基于BP神經(jīng)網(wǎng)絡的電纜溝監(jiān)控模式識別方法

趙曉暉，宋耀華，陳子涵，胡雨晗，時亨通，邱方馳，皮昊書，彭 毅，吳 中，宋 杰

（1．深圳供電局有限公司，廣東 深圳 518000；2．廣東復安科技發(fā)展有限公司，廣東 東莞 523000；3．復旦大學 材料科學系，上海 200433）

引 言

電纜溝是市政地下設施的重要組成部分，常面臨偷盜和野蠻施工的破壞行為。對這些設施進行全天候監(jiān)控，可極大提高城市設施的安全性，減少盲目施工造成的經(jīng)濟損失和社會影響，避免人身傷害。因而需要引入一種智能的電纜溝線路監(jiān)控技術(shù)，在電纜溝面臨威脅時可以快速預警定位，而且針對不同的威脅行為能有效區(qū)分，為巡查維護工作提供參考[1-4]。電纜溝安全監(jiān)控系統(tǒng)是基于分布式光纖傳感技術(shù)，并利用光纖實時采集周遭環(huán)境信號。通過對采集到的信號進行分析與模式識別，可以及時發(fā)現(xiàn)電纜溝中潛在的問題，判斷入侵行為危險性的大小，實現(xiàn)有效預警、迅速采取措施，減少電纜溝破壞帶來的安全隱患和經(jīng)濟損失。

模式識別是根據(jù)樣本的特征用計算的方法將樣本劃分為不同的類別。目前在光纖傳感領(lǐng)域應用的模式識別方法種類較多：從數(shù)據(jù)預處理與特征提取的角度來分，應用到的技術(shù)有濾波[5]、小波分析[6]、經(jīng)驗模態(tài)分解[7]、MFCC[8]等；從分類器的角度來分，主要有神經(jīng)網(wǎng)絡[9]、支持向量機[10]、隨機森林算法[11]等。雖然很多報道中的模式識別方法都可以達到不錯的識別率，但是很多方法存在著數(shù)據(jù)處理、運算步驟過于復雜的問題，另外一些模式識別方法與實際的報警系統(tǒng)結(jié)合并不緊密。針對以上問題，本文提出了一種簡單有效的光纖傳感信號模式識別方法，即基于BP神經(jīng)網(wǎng)絡的電纜溝監(jiān)控模式識別方法。

1 基本原理

1.1 分布式光纖傳感技術(shù)

光纖傳感是近年來迅速發(fā)展的新型傳感技術(shù)，它利用光纖中光的相位、強度、偏振等會受外界條件影響的特性，對外界的振動、溫度、應力、位移等參數(shù)進行測量。由于其獨特的傳感機理，分布式光纖傳感器可以實現(xiàn)對沿傳感光纖連續(xù)分布空間內(nèi)的應力、溫度、振動等信息的監(jiān)測，用這種方法可以替代成千上萬個單點式傳感器[12-13]。

外界振動通過“光彈效應”對光波的相位進行調(diào)制，光相位的變化可以通過構(gòu)建Sagnac、M-Z、Michelson等結(jié)構(gòu)的干涉光路進行檢測。干涉信號的解調(diào)往往使用3*3耦合器法[14]，干涉光通過3*3耦合器進入兩個光電探測器，隨后光電探測器將光信號轉(zhuǎn)化為電信號，并且在硬件上進行去直流處理。由兩個光電探測器探測得到的電信號具有如下形式：

式中：A、B為振幅；為外接振動對相位的調(diào)制；為3*3耦合器引入的固定相位，為[15-16]。通過特定的相位還原算法以及定位算法可以實現(xiàn)擾動信號的實時解調(diào)與定位[17]。

