基于Zynq的微地震数据采集优化技术研究.pdf

仪 表 技 术 与 传 感 器Instrument Technique and Sensor2024 年第 1 期基金项目:四川省自然科学基金青年基金(2022NSFSC1110);西南科技大学博士基金(19zx7159);黑龙江省重点研发计划项目(2022ZX01A16);四川省科技计划项目(2022YFG0148)收稿日期:2023-07-02基于 Zynq 的微地震数据采集优化技术研究阮 波1,沈 统1,徐 垒1,杨 兰1,阳 刚21.西南科技大学信息工程学院;2.成都理工大学核技术与自动化工程学院摘要:为解决微地震监测系统长时间连续采集导致的数据存储压力大的问题,设计了一种以 Zynq为核心的微地震数据采集优化系统。在 Zynq XC7010 芯片的 PL 部分完成 4 路 ADC 并行采样控制,在PS 部分内嵌修正能量比(MER)算法实现对连续采集的震动信号进行自动识别,并增加动态阈值方法来降低震动信号识别的漏判率,进一步提高该算法识别精度,从而较大程度减少无效噪声数据的存储。实验结果表明:该系统对震动信号响应灵敏,即使是低信噪比的震动信号也能准确识别;同时与 IMS 微震监测系统相比,经过16 h 的连续采集,该系统的数据存储量仅为 IMS 系统的31%,有效地降低了连续采集过程中的数据存储压力。关键词:微地震监测系统;数据存储压力;Zynq XC7010;MER 算法;自动识别;动态阈值方法中图分类号:TN79文献标识码:AResearch on Optimization Techniques for Microseismic Data Acquisition Based on ZynqRUAN Bo1,SHEN Tong1,XU Lei1,YANG Lan1,YANG Gang21.School of Information Engineering,Southwest University of Science and Technology;2.College of Nuclear Technology and Automation Engineering,Chengdu University of TechnologyAbstract:To address the issue of significant data storage pressure caused by long-term continuous collection in microseismicmonitoring systems,a microseismic data acquisition optimization system based on Zynq was designed.This system achieves four-channel ADC parallel sampling control in the PL part of the Zynq XC7010 chip and implements automatic identification of contin-uous seismic signals using the Modified Energy Ratio(MER)algorithm in the PS part.Furthermore,the algorithm incorporates adynamic threshold method to reduce the misjudgment rate in seismic signal identification,further improve the recognition accuracyof this algorithm,thereby significantly reducing the storage of ineffective noise data.Experimental results demonstrate that this sys-tem exhibits a sensitive response to seismic signals,accurately identifying even low signal-to-noise ratio seismic signals.Moreover,compared to the IMS microseismic monitoring system,this systems data storage volume is only 31%of the IMS system after 16 hours of continuous collection,effectively alleviating data storage pressure during continuous acquisition.Keywords:microseismic monitoring system;data storage pressure;Zynq XC7010;MER algorithm;automatic identification;dy-namic threshold method0 引言微地震监测技术是岩体稳定性评价的重要技术之一1,其定位精度直接影响监测的效果,提高微地震监测设备的采样率可以提高初至拾取精度,从而提高微事件的定位精度2。