李顏瑞唐婧壹

(山西機(jī)電職業(yè)技術(shù)學(xué)院信息工程系，山西 長(zhǎng)治 046011)

近年來(lái)，各項(xiàng)先進(jìn)技術(shù)的發(fā)展，帶動(dòng)傳感器技術(shù)也越來(lái)越成熟，在多個(gè)領(lǐng)域都起到了非常重要的作用，例如醫(yī)藥行業(yè)、工業(yè)、軍事領(lǐng)域等領(lǐng)域。 光纖傳感器在運(yùn)行過(guò)程中可能會(huì)出現(xiàn)一些故障影響傳感器的正常工作，此時(shí)需要有相應(yīng)的故障信號(hào)識(shí)別技術(shù)以解決這個(gè)問(wèn)題。 現(xiàn)有研究的重點(diǎn)放在當(dāng)傳感器出現(xiàn)故障時(shí)，怎樣才能快速、高效、準(zhǔn)確地識(shí)別出傳感器故障信號(hào)位置，例如:文獻(xiàn)[1]提出了一種基于功率譜估計(jì)的兩級(jí)振動(dòng)模式識(shí)別方案。 設(shè)計(jì)并實(shí)現(xiàn)了該算法的監(jiān)控系統(tǒng)軟件，以及軟件系統(tǒng)設(shè)計(jì)中涉及的功能模塊。 對(duì)整個(gè)系統(tǒng)的實(shí)驗(yàn)測(cè)試表明，該算法能夠?qū)崟r(shí)有效地識(shí)別傳感電纜上的任何入侵事件，入侵檢測(cè)率大于95%，包括誤報(bào)。 但是該方法分析樣本數(shù)量較少，不具有廣義代表性；文獻(xiàn)[2]結(jié)合深度置信網(wǎng)絡(luò)和拉普拉斯映射法，實(shí)現(xiàn)了半監(jiān)督故障的精準(zhǔn)識(shí)別。 通過(guò)選取相應(yīng)故障信號(hào)，將其轉(zhuǎn)換為低維流形特征的形式代入到深度置信網(wǎng)絡(luò)中，以此獲得少數(shù)的有標(biāo)簽樣本和大量的無(wú)標(biāo)簽樣本，分別提取特征并對(duì)故障類(lèi)型做分類(lèi)處理；然后，代入建立的識(shí)別模型中實(shí)現(xiàn)故障識(shí)別。 該方法降低了計(jì)算難度，較好地挖掘了故障信號(hào)特征，但是并未對(duì)信號(hào)進(jìn)行去噪處理，影響算法整體識(shí)別精度。

光纖傳感器與其他傳感器相比，上市時(shí)間較短，對(duì)于故障識(shí)別方法的研究也相對(duì)較淺。 為此，本文從外部載荷位置預(yù)測(cè)的角度出發(fā)，提出了一種光纖傳感器故障信號(hào)識(shí)別方法。 首先，對(duì)傳感器信號(hào)中包含的噪聲和雜質(zhì)采用合成外差算法和傅里葉變換分別進(jìn)行解調(diào)和去噪處理，確保后續(xù)的特征提取結(jié)果精度；然后，針對(duì)不同故障類(lèi)型分別提取了故障信號(hào)特征，將系統(tǒng)灰色性故障識(shí)別法與外部載荷位置預(yù)測(cè)法相結(jié)合，融合處理傳感器多角度負(fù)載數(shù)據(jù)，并進(jìn)行故障識(shí)別。 在仿真分析中驗(yàn)證了本文方法不僅在識(shí)別精度上有明顯的優(yōu)勢(shì)，同時(shí)保證了理想的識(shí)別效率。

1 光纖傳感器故障信號(hào)分析

1.1 光纖傳感器故障信號(hào)解調(diào)去噪

光纖傳感器信號(hào)解調(diào)過(guò)程如圖1 所示。 本文將合成外差算法引入算法中，把相位調(diào)制信號(hào)代入傳感器信號(hào)中，使對(duì)傳感器信號(hào)產(chǎn)生影響的因素指向調(diào)制信號(hào)[3]。 為了有效去除傳感器信號(hào)中的噪聲，本文將分離傳感器信號(hào)與低頻干擾信號(hào)的頻帶，使敏感信號(hào)的偏振態(tài)變化和幅度波動(dòng)處于較為平穩(wěn)的狀態(tài)[4]。

