基于Zynq的微地震數據采集優化技術研究

阮 波,沈 統,徐 壘,楊 蘭,陽 剛

1.西南科技大學信息工程學院;2.成都理工大學核技術與自動化工程學院

0 引言

微地震監測技術是巖體穩定性評價的重要技術之一[1],其定位精度直接影響監測的效果,提高微地震監測設備的采樣率可以提高初至拾取精度,從而提高微事件的定位精度[2]。但由于微地震監測技術屬于被動監測,需要實時記錄區域內的微地震活動,并對其進行分析處理,然而高采樣率下收集到的數據類型繁雜且量大,不僅對數據傳輸和存儲提出更高的要求,也給后續的數據處理和分析帶來了更多的困難[3]。在微地震數據監測過程中,有效的震動數據占比很小,而絕大部分存儲的數據為無效的噪聲數據,這導致在數據采集過程中存儲了大量的冗余數據。利用震動識別算法對震動信號進行自動識別,可以有效去除冗余,保證數據的有效性[4]。

目前,識別震動信號的方法主要有STA/LTA算法[5]、AIC算法[6]、MER算法[7]、MCM算法[7]等。傳統的微地震數據處理是先將連續采集的微地震信號存儲下來,然后通過軟件使用相應算法進行分析處理,以獲得需要的定位信息[8]。然而,該方法不僅需要大量的存儲空間,還需要耗費大量的時間進行后續處理。在設備連續采集過程中實現震動信號的自動識別需要考慮微控制器的運算速度,并且需要選擇簡單、實時性高的震動識別算法來實現震動信號的自動識別。賈夢歡等[2]通過在FPGA內嵌STA/LTA算法,實現對連續采集的數據進行震動識別,從而降低數據的存儲量。但由于STA/LTA算法受時窗長度和觸發閾值影響較大[9],影響震動信號的識別結果;同時該算法對低信噪比的震動信號檢測效果不佳[9],可能會增加震動事件的漏判率。

本文提出一種基于Zynq的微地震數據采集優化系統,該系統以Zynq XC7010作為主控芯片,內部嵌入修正能量比(MER)算法,實現對連續采集過程中的震動信號進行自動識別,并且該算法對低信噪比的震動記錄檢測效果更佳[9];通過優化算法閾值,可使該系統不受特定區域的限制。該系統使用AXI協議實現PL-PS的數據交互[10],通過AXI DMA實現數據的緩存并且不占用CPU資源,從而提高了系統的數據處理能力。

1 MER算法原理

MER算法是利用前后采樣時窗內能量比值進行震動信號自動檢測與初至拾取的一種方法。前采樣時窗反映噪聲信號的變化,后采樣時窗反映震動信號的變化。當只存在噪聲信號時,前后采樣時窗能量值趨于相等,對應的ER值趨近于1,MER閾值為ER與當前采樣點乘積的立方,該閾值趨近于當前環境噪聲的能量值。當震動信號出現時,后采樣時窗的能量值遠大于前采樣的時窗能量值,ER值隨之明顯增大,同時當前采樣值也增大,MER閾值隨之明顯增大。當MER值大于標準閾值時,即可判斷當前存在震動信號,從而實現震動信號的自動識別。MER算法震動信號識別原理如圖1所示。

圖1 MER算法震動信號識別原理

MER的公式:

(1)

MERi=(ERi|xi|)3

(2)

式中:i為采樣時刻;M為采樣時窗,前后采樣時窗相同;xi為第i個采樣時刻的值;ER為前后采樣時窗的能量比。

如圖1所示,前后采樣時窗依次向右滑動,其中后采樣時窗對震動信號更敏感,能更快地檢測震動信號的發生。

2 數據采集系統設計

2.1 總體設計

本系統整體設計以Zynq XC7010為主控制器,主要由模擬信號輸入、信號調理電路、A/D采樣控制軟核、信號識別模塊、數據存儲模塊和時間處理模塊組成。系統總體設計方案如圖2所示,采用動圈式速度傳感器作為模擬信號輸入,信號經過增益調節后送入ADC采樣電路進行模數轉換,使用Zynq XC7010的PL端對轉換后的信號進行讀取,將讀取后的數據寫入異步FIFO中進行緩存,并通過AXI-Stream流接口從異步FIFO中讀出數據,最后通過AXI DMA將AXI流接口的數據傳輸到PS端的DDR進行存儲。Zynq的PS端使用ARM Cortex-A9處理器實現震動信號識別和時間信息獲取,最終將識別的震動信號和當前時間戳信息通過SDIO接口傳輸到SD卡。