但由于微地震监测技术属于被动监测,需要实时记录区域内的微地震活动,并对其进行分析处理,然而高采样率下收集到的数据类型繁杂且量大,不仅对数据传输和存储提出更高的要求,也给后续的数据处理和分析带来了更多的困难3。在微地震数据监测过程中,有效的震动数据占比很小,而绝大部分存储的数据为无效的噪声数据,这导致在数据采集过程中存储了大量的冗余数据。利用震动识别算法对震动信号进行自动识别,可以有效去除冗余,保证数据的有效性4。目前,识别震动信号的方法主要有 STA/LTA 算法5、AIC 算法6、MER 算法7、MCM 算法7等。传统的微地震数据处理是先将连续采集的微地震信号存储下来,然后通过软件使用相应算法进行分析处理,以获得需要的定位信息8。然而,该方法不仅需要大量的存储空间,还需要耗费大量的时间进行后续处理。在设备连续采集过程中实现震动信号的自动识别需要考虑微控制器的运算速度,并且需要选择简67 第 1 期阮波等:基于 Zynq 的微地震数据采集优化技术研究 单、实时性高的震动识别算法来实现震动信号的自动识别。贾梦欢等2通过在 FPGA 内嵌 STA/LTA 算法,实现对连续采集的数据进行震动识别,从而降低数据的存储量。但由于 STA/LTA 算法受时窗长度和触发阈值影响较大9,影响震动信号的识别结果;同时该算法对低信噪比的震动信号检测效果不佳9,可能会增加震动事件的漏判率。本文提出一种基于 Zynq 的微地震数据采集优化系统,该系统以 Zynq XC7010 作为主控芯片,内部嵌入修正能量比(MER)算法,实现对连续采集过程中的震动信号进行自动识别,并且该算法对低信噪比的震动记录检测效果更佳9;通过优化算法阈值,可使该系统不受特定区域的限制。该系统使用 AXI 协议实现 PL-PS 的数据交互10,通过 AXI DMA 实现数据的缓存并且不占用 CPU 资源,从而提高了系统的数据处理能力。1 MER 算法原理MER 算法是利用前后采样时窗内能量比值进行震动信号自动检测与初至拾取的一种方法。前采样时窗反映噪声信号的变化,后采样时窗反映震动信号的变化。当只存在噪声信号时,前后采样时窗能量值趋于相等,对应的 ER 值趋近于 1,MER 阈值为 ER 与当前采样点乘积的立方,该阈值趋近于当前环境噪声的能量值。当震动信号出现时,后采样时窗的能量值远大于前采样的时窗能量值,ER 值随之明显增大,同时当前采样值也增大,MER 阈值随之明显增大。当MER 值大于标准阈值时,即可判断当前存在震动信号,从而实现震动信号的自动识别。MER 算法震动信号识别原理如图 1 所示。图 1 MER 算法震动信号识别原理MER 的公式:ERi=j+wj=ix2jij=i-wx2j(1)MERi=(ERixi)3(2)式中:i 为采样时刻;M 为采样时窗,前后采样时窗相同;xi为第 i 个采样时刻的值;ER 为前后采样时窗的能量比。如图1 所示,前后采样时窗依次向右滑动,其中后采样时窗对震动信号更敏感,能更快地检测震动信号的发生。2 数据采集系统设计2.1 总体设计本系统整体设计以 Zynq XC7010 为主控制器,主要由模拟信号输入、信号调理电路、A/D 采样控制软核、信号识别模块、数据存储模块和时间处理模块组成。系统总体设计方案如图 2 所示,采用动圈式速度传感器作为模拟信号输入,信号经过增益调节后送入ADC 采样电路进行模数转换,使用 Zynq XC7010 的PL 端对转换后的信号进行读取,将读取后的数据写入异步 FIFO 中进行缓存,并通过 AXI-Stream 流接口从异步 FIFO 中读出数据,最后通过 AXI DMA 将 AXI 流接口的数据传输到 PS 端的 DDR 进行存储。Zynq 的PS 端使用 ARM Cortex-A9 处理器实现震动信号识别和时间信息获取,最终将识别的震动信号和当前时间戳信息通过 SDIO 接口传输到 SD 卡。图 2 系统总体设计2.2 采集模块设计使用动圈式速度传感器拾取震动信号,该传感器灵敏度为 35.5 V/(ms-1)、自然频率为 60 Hz,使用ADS131A04 芯片进行模数转换,该芯片具备 4 路差分输入、最高支持 128 KSPS 采样率和 24 位精度,并且功耗较低。在本次设计中,ADS131A04 芯片与 Zynq 通过 SPI接口进行命令交互和数据传输,该芯片支持多种 SPI数据接口模式,本次设计采用异步中断模式。当检测到芯片的 DRDY 引脚拉低时,表示数据转换已完成。整体采样状态如图 3 所示,芯片初始于空闲 IDLE 状态,经过 30 个时间单位延时后,执行芯片的初始化操作。