水下无人系统学报
Journal of Unmanned Undersea Systems
2024年第4期
基于深度学习的水下爆炸关键信号识别方法
署名作者：
周稹先1,2, 洪峰1, 许伟杰1, 张涛1, 陈峰1
作者单位：
1. 中国科学院声学研究所 东海研究站, 上海, 201815
2. 中国科学院大学, 北京, 100049
摘要
水下爆炸试验采集的数据量庞大并掺杂大量无用数据, 为保护数据不受爆炸的影响, 试验时需要优先将关键数据识别并存储。针对此, 文中提出一种将特征提取方法和深度学习模型相结合的关键信号识别模型, 以提升对关键信号识别的准确率。首先, 研究了不同预处理方法对水下爆炸加速度信号趋势项的去除效果, 并用已有试验结果证明小波包分解法、经验模态分解法和高通滤波法可较好地提升模型的识别性能; 其次, 为使提取的特征更有利于区分爆炸段与非爆炸段, 提出一种针对水下爆炸加速度信号的基于类间方差比的特征提取方法, 基于水下爆炸实测加速度信号数据可知, 相比于Log Mel特征, 文中提出的特征用K-means方法分类准确率提升约4.92%; 最后, 引入添加SE-Res2Block模块的ECAPA-TDNN模型, 该模型具有更好的识别准确率, 以文中提出的特征作为输入, 识别准确率达99.31%。
引言
为应对水中兵器爆炸对舰船造成的严重威胁, 舰船需要具备更强的抗爆抗冲击能力[1]。现阶段, 虽然有限元仿真等数值分析方法得到了飞速发展[2], 但由于水下爆炸现象涉及到温度传递以及固液气之间的复杂相互作用, 数学物理模型很难准确模拟爆炸过程的实质, 因此, 水下爆炸试验对于评估武器毁伤威力和舰船抗武器冲击能力至关重要, 在试验中获取的压力、加速度及应变等数据, 对于研究舰船抗爆和抗冲击能力起着关键作用。例如, Jin等[3]基于水下爆炸冲击波和二次气泡脉冲的特性, 研究了水下爆炸震源函数的数学表达式; Chung等[4]通过水下爆炸试验和仿真, 对动力和鞭打现象进行了验证, 并将试验与仿真结果进行了比较, 可为水下爆炸仿真技术的改进提供参考; 杜志鹏等[5]针对近距离水下爆炸, 提出泡沫覆盖层钢板水下爆炸气泡射流防护机理。
水下爆炸试验的数据量巨大, 但关键数据仅集中在其中几秒内, 而爆炸可能引起原始数据的损坏, 需要在实时测量过程中优先将含有爆炸信息的部分信号识别并存储, 并设计关键信号识别算法对爆炸时刻进行判别, 这就需要对爆炸信号的时频特征深入挖掘。针对此, 范志强等[6]提出, 由于爆炸信号具有突变快、持续时间短的特点, 属于较宽频率分布的非平稳随机信号, 无法通过傅里叶变换(Fourier transform, FT)获取爆炸信号的全部特征; Rezaee等[7]用改进的经验模态分解法提高了对振动信号分解的精度, 更好地分离出与频率相似的成分; 蒲坚等[8]对实测爆炸信号进行了时频分析, 画出小波重构波形, 找出相关优势频段, 并表示优势频段包含了振动信号70%以上的能量; Rogério等[9]结合短时傅里叶变换(short-time FT, STFT)和功率比统计量, 并应用于振动信号, 展示了对振动信号进行时频分析的新方法。
目前常用的水下爆炸信号识别方法主要是基于人为设定的阈值进行人工经验判别, 系统通过实时触发方式来分析采集到的数据[10]。但由于试验的复杂性, 存在较多不确定因素, 爆炸产生的强烈震动、异物的撞击等都容易造成采集系统的虚警, 增大数据传输压力。贾振华等[11]提出一种基于瞬态压力信号识别方法, 根据超压峰值标记有效突变, 再依次判断上升时间和正作用时间, 这种方法虽一定程度降低了虚警概率, 但也提高了漏报率, 对水下爆炸信号的适用性不强; Prior[12]提出一种基于接收者操作特征(receiver operating characteristic, ROC)方法研究漏报与检测概率之间的权衡, 从ROC曲线中导出性能的数值度量, 并通过调整似然参数来最大化这一度量, 但本质上还是以阈值法对关键信号进行识别。
近年来, 基于深度学习的智能化信号处理方法被广泛应用。Zha等[13]研究了多信号检测和调制分类算法, 提出一种用于多信号检测和调制信号识别的深度学习框架; Zhong等[14]构建了一个集成的深度学习卷积神经网络(convolutional neural networks, CNN)模型, 将白鲸检测分类为真或假; Júlio等[15]结合专家知识与CNN进行了被动声呐的信号分类。
水下爆炸加速度信号是由舰船冲击加速度测量所得, 是各种测量类型中最主要的物理量, 主要用于获取人员、设备和系统的冲击输入和响应[16]。对于水下爆炸加速度信号来说, 其关键数据为爆炸发生前后约2 s的数据, 其主要频段集中在5~30 kHz, 为使得该关键数据段能够被准确识别, 需要设计一套用于水下爆炸加速度信号的关键数据识别算法。
针对此, 文中研究了不同预处理方法对水下爆炸加速度信号趋势项的去除效果, 受Log Mel特征的启发, 基于类间方差比提出一种全新的时频特征, 该特征更利于水下爆炸加速度信号的处理。同时, 针对实测的水下爆炸加速度信号, 首先进行了必要的预处理和特征提取, 包括对信号进行分帧处理, 将其划分为爆炸段和非爆炸段, 并提取相应的特征; 随后, 将经过特征提取的数据输入到深度神经网络中进行训练, 并建立了一个识别性能优秀的能够有效识别爆炸信息的二分类模型, 为后续的毁伤分析提供了可靠的数据基础。
结束语
文中基于深度学习方法, 针对当前水下爆炸关键信号识别方法中特征表征能力不够强、识别精度不理想的问题, 从特征预处理、特征提取和识别方法等方面展开研究。
首先研究了不同趋势项去除方法对分类结果的影响, 使用多项式拟合法的分类准确率相比于其他方法下降了3%~4%, 而EMD法、高通滤波法和WPD法对分类结果无明显影响, 识别准确率相差不超过1%, 且相比于无处理方法识别准确率提升了5%~6%。其次, 研究了基于深度学习的水下爆炸关键信号识别技术, 提出了一种基于类间方差比的FBank特征, 对比可知其分类准确率提升了约4.92%, 说明特征在爆炸段与非爆炸段有了更加明显的区分, 而传统频谱和PSD方法由于仅有频域信息, 并不能完全表征爆炸的特征, 在训练中出现过拟合的情况, 对水下爆炸关键信号判别任务来说, 该方法容错性较差。在尝试多种深度学习与机器学习模型之后可知, 在ECAPA-TDNN模型基础上输入文中特征准确率比改进前提升了约2.03%, 达到了99.31%的均值准确率, 满足了对水下爆炸关键信号准确识别的要求。文中研究可为水下爆炸信号的识别工作提供参考, 未来可以从损失函数入手, 进一步提高识别的准确率。
1
END
1
参考文献略
文章有删减，原文刊登于《水下无人系统学报》2024年第32卷第4期，点击阅读原文可查看。