1.2 樣本的生成與預處理

樣本預處理的流程為：首先，得到1 s內(nèi)的相位還原信號的時域波形圖，對其進行特定的圖像生成程序轉(zhuǎn)化，生成一張分辨率為320*160的三通道彩色圖像，圖像的深色部分為信號，淺色部分為空白背景，如圖1所示；然后，將該原始圖像裁減至310*70大小并轉(zhuǎn)化為單通道黑白圖像，目的是去除過多的無用空白區(qū)域，減少冗余數(shù)據(jù)。通過重新調(diào)整圖像矩陣維度將新生成的310*70灰度圖像轉(zhuǎn)化為維度為（1, 21 700）的向量，該向量經(jīng)過歸一化（使向量的模為1）后生成最終的樣本，該樣本就是輸入BP（back propagation）神經(jīng)網(wǎng)絡的樣本，其維度對應了BP神經(jīng)網(wǎng)絡輸入層的神經(jīng)元數(shù)量。整個樣本預處理的流程如圖2所示。

圖1 4 種擾動模式對應信號Fig. 1 Corresponding signals of the four disturbance modes

圖2 樣本的生成與預處理流程圖Fig. 2 Flow chart of sample generation and preprocessing

1.3 構(gòu)建 BP 神經(jīng)網(wǎng)絡

BP神經(jīng)網(wǎng)絡[18]是一種按照誤差逆向傳播算法訓練的多層前饋神經(jīng)網(wǎng)絡，是目前應用最廣泛的神經(jīng)網(wǎng)絡，可以用于模式識別、數(shù)據(jù)擬合等場景。使用最基本的全連接型BP神經(jīng)網(wǎng)絡可以完成上述樣本的分類，BP神經(jīng)網(wǎng)絡結(jié)構(gòu)由輸入層、多層隱含層（中間層）、輸出層構(gòu)成，如圖3所示。

圖3 BP 神經(jīng)網(wǎng)絡的拓撲結(jié)構(gòu)Fig. 3 Topological structure of BP neural network

在本研究中選取的結(jié)構(gòu)為兩層隱含層的BP神經(jīng)網(wǎng)絡，從輸入層至輸出層的神經(jīng)元數(shù)量依次為21 700、100、50、4，其中21 700對應了樣本的維度。最終樣本被分為4類，對應了輸出層的4個神經(jīng)元y1、y2、y3、y4，當y1為其中的最大值時，對應井蓋開啟的模式，y2、y3、y4分別對應了碰撞敲擊、管線入侵、機械施工。

神經(jīng)網(wǎng)絡的訓練通過Google的Tensorflow框架[19]實現(xiàn)（使用Python語言編寫），使用softmax函數(shù)作為輸出層激活函數(shù)，交叉熵函數(shù)作為損失函數(shù)，使用梯度下降法[20-21]進行優(yōu)化。損失函數(shù)的表達式如下：

1.4 模型在實時報警系統(tǒng)中的應用

實驗所用的電纜溝線路安全監(jiān)控系統(tǒng)主要包括傳感光路、數(shù)據(jù)采集模塊與監(jiān)控軟件。光感光路中包含光源、光模塊、傳感光纖等，當傳感光纖受到擾動時，包含擾動信息的光信號經(jīng)過數(shù)據(jù)采集卡轉(zhuǎn)換為電信號，然后監(jiān)控軟件讀取該電信號并進行相應的數(shù)據(jù)處理與模式識別。當線路中出現(xiàn)異常情況時，系統(tǒng)會發(fā)出報警信息，軟件界面如圖4所示。該軟件是基于LabVIEW編寫的其中的模式識別功能是通過主程序調(diào)用子vi文件實現(xiàn)的。因此將訓練好的神經(jīng)網(wǎng)絡模型編寫為子vi，即可將模式識別功能嵌入到電纜溝線路安全監(jiān)控系統(tǒng)中，以實現(xiàn)實時的模式識別與報警。

具體的實現(xiàn)方法：首先將訓練好的神經(jīng)網(wǎng)絡的權(quán)值與偏置參數(shù)從Python中導出，保存為vi文件，命名為para.vi；然后在LabVIEW中重建數(shù)據(jù)預處理程序與神經(jīng)網(wǎng)絡的結(jié)構(gòu)，保存為vi文件，命名為pattern.vi，該vi程序可以對輸入的信號進行模式識別，其程序框圖如圖5所示。在該程序中設定報警的閾值，可以實現(xiàn)無擾動或輕微擾動時不報警，只有擾動信號大到一定程度后才進行識別。電纜溝線路安全監(jiān)控系統(tǒng)的主程序?qū)陕饭庑盘栠M行實時采集、實時相位還原，每采集一秒鐘的信號就會生成一張圖片，這張圖片會傳遞至pattern.vi中，pattern.vi對圖片進行模式識別，并將報警信息傳遞到監(jiān)控軟件的界面上，即可完成實時報警。