圖2 系統總體設計

2.2 采集模塊設計

使用動圈式速度傳感器拾取震動信號,該傳感器靈敏度為35.5 V/(m·s-1)、自然頻率為60 Hz,使用ADS131A04芯片進行模數轉換,該芯片具備4路差分輸入、最高支持128 KSPS采樣率和24位精度,并且功耗較低。

在本次設計中,ADS131A04芯片與Zynq通過SPI接口進行命令交互和數據傳輸,該芯片支持多種SPI數據接口模式,本次設計采用異步中斷模式。當檢測到芯片的DRDY引腳拉低時,表示數據轉換已完成。整體采樣狀態如圖3所示,芯片初始于空閑IDLE狀態,經過30個時間單位延時后,執行芯片的初始化操作。該過程用于配置ADC的參考電壓和采樣率等參數,當接收到ADC最后返回的ACK時,芯片進入RDATA狀態,表示芯片初始化完成,可以進行數據轉換。當DRDY引腳拉低時表示數據轉換完成,隨后,拉低CS,啟動SCLK時鐘,并讀取ADC的設備字,讀取完成后,繼續讀取4個通道的采樣數據。數據讀取完成后,進入READ_DONE狀態,拉高CS,等待10個時間單位后繼續等待數據采集轉換。

圖3 ADC采集狀態圖

為確保該采集模塊能夠成功采集四通道數據,故使用Vivado的ILA邏輯分析儀捕獲DRDY引腳的下降沿,并讀取各通道數據,以判斷數據是否正常。圖4顯示了ADC數據采集測試結果,當DRDY引腳拉低時,MISO引腳會持續輸出采集的數據,通過對多位數據進行截取即可分別獲得4個通道的數據。

圖4 ADC數據采集驗證

2.3 數據傳輸處理設計

數據采集完成后,需要將PL端的數據傳輸至PS端進行處理,為此,使用異步FIFO進行數據的緩存和跨時鐘域處理,并使用AXI_DMA將緩存的數據傳輸至PS端的DDR內[11]。ADC采樣后,將4個通道的數據同步寫入異步FIFO中,使用DMA從FIFO中讀出數據。由于AXI_DMA IP核支持32 bit數據傳輸,因此需要將ADC采樣后的24 bit數據擴充為32 bit。接下來,將4個通道的32 bit的并行數據按照通道順序打包為128 bit的數據,并以串行方式寫入異步FIFO[12]。當DMA將數據傳輸至DDR后,PS端再將128 bit的數據分別截取為4個通道對應的32 bit數據。為了確保對PL端的數據采集具有靈活的控制能力,故使用3個寄存器分別存儲采樣的開始信號、采樣長度和采樣通道數,因此,在采集過程中,可以通過PS端來控制數據采集。數據傳輸處理設計圖如圖5所示,本次設計將ADC的數據采集處理部分封裝為一個IP 軟核,使用Block Design 將該IP 軟核與DMA等IP核進行連接,實現采樣數據的傳輸。其中,PS端的AXI_GP口實現控制數據采集寄存器,PS端的AXI_HP口實現采樣數據流的傳輸。為提高PL端傳輸效率,采用DMA的SG模式進行數據傳輸。該模式可一次訪問多個內存空間,在所有任務結束后發出中斷通知CPU處理,從而實現高效傳輸大量數據,提高系統性能。

圖5 數據傳輸處理設計圖

2.4 震動信號識別實現

由于Zynq7010芯片內置高速ARM Cortex-A9處理器,因此在PS端實現震動信號識別算法,可提高算法的運行速度。經MER算法原理分析,該震動信號識別單元主要由動態閾值計算模塊、時窗能量比模塊和閾值判斷模塊組成。

1)動態閾值計算模塊:該模塊用于計算監測環境背景噪聲對應的算法閾值。首先獲取一段時間的噪聲數據,并將其輸入到震動識別算法中,計算每個采樣點對應的閾值。當該時間段內所有采樣點的閾值都計算完成后,將得到的所有閾值相加,并求平均值。這樣可避免某些異常噪聲能量過大而造成算法閾值偏高,從而增加震動識別漏判率。噪聲數據的獲取可通過實時采集一段背景噪聲數據,也可將一段該環境的背景噪聲存放于設備SD卡中,設備通過讀取以獲取噪聲數據。

