引言

隨著科學技術的不斷發(fā)展,科技成果在提升各行業(yè)領域效率的同時也增加了安全隱患。石油和天然氣管道、大壩、電廠、監(jiān)獄等重要場所遭受的入侵威脅日益增加,進而,如何對入侵進行有效的防范,成為亟待解決的問題[1]。光纖傳感技術具有抗電磁干擾、高可靠性、耐腐蝕、性能穩(wěn)定、遠距離分布式測量等優(yōu)勢,因而在周界防護領域應用越來越廣泛。

光纖周界防護系統(tǒng)主要涵蓋以下幾種類型[2]:干涉型、光纖光柵型和光時域反射型。干涉型又包括Michelson干涉儀、sagnac干涉儀和馬赫—曾德爾(Mach—Zehnder,M—Z)干涉儀,其中,Michelson干涉儀、sagnac干涉儀及光時域反射型解調復雜,成本高;光纖光柵型無法實現(xiàn)長距離分布式測量。因此,M—Z干涉儀因其靈敏度高、解調算法簡單和低成本等優(yōu)點而得到廣泛應用[3],但模式識別仍是一個難點。就周界防護系統(tǒng)而言,不僅應具有安防作用,還應具有模式識別功能。只有具備了模式識別功能,通過利用該功能,才能對傳感信號的類別進行區(qū)分,進而降低系統(tǒng)誤報率,提升系統(tǒng)可靠性。

針對上述情況,本文設計了一種基于M—Z周界防護系統(tǒng)的模式識別方案。該方案首先在周界搭建M—Z周界防護系統(tǒng),以獲取防護網防護區(qū)域的傳感信號,然后利用小波包分解提取信號小波包系數(shù)的能量值作為特征向量,并將特征向量輸入BP神經網絡進行學習和判決,進而實現(xiàn)模式識別功能。實驗表明,該方案具有較高的模式識別效率。

1系統(tǒng)模型

該面向M—Z周界防護系統(tǒng)的模式識別方案流程如圖1所示。在該方案中,利用小波包對M—Z周界防護系統(tǒng)中采集到的傳感信號進行分解,將信號的能量譜作為特征向量,然后歸一化特征向量。用不同振動類型的傳感信號的特征向量訓練神經網絡,實現(xiàn)振動信號的模式識別。

1.1 M—Z周界防護系統(tǒng)

M—Z周界防護系統(tǒng)如圖2所示,該系統(tǒng)包括1個光源,3個偏振控制器PC1、PC2、PC3,4個2×2耦合器C1、C2、C3、C4,以及3根單模光纖L1、L2、L3。

光源發(fā)出的光由耦合器C1分成兩路:一路光經過耦合器C2進入傳感臂L1和參考臂L2,在耦合器C4處發(fā)生干涉;另一路光經過耦合器C3和C4進入傳感臂L1和參考臂L2,在耦合器C2處發(fā)生干涉,干涉信號經傳輸光纖由光電探測器PD1和PD2接收。系統(tǒng)加入了偏振控制器,以避免“偏振誘導衰落”現(xiàn)象的產生[4]。進而,振動位置R可表示如下[5]:

1.2小波包分析

對采樣率為2『的信號『(t)進行j層小波包分解,則得到2j個區(qū)間帶寬為『/2j的等寬子頻帶,得到的j層小波包系數(shù)為dl(j),m。

小波包分解提取信號的能量特征有以下3個步驟[6]:

1)對信號選取適合的小波基,進行j層小波包分解,提取小波包頻帶劃分的系數(shù)。

2)選擇滿足條件的n個子頻帶,并對各子頻帶能量進行歸一化,即:

接著,利用實時采集的數(shù)據(jù)進行特征提取。將PCI采集卡采樣頻率設置為50 KHz,分別采集拍打防護網、擊打防護網支柱、晃動防護網和拍打光纜4種不同類型的傳感信號。對采集的4種類型的傳感信號分別進行小波基為“db4”函數(shù)的4層小波包分解,得到16個子頻帶。將前8個子頻帶能量值作為傳感信號特征,最終得到一個8維特征向量。傳感信號特征向量如圖3所示。

