不同地質條件下振動信號特征識別研究

黃安貽，唐異平

(武漢理工大學 機電工程學院，湖北 武漢 430070)

地下油氣輸送管道、通信電纜等設備不易監管，偷盜損害現象時有發生。現有的報警方法多采用紅外、圖像、激光和光纖等傳感器[1-5]，這些方案具有鋪設成本高，覆蓋范圍小等缺點。因此，地下空間的防盜報警多采用振動信號識別的方法。韓衛潔[6]從時域、頻域和時頻域方面對振動源目標的振動信號進行分析，實現了振動信號的識別。陳亞亞[7]對小波包去噪后的信號進行過零分析并提取去噪后信號的各項時域和頻域參數指標;同時提取各IMF(intrinsic mode functions)分量的能量指標,將這些特征參數進行組合構造特征向量,利用支持向量機實現了對振動信號的準確識別。常用的識別振動信號的方法還有如傅里葉變換、短時傅里葉變換、HHT(Hilbert-Huang Transform)等[8-9]。但在實際應用過程中，管線跨越地理范圍廣，經常需要穿越不同種類的地質，而現有研究多針對單一地質，并沒有考慮到多種地質的情況。針對這種情況，筆者展開了關于不同地質環境下的振動信號特征識別方法的研究，如泥地、沙地、公路等。對不同地質不同行為的振動信號采集分析，通過小波閾值去噪后使用EMD(empirical mode decomposition)并利用相關性分析得到特征波形。再利用能量過零算法計算特征波形的能量及過零率，使用Hilbert變換建立波形邊際能量譜，通過多次實驗統計并最終建立專家數據庫,并提出一種二次判斷方法去維護和建立統一的專家數據庫，實現自適應功能，實現振動信號的有效識別。

1 振動信號識別系統

地面目標運動時會產生相應的地面振動信號，振動信號特性主要取決于地面地質條件、目標的運動行為和目標的距離，頻率一般較低[10]。地表目標活動敲擊地面形成振源，其產生的振動波以壓縮波、剪切波、瑞雷波、樂夫波的形式在地球介質中傳播。按照介質運動的特點及振動波的傳播規律劃分，可將振動波分為體波與面波，其中體波又包含縱波(P波)和橫波(S波)。面波是體波在一定的條件下形成相長干涉并疊加產生出的頻率較低、能量較強的次生波，主要沿著介質的分界面傳播，面波又包含瑞雷波和樂夫波。上述各類波在地球介質中的傳播形式如圖1所示[11]。

圖1 彈性波傳播示意圖

瑞雷波在振動信號中能量約占振動總能量的70%且傳播速度最低，能量的衰減也比體波弱，因而容易檢波且具有較高的分辨率[12]。故檢測地面運動目標時，瑞雷波是振動傳感器檢測的主要波形。由振動波波譜知[12]，面波一般在低頻處有極大值，主要頻率在10～30 Hz之間；工業交流電干擾頻率十分集中，主頻是50 Hz；反射波主頻在30～60 Hz內；風吹草動造成的微振頻譜很寬，在60 Hz以上；聲波頻譜范圍一般在100 Hz以上；車輛、走路等人為活動造成的振動信號頻率主要集中在200 Hz以下，并且信號的主要能量集中在25～150 Hz的低頻段，特征峰值頻率較低。

根據檢測波形的特點，使用的測量系統如圖2所示。由安裝針(硬質地面不選用)，加速度傳感器ADXL103/203，差分轉換芯片AD8138，SDY2400數據采集儀及筆記本電腦構成。最后利用SDY2400數據采集儀采集被測信號,該采集儀接口為USB接口，A/D分辨率為12/16位，轉換頻率為100/200/300 kHz，采集通道數為16通道。數據采集儀配套軟件為Vib’SYS，集成了振動信號采集、處理和分析程序。

圖2 振動信號測量系統

2 振動信號特征識別方法

2.1 小波閾值去噪

根據地面振動所造成的瑞雷波的特點，通過硬件濾波的方式去除大部分噪聲。但仍有部分低頻噪聲存在，這些噪音很難通過傳統濾波器去除。考慮到所采集信號為非線性非平穩振動信號，因此采用小波閾值去噪技術能更好地提高信號的信噪比和處理速率。

原始一維信號模型A(i)為：

A(i)=f(i)+σ·e(i),i=0,1,…,n-1

(1)

式中：f(i)為真實信號；e(i)為噪聲信號；σ為噪聲標準差；A(i)為原始信號。

一般來說小波閾值去噪包括小波分解、去噪閾值量化和信號重構三個部分。

定義在Hilbert空間中，將小波函數族ψa,b作為積分核與有限能量函數f(t)做內積的變換稱為小波變換，如式(2)所示。

(2)

(3)

(4)

(5)

通過多次實驗嘗試選擇SYM4小波基，小波分解后使用軟閾值方法及stein無偏似然估計閾值(rigrsure)算法進行軟閾值量化。使用軟閾值的原因是防止硬閾值造成斷點在信號還原時造成激蕩從而影響信號的還原。使用軟閾值函數將小于閾值的小波系數設定為0，如式(6)所示

(6)

之后再將小波分量進行還原，得到濾波后的信號。

2.2 能量-過零及HHT特征提取

得到還原信號后便可以將還原信號進行HHT處理，獲得信號的瞬時頻率。HHT處理方法總共分為兩個階段，首先通過經驗模式分解(EMD)，將原始信號分解為若干模態函數(IMF)分量。經過分解后得到若干個IMF和一個殘余趨勢量,如式(7)所示。

(7)

IMF分量反映了原始振動信號在不同頻段內組成成分，式中c1(t)、c2(t)、…、cn(t)的頻率分布是由大到小排列的，rn(t)是殘余的趨勢項，EMD十分適合非平穩信號分析。

