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(tuán)有限公司,江蘇 蘇州 215008;2. 中電科芯片技術(shù)(集團(tuán))有限公司,重慶 401332)

0 引言

光纖預(yù)警系統(tǒng)以其長(zhǎng)距離、高精度、可定制性強(qiáng)等優(yōu)點(diǎn)逐漸成為管道運(yùn)輸和周界安防保護(hù)領(lǐng)域的研究熱點(diǎn)。在光纖入侵信號(hào)系統(tǒng)中,如何對(duì)振動(dòng)信號(hào)進(jìn)行識(shí)別,如何降低光纖預(yù)警系統(tǒng)入侵信號(hào)的虛警并提高識(shí)別率是一個(gè)難題[1-5]。為此,國(guó)內(nèi)外研究者提出了各種解決方法,主要有經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)、支持向量機(jī)(SVM)、極限學(xué)習(xí)機(jī)及卷積神經(jīng)網(wǎng)絡(luò)等方法。1998年,Huang等[6]提出了EMD算法,但存在端點(diǎn)效應(yīng)等問(wèn)題。2019年,陳勇等[7]采用兩次極值波延拓抑制經(jīng)驗(yàn)?zāi)B(tài)分解算法的端點(diǎn)效應(yīng)。 2019年,周子純等[8]采用SVM和過(guò)零率相結(jié)合的方法,對(duì)攀爬、觸碰、撞擊、剪切等4種入侵信號(hào)進(jìn)行了識(shí)別。2020年,馬愈昭等[9]提出基于奇異值分解和改進(jìn)粒子群優(yōu)化支持向量機(jī)的算法提高分類識(shí)別率。 2020年,Jia 等[10]提出一種結(jié)合極限學(xué)習(xí)機(jī)(ELM)和fisher準(zhǔn)則的評(píng)分特征選擇的方法,對(duì)攀爬、觸碰、撞擊、剪切等4類事件進(jìn)行識(shí)別。2021年,喻后聃等[11]提出卷積神經(jīng)網(wǎng)絡(luò)與Mel倒譜系數(shù)相結(jié)合,實(shí)現(xiàn)了周界入侵識(shí)別。 2021年,文獻(xiàn)[12-13]提出基于多尺度卷積神經(jīng)網(wǎng)絡(luò)的入侵信號(hào)特征提取和識(shí)別方法,平均準(zhǔn)確率達(dá)到84.67%。

本文針對(duì)振動(dòng)傳感器系統(tǒng)對(duì)環(huán)境狀態(tài)中入侵事件識(shí)別正確率較低的難題,提出了一種基于隨機(jī)配置網(wǎng)絡(luò)(SCN)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)用于識(shí)別周界入侵的振動(dòng)傳感信號(hào)。利用小波降噪對(duì)信號(hào)進(jìn)行降噪預(yù)處理;再提取信號(hào)的能量特征、過(guò)均值率、PAR特征;最后采用隨機(jī)配置網(wǎng)絡(luò)神經(jīng)網(wǎng)絡(luò)對(duì)攀爬、觸碰、撞擊及剪切4種入侵事件進(jìn)行識(shí)別。

1 光纖傳感原理

光纖預(yù)警系統(tǒng)具有監(jiān)測(cè)距離遠(yuǎn),精度高,抗電磁干擾等優(yōu)點(diǎn),逐漸成為周界保護(hù)領(lǐng)域的研究熱點(diǎn)。本文光纖預(yù)警系統(tǒng)的主要基本原理是基于光纖應(yīng)變調(diào)制機(jī)理。入侵行為會(huì)引起相應(yīng)位置的變形,這將導(dǎo)致光纖傳感器相應(yīng)位置的光纖折射率以及光柵柵格周期發(fā)生變化,而折射率將導(dǎo)致光纖中心波長(zhǎng)發(fā)生變化:

λB=2neffΛ

(1)

式中:λB為光纖的中心波長(zhǎng);neff為光纖纖芯的折射率;Λ為光纖光柵的周期。波長(zhǎng)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(dāng)應(yīng)力或溫度發(fā)生變化時(shí),將導(dǎo)致光纖中心波長(zhǎng)產(chǎn)生偏移。

2 基于光纖傳感器的入侵系統(tǒng)結(jié)構(gòu)

圖1為基于光纖傳感器的入侵識(shí)別系統(tǒng)。首先通過(guò)光纖數(shù)據(jù)采集系統(tǒng)采集振動(dòng)信號(hào),再將信號(hào)上傳至電腦;然后利用小波對(duì)信號(hào)進(jìn)行降噪處理;對(duì)處理后的信號(hào)提取其時(shí)頻域特征并建立數(shù)據(jù)集,最后通過(guò)隨機(jī)配置網(wǎng)絡(luò)對(duì)其分類。

