基于深度学习的强背景噪声环境下的气体管道泄漏识别方法与流程

本发明属于管道泄漏检测领域，具体涉及一种基于深度学习的用于强背景噪声环境下的气体管道泄漏识别方法。

背景技术：

管道运输以其具有的成本低、运输快、效率高、安全性高等特点，已经成为当前最为重要的气体运输方式，尤其是在石油天然气和化工等领域都已成为了必不可少的运输方式。在人口较为密集的现代城市的地下空间中分布着大量天然气、暖气等高压输气管道，这些管道在长时间的使用过程中会出现连接处的松动、管壁的腐蚀或人为损坏等情况，容易导致管道内气体发生泄漏，若泄漏点没有及时检测并进行相应的维修，管道内的气体持续泄漏，极易在封闭空间内达到爆炸极限范围，遇高温或火花发生爆炸、火灾等严重安全事故。

文献“基于深度学习的输油管道泄漏检测研究[d].东北石油大学,2018.”基于堆栈自编码算法构建了一个多层的深度学习模型，并利用现场管道信号数据库和泄漏数据进行训练，将原始数据作为输入，直接提取管道数据从低层到高层的特征，以此来进行工况的分类识别。这篇文献所提出的方法虽然获得了较高的识别准确率，但是由于深度学习方法具有的参数量较多，训练过程容易发生过拟合，因而对于噪声的敏感性较高，所以对于背景复杂，管道泄漏信号信噪比非常低的工况数据难以做到有效识别，然而在实际的工程应用领域大部分的工况信号都包含着强大且复杂的背景噪声信号，所以为了满足实际的工程应用要求需要对强背景噪声下的管道泄漏方法进行研究。

技术实现要素：

为了解决在强背景噪声工况下的信号识别问题，本发明针对输气管道的泄漏识别提出了一种基于时频谱图特征增强与卷积神经网络相结合的新方法。其中时频谱图的特征增强能够有效的增强时频图上的纹理特征，同时对于实际工况中的瞬态噪声和随机噪声能够有效地进行抑制，通过将该特征增强方法与优化后的卷积神经网络相结合，能够有效的提高在强背景噪声干扰下的泄漏识别准确率。

本发明的技术方案为：

所述一种基于深度学习的强背景噪声环境下的气体管道泄漏识别方法，包括以下步骤：

步骤1：模拟气体管道在不同管道压力、不同泄露口径下的阀门外泄以及垫片泄漏状态，并采集各个状态下的泄漏声信号；另外还采集模拟环境下的背景声信号和实际管道场景下的噪声背景信号；

步骤2：将垫片泄漏、阀门泄漏声信号与模拟环境下的背景声信号以及实际管道场景下的噪声背景信号进行混合，形成六类具有代表性的声信号，分别是：

模拟环境下的背景声信号、模拟环境下的阀门外泄声信号、模拟环境下的垫片泄漏声信号、实际管道场景下的噪声背景信号、实际管道场景下的噪声与阀门外泄混合声信号，实际管道场景下的噪声与垫片泄漏混合声信号；

将每一类声信号分割为短时音频信号，将六类短时音频信号划分为训练集和测试集；

步骤3：对每一类短时音频数据进行短时傅里叶变换，获得样本的以横轴为时间、纵轴为频率、数值代表声压强度的表征矩阵；

步骤4：对表征矩阵进行超声域部分提取，得到超声域表征矩阵；

步骤5：将步骤4得到的超声域表征矩阵在时间域上进行t等分，采用大小为k*k大小的正方形滑动窗口，分别在每一个等分后得到的矩阵上从左至右、从上至下以步长为s进行滑动，将每一个正方形窗口内的元素提取出来获得t个k*k大小的矩阵，对这t个矩阵进行卷积操作得到一个新的值，将新的值作为特征增强后的矩阵的对应位置元素值，同时将增强后的矩阵映射成时频图像，作为新的数据集；