完成EMD后，將分解后的振動信號所得到的IMF分量分別計算與分解前信號的相關系數R，取相關系數前4高的IMF分量進行信號重構，得到特征信號。對特征信號C(t)采用Hilbert變換，進而得到特征信號的瞬時頻率，將瞬時頻譜整合即可得到Hilbert譜。

(8)

解析信號Z(t)=C(t)+iH[C(t)]=A(t)·eiφ(t)

式中：A(t)和φ(t)分別代表特征信號的瞬時振幅和瞬時相位。

(9)

(10)

由式(10)求導可獲得特征信號的瞬時頻率ω(t)如式(11)所示。

(11)

通過式(11)則有：

(12)

得到Hilbert譜如式(12)，通過對Hilbert譜在時域內進行積分處理后即可得到Hilbert邊際譜，如式(13)所示。

(13)

將得到的Hilbert邊際譜進行隨頻率的平方和積分計算，得到Hilbert邊際能量譜，定義能量隨頻率的分布狀況如式(14)所示。

(14)

通過能量過零算法計算特征信號的能量M及過零率ZCR，如式(15)～式(16)所示。

(15)

(16)

將Hilbert邊際能量譜、能量M及過零率ZCR統一記錄下來作為特征波形的特征數據。

3 基于能量過零聯合HHT的特征數據庫建立與自適應更新

通過對大量無影響標準信號的特征分析，分別計算出不同地質、不同行為的特征波形的能量M、過零率ZCR及Hilbert邊際能量譜，利用這些特征建立兩步辨識方法。

首先對能量及過零率進行統計分析，排除3σ原則之外的粗大誤差。之后將同地質、同行為的特征信號的能量及過零率顯示在二維空間上，計算其覆蓋范圍，作為初步識別的依據。接著將這些數據對應的Hilbert邊際能量譜求解平均值，及與平均值差值數據的最大方差，作為第二步辨識依據。對所有地質及行為均按上述方法建立兩部識別依據，建立統一專家數據庫。單個類型數據庫建立流程如圖3所示。

圖3 單個類型數據庫建立流程

獲得一段待識別信號后先進行小波閾值去噪，然后進行HHT變換得到Hilbert邊際能量譜，再將得到的特征信號計算能量及過零率。這樣就得到了這段信號的特征參數。首先將計算能量及過零率是否唯一匹配，如果唯一匹配則直接識別成功，如果不是唯一匹配，則求解Hilbert邊際能量譜與已匹配種類的Hilbert邊際能量譜差值的方差，方差最小且小于數據庫內的最大方差則為匹配成功，否則為匹配失敗。如果能量過零完全不匹配但Hilbert邊際能量譜匹配成功，則可能由于各地地質狀況安裝方式又有細微不同，可能有雖為同類地質但振動特性仍有略微不同，因此進行數據庫自適應性擴展，如果能量過零與識別區域的最近距離對應的能量與過零率在閾值內，則將該點加入專家數據庫中，如果Hilbert邊際能量譜匹配失敗，則識別失敗。信號識別和數據庫更新流程如圖4所示。這樣便實現了特征數據庫的建立和自適應更新。

圖4 信號識別和數據庫自適應流程

4 振動信號識別實驗驗證

將實驗裝置安置在草皮泥地地面、沙地地面、砂土地面、磚地地面和柏油公路地面地質條件下，分別進行40次人員行走、敲擊和挖掘動作(部分硬質地面無法挖掘)，并記錄信號，同時再記錄不同地質下人員行走、挖掘、敲擊等信號共240組用以驗證。實驗過程中走路信號為55 kg成年男子在檢測范圍內正常走路產生的信號，敲擊信號為5 kg橡膠錘在檢測范圍內無加力情況下敲擊地面產生的信號，挖掘信號為使用鐵鍬非固定姿勢挖掘地面產生的信號，所有信號并沒有固定信號產生的具體位置。將信號經過處理建立統一數據庫，得到能量過零率分布圖如圖5所示，Hilbert邊際能量譜如圖6所示。可以看到通過能量過零區域判斷及邊際能量譜判斷能夠有效地區別不同地質不同行為所產生的振動信號。

圖5 能量過零分布圖

圖6 邊際能量譜圖

使用不同地質條件的振動信號進行測試，每個類型20組實驗信號，驗證識別方法的有效性，識別率計算公式如式(17)所示。

(17)

式中:Q為識別成功率；P為每組識別成功的信號組數。

驗證信號識別率如表1所示。結果顯示本方法有較好的識別精度。之后又重新測量了15次另一位置公路地面的敲擊信號，能量閾值設定為1.5，過零閾值設定為0.01。驗證數據庫的自適應能力，得到能量過零區域分布圖變化如圖7所示。圓點為新測量的敲擊信號，虛線為自適應之前的判斷范圍，實線為自適應之后的判斷范圍。從實驗結果可以看到邊際能量譜作為振動信號的識別特征更精確和穩定，但數據量大，計算較為麻煩，使用能量過零算法雖然在判斷區域上有一定重疊但作為初步判據是快速有效的。

圖7 公路敲擊數據庫自適應過程

5 結論

實驗表明了不同地質條件下振動波形的特征有所不同，一種地質的特征不能與其他地質的特征相匹配。針對該問題筆者利用能量過零聯合HHT算法有效地識別了不同地質不同動作的特征，并通過建立統一專家數據庫成功識別了不同地質不同動作所產生的振動信號。使用閾值判斷及邊際能量譜匹配實現了數據庫的自適應性拓展，并通過實驗驗證了該方法的有效性。但對于未記錄在庫的地質及動作無法進行識別，后續會利用機器學習等大數據分析方法更精確地獲得特征來實現數據庫更強的適應性。