基于Tsfresh-BP的电磁脉冲识别

孙 佳,马 航,贾子良,刘辉翔,陈雯柏

(北京信息科技大学, 北京 100192)

0 引言

信息时代的到来和微电子技术的发展使得对电磁敏感的微电子设备获得了空前广泛的应用,核爆炸产生的电磁脉冲、自然环境中的电磁脉冲还有非核技术产生的高功率电磁脉冲都会对微电子设备造成暂时性故障或永久性损坏,尤其是集成化程度更高的超大规模集成电路受电磁脉冲干扰的程度更严重[1-2]。因此,研究不同种高功率电磁脉冲的耦合特性对保障军、民信息设备安全稳定运行都有着重要意义。当前对电磁脉冲分类的研究主要集中在核爆电磁脉冲(NEMP)和雷电电磁脉冲(LEMP)的分类识别上[3-5],而通过耦合特性对其他类型的强电磁脉冲进行分类的研究较少。通过CST公司的电缆工作室(CABLE STUDIO)模拟高空核电磁脉冲(HEMP)、定向能武器辐射的超宽带电磁脉冲(UWB)和高功率微波(HPM)脉冲产生的后门耦合中的线缆耦合。通过模拟不同强电磁脉冲作用下不同线缆类型、线缆长度、线缆离地高度、线缆负载条件下的耦合特性构建数据集,本文中提出了一种基于Tsfresh-BP的电磁脉冲分类方法用于电磁脉冲识别分类。首先使用Tsfresh对时间序列数据进行特征提取和选择;其次设计了一种BP神经网络,将提取的特征输入设计网络,实现对电磁脉冲类型的识别分类。所提算法可以在不了解电磁脉冲产生原理和电磁脉冲耦合效果的情况下,不需要通过电磁脉冲的波形特征进行人为的分类识别,而是通过自动提取和选择实现较为有效的特征进行识别分类,解决了需要先验知识和人为特征选择困难的问题,在不增加硬件成本的基础上实现了电磁脉冲类型和线缆类型较高的判别精度,为电磁脉冲的识别分类提供一些方法和思路,提升判别精度,同时也为核爆炸事件的预警研究奠定了基础。

1 高功率电磁脉冲及相关工作

1.1 高空核电磁脉冲

地球大气层中或上方的核爆炸会通过伽马射线散射、中子非弹性散射、康普顿散射、地磁扰动等几种物理现象产生强烈的电磁脉冲(EMP),而在40 km以上高度引起的爆炸会产生称为高海拔核电磁脉冲(HEMP)的电磁脉冲[6-8]。典型的HEMP可以分为3个时期,称为E1(早期)、E2(中期)和E3(晚期)。根据HEMP的实测波形,通常用双指数函数表示其电场波形:

E(t)=E0k(e-βt-e-αt)

(1)

为了评估高空核爆炸电磁脉冲效应,国际上对HEMP给出了多种不同的标准,由于E1阶段上升迅速,电场强度最大,频率范围更广,耦合范围也更大,所以该阶段成为了HEMP的研究重点。目前被广泛承认的几种电磁脉冲标准主要有[9-11]:BELL实验室标准、国际电工委员会(IEC)标准、美国军方(DOD)标准、学术出版物标准,不同标准参数如表1所示,tw为脉冲宽度,tr为脉冲上升沿,tf为脉冲下降沿。

表1 HEMP的不同标准参数

由于BELL实验室标准下的电磁脉冲具有脉宽较宽的特点,这使得其对线缆的耦合能力更强,所以在建立仿真模型时采用BELL实验室标准下的HEMP作为关键参数。

1.2 高功率微波

国际电工委员会77分会在对关于高功率瞬态现象进行规定时,将入射电场超过100 V/m的环境称为高功率电磁环境,峰值功率超过100 MW且频率在1～300 GHz的微波脉冲,即称为高功率微波(HPM)[12-13]。HPM是由正弦信号调制得到的,相比于高斯调制方式,方波调制的能量更集中,所以选取了对电子设备造成干扰能力更强的方波调制HPM,其时域表达式如下

