基于FPGA的微震信号快速识别系统设计*

贾梦欢, 庹先国,, 沈 统, 荣文钲, 王亚娟

(1.西南科技大学 信息工程学院,四川 绵阳 621010； 2.四川理工学院,四川 自贡 643000；3.成都理工大学 地质灾害防治与地质环境保护国家重点实验,四川 成都 610059)

0 引 言

微震的准确初至拾取是进行精确微震定位的先决条件[1],而微震信号的初至拾取与信号的采样率密切相关。采样率越高时间分辨也就越高,因此采用较高采样率进行数据采集将提高初至拾取精度,有利于精确定位震源。高采样率的微震数据监测固然可以提高初至拾取精度,但由于微震监测的长期性、实时性的要求,必将导致庞大的数据量,给微震信号的存储与传输造成极大的困难[2,3]。而且在海量的监测信号中只有极少的数据为微震信号,大部分为背景噪声,因此对微震信号的自动识别变得极为重要。对微震信号进行识别可以有效地去除冗余,同时保存有效微震信号。

目前微地震信号的自动识别方法主要有STA/LTA算法[4]、W-AIC算法[5]、神经网络法[6]、小波变换法[7]等。地震数据采集通常由低功耗的微控制器构成,其运算速度和存储能力极其有限,因此要在上面实现的震动数据识别算法,应具有简单、有效、实时性高的要求。目前微震识别算法中应用最为广泛的是STA/LTA算法[8],该算法具有简单、高效、适合实时处理的优点。

针对微震信号自动识别算法的复杂性、地震数据量的庞大性等问题,传统的单片机已无法满足高采样率下地震数据的实时处理的要求。本文提出采用现场可编程门阵列(field programmable gate array,FPGA)实现微地震信号的同步采集与自动识别。FPGA具有流水线并行处理的优势,运算速度快,适合实时处理[9,10]。因此通过FPGA进行地震数据并行同步采集,在FPGA内嵌FIR滤波与STA/LTA算法内核,可以实现微震信号的自动识别,降低数据的冗余度,减小数据存储与传输的压力。

1 STA/LTA算法原理

STA/LTA算法是利用长短时窗内的能量平均值的比值来进行微震信号自动检测与初至拾取的一种方法。STA反映微震信号的变化趋势,LTA反映噪声信号的变化情况。当没有微震信号时,STA与LTA内均为噪声其平均值相等,因此比值为1。当微震信号来临时,STA较LTA变化快,其STA/LTA会有明显的增大,当比值大于某个阈值时,即可判断微震信号来临,从而实现微震信号的自动识别。STA/LTA算法微震信号识别原理如图1所示。

图1 STA/LTA算法微震信号识别原理

STA/LTA的公式

(1)

(2)

STA(i)/LTA(i)≥R

(3)

式中i为采样时刻,N为短时窗的长度,M为长时窗的长度,R为触发阈值,CF为信号的特征函数。如图1所示,长、短时窗起点重合从左到右滑动,信号从右边同时进入长短时窗,信号在短时窗内的变化灵敏度较高,因此可以灵敏地检测震动信号。

2 震动信号快速识别实现

2.1 总体设计

整体设计包括AD采样逻辑控制模块、异步先入先出(first-in,first-out,FIFO)模块、SDRAM控制器模块、信号识别模块、SDIO控制模块、以太网发送模块。AD采样逻辑控制模块实现震动数据的采集,采用异步FIFO与SDRAM相结合的方式保证了数据的完整性,数字信号处理模块主要实现了FIR滤波和微震信号的识别,SD卡用于存储原始数据,当信号识别成功则触发SD卡控制模块读取相对应的指定长度的原始数据,并将其通过以太网模块发送至上位机。本文重点阐述信号的采集、缓存与识别过程。震动信号快速识别框图如图2所示。

图2 微震动快速识别框图

2.2 AD7606 模数转换

本文采用动圈式传感器拾取震动信号,采用AD7606—4模数转换芯片进行数据采集,使用其中的三个通道采集三分量地震数据,通过编写AD控制逻辑对ADC进行采样控制,FPGA通过并口读取AD7606数据。芯片起始处于空闲状态,首先拉低ad_conv,再拉高ad_conv信号。通过ad_conv信号的上升沿启动AD开始采样。然后等待BUSY信号拉低指示转换结束,最后在RD信号的上升沿连续读取三个通道的数据。ADC采样控制状态机如图3所示。

图3 A/D转换状态转移

2.3 SDRAM乒乓缓存

为了保证数据的有效性,提升SDRAM的利用效率,采用具有乒乓操作的SDRAM缓存模块对数据进行缓存处理。当第一组数据来临时将数据写入BANK1,第二组数据来时写入BANK3。当第三组数据来临,第一组数据已传输至下一个处理单元。因此将第三组数据再次写入BANK1,由此交替读写,以实现SDRAM缓存的乒乓操作。本文的SDRAM读写FIFO的容量设置为16×1 024,以满足数据读写的连续性和完整性的要求。

