分布式光纖傳感技術應用于地鐵隧道安全監(jiān)測

文/姚明遠 張浩霖 楊玥

隨著我國城市化水平不斷提高，發(fā)展軌道交通已經成為城市公共交通建設的必然選擇，但對地鐵隧道的結構健康安全狀態(tài)缺乏有效的監(jiān)測手段，地鐵隧道所處地質結構復雜多變，對于運營的地鐵，運行的列車會對隧道結構產生振動的激勵，地質沉降、軌道變形都會引起振動信號的畸變，通過對隧道土木結構的振動模態(tài)進行測量，可以實現(xiàn)對地鐵隧道結構缺陷、人流車流高密度復雜載荷、土壓力變化以及輪軌配合狀態(tài)的觀察。

分布式光纖傳感網絡突破了傳統(tǒng)的點式傳感，實現(xiàn)長距離、無盲區(qū)式連續(xù)在線監(jiān)測，但此時采集的信號是雜亂無章的，數(shù)據(jù)處理系統(tǒng)無法將這些信號與結構或環(huán)境變化的不同模式對應起來。需要建立起合適的學習系統(tǒng)，并經過對數(shù)據(jù)的不斷更新、訓練和學習，才能擁有成熟的判別模型，通過傳感系統(tǒng)在地鐵運營的過程中不斷采集大量信息，并根據(jù)人工的輔助標簽，對結構本身和外界環(huán)境的各種變化進行解析，生成能夠對監(jiān)測數(shù)據(jù)進行分析和認知的網絡模型。

1 基于分布式光纖傳感的地鐵安全監(jiān)測系統(tǒng)

分析平臺架構主要由采集、判別、標記、訓練等4個模塊組成。首先，在地鐵隧道結構中布設光纖傳感網絡，采集已知類別的數(shù)據(jù)樣本，進行人工標記后建立數(shù)據(jù)庫，分析平臺在此基礎上，利用深度學習算法對已知標簽的各類行為數(shù)據(jù)樣本進行訓練，再將訓練得到的網絡模型更新到判別模塊，對地鐵隧道沿線的各種外界行為進行有效的模式識別，及時對破壞行為進行預警，保證地鐵運營環(huán)境的安全。

采集模塊：通過布設在地鐵隧道結構中的光纖傳感網絡，解調和采集各類振動信號數(shù)據(jù)。

標記模塊：對類別已知的數(shù)據(jù)樣本進行標記，并在運營過程中對樣本庫進行更新。

訓練模塊：利用卷積神經網絡，從訓練數(shù)據(jù)中進行學習，得到用于事件判別的網絡模型。

判別模塊：根據(jù)訓練模塊提供的網絡模型，對采集模塊提供的振動信號進行判別。

2 基于1D CNN的事件判別模型

CNN隱式地從訓練數(shù)據(jù)中進行學習特征，1D CNN可以很好地應用于傳感器數(shù)據(jù)的時間序列分析，同樣也可以很好地用于分析具有固定長度周期的信號數(shù)據(jù)。

分析平臺采用的1D CNN模型描述如下：

輸入數(shù)據(jù)：數(shù)據(jù)經過解調預處理后，每條數(shù)據(jù)樣本中包含有10000個采樣點（采樣率500Hz，每條樣本記錄時長為20s），得到一個10000×1的矩陣。

第一個1D CNN層：卷積核大小500，濾波器數(shù)量100。輸出矩陣9501×100。

第二個1D CNN層：卷積核大小500，濾波器數(shù)量100。輸出矩陣9002×100。

第一個池化層：池化層大小設置為5，步幅（stride）設置為1。輸出矩陣1800×100。計算區(qū)域中的最大值作為池化后的值（最大池化層）。

第三個1D CNN層：卷積核大小900，濾波器數(shù)量180。輸出矩陣901×180。

第四個1D CNN層：卷積核大小900，濾波器數(shù)量180。輸出矩陣2×180。

表1：分3類的CNN測試統(tǒng)計

表2：分4類的CNN測試統(tǒng)計

第二個池化層：池化層大小設置為2，步幅（stride）設置為1。輸出矩陣1×180。計算區(qū)域中的平均值作為池化后的值（平均池化層）。

Dropout層：比率設置為0.5，輸出矩陣1×180。

全連接層：將長度為180的向量降為長度為3的向量（因為此時有3種事件類別需要進行識別，分別是：“人工挖掘”、“機械挖掘”、“機械行駛”）。激活函數(shù)為Softmax（多分類的概率之和為1）。若事件類別增加，相應地需要增加全連接層的長度。

3 測試統(tǒng)計

在地鐵隧道多個區(qū)段采集“人工挖掘”、“機械挖掘”、“機械行駛”的振動信號數(shù)據(jù)樣本，采樣率500Hz，每組包含20s數(shù)據(jù)，訓練得到分3類的CNN神經網絡。在系統(tǒng)運行期間，在存在機械施工的區(qū)段收集“機械打樁”的振動信號數(shù)據(jù)樣本，加入樣本庫，訓練得到分4類的CNN神經網絡。

分3類的CNN識別率統(tǒng)計如表1所示。

分4類的CNN識別率統(tǒng)計如表2所示。

由以上測試結果，基于地鐵安全監(jiān)測系統(tǒng)的分析平臺，訓練識別“人工挖掘、機械挖掘、機械行駛”3類的CNN，訓練集的分類識別正確率可達99%（“機械挖掘”類別），測試集的分類識別正確率可達98.2%（“機械挖掘”類別）；訓練識別“人工挖掘、機械挖掘、機械行駛、機械打樁”4類的CNN，訓練集的分類識別正確率可達98.1%（“機械挖掘”類別），測試集的分類識別正確率可達97.6%（“機械行駛”類別）。當樣本庫中加入新類別的數(shù)據(jù)樣本后，再次訓練的判別模型仍具有較高的模式識別準確率。

4 小結

利用分布式光纖傳感技術監(jiān)測距離長、現(xiàn)場無需供電，連續(xù)實時測量等特點，構建地鐵健康安全狀態(tài)監(jiān)測系統(tǒng)。分析平臺在系統(tǒng)運行的過程中，不斷采集大量信息和新出現(xiàn)的事件樣本，利用卷積神經網絡CNN，自動提取數(shù)據(jù)樣本中的特征，對判別模型持續(xù)進行更新，使之更適應于真實的應用場景，判別模型的模式識別準確率可達96.8%以上，可以滿足工程應用的要求。