改進PSO-SVM的光纖傳感網絡數據識別系統

馬莉莉,高 靜,申志軍,劉江平

(1.內蒙古農業大學計算機與信息工程學院,內蒙古 呼和浩特 010010;2.內蒙古自治區農牧業大數據研究與應用重點實驗室,內蒙古 呼和浩特 010010)

1 引 言

光纖傳感網絡可以用于各種設備、環境等結構的應力場、溫度場以及振動狀態數據的獲取[1],例如對光纖通信光纜周圍的入侵監測[2]、對建筑結構健康狀態監測[3]等,故其信號處理解析能力具有重要意義。

光纖傳感網絡主要可以分為兩大類:準分布式與分布式[4]。準分布式采用在光纖上刻畫光柵形成強回波信號,從而通過檢測光纖光柵位置處波長變化計算對應位置應變值或溫度,優點是靈敏度高,缺點是僅能獲取光纖光柵位置處信息[5]。分布式的傳感光纖上不需要做特殊處理,通過解調實現對任意位置的波長變化進行計算,從而分析對應位置的物理狀態變化,優點是一根光纖同時獲取大量位置點數據信息,缺點是回波強度信號比光纖光柵傳感器的小2個數量級,容易被噪聲淹沒,對數據處理能力要求高[6]。相位敏感型光時域反射系統(φ Optical Time Domain Reflection,φ-OTDR[7])由于其分辨率高、結構相對簡單而被廣泛應用。Tarlor等人[8]設計了一種φ-OTDR系統,通過導入強相干光使回波光中包含干涉光,從而通過解調想干信號大幅提升載波中有效信息的解析能力。Tan等人[9]將其應用于挖掘與車輛的振動識別,雖然具有一定的分類識別能力,但由于是基于信號強度的分析,故抗干擾能力較弱,容易出現信號被湮滅的情況。張顏等人[10]采用信號差分技術對敲擊、挖掘等不同類型信號數據進行分類識別,在抑制噪聲方面得到了一定改善,但對存在相似擾動的信號正確率較低。彭寬等人[11]通過片段間隔與長度取平均及求解峰峰比的方式提高了對不同類型相似信號的解調能力,但可區分種類比較有限,改變類型時分類參數不具有很好的普適性。以上問題實質上是對非線性數據分類與特征提取不完備的體現,本文針對此問題提出了一種基于粒子群優化[12]-支持向量機[13](Particle Swarm Optimization-Support Vector Machine,PSO-SVM)的數據識別算法,通過組合分析多種特征參數的方式達到提高信號識別能力的目的。

2 系統組成

系統由光源(窄線寬激光器)、聲光調制模塊、放大器、脈沖發生器、探測器、數據采集卡以及傳感光纖組成,如圖1所示。

圖1 基于PSO-SVM的光纖傳感網絡處理系統Fig.1 Optical fiber sensor network processing system based on PSO-SVM

由圖1可知,激光器發出窄帶寬激光,在聲光調制器的控制下,以特定的頻率與脈沖數完成光源信號的編碼,后期可以通過解調編碼值完成測試位置距離、測試位置波長偏移程度的解調。采用相位敏感型光時域反射系統的目的是解決振幅型反射系統解調信噪比低,反演位置精度差的問題。本系統通過脈沖信號發生器對窄線寬初始激光進行編碼,從而得到與傳感光纖測試位置相對應的相位信息,然后通過相位匹配的方法精確鎖定測試位置。正因為窄線寬激光光源本身具有很好的相干性,所以對初始光信號的調制就是由于其相位變化導致的強度變化,故雖然相位并不直接參與解算待測位置外力作用強度信息,但其可以實現將相同相位振幅測試值的有效疊加,提高回波信號位置計算準確度和信噪比。

為了提高系統回波強度,增加系統靈敏度,采用放大器增加初始光信號的功率。初始光通過環形器達到監測位置,并由在傳感光纖中產生的瑞利散射信號攜帶上監測位置的物理場變化信息。然后,通過探測器將光纖傳回的信號轉化為時域信號。最終,數據處理單元結合PSO-SVM算法與類型數據庫完成對信號的分析與識別,并將最后結果顯示輸出。類型數據庫的構建是通過對某種特定干擾進行多次重復測量,得到該種干擾對應回波信號的形式,其中包括對應三種特征值的響應范圍等,從而使系統可以根據測試數據分析得知測試數據的類型及強度等信息。設初始脈沖信號函數[14]有:

(1)

式中,t表示時間;E0(t)表示初始光強;λ表示光波長;c表示光速;φ0(t)表示t時刻的初始相位。當在某點P光纖傳感網絡受到干擾時,則相位發生偏移,從而形成瑞利散射,其函數表達與式(1)一致,但相位發生偏移。這兩個脈沖信號形成的干涉信號可以表示為:

(2)

