一種應用于光纜外破在線監控的模式識別方案

, , , , , , , , , ,

(1.復旦大學 材料科學系, 上海 200433; 2.國家電網 上海市電力公司信息通信公司, 上海 200122;3.上海歐憶能源科技有限公司, 上海 200041; 4.上海復旦智能監控成套設備有限公司, 上海 200433)

引 言

現如今依托光纜的信息通信方式愈發普及,因其有著通信容量大,傳輸損耗低,抗電磁干擾性能強等諸多優點。但隨著通信光纜遭到破壞的案件屢有發生,通信光纜自身的安全也越來越受到大家的重視。比如依托光纜的現行電力通信網,它是保障電力系統安全穩定運行的三大支柱之一。然而廣泛分布的電力通信線路卻是配網自動化中的一個薄弱環節,經常會因為線路沿途的工程機械施工,高層特種車輛穿越,人為外力破壞等原因,對線路造成一些毫無預警的危害和損壞。因此,需要研究一種智能型的線路外破隱患預警定位技術,以確保一旦發生線路外破隱患時,能夠快速判別其危害性,并做出防護維修反應。

本文在現有的分布式光纖傳感技術的基礎上,對振動信號進行分析,提取其梅爾頻率倒譜系數(MFCC),并結合徑向基函數(RBF)神經網絡進行訓練分類,實現對作用在電力通信光纜上的機械施工、管孔侵入、開蓋報警和碰撞敲擊這些行為的辨別。模式識別的加入是對線路外破隱患預警定位技術的補充,從而形成一套更加完善的報警方案。同樣該方案在周界安防,長距離管道檢測等領域也有廣泛的應用前景。

1 基本原理

1.1 分布式光纖傳感技術

分布式光纖振動傳感技術是一種無源光纖傳感技術[1]。當有外界擾動作用在光纜上時,將引起光纜中光纖的長度和折射率等光學傳輸特性發生變化,從而引起感應光纖中傳輸光相位的變化(彈光效應)。光相位的變化可以借助干涉光路來進行檢測解調,一般檢測到的干涉光強信號可以寫成如下的形式:

(1)

式中:I是探測器檢測到的總光強;I1和I2分別是發生干涉的兩路光的強度;Δφ是外界擾動引入的光相位的變化。

利用相位還原算法可以準確還原出Δφ,從而實現了對傳感光纜周圍包括應變、振動、擾動速度等在內的多種物理量進行探測,實時準確地獲得半靜態和動態的干擾信息。隨后,可以通過遠程的后端處理軟件對這些信號進行分析、識別和判斷,可對威脅事件準確定位、提前預警,提高相關單位的運維效率,制止破壞、強化防范,或及時準確奔赴意外現場,采取補救措施[2]。整體技術原理如圖1所示。

相較于傳統的監控技術,該技術不需要購置大量的分離式傳感器設備,只需借用已鋪設好的通信光纜中光纖作為傳感器,且外場設備無需供電。

1.2 MFCC參量的提取

對于振動信號的分析常在時域和頻域上進行,常用的有短時平均能量、短時過零率和基于快速傅里葉變換的頻譜分析法等。在將振動信號轉換為音頻信號播放的過程,發現不同行為產生的振動信號在聲音上有所差異,因此考慮用語音信號處理中的梅爾頻率倒譜系數[3]作為區別振動信號的特征參量。MFCC是在梅爾標度頻域中提取出來的倒譜參數,梅爾標度頻域能很好地刻畫人耳對不同頻率的聲波的敏感度,梅爾頻率的變換公式如下所示:

(2)

MFCC的提取過程如圖2所示。先將振動信號進行預加重(通過一個高通濾波器),分幀加窗,以及快速傅里葉變換(FFT)到頻域。當然,這些操作和普通的頻譜分析法并無差異。

圖1 分布式光纖振動傳感技術原理Fig.1 Principle of distributed fiber-optic vibration sensing technology

