神經(jīng)網(wǎng)絡(luò)、AdaBoost-SVM[19]、AdaBoost-BP[20]的結(jié)果進(jìn)行對(duì)比。根據(jù)竇希杰等研究,設(shè)置SVM核函數(shù)選擇RBF函數(shù),利用網(wǎng)格搜索法選取的最佳懲罰因子c為100,核函數(shù)參數(shù)g為1.43;根據(jù)焦敬品等研究,設(shè)置BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)率為0.01,最大學(xué)習(xí)次數(shù)為1000,隱層節(jié)點(diǎn)設(shè)為10,目標(biāo)誤差為0.01;AdaBoost-SVM與AdaBoost-BP的調(diào)參手段與5.2節(jié)一致,其中AdaBoost-SVM通過(guò)設(shè)定不同的c、g組合構(gòu)建不同的弱分類器以組成強(qiáng)分類器,AdaBoost-BP中單個(gè)弱分類器的參數(shù)設(shè)置與單一BP模型一致。AdaBoost-SVM與AdaBoost-BP調(diào)參過(guò)程中識(shí)別準(zhǔn)確率與時(shí)間變化,如圖11所示。

圖11 AdaBoost-SVM、AdaBoost-BP效果比較Fig.11 Comparison of the effects of AdaBoost-SVM and AdaBoost-BP

根據(jù)圖11的結(jié)果,權(quán)衡識(shí)別效果與算法效率,選擇AdaBoost-SVM與AdaBoost-BP集成的弱分類器個(gè)數(shù)分別為11和15,對(duì)應(yīng)的識(shí)別時(shí)間為3.57 s和9.96 s。不同方法的分類效果如表2所示。

表2 不同方法識(shí)別效果對(duì)比Tab.2 Comparison of recognition effects of different methods

不同分類方法的結(jié)果,如表2所示。海纜振動(dòng)信號(hào)具有非線性特性,SVM是一種強(qiáng)分類器,BP神經(jīng)網(wǎng)絡(luò)的非線性映射能力顯著,且SVM可以通過(guò)選擇核函數(shù)而提高非線性映射能力,因此它們的識(shí)別率高于SCN;而SCN具有計(jì)算量小,模型復(fù)雜度低的特點(diǎn),因此在識(shí)別效率上具有顯著優(yōu)勢(shì)。使用SVM、BP神經(jīng)網(wǎng)絡(luò)、SCN方法對(duì)不同信號(hào)的分類準(zhǔn)確率有較大的差別,對(duì)摩擦信號(hào)的識(shí)別率很高,而對(duì)錨砸和沖刷信號(hào)的識(shí)別率較低,可以認(rèn)為是受單一模型分類器的局限性所致,魯棒性和泛化能力較差。而AdaBoost方法所集成的強(qiáng)分類器對(duì)三種信號(hào)的識(shí)別率較為平均,相比弱分類器有著更強(qiáng)的魯棒性和泛化能力。由于AdaBoost需要集成多個(gè)弱分類器,因此其訓(xùn)練時(shí)間略高于單一模型,然而這種代價(jià)是值得的。根據(jù)圖9和圖11的結(jié)果所示,AdaBoost集成的強(qiáng)分類器的準(zhǔn)確率始終高于單一模型,并且有明顯的提升,有效防止了過(guò)擬合現(xiàn)象,證明了其有效性。相較于AdaBoost-SVM與AdaBoost-BP方法,AdaBoost-SCN具有更高的識(shí)別率,且由于SCN具有計(jì)算量小、速度快的特點(diǎn),AdaBoost-SCN具有更高的識(shí)別效率,綜合效果最好。

6 結(jié) 論

本文提出了基于VMD與AdaBoost-SCN的海纜振動(dòng)信號(hào)識(shí)別方法,在對(duì)錨砸、摩擦、沖刷三種振動(dòng)信號(hào)識(shí)別中,取得了良好的效果。通過(guò)VMD算法對(duì)振動(dòng)信號(hào)分解,提取了振動(dòng)信號(hào)各模態(tài)分量的峰度系數(shù)、能量熵與多尺度排列熵,組建特征向量組,使用所提的AdaBoost-SCN方法的識(shí)別率達(dá)到了95.6%,相比于SCN方法識(shí)別率提高了14.1%。結(jié)果表明,提出的AdaBoost-SCN方法,在提升SCN的識(shí)別率的同時(shí),增強(qiáng)了模型的魯棒性和泛化能力。本文工作為利用光纖傳感技術(shù)進(jìn)行海纜狀態(tài)監(jiān)測(cè)提供了有效的識(shí)別方法,還可以推廣應(yīng)用于其他分布式光纖傳感系統(tǒng)。