基于外部載荷位置預(yù)測的光纖傳感器故障信號識別技術(shù)?

李顏瑞唐婧壹

(山西機電職業(yè)技術(shù)學(xué)院信息工程系，山西 長治 046011)

近年來，各項先進技術(shù)的發(fā)展，帶動傳感器技術(shù)也越來越成熟，在多個領(lǐng)域都起到了非常重要的作用，例如醫(yī)藥行業(yè)、工業(yè)、軍事領(lǐng)域等領(lǐng)域。 光纖傳感器在運行過程中可能會出現(xiàn)一些故障影響傳感器的正常工作，此時需要有相應(yīng)的故障信號識別技術(shù)以解決這個問題。 現(xiàn)有研究的重點放在當(dāng)傳感器出現(xiàn)故障時，怎樣才能快速、高效、準(zhǔn)確地識別出傳感器故障信號位置，例如:文獻[1]提出了一種基于功率譜估計的兩級振動模式識別方案。 設(shè)計并實現(xiàn)了該算法的監(jiān)控系統(tǒng)軟件，以及軟件系統(tǒng)設(shè)計中涉及的功能模塊。 對整個系統(tǒng)的實驗測試表明，該算法能夠?qū)崟r有效地識別傳感電纜上的任何入侵事件，入侵檢測率大于95%，包括誤報。 但是該方法分析樣本數(shù)量較少，不具有廣義代表性；文獻[2]結(jié)合深度置信網(wǎng)絡(luò)和拉普拉斯映射法，實現(xiàn)了半監(jiān)督故障的精準(zhǔn)識別。 通過選取相應(yīng)故障信號，將其轉(zhuǎn)換為低維流形特征的形式代入到深度置信網(wǎng)絡(luò)中，以此獲得少數(shù)的有標(biāo)簽樣本和大量的無標(biāo)簽樣本，分別提取特征并對故障類型做分類處理；然后，代入建立的識別模型中實現(xiàn)故障識別。 該方法降低了計算難度，較好地挖掘了故障信號特征，但是并未對信號進行去噪處理，影響算法整體識別精度。

光纖傳感器與其他傳感器相比，上市時間較短，對于故障識別方法的研究也相對較淺。 為此，本文從外部載荷位置預(yù)測的角度出發(fā)，提出了一種光纖傳感器故障信號識別方法。 首先，對傳感器信號中包含的噪聲和雜質(zhì)采用合成外差算法和傅里葉變換分別進行解調(diào)和去噪處理，確保后續(xù)的特征提取結(jié)果精度；然后，針對不同故障類型分別提取了故障信號特征，將系統(tǒng)灰色性故障識別法與外部載荷位置預(yù)測法相結(jié)合，融合處理傳感器多角度負載數(shù)據(jù)，并進行故障識別。 在仿真分析中驗證了本文方法不僅在識別精度上有明顯的優(yōu)勢，同時保證了理想的識別效率。

1 光纖傳感器故障信號分析

1.1 光纖傳感器故障信號解調(diào)去噪

光纖傳感器信號解調(diào)過程如圖1 所示。 本文將合成外差算法引入算法中，把相位調(diào)制信號代入傳感器信號中，使對傳感器信號產(chǎn)生影響的因素指向調(diào)制信號[3]。 為了有效去除傳感器信號中的噪聲，本文將分離傳感器信號與低頻干擾信號的頻帶，使敏感信號的偏振態(tài)變化和幅度波動處于較為平穩(wěn)的狀態(tài)[4]。

圖1 光纖傳感器信號解調(diào)過程圖

由圖1 可知，信號從傳感器中發(fā)出，經(jīng)過耦合器1 的作用形成兩束不同的信號:感測信號和載波。由于傳感器信號中物理量的存在，參考臂使得感測信號產(chǎn)生物理反應(yīng)，信號臂相位同時也受到一定程度的影響。 經(jīng)過耦合器2 的作用使兩束信號匯合在一起，產(chǎn)生干涉現(xiàn)象，傳感器信號由此轉(zhuǎn)換為電信號，輸出即可。 輸出的電信號可用式(1)表示:

從式(2)中可得，當(dāng)傳感器信號正好處于調(diào)制信號的邊帶上時，可通過載波頻率為整數(shù)倍的頻帶[5]對其進行過濾處理，過濾選擇的濾波器為中心頻帶ωc和2ωc的帶通濾波器，以此獲得傳感器信號向量S1(v)和S2(v)分別為:

再對S(v)進行積分計算，得到解調(diào)后的傳感器信號為:

式中:a表示經(jīng)過伸縮處理后得到的伸縮因子，b表示經(jīng)過平移處理后得到的平移因子，t表示一個常數(shù)量。

1.2 光纖傳感器故障信號特征提取

傳感器故障類型多種多樣，當(dāng)傳感器出現(xiàn)不同故障時，為了可以準(zhǔn)確判斷為哪種故障，本文分別提取了不同故障類型的特征[7]。 首先獲取傳感器運行信號，經(jīng)過經(jīng)驗?zāi)B(tài)分解技術(shù)的處理后，得到信號的本征模函數(shù)。 在本征模函數(shù)分量(IMF)中包含兩個部分:一部分為傳感器狀態(tài)信息，另一部分為傳感器運行狀態(tài)下產(chǎn)生的擾動分量。 然后，計算IMF 與傳感器信號之間的近似性，本文選擇關(guān)系值來表征，二者的關(guān)系值越大，說明IMF 中包含的傳感器狀態(tài)信息就越多。 IMF 與傳感器信號x(x＝1，2，…，N)之間的關(guān)系值計算公式為:

式中:RIMFi表示第i個IMF 的關(guān)系函數(shù)值，Rx表示x的相關(guān)函數(shù)值，j表示x的系數(shù)值。

選取兩個隨機變量X、Y，假設(shè)二者之間存在某種關(guān)系上的相關(guān)性，通過互信息[8－9]的非線性度量法來衡量兩個變量之間的近似性。 在X已知的情況下，條件熵H(Y｜X)與無條件熵H(Y)之間的關(guān)系為H(Y｜X)≤H(Y)。 那么，X、Y之間的互信息計算公式如式(11)所示:

經(jīng)過上述計算，篩選出IMF 中包含的敏感分量，通過對單個敏感分量進行分析，計算其與傳感器信號之間的互信息值和關(guān)系值，并將所得結(jié)果進行絕對值計算，得到絕對值后，以乘積的方式計算得到經(jīng)驗?zāi)B(tài)分量的敏感度劃分標(biāo)準(zhǔn)。

由于傳感器狀態(tài)信息多為高維特征向量，運行狀態(tài)下會產(chǎn)生過多的冗余信息，使得特征提取效率降低。 這里引入輕量級協(xié)議算法進行降維計算[10－11]。

假設(shè)信號樣本集為X＝[x1，x2，…，xn]，其中含有n個D維空間樣本信息，使其映射到低維空間內(nèi)，由此得到的樣本矩陣為Z＝[z1，z2，…，zn]，zi＝(i＝1，2，…，n)表示一個d維向量(d?D)。 將Q定義為與Z對應(yīng)的相似性矩陣。 計算Q中包含的元素qij為:

式中:WPCA表示經(jīng)過PCA 子空間的映射后，得到的變換矩陣，WLPP表示經(jīng)過PCA 子空間和輕量級協(xié)議算法的映射后，得到的變換矩陣[12]。

根據(jù)式(15)的計算結(jié)果，利用式(16)的線性模型進行故障信號特征向量的提取:

2 外部載荷位置預(yù)測下光纖傳感器故障信號識別

根據(jù)上文故障特征提取結(jié)果，結(jié)合系統(tǒng)灰色性故障識別方法和外部載荷位置預(yù)測，對傳感器進行多角度負載，記錄所得數(shù)據(jù)。 在此基礎(chǔ)上，將所有數(shù)據(jù)進行融合，并利用故障識別法識別數(shù)據(jù)中的故障數(shù)據(jù)，實現(xiàn)過程如下:

在不同的運行狀態(tài)下，傳感器信號的特征也有所不同，通過觀察這些特征的變化，即可實現(xiàn)對故障信號的識別。 假設(shè)yi＝(yi(1)，yi(2)，…，yi(l))表示已知的傳感器故障特征向量，xi＝(xi(1)，xi(2)，…，xi(l))表示已知的傳感器信號特征向量[13]。yi與xi在第l個特征向量處的差異性計算公式為:

式中:m表示傳感器已知故障特征量數(shù)量，s表示所觀察到的傳感器信號組數(shù)。

通過計算傳感器運行狀態(tài)與標(biāo)準(zhǔn)狀態(tài)之間貼近度值的大小，找出最大的值，作為評判傳感器故障信號的指標(biāo)，至此實現(xiàn)于外部載荷位置預(yù)測的光纖傳感器故障信號識別技術(shù)研究。

3 仿真分析

3.1 測試環(huán)境

為了驗證所提方法在光纖傳感器故障信號識別方面是否合理有效，需要進行仿真分析驗證。 測試在VC＋＋平臺上完成，數(shù)據(jù)來自某光纖傳感器運行數(shù)據(jù)，選取了其中的600 組，存儲在SQL Server 2015數(shù)據(jù)庫內(nèi)。 在進行測試之前，需要將傳感器故障信號特征向量y1，y2，…，yi，…，yk進行歸一化處理，將其歸納到[0，1]區(qū)間內(nèi)，得到:

