分布定位式光纖振動傳感系統(tǒng)的事件識別

吳世海，任梓豪，何抒航，賈建華，孟雨盈，孔 勇

(上海工程技術(shù)大學(xué) 電子電氣工程學(xué)院，上海 201620)

0 引 言

由于相位敏感光時域反射計(φ-OTDR)[1-2]具有高靈敏度、高空間分辨率、監(jiān)控距離長的優(yōu)勢，可以準(zhǔn)確的定位振動事件位置。所以，φ-OTDR分布式聲傳感器已被廣泛應(yīng)用于油氣管道安全檢測[3]、高速軌道的入侵檢測[4]、周界安防[5]等領(lǐng)域。但是，在這些領(lǐng)域?qū)τ谧R別實際環(huán)境下的振動事件還是非常具有挑戰(zhàn)性的任務(wù)。

對振動信號的識別主要分為3個步驟：振動信號的預(yù)處理、振動信號的特征提取、對振動信號進行分類。振動信號的預(yù)處理主要是對信號進行去噪，劃分?jǐn)?shù)據(jù)集；特征提取需要通過不同方式來獲取不同類型的振動信號特征。提取到的特征應(yīng)能很好的表達振動信號具有的性質(zhì)，不同特征之間的搭配也會形成不同的分類效果。提取的典型特征有短時過零率、短時能量、梅爾頻率倒頻系數(shù)(MFCC)[6-8]。除了直接提取特征外，還可以使用EMD、VMD分解算法將信號分解后再提取信號的相關(guān)特征[9-10]。根據(jù)提取的振動信號的特征使用分類器進行分類。典型的分類器有支持向量機(SVM)[11]、相關(guān)向量機(RVM)[12]、高斯混合模型[13]和隨機森林樹[14]。然而在使用分布式光纖傳感系統(tǒng)進行長距離監(jiān)測時，數(shù)據(jù)量會隨監(jiān)測長度的增加而增加，但上訴方式在處理大量數(shù)據(jù)時會非常耗費時間。對于振動信號特征的選擇也是一件很困難的事情，對于不同類型的振動事件使用相同的特征可能會出現(xiàn)識別效果不理想的情況。

隨著深度學(xué)習(xí)算法在圖像識別[15]、情緒識別[16]、故障診斷[17]中的應(yīng)用，深度學(xué)習(xí)算法也開始被應(yīng)用到對分布式聲傳感器振動信號的識別中。文獻[18]中提出，將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用到分布式光纖聲傳感系統(tǒng)中，去識別電纜的放電現(xiàn)象。使用的方式為：使用梅爾頻率倒譜算法，將采集到的電纜一維振動信號轉(zhuǎn)為二維的MFCC后，根據(jù)得到的MFCC畫出二維圖像；將該MFCC圖像作為深度神經(jīng)網(wǎng)絡(luò)的輸入，使識別平均準(zhǔn)確率達到97.1%。文獻[19]提出使用一維卷積神經(jīng)網(wǎng)絡(luò)代替二維卷積神經(jīng)網(wǎng)絡(luò)，在降低識別時間的同時提高了識別準(zhǔn)確率。文獻[20]提出使用兩種不同類型的卷積神經(jīng)網(wǎng)絡(luò)，對高速軌道的入侵事件進行檢測，克服了大量噪聲的影響，將誤報率減小到10%，準(zhǔn)確率到達了91%。雖然這些方法提供了很好的結(jié)果，但為了提高在實際環(huán)境下的識別準(zhǔn)確率，仍然需要開辟新的方式。

