基于光栅阵列的周界入侵振动信号识别方法研究

作     者：曾庆龙 

作者单位：长春工业大学 

学位级别：硕士

导师姓名：江虹

授予年度：2024年

学科分类：080202[工学-机械电子工程] 08[工学] 0802[工学-机械工程] 

主      题：周界安防 超弱光纤光栅阵列 特征提取 模式识别 卷积神经网络 

摘      要：与传统的周界安防技术相比,基于光纤传感原理的周界安防技术具有不受电磁干扰、灵敏度高、绝缘性好、耐腐蚀、受环境干扰影响小等优点。随着光纤传感技术的快速发展,人们对光纤传感网络的复用容量等要求也越来越高,基于超弱光纤光栅(Ultra-weak Fiber Bragg Grating,UWFBG)阵列的周界安防系统因其所具有的分布式和大规模复用等优点,在周界安全领域的应用也越发广泛。本文从光栅阵列传感基本理论、周界安防系统搭建、信号特征提取及模式识别、振动信号识别测试四个环节入手,通过研究入侵振动信号处理方法来提高周界入侵信号识别率。 首先本文在研究光栅阵列基本原理和传感理论的基础上,搭建了基于UWFBG阵列的周界安防系统,通过对几种信号分解算法进行分析对比,提出一种VMDMFE周界安防入侵事件识别方法,该方法使用变分模态分解(Variational Mode Decomposition,VMD)对采集的信号进行分解,利用信号相关性原理选择最佳分量并提取其多尺度模糊熵(Multi-scale Fuzzy Entropy,MFE),结合信号过零率(Zero Crossing Rate,ZCR)共同组成特征向量,最终将所得特征向量输入到Sigmoid函数拟合的支持向量机(Support Vector Machine,SVM)进行分类识别,通过与其他几种信号分解方法以及不同分类器输出的分类结果进行对比,证明了该入侵信号识别方案的有效性。 其次针对周界安防系统中入侵信号特征提取环节存在的流程复杂、依赖专家知识以及浅层结构特征学习能力不足等问题,提出了ms CNN-LSTM振动信号识别方法,该方法首先使用改进的多尺度卷积神经网络(ms CNN)提取信号的多尺度结构特征,在每一层的结尾将提取的多尺度特征进行融合并对其重标定,最后将重标定的特征输入到长短期记忆(Long Short-term Memory,LSTM)神经网络中分析时间依赖性并输出分类结果。所提方法既能提取振动信号的多尺度结构特征又能分析其时间依赖性,可以更准确的识别入侵行为。 最后构建了入侵信号数据集,采集包含五种入侵事件的12730组信号,利用该数据集对ms CNN-LSTM模型进行训练与测试,并在测试集中将其与1D-CNN、CNN-LSTM、MS-CNN-LSTM以及分布式声传感(Distributed Acoustic Sensing,DAS)系统中两种模型的识别结果进行了对比。测试结果表明:本文提出的ms CNN-LSTM模型能有效识别五种典型入侵行为,10次随机测试平均识别准确率达到97.84%,其性能优于其他三种对比模型以及DAS中的两种模型。