圖1 光纖傳感器信號(hào)解調(diào)過(guò)程圖

由圖1 可知，信號(hào)從傳感器中發(fā)出，經(jīng)過(guò)耦合器1 的作用形成兩束不同的信號(hào):感測(cè)信號(hào)和載波。由于傳感器信號(hào)中物理量的存在，參考臂使得感測(cè)信號(hào)產(chǎn)生物理反應(yīng)，信號(hào)臂相位同時(shí)也受到一定程度的影響。 經(jīng)過(guò)耦合器2 的作用使兩束信號(hào)匯合在一起，產(chǎn)生干涉現(xiàn)象，傳感器信號(hào)由此轉(zhuǎn)換為電信號(hào)，輸出即可。 輸出的電信號(hào)可用式(1)表示:

從式(2)中可得，當(dāng)傳感器信號(hào)正好處于調(diào)制信號(hào)的邊帶上時(shí)，可通過(guò)載波頻率為整數(shù)倍的頻帶[5]對(duì)其進(jìn)行過(guò)濾處理，過(guò)濾選擇的濾波器為中心頻帶ωc和2ωc的帶通濾波器，以此獲得傳感器信號(hào)向量S1(v)和S2(v)分別為:

再對(duì)S(v)進(jìn)行積分計(jì)算，得到解調(diào)后的傳感器信號(hào)為:

式中:a表示經(jīng)過(guò)伸縮處理后得到的伸縮因子，b表示經(jīng)過(guò)平移處理后得到的平移因子，t表示一個(gè)常數(shù)量。

1.2 光纖傳感器故障信號(hào)特征提取

傳感器故障類(lèi)型多種多樣，當(dāng)傳感器出現(xiàn)不同故障時(shí)，為了可以準(zhǔn)確判斷為哪種故障，本文分別提取了不同故障類(lèi)型的特征[7]。 首先獲取傳感器運(yùn)行信號(hào)，經(jīng)過(guò)經(jīng)驗(yàn)?zāi)B(tài)分解技術(shù)的處理后，得到信號(hào)的本征模函數(shù)。 在本征模函數(shù)分量(IMF)中包含兩個(gè)部分:一部分為傳感器狀態(tài)信息，另一部分為傳感器運(yùn)行狀態(tài)下產(chǎn)生的擾動(dòng)分量。 然后，計(jì)算IMF 與傳感器信號(hào)之間的近似性，本文選擇關(guān)系值來(lái)表征，二者的關(guān)系值越大，說(shuō)明IMF 中包含的傳感器狀態(tài)信息就越多。 IMF 與傳感器信號(hào)x(x＝1，2，…，N)之間的關(guān)系值計(jì)算公式為:

式中:RIMFi表示第i個(gè)IMF 的關(guān)系函數(shù)值，Rx表示x的相關(guān)函數(shù)值，j表示x的系數(shù)值。

選取兩個(gè)隨機(jī)變量X、Y，假設(shè)二者之間存在某種關(guān)系上的相關(guān)性，通過(guò)互信息[8－9]的非線性度量法來(lái)衡量?jī)蓚€(gè)變量之間的近似性。 在X已知的情況下，條件熵H(Y｜X)與無(wú)條件熵H(Y)之間的關(guān)系為H(Y｜X)≤H(Y)。 那么，X、Y之間的互信息計(jì)算公式如式(11)所示:

經(jīng)過(guò)上述計(jì)算，篩選出IMF 中包含的敏感分量，通過(guò)對(duì)單個(gè)敏感分量進(jìn)行分析，計(jì)算其與傳感器信號(hào)之間的互信息值和關(guān)系值，并將所得結(jié)果進(jìn)行絕對(duì)值計(jì)算，得到絕對(duì)值后，以乘積的方式計(jì)算得到經(jīng)驗(yàn)?zāi)B(tài)分量的敏感度劃分標(biāo)準(zhǔn)。

由于傳感器狀態(tài)信息多為高維特征向量，運(yùn)行狀態(tài)下會(huì)產(chǎn)生過(guò)多的冗余信息，使得特征提取效率降低。 這里引入輕量級(jí)協(xié)議算法進(jìn)行降維計(jì)算[10－11]。

假設(shè)信號(hào)樣本集為X＝[x1，x2，…，xn]，其中含有n個(gè)D維空間樣本信息，使其映射到低維空間內(nèi)，由此得到的樣本矩陣為Z＝[z1，z2，…，zn]，zi＝(i＝1，2，…，n)表示一個(gè)d維向量(d?D)。 將Q定義為與Z對(duì)應(yīng)的相似性矩陣。 計(jì)算Q中包含的元素qij為:

式中:WPCA表示經(jīng)過(guò)PCA 子空間的映射后，得到的變換矩陣，WLPP表示經(jīng)過(guò)PCA 子空間和輕量級(jí)協(xié)議算法的映射后，得到的變換矩陣[12]。

