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。
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。
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。
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。
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。
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。
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)