包 恬，李楚瑞?，邱 旭，黃祖煜

(1.復(fù)旦大學(xué)材料科學(xué)系，上海 200433；2.珠海大橫琴城市綜合管廊運(yùn)營(yíng)管理有限公司，廣東 珠海 519000)

隨著我國(guó)社會(huì)高速發(fā)展，集水、電、氣等各種市政管線于一體的地下綜合管廊逐漸成為城市的大動(dòng)脈[1]。設(shè)置在路面上的井蓋作為地下綜合管廊的檢查口或出入口，發(fā)揮著重要作用。偷盜井蓋和通過(guò)井口入侵地下空間等行為，給地下綜合管廊運(yùn)維帶來(lái)了極大的安全隱患。目前市面上監(jiān)控井蓋的方法主要有加速度傳感器和電磁傳感器等，傳感數(shù)據(jù)需通過(guò)無(wú)線模塊發(fā)送到中控平臺(tái)[2－3]。然而，電子傳感器易受電磁干擾和潮濕環(huán)境的影響，且需長(zhǎng)期供電，使得應(yīng)用受到限制。為有效保障地下綜合管廊的安全運(yùn)行，需要研發(fā)可靠、易用的入侵監(jiān)控系統(tǒng)。

光纖傳感技術(shù)興起于20 世紀(jì)70 年代末，是一種利用光纖感知外界物理量同時(shí)傳輸光信號(hào)的傳感技術(shù)[4]。與傳統(tǒng)電子傳感器相比，光纖傳感技術(shù)具有抗電磁干擾、耐腐蝕、質(zhì)量輕、可分布式探測(cè)等優(yōu)勢(shì)，被廣泛應(yīng)用于各個(gè)領(lǐng)域[5]。近年來(lái)，基于分布式光纖傳感的安防預(yù)警系統(tǒng)成為研究熱點(diǎn)，該類系統(tǒng)也逐漸在地下綜合管廊中得到應(yīng)用[6－8]。但使用中誤報(bào)率高，如無(wú)法區(qū)分車輛駛過(guò)、挖掘機(jī)作業(yè)、暴雨等誤擾事件，給使用方帶來(lái)困擾。

基于深度學(xué)習(xí)的模式識(shí)別方法已成功應(yīng)用于諸多領(lǐng)域[9－12]。卷積神經(jīng)網(wǎng)絡(luò)算法作為深度學(xué)習(xí)領(lǐng)域的重要成員之一，因其強(qiáng)大的學(xué)習(xí)表征能力和優(yōu)異的識(shí)別效果，被廣泛應(yīng)用于圖像識(shí)別等領(lǐng)域[13－14]。對(duì)于振動(dòng)信號(hào)，一維卷積神經(jīng)網(wǎng)絡(luò)無(wú)需預(yù)處理即可分類識(shí)別，實(shí)現(xiàn)原始信號(hào)端到端直接判別，在光纖振動(dòng)信號(hào)模式識(shí)別領(lǐng)域有較大的應(yīng)用前景[15－16]。

本文針對(duì)地下綜合管廊安全防控需求，結(jié)合光纖傳感技術(shù)和深度學(xué)習(xí)方法，設(shè)計(jì)研制了一種基于分布式光纖振動(dòng)傳感技術(shù)的地下管廊入侵監(jiān)測(cè)系統(tǒng)。系統(tǒng)采用分布式光纖馬赫曾德?tīng)枺_格納克(Mach Zehnder-Sagnac，MZ-Sagnac)混合干涉結(jié)構(gòu)，結(jié)合振動(dòng)傳遞裝置將井蓋開(kāi)關(guān)行為轉(zhuǎn)化成對(duì)光纜的振動(dòng)沖擊，最后利用一維卷積神經(jīng)網(wǎng)絡(luò)算法對(duì)振動(dòng)沖擊信號(hào)做模式識(shí)別，通過(guò)監(jiān)測(cè)井蓋開(kāi)關(guān)實(shí)現(xiàn)對(duì)地下管廊入侵行為監(jiān)測(cè)的效果。

