一种应用于光缆外破在线监控的模式识别方案

, , , , , , , , , ,

(1.复旦大学 材料科学系, 上海 200433; 2.国家电网 上海市电力公司信息通信公司, 上海 200122;3.上海欧忆能源科技有限公司, 上海 200041; 4.上海复旦智能监控成套设备有限公司, 上海 200433)

引 言

现如今依托光缆的信息通信方式愈发普及,因其有着通信容量大,传输损耗低,抗电磁干扰性能强等诸多优点。但随着通信光缆遭到破坏的案件屡有发生,通信光缆自身的安全也越来越受到大家的重视。比如依托光缆的现行电力通信网,它是保障电力系统安全稳定运行的三大支柱之一。然而广泛分布的电力通信线路却是配网自动化中的一个薄弱环节,经常会因为线路沿途的工程机械施工,高层特种车辆穿越,人为外力破坏等原因,对线路造成一些毫无预警的危害和损坏。因此,需要研究一种智能型的线路外破隐患预警定位技术,以确保一旦发生线路外破隐患时,能够快速判别其危害性,并做出防护维修反应。

本文在现有的分布式光纤传感技术的基础上,对振动信号进行分析,提取其梅尔频率倒谱系数(MFCC),并结合径向基函数(RBF)神经网络进行训练分类,实现对作用在电力通信光缆上的机械施工、管孔侵入、开盖报警和碰撞敲击这些行为的辨别。模式识别的加入是对线路外破隐患预警定位技术的补充,从而形成一套更加完善的报警方案。同样该方案在周界安防,长距离管道检测等领域也有广泛的应用前景。

1 基本原理

1.1 分布式光纤传感技术

分布式光纤振动传感技术是一种无源光纤传感技术[1]。当有外界扰动作用在光缆上时,将引起光缆中光纤的长度和折射率等光学传输特性发生变化,从而引起感应光纤中传输光相位的变化(弹光效应)。光相位的变化可以借助干涉光路来进行检测解调,一般检测到的干涉光强信号可以写成如下的形式:

(1)

式中:I是探测器检测到的总光强;I1和I2分别是发生干涉的两路光的强度;Δφ是外界扰动引入的光相位的变化。

利用相位还原算法可以准确还原出Δφ,从而实现了对传感光缆周围包括应变、振动、扰动速度等在内的多种物理量进行探测,实时准确地获得半静态和动态的干扰信息。随后,可以通过远程的后端处理软件对这些信号进行分析、识别和判断,可对威胁事件准确定位、提前预警,提高相关单位的运维效率,制止破坏、强化防范,或及时准确奔赴意外现场,采取补救措施[2]。整体技术原理如图1所示。

相较于传统的监控技术,该技术不需要购置大量的分离式传感器设备,只需借用已铺设好的通信光缆中光纤作为传感器,且外场设备无需供电。

1.2 MFCC参量的提取

对于振动信号的分析常在时域和频域上进行,常用的有短时平均能量、短时过零率和基于快速傅里叶变换的频谱分析法等。在将振动信号转换为音频信号播放的过程,发现不同行为产生的振动信号在声音上有所差异,因此考虑用语音信号处理中的梅尔频率倒谱系数[3]作为区别振动信号的特征参量。MFCC是在梅尔标度频域中提取出来的倒谱参数,梅尔标度频域能很好地刻画人耳对不同频率的声波的敏感度,梅尔频率的变换公式如下所示:

(2)

MFCC的提取过程如图2所示。先将振动信号进行预加重(通过一个高通滤波器),分帧加窗,以及快速傅里叶变换(FFT)到频域。当然,这些操作和普通的频谱分析法并无差异。

图1 分布式光纤振动传感技术原理Fig.1 Principle of distributed fiber-optic vibration sensing technology

图2 MFCC参量提取基本流程Fig.2 MFCC parametric basic extraction process

我们需要将振动信号的能量谱通过Mel滤波器组,即一组Mel尺度的三角带通滤波器组。每个三角带通滤波器的中心在Mel尺度上都是等间距分布的,频率从0 Hz到采样率的一半,滤波器个数可以自己选择。其作用是对频谱进行平滑,消除谐波。对滤波器输出参数进行对数运算后,再作离散余弦变换(discrete cosine transform,DCT)就可以得到MFCC参量。

1.3 构造RBF神经网络分类器

径向基函数(radial basis function,RBF)神经网络[4-5]早在20世纪80年代就提出了,因常采用基于中心点径向对称的激活函数而得名,广泛应用于模式识别、计算机视觉、信号处理、传感技术等领域。RBF神经网络是一种三层前馈网络,包含输入层,使用径向基函数的隐含层和输出层,输出结果为隐含层的加权和,结构如图3所示。

图3 RBF神经网络拓扑结构Fig.3 RBF neural network topology

图3中X1,…,Xn为输入样本,ψ为径向基函数,Y1,…,Ym为输出样本。影响该网络最终输出结果的主要有RBF的中心矢量、隐含层节点的数目、RBF的宽度和隐含层到输出层之间的权值矩阵。网络的训练也是围绕这几个参数进行的,一旦确定了这几个参数,就可以构建输入到输出的映射模型。保留网络的权值参数,便可应用于未知样本的判别。