圖2 MFCC參量提取基本流程Fig.2 MFCC parametric basic extraction process

我們需要將振動信號的能量譜通過Mel濾波器組,即一組Mel尺度的三角帶通濾波器組。每個三角帶通濾波器的中心在Mel尺度上都是等間距分布的,頻率從0 Hz到采樣率的一半,濾波器個數可以自己選擇。其作用是對頻譜進行平滑,消除諧波。對濾波器輸出參數進行對數運算后,再作離散余弦變換(discrete cosine transform,DCT)就可以得到MFCC參量。

1.3 構造RBF神經網絡分類器

徑向基函數(radial basis function,RBF)神經網絡[4-5]早在20世紀80年代就提出了,因常采用基于中心點徑向對稱的激活函數而得名,廣泛應用于模式識別、計算機視覺、信號處理、傳感技術等領域。RBF神經網絡是一種三層前饋網絡,包含輸入層,使用徑向基函數的隱含層和輸出層,輸出結果為隱含層的加權和,結構如圖3所示。

圖3 RBF神經網絡拓撲結構Fig.3 RBF neural network topology

圖3中X1,…,Xn為輸入樣本,ψ為徑向基函數,Y1,…,Ym為輸出樣本。影響該網絡最終輸出結果的主要有RBF的中心矢量、隱含層節點的數目、RBF的寬度和隱含層到輸出層之間的權值矩陣。網絡的訓練也是圍繞這幾個參數進行的,一旦確定了這幾個參數,就可以構建輸入到輸出的映射模型。保留網絡的權值參數,便可應用于未知樣本的判別。

圖4 模式識別方案Fig.4 Pattern recognition scheme

1.4 模式識別方案介紹

關于模式識別的方案流程圖如圖4所示,將兩路攜帶振動信息的光相位還原信號分別進行MFCC參量提取,通常情況下每幀信號的MFCC參量是一個C0～C12的13維向量,一般第一維C0值很大,稱其為能量系數,不作為識別的特征,因此取后12個作為MFCC參量,兩路即有24維。將不同行為產生的MFCC參量分別標記,作為目標輸出,進入RBF神經網絡離線訓練,并將訓練好的神經網絡權值參數保存下來。將實時采集的振動信號與權值參數作用,得出其屬于每種行為的可能性,按照預先設定好的閾值進行判定,最終與預警定位信息合并,以行為事件的形式產生報警。

2 實驗結果和分析

實驗需要區分碰撞敲擊、管孔侵入、機械施工和開蓋報警這幾種行為,其中碰撞敲擊是用金屬直接敲擊光纜,管孔侵入是指線路常發生的穿纜行為,機械施工是用沖擊鉆鉆綁在光纜上的鐵塊,開蓋報警是由特制的敲擊光纜裝置產生的。

對采集到的振動信號分別提取上文提到的24維MFCC參量,其中三角帶通濾波器個數為24。原始信號采樣率為500 ksample/s,識別時降采樣到22 050 sample/s,幀長為300。RBF神經網絡中的徑向基函數選的是高斯核函數,隱含層節點數目等于輸入總樣本數。初始采集樣本數為碰撞敲擊69條,管孔侵入57條,機械施工40條和開蓋報警65條。將樣本總數的80%(184條)作為訓練集,剩下的20%(45條)作為測試集,從各行為樣本中提取MFCC參量,并對參量值進行歸一化處理作為神經網絡的輸入樣本,最終各行為輸入樣本如圖5所示,橫坐標為MFCC的維度,縱坐標為MFCC參量值。

圖5 歸一化輸入樣本Fig.5 The normalized input sample

在神經網絡權值參數訓練的過程中,由于待區分的行為有4種,所以神經網絡的目標輸出是一個有4個元素的數值P(a,b,c,d),將各行為對應位置的數組值賦值為1,其余賦為0,比如碰撞敲擊的輸出結果為P(1,0,0,0)。測試時將測試樣本與訓練出來的神經網絡權值參數相互作用,輸出數組P,選取4個元素中的最大值Pmax,如果Pmax>0.6,則認為Pmax對應的數組序號為該行為所屬類別。如果不滿足以上條件,則認為測試樣本不屬于任何一類。比如輸出結果是P(0.75,0.23,0.12,0.10),那么該測試樣本就被判定為碰撞敲擊行為。將所有測試樣本進行測試,若測試結果和原行為不符合,則記為識別錯誤樣本。最終測試結果如表1所示。測試的總體識別率達97.78%。