1 工作原理

1.1 光纖MZ-Sagnac 混合干涉結(jié)構(gòu)原理

光纖MZ-Sagnac 混合干涉結(jié)構(gòu)如圖1 所示，由超輻射發(fā)光二極管(Super-Luminescent Diodes，SLD)、3×3 耦合器、2×2 耦合器、光纖延時(shí)線圈、振動(dòng)傳感光纜、法拉第旋轉(zhuǎn)鏡(Faraday Rotating Mirror，F(xiàn)RM)、光電探測(cè)器和數(shù)據(jù)采集與信號(hào)處理系統(tǒng)構(gòu)成。

圖1 光纖MZ-Sagnac 混合干涉結(jié)構(gòu)示意圖

超輻射發(fā)光二極管作為寬譜激光光源，發(fā)出的光束在該光路結(jié)構(gòu)中存在多條光程，其中主要的光程有以下四條:

由于寬譜光源具有低相干長(zhǎng)度的特點(diǎn)，四條光程中只有光程2 和光程3 的光程相近，可以發(fā)生干涉。當(dāng)無(wú)外界擾動(dòng)作用于傳感光纜時(shí)，光程2 和光程3 的相位差恒定；當(dāng)有擾動(dòng)作用于傳感光纜時(shí)，由于光彈效應(yīng)[17]，擾動(dòng)使得光程2 和光程3 產(chǎn)生相位差Δφ(t)，探測(cè)器接收到的兩路信號(hào)可以表示為:

式中:x(t)、y(t)是PIN 1 和PIN 2 接收到的兩路信號(hào)；Ia、Ib、Ic、Id是由系統(tǒng)光功率、線路衰減、3×3 耦合器分光比等決定的常量；α、β是由3×3 耦合器決定的初始相位；Δφ(t)是由外界擾動(dòng)引起的光程2 和光程3 的相位差，可利用相位還原算法求解[18－19]。

假設(shè)擾動(dòng)發(fā)生于圖2 的P點(diǎn)，其對(duì)于傳輸光的相位調(diào)制作用是φ(t)，則光程2 和光程3 產(chǎn)生的相位差信號(hào)為:

圖2 擾動(dòng)源的位置

式中:φ2(t)、φ3(t)分別表示光程2、光程3 受到擾動(dòng)后的相位；τ為光經(jīng)過(guò)延時(shí)線圈所需要的時(shí)間；n為光纖的有效折射率；c為光的傳播速度；L為擾動(dòng)點(diǎn)距離末端的距離。

進(jìn)一步地，令:

式中:τd表示光來(lái)回經(jīng)過(guò)L所需的時(shí)間。

結(jié)合式(3)和式(4)，式(2)相位差信號(hào)可進(jìn)一步改寫為:

基于式(5)的時(shí)域特征，對(duì)相位差信號(hào)進(jìn)行自相關(guān)運(yùn)算[20]求得τd，即可求得擾動(dòng)發(fā)生的位置L，計(jì)算公式如下:

因此通過(guò)該光纖MZ-Sagnac 混合干涉結(jié)構(gòu)，可以采集外界擾動(dòng)信號(hào)并進(jìn)行擾動(dòng)定位。

1.2 井蓋振動(dòng)傳遞裝置

為通過(guò)光纖MZ-Sagnac 混合干涉結(jié)構(gòu)獲取井蓋開(kāi)關(guān)的振動(dòng)信號(hào)，設(shè)計(jì)了井蓋振動(dòng)傳遞裝置，示意圖見(jiàn)圖3。裝置底端固定光纜，裝置中間包含磁鐵，井蓋邊緣安裝鐵片。當(dāng)井蓋被打開(kāi)時(shí)，裝置中的磁鐵與井蓋下的鐵片分離，掉落至裝置底端與光纜碰撞產(chǎn)生沖擊信號(hào)；當(dāng)井蓋關(guān)閉時(shí)，底部磁鐵由于鐵片吸引力往上吸，吸住瞬間產(chǎn)生的振動(dòng)信號(hào)通過(guò)裝置傳遞給探測(cè)光纜。

圖3 振動(dòng)傳遞裝置示意圖

該裝置將井蓋開(kāi)關(guān)行為轉(zhuǎn)化成對(duì)光纜的振動(dòng)沖擊，可以實(shí)現(xiàn)監(jiān)控井蓋開(kāi)關(guān)的目的。然而由于井蓋與光纜之間通過(guò)裝置形成固態(tài)連接，其他擾動(dòng)信號(hào)易被放大，當(dāng)車輛駛過(guò)、暴雨等擾動(dòng)作用于井蓋時(shí)，也會(huì)產(chǎn)生告警信號(hào)。