2 實驗結(jié)果與分析

本文訓練集與測試集采用均分的方式，每種樣本選取25個作為訓練集，25個作為測試集，共200個樣本參與到BP神經(jīng)網(wǎng)絡的訓練過程中。經(jīng)過將近1 000次的梯度下降運算，最終訓練集準確率為100%，測試集準確率為99%，訓練集與測試集的損失函數(shù)分別為3.177、7.532，梯度下降的過程如圖6所示。最終測試集的準確率達到了較高的水平，并且損失函數(shù)下降到了比較低的水平，說明該模型能夠較好地實現(xiàn)對4種數(shù)據(jù)的分類。

圖6 BP 神經(jīng)網(wǎng)絡的訓練過程Fig. 6 Training process of BP neural network

為了進一步驗證該模型的有效性，將該模型嵌入到實時報警系統(tǒng)中進行識別。實驗共采集了272個樣本，其中井蓋開啟信號68個，碰撞敲擊信號52個，管線入侵信號64個，機械施工信號88個。如表1所示，所有樣本中最終只有5個判斷錯誤，總體識別成功率為98.16%。判斷錯誤的樣本中主要是將井蓋開啟信號誤識別為碰撞敲擊信號，經(jīng)過分析得出這可能是采樣不完整導致的。通過端點檢測[22]等技術(shù)重新調(diào)整采樣開始的時間，避免同一個井蓋開啟信號出現(xiàn)在兩幀不同的圖像中，就可以有效解決該問題。

表1 四種樣本的識別結(jié)果及正確率Tab. 1 Recognition results and accuracy of the four kinds of samples

在識別時間方面，該方法單個樣本識別時間僅在0.023 s左右，加上信號采集的時間以及重新調(diào)整采樣時間，單個樣本的報警時間可以控制在2 s內(nèi)，符合行業(yè)標準GA/T 1217—2015中光纖振動報警器的報警時間要在3 s以內(nèi)的要求[23]。

該方法的本質(zhì)是利用了光纜振動信號的時域特征進行模式識別。在該實時報警系統(tǒng)中，采樣率是1 s內(nèi)包含500 000個采樣點，而該方法實際上相當于對原始相位還原信號進行了降采樣，最終輸入神經(jīng)網(wǎng)絡時只用到21 700個點，同時保留了信號的特征。用于訓練的樣本就是通過信號生成的圖像，所以該方法具有簡單、直觀的特點。但該方法也忽略了振動信號的頻域信息，導致多種振動模式疊加時容易出現(xiàn)誤報的問題。在實際應用中，采用圖像方法結(jié)合頻域特征進行識別會使識別更加準確。

3 結(jié) 論

本文基于分布式光纖傳感技術(shù)并結(jié)合圖像分析與BP神經(jīng)網(wǎng)絡，提出一種有效的電纜溝安全監(jiān)控模式識別方案。通過圖像生成程序?qū)⒚恳幻氲南辔贿€原信號轉(zhuǎn)化為圖像，圖像經(jīng)過簡單的處理后輸入到BP神經(jīng)網(wǎng)絡中進行訓練與識別，將訓練好的神經(jīng)網(wǎng)絡模型嵌入到基于LabVIEW的實時報警系統(tǒng)中，即可實現(xiàn)四種模式的實時報警。該方法本質(zhì)上是利用了光信號的時域信息進行識別，通過一些常用的算法就實現(xiàn)了較高的識別率，具有實現(xiàn)方法簡單、識別速度快等優(yōu)點，能對井蓋開啟、碰撞敲擊、管線入侵、機械施工這幾種行為進行有效識別，實驗測試的總體識別成功率為98.16%。該識別方案還可應用到周界安防、光纖油管狀態(tài)監(jiān)測等領(lǐng)域。