该过程用于配置 ADC 的参考电压和采样率等参数,当接收到 ADC 最后返回的 ACK 时,芯片进入77 仪 表 技 术 与 传 感 器第 1 期RDATA 状态,表示芯片初始化完成,可以进行数据转换。当 DRDY 引脚拉低时表示数据转换完成,随后,拉低 CS,启动 SCLK 时钟,并读取 ADC 的设备字,读取完成后,继续读取 4 个通道的采样数据。数据读取完成后,进入 READ_DONE 状态,拉高 CS,等待 10 个时间单位后继续等待数据采集转换。图 3 ADC 采集状态图为确保该采集模块能够成功采集四通道数据,故使用 Vivado 的 ILA 逻辑分析仪捕获 DRDY 引脚的下降沿,并读取各通道数据,以判断数据是否正常。图 4显示了 ADC 数据采集测试结果,当 DRDY 引脚拉低时,MISO 引脚会持续输出采集的数据,通过对多位数据进行截取即可分别获得 4 个通道的数据。图 4 ADC 数据采集验证2.3 数据传输处理设计数据采集完成后,需要将 PL 端的数据传输至 PS端进行处理,为此,使用异步 FIFO 进行数据的缓存和跨时钟域处理,并使用 AXI_DMA 将缓存的数据传输至 PS 端的 DDR 内11。ADC 采样后,将4 个通道的数据同步写入异步 FIFO 中,使用 DMA 从 FIFO 中读出数据。由于 AXI_DMA IP 核支持 32 bit 数据传输,因此需要将 ADC 采样后的 24 bit 数据扩充为 32 bit。接下来,将 4 个通道的 32 bit 的并行数据按照通道顺序打包为 128 bit 的数据,并 以 串 行 方 式 写 入 异 步FIFO12。当 DMA 将数据传输至 DDR 后,PS 端再将128 bit 的数据分别截取为 4 个通道对应的 32 bit 数据。为了确保对 PL 端的数据采集具有灵活的控制能力,故使用3 个寄存器分别存储采样的开始信号、采样长度和采样通道数,因此,在采集过程中,可以通过 PS端来控制数据采集。数据传输处理设计图如图 5 所示,本次设计将 ADC 的数据采集处理部分封装为一个IP 软核,使用 Block Design 将该 IP 软核与 DMA 等 IP核进行连接,实现采样数据的传输。其中,PS 端的AXI_GP 口实现控制数据采集寄存器,PS 端的 AXI_HP 口实现采样数据流的传输。为提高 PL 端传输效率,采用 DMA 的 SG 模式进行数据传输。该模式可一次访问多个内存空间,在所有任务结束后发出中断通知 CPU 处理,从而实现高效传输大量数据,提高系统性能。图 5 数据传输处理设计图2.4 震动信号识别实现由于 Zynq7010 芯片内置高速 ARM Cortex-A9 处理器,因此在 PS 端实现震动信号识别算法,可提高算法的运行速度。经 MER 算法原理分析,该震动信号87 第 1 期阮波等:基于 Zynq 的微地震数据采集优化技术研究 识别单元主要由动态阈值计算模块、时窗能量比模块和阈值判断模块组成。1)动态阈值计算模块:该模块用于计算监测环境背景噪声对应的算法阈值。首先获取一段时间的噪声数据,并将其输入到震动识别算法中,计算每个采样点对应的阈值。当该时间段内所有采样点的阈值都计算完成后,将得到的所有阈值相加,并求平均值。这样可避免某些异常噪声能量过大而造成算法阈值偏高,从而增加震动识别漏判率。噪声数据的获取可通过实时采集一段背景噪声数据,也可将一段该环境的背景噪声存放于设备 SD 卡中,设备通过读取以获取噪声数据。2)时窗能量比模块:该模块用于计算采样点前后采样时窗内的能量比,前后的采样时窗需要保持相同,分别对前后采样点的平方求和,即可得到后采样与前采样时窗的能量比值。3)阈值判断模块:计算完前后采样能量值之比ER 后,乘以当前采样点的能量值再立方,得到 MER值,再与之前的标准阈值相比较,若大于阈值则判断为震动信号。设计的震动信号识别流程框图如图 6 所示,由于PS 端每次只能读取有限的采样点,如果使用常规的方法,可能无法对每个时窗的最后一个采样点进行计算。因此,在计算到每个时窗的最后一个采样点时,将该时窗的采样点先进行暂存处理。当下一次的新采样点读取完成后,将暂存的采样点与新采样点一起计算,以完成对完整的震动信号识别。如果每次都要求取前后采样时窗的能量值之和,会消耗大量的时间和逻辑资源。因此,使用滑动时窗的方法进行求和计算,每次只需要加上新增的采样点的能量值,再减去最后一个采样点的能量值,即可计算当前采样点的前后能量比值,从而提高运算效率。图 6 震动信号识别流程框图3 系统测试与分析3.1 设备测试与分析本研究的关键在于系统能否准确识别震动信号,因此,将连续采集的微地震数据存储到 SD 卡内。PS端读取 SD 卡内的微震数据,然后,设备的震动信号识别模块将识别到的震动数据和时间点存储到 SD 卡内。最后,利用 MATLAB 分析数据并观察识别结果。如图 7 所示,该系统以 12 kHz 的采样率进行连续数据采集并内嵌 MER 算法进行震动信号识别。