式中,E0(t)表示P點位置上脈沖光信號的初始振幅；ER(t)表示P點位置上存在擾動條件下后向瑞利散射返回測試單元的振幅；φ0(t)表示在P點位置上沒有擾動時標定得到的初始相位值,φ0(t)對應某個時刻t是一個預設的系數；φR(t)表示在P點位置上外界擾動(待測量)造成的相位變化值,φR(t)對應某個時刻t是一個受外部擾動影響的測試值,其他參數與式(1)一致。

3 改進PSO-SVM模型設計

3.1 多特征參數設置

從包含噪聲的回波光譜中解調出表征目標位置振動狀態信號的過程,是典型的非線性多元求最優解問題,故為了增加信號檢出概率,提高信號識別能力,需要在回波光譜解調算法上進行優化改進。首先,選擇對多元問題中貢獻率高的特征參數；其次,構建特征參數與振動模式的映射關系；最后,采用PSO-SVM算法完成有效信息的準確提取,完成測試目標的準確分類。

多元問題中的特征參數選擇的依據是對待測物理量大小的決定程度,所以主要對主波信號能量(Main Wave Energy,MWE)、主波脈寬(Main Wave Pulse Width,MWPW)以及波形變化率(Waveform Change Ratio,WCR)進行分析。

MWE是通過計算波形覆蓋面積求解主要波形所包含的能量,是區分不同特征信號的第一個重要判斷參數,對信號振幅的平方進行積分可以得到,有:

(3)

其中,t表示測試時間;v表示波數;f(v,t)表示波形關于波數與時間的波形函數。

MWPW用于描述包含主波及其關聯旁瓣的時間跨度,是區分不同特征信號的第二個重要判斷參數,該參數用于分析目標信號的持續時間,有:

(4)

WCR用于描述波形變化速度,即從峰峰值到峰谷值的斜率,有:

(5)

3.2 PSO-SVM模型構建

在明確了主要特征參數的基礎上,將三個特征參數作為粒子群優化-支持向量機算法的控制因子,從而提高系統對不同信號的識別能力,系統如圖2所示。當測試信號進入數據分析系統后,分為背景噪聲與有效信號,由于光纖傳感網絡中背景噪聲主要類型為低頻白噪聲,故采用高通濾波就可以很大程度上抑制基頻噪聲。有效信號由于存在混疊的現象,所有需要通過多特征參數分析才能夠完成數據分類。完成數據分類的依據就是對特征參數(MWE、MWPW、WCR)的計算,故在導入PSO-SVM模型的同時,將特征參數算法計算獲得的特征參數作為適應度值和粒子分類條件代入模型。

圖2 基于PSO-SVM的光纖傳感網絡處理系統Fig.2 Optical fiber sensor network processing system based on PSO-SVM

4 實 驗

實驗采用COSC-PLS-1550-HS-MB型窄線寬光纖激光器(中心波長1550.0 nm,線寬20.0 kHz),經SGTF100-1550-1P型聲光調制器生成0.1 μs激光脈沖,再通過SOAD型摻餌激光放大器增大功率,最終輸入單模傳感光纖,總長30.0 km,測試點位置在傳感光纖約10.0 km處。探測模塊采用尾纖式光電探測器獲取后向瑞利散射,其采集頻率為1.0 MHz。再對同一測試周期內的測試數據進行差分運算,獲得關于光纖位置的瑞利散射響應振幅比例。

4.1 實驗結果

實驗針對幾種可能存在的擾動形式設置了幾種測試情況,分別是:采用小型機械挖掘機在距離約10.0 m和50.0 m的位置上挖掘,模擬未經許可的在通信光纖網絡附件的施工行為(情況a和情況b),人為采用鐵鏟挖掘地面,挖掘距離為1.0 m和5.0 m(情況c和情況d),重物墜落地面,重物采用5.0 kg和1.0 kg,墜落高度1.0 m,距離1.0 m,與小型貨車后部拉貨區高度相近(情況e和情況f)。每種情況測試10次,對10次測試結果進行取均值,然后得到其時域譜。測試數據已根據相位分布規律進行了數據對齊和濾波,具體方法是根據脈沖激光時間序列與載波相位進行匹配,將一個周期內的測試數據與標定時相應相位處的信號進行相關運算,由此得到的相位差異變化程度分布就與光纖實際位置測試變化分布統一了,即獲得關于測試時間與響應電壓的變化曲線,如圖3所示。

圖3 不同情況下電壓響應振幅曲線Fig.3 Voltage response amplitude curve under different conditions

由圖3所示,初始的脈沖光信號在經過光纖后再次與經標定的無擾動信號進行相關運算后,從時間軸上可以看出,僅有收到外部擾動的位置會產生較大的振幅變化,在圖中體現為特定的時刻上產生大振幅的擾動信號。而擾動信號的持續時間、旁瓣大小及峰值個數則與干擾方式密不可分,故可以通過對測試曲線的分類與量化判斷干擾源種類及干擾強度。對于測試曲線中的多個特征峰,可以采用閾值濾波的方式限定擾動強度等級,例如采用峰值與單位時間內振幅均值的比率超過T%時保留該值,否則用0值代替,此處對測試數據進行高通濾波,保留有效信息。然后在此基礎上完成主要特征參數的計算。主波信號能量(MWE)是特征峰曲線下能量,計算方法是對特征峰位置大于T%內所有測量電壓均值求和然后在除以該區域的持續時間。主波脈寬(MWPW)是特征峰的持續時間,計算方法是用測試數據超過T %的最后時刻減去測試數據超過T%的最初時刻。波形變化率(WCR)是特征峰的變化斜率,計算方法是將主峰峰峰值除以主波脈寬。