因此，本文嘗試使用雙輸入多層卷積神經(jīng)網(wǎng)絡(luò)(TI_CNN)對振動事件進行分類。首先將經(jīng)過小波包去噪的原始信號輸入1-D CNN，把通過小波變換得到的小波時頻圖輸入2-D CNN中；將1-D CNN和2-D CNN提取的特征使用SVM來進行分類。由于TI_CNN融合了兩種不同類型CNN輸出的特征，所以相比于傳統(tǒng)1-D CNN、2-D CNN能獲得更多的特征。TI_CNN相比于CNN+LSTN[21]，具有更淺的網(wǎng)絡(luò)層次。所以在輸入數(shù)據(jù)量小的時候不容易出現(xiàn)過擬合的現(xiàn)象，并且識別時間更短。通過對比LeNet-5型1-D CNN與TI_CNN的性能差異證實：本文所提模型能更好的對振動信號進行分類，并且由于采用了SVM進行最后的識別分類，可以將全連接層的數(shù)量減小且識別時間也滿足了實時識別的要求。

1 使用TI_CNN分類的方法

在對路面振動事件的長距離監(jiān)測中,所使用的分布式光纖聲傳感器系統(tǒng)，如圖1所示。所采用的分布式光纖聲傳感器系統(tǒng)主要分為3大部分：φ-OTDR傳感系統(tǒng)、傳感光纖、信號識別單元。分布式光纖聲傳感系統(tǒng)的主要工作步驟如下：

圖1 phi-OTDR 系統(tǒng)實驗設(shè)置

(1)激光經(jīng)過聲光調(diào)制器(AOM)后被調(diào)制為光脈沖。該光脈沖被摻鉺光纖放大器(EDFA)放大后通過一個帶通濾波器(BPF)，濾除由EDFA產(chǎn)生的放大自發(fā)輻射(ASE)噪聲。

(2)得到的濾波光脈沖從環(huán)形器的1號端口進入環(huán)形器，再從環(huán)形器的2號端口射入傳感光纖。由傳感光纖返回的后向瑞利散射光經(jīng)環(huán)形器的3號端口輸出到EDFA，經(jīng)過EDFA放大后，再使用BPF濾除ASE噪聲。

(3)光電探測器將濾波后的后向瑞利散射光轉(zhuǎn)換為電信號，在通過信號采集卡后將采集到的信號輸入到信號處理單元進行識別。

在本次應(yīng)用中，主要的識別任務(wù)是區(qū)分通過路面的汽車、路面挖掘機的挖掘工作和路面破路機的工作事件。

圖中，AOM為聲光調(diào)制器;EDFA為摻鉺光纖放大器;PD為光電探測器;DAQ為數(shù)據(jù)采樣器。

本文所提出的TI_CNN的識別方式如圖2所示，主要步驟為：數(shù)據(jù)的預(yù)處理、數(shù)據(jù)集的準(zhǔn)備、數(shù)據(jù)集轉(zhuǎn)為小波時頻圖、使用TI_CNN進行訓(xùn)練、對訓(xùn)練結(jié)果分類。

圖2 系統(tǒng)操作過程

1.1 數(shù)據(jù)去噪

振動數(shù)據(jù)是通過采集傳感光纖上每個點的空間響應(yīng)以及積累沿時間軸的空間響應(yīng)得到的。獲得的在每個點空間的一維時間序列被輪流作為識別目標(biāo)。由于在實際環(huán)境中存在有許多的噪聲，導(dǎo)致信號被淹沒在各種噪聲中，嚴(yán)重影響最后的識別結(jié)果。因此，在對數(shù)據(jù)進行分析之前，需對數(shù)據(jù)進行去噪處理。本文使用文獻[22]中提到的基于小波分解的信噪分離方式，并使其更好的應(yīng)用到分布式光纖振動傳感信號上。WD的處理過程如圖3所示。

(a)WD方法 (b)WPD方法

小波包分解與小波分解相比，小波包分解能將前一步分解結(jié)果中的高頻部分繼續(xù)分解，會將原始信號分解到2i(i為分解尺度)小波包子空間中。因此，小波包分解能得到比小波分解更詳細(xì)的信息。小波包分解公式為：

(1)

(2)

小波包重構(gòu)的公式為：

(3)

因此，在本文中使用一個3層，母波為‘sym8’的小波包分解，對振動信號進行去噪。小波包分解的層數(shù)和母波類型是通過實驗選擇的最優(yōu)設(shè)置。