式中:ymax表示故障信號特征向量的最大值，ymin則為故障信號特征向量的最小值。

3.2 頻率響應(yīng)分析

光纖傳感器在實際的使用過程中，隨著信號頻率的不斷增加，頻帶的寬度也出現(xiàn)了變化，如果不及時處理，極易發(fā)生混疊的現(xiàn)象，很難得到準(zhǔn)確的信號，從而導(dǎo)致信號解調(diào)失敗。 在仿真分析中，通過運用本文方法對0.5 kHz 情況下傳感器信號的頻帶進行解調(diào)，分析結(jié)果如圖2 所示。

圖2 0.5 kHz 情況下解調(diào)傳感器信號結(jié)果

從圖2 中可以看出，在0.5 kHz 下，光纖傳感器波動在±140 Hz 內(nèi)，且波動幅度較穩(wěn)定。 通過本文方法的解調(diào)后，可以與原始傳感器信號始終保持在同一個變化幅度下，且波動范圍基本一致，沒有出現(xiàn)明顯波動，表明所提方法下調(diào)節(jié)手段能夠有效避免混疊現(xiàn)象，可以實現(xiàn)準(zhǔn)確、實時的跟蹤解調(diào)，取得了理想的解調(diào)效果和頻率響應(yīng)效果。

3.3 故障信號去噪分析

根據(jù)圖2 的解調(diào)結(jié)果，將其作為信號波動曲線，并提取解調(diào)過程中的2 100 個節(jié)點，分別利用本文方法與文獻[1]功率譜估計、文獻[2]深度置信網(wǎng)絡(luò)三種方法，對其進行去噪，驗證三種方法的信號去噪性能優(yōu)勢，結(jié)果如圖3 所示。

圖3 三種方法信號去噪對比圖

從圖3 中可以看出，經(jīng)過功率譜估計和深度置信網(wǎng)絡(luò)去噪后的信號中，功率譜估計去噪后，噪聲幅值偏差相較于原始圖像噪聲偏差更大，深度置信網(wǎng)絡(luò)去噪后，去噪效果最好時為采樣點為1 200 個，但是依然存在一定程度的噪聲和雜質(zhì)，并沒有達到理想去噪效果，對后續(xù)的故障信號特征提取在很大程度上都產(chǎn)生了影響。 但是經(jīng)過本文方法處理后的信號，精準(zhǔn)地去除了噪聲和雜質(zhì)，噪聲干擾曲線與信號波動曲線之間存在的噪聲基本為0，在后續(xù)的故障信號特征提取以及信號識別中可以起到很好的推動作用。

3.4 故障信號識別效率分析

運用三種方法，分別對選取的600 組數(shù)據(jù)進行故障信號識別，所用時間如表1 所示。

表1 三種方法下故障識別時間對比

從表1 中可以看出，三種方法隨著傳感器信號數(shù)量的增加、故障識別耗時都在不斷增加，但是對比之下，本文方法所用時間最少。 這是由于本文方法結(jié)合了系統(tǒng)灰色性故障識別方法和外部載荷位置預(yù)測，在數(shù)據(jù)融合之后對信號進行故障識別，在保證識別精度較高的前提下提高了識別效率。

4 實際驗證

為了進一步驗證所提方法的有效性，進行實際驗證，將某光纖傳感器的工作狀態(tài)劃為5 種，其中4種為故障，另1 種為正常狀態(tài)，分別為光纖鏈路故障、電機故障、光纖收發(fā)器故障、電源故障以及正常狀態(tài)，其樣本個數(shù)分別為20、20、35、25、100 個。 以此為基礎(chǔ)運用三種方法，分別對選取的樣本數(shù)據(jù)進行故障信號識別，所用時間如表2 所示。

表2 三種方法下故障識別時間對比

從表2 中可以看出，本文光纖傳感器故障識別技術(shù)有效解決了當(dāng)前光纖傳感器故障識別效率較低的缺陷，可以準(zhǔn)確識別光纖傳感器的工作狀態(tài)。 相較于對比方法，所用時間在6.5 s 以內(nèi)，識別效率和時間更高。 這是由于本文方法結(jié)合外部載荷位置預(yù)測方法，在數(shù)據(jù)融合識別光纖傳感器信號，準(zhǔn)確分別故障信號類型，在保證識別精度較高的前提下提高了識別效率。

5 結(jié)論

當(dāng)前針對光纖傳感器如何實現(xiàn)高效故障識別，本文提出了基于外部載荷預(yù)測的故障信號識別方法。 利用合成外差算法和傅里葉變換對傳感器信號中存在的噪聲和雜質(zhì)進行解調(diào)和去噪處理，確保后續(xù)特征提取具有較高的精度，利用本征模函數(shù)對不同故障類型下的信號進行特征提取，結(jié)合系統(tǒng)灰色性故障識別方法和外部載荷位置預(yù)測，實現(xiàn)對光纖傳感器的故障識別。 仿真對比分析中，本文方法展現(xiàn)出了超高的識別效率，同時確保具有理想的識別精度，為傳感器技術(shù)的發(fā)展提供了可靠的參考依據(jù)。