一种面向Mach-zehnder周界防护系统的模式识别方案研究

引言

随着科学技术的不断发展,科技成果在提升各行业领域效率的同时也增加了安全隐患。石油和天然气管道、大坝、电厂、监狱等重要场所遭受的入侵威胁日益增加,进而,如何对入侵进行有效的防范,成为亟待解决的问题[1]。光纤传感技术具有抗电磁干扰、高可靠性、耐腐蚀、性能稳定、远距离分布式测量等优势,因而在周界防护领域应用越来越广泛。

光纤周界防护系统主要涵盖以下几种类型[2]:干涉型、光纤光栅型和光时域反射型。干涉型又包括Michelson干涉仪、sagnac干涉仪和马赫—曾德尔(Mach—Zehnder,M—Z)干涉仪,其中,Michelson干涉仪、sagnac干涉仪及光时域反射型解调复杂,成本高;光纤光栅型无法实现长距离分布式测量。因此,M—Z干涉仪因其灵敏度高、解调算法简单和低成本等优点而得到广泛应用[3],但模式识别仍是一个难点。就周界防护系统而言,不仅应具有安防作用,还应具有模式识别功能。只有具备了模式识别功能,通过利用该功能,才能对传感信号的类别进行区分,进而降低系统误报率,提升系统可靠性。

针对上述情况,本文设计了一种基于M—Z周界防护系统的模式识别方案。该方案首先在周界搭建M—Z周界防护系统,以获取防护网防护区域的传感信号,然后利用小波包分解提取信号小波包系数的能量值作为特征向量,并将特征向量输入BP神经网络进行学习和判决,进而实现模式识别功能。实验表明,该方案具有较高的模式识别效率。

1系统模型

该面向M—Z周界防护系统的模式识别方案流程如图1所示。在该方案中,利用小波包对M—Z周界防护系统中采集到的传感信号进行分解,将信号的能量谱作为特征向量,然后归一化特征向量。用不同振动类型的传感信号的特征向量训练神经网络,实现振动信号的模式识别。

1.1 M—Z周界防护系统

M—Z周界防护系统如图2所示,该系统包括1个光源,3个偏振控制器PC1、PC2、PC3,4个2×2耦合器C1、C2、C3、C4,以及3根单模光纤L1、L2、L3。

光源发出的光由耦合器C1分成两路:一路光经过耦合器C2进入传感臂L1和参考臂L2,在耦合器C4处发生干涉;另一路光经过耦合器C3和C4进入传感臂L1和参考臂L2,在耦合器C2处发生干涉,干涉信号经传输光纤由光电探测器PD1和PD2接收。系统加入了偏振控制器,以避免“偏振诱导衰落”现象的产生[4]。进而,振动位置R可表示如下[5]:

1.2小波包分析

对采样率为2『的信号『(t)进行j层小波包分解,则得到2j个区间带宽为『/2j的等宽子频带,得到的j层小波包系数为dl(j),m。

小波包分解提取信号的能量特征有以下3个步骤[6]:

1)对信号选取适合的小波基,进行j层小波包分解,提取小波包频带划分的系数。

2)选择满足条件的n个子频带,并对各子频带能量进行归一化,即:

接着,利用实时采集的数据进行特征提取。将PCI采集卡采样频率设置为50 KHz,分别采集拍打防护网、击打防护网支柱、晃动防护网和拍打光缆4种不同类型的传感信号。对采集的4种类型的传感信号分别进行小波基为“db4”函数的4层小波包分解,得到16个子频带。将前8个子频带能量值作为传感信号特征,最终得到一个8维特征向量。传感信号特征向量如图3所示。

由图3可以得出'不同的振动类型特征向量之间的区别较大,因此'可以作为有效特征参数训练神经网络,进行模式识别。

1.3基于BP神经网络的模式识别

基于BP神经网络的模式识别流程如图4所示。选用典型的三层BP神经网络来进行传感信号的识别,输入层的神经元个数是由特征向量维数确定,将传感信号进行4层小波包分解,得到16个子频带的能量谱,提取前8个子频带的能量谱作为特征向量,因此BP神经网络输入层的个数为8。输出层神经元数目由传感信号的类别数目决定,如果传感信号的类别为M,那么输出层节点个数就取为M。本文识别的传感信号类型有4种模式,因此BP神经网络输出层神经元个数为4。对于进行模式识别的BP神经网络,隐含层节点数n可以参考经验公式[7]n=√ni+n0+a(其中ni和n0分别表示输入层和输出层节点数,a是小于10的常数)来得到大致的范围,经过大量实验后,确定隐含层神经元的个数为8。隐含层、输出层传输函数均选用logsig函数,输入到输出的传输函数选择purelin函数。BP神经网络的初始权值和初始阈值为随机数,学习速率设置为0.1,误差目标设置为0.001。

2实验结果与分析

本节搭建了M—Z周界防护实验装置以验证图2所示结构模型的性能,实物图如图5所示。其中光源使用低RIN窄线宽激光器;PD使用PIN光电二极管,响应频率为10 MHz;数据采集卡使用PCI采集卡,采样率为20 MHz;光缆长度为6 km,为模拟实际工程应用,在光缆5 km处将其以u型方式捆绑在防护网上。

实验室环境中无法模拟刮风、下雨等自然条件下的扰动'因此实验只对人为扰动进行识别'人为扰动分为拍打防护网、击打防护网支柱、晃动防护网和拍打光缆4种不同类型。

具体测试方法如下:4种类型的传感信号分别采集40组'得到160组样本用于BP神经网络的学习;另外'再对每种类型的传感信号分别采集10组'得到40组测试样本对完成学习的BP神经网络进行测试。将输出向量中的最大元素置1'其他元素置0'那么可能结果为[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]代表拍打防护网'[0'1'0'0]代表击打防护网支柱'[0'0'1'0]代表晃动防护网'[0'0'0'1]代表拍打光缆。

传感信号的特征提取及模式识别结果如表2所示。其中'1~10组为拍打防护网'11~20组为击打防护网支柱'21~30组为晃动防护网'31~40组为拍打光缆。

3结论

针对M-Z周界防护系统,本文提出了基于小波包分析和BP神经网络的模式识别算法。该算法首先利用M-Z周界防护系统进行数据采集,然后采用小波包分析提取信号特征的方法,将小波包分解得到的能量谱作为信号特征,并运用BP神经网络进行训练和学习,实现传感信号的模式识别。实验结果显示,在拍打防护网、击打防护网支柱、晃动防护网和拍打光缆4种不同类型人为扰动下,信号识别正确率为97.5%,进而验证了该方案的可行性。