基于EMD分解與1-D CNN算法的光纖振動信號的識別

吳 虎,孔 勇,王振偉,丁 偉,李 歡

(上海工程技術大學電子電氣工程學院,上海 201620)

1 引 言

DAS因其抗電磁、監測范圍大等優點在管道監測、周界預警、地震預測、入侵檢測等領域得到了廣泛應用。基于φ-OTDR的DAS與其他光纖入侵傳感器相比,具有靈敏度高、全分布方式、成本相對較低、可實現遠程入侵檢測等優點,是一項很有發展前途的技術[1-5]。在對入侵事件進行識別的過程中,主要可分為四個模塊:對入侵振動信號進行預處理；特征提取；制作數據集；使用識別算法進行分類。由于在實際環境中存在大量的振動源,但是對振動事件的識別主要是其中的部分振動,其余的振動信號為噪聲,如果不對采集的信號進行濾波處理,對最后的識別結果影響會非常大,因此對振動信號進行預處理是非常有必要的,常用的去噪方式有小波包去噪[6]、變分模態分解(VMD)[7]等,在文獻[8]中提出使用EMD將φ-OTDR采集的振動信號分解為一系列的固有模態函數(IMF)和殘差分量。使用PCC選擇出無振動的位置,通過去除多個IMFs來消除高頻噪聲,該方式將100 Hz和1.2 kHz的振動事件的信噪比分別提高到42.52 dB和39.58 dB。常用的特征提取方式有提取振動信號的傅里葉變換特征、短時能量、梅爾倒頻系數等[9-11],或者使用EMD[12]、VMD[13]、小波變換[14]算法將信號分解后提取相關的統計學特征。典型的分類算法主要有:支持向量機(SVM)[15]、極值梯度下降(XGBOOST)[16]、隨機森林樹[17]。這些方法雖然可以比較準確地識別出入侵事件的類別,但是其運算量大,非常耗時,所以當DAS的監測距離很大時,這些方式的識別時間會隨著監測距離的增加而增加。由于特征提取會耗費大量時間,故開始使用二維卷積神經網絡[18]、概率神經網絡[19]、多層卷積神經網絡[20]結合的方式對振動信號進行識別,在文獻[21]中提出使用一維卷積神經網絡結合SVM對油氣管道入侵事件進行識別,該方式直接將經過預處理的振動信號喂入一維卷積神經網絡,達到了與二維卷積神經網絡相近的準確率,降低了識別時間。

因此在本次研究提出使用EMD算法分解振動信號,然后再使用PCC選擇出有效的IMF分量,并使用WTD對有效的IMF分量進行去噪,將去噪后的IMF分量進行重構,最后將重構信號輸入一維卷積神經網絡進行識別。實驗表明該方式能有效識別出入侵事件類別。

2 識別方式原理

2.1 基于φ-OTDR分布式光纖聲傳感原理

φ-OTDR[22]的結構與OTDR的結構相近,不同的是φ-OTDR使用的激光器為窄線寬激光器,其注入光為強相干光[23]。φ-OTDR的原理為:在傳感光纖中找出三個間隔相等的點,分別命名為a點、b點、c點,a點產生的后向瑞利散射光(BRS)不會與b、c點產生的BRS發生干涉,但是脈沖光由a點傳播到c點產生的BRS會與在b點產生的BRS發生干涉,當在c點有振動時,c點的BRS的相位會發生變化,因此干涉后的BRS中攜帶了由于振動引起的相位變化信息。不同類型的振動事件所引起的相位變化也不同,最后形成的波形也不盡相同,因此可以采用相應識別算法對振動事件波形進行識別。

基于φ-OTDR的DAS結構如圖1所示,在圖1中,分布式反饋激光器(DFB-LD)作為系統光源,激光經過聲光調制器(AOM)后被調制為脈沖光。脈沖光經過摻鉺光纖放大器(EDFA)放大后使用帶通濾波器(BPF)濾除由EDFA產生的放大自發輻射(ASE)噪聲。經過濾波的脈沖光通過光環形器(OC)進入傳感光纖,在傳感光纖中產生的BRS往回傳播。BRS通過OC被注入EDFA中進行放大,并且使用BPF濾除ASE噪聲。經過濾波的BRS被光電探測器(PD)轉為電信號,最后被DAQ采集。