圖1 基于光纖傳感器的入侵識(shí)別系統(tǒng)圖

3 數(shù)據(jù)預(yù)處理

3.1 小波去噪原理和方法

原始信號(hào)中常有含噪聲數(shù)據(jù),含噪數(shù)據(jù)可表示為

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

(3)

式中:f(t)為含有噪聲的觀測(cè)數(shù)據(jù);s(t)為真實(shí)信號(hào);n(t)為噪聲信號(hào)。

含噪信號(hào)經(jīng)小波分解后,可得到一系列的小波系數(shù),在變換域內(nèi)有用信號(hào)的能量主要集中在幅值較大的系數(shù)上,而噪聲信號(hào)的能量呈均勻分布,因此可選取合適的閾值將噪聲信號(hào)進(jìn)行剔除,從而達(dá)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(shù)和閾值選取

采用小波閾值方法去噪時(shí),閾值函數(shù)與閾值的選取很重要,對(duì)信號(hào)去噪起關(guān)鍵作用。硬閾值函數(shù)只是簡(jiǎn)單地保留或去除信號(hào),且設(shè)定閾值λ處不連續(xù),可能會(huì)使重構(gòu)的信號(hào)產(chǎn)生偽吉布斯現(xiàn)象。軟閾值函數(shù)則避免了該問(wèn)題,將絕對(duì)值大于λ的小波系數(shù)減去固定閾值,從而使該函數(shù)在λ處連續(xù),使輸出的信號(hào)更平滑。

由于變形監(jiān)測(cè)點(diǎn)的形變?cè)跁r(shí)空上是連續(xù)的,因此,本文選取軟閾值函數(shù)作為去噪函數(shù)。硬閾值函數(shù)為

(4)

軟閾值函數(shù)[2]為

(5)

(6)

式中:δ=median(|wj,k|)/0.674 5為噪聲標(biāo)準(zhǔn)方差;M為信號(hào)長(zhǎng)度。

3.3 小波去噪精度指標(biāo)

選擇不同的小波函數(shù)與分解層數(shù),其去噪效果有所不同。去噪效果主要通過(guò)均方根誤差(RMSE)和信噪比(SNR)來(lái)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(shí)數(shù)據(jù)的功率;Pn為噪聲的功率。

4 特征提取

4.1 過(guò)均值率

由于光纖中心波長(zhǎng)受環(huán)境的影響,有無(wú)入侵信號(hào)時(shí)中心波長(zhǎng)的偏移量不同,而在不同入侵信號(hào)之間,過(guò)均值率也不同。本文采用過(guò)均值率來(lái)判斷是否有入侵信號(hào),過(guò)均值率為

(9)

式中:N為采樣點(diǎn)個(gè)數(shù);ymean為均值;yzero為幅值與均值的差值;z為過(guò)零率。

4.2 能量特征提取

短時(shí)能量特征可反映信號(hào)波動(dòng)強(qiáng)度隨時(shí)間變化的瞬態(tài)變化,在周界安防中通常作為振動(dòng)信號(hào)的一種特征。設(shè)信號(hào)f(t)的快速傅里葉變換(FFT)為F(w),根據(jù)快速傅里葉變換(FFT)規(guī)則及巴塞伐(Parseval)恒等式有:

(10)

式中:f(t)為時(shí)域信號(hào);F(w)為經(jīng)過(guò)傅里葉變換的頻域信號(hào);P(w)為FFT功率譜;E為能量信號(hào)。

4.3 峰均比

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

5 隨機(jī)配置網(wǎng)絡(luò)(SCN)

圖3為SCN神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖。SCN神經(jīng)網(wǎng)絡(luò)是由區(qū)間隨機(jī)向量函數(shù)鏈路網(wǎng)絡(luò)(IRVFLN)演變而來(lái)。由于其受隱藏層節(jié)點(diǎn)的權(quán)重及偏置的影響,無(wú)法保證其逼近能力,因此, SCN通過(guò)引入約束條件提高網(wǎng)絡(luò)的收斂能力。

圖3 SCN網(wǎng)絡(luò)結(jié)構(gòu)圖

IRVFLN神經(jīng)網(wǎng)絡(luò)的L-1個(gè)隱藏層節(jié)點(diǎn)的輸出可以表示為

(L=1,2,…,Lmax)

(11)

當(dāng)前預(yù)測(cè)值fL與真實(shí)值f的誤差eL可表示為

eL-1=f-fL-1

(12)

通過(guò)式(11)、(12)推導(dǎo)可得:

