CN113670432B

CN113670432B - 振动信息自感知识别与自供能传感系统的识别方法

Info

Publication number: CN113670432B
Application number: CN202110797037.1A
Authority: CN
Inventors: 徐大诚; 颜佟佟
Original assignee: Suzhou University
Current assignee: Suzhou University
Priority date: 2021-07-14
Filing date: 2021-07-14
Publication date: 2022-12-06
Anticipated expiration: 2041-07-14
Also published as: CN113670432A

Abstract

本发明涉及一种振动信息自感知识别与自供能传感系统及识别方法，包括：能量采集器，能量采集器能够感知振动信息并获取环境振动能；储能电容，储能电容用于存储能量采集器获取的环境振动能；电压比较器，其提供预设电压值，当储能电容的电压达到预设电压值时，储能电容给传感系统供电；微处理器，其获取能量采集器感知振动信息的交流电压信号，并对振动信息的交流电压信号进行识别，获得识别结果；无线发射模块将识别结果发出。其实现振动信息感知和振动能量转换的一体化，并且，采用一维卷积神经网络算法直接处理能量采集器输出信号，通过算法本身提取特征，避免了繁杂的特征工程。

Description

振动信息自感知识别与自供能传感系统的识别方法

技术领域

本发明涉及传感系统技术领域，尤其是指一种振动信息自感知识别与自供能传感系统及识别方法。

背景技术

近年来，无线传感节点发展迅速，在智能家居、环境监测、可穿戴设备等领域应用十分广泛。传感器是无线传感节点工作的基础，是外界信息输入的最主要途径。振动是自然界最普遍的现象之一，振动状态的识别对于现场感知、环境监测和信息研判显得尤为重要。例如，在石油管线、野外围栏和要地目标的监控中，快速识别出监测目标的振动类型(如对石油管线、围栏等的敲击破坏)对于设备安全运行具有重要意义。

能够测量振动参数的传感器统称为振动传感器，在工程技术领域中经常通过在设备上放置振动传感器获取振动数据来识别设备的运行状态。加速度传感器具有生产工艺成熟、动态范围大、安装方便等特点，因而通常用作振动检测传感器。然而，加速度传感器需要采用电池供电才能获取相关数据。因此，在工作一段时间后，基于加速度传感器的振动状态检测系统将因为电能耗尽而停止工作。

发明内容

为此，本发明所要解决的技术问题在于克服现有技术中传感系统因电能耗尽而停止工作的技术问题

为解决上述技术问题，本发明提供了一种振动信息自感知识别与自供能传感系统，包括：

能量采集器，所述能量采集器能够感知振动信息并获取环境振动能以给传感系统供电；

储能电容，所述储能电容用于存储能量采集器获取的环境振动能；

电压比较器，其与能量采集器和储能电容连接，所述电压比较器提供预设电压值，当所述储能电容的电压达到预设电压值时，所述储能电容给传感系统供电；

微处理器，其与电压比较器和能量采集器连接，所述微处理器获取能量采集器感知振动信息的交流电压信号，并对所述振动信息的交流电压信号进行识别，获得识别结果；

无线发射模块，其与微处理器连接，所述无线发射模块将识别结果发出；

其中，当无线发射模块发出一次信息后，储能电容电压下降至低于预设电压值。

作为优选的，所述能量采集器与电压比较器之间还连接有整流桥。

作为优选的，所述微处理器与能量采集器之间设置有A/D转换模块，所述A/D转换模块将所述能量采集器感知的振动信息转化为数字信号。

作为优选的，所述微处理器为STM32L。(代指低功耗系列微处理器)

本发明公开了一种振动信息自感知识别与自供能传感系统的识别方法，基于上述的振动信息自感知识别与自供能传感系统，微处理器对振动信息的交流电压信号进行识别，获得识别结果，包括以下步骤：

