一种自动提取特征的压力容器气体泄漏声学识别方法

1.本发明属于气体泄漏智能识别领域，具体涉及一种自动提取特征的压力容器气体泄漏声学识别方法。


背景技术：

2.气体生产是现代化工生产中的重要分支，气体产生、收集、储运过程中，通常采用压力管道和容器。压力管道和容器一旦出现材料制造缺陷、腐蚀和损伤等问题，将产生气体泄漏。如果泄漏气体为易燃易爆或有毒有害的危化气体，会对人的生命和财产、生态环境造成灾难性后果。采用电子信息技术对气体泄漏进行实时监测，做到及时发现、及时报警、及时应对，将危险消除在早期阶段有着极为重要意义。
3.因此，研究人员提出各种检测气体泄漏技术，电阻催化燃烧、半导体、电化学、红外光和声学检测方法，其中声学检测方法具有较高的灵敏度、效率和精度。在声学检测方法中，气体逸出压力容器的声音信号通常是非平稳的，采用时频分析方法能够有效的分析非平稳信号。近年来以小波变换为代表的时频分析方法具有良好的时间分辨率和频率分辨率，被证明可用于描述非平稳信号，研究人员针对小波变换随时移变化的缺陷改进了一种小波散射变换，它具有平移不变性、局部形变稳定性和信息完整性等特点，且通过了严格的数学推导，证明了其优越性并被广泛应用于音频信号、心率信号和轴承故障等非平稳信号的特征提取。此外，在实际工程环境下，仅判断是否发生泄漏不足以判断泄漏的危险程度，且无法为维修人员提供足够的故障维修信息，因此有必要提出一套可以判定泄漏等级的智能识别系统。
4.为此我们提出一种自动提取特征的压力容器气体泄漏声学识别方法用于解决上述问题。