針對(duì)上述誤報(bào)問(wèn)題，系統(tǒng)后端增加振動(dòng)信號(hào)模式識(shí)別算法判斷振動(dòng)信號(hào)類型，并根據(jù)振動(dòng)信號(hào)的類型決定是否發(fā)送告警信號(hào)。圖4 展示了開(kāi)井蓋時(shí)磁鐵與光纜碰撞產(chǎn)生的瞬態(tài)沖擊信號(hào)的時(shí)域和頻域特征。時(shí)域圖表明碰撞的瞬間信號(hào)幅度較大，隨后信號(hào)幅度逐漸減小，功率譜圖揭示該信號(hào)的頻帶較寬，覆蓋0～2 000 Hz。

圖4 開(kāi)井蓋信號(hào)的時(shí)域圖和功率譜圖

根據(jù)信號(hào)時(shí)頻域特點(diǎn)以及現(xiàn)場(chǎng)所需的高精度要求，決定使用一維卷積神經(jīng)網(wǎng)絡(luò)(1D-Convolutional Neural Networks，1D-CNN)算法作為后端模式識(shí)別模塊。

1.3 一維卷積神經(jīng)網(wǎng)絡(luò)基本原理

一維卷積神經(jīng)網(wǎng)絡(luò)通常由一個(gè)輸入層、若干隱含層和一個(gè)輸出層組成[21－22]，其中隱含層包括若干個(gè)卷積層、池化層和一個(gè)全連接層，示意圖見(jiàn)圖5。

圖5 一維卷積神經(jīng)網(wǎng)絡(luò)基本原理示意圖

卷積層主要由多個(gè)卷積核構(gòu)成。一個(gè)卷積核可被看作是一個(gè)感受野，以一定的步長(zhǎng)與局部數(shù)據(jù)進(jìn)行運(yùn)算，其運(yùn)算原理為:

式中:a為卷積核在x方向上的寬度；F為卷積核參數(shù)向量；G為與卷積核函數(shù)運(yùn)算的局部向量矩陣；w為卷積核的尺寸。

池化層對(duì)卷積得到的特征進(jìn)行最大池化或平均池化等操作，從而大幅減少卷積層的空間維度，降低計(jì)算成本。

經(jīng)過(guò)若干次卷積和池化操作，全連接層將1DCNN 網(wǎng)絡(luò)中多層卷積和池化后的特征鋪平為一維向量，映射到下一層。

輸出層采用Softmax 函數(shù)。該函數(shù)的輸出結(jié)果代表其對(duì)應(yīng)類別的概率，因此輸出矢量的最大值對(duì)應(yīng)的目標(biāo)類別即為最終的識(shí)別結(jié)果，數(shù)學(xué)公式可表述為:

式中:R為輸出結(jié)果矩陣；k為類別個(gè)數(shù)；ωi和bi為第i個(gè)分類對(duì)應(yīng)的權(quán)重和偏置矩陣。

一維卷積神經(jīng)網(wǎng)絡(luò)判別模型的建立步驟如下:①采集大量信號(hào)，將信號(hào)與其對(duì)應(yīng)類別結(jié)合構(gòu)建成數(shù)據(jù)集；②設(shè)計(jì)一維卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)并設(shè)置一維卷積神經(jīng)網(wǎng)絡(luò)參數(shù)、訓(xùn)練超參數(shù)；③將數(shù)據(jù)集輸入網(wǎng)絡(luò)進(jìn)行訓(xùn)練，使用反向傳播算法更新每層權(quán)重參數(shù)；④待迭代次數(shù)達(dá)到設(shè)定值則停止更新權(quán)重參數(shù)，保存參數(shù)得到判別模型；⑤將新的信號(hào)輸入判別模型，得到判別結(jié)果。

該方法省去手動(dòng)提取特征的過(guò)程，無(wú)需對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理，將原始數(shù)據(jù)直接送入1D-CNN 網(wǎng)絡(luò)進(jìn)行識(shí)別，最終實(shí)現(xiàn)對(duì)光纜振動(dòng)信號(hào)的分類。