获取数据集，对所述数据集进行处理，获得样本数据；

构建一维卷积神经网络模型；

通过样品数据对所述一维卷积神经网络模型进行训练，获得训练后的一维卷积神经网络模型；

将训练后的一维卷积神经网络模型部署在微处理器上，通过微处理器实现待检振动模式的实时识别。

作为优选的，所述一维卷积神经网络模型，包括依次设置的：

局部均值池化层，所述局部均值池化层对数据进行滤波处理，获得滤波后的数据；

融合特征提取模块，所述融合特征提取模块对所述滤波后的数据进行特征提取，获得融合特征；

一维卷积单元，所述一维卷积单元对所述融合特征做进一步特征提取，获得深层次的特征；

全局最大池化层，所述全局最大化池化层对深层次特征做降维处理，获得降维后的特征；

全连接层，所述全连接层对降维后的特征进行分类处理。

作为优选的，所述融合特征提取模块包括：

长卷积核，所述长卷积核对滤波后的数据进行特征提取，获得长期特征；

短卷积核，所述短卷积核对滤波后的数据进行特征提取，获得短期特征；

融合单元，所述融合单元将所述长期特征与短期特征进行特征融合，获得融合特征。

作为优选的，所述全局最大池化层之前采用Dropout技术以防止网络对训练数据过拟合。

作为优选的，所述获取数据集，具体包括：

将能量采集器放置在实际振动环境中,获取不同振动模式下的输出电压信号数据集；

采集两种振动模式下能量采集器输出的电压信号，获取两个长时间序列。

作为优选的，所述对所述数据集进行处理，获得样本数据，包括：

对于两种振动模式下采集到的两个长时间序列，分别从第一个数据开始遍历，当某一数据大于预设电压值时，以该数据为起点取连续数据作为一个样本并打上标签。

本发明的上述技术方案相比现有技术具有以下优点：

1、本发明采用能量采集器实现振动信息感知和振动能量转换的一体化，实现信息感知与自供能均由同一个能量采集器完成。

2、本发明提出一种振动模式识别方法，不同于现有技术中广泛使用的传统机器学习算法，本发明采用一维卷积神经网络算法直接处理能量采集器输出信号，通过算法本身提取特征，避免了繁杂的特征工程；此外，本发明对模型结构进行设计以减少模型的参数量、计算量，以便能将模型部署在微处理器上。

3、本发明提出一种自感知、自供能振动状态识别系统，其利用能量采集器收集环境振动能给系统供电，同时也作为传感元件进行信息感知；而设计电压比较电路实现电能管理，加入低功耗微处理器实现智能信息处理，通过无线发射模块发送识别结果，最终该系统可以作为一个完整的自供能无线传感节点，且能够实现丰富、多样的振动状态识别。

附图说明

图1为本发明振动信息自感知识别与自供能传感系统示意图；

图2为一维卷积神经网络模型的结构示意图；

图3为工作流程图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。

参照图1-图3所示，本发明的振动信息自感知识别与自供能传感系统，包括能量采集器、储能电容、电压比较器、微处理器和无线发射模块。其中，能量采集器可为压电能量采集器。

能量采集器能够感知振动信息并获取环境振动能以给传感系统供电。储能电容用于存储能量采集器获取的环境振动能。电压比较器与能量采集器和储能电容连接，电压比较器提供预设电压值，当储能电容的电压达到预设电压值时，储能电容给传感系统供电。微处理器与电压比较器和能量采集器连接，微处理器获取能量采集器感知振动信息的交流电压信号，并对振动信息的交流电压信号进行识别，获得识别结果。

无线发射模块与微处理器连接，无线发射模块将识别结果发出。

能量采集器与电压比较器之间还连接有整流桥。整流桥可对能量采集器获取的能量进行整流。

微处理器与能量采集器之间设置有A/D转换模块，A/D转换模块将能量采集器感知的振动信息转化为数字信号。微处理器为STM32L。

本发明中，能量采集器一方面负责收集环境振动能给系统供电，另一方面用于振动信息感知。能量采集器捕获的能量通过整流桥后存储在储能电容中，而后接电压比较电路。电压比较电路用于提供一个预设电压，只有当储能电容上的电压达到预设值时，电压比较电路开启，能量采集器输出的电能开始给各电路模块自供电。此时，低功耗系列微处理器STM32L开始控制A/D 转换芯片采集能量采集器输出的交流电压信号，采集完成后运行模式识别算法并将最终的识别结果通过无线发射模块发出。无线模块发出一次信息后，储能电容电压显著降低，此时电路部分均关断并等待储能电容电压上升到阈值时重新开启。