图4 模式识别方案Fig.4 Pattern recognition scheme

1.4 模式识别方案介绍

关于模式识别的方案流程图如图4所示,将两路携带振动信息的光相位还原信号分别进行MFCC参量提取,通常情况下每帧信号的MFCC参量是一个C0～C12的13维向量,一般第一维C0值很大,称其为能量系数,不作为识别的特征,因此取后12个作为MFCC参量,两路即有24维。将不同行为产生的MFCC参量分别标记,作为目标输出,进入RBF神经网络离线训练,并将训练好的神经网络权值参数保存下来。将实时采集的振动信号与权值参数作用,得出其属于每种行为的可能性,按照预先设定好的阈值进行判定,最终与预警定位信息合并,以行为事件的形式产生报警。

2 实验结果和分析

实验需要区分碰撞敲击、管孔侵入、机械施工和开盖报警这几种行为,其中碰撞敲击是用金属直接敲击光缆,管孔侵入是指线路常发生的穿缆行为,机械施工是用冲击钻钻绑在光缆上的铁块,开盖报警是由特制的敲击光缆装置产生的。

对采集到的振动信号分别提取上文提到的24维MFCC参量,其中三角带通滤波器个数为24。原始信号采样率为500 ksample/s,识别时降采样到22 050 sample/s,帧长为300。RBF神经网络中的径向基函数选的是高斯核函数,隐含层节点数目等于输入总样本数。初始采集样本数为碰撞敲击69条,管孔侵入57条,机械施工40条和开盖报警65条。将样本总数的80%(184条)作为训练集,剩下的20%(45条)作为测试集,从各行为样本中提取MFCC参量,并对参量值进行归一化处理作为神经网络的输入样本,最终各行为输入样本如图5所示,横坐标为MFCC的维度,纵坐标为MFCC参量值。

图5 归一化输入样本Fig.5 The normalized input sample

在神经网络权值参数训练的过程中,由于待区分的行为有4种,所以神经网络的目标输出是一个有4个元素的数值P(a,b,c,d),将各行为对应位置的数组值赋值为1,其余赋为0,比如碰撞敲击的输出结果为P(1,0,0,0)。测试时将测试样本与训练出来的神经网络权值参数相互作用,输出数组P,选取4个元素中的最大值Pmax,如果Pmax>0.6,则认为Pmax对应的数组序号为该行为所属类别。如果不满足以上条件,则认为测试样本不属于任何一类。比如输出结果是P(0.75,0.23,0.12,0.10),那么该测试样本就被判定为碰撞敲击行为。将所有测试样本进行测试,若测试结果和原行为不符合,则记为识别错误样本。最终测试结果如表1所示。测试的总体识别率达97.78%。

表1 4种行为识别测试结果Tab.1 Four kinds of behavior recognition test results

为了进一步检验识别的实时性能,进行了外场实地测试,各行为效果图如图6所示。

实际的软件系统中,会将5 s内的识别结果做一个频数统计,频数高的作为实际发生行为事件,最终以事件的形式产生报警。外场测试时重复4种行为,分别产生5个事件报警,最终全部识别正确。

从图5的归一化输入样本曲线图中不难看出,不同行为的MFCC参量曲线各自有一定的相似性,将其作为行为样本的特征进行模式识别操作,理论上可以对不同的行为做出区分。实际可能由于行为复杂不单一,造成各行为的曲线发散,影响神经网络的训练效果,造成最终的识别率下降。如果行为单一,加上时域上的频数统计,以事件形式报警的话,这一问题将会改善。

图6 行为演示图Fig.6 Behavior demonstration

3 结 论

本文提出的光缆外破在线监控的模式识别方案,能对碰撞敲击、管孔侵入、机械施工和开盖报警这4种行为进行有效识别,准确率高,而且该方案可以在长距离管线检测领域广泛应用。

参考文献:

[1] 王贺,孙琪真,李晓磊,等.干涉型分布式光纤振动传感技术的研究进展[J].激光与光电子学进展,2013,50(2):020004.

[2] 缪璇,钱六宝,章骅,等.浅谈油气管道安全监控发展方向[J].中国公共安全,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] 邹东伯,刘海,赵亮,等.分布式光纤振动传感信号识别的研究[J].激光技术,2016,40(1):86-89.

[7] 段录平,周丽娟,王宇.基于RBF神经网络的在线分类挖掘系统[J].铁路计算机应用,2007,16(3):40-42.

[8] 余建潮,张瑞林.基于MFCC和LPCC的说话人识别[J].计算机工程与设计,2009,30(5):1189-1191.

[9] 于明,袁玉倩,董浩,等.一种基于MFCC和LPCC的文本相关说话人识别方法[J].计算机应用,2006,26(4):883-885.

[10] 张建宝,慈林林,赵宗涛,等.RBF网络分类器的实现及应用[J].计算机工程与科学,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] 王旭东,邵惠鹤.RBF神经网络理论及其在控制中的应用[J].信息与控制,1997,26(4):272-284.

[13] HAM F M,KOSTANIC I.神经计算原理[M].叶世伟,王海娟,译.北京:机械工业出版社,2007.

[14] 孙琪真,刘德明,王健.基于环结构的新型分布式光纤振动传感系统[J].物理学报,2007,56(10):5903-5908.

[15] 阎平凡,张长水.人工神经网络与模拟进化计算[M].2版.北京:清华大学出版社,2005.