图中窗口中间的波形为震动识别模块识别出的震动信号,该信号的原始波形为数据的一部分。数据分析结果表明,该系统内嵌的 MER 算法能够准确识别原始信号中的 5 个震动信号,并且效果良好。图 7 设备内嵌 MER 算法识别3.2 算法阈值优化测试分析合适的阈值选取对震动信号的识别影响很大,由于不同地区的背景噪声及震动强度不同,因此阈值的选取非常重要。系统以 12 kHz 的采样率连续采集不同强度的震动信号,将数据分别送入设备的固定阈值和动态阈值的震动识别模块,最终将不同阈值的识别结果分别存储,然后得到如图 8 所示的识别结果。图 8 算法阈值优化识别结果相对于使用固定阈值后的识别结果,动态阈值的识别结果能够识别完整的震动信号,并且在识别强度较小的震动信号时表现更好。3.3 低信噪比震动信号识别测试在微地震数据监测过程中,微震的准确初至拾取非常重要。本系统以 12 kHz 采样率采集一段低信噪比的震动信号,并分别将选定的数据送入内嵌 MER97 仪 表 技 术 与 传 感 器第 1 期算法和内嵌 STA/LTA 算法2的设备中,其中,选取MER 算法触发阈值为 300,选取 STA/LTA 算法触发阈值为 3。随后,将识别到的震动数据及其对应的时间点分别存储,得到了如图 9 所示的识别结果。图 9 低信噪比震动信号识别结果进行精确微震定位的条件是准确地获取微震的初始到达时间。图 9 中,内置 STA/LTA 算法的设备无法识别震动信号的起始段,导致无法准确提取初始到达时间,最终会影响微震定位的精度。而内置 MER算法的设备可以更完整地识别震动信号,并准确地拾取初始到达时间,因此能够进行更精确的微震定位。3.4 数据存储测试分析将本系统和 IMS 微震监测系统进行 16 h 的数据采集,两个系统的采样率均为 12 kHz,采集结束后,回收数据并观察存储结果。图10 为回收的数据存储量。由图 10 可知,在 16 h 的数据存储期间,相较于未嵌入震动识别算法的 IMS 系统,本设备的数据存储量减少了 69%,大大减少了无效噪声数据的存储。图 10 系统 16 h 有无内嵌 MER 算法数据存储对比4 结论本文以 Zynq 为平台对微地震数据采集系统进行优化,使该监测系统在长时间连续采集过程中减少无效噪声数据的存储,从而降低数据存储压力。使用低功耗高精度的 ADS131A04 模数转换芯片实现数据的采样,在 Zynq 的 PL 端完成采样数据传输,在 PS 端内嵌 MER 算法实现震动信号识别,通过 AXI 协议实现PL 与 PS 端数据的交互,进而提高系统的灵活性。此外,该系统在数据传输过程中采用了 DMA 的 SG 模式,传输过程中不占用 CPU 资源,使得 CPU 能在该过程处理 PS 端大量数据,从而提高系统的数据处理能力和可靠性。相关测试结果表明,该系统能够准确识别震动信号,通过使用动态阈值方法可减少震动信号识别的漏判率,从而提高震动识别精度。此外,在进行长时间连续监测中,该系统极大地减少了无效噪声数据的存储,降低了数据存储量。参考文献:1 张翊孟,郭善力,陈兴国.可控震源地震采集质量监控技术J.石油地球物理勘探,2008,43(增刊 2):98-100.2 贾梦欢,庹先国,沈统,等.基于 FPGA 的微震信号快速识别系统设计J.传感器与微系统,2021,40(3):99-101.3 段建华,王保利,朱红娟,等.微地震监测数据压缩技术J.物探与化探,2014,38(5):1018-1023.4 沈统.微地震事件定位精度优化关键技术研究D.成都:成都理工大学,2019.5 刘劲松,王赞,姚振兴.微地震信号到时自动拾取方法J.地球物理学报,2013,56(5):1660-1666.6 张唤兰,朱光明,王云宏.基于时窗能量比和 AIC 的两步法微震初至自动拾取J.物探与化探,2003,37(2):269-273.7 AKRAM J,EATON D W.A review and appraisal of arriv-al-time picking methods for downhole mi-croseismic dataJ.Geophysics,2014,81(2):67-87.8 刘恒.微地震定位方法研究及应用D.合肥:中国科学技术大学,2009.9 刘晗,张建中.微震信号自动检测的 STA/LTA 算法及其改进分析 J.地球物理学进展,2014,29(4):1708-1714.10 庄琼.基于 AXI 总线的 DMA 高速通道及驱动的设计与实现D.成都:电子科技大学,2019.11 罗义军,吴泽琨,杨凡.一种基于 AD9467 的数据采集系统J.仪表技术与传感器,2022(5):71-76.12 杨栋,江虹,罗颖,等.基于 FPGA 的多路传感信号采集系统设计J.仪表技术与传感器,2022(6):75-79.作者简介:阮波(1999),硕士研究生,研究方向为信息与信号处理。E-mail:ruanbo29 沈统(1988),副教授,博士,主要研究领域为微地震信号处理。E-mail:sht 08