本发明还公开了一种振动信息自感知识别与自供能传感系统的识别方法，基于上述的振动信息自感知识别与自供能传感系统，微处理器对振动信息的交流电压信号进行识别，获得识别结果，包括以下步骤：

步骤一、获取数据集，对数据集进行处理，获得样本数据；

其中，获取数据集，具体包括：将能量采集器放置在实际振动环境中,获取不同振动模式下的输出电压信号数据集；采集两种振动模式下能量采集器输出的电压信号，获取两个长时间序列。

对数据集进行处理，获得样本数据，包括：对于两种振动模式下采集到的两个长时间序列，分别从第一个数据开始遍历，当某一数据大于预设电压值时，以该数据为起点取连续数据作为一个样本并打上标签。

步骤二、构建一维卷积神经网络模型。

本发明中的一维卷积神经网络模型，包括依次设置的：局部均值池化层、融合特征提取模块、一维卷积单元、全局最大池化层和全连接层。

局部均值池化层对数据进行滤波处理，获得滤波后的数据；融合特征提取模块对滤波后的数据进行特征提取，获得融合特征；一维卷积单元对融合特征做进一步特征提取，获得深层次的特征；全局最大化池化层对深层次特征做降维处理，获得降维后的特征；全连接层对降维后的特征进行分类处理。

其中，融合特征提取模块包括长卷积核、短卷积核和融合单元。长卷积核对滤波后的数据进行特征提取，获得长期特征；短卷积核对滤波后的数据进行特征提取，获得短期特征；融合单元将长期特征与短期特征进行特征融合，获得融合特征。

全局最大池化层之前采用Dropout技术以防止网络对训练数据过拟合。

步骤三、通过样品数据对一维卷积神经网络模型进行训练，获得训练后的一维卷积神经网络模型。

步骤四、将训练后的一维卷积神经网络模型部署在微处理器上，通过微处理器实现待检振动模式的实时识别。

本发明中的振动模式识别方法，基于“数据驱动”思想，采用一维卷积神经网络实现端到端的振动模式识别，避免繁杂的特征工程，包括如下步骤：

通过A/D转换芯片单次采集能量采集器的输出电压信号，当采集到的电压大于2V时再连续采集1000个点作为算法的输入数据；

算法具体模型结构参见图2，模型的输入为上一步中采集到的1000个数据。第一层为局部均值池化层，均值池化操作类似于信号处理中的滑动均值滤波，在降低数据维度的同时能滤除一些随机噪声。随后第二层通过长短两种尺度的卷积核同时进行卷积操作提取特征，继而将提取到的长期特征和短期特征进行特征融合(上下拼接融合)。第三层对得到的融合特征再进行一维卷积操作以提取更深层次的特征，而后第四层为全局最大池化层极大地降低数据维度，最后再通过第五层全连接层实现分类。全连接层前采用Dropout 技术以防止网络对训练数据过拟合。

下面，结合具体实施例，对本发明的技术方案做进一步说明。

以识别围栏等防护设备上发生的人为摇晃和锤子敲击事件为例，基于能量采集器实现振动信息感知与模式识别。具体实施步骤为：

(1)数据采集。将能量采集器放置于围栏中央位置，由三名测试人员以不同强度、不同频率分别摇晃和敲击围栏，通过A/D转换芯片ADS1015以2kHz 采样率采集这两种振动模式下能量采集器的输出电压信号，最终获取两个长时间序列。

(2)样本构造。对于两种振动模式下采集到的两个长时间序列，分别从第一个数据开始遍历，当该点电压大于2V时，以该点为起点取连续的1000 个数据作为一个样本并打上标签(摇晃为0、敲击为1)，随后再重复这个过程。为了保持两类样本数平衡，摇晃和敲击两种振动模式下分别构造800个样本，共计构造1600个数据样本。