根據(jù)式(15)的計(jì)算結(jié)果，利用式(16)的線性模型進(jìn)行故障信號(hào)特征向量的提取:

2 外部載荷位置預(yù)測(cè)下光纖傳感器故障信號(hào)識(shí)別

根據(jù)上文故障特征提取結(jié)果，結(jié)合系統(tǒng)灰色性故障識(shí)別方法和外部載荷位置預(yù)測(cè)，對(duì)傳感器進(jìn)行多角度負(fù)載，記錄所得數(shù)據(jù)。 在此基礎(chǔ)上，將所有數(shù)據(jù)進(jìn)行融合，并利用故障識(shí)別法識(shí)別數(shù)據(jù)中的故障數(shù)據(jù)，實(shí)現(xiàn)過(guò)程如下:

在不同的運(yùn)行狀態(tài)下，傳感器信號(hào)的特征也有所不同，通過(guò)觀察這些特征的變化，即可實(shí)現(xiàn)對(duì)故障信號(hào)的識(shí)別。 假設(shè)yi＝(yi(1)，yi(2)，…，yi(l))表示已知的傳感器故障特征向量，xi＝(xi(1)，xi(2)，…，xi(l))表示已知的傳感器信號(hào)特征向量[13]。yi與xi在第l個(gè)特征向量處的差異性計(jì)算公式為:

式中:m表示傳感器已知故障特征量數(shù)量，s表示所觀察到的傳感器信號(hào)組數(shù)。

通過(guò)計(jì)算傳感器運(yùn)行狀態(tài)與標(biāo)準(zhǔn)狀態(tài)之間貼近度值的大小，找出最大的值，作為評(píng)判傳感器故障信號(hào)的指標(biāo)，至此實(shí)現(xiàn)于外部載荷位置預(yù)測(cè)的光纖傳感器故障信號(hào)識(shí)別技術(shù)研究。

3 仿真分析

3.1 測(cè)試環(huán)境

為了驗(yàn)證所提方法在光纖傳感器故障信號(hào)識(shí)別方面是否合理有效，需要進(jìn)行仿真分析驗(yàn)證。 測(cè)試在VC＋＋平臺(tái)上完成，數(shù)據(jù)來(lái)自某光纖傳感器運(yùn)行數(shù)據(jù)，選取了其中的600 組，存儲(chǔ)在SQL Server 2015數(shù)據(jù)庫(kù)內(nèi)。 在進(jìn)行測(cè)試之前，需要將傳感器故障信號(hào)特征向量y1，y2，…，yi，…，yk進(jìn)行歸一化處理，將其歸納到[0，1]區(qū)間內(nèi)，得到:

式中:ymax表示故障信號(hào)特征向量的最大值，ymin則為故障信號(hào)特征向量的最小值。

3.2 頻率響應(yīng)分析

光纖傳感器在實(shí)際的使用過(guò)程中，隨著信號(hào)頻率的不斷增加，頻帶的寬度也出現(xiàn)了變化，如果不及時(shí)處理，極易發(fā)生混疊的現(xiàn)象，很難得到準(zhǔn)確的信號(hào)，從而導(dǎo)致信號(hào)解調(diào)失敗。 在仿真分析中，通過(guò)運(yùn)用本文方法對(duì)0.5 kHz 情況下傳感器信號(hào)的頻帶進(jìn)行解調(diào)，分析結(jié)果如圖2 所示。

圖2 0.5 kHz 情況下解調(diào)傳感器信號(hào)結(jié)果

從圖2 中可以看出，在0.5 kHz 下，光纖傳感器波動(dòng)在±140 Hz 內(nèi)，且波動(dòng)幅度較穩(wěn)定。 通過(guò)本文方法的解調(diào)后，可以與原始傳感器信號(hào)始終保持在同一個(gè)變化幅度下，且波動(dòng)范圍基本一致，沒(méi)有出現(xiàn)明顯波動(dòng)，表明所提方法下調(diào)節(jié)手段能夠有效避免混疊現(xiàn)象，可以實(shí)現(xiàn)準(zhǔn)確、實(shí)時(shí)的跟蹤解調(diào)，取得了理想的解調(diào)效果和頻率響應(yīng)效果。

3.3 故障信號(hào)去噪分析

根據(jù)圖2 的解調(diào)結(jié)果，將其作為信號(hào)波動(dòng)曲線，并提取解調(diào)過(guò)程中的2 100 個(gè)節(jié)點(diǎn)，分別利用本文方法與文獻(xiàn)[1]功率譜估計(jì)、文獻(xiàn)[2]深度置信網(wǎng)絡(luò)三種方法，對(duì)其進(jìn)行去噪，驗(yàn)證三種方法的信號(hào)去噪性能優(yōu)勢(shì)，結(jié)果如圖3 所示。