H(t)=E0cos(2πf0(t-t0))

(2)

式(2)中:t0为时延,E0选取50 kV/m,f0为1.5 GHz。HPM的频带窄且能量更为集中,同时由于其重复频率高且持续时间长,会造成系统内部的能量积累。

1.3 超宽带电磁脉冲

峰值功率大于100 MW、上升沿为亚纳秒或皮秒量级、相对带宽超过25%的电磁脉冲、频带宽度宽达108～1 012 Hz即称为超宽带(UWB)。

(3)

式(3)中:fH和fL代表带宽的上、下限频率,当FB超过25%信号时,就被判定其为超宽带信号。

UWB不需要利用二极管产生电子束和经波导一类电磁结构产生微波,而是利用超快电路直接激励的方法(脉冲功率源)去产生纳秒级超短脉冲,从而获得超宽带电磁辐射输出。较为常见的冲激信号有单极性,双极性,重频等多种形式,在理论研究中较为常用的是高斯脉冲,其时域表达式为

(4)

式(4)中:t0为时延,取值为9 ns,E0一般选取20 kV/m,τ为脉宽参数,取值为2 ns。UWB的上升沿陡峭且频带宽,使其线缆、孔缝耦合的特性更强。

1.4 电磁脉冲的耦合特性

电磁脉冲会通过前门耦合和后门耦合2种方式进入到设备内部,前门耦合是入射波通过系统的天线接收形成的耦合,后门耦合是入射波通过系统的金属外壳上的孔缝或系统间互联的线缆。通过各种渠道耦合进入系统设备的电磁脉冲能量将会对电子器件产生破坏效应,造成干扰、翻转,闭锁甚至烧毁,使其功能下降至失效。因此对电磁脉冲分类对高功率脉冲防护设计有重要意义[14-15]。

当前对于高功率电磁脉冲的识别分类的数据大多为使用数采板或快、慢电场变化测量仪直接采集电磁脉冲信号对HEMP和LEMP的分类。如李鹏等[16]使用实测LEMP和HEMP数据进行特征提取后,采用支持向量机模型作为分类器,获得了较为满意的分类结果;王涛等[17]使用长基线闪电定位系统观测LEMP后,采用概率分布区分HEMP和LEMP。但在实际情况中由于环境或设备限制,使得直接采集电磁脉冲信号具有一定的难度,而通过线缆的耦合特性进行电磁脉冲类型的区分更便捷[18-20]。

2 Tsfresh-BP识别方法

2.1 Tsfresh数据预处理

通过CST仿真软件搭建不同情况的电磁脉冲辐照线缆模型构建数据集,构建的原始数据集为辐照线缆上的电流时间序列。在特征提取阶段采用了Python包的Tsfresh[21],它是一种提取时间序列特征的工具,包含多种基于统计和基于变换的时间序列提取方法。利用Tsfresh内置的计算时间序列的特征提取函数对电磁脉冲电流这样的时间序列数据进行全方位的特征提取。与传统的特征提取方法相比,该方法能自动提取大量的特征,简化了将所有不同类型的顺序数据称为时间序列的过程。

由于3种脉冲波长不同,所以选择共同时间长度的部分,为避免单条数据量过大导致提取特征值数量超出限制,每间隔3个点选取一点作为Tsfresh的输入,特征提取结果为789个特征。之后对数据进行特征过滤,剔除空值后再将剩余的特征进行筛选,选取对训练数据分类能力较强的特征,最终单条数据保留742个特征值,流程如图1所示。

2.2 BP神经网络

分类器采用设计的BP神经网络,常规的神经网络一般包含多层网络结构,从功能上分输入层、隐藏层、输出层,常用的全连接层是层内神经元不相连,下层每个神经元都与上层间每个神经元相互连接[22-23],所设计的BP神经网络模型就是基于全连接层进行改进的,具体网络结构参数如表2所示。

