Акустичне виявлення безпілотних літальних апаратів
Вантажиться...
Дата
2023
Автори
Науковий керівник
Назва журналу
Номер ISSN
Назва тому
Видавець
КПІ ім. Ігоря Сікорського
Анотація
Сокольський С.О. Акустичне виявлення безпілотних літальних апаратів. – Кваліфікаційна наукова праця на правах рукопису.
Дисертація на здобуття наукового ступеня доктора філософії за спеціальністю 172 «Телекомунікації та радіотехніка». – Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського» МОН України, Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського» МОН України, Київ, 2023.
У дисертаційній роботі вирішено актуальне науково-технічне завдання — розроблення пристрою з одним вхідним сенсором-мікрофоном для виявлення малих безпілотних літальних апаратів на основі аналізу акустичних сигнатур. Розроблена модель системи дає змогу підвищити ефективність виявлення дронів за рахунок використання нейронної мережі для обробки акустичних сигналів. Основний зміст дисертаційної дослідницької роботи наведено в чотирьох розділах, де представлено та обґрунтовано основний результат. У вступній частині підтверджена актуальність роботи, сформульована мета, завдання та методи дослідження, надана інформація про наукову новизну, а також практичне значення отриманих результатів. У першому розділі був проведений порівняльний та критичний аналіз потенційних можливостей основних методів виявлення малих безпілотних летальних апаратів (МЛА): оптичного, радiолокацiйного та акустичного. Кожним із методів розраховано теоретичну максимальну дальність виявлення безпілотника моделі «DJI Mavic 3» який зараз активно використовується військовими для розвідки. Встановлено, що оптичний метод передбачає використання камер високої розділової здатності у світлу пору дня, але він занадто залежний від природних чинників навколишнього середовища, наприклад, дощу або туману. У темну пору доби зазвичай використовують інфрачервоні оптичні пристрої. Основними недоліками такого підходу є невисока максимальна дальність виявлення цілі та поглинання атмосферою IЧ випромінювання, крім «вікон» із межами довжин хвиль 3 – 4 та 8 – 12 мм. У результаті наведених розрахунків встановлено, що дальність визначення цілі оптичним методом складає біля 250 м, а з використанням ІЧ приймача — 79,5 м. Зазначено, що радіолокаційні методи поділяються на активні та пасивні. Радіолокаційні системи можуть працювати в будь-яку частину доби та дають змогу виявляти МЛА на відстанях до кількох кілометрів (9,8 км). У результаті аналізу спектру радіочастотного сигналу можна отримати найбільш детальну інформацію про ціль. Основним недоліком радіолокаційних методів є те, що всі РЛС не працюють у ближній зоні. Встановлено, що акустичні сенсори дають змогу ефективно виявляти безпілотні летальні апарати, незважаючи на рельєф оточуючого середовища, але результати залежать від наявних акустичних фонових шумів та завад. Ефективна дальність виявлення дрону склала біля 78 м. У висновках зазначено, що оскільки МЛА мають невисокий рівень ІЧ випромінювання та радіолокаційних сигнатур, то актуальним стає питання розроблення детектора із використанням акустичного методу виявлення дронів та великою максимальною відстанню до цілі. У другому розділі розглянуто реалізацію простого та дешевого для конструювання акустичного детектора з одним мікрофоном. Він дає змогу виявляти акустичні коливання, що видають двигуни та лопоті дрону, і який потім можна проаналізувати для визначення місцезнаходження та траєкторію руху МЛА. Для реєстрації детектором звукових хвиль було запропоновано використовувати електретний мікрофон CMA-4544PF-W із поролоновою вітрозахисною насадкою, а для забезпечення широкого динамічного діапазону та захисту детектора від перевантаження — підсилювач із системою автоматичного регулювання підсилення зі зворотним регулюванням на базі інтегральної мікросхеми МАХ9814. Для подальшої цифрової обробки сигналів на ПК, буде використовуватись аналого-цифровий перетворювач із частотою дискретизації 48 кГц і розрядністю 16 біт, та зовнішня звукова карта CM6206 із лінійним входом. За результатом тестових випробувань була створена база аудіофайлів шуму квадрокоптера «DJI Mavic 3». Спектри отриманих аудіозаписів випромінювання квадрокоптера надають змогу визначити основні частоти тонів, кількість яких збігається з кількістю електромоторів та є важливими ознаками під час розроблення алгоритму класифікації безпілотників. Третій розділ описує процес розроблення алгоритму для ефективного виявлення та класифікації аудіосигналів МЛА із використанням згорткової нейронної мережі глибокого навчання, побудови архітектури та теоретичного оцінювання ефективності її роботи. Перед подачею набору аудіозаписів дронів на вхід нейронної мережі, підвищили їхню якість, застосувавши нормалізацію, Вінеровську фільтрацію, сегментацію — поділили аудіо на кадри тривалістю 25 мс із перекриттям 50% та віконне керування за допомогою вікна Хеммінга, оскільки в завданні оброблення аудіосигналів