由圖3可以得出'不同的振動類型特征向量之間的區(qū)別較大,因此'可以作為有效特征參數(shù)訓練神經網絡,進行模式識別。

1.3基于BP神經網絡的模式識別

基于BP神經網絡的模式識別流程如圖4所示。選用典型的三層BP神經網絡來進行傳感信號的識別,輸入層的神經元個數(shù)是由特征向量維數(shù)確定,將傳感信號進行4層小波包分解,得到16個子頻帶的能量譜,提取前8個子頻帶的能量譜作為特征向量,因此BP神經網絡輸入層的個數(shù)為8。輸出層神經元數(shù)目由傳感信號的類別數(shù)目決定,如果傳感信號的類別為M,那么輸出層節(jié)點個數(shù)就取為M。本文識別的傳感信號類型有4種模式,因此BP神經網絡輸出層神經元個數(shù)為4。對于進行模式識別的BP神經網絡,隱含層節(jié)點數(shù)n可以參考經驗公式[7]n=√ni+n0+a(其中ni和n0分別表示輸入層和輸出層節(jié)點數(shù),a是小于10的常數(shù))來得到大致的范圍,經過大量實驗后,確定隱含層神經元的個數(shù)為8。隱含層、輸出層傳輸函數(shù)均選用logsig函數(shù),輸入到輸出的傳輸函數(shù)選擇purelin函數(shù)。BP神經網絡的初始權值和初始閾值為隨機數(shù),學習速率設置為0.1,誤差目標設置為0.001。

2實驗結果與分析

本節(jié)搭建了M—Z周界防護實驗裝置以驗證圖2所示結構模型的性能,實物圖如圖5所示。其中光源使用低RIN窄線寬激光器;PD使用PIN光電二極管,響應頻率為10 MHz;數(shù)據(jù)采集卡使用PCI采集卡,采樣率為20 MHz;光纜長度為6 km,為模擬實際工程應用,在光纜5 km處將其以u型方式捆綁在防護網上。

實驗室環(huán)境中無法模擬刮風、下雨等自然條件下的擾動'因此實驗只對人為擾動進行識別'人為擾動分為拍打防護網、擊打防護網支柱、晃動防護網和拍打光纜4種不同類型。

具體測試方法如下:4種類型的傳感信號分別采集40組'得到160組樣本用于BP神經網絡的學習;另外'再對每種類型的傳感信號分別采集10組'得到40組測試樣本對完成學習的BP神經網絡進行測試。將輸出向量中的最大元素置1'其他元素置0'那么可能結果為[1'0'0'0]、[0'1'0'0]、[0'0'1'0]和[0'0'0'1]'如表1所示。其中'[1'0'0'0]代表拍打防護網'[0'1'0'0]代表擊打防護網支柱'[0'0'1'0]代表晃動防護網'[0'0'0'1]代表拍打光纜。

傳感信號的特征提取及模式識別結果如表2所示。其中'1~10組為拍打防護網'11~20組為擊打防護網支柱'21~30組為晃動防護網'31~40組為拍打光纜。

3結論

針對M-Z周界防護系統(tǒng),本文提出了基于小波包分析和BP神經網絡的模式識別算法。該算法首先利用M-Z周界防護系統(tǒng)進行數(shù)據(jù)采集,然后采用小波包分析提取信號特征的方法,將小波包分解得到的能量譜作為信號特征,并運用BP神經網絡進行訓練和學習,實現(xiàn)傳感信號的模式識別。實驗結果顯示,在拍打防護網、擊打防護網支柱、晃動防護網和拍打光纜4種不同類型人為擾動下,信號識別正確率為97.5%,進而驗證了該方案的可行性。