步骤6：采用不同的特征增强超参数k、s、t，重复步骤5获得不同的数据集；搭建卷积神经网络模型；对于每组特征增强超参数k、s、t所得到的数据集，利用其中训练集对应的数据集来训练模型，并用测试集对应的数据集检测模型的性能，输出每一类数据的预测准确率，并综合得到该组特征增强超参数k、s、t的适应度；

步骤7：通过比对不同的特征增强超参数k、s、t所对应的适应度，得到对于输气管道泄漏检测最合适的特征增强超参数k、s、t，然后对相应的卷积神经网络模型进行优化调整，获得在此条件下的最优神经网络识别模型；之后利用该最优神经网络识别模型进行气体管道泄漏识别。

进一步的，步骤1中在实验室管道泄漏模拟系统上模拟气体管道在不同管道压力、不同泄露口径下的阀门外泄以及垫片泄漏状态，并采用麦克风传感器阵列采集各个状态下的泄漏声信号。

进一步的，实际管道场景下的噪声背景信号为管廊风机噪声信号。

进一步的，六类具有代表性的声信号分别为：实验室背景声信号，表示风机未工作且无泄漏时的管廊背景；实验室阀门外泄声信号，表示风机未工作时的管廊管道阀门泄漏；实验室垫片泄漏声信号，表示风机未工作时的管廊管道连接处泄漏；管廊风机噪声声信号，表示风机工作但无泄漏发生的管廊背景；风机噪声与阀门外泄混合声信号，表示风机工作时发生的阀门泄漏；风机噪声与垫片泄漏混合声信号，表示风机工作时发生的垫片泄漏。

进一步的，所述短时音频信号的长度为2秒。

进一步的，步骤3中短时傅里叶变换的窗长设置为1024个采样点，重叠率设置为512个采样点。

进一步的，步骤4中，对表征矩阵进行超声域部分提取具体为表征矩阵中代表20000-40000hz的子矩阵提取出来。

进一步的，步骤6中，以六类数据的预测准确率平均值作为特征增强超参数k、s、t的适应度。

有益效果

本发明的有益效果如下：

1、本发明通过将背景(管廊风机)噪声信号与实验室中模拟的泄漏信号混合以模拟实际应用环境下的泄漏声信号，相比于单一的实验室模拟泄漏信号来说更具有实际工程意义，因而在此数据集下训练的模型、研究的方案也更加具有代表性与说服力。

2、本发明中所提出的特征增强方法不仅能够对时频图上的特征进行显式的增强，同时能够对随机以及瞬态噪声进行有效的抑制，对于具有许多瞬态和随机的复杂噪声的实际工业环境来说具有较大的应用价值。

3、本发明通过将特征增强与卷积神经网络相结合，构建了一套针对于强背景噪声下的输气管道泄漏检测的行之有效方案，在低信噪比的工况信号识别中获得较为明显的效果提升。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1为强背景噪声的输气管道泄漏识别技术方案。

图2是基于卷积操作的特征增强示意图。

图3是所建立的卷积神经网络参数说明。

具体实施方式

下面详细描述本发明的实施例，所述实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

本发明所选取的应用实例为地下综合管廊的输气管道泄漏检测，地下综合管廊为了保持干燥因而会预装大量风机，风机噪声成为了地下综合管廊中的强背景噪声。由于实际管廊中的泄漏信号难以获取，因此通过在实验室管道泄漏模拟系统上模拟阀门外泄、垫片泄漏并采集泄漏声信号，同时在实际管廊中采集强背景(风机)噪声信号，将泄漏信号与实际背景信号混合以模拟在实际管廊下的泄漏情况。将每一类音频数据进行分割获得大量的短时音频信号，对音频信号进行短时傅里叶变换，然后进行特征增强处理，基于二维离散卷积的相关概念，本发明提出了一种新的特征增强方式，将增强后的特征矩阵映射为以横轴代表时间，纵轴代表频率，颜色深浅代表声压级强度的时频图，最终形成地下综合管廊泄漏检测的数据集。然后搭建适用于气体泄漏检测的卷积神经网络模型。将特征增强与神经网络相结合构成一套完整的行之有效的输气管道泄漏检测方案。同时由于本发明所提出的特征增强方法具有3个参数，所以通过枚举法根据最终的神经网络识别准确率来确定最有效的特征增强参数值。