圖3 三種方法信號(hào)去噪對(duì)比圖

從圖3 中可以看出，經(jīng)過(guò)功率譜估計(jì)和深度置信網(wǎng)絡(luò)去噪后的信號(hào)中，功率譜估計(jì)去噪后，噪聲幅值偏差相較于原始圖像噪聲偏差更大，深度置信網(wǎng)絡(luò)去噪后，去噪效果最好時(shí)為采樣點(diǎn)為1 200 個(gè)，但是依然存在一定程度的噪聲和雜質(zhì)，并沒(méi)有達(dá)到理想去噪效果，對(duì)后續(xù)的故障信號(hào)特征提取在很大程度上都產(chǎn)生了影響。 但是經(jīng)過(guò)本文方法處理后的信號(hào)，精準(zhǔn)地去除了噪聲和雜質(zhì)，噪聲干擾曲線與信號(hào)波動(dòng)曲線之間存在的噪聲基本為0，在后續(xù)的故障信號(hào)特征提取以及信號(hào)識(shí)別中可以起到很好的推動(dòng)作用。

3.4 故障信號(hào)識(shí)別效率分析

運(yùn)用三種方法，分別對(duì)選取的600 組數(shù)據(jù)進(jìn)行故障信號(hào)識(shí)別，所用時(shí)間如表1 所示。

表1 三種方法下故障識(shí)別時(shí)間對(duì)比

從表1 中可以看出，三種方法隨著傳感器信號(hào)數(shù)量的增加、故障識(shí)別耗時(shí)都在不斷增加，但是對(duì)比之下，本文方法所用時(shí)間最少。 這是由于本文方法結(jié)合了系統(tǒng)灰色性故障識(shí)別方法和外部載荷位置預(yù)測(cè)，在數(shù)據(jù)融合之后對(duì)信號(hào)進(jìn)行故障識(shí)別，在保證識(shí)別精度較高的前提下提高了識(shí)別效率。

4 實(shí)際驗(yàn)證

為了進(jìn)一步驗(yàn)證所提方法的有效性，進(jìn)行實(shí)際驗(yàn)證，將某光纖傳感器的工作狀態(tài)劃為5 種，其中4種為故障，另1 種為正常狀態(tài)，分別為光纖鏈路故障、電機(jī)故障、光纖收發(fā)器故障、電源故障以及正常狀態(tài)，其樣本個(gè)數(shù)分別為20、20、35、25、100 個(gè)。 以此為基礎(chǔ)運(yùn)用三種方法，分別對(duì)選取的樣本數(shù)據(jù)進(jìn)行故障信號(hào)識(shí)別，所用時(shí)間如表2 所示。

表2 三種方法下故障識(shí)別時(shí)間對(duì)比

從表2 中可以看出，本文光纖傳感器故障識(shí)別技術(shù)有效解決了當(dāng)前光纖傳感器故障識(shí)別效率較低的缺陷，可以準(zhǔn)確識(shí)別光纖傳感器的工作狀態(tài)。 相較于對(duì)比方法，所用時(shí)間在6.5 s 以內(nèi)，識(shí)別效率和時(shí)間更高。 這是由于本文方法結(jié)合外部載荷位置預(yù)測(cè)方法，在數(shù)據(jù)融合識(shí)別光纖傳感器信號(hào)，準(zhǔn)確分別故障信號(hào)類(lèi)型，在保證識(shí)別精度較高的前提下提高了識(shí)別效率。

5 結(jié)論

當(dāng)前針對(duì)光纖傳感器如何實(shí)現(xiàn)高效故障識(shí)別，本文提出了基于外部載荷預(yù)測(cè)的故障信號(hào)識(shí)別方法。 利用合成外差算法和傅里葉變換對(duì)傳感器信號(hào)中存在的噪聲和雜質(zhì)進(jìn)行解調(diào)和去噪處理，確保后續(xù)特征提取具有較高的精度，利用本征模函數(shù)對(duì)不同故障類(lèi)型下的信號(hào)進(jìn)行特征提取，結(jié)合系統(tǒng)灰色性故障識(shí)別方法和外部載荷位置預(yù)測(cè)，實(shí)現(xiàn)對(duì)光纖傳感器的故障識(shí)別。 仿真對(duì)比分析中，本文方法展現(xiàn)出了超高的識(shí)別效率，同時(shí)確保具有理想的識(shí)別精度，為傳感器技術(shù)的發(fā)展提供了可靠的參考依據(jù)。