1.2 數(shù)據(jù)集準(zhǔn)備

在圖1所示的對地面振動事件的監(jiān)測中存在著很多的振動源，而本文主要研究小汽車通過，挖掘機挖掘，破路機工作這3種振動源，將這3種事件依次命名為類型1、類型2、類型3。

1.3 數(shù)據(jù)集轉(zhuǎn)為小波時頻圖

對時序信號的分析主要有兩種方式：連續(xù)小波變換(CWT)、短時傅里葉變換(STFT)。STFT的窗口是固定的，在實際使用中很難尋找到一個合適的窗口大小。一方面，如果窗口尺寸太窄，則窗口所截取的信號將太短，從而導(dǎo)致頻率分析不精準(zhǔn)。另一方面，如果窗口尺寸太寬，則導(dǎo)致截取的信號長度太長，從而導(dǎo)致較低的時間分辨率。所以短時傅里葉變換不能滿足非穩(wěn)態(tài)信號變化的頻率要求.

連續(xù)小波變換很好的解決了短時傅里葉變換(STFT)固定窗口的問題。其通過采用一個有限長衰減小波基函數(shù)來代替STFT中的無限長三角基函數(shù)，更適合用于非穩(wěn)態(tài)的時序信號的處理。通過使用CWT，可以將一維時序信號轉(zhuǎn)變?yōu)槎S的時頻圖像。二維時頻圖像包含了一維時序信號的時間和頻率的信息，相比于原始信號，時頻圖能全面、更準(zhǔn)確的反應(yīng)出原始信號的特征。

分布式光纖傳感系統(tǒng)返回的振動信號屬于非穩(wěn)態(tài)信號，所以采用CWT對其進行分析。對任意L2(r)空間的函數(shù)f(t)，其CWT的變換方程如下：

(4)

其中：

(5)

在公式(4)中，a是一個尺度分解因子，a> 0代表頻率相關(guān)拓展；b是平移量，代表時間相關(guān)的拓展；ψa,b(t)是小波基函數(shù)。

給出尺度分解因子和小波基函數(shù)后，就可以根據(jù)公式(1)得到各振動信號的小波系數(shù)，并將小波系數(shù)序列轉(zhuǎn)變?yōu)閷嶋H的頻率序列。結(jié)合點序列，畫出各振動信號的小波時頻圖。

對分布式光纖聲傳感系統(tǒng)采集的振動信號進行小波時頻分析中，根據(jù)實驗得出最優(yōu)小波基函數(shù)參數(shù)選擇‘Cgau1’，尺度分解因子為30。小汽車通過、破路機工作、挖掘機挖掘所生成的小波時頻圖像如圖4所示。

(a)汽車通過的情況 (b)挖掘機工作的情況

1.4 基于TI_CNN訓(xùn)練

采用TI_CNN(3層1-D CNN、2層2-D CNN)比采用單獨網(wǎng)絡(luò)結(jié)構(gòu)的LSTM、1-D CNN、2-D CNN得到更好的性能，如圖5所示。

圖5 TI_CNN網(wǎng)絡(luò)

圖5顯示出該識別網(wǎng)絡(luò)具有兩種不同輸入類型卷積神經(jīng)網(wǎng)絡(luò)。下臂使用的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為3層1-D CNN，其網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)見表1；由于2-D CNN輸入的參數(shù)較多運算量較大，所以在本文中提出僅采用2層2-D CNN對小波時頻圖進行識別，大大減小了2-D CNN對圖像特征提取的時間，雙層2-D CNN的網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)見表2；使用兩個全連接層(FC)將上下臂卷積神經(jīng)網(wǎng)絡(luò)輸出的特征映射到樣本標(biāo)記空間，從而將所有特征整合到一起，最后使用一個SOFTMAX分類層輸出各標(biāo)記事件的概率值。其網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)見表3。

表1 1-D CNN的參數(shù)

表2 2-D CNN 的參數(shù)