图1 Tsfresh-BP算法总体流程图

3 实验与讨论

3.1 电磁脉冲仿真及数据构建

CST是一种综合计算电磁软件,广泛应用于电信、航空航天和国防工业等各个领域。该软件包含微波、电磁、线缆、设计、物理场等8个工作室,其中的线缆工作室是基于等效传输线模型法的仿真工作室,他提供了对不同类型电缆的分析,包括单线、同轴线和双绞线等多种线型。强电磁脉冲的线缆耦合情况通过场路协同仿真的混合方法研究,即结合CST设计工作室观察线缆线束上的电流变化。

在线缆工作室的3D界面中搭建电磁仿真模型,先建立一个地面,在距离地面一定高度的位置上设定2个节点,并在节点之间建立线缆连接,线缆选择单线中的LIFY_0qmm50,按照同样的方法以一定的间隔位置分别平行建立同轴线和双绞线,型号分别选择RG58和UTP_LIFY_1qmm,3种线缆的剖面如图2所示。

强电磁脉冲辐射至地面的距离较远,所以可以近似为垂直照射的平面波,在辐射源中选择平面波,即电磁脉冲从金属板正上方沿-Z方向入射(θ=0°,φ=0°),极化方向沿着X轴,相比于侧面入射该照射方式能使得线缆上的耦合效应最大,所以采用平面波进行仿真。3种脉冲通过激励源平面对地面线缆进行辐照,辐照方式如图3所示。

图3 脉冲辐照模型示意图

平面波上输出的激励信号使用VBA语言根据式(1)、式(2)、式(4)进行编写,HEMP、HPM、UWB 3种脉冲的时域仿真波形如图4所示。

在设计工作室的Schematic界面建立电路连接和场路协同仿真,将线缆端口按照需求连接,单线和同轴线直接接地,双绞线不需要接地,因为双绞线接地是不符合实际工作情况,所以连接方式如图5所示。

图4 电磁脉冲仿真时域波形

为了能够获取线缆上的耦合数值,需要在搭建的电路上插入探头(Probes),通过瞬态联合仿真(CST transient co-simulation)得到电流值,再将电流数据输出为TXT文本文档。导出的文本文档中初始部分为数据的横纵坐标名称、数据单位、探头编号、间隔点数和文件名等信息;数据部分为左侧时间点,右侧为时间点对应的电流幅值。

通过更改线缆类型、线缆离地高度、线缆长度和负载阻抗等仿真条件,得到了不同的耦合数值。图6—图8以离地高度500 mm,负载阻抗50 Ω为基准,分别采用不同长度的线缆和脉冲仿真得到的线缆耦合电流。图6、图7、图8分别代表长度为500、5 000、10 000 mm的线缆情况下的耦合电流。图6、图7、图8的第1行分别为HEMP辐照下的单线、同轴线、双绞线的耦合电流;第2行分别为HPM辐照下的单线、同轴线、双绞线的耦合电流;第3行分别为UWB辐照下的单线、同轴线、双绞线的耦合电流。将采集到的不同的线缆耦合电流数据分别输出到TXT文档中,提取到的原始数据为时间序列,时间序列是在时间上进行连续观测数据的结果,提取出的TXT文档数据结构第1列为时间点,第2列为左侧时间点对应的电流幅值即原始数据集。

图7 线缆长度为5 000 mm时,线缆上的耦合电流情况Fig.7 When the cable length is 5 000 mm, the coupling current situation on the cable

图8 线缆长度为10 000 mm时,线缆上的耦合电流情况Fig.8 When the cable length is 10 000 mm, the coupling current situation on the cable

训练集由HEMP、HPM、UWB 3种电磁脉冲辐照单线、同轴线、双绞线3种不同参数的线缆产生的783条耦合电流的数据构成,为了证明所提方法的泛化能力,测试集使用与训练集不同的96条数据,包含更改线缆参数(线缆类型、线缆离地高度、线缆负载阻抗)的数据57条和更改电磁脉冲参数(脉冲上升时间、脉冲宽度、脉冲幅值)的39条数据,具体信息见表3。