技术实现要素：

5.针对现有技术的不足，本发明的目的在于提供一种自动提取特征的压力容器气体泄漏声学识别方法，以解决上述背景技术中提出的问题。
6.本发明的目的可以通过以下技术方案实现：
7.一种自动提取特征的压力容器气体泄漏声学识别方法，所述识别方法包括以下步骤：
8.步骤1：通过采集装置采集不同工况下的泄漏声信号，在不同距离、不同压力、不同泄漏孔径下，建立一个信号数据集，为后续步骤训练提供前提；
9.步骤2：对步骤1中采集到的每一条信号进行预处理，利用小波包变换将信号分解成8个子带，选取小波熵最高的前三个子带重构信号，去除其他无关频段的干扰；
10.步骤3：对步骤2中预处理后的数据集以8：2的比例分为训练集和测试集，利用小波散射网络对训练集和测试集进行自动特征提取，在最大化保留数据特征的同时对采集信号降维；
11.步骤4：利用步骤3中分好的训练集数据训练设计好的协同双向长短期记忆神经网络，测试集数据测试训练后网络的分类精度。
12.优选地，所述步骤1中采集装置包括空气压缩机、高压气瓶、减压阀、压力表、低压气瓶、精调阀、可拆卸安装拥有不同尺寸的圆形泄漏孔、声学传感器阵列、采集设备、上位机。
13.优选地，所述步骤1中采集信号时所设置的采样率为500khz，采样间隔为 0.5s，采样距离为30cm和100cm，采样压力为0.2mpa和0.5mpa，泄漏孔径为 0.2mm和0.5mm。
14.优选地，所述步骤2中数据预处理时，设定ω时刻信号在第j层小波包分解后得到l个频带为通过高通滤波器和低通滤波器对频带进行分解，得到第i+1层子频带和表达式：
[0015][0016][0017]
对前两个子带的信号进行重构，并将其余6个子带的小波系数都置为0，对预处理过后的信号取4096个数据点输入进步骤3的小波散射网络。
[0018]
优选地，所述步骤3中的小波散射网络中每一层都进行包括散射传播和散射输出两个独立操作；
[0019]
所述小波散射网络中第一层的第一步将信号x与复数小波ψ
λ
卷积并通过取模运算得到第一层小波模系数u1x＝|x*ψ
λ
|并作为第二层的输出值，其中λ表示散射传播路径；
[0020]
第一层的第二步将输入信号x与尺度为2j的高斯低通滤波器φj(u)卷积得到小波系数s0x＝x*φj(u)；
[0021]
对于散射网络第二层输出，空心节点表示第一层小波模算子u1x，将u1x再次与复数小波ψ
λ
卷积取模得到第三层的小波模算子即u2x；
[0022]
第二层第二步运算是将散射算子sj应用于第二层小波模系数u2x与尺度为 2j的高斯低通滤波器φj(u)卷积得到小波系数s2x＝u2x*φj(u)。
[0023]
优选地，重复进行小波散射网络运算步骤到第3层，如下所示：
[0024]
u3x(u,λ1,λ2,λ3)＝|||x*ψ
λ1
|*ψ
λ2
|*ψ
λ3
|
[0025]
s3x(u,λ1,λ2,λ3)＝|||x*ψ
λ1
|*ψ
λ2
|*ψ
λ3
|*φj(u)＝u3x(u,λ1,λ2,λ3)*φj(u)
ꢀꢀꢀ
(2)
[0026]
数据经过小波散射网络后，每条数据的特征降维到349*4。
[0027]
优选地，所述协同双向长短期记忆神经网络的框架图表达式为：
[0028]ht
＝f(w1x
t
+w2h
t-1
)
[0029]h′
t
＝f(w3x
t
+w4h
′
t+1
)
[0030]ot
＝g(w5h
t
+w6h
′
t
)
ꢀꢀꢀ
(3)。
[0031]
优选地，所述协同双向长短期记忆神经网络中利用softmax层将隐藏层输出的分值转换成一个向量输出，向量的每个元素值在0到1之间，且所有元素之和为1，将网络训练的结果转化为概率表示；
[0032]
运用sigmoid函数把所有的得分值映射到0到正无穷，sigmoid函数公式如下所示：
[0033][0034]
然后利用softmax函数对正确的分类求得概率值，其softmax函数如下所示：
[0035][0036]
优选地，所述协同双向长短期记忆神经网络参数设置如下：
[0037]
输入层inputsize设置为349，隐藏单元设置为500，输出模式为“last”，将数据的最后一个元素作为输出，全连接层对应本方法辨识类型的数量，数量为9，训练参数采用adam优化器，学习率为0.01，梯度阈值设置为1，损失函数选择交叉熵损失，每轮选取的小样本数量为1000个，最大迭代轮数为80，使用辨识准确率作为分类的评价指标，准确率acc＝n
acc
/n，其中n
acc
为预测标签与检测样本实际标签相同的个数，n为检测样本的总个数。
[0038]
一种自动提取特征的压力容器气体泄漏声学识别控制器，储存有运行所述的自动提取特征的压力容器气体泄漏声学识别方法程序。
[0039]
本发明的有益效果：
[0040]
1、本发明通过观察泄漏声音信号来快速检测压力容器的状态，对工厂安全监视提供很大帮助，功能齐全、识别精度高，便于给检修人员提供故障信息的压力容器气体泄漏检测方法，为工业生产安全提供了强有力的保障；
[0041]
2、本发明对检测泄漏的识别准确率高，不仅可以检测泄漏与否，还能判断出泄漏大小，并为后续泄漏定位研究提供帮助，具有很大的实际应用价值。
附图说明
[0042]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0043]
图1是本发明总体流程图；
[0044]
图2是本发明中采集方案示意图；
[0045]
图3是本发明中3层小波散射网络原理图；
[0046]
图4是本发明中协同双向长短期记忆神经网络结构示意图。
具体实施方式
[0047]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
[0048]
请参阅图1所示，一种自动提取特征的压力容器气体泄漏声学识别方法，识别方法包括以下步骤：
[0049]
步骤1：采集不同工况下的泄漏声信号，包括30cm、100cm不同距离下， 0.2mpa、0.5mpa不同压力下，0.2mm、0.5mm不同泄漏孔径下，建立一个信号数据集，为后面训练提供
前提；
[0050]
步骤2：对采集到的每一条信号进行预处理，利用小波包变换将信号分解成 8个子带，选取小波熵最高的前三个子带重构信号，去除其他无关频段的干扰；
[0051]