4.2 討論與分析

對比圖3(a)和圖3(b)可知,當小型挖掘機在光纖傳感網絡附件工作時,其強烈的振動會使解調儀模塊采集到明顯的電壓變化,響應電壓的最大均值分別為3.47 V和1.79 V,同時,響應強度隨挖掘位置到測試點的距離的增大而減小。兩種相同方式不同距離采集得到的譜形分布特征相近,都存在多個明顯特征峰的情況,正、負電壓響應振幅相近。

對比圖3(c)和圖3(d)可知,當人為采用鐵鏟挖掘地面時,同樣可以得到電壓響應,響應電壓的最大均值分別為2.12 V和1.29 V,同時,響應強度隨人為挖掘位置到測試點的距離的增大而減小。兩種相同方式不同距離采集得到的譜形分布特征同樣具有很大的相似性,都存在兩條明顯的電壓波動峰值,而其余光譜位置變化比較弱,與圖3(a)和(b)的回波譜形對比,沒有多峰和峰值旁瓣的表現。分析認為,兩個明顯的峰值應該是兩次具有相對較明顯的動作導致的,即一次敲擊地面和工具插入地面后猛地扒開土地造成的。所以,在回波光譜中存在具有明顯的兩個主峰,其他動作的力度響應較弱,沒有形成類似挖掘機連續動作中的多峰及旁瓣加寬的效果。這也是通過不同譜形識別與分類不同干擾源的重要依據。

對比圖3(e)和圖3(f)可知,當采用不同質量重物完成墜落測試時,5.0 kg和1.0 kg重物的響應電壓的最大均值分別為2.81 V和2.31 V。測試位置相同的情況下,由于質量大的重物具有更大的沖擊力,所以隨著沖擊程度的增加響應電壓也隨之增大。對于回波譜形而言,同樣存在明顯的特征,由于是墜落過程是一次沖擊完成的,故整個測試測試譜中僅有一個主峰,并且撞擊后余波殘存時間較短,呈阻尼衰減變化趨勢。

綜合對比分析圖3的測試結果可知,響應強度隨距離增大而減小,隨沖擊強度增大而增大。不同形式撞擊產生的回波譜形具有特征性,其特征分布與作用方式和持續時間均有關,通過計算回波信號的MWE、MWPW以及WCR可以準確的識別信號種類。

4.3 分類效果對比

將測量數據計算得到的三種主要特征參數代入PSO-SVM算法中,與不采用本文PSO優化的特征參數導入,直接對原始數據進行SVM的分類效果進行對比,分類識別概率(Recognition Probability,RP)結果如表1所示。分類識別概率是通過對同一個外部干擾源進行多次測試,計算系統識別次數與總測試次數的比值得到的,在本實驗中每種情況測試30次,系統獲取數據分析后判斷的類型與干擾類型一致是為有效識別,未達到測試閾值或達到測試閾值但識別類型錯誤均認為其是未識別。

表1 算法改進前后識別概率對比Tab.1 Comparison of recognition probability before and after algorithm improvement

由表1可以看出,不優化直接對數據進行SVM分類時,6種測試數據識別概率最大值為82.8 %、最小值為61.7 %,平均識別概率為69.3 %。而采用基于特征值優化的SVM,概率最大值為95.6 %、最小值為84.8 %,平均識別概率為90.1 %?？梢姺诸悳蚀_性得到了明顯的提升。對于PSO-SVM的測試結果而言,對比三個特征參數可以看出,MWE測試值的大小變化反映了測試距離對響應強度的影響,MWPW測試值的大小反映了不同測試情況對應的持續作用時間,而WCR測試值的大小反映了該種狀態條件下信號振幅的突變程度。由此可見,特征參數具有表征情況種類的特性,故引入參數預分類的思想能夠提高算法的分類概率。

5 結 論

本文提出了一種基于改進的粒子群優化-支持向量機算法,在構建了三個用于表征回波譜形的特征參量的基礎上,對多種擾動信號進行了分類識別測試。實驗結果顯示,小型機械挖掘機的回波響應呈多個正、負振幅相近的特征峰譜形且旁瓣較大；人為鐵鏟挖掘的回波響應呈較均勻的間隔特征峰譜形,且旁瓣較小；重物墜落的回波響應呈單特征峰譜形,余波有一定的阻尼震蕩的形態。與傳統SVM數據分類算法對比,本算法的平均識別概率為90.1 %,明顯優于傳統SVM算法的69.3 %?？傊?本算法在光纖傳感網絡的擾動信號分類識別領域具有一定的實際意義和應用價值。