一種基于AI的光纖振動波形信號分析識別方法
光纖振動監(jiān)測系統(tǒng)用光纜進行振幅信息的感知，監(jiān)測主機會周期性的采集光纜上的振幅信息，我們無法直接從采集的振動波形數(shù)據(jù)上，分辨識別出是什么振動行為的振動波形。本文介紹基于人工智能的波形信號分析方法。
更多產(chǎn)品
光纖振動波形信號分析，通過深度學(xué)習(xí)識別行為分類，準(zhǔn)確率達93%
一、背景信息
光纖振動監(jiān)測系統(tǒng)用光纜進行振幅信息的感知，監(jiān)測主機會周期性的采集光纜上的振幅信息。 當(dāng)外界光纜進行擾動時，光纜振動，監(jiān)測主機高速采集振幅信號，獲得光纜上每個點的振幅波形數(shù)據(jù)。 但我們無法直接從采集的振動波形數(shù)據(jù)上，分辨識別出是什么振動行為的振動波形，例如在油氣管線的監(jiān)測場景中，需要識別出是施工挖掘，車輛經(jīng)過，機器作業(yè)等場景，而在圍欄應(yīng)用中，需要識別出是入侵行為，還是周邊環(huán)境的振動噪音等情況。
二、光纖振動的信號格式
光纜振幅值我們假設(shè)是0-30000區(qū)間范圍，一個位置的光纜振幅數(shù)據(jù)采樣頻率為20Hz的話，那么一秒鐘我們就會得到該位置的數(shù)據(jù)為一個一維數(shù)組, 格式為：[1000,1500,1800,3200,5300,...2100,4100] 共20個數(shù)據(jù)。
我們把該數(shù)據(jù)可視化到圖形上，可以得到如下得波形圖。
三、現(xiàn)場數(shù)據(jù)采集
不同的場景下，光纖振動監(jiān)測系統(tǒng)采集到波形數(shù)據(jù)是不一樣的，我們在生產(chǎn)環(huán)境現(xiàn)場采集到安靜環(huán)境下的數(shù)據(jù)，人在安靜環(huán)境下行走的數(shù)據(jù)，噪音環(huán)境下數(shù)據(jù)，行人在噪音環(huán)境下的數(shù)據(jù)，水泵作業(yè)時的數(shù)據(jù)，人在水泵作業(yè)下行走的數(shù)據(jù)。
我們調(diào)出來這幾類的場景下的波形圖，可以看到，通過我們的肉眼基本是識別不出來每張圖片對應(yīng)的類別。
四、AI深度學(xué)習(xí)訓(xùn)練模型
以上我們可知，其實這個場景，可以通過有監(jiān)督的深度學(xué)習(xí)來解決， PyTorch：PyTorch是使用GPU和CPU優(yōu)化的深度學(xué)習(xí)張量庫。
我們使用PyTorch這個框架，通過卷積神經(jīng)網(wǎng)絡(luò)，對大量的樣本提取特征，獲取數(shù)據(jù)集，并對數(shù)據(jù)集進行預(yù)處理, 進行模型訓(xùn)練，生成模型。
通過對原始數(shù)據(jù)進行預(yù)處理，定義網(wǎng)絡(luò)結(jié)構(gòu)（這個可以根據(jù)不同的波形采樣頻率，場景定義不同的網(wǎng)絡(luò)結(jié)構(gòu)），定義損失和優(yōu)化器，訓(xùn)練網(wǎng)絡(luò)，并從驗證集中進行驗證。
我們通過對27000個樣本數(shù)據(jù)進行訓(xùn)練，然后隨機挑選10000個樣本進行識別測試，發(fā)現(xiàn)識別率還是挺高的，達到了93%。
理論上，樣本更多，更豐富，我們這個識別率會更精準(zhǔn)，后面慢慢完善升級改進。
五、應(yīng)用訓(xùn)練好的模型到生產(chǎn)環(huán)境中
把訓(xùn)練好的模型，部署到服務(wù)中，通過RestAPI的方式提供服務(wù)， 現(xiàn)場光纖振動監(jiān)測系統(tǒng)采集到一個波形后，調(diào)用服務(wù)識別API，獲取該波形數(shù)據(jù)對應(yīng)的分類，從而達到分類的目的。 下圖是我們產(chǎn)品中集成AI識別服務(wù)的效果圖。
六、合作
有類似信號識別分類需求，可以聯(lián)系我們聊一聊。 電話：13427781756（微信同號）