表3 数据集构成

3.2 实验Tsfresh-BP算法

本研究中提出Tsfresh-BP方法用于电磁脉冲分类识别,特征提取阶段在对电磁脉冲线缆耦合电流数据进行预处理后,使用Tsfresh提取特征742个特征值。识别分类阶段使用BP作为分类器用于电磁脉冲类型和辐照线缆类型的分类识别,训练和验证的准确率和损失如图9所示。

实验获得的混淆矩阵如图10所示,主对角线表示预测结果与真实结果相同,其他部分的方块则是结果不同。数字0代表HEMP辐照下的单线、数字1代表HEMP辐照下的同轴线、数字2代表HEMP辐照下的双绞线、数字3代表HPM辐照下的单线、数字4代表HPM辐照下的同轴线、数字5代表HPM辐照下的双绞线、数字6代表UWB辐照下的单线、数字7代表UWB辐照下的同轴线、数字8代表UWB辐照下的双绞线。平均准确率(Precision)为0.99,平均召回率(Recall)为0.98。

图9 BP网络的训练和验证准确率和损失

图10 Tsfresh-BP混淆矩阵

3.3 对比实验

由于数据和特征的类型不同,所以无法简单地凭经验直接判别所设计的BP神经网络是否优于其他常见分类器的性能,为了验证该算法的有效性,在对数据使用Tsfresh进行特征提取后,使用决策树和支持向量机作为分类器对数据进行分类。

决策树算法(DT)是先通过训练样本生成决策树,之后再对决策树进行剪来枝简化决策树结构,该方法的本质是通过对训练集的数据集归纳出分类规则[24]。剪枝阶段不同深度的准确率不同,根据实验效果最终选择5层作为决策树的剪枝深度。

支持向量机(SVM)是使用核函数将输入向量映射到一个高维的特征向量空间,并在该特征空间中构造最优分类[25],求解最优超平面的过程。实验选取1 000作为C的值,Linear作为核函数。

表4对比了所设计的BP分类器与上述2种分类器下各类型电磁脉冲和线缆的准确率和召回率,可以看出,3种脉冲和3种线缆类型共计9类的识别准确率差别显著,HPM的识别率相比于HEMP和UWB准确率较低,甚至出现了识别率为0的情况,这可能与所选的分类器有关。

表4 9种类型识别准确率

图11结果表明:对选择的3种分类方式均具备一定的识别分类能力,从分类器的识别准确率来看,分类器的选取对电磁脉冲的识别分类结果影响较大,所设计的BP网络相比于DT和SVM准确率更高。该方法不仅能够对电磁脉冲类型进行分类,还能对电磁脉冲所辐照的线缆类型进行分类,且分类性能较好。同时该识别方法对于更改上升沿、下降沿和脉冲宽度的不同当量的电磁脉冲源也能实现高准确率的识别。

图11 不同分类器在不同脉冲和线缆下的识别率

4 结论

1) 提出了一种Tsfresh-BP的电磁脉冲识别方法,使用Tsfresh实现了特征的自动提取和计算,避免了人工选取特征和手动计算特征的问题,所设计的BP神经网络分类器能在网络结构较为简单的情况下,实现电磁脉冲的识别分类,分类精度可达到98%。

2) 通过CST软件仿真建立了电磁脉冲辐照线缆的耦合模型,构造了不同条件下的耦合电流数据集。使用该仿真数据集验证了基于所提方法的分类识别的可行性和有效性,同时了解线缆的电磁耦合特性也为开展相应的电磁防护提供了参考价值。

3) 本文中为改善电磁脉冲的识别分类效果,电磁脉冲作为核爆探测的重要手段之一,提升电磁脉冲的识别分类性能,对后续核爆探测和预测都有重要意义。