表1 4種行為識別測試結果Tab.1 Four kinds of behavior recognition test results

為了進一步檢驗識別的實時性能,進行了外場實地測試,各行為效果圖如圖6所示。

實際的軟件系統中,會將5 s內的識別結果做一個頻數統計,頻數高的作為實際發生行為事件,最終以事件的形式產生報警。外場測試時重復4種行為,分別產生5個事件報警,最終全部識別正確。

從圖5的歸一化輸入樣本曲線圖中不難看出,不同行為的MFCC參量曲線各自有一定的相似性,將其作為行為樣本的特征進行模式識別操作,理論上可以對不同的行為做出區分。實際可能由于行為復雜不單一,造成各行為的曲線發散,影響神經網絡的訓練效果,造成最終的識別率下降。如果行為單一,加上時域上的頻數統計,以事件形式報警的話,這一問題將會改善。

圖6 行為演示圖Fig.6 Behavior demonstration

3 結 論

本文提出的光纜外破在線監控的模式識別方案,能對碰撞敲擊、管孔侵入、機械施工和開蓋報警這4種行為進行有效識別,準確率高,而且該方案可以在長距離管線檢測領域廣泛應用。

參考文獻:

[1] 王賀,孫琪真,李曉磊,等.干涉型分布式光纖振動傳感技術的研究進展[J].激光與光電子學進展,2013,50(2):020004.

[2] 繆璇,錢六寶,章驊,等.淺談油氣管道安全監控發展方向[J].中國公共安全,2013(20):202-204.

[3] TIWARI V.MFCC and its applications in speaker recognition[J].International Journal on Emerging Technologies,2010,1(1):19-22.

[4] ROY A,GOVIL S,MIRANDA R.An algorithm to generate radial basis function(RBF)-like nets for classification problems[J].Neural Networks,1995,8(2):179-201.

[5] THEODORIDIS S,KOUTROUMBAS K.Pattern Recognition[M].4th ed.San Diego,CA:Academic Press,2008.

[6] 鄒東伯,劉海,趙亮,等.分布式光纖振動傳感信號識別的研究[J].激光技術,2016,40(1):86-89.

[7] 段錄平,周麗娟,王宇.基于RBF神經網絡的在線分類挖掘系統[J].鐵路計算機應用,2007,16(3):40-42.

[8] 余建潮,張瑞林.基于MFCC和LPCC的說話人識別[J].計算機工程與設計,2009,30(5):1189-1191.

[9] 于明,袁玉倩,董浩,等.一種基于MFCC和LPCC的文本相關說話人識別方法[J].計算機應用,2006,26(4):883-885.

[10] 張建寶,慈林林,趙宗濤,等.RBF網絡分類器的實現及應用[J].計算機工程與科學,2001,23(6):105-107.

[11] HUANG G B,SARATCHANDRAN P,SUNDARARAJAN N.An efficient sequential learning algorithm for growing and pruning RBF(GAP-RBF) networks[J].IEEE Transactions on Systems,Man,and Cybernetics,Part B(Cybernetics),2004,34(6):2284-2292.

[12] 王旭東,邵惠鶴.RBF神經網絡理論及其在控制中的應用[J].信息與控制,1997,26(4):272-284.

[13] HAM F M,KOSTANIC I.神經計算原理[M].葉世偉,王海娟,譯.北京:機械工業出版社,2007.

[14] 孫琪真,劉德明,王健.基于環結構的新型分布式光纖振動傳感系統[J].物理學報,2007,56(10):5903-5908.

[15] 閻平凡,張長水.人工神經網絡與模擬進化計算[M].2版.北京:清華大學出版社,2005.