2 實(shí)驗(yàn)

2.1 實(shí)驗(yàn)數(shù)據(jù)采集

系統(tǒng)搭建于實(shí)地管廊中，管廊長(zhǎng)度約18.5 km，光纜鋪設(shè)在管廊內(nèi)。地下管廊每隔一定距離設(shè)有井蓋，累計(jì)井蓋636 個(gè)，每個(gè)井蓋均安裝振動(dòng)傳遞裝置，圖6 所示是管廊現(xiàn)場(chǎng)。

圖6 實(shí)驗(yàn)現(xiàn)場(chǎng)

系統(tǒng)切片采集擾動(dòng)信號(hào)，經(jīng)反復(fù)試驗(yàn)，40 ms 切片長(zhǎng)度可以完整采集開(kāi)關(guān)井蓋的瞬時(shí)振動(dòng)信號(hào)，故切片長(zhǎng)度設(shè)置為40 ms。采集的信號(hào)包括人為開(kāi)關(guān)井蓋、車壓過(guò)井蓋、大卡車經(jīng)過(guò)、暴雨襲擊和人不斷踩踏井蓋等。其中人為開(kāi)關(guān)井蓋行為歸為人為入侵行為，其他事件歸為非人為入侵行為。本次實(shí)驗(yàn)用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型的信號(hào)共1 161 條，其中入侵行為信號(hào)656 條，非人為入侵信號(hào)505 條。

由式(5)可知相位差信號(hào)與擾動(dòng)位置有關(guān)，圖7所示是不同類型振動(dòng)信號(hào)去位置化前后的典型信號(hào)波形圖對(duì)比。觀察信號(hào)波形圖可以發(fā)現(xiàn)，振動(dòng)信號(hào)去位置化后與原始的信號(hào)在幅度和輪廓上均有區(qū)別，直接將包含位置信息的相位差信號(hào)送入模式識(shí)別算法進(jìn)行訓(xùn)練將增加訓(xùn)練的難度，訓(xùn)練準(zhǔn)確率下降。為使實(shí)驗(yàn)數(shù)據(jù)之間更加具有一致性，將采集到的信號(hào)進(jìn)行去位置化處理再用于模式識(shí)別可降低訓(xùn)練的難度，增加識(shí)別準(zhǔn)確度。該處理方法借鑒語(yǔ)音信號(hào)混響消除算法[23－24]，可以消除位置干擾。

圖7 振動(dòng)信號(hào)去位置化前后的信號(hào)波形

2.2 1D-CNN 網(wǎng)絡(luò)結(jié)構(gòu)搭建

采集的實(shí)驗(yàn)數(shù)據(jù)去位置化之后，利用一維卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行模式識(shí)別。網(wǎng)絡(luò)模型超參數(shù)的設(shè)計(jì)主要包括網(wǎng)絡(luò)的深度，卷積核的大小與步長(zhǎng)以及卷積核的數(shù)目。本實(shí)驗(yàn)搭建的1D-CNN 結(jié)構(gòu)如圖8所示。

圖8 本實(shí)驗(yàn)搭建的1D-CNN 結(jié)構(gòu)

該1D-CNN 在第一個(gè)卷積層中采用48×1 的長(zhǎng)卷積核以獲得較大的感受野，達(dá)到提取低頻信息的效果，使用ReLU 函數(shù)作為激活函數(shù)，采用最大池化過(guò)濾輸入中的冗余信息。此外，為了防止過(guò)擬合，增強(qiáng)泛化效果，網(wǎng)絡(luò)結(jié)構(gòu)中還添加了50%丟棄率的dropout 層，并采用交叉熵?fù)p失函數(shù)作為模型優(yōu)化的損失函數(shù)。Softmax 層有兩個(gè)輸出類別，對(duì)應(yīng)人為入侵與非人為入侵兩種狀態(tài)。