圖1 φ-OTDR系統結構圖Fig.1 Structure of φ-OTDR system

2.2 EMD分解算法

EMD能將非平穩時間序列、非線性信號分解成K個從高頻到低頻的IMF分量(Ei)和殘余函數(Wi),如公式(1)所示。

(1)

分解出的各分量應滿足兩點要求:分量信號的極值和過零點數量最多不超過一個；分量信號的任意局部最大包絡與最小包絡的均值應為0。EMD算法的步驟如下:

(1)得出待分解信號全部的極大值點以及極小值點,使用三次樣條插值法得出待分解信號的上包絡線與下包絡線。

(2)計算出上下包絡線均值p(t),將p(t)與待分解信號x(t)相減得到y(t),若y(t)滿足IMF條件,則y(t)為首個IMF記為E1,若不滿足IMF條件則重復步驟(1)和(2)直到滿足IMF條件為止。引入標準差SD判斷振源信號分解是否結束,SD值通常在0.2至0.3之間[24]。

(2)

(3)將E1從待分解信號中分離得到W1=x(t)-E1,W1為殘差函數。

(4)將步驟(3)得到的W1視為新的待分解信號,重復步驟(1)到步驟(3)得到E2,E3,…,En,當Wn的絕對值很小或者變為減函數時,停止分解。

2.3 PCC

PCC是用來計算兩種變量相關性的一種方式。計算PCC會得到兩個指標:相關系數(R)、相關指數(P)。其中R的值在-1到1之間,當R越接近于1說明兩種變量正相關程度越高,當R越接近于-1說明兩種變量負相關程度越高,當R越接近0說明兩種變量越不相關。P的值越小說明相關程度越高,P是相關程度判斷的第一準則,當P值大于0.05時,不用考慮R值,直接判斷兩種變量不相關。

PCC的計算公式如下:

(3)

(4)

EMD能基于信號本身特性進行自適應分解,但會引入了模態混疊問題[25]。模態混疊出現在IMF分量中會導致該IMF分量不具備物理意義,因此采用PCC計算每個IMF分量與原始信號的R,P。設置一個閾值,當計算得出的P值大于0.05將IMF分量視為無效分量,當P值小于0.05且R值小于0.1,也將該IMF分量視為無效IMF分量將其丟棄。

2.4 一維卷積神經網絡

基于LeNet-5 1-D CNN的結構如圖2所示,主要包括三個卷積層、三個池化層、兩個全連接層、一個softmax分類層。卷積層和池化層主要用于提取一維信號的特征,全連接層主要將提取到的特征映射由多維特征轉為一維特征。Softmax分類層輸出各類識別事件的概率值,越接近于1說明是該事件的概率越大。在1-D CNN中,通常使用的激活函數為ReLU激活函數,損失函數為交叉熵。

圖2 LeNet-5型一維卷積神經網絡Fig.2 LeNet-5 one-dimensional convolutional neural network

3 實驗驗證與結果分析

實驗系統如圖1所示。傳感系統采用的是基于φ-OTDR的DAS。該系統使用線寬為3 kHz、輸出功率為10 mW的分布式反饋激光器(DFB-LD)作為光源,使用帶寬為100 MHz的AOM對激光進行調制,被調制后的脈沖光經過放大增益為27 dB的EDFA進行放大。使用帶寬為200 MHz的PD去檢測BRS,最后使用采樣位數為12位、采樣速率為200 MHz/s的DAQ進行信號的采集。傳感光纖被埋在中國上海市的文翔東路和滬松路的施工現場中,埋藏深度大約在1～2 m。該分布式傳感系統主要采集汽車通過、挖掘機挖掘、破路機工作時的振動信號。其中破路機工作是指將挖掘機鏟斗更換為破碎錘進行破碎工作時采集的振動信號。本次研究主要為識別單個振動事件,對于混合型振動事件的識別在目前仍是非常具有挑戰性的。采集到的汽車通過、挖掘機挖掘、破路機工作的原始振動如圖3所示。