2)時窗能量比模塊:該模塊用于計算采樣點前后采樣時窗內的能量比,前后的采樣時窗需要保持相同,分別對前后采樣點的平方求和,即可得到后采樣與前采樣時窗的能量比值。

3)閾值判斷模塊:計算完前后采樣能量值之比ER后,乘以當前采樣點的能量值再立方,得到MER值,再與之前的標準閾值相比較,若大于閾值則判斷為震動信號。

設計的震動信號識別流程框圖如圖6所示,由于PS端每次只能讀取有限的采樣點,如果使用常規的方法,可能無法對每個時窗的最后一個采樣點進行計算。因此,在計算到每個時窗的最后一個采樣點時,將該時窗的采樣點先進行暫存處理。當下一次的新采樣點讀取完成后,將暫存的采樣點與新采樣點一起計算,以完成對完整的震動信號識別。如果每次都要求取前后采樣時窗的能量值之和,會消耗大量的時間和邏輯資源。因此,使用滑動時窗的方法進行求和計算,每次只需要加上新增的采樣點的能量值,再減去最后一個采樣點的能量值,即可計算當前采樣點的前后能量比值,從而提高運算效率。

圖6 震動信號識別流程框圖

3 系統測試與分析

3.1 設備測試與分析

本研究的關鍵在于系統能否準確識別震動信號,因此,將連續采集的微地震數據存儲到SD卡內。PS端讀取SD卡內的微震數據,然后,設備的震動信號識別模塊將識別到的震動數據和時間點存儲到SD卡內。最后,利用MATLAB分析數據并觀察識別結果。

如圖7所示,該系統以12 kHz的采樣率進行連續數據采集并內嵌MER算法進行震動信號識別。圖中窗口中間的波形為震動識別模塊識別出的震動信號,該信號的原始波形為數據的一部分。數據分析結果表明,該系統內嵌的MER算法能夠準確識別原始信號中的5個震動信號,并且效果良好。

圖7 設備內嵌MER算法識別

3.2 算法閾值優化測試分析

合適的閾值選取對震動信號的識別影響很大,由于不同地區的背景噪聲及震動強度不同,因此閾值的選取非常重要。系統以12 kHz的采樣率連續采集不同強度的震動信號,將數據分別送入設備的固定閾值和動態閾值的震動識別模塊,最終將不同閾值的識別結果分別存儲,然后得到如圖8所示的識別結果。

圖8 算法閾值優化識別結果

相對于使用固定閾值后的識別結果,動態閾值的識別結果能夠識別完整的震動信號,并且在識別強度較小的震動信號時表現更好。

3.3 低信噪比震動信號識別測試

在微地震數據監測過程中,微震的準確初至拾取非常重要。本系統以12 kHz采樣率采集一段低信噪比的震動信號,并分別將選定的數據送入內嵌MER算法和內嵌STA/LTA算法[2]的設備中,其中,選取MER算法觸發閾值為300,選取STA/LTA算法觸發閾值為3。隨后,將識別到的震動數據及其對應的時間點分別存儲,得到了如圖9所示的識別結果。

圖9 低信噪比震動信號識別結果

進行精確微震定位的條件是準確地獲取微震的初始到達時間。圖9中,內置STA/LTA算法的設備無法識別震動信號的起始段,導致無法準確提取初始到達時間,最終會影響微震定位的精度。而內置MER算法的設備可以更完整地識別震動信號,并準確地拾取初始到達時間,因此能夠進行更精確的微震定位。

3.4 數據存儲測試分析

將本系統和IMS微震監測系統進行16 h的數據采集,兩個系統的采樣率均為12 kHz,采集結束后,回收數據并觀察存儲結果。圖10為回收的數據存儲量。由圖10可知,在16 h的數據存儲期間,相較于未嵌入震動識別算法的IMS系統,本設備的數據存儲量減少了69%,大大減少了無效噪聲數據的存儲。

圖10 系統16 h有無內嵌MER算法數據存儲對比

4 結論

本文以Zynq為平臺對微地震數據采集系統進行優化,使該監測系統在長時間連續采集過程中減少無效噪聲數據的存儲,從而降低數據存儲壓力。使用低功耗高精度的ADS131A04模數轉換芯片實現數據的采樣,在Zynq的PL端完成采樣數據傳輸,在PS端內嵌MER算法實現震動信號識別,通過AXI協議實現PL與PS端數據的交互,進而提高系統的靈活性。此外,該系統在數據傳輸過程中采用了DMA的SG模式,傳輸過程中不占用CPU資源,使得CPU能在該過程處理PS端大量數據,從而提高系統的數據處理能力和可靠性。相關測試結果表明,該系統能夠準確識別震動信號,通過使用動態閾值方法可減少震動信號識別的漏判率,從而提高震動識別精度。此外,在進行長時間連續監測中,該系統極大地減少了無效噪聲數據的存儲,降低了數據存儲量。