2.3 1D-CNN 訓(xùn)練結(jié)果

將1161 條信號(hào)與對(duì)應(yīng)的狀態(tài)作為數(shù)據(jù)集，其中70%做訓(xùn)練集，30%做驗(yàn)證集。訓(xùn)練過(guò)程的超參數(shù)選擇會(huì)影響模型性能，圖9 所示是不同優(yōu)化算法、迭代輪次、初始學(xué)習(xí)率對(duì)初始訓(xùn)練結(jié)果的影響。由圖9 可知自適應(yīng)矩估計(jì)(Adaptive Moment Estimation，Adam)優(yōu)化器優(yōu)化性能最好，其同時(shí)結(jié)合了隨機(jī)梯度下降(Stochastic Gradient Descent with Momentum，SGDM)優(yōu)化器的一階動(dòng)量和均方根傳遞(Root Mean Square Prop，RMSProp)優(yōu)化器的二階動(dòng)量特點(diǎn)；理論上迭代次數(shù)越多準(zhǔn)確度越高，但實(shí)際上過(guò)多的迭代次數(shù)會(huì)產(chǎn)生過(guò)擬合現(xiàn)象，選擇迭代次數(shù)要合理；學(xué)習(xí)率是更新網(wǎng)絡(luò)權(quán)重的超參數(shù)，表示每次參數(shù)更新的幅度大小。初始學(xué)習(xí)率過(guò)低或過(guò)高都會(huì)降低神經(jīng)網(wǎng)絡(luò)的性能，本實(shí)驗(yàn)選取10－3作為初始學(xué)習(xí)率，效果最佳。

圖9 訓(xùn)練超參數(shù)對(duì)1D-CNN 初始訓(xùn)練結(jié)果影響

1D-CNN 初始訓(xùn)練結(jié)束后，為提高1D-CNN 最終判別性能，保存初始模型的映射函數(shù)，在該基礎(chǔ)上再次訓(xùn)練。學(xué)習(xí)率從0.001 微調(diào)至0.002，迭代倫次從6 增加至18，間隔為1，mini-batch size 超參數(shù)從15 增加至40，間隔為5，當(dāng)訓(xùn)練集與驗(yàn)證集準(zhǔn)確度均是100%則保存模型為最佳模型用于后續(xù)的工程應(yīng)用。圖10 所示是最終訓(xùn)練結(jié)果的混淆矩陣，訓(xùn)練集和驗(yàn)證集預(yù)測(cè)結(jié)果均與真實(shí)標(biāo)簽相符。

圖10 最終模型混淆矩陣

訓(xùn)練結(jié)束后，保存最佳模型用于工程應(yīng)用驗(yàn)證，以測(cè)試模型的有效性和泛化能力。將幾個(gè)月后采集的1 573 條新信號(hào)送入判別模型進(jìn)行識(shí)別，判別的準(zhǔn)確度為99.3%。除了識(shí)別準(zhǔn)確度，識(shí)別速度也是深度學(xué)習(xí)算法的重要指標(biāo)之一。經(jīng)試驗(yàn)本算法判別一條信號(hào)所需時(shí)間約為0.07 s，滿足實(shí)際應(yīng)用的實(shí)時(shí)性要求。

3 總結(jié)與展望

針對(duì)地下綜合管廊的安全防控需求，設(shè)計(jì)研制了一種基于分布式光纖振動(dòng)傳感技術(shù)的地下管廊入侵監(jiān)測(cè)系統(tǒng)。系統(tǒng)采用分布式光纖馬赫曾德?tīng)枺_格納克混合干涉結(jié)構(gòu)，結(jié)合裝置將井蓋開(kāi)關(guān)行為轉(zhuǎn)化成對(duì)光纜的振動(dòng)沖擊，利用一維卷積神經(jīng)網(wǎng)絡(luò)算法對(duì)振動(dòng)沖擊信號(hào)做模式識(shí)別，通過(guò)監(jiān)測(cè)井蓋開(kāi)關(guān)實(shí)現(xiàn)對(duì)地下管廊入侵行為監(jiān)測(cè)的效果。經(jīng)過(guò)現(xiàn)場(chǎng)后續(xù)的實(shí)地測(cè)試，該系統(tǒng)可以有效區(qū)分監(jiān)測(cè)事件和干擾事件，識(shí)別準(zhǔn)確率高于99%，判別實(shí)時(shí)性高。今后，將進(jìn)一步豐富干擾信號(hào)的數(shù)據(jù)集，采集其他的干擾信號(hào)納入訓(xùn)練，以提高判別模型的準(zhǔn)確率。