2.4 震动信号识别实现

根据分析STA/LTA算法的基本公式,FPGA中的信号识别单元主要包括特征值生成模块、滑动时窗均值求取模块、除法器模块,整个信号识别单元采用流水线结构进行设计。

STA/LTA实现步骤：1)将经FIR滤波模块后的数据流生成特征值;2)分别计算当前位置长短时窗的均值;3)计算STA/LTA值并与阈值对比,若出现大于阈值的数据,则判定该信号为震动数据；4)滑动到下一时窗计算STA/LTA的值。

ADC采集的微震数据流经过FIR滤波,滤除了高频干扰,提高了信号的信噪比,经滤波后的数据流使用特征函数生成特征值,本设计的特征函数采用CF(i)=X(i)2,因此特征值的生成通过调用两个乘法器IP核实现。

时窗均值的求取采取先求和再做除法操作的方式。在对长短时窗求和的过程中,如若直接求和,N个长度的时窗的数据将消耗N-1个加法器,逻辑资源消耗严重,FPGA的逻辑资源将受窗口长度的严重影响。因此采用增量更新的方式对时窗进行横向求和。在指定长度的数据时窗数据流求和的过程中,仅有窗头移出去的数据和窗尾移入的数据会对求和结果产生影响。因此针对不同位置的时窗无需重复计算时窗内全部数据的和,将寄存器里的数据移位寄存,计算新增数据与丢弃数据的差值,最终当前的求和结果即为上次的求和结果与新增差值之和。

3 测试与分析

3.1 仿真测试与分析

仪器能否准确区别噪声信号和微震信号是本设计的关键,因此选取已知噪声信号与微震信号进行识别,将MATLAB仿真识别的结果作为标准,与FPGA进行Modelsim仿真的结果进行对比以表明本文设计的合理性。仿真结果如图4所示。

图4 微震信号的STA/LTA算法仿真

图4为同一微震信号在FPGA和MATLAB上的STA/LTA算法仿真结果。图为采样率为2 kHz,采样长度为2 s的一组实测震动信号,选取触发阈值为3,图中的三个微震信号均被识别成功。仿真结果显示FPGA与MATLAB仿真的识别效果相同,表明在FPGA中实现的STA/LTA算法能够准确识别微震信号。

图5(a),(b)分别为同一噪声信号在FPGA和MATLAB上的STA/LTA算法仿真结果。采样率2 kHz,采样时长2 s,FPGA与MATLAB仿真的结果均小于等于1,未超过阈值3,因此该组信号中不包含微震信号,仅存在噪声,仿真结果与实际情况一致,仿真结果表明在FPGA中实现的STA/LTA算法能识别噪声信号。

图5 噪声信号的STA/LTA算法仿真

图4与图5的仿真测试数据表明,本设计可以区别在连续数据采集过程中的大量微震信号和噪声信号,具有较强的实用性。

3.2 快速识别测试与分析

在信号处理模块中设置标志位,用于开启和关闭计数器,通过计数器计算处理耗时。表1为在不同的采样率下,对1 s长度的数据进行处理的耗时情况。

表1 不同采样率下检测1 s数据耗时

在较高100 kHz的采样率下,处理1 s长度的数据仅需大约2.12 ms,可实现震动数据的快速检测,在数据处理耗时方面具备实时性。

3.3 数据冗余去除分析

对某建筑工地进行24 h的监测,采样率为10 kHz,每小时统计一组数据,统计数据对比如图6所示,直线代表没有震动识别算法的系统,折线为具有震动识别算法的采集系统。在与未加入震动数据识别的采集系统相比,全天数据量降低72 %。测试结果表明在连续监测的情况下,本设计可以去除大量的数据冗余,极大地减少了无效噪声数据的传输与存储。

图6 24 h内连续监测有无识别算法对比

4 结 论

本文以FPGA为平台设计了一个震动信号快速识别系统。通过编写有限状态机控制ADC数据采集,使系统具有灵活的可定制性。采用具有乒乓操作的SDRAM缓存技术,保证了数据的可靠性和稳定性。在FPGA中内嵌FIR核和STA/LTA算法内核,使其具有强大的数据处理能力。相关测试结果表明,系统能够快速识别微震动信号,具备实时性和一定的实用性,可以应用于地下厂房和隧道的微地震监测领域。在进行长期的连续监测中可以极大地减小数据冗余,减少无效噪声的空间占用,具备一定的推广价值。

本系统实现了震动信号的快速识别,减少了大量无效噪声消耗,但无法区别有规律的机械振动与微震动信号,需在后续的地震信号处理中做进一步的处理。本系统不仅可以应用于微地震数据采集,还可以应用于其他相关应用领域的数据采集中,例如：音频信号的采集,具备一定的应用价值。