表3 全連接層的參數(shù)

使用TI_CNN進行分類前需要先將CNN模型訓(xùn)練好，但由于SVM不能進行反向梯度傳播，故先使用softmax層來輸出TI_CNN的準(zhǔn)確率，當(dāng)準(zhǔn)確率達到要求時便認(rèn)為TI_CNN的模型已經(jīng)訓(xùn)練好，再將訓(xùn)練好的TI_CNN模型用來提取特征，使用SVM來進行最后的分類。SVM的核函數(shù)設(shè)置為高斯核函數(shù)，超參數(shù)C設(shè)置為0.09，degree設(shè)置為3。

下臂的1-D CNN網(wǎng)絡(luò)輸入的是經(jīng)過濾波的原始一維振動信號，上臂的2-D CNN網(wǎng)絡(luò)輸入的是使用濾波信號經(jīng)過CWT得到的小波時頻圖。卷積層和全連接層使用的激活函數(shù)都是線性整流函數(shù)(ReLU)。ReLU是一個非線性函數(shù)，其定義如下：

φ(x)=Max(x,0)

(6)

ReLU激活函數(shù)可以有效避免梯度消失的問題，并且運算簡單，可以提高計算速度且能讓網(wǎng)絡(luò)很快收斂。

TI_CNN采用的損失函數(shù)為：

(7)

采用隨機梯度下降(SGD)去更新TI_CNN的網(wǎng)絡(luò)參數(shù)。在本文中SGD損失函數(shù)的學(xué)習(xí)率設(shè)置為0.01，該參數(shù)是經(jīng)過實驗得出的最優(yōu)參數(shù)。在訓(xùn)練結(jié)束后，使用Accuracy、Recall、Precision、F1來評估模型的有效性。具體公式如下：

(8)

(9)

(10)

(11)

式中，TP代表在判斷正類中判斷正確的個數(shù)；TN代表在判斷負(fù)類中判斷正確的個數(shù)；FP代表在判斷正類中判斷錯誤的個數(shù)；FN代表在判斷負(fù)類中判斷錯誤的個數(shù)。

2 實驗

實驗設(shè)置如圖1所示。一個線寬為3 kHz,能源為10 mW的分布式反饋激光器(DFB-LD)產(chǎn)生連續(xù)激光。這個光源被AOM(100 M)調(diào)制為光脈沖。然后通過一個EDFA(插入損耗為4 dB,增益為27 dB)被放大，并使用BPF濾除ASE噪聲。這個光被注入一段20 km長的傳感光纖中通過一個光學(xué)環(huán)形器。后向瑞利散射光往回傳播通過傳感光纖，由EDFA放大和BPF濾波后被PD(100 M)檢測，然后由采樣率為200 MS/s，位數(shù)為12 bit的DAQ采樣。實驗數(shù)據(jù)在上海滬松路和文翔東路工地上采集。其中，20 km長的傳感光纖被深埋在地下大約1～2 m處。

實驗中，3種主要的振動事件被選擇作為振動信號識別的對象，總共設(shè)置1 200個一維數(shù)據(jù)樣本和1 200個小波時頻圖樣本，按照7：3的劃分比例，隨機將數(shù)據(jù)劃分為訓(xùn)練集和測試集，每個樣本的幀長為2 s。在施工現(xiàn)場的左方大約5 m處有一條大約4.8m寬的公路，當(dāng)有汽車通過時便記錄下此時的振動波形；挖掘機挖掘是挖掘機在施工現(xiàn)場進行挖掘工作時采集到的波形；破路機工作是指將挖掘機原有的鏟斗更換為破碎錘時進行工作的振動信號。振動識別實驗在一臺配備了NVIDIA Quadro P5000 GPU的圖形工作站上進行。

本文中，CNN結(jié)構(gòu)是在基于keras框架上使用python編程語言實現(xiàn)的。LeNet-5 1-D CNN結(jié)構(gòu)如圖6所示。

圖6 1_D CNN 結(jié)構(gòu)