важливіша точність у часовій області. Отримані дані розділили в співвідношенні 60/20/20 на три набори: для навчання, валідації та тестування. Далі представили дані спрощеним набором ознак, визначивши з кожного кадру оброблених аудіосигналів мелспектрограми, для фіксації часових та спектральних характеристик. Діапазон частот аналізу становить межі робочих частот моделі мікрофону (20 Гц — 20 кГц), частотна розділова здатність 50 Гц, а кількість робочих мел-смуг дорівнює 30. Використовуючи навчальні дані та витягнуті ознаки аудіосигналів, розробили архітектуру нейронної мережі для досліджень роботи алгоритму виявлення та класифікації дронів. Вона складається із 10 пар шарів згортки, ReLU, пакетної нормалізації та шарів максимального пулингу. Їхня кількість визначається розміром вікна об'єднання вздовж часового виміру. Далі ідуть шари згладжування, відсікання, повнозв'язний та Softmax. Для нормалізації вихідних даних і отримання фінальних ймовірностей застосовується шар класифікації. У якості оптимізатора для навчання моделі обрано Adam. Відповідно до характеристик набору даних, початкова швидкість навчання дорівнює 0.001, а після проходження 75% епох поступово зменшується в 10 разів, для покращення збіжності. Точність розпізнавання вхідних даних складає 99 %, оцінка F1 — 0.93, що вказує на високий рівень загальної продуктивності архітектури. У четвертому розділі проведено практичне тестування роботи готової моделі згорткової нейронної мережі. Ефективна дистанція виявлення МЛА алгоритмом дорівнює 200 м, що за методом експертних оцінок, значно перевершує можливості людського слуху з максимальною відстанню до 120 м. Підтверджено, що розроблений алгоритм може замінити людський персонал в операціях спостереження за дронами, пропонуючи підвищену ефективність і надійність під час захисту громадян, об’єктів критичної інфраструктури та національної оборони. Також надані рекомендації для подальшого покращення продуктивності та адаптивності алгоритму: використання різноманітних наборів даних, мультимодальне зондування, постійне вдосконалення, співпраця та використання передових методів машинного навчання. Наукова новизна отриманих результатів полягає в тому, що: 1) Вперше запропоновано математичну модель ідентифікатора МЛА, наукова новизна якої полягає в тому, що вона ґрунтується на використанні бази аудіозаписів акустичних сигнатур дронів та надає можливість зменшити похибку під час класифікації їхньої моделі. 2) Вперше розроблено метод цифрової обробки акустичних сигналів дронів, наукова новизна якого полягає в тому, що він ґрунтується на теорії штучного інтелекту та використовує згорткову нейронну мережу глибокого навчання з оптимізатором Adam для підвищення швидкості та ефективності ідентифікації типу малих безпілотних літальних апаратів. 3) Удосконалено методику розрахунку кількості мел-фільтрів та їхнього частотного діапазону, що, на відміну від існуючих, враховує бажану частотну розділову здатність та дає змогу підвищити швидкість та точність отримання основних представлень аудіосигналу МЛА під час використання техніки зважування коефіцієнтів ШПФ за допомогою банків мел-фільтрів. Практичне значення отриманих результатів полягає в тому, що: 1) На основі розробленої математичної моделі, створено базу аудіосигналів малих безпілотних літальних апаратів моделей «Mavic 2 Pro», «Mavic 3» та «FPV», що використовуються військовими в розвідувальних операціях, а також цивільного квадрокоптера «Feilun Fx137». 2) На основі розробленого методу та методики, написано програмне забезпечення для швидкого та ефективного оброблення аудіосигналів малих безпілотних літальних апаратів із використанням згорткової нейронної мережі глибокого навчання з оптимізатором Adam. 3) Створено акустичний детектор малих безпілотних летальних апаратів з ефективною відстанню виявлення об’єктів до 200 метрів. 4) Надано відповідні універсальні рекомендації для подальшого вдосконалення системи детекції малих безпілотних літальних апаратів. Практичний результат дисертаційного дослідження може бути використаний під час побудови ефективних антидронних систем для оборони громадян та об’єктів критичної інфраструктури. Частину результатів дисертаційної роботи отримано та впроваджено на підприємстві ТОВ «ТІНСТРУМ» за договором № Дндч/0201.01/2100.02/47/2023.
Опис
Ключові слова
дрон, малий безпілотний літальний апарат, БПЛА, виявлення цілей, акустична локація, контрольована зона, реєстратор сигналів, виявлення сигналів, спектр, оброблення сигналу, машинне навчання, нейронна мережа, глибоке навчання, drone, small unmanned aerial vehicle, UAV, target detection, acoustic location, controlled area, signal recorder, signal detection, spectrum, signal processing, machine learning, neural network, deep learning
Бібліографічний опис
Сокольський, С. О. Акустичне виявлення безпілотних літальних апаратів : дис. … д-ра філософії : 172 Телекомунікації та радіотехніка / Сокольський Сергій Олегович. – Київ, 2023. – 183 с.