圖3 原始振動圖像Fig.3 Raw vibration images

在使用基于φ-OTDR的分布式光纖傳感系統采集到各類事件的振動信號后,在每類振動事件中選擇出300個樣本,每個樣本的幀長為2 s,總共900個樣本。將每種類型的事件信號進行EMD分解,獲得每個振動樣本的IMF分量,汽車通過事件的IMF分量如圖4所示。圖4(a)中,IMF分量未經過WTD,可以看出在IMF分量的高頻分量中含有大量噪聲,分解出的頻率越低含有的噪聲越少；圖4(b)中,IMF分量經過WTD后,IMF0、IMF1中的大部分噪聲被去除,而隨著IMF分量的頻率越來越低,經過去噪后的變化也越來越不明顯。

圖4 汽車通過振動事件的IMFS分量Fig.4 IMFS component of a vehicle passing a vibration event

得到IMF分量后,計算出每個IMF分量與原事件信號的PCC。如果得出的P值大于0.05則將該IMF分量視為無效分量,反之,再判斷其R值是否大于0.1,若小于0.1則也將該IMF分量視為無效信號。得到各個事件振動信號的有效IMF分量后,由于還有部分噪聲存在于低頻的IMF分量中,故對每個IMF分量進行WTD。將去噪后的各個事件的IMF分量分別求和,得到重構的事件振動信號,汽車通過、挖掘機挖掘、破路機工作的重構信號如圖5所示。將得到的900個重構信號樣本隨機打亂后劃分出506個樣本作為訓練集,225個樣本作為驗證集、169個樣本作為測試集,訓練集用于訓練識別模型,驗證集用于驗證識別模型是否有效,測試集用于驗證訓練好的模型對未知數據是否有效。

圖5 去噪重構信號Fig.5 De-noised reconstruction signal

本次使用的1-D CNN結構如圖2所示。該LeNet-5 1-D CNN的參數如表1所示。為了減小1-D CNN的過擬合現象在每個池化層后都加入了Dorpout層,并且全連接層(FC)也使用L2正則化去減小過擬合現象,Dropout層的丟棄率設置為0.2,L2正則化的參數設置為0.01,整個網絡的學習率設置為0.01,Optimizer設置為SGD。網絡的損失函數使用的是稀疏分類交叉熵(sparse categorical crossentropy)損失函數。1-D CNN網絡是使用基于python編程語言的keras框架實現的。

表1 1-D CNN參數Tab.1 Paramenters of 1-D CNN

在本次研究中,對比了使用不同分解算法對最終識別準確率的影響。使用VMD分解算法將振動信號分解為3階的有限帶寬的固有模態分量(BLIMFS)后使用PCC提取出有效的BLIMFS,然后使用WTD對每個BLIMFS進行去噪,最后對所有BLIMFS進行求和得到振動信號的重構信號。使用1-D CNN對重構信號進行識別。兩種方式的驗證集準確率如圖6所示。從圖6中可以看出,使用1-D CNN對EMD分解后得到的重構信號的識別準確率明顯高于VMD分解后得到的重構信號,這說明使用EMD對振動信號分解后構成的重構信號能更好的表征出不同振動事件的特點。

圖6 驗證集準確率Fig.6 Validation set accuracy

從圖6中還可以看出,EMD分解得到的重構信號在進行訓練時能更快達到穩定,僅使用不到3 min便能完成訓練,因此1-D CNN能在極短時間內完成對新振動事件的訓練,這對于快速增加識別事件具有積極意義。將訓練好的模型保存,使用測試集對該模型進行測試,測試該模型是否具有很好的泛化能力。1-D CNN對測試集得出的混淆矩陣如圖7所示。在圖7(a)中,使用EMD分解的方式,1-D CNN對汽車通過、挖掘機挖掘、破路機工作的識別準確率分別為100 %、98 %、97 %；在圖7(b)中,使用VMD分解的方式,1-D CNN對汽車通過、挖掘機挖掘、破路機工作的識別準確率分別為95 %、92 %、97 %。使用EMD分解方式的識別準確率更高,這說明使用EMD分解方式重構的信號的可分類性更強,以及訓練模型具有很好的泛化能力。

圖7 測試集混淆矩陣Fig.7 Test set confusion matrix

4 結 論

提出使用EMD分解算法對光纖入侵振動事件進行分解,使用PCC提取出有效的IMF分量,對有效的IMF分量進行WTD,將去噪后的IMF分量重構為振動信號。重構的事件信號采用1-D CNN進行識別,對汽車通過、挖掘機挖掘、破路機工作的識別準確率分別為100 %、98 %、97 %,平均識別率為98.3 %。