基于机器学习的信号扰动自动识别系统_魏元焜.pdf

ISSN 1008-9446CN13-1265/TE承 德 石 油 高 等 专 科 学 校 学 报Journal of Chengde Petroleum College第 25 卷第 1 期，2023 年 2 月Vol 25，No 1，Feb 2023基于机器学习的信号扰动自动识别系统魏元焜，吴丹阳(辽宁机电职业技术学院，辽宁丹东118000)摘要:为及时检测交流信号的扰动和故障，避免扰动给负载电路带来损害，在虚拟仪器平台上，基于机器学习方法实现了信号扰动自动识别系统。系统以随机森林算法构建分类器，对原始信号进行频谱分析实现了信号扰动自动识别。功能验证表明，系统对常见的信号中断、幅值升高、幅值降低扰动可以达到 98%以上的识别率，可以用于实际电路保护和辅助调试。关键词:信号扰动;机器学习;随机森林;虚拟仪器;频域分析;LabVIEW;Python中图分类号:TP277文献标志码:A文章编号:1008-9446(2023)01-0051-04Automatic Signal Disturbance Identification SystemBased on Machine LearningWEI Yuan-kun，WU Dan-yang(Liaoning Mechatronics College，Dandong 118000，Liaoning，China)Abstract:In order to detect the disturbance and fault of AC signal in time and avoid damage to theload circuit caused by disturbance，an automatic signal disturbance identification system is realizedbased on machine learning method on the virtual instrument platform Based on random forest algo-rithm，the system constructs a classifier，then analyzes spectrum of the original signal，and realizesthe automatic recognition of signal disturbance The function verification shows that the recognitionrate of the system is over 98%for common signal interruption，amplitude increase and amplitude de-crease disturbances，which can be used for actual circuit protection and auxiliary debuggingKey words:signal disturbance;machine learning;random forest;virtual instrument;frequency do-main analysis;LabVIEW;Python基金项目:辽宁机电职业技术学院 2021 年院级教研课题(职业院校教学能力大赛提升电子信息工程技术专业人才培养质量的研究与实践):JYLX2021008收稿日期:2022-01-01第一作者简介:魏元焜(1987-)，男，辽宁丹东人，讲师，研究生，主要从事虚拟仪器技术教学及研究工作，E-mail:935305290 qq com。交流信号在电子信息工程技术实践和教学中广泛应用，稳定的信号源是设备安全和设备人身安全的必要条件，对电路中各测试点的交流信号及时给出故障类型指示，也会极大提高电路调试效率。因此，在设备工作期间，实时提供交流信号源输出信号状态并及时报告信号的扰动是很有必要的。以机器学习算法对信号分类是一个热门的应用方向，但交流信号直接用于机器学习不便于扰动信号的特征提取，从而降低学习效率和识别准确度。因此，本文首先对信号进行频域分析，以较少的数据维度对扰动信号进行特征提取，再基于机器学习的方法自动识别信号的扰动类型，并按此方法在虚拟仪器平台构建了信号扰动自动识别系统。系统可以实时判定交流信号的状态并识别扰动类型。1系统设计1 1系统整体框架本文设计的系统框图如图 1 所示。交流信号通过数据采集卡被计算机接收，经由虚拟仪器进行数据分析和处理。虚拟仪器分为预处理器、分类器和控制器三个部分。信号进入虚拟仪器后，首先经预处DOI:10.13377/ki.jcpc.2023.01.019承德石油高等专科学校学报2023 年第 25 卷第 1 期理器进行特征提取，以便于分类器高效分类;分类器是整个系统的核心，以机器学习算法实现交流信号扰动或正常，以及扰动类型的判断;控制器用于负载电路的保护处理，对于正常信号，自动输出给负载电路;对于过载或危险扰动，直接予以切断。经虚拟仪器软件平台分析后的信号，再由数据采集卡(虚拟仪器硬件平台)输出端口输出给负载电路。本文系统采用美国国家仪器(NI)公司的虚拟仪器平台。软件系统采用 LabVIEW 设计虚拟仪器界面和整体逻辑框架，LabVIEW 中丰富的信号处理工具可以用于频域分析，使用 LabVIEW 丰富的扩展接口可以调用 Python、MATLAB、C、C+代码，可以方便地调用其他变成语言编写的机器学习程序，整个软件系统运行于 Windows 平台上。硬件系统采用了 NI ELVIS II 电子实验平台作为数据采集卡，该实验平台与 LabVIEW 具有很好的兼容性，可以方便地进行数据分析和采集1。1 2数据预处理在机器学习中，为提高识别准确率，需要样本中包含足够丰富的特征。但当样本特征过于丰富，将会引起维数灾难，导致过拟合，反而降低了识别率2。