(13)

為確保神經(jīng)網(wǎng)絡(luò)可以收斂,對(duì)SCN神經(jīng)網(wǎng)絡(luò)在IRVFLN神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上提出了約束條件:

(14)

式中:0

6 模型實(shí)現(xiàn)

6.1 平臺(tái)搭建

實(shí)驗(yàn)平臺(tái)如圖4所示。在周界入侵實(shí)驗(yàn)中,本文使用的光纖解調(diào)儀型號(hào)為FI-104,采樣頻率為2 000 Hz,共有4個(gè)解調(diào)通道,每個(gè)通道最多可解調(diào)30個(gè)光纖信號(hào)。將光纖傳感器利用粘合劑固定到圍欄上,可對(duì)攀爬、觸碰、撞擊、剪切4 種信號(hào)進(jìn)行識(shí)別。

圖4 周界入侵信號(hào)采集平臺(tái)

6.2 信號(hào)采集

光纖解調(diào)儀的采樣頻率為2 000 Hz,即1 min采集120 000個(gè)點(diǎn),部分采樣點(diǎn)信息如圖5所示。由圖可看出,不同的入侵信號(hào)在時(shí)域上差異較大。

圖5 4種入侵信號(hào)

6.3 信號(hào)預(yù)處理

在獲得原始信號(hào)后,本文采用小波對(duì)其進(jìn)行降噪處理。圖6為對(duì)攀爬信號(hào)進(jìn)行降噪處理前后的對(duì)比。通過(guò)小波降噪后,攀爬信號(hào)在局部細(xì)節(jié)上更平滑。

圖6 小波降噪對(duì)比圖

6.4 特征信號(hào)提取

提取信號(hào)的PAR特征、FFT能量特征及過(guò)均值率,圖7為信號(hào)特征圖。由圖可看出,每種入侵信號(hào)在各個(gè)特征上的幅值不同。

圖7 信號(hào)特征圖

6.5 利用SCN實(shí)現(xiàn)分類

通過(guò)SCN訓(xùn)練,設(shè)置隱藏層最大節(jié)點(diǎn)數(shù)(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(gè)節(jié)點(diǎn)。最后訓(xùn)練得出節(jié)點(diǎn)數(shù)L=10,權(quán)重W為(4,10)的矩陣,偏置b為(1,10)。

如圖8所示,訓(xùn)練過(guò)程中隨著隱藏層節(jié)點(diǎn)的增加,訓(xùn)練集的準(zhǔn)確度達(dá)到92.75%。其均方根誤差在訓(xùn)練過(guò)程中逐漸減小。圖9為在測(cè)試集上的預(yù)測(cè)結(jié)果,最終預(yù)測(cè)的準(zhǔn)確率為90.7%。由圖9可看出,SCN可實(shí)現(xiàn)4種入侵信號(hào)的分類,但在剪切、攀爬、撞擊上的準(zhǔn)確度還有待提升。

圖8 訓(xùn)練準(zhǔn)確度和誤差

圖9 訓(xùn)練集及測(cè)試集結(jié)果

圖9(a)、(b)為訓(xùn)練過(guò)程中測(cè)試集和訓(xùn)練集訓(xùn)練的結(jié)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(zhǔn)確率。測(cè)試集上剪切、觸碰、攀爬、敲打識(shí)別準(zhǔn)確率分別為82.7%、100%、94.4%、91.6%。

7 結(jié)束語(yǔ)

本文利用隨機(jī)配置神經(jīng)網(wǎng)絡(luò)能夠自動(dòng)快速構(gòu)建萬(wàn)能逼近器的特性,提出了一種基于隨機(jī)配置網(wǎng)絡(luò)的周界入侵系統(tǒng)信號(hào)識(shí)別方案。首先通過(guò)光纖采集系統(tǒng)對(duì)剪切、攀爬、觸碰、敲打4種周界入侵信號(hào)進(jìn)行采集,共采集460組入侵信號(hào),并將其40%作為訓(xùn)練數(shù)據(jù)集,60%作為測(cè)試數(shù)據(jù)集?？紤]存在環(huán)境噪聲的問(wèn)題,本文通過(guò)小波對(duì)原始信號(hào)進(jìn)行降噪,然后提取信號(hào)的PAR特征、過(guò)均值率及FFT能量特征,最后采用SCN神經(jīng)網(wǎng)絡(luò)對(duì)4類入侵信號(hào)進(jìn)行分類。訓(xùn)練集的分類準(zhǔn)確度可達(dá)92.75%,在測(cè)試集上準(zhǔn)確率為90.7%。這表明所提方法能有效識(shí)別周界入侵信號(hào)。