(3)模型结构设计。设计模型结构如图2所示，该网络模型能够在提取信号多尺度特征的同时减少模型的计算量。

(4)模型训练。在PC机上完成对模型的参数训练，软件环境为Python 语言和TensorFlow深度学习框架。模型的输入为1000×1的一维向量，首先设置均值池化窗口为5、滑动步长为5，因此进入第二层的数据为200×1的一维向量。第三层卷积核宽度设置为3、滑动步长为1，着重探讨第二层长短卷积核的宽度设计并通过实验寻找相对最优的参数组合。模型的损失函数为交叉熵函数，优化算法为Adam，初始学习率设为0.0001。对于构造的1600个样本数据，70％用于训练，余下的30％作为测试集。模型的评价指标为准确率，即模型正确分类的样本个数占总个数的比例。每组参数进行1500次迭代以确保模型损失函数收敛，准确率达到最高。为了防止网络过拟合，训练时 Dropout的概率设为0.8。每次模型开始训练之前，模型的所有参数采用一些小随机数进行随机初始化。表1为不同参数组合下分类准确率对比，横向单元格为两层卷积层C1、C2的过滤器数量，纵向单元格为第二层卷积层C1长、短卷积核的宽度设置，滑动步长均设为2，考虑到随机初始化参数可能会对模型的分类结果产生影响，每组参数组合均以10次实验结果的平均值作为最终的结果。

表1

(5)模型移植，即将模型部署在微处理器上。为了既能取得较高的准确率，模型的参数量又相对较少，综合对比下最终设计C1层长短卷积核宽度为(10，2)，两层过滤器的数量分别为(8，16)，此时模型的分类准确率为95.2％。在KeilμVision5开发环境中创建模型的测试工程，将Python中训练好的参数以数组的形式定义在程序中。程序编写完成后，编译程序并在信息输出窗口查看工程占据的内存大小，具体占用空间大小如表2所示。由表2可以计算出微处理器Flash被占用的空间为15.5KB，内部RAM使用的空间为 44.1KB。

表2

(6)系统测试。为了验证系统在实际测试时的识别准确率，通过在一段较长时间内连续敲击或摇晃围栏，计算该段时间内系统的识别准确率。软件工作流程图参见图3，若识别结果为敲击则发送1，若为摇晃则发送2，若没有检测到事件发生则发送0。最终对敲击和摇晃分别测试三分钟时间，计算可得敲击的实际识别准确率为95.0％，摇晃的实际识别准确率为97.5％，总体识别准确率为96.2％。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

显然，上述实施例仅仅是为清楚地说明所作的举例，并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims

1.一种振动信息自感知识别与自供能传感系统的识别方法，基于振动信息自感知识别与自供能传感系统，其特征在于，微处理器对振动信息的交流电压信号进行识别，获得识别结果，包括以下步骤：

获取数据集，对所述数据集进行处理，获得样本数据；

构建一维卷积神经网络模型；

通过样本数据对所述一维卷积神经网络模型进行训练，获得训练后的一维卷积神经网络模型；

将训练后的一维卷积神经网络模型部署在微处理器上，通过微处理器实现待检振动模式的实时识别;

其中，所述获取数据集，具体包括：

将能量采集器放置在实际振动环境中, 获取不同振动模式下的输出电压信号数据集；

采集两种振动模式下能量采集器输出的电压信号，获取两个长时间序列；

所述对所述数据集进行处理，获得样本数据，包括：

其中，对于两种振动模式下采集到的两个长时间序列，分别从第一个数据开始遍历，当某一数据大于预设电压值时，以该数据为起点取连续数据作为一个样本并打上标签；

其中，所述一维卷积神经网络模型，包括依次设置的：

全局最大池化层，所述全局最大池化层对深层次特征做降维处理，获得降维后的特征；

全连接层，所述全连接层对降维后的特征进行分类处理；

所述融合特征提取模块包括：

融合单元，所述融合单元将所述长期特征与短期特征进行特征融合，获得融合特征；

其中，振动信息自感知识别与自供能传感系统，包括：

2.根据权利要求1所述的振动信息自感知识别与自供能传感系统的识别方法，其特征在于，所述全局最大池化层之前采用Dropout技术以防止网络对训练数据过拟合。

3.根据权利要求1所述的振动信息自感知识别与自供能传感系统的识别方法，其特征在于，所述能量采集器与电压比较器之间还连接有整流桥。

4.根据权利要求1所述的振动信息自感知识别与自供能传感系统的识别方法，其特征在于，所述微处理器与能量采集器之间设置有A/D转换模块，所述A/D转换模块将所述能量采集器感知的振动信息转化为数字信号。

5.根据权利要求1所述的振动信息自感知识别与自供能传感系统的识别方法，其特征在于，所述微处理器为STM32L。