强背景噪声下的气体管道泄漏识别方法，具体包含以下步骤：

step1：在实验室管道泄漏模拟系统上模拟不同管道压力、不同泄漏口径下的阀门外泄、垫片泄漏，采用麦克风传感器阵列(采样率为96khz)采集泄漏声信号，同时分别采集实验室以及实际管廊中的背景(风机)信号。

step2：将垫片泄漏、阀门泄漏声信号与管廊中的强背景噪声(风机噪声)信号进行混合以模拟在复杂背景噪声下的泄漏，最后形成六类具有代表性的城市地下综合管廊输气管道声信号，分别是：实验室背景(表示风机未工作且无泄漏时的管廊背景)、实验室阀门外泄(表示风机未工作时的管廊管道阀门泄漏)、实验室垫片泄漏(表示风机未工作时的管廊管道连接处泄漏)、管廊风机噪声(表示风机工作但无泄漏发生的管廊背景)、风机噪声与阀门外泄混合(表示风机工作时发生的阀门泄漏)、风机噪声与垫片泄漏混合(表示风机工作时发生的垫片泄漏)。将每一类声信号分割为2秒的短时音频信号，将六类2秒的短时音频信号按照7：3的比例划分为训练集和测试集。

step3：对每一类短时音频数据进行短时傅里叶变换，短时傅里叶变换的窗长设置为1024个采样点，重叠率设置为512个采样点，经过短时傅里叶变换后，获得样本的以横轴为时间、纵轴为频率、数值代表声压强度的表征矩阵。计算机处理的离散短时傅里叶变换数学表达式如下：

其中γ[]为窗函数，s[]为离散时间序列。

step4：由于大部分的噪声都集中在低频部分，为了降低噪声的影响增强信噪比，所以直接对表征矩阵进行超声域部分提取，即将表征矩阵中代表20000-40000hz的子矩阵提取出来。

step5：将第四步提取的超声域表征矩阵在时间域上进行t等分，采用一个大小为k*k大小的正方形滑动窗口，分别在每一个等分后得到的矩阵上从左至右、从上至下以步长为s进行滑动，将每一个正方形窗口内的元素提取出来获得t个k*k大小的矩阵，对这t个矩阵进行卷积操作得到一个新的值，将新的值作为特征增强后的矩阵的对应位置元素值，同时将增强后的矩阵映射成时频图像，作为新的数据集。特征增强说明示意图如图2所示。具体的矩阵的离散卷积公式如下：

其中f是二维图像，g是卷积核。

step6：采用不同的特征增强超参数k、s、t，重复步骤5获得不同的数据集；搭建神经网络模型；对于每组特征增强超参数k、s、t所得到的数据集，利用其中训练集对应的数据集来训练模型，并用测试集对应的数据集检测模型的性能，输出每一类数据的预测准确率，并综合得到该组特征增强超参数k、s、t的适应度。神经网络架构说明如图3所示。

step7：通过结果对比(表1)，选择针对于输气管道泄漏检测最合适的特征增强超参数(k、s、t)，同时对搭建的卷积神经网络模型进行优化调整，获得在此条件下的最优神经网络识别模型。利用特征增强的时频图像和优化调整后的卷积神经网络，得到良好的对强背景噪声输气管道泄漏的识别效果。

表1不同特征增强参数下的各类工况信号识别准确率

*a代表实验室背景，b代表实验室模拟的垫片泄漏，c代表实验室模拟的阀门泄漏，x代表管廊的强背景(风机)噪声，y代表强背景(风机)噪声下的垫片泄漏，z代表强背景(风机)噪声下的阀门泄漏，ave表示六分类的平均准确率。

根据上表结果，最终确定特征增强参数为：t＝4,s＝3,k＝5。从上表结果分析可知采用本专利中所提出的方法，管廊内工况信号的识别准确率均有明显的提升，其中模型的整体最大增幅达到2.8％。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。