一种基于AI的光纤振动波形信号分析识别方法
光纤振动监测系统用光缆进行振幅信息的感知，监测主机会周期性的采集光缆上的振幅信息，我们无法直接从采集的振动波形数据上，分辨识别出是什么振动行为的振动波形。本文介绍基于人工智能的波形信号分析方法。
光纤振动波形信号分析，通过深度学习识别行为分类，准确率达93%
一、背景信息
光纤振动监测系统用光缆进行振幅信息的感知，监测主机会周期性的采集光缆上的振幅信息。 当外界光缆进行扰动时，光缆振动，监测主机高速采集振幅信号，获得光缆上每个点的振幅波形数据。 但我们无法直接从采集的振动波形数据上，分辨识别出是什么振动行为的振动波形，例如在油气管线的监测场景中，需要识别出是施工挖掘，车辆经过，机器作业等场景，而在围栏应用中，需要识别出是入侵行为，还是周边环境的振动噪音等情况。
二、光纤振动的信号格式
光缆振幅值我们假设是0-30000区间范围，一个位置的光缆振幅数据采样频率为20Hz的话，那么一秒钟我们就会得到该位置的数据为一个一维数组, 格式为：[1000,1500,1800,3200,5300,...2100,4100] 共20个数据。
我们把该数据可视化到图形上，可以得到如下得波形图。
三、现场数据采集
不同的场景下，光纤振动监测系统采集到波形数据是不一样的，我们在生产环境现场采集到安静环境下的数据，人在安静环境下行走的数据，噪音环境下数据，行人在噪音环境下的数据，水泵作业时的数据，人在水泵作业下行走的数据。
我们调出来这几类的场景下的波形图，可以看到，通过我们的肉眼基本是识别不出来每张图片对应的类别。
四、AI深度学习训练模型
以上我们可知，其实这个场景，可以通过有监督的深度学习来解决， PyTorch：PyTorch是使用GPU和CPU优化的深度学习张量库。
我们使用PyTorch这个框架，通过卷积神经网络，对大量的样本提取特征，获取数据集，并对数据集进行预处理, 进行模型训练，生成模型。
通过对原始数据进行预处理，定义网络结构（这个可以根据不同的波形采样频率，场景定义不同的网络结构），定义损失和优化器，训练网络，并从验证集中进行验证。
我们通过对27000个样本数据进行训练，然后随机挑选10000个样本进行识别测试，发现识别率还是挺高的，达到了93%。
理论上，样本更多，更丰富，我们这个识别率会更精准，后面慢慢完善升级改进。
五、应用训练好的模型到生产环境中
把训练好的模型，部署到服务中，通过RestAPI的方式提供服务， 现场光纤振动监测系统采集到一个波形后，调用服务识别API，获取该波形数据对应的分类，从而达到分类的目的。 下图是我们产品中集成AI识别服务的效果图。
六、合作
有类似信号识别分类需求，可以联系我们聊一聊。 电话：13427781756（微信同号）