網(wǎng)絡(luò)詳細(xì)信息見表4。表4中主要展示了1-D CNN網(wǎng)絡(luò)的輸入值大小、卷積層中卷積核的大小以及卷積核的數(shù)量。

表4 LeNet-5 1D_CNN 參數(shù)

上述兩個網(wǎng)絡(luò)每次迭代輸入的數(shù)據(jù)量(Batch_size)設(shè)置為300。LeNet-5型1-D CNN網(wǎng)絡(luò)輸入的是數(shù)據(jù)集中的經(jīng)過濾波后的一維原始信號樣本。TI_CNN(輸入的是經(jīng)過濾波的一維原始信號和使用濾波后的一維信號通過CWT得到的小波時頻圖。

兩種方法在測試集上的混淆矩陣如圖7所示。在圖7中，使用TI_CNN對小汽車通過、挖掘機挖掘、破路機工作的識別準(zhǔn)確率分別為95%、94%、100%，平均識別率為96.3%；LeNet-5 型1-D CNN對小汽車通過、挖掘機挖掘、破路機工作的識別率分別為94%、93%、86%，平均識別為91%。

(a)1_D CNN(LeNet-5)方法 (b)TI_CNN方法

由此可見，由于TI_CNN采用兩種卷積神經(jīng)網(wǎng)絡(luò)對振動信號進行特征的提取，能提取到更加豐富的特征，再加上使用SVM進行分類，使其準(zhǔn)確率和識別時間都有所提升，其平均準(zhǔn)確率高于LeNet-5型1-D CNN。TI_CNN和LeNet-5型1-D CNN的驗證集損失函數(shù)下降曲線如圖8所示、驗證集準(zhǔn)確率上升曲線如圖9所示。

在圖8中，LeNet-5型1-D CNN損失函數(shù)的下降速度優(yōu)于TI_CNN，但在圖9中，LeNet-5 1-D CNN出現(xiàn)過擬合(準(zhǔn)確率曲線振蕩過大)的程度比TI_CNN嚴(yán)重。其主要原因是：TI_CNN不僅從原始一維信號中提取出信號的時域特征，還從小波時頻圖中獲得了時頻域特征，而LeNet-5 1-D CNN只能從一維信號中獲得信號的時域特征。TI_CNN由于合并了兩種卷積神經(jīng)網(wǎng)絡(luò)的特征,加大了識別的數(shù)據(jù)量，所以在輸入數(shù)據(jù)量較小時也不易出現(xiàn)過擬合。

圖8 損失函數(shù)下降曲線

圖9 準(zhǔn)確率上升曲線

表5為LeNet-5型1-D CNN和TI_CNN識別結(jié)果計算指標(biāo)的對比。從表中可以看出：TI_CNN的各項計算指標(biāo)都優(yōu)于LeNet-5型1-D CNN，這說明TI_CNN模型能很好的識別各種振動數(shù)據(jù)。

表5 TI_CNN 和 LeNet-5 1_D CNN識別結(jié)果對比

3 結(jié)束語

本文提出了一種新穎的方式，去識別分布式光纖聲傳感器采集的振動事件，提高了檢測精度。為了驗證所提方法的有效性，將該方法與文獻[19]中所提出的多層1-D CNN識別模型進行了對比，實驗證明TI_CNN可以在使用較小數(shù)據(jù)集時，達到較好的效果并且降低過擬合現(xiàn)象的出現(xiàn)。該方法通過同時提取一維信號的時域特征和小波時頻圖的時頻域特征增加了最后識別的特征數(shù)量，但網(wǎng)絡(luò)層次并沒有加深，減小了模型的過擬合和識別時間，提高了識別的準(zhǔn)確率。

基于本研究采集的數(shù)據(jù)構(gòu)成的數(shù)據(jù)集，采用TI_CNN對小汽車通過、挖掘機挖掘、破路機工作的識別準(zhǔn)確率分別可以達到95%、94%、100%，平均識別率為96.3%，并且識別時間為0.61 s.