为避免这一问题，本文将采集到的信号进行傅里叶变换，如式(1)所示，对其进行频域分析。X k=T1t=0 x n ejk2Tn(1)图 2 以 100 Hz 正弦信号为例，给出了信号的时域图像(见图 2(a)，对该信号进行式(1)所示傅里叶变换。傅里叶变换为对称图像，为进一步消除冗余信息，本文取单边数据，求得该信号的频谱(见图 2(b)。由图 2 可以明显看出，该信号在频域具有非常好的稀疏性，描述更加简单。因此在频域内使用较少的维度即可提取信号特征，从而降低了对分类器的要求。不同信号的数值偏差可能较大，使得信号不在同一向量空间而导致分类器识别率降低。因此需要在分类前对数据进行归一化处理。本文采取的归一化方式如式(2)所示，其中，dstd为归一化结果，dorg为原始数值，dmax和 dmin分别为可能取到的最大值和最小值。dstd=dorg dmindmax dmin(2)经过频域变换和归一化处理，数据即可提供给分类器使用了。基于 LabVIEW 实现的给定信号的数据预处理代码如图 3 所示。25魏元焜，等:基于机器学习的信号扰动自动识别系统1 3分类器构建1)分类器选择实现分类器的机器学习算法有很多，如 K 最邻近(KNN)、支持向量机(SVM)、决策树等3-4。与单一的弱分类器不同，随机森林算法是一种基于决策树的集成学习算法5，比单一决策树算法表现更好。随机森林综合了多棵差异较大的决策树预测结果，使其具有预测精度高、收敛速度快、调节参数少的优点。因此随机森林方法在当前主流的分类器和集成器中是最为优秀的模型之一。组成随机森林的不同决策树之间没有关联。当系统进行分类任务时，新的输入样本进入，令森林中的每一棵决策树分别进行判断和分类，每个决策树会得到一个自己的分类结果，决策树的分类结果中哪一个分类最多，则随机森林就会把这个结果当作最终的结果。2)分类器实现随机森林实现相对复杂，但在 Python 的机器学习包中，已经写好了大量的机器学习算法，其中就包括随机森林算法。本文 Python 中用 Scikit-Learn 工具包构建随机森林，以 andom Forest Classifier 函数构建分类器，取森林中树的个数为 n_estimators=10，树最大深度 max_depth=None 且 min_samples_split=2，即所有的叶节点含有小于 min_samples_split=2 个样本。andom Forest Classifier 函数返回一个分类器对象，即创建好的分类器。使用该对象的 fit 方法，利用给定训练样本和标签可进行分类器训练。完成训练后，即可使用该分类器的 predict 方法对实际信号扰动类型进行判别。由于本文构建的系统以 LabVIEW 编写整体框架，因此需要采用 LabVIEW 提供的 Python 接口调用决策树训练和预测程序。LabVIEW2018 以上版本提供了调用 Python 的接口，代码如图 4 所示。3)样本集构建分类器在训练时，需要使用训练集和标签。前者为常见扰动信号，后者为种类。本文选取了标准信35承德石油高等专科学校学报2023 年第 25 卷第 1 期号和 3 种常见的扰动信号类型，并在此基础上对幅值、频率和相位在一定范围内进行随机变动，构成样本集。每种样本集构建1 000 个样本。每个样本集随机选取400 个样本作构成训练集，剩余600 个样本作为测试集。作为举例，本文在每个样本集中随机选取了一个样本，在图 5 中给出。2功能验证本文在 Intel Core i8550 3 0 GHz、8 GB 的计算机上进行了功能验证。软件平台为 LabVIEW2018 和 Python3 9，LabVIEW 编写软件整体框架和虚拟仪器面板(即软件界面)如图 6 所示，Python 实现随机森林算法，以 LabVIEW 的 Python 节点调用 Python 程序以实现二者混合编程。硬件平台为 NI ELVIS II，该平台集成了多于 20 个数字 IO 通道、高精度模拟 IO 通道以、示波器、万用表和信号发生器等常用电子仪器，专门用于基于虚拟仪器的电子测量。本文在 NI ELVIS II AI0+和 AGND 之间采集电压信号，将检测安全的信号从 AO0+和 AGND之间输出，对于存在潜在风险的扰动信号，虚拟仪器(LabVIEW 程序)会直接切断。本文取归一化参数 dmax=100，dmin=0，以常见的 KNN 算法作为对比，验证了随机森林分类器的性能。其中，KNN 算法取 K=5，随机森林算法参数和 2 3 小节一致。以 2 3 小节设计的训练集进行训练，以 KNN 和随机森林算法判定四种类型信号测试集的种类，定义正确识别率，如式(3)所示，其中 Sr为样本集内被正确识别的样本数，S 为样本集内所有样本数。KNN 和随机森林分类器识别结果如图7 所示。=SrS 100%(3)(下转第 71 页)45宋晓明:职业教育阶段开展生产安全教育教学模式探讨的知识和安全操作技能进行项目化综合考评，对工作过程和结果进行评价和总结。总评成绩中过程化考核占比 60%，终结性考核占比 40%。3 2生产安全教育技能化与应急管理部门、专业安全技术服务公司开展政、校、企合作，面向在校生开展安全管理人员、特种设备作业和特种作业培训取证服务，使学生们带着从业资格证踏上工作岗位，减少或缩短企业岗前安全培训，学生直接步入相应工作岗位，为工业企业培养输送具备较强安全管理能力或安全作业能力的高层次技术人才。4结语职业教育阶段开展实施生产安全教育不仅仅是职业院校的职责所在，更是对生产企业负责、对国家和社会负责。在学生培养过程中，将安全生产教育融人到专业教育教学中，在理论教学过程中引入安全生产及相关管理知识，在实习实训中强化学生对安全技能操作、劳动防护用品使用、应急救援的认识与实践。将生产安全教育窗口前移，实现职业院校在专业教学中循序渐进地实施专业化的安全教育及其知识、技能培训，充分发挥高校专业教学优