步骤3：对预处理后的数据集以8：2的比例划分为训练集和测试集，利用小波散射网络对训练集和测试集进行自动特征提取，在最大化保留数据特征的同时对采集信号降维；
[0052]
步骤4：利用训练集数据训练设计好的协同双向长短期记忆神经网络，利用测试集数据测试训练后网络的分类精度。
[0053]
小波散射网络模型借鉴了深度学习的层级结构，使用复数小波算子和取模算子交叠运算获得散射系数，复数小波运算为线性过程，故需要非线性算子使得运算积分不为零，复数取模算子作为典型的非线性算子其运算过程可得到信号的包络，为后面获取并输出低频能量做准备。在散射变换过程中小波算子和取模算子的作用会输出低频信号，同时导致高频分量的损失，无法有效提取信号的主要特征。为了对损失的高频部分进一步分析，需要对小波模系数在更高的尺度上继续迭代，进行复数小波运算以及取模运算和低通滤波，以得到更多的低频分量，在迭代过程中信号依照路径散射到不同的尺度和角度。这些系数不同于卷积网络通过学习样本数据进行反向传播调整参数，因而散射网络大大降低了预算量和计算复杂度。数据分类首先需要进行数据预处理并建立散射网络其后进行分类分析。第一步将待分类的数据集根据实验设定按不同比例分成训练集和测试集。为建立散射网络将训练数据的样本数据输入散射网络，待所有的训练数据都通过散射网络后，可得到特征矩阵q0,将测试数据的所有样本分别输入散射网络，待所有的测试数据都通过散射网络后可得到特征矩阵q1；最后将训练集特征矩阵q0和测试集特征矩阵q1组合得到总的特征矩阵q＝[q0,q1]。将最终得到的散射特征矩阵q输入协同双向长短期记忆神经网络进行分类判别。
[0054]
bilstm在lstm网络的基础上被提出来，是一种过去和未来隐藏层状态都可以递归，进行反馈的神经网络，可以更好的挖掘时间序列数据间隐藏的联系，从而提升模型预测精度和数据利用率。所述bilstm网络是基于实验室采集的数据集，使用matlab语言和deep learning toolbox工具箱实现。具体的，所述bilstm网络训练需要通过大量数据进行网络训练，训练数据经过网络得到预测类别标签，与样本真实类别标签比较得到损失值，以此计算梯度来更新网络参数，该网络参数包括权值矩阵与偏置变量，参数更新后重新输入数据重复进行上述过程得到训练好的bilstm模型。最后经过softmax层为每个输出分类的结果都赋予一个概率值，表示属于每个类别的可能性。本方法将无泄漏和通过改变距离，压力大小，泄漏孔径的不同工况下的泄漏声信号数据一共分成9类，通过模拟泄漏环境进行实验论证。
[0055]
模拟实验方案如图2所示，1是一台13kw的空气压缩机，用于产生气体；2是高压气瓶，将空压机产生的高压气体存起来；3是带有压强刻度的减压阀； 4是压力表；5是低压气瓶，接受上游过来减压后的气体；6是精调阀，用于模拟泄漏压力等级的精确调控；7是设计可拆卸安装拥有不同尺寸的圆形泄漏孔，当模拟气体泄漏时，用以控制不同严重程度的气体泄漏故障；8是声学传感器阵列，其性能指标如表1所示，鉴于气体泄漏时的超声特性，对传感器的频响范围、灵敏度参数要求较高；9是ni公司的pxi5172采集设备，可实现8通道实时同步采集，满足皮秒级的混合信号应用，用于将实验室环境下采集的模拟信号转化为数
字信号；10是labview软件编写的上位机界面，用于存储记录采集数据。
[0056]
在采集数据阶段，将采集9种不同类型的数据，如表1所示。采集所设置的采样率为500khz，采样间隔为0.5s。
[0057][0058]
表1
[0059]
在数据预处理阶段，小波包分解是一种将原始信号分解成多个频段的技术，可以对低频、高频部分进行分解，利用小波包分解对非平稳信号随机信号良好的处理能力，剔除随机波动数据，可以减少噪声信号对识别精度不利的影响。假定ω时刻信号在第j层小波包分解后得到l个频带为通过高通滤波器和低通滤波器对频带进行分解，得到第i+1层子频带和表达式：
[0060][0061][0062]
采用db6小波对采集的数据进行小波包分解，将信号按频带分为8个子带。通过计算每个子带的小波熵值发现前两个子带的熵值最大，表明前两个子带所包含的信息最多，所以对前两个子带的信号进行重构，并将其余6个子带的小波系数都置为0。达到去除采集信号调理电路中高频干扰的部分。对预处理过后的信号取4096个数据点输入进小波散射网络。
[0063]
本发明的采用的小波散射网络是一种特殊的卷积网络结构，将负数小波算子(采用gabor小波)和取模算子交叠作用，如图3所示，网络结构中的空心节点代表迭代运算的中间结果即小波模算子，实心的节点则代表复数散射网络的逐层输出即小波散射算子。在散射网络的每一层都进行包括散射传播和散射输出两个独立操作。
[0064]
第一层的第一步是将信号x与复数小波ψ
λ
卷积并通过取模运算得到第一层小波模系数u1x＝|x*ψ
λ
|并作为第二层的输出值，其中λ表示散射传播路径。第一层的第二步是将输入信号x与尺度为2j的高斯低通滤波器φj(u)卷积得到小波系数s0x＝x*φj(u)。对于散射网络第二层输出，空心节点表示第一层小波模算子u1x，将u1x再次与复数小波ψ
λ
卷积取模得
到第三层的小波模算子即u2x。第二层第二步运算是将散射算子sj应用于第二层小波模系数u2x与尺度为2j的高斯低通滤波器φj(u)卷积得到小波系数s2x＝u2x*φj(u)。重复进行以上运算步骤到第3层，则有式(2)所示：
[0065]
u3x(u,λ1,λ2,λ3)＝|||x*ψ
λ1
|*ψ
λ2
|*ψ
λ3
|
[0066]
s3x(u,λ1,λ2,λ3)＝|||x*ψ
λ1
|*ψ
λ2
|*ψ
λ3
|*φj(u)＝u3x(u,λ1,λ2,λ3)*φj(u)
ꢀꢀꢀ
(2)
[0067]
散射网络的输出通过级联每层的小波散射系数得到，其中散射变换沿频率递减的路径逐步运算，在此路径中包括了信号绝大部分的散射能量。本方法采用的小波散射网络结构采用三阶散射变换，对应的质量因子为6、1、1，即每个小波滤波器组中的小波数目，选择小波散射分解采样频率为1024hz，时间不变尺度为3s。数据经过小波散射网络后，每条数据的特征降维到349*4，相比于原数据数据量降低了65.92％.
[0068]
bilstm的框架图如图4所示，输入的小波散射特征信号在正向层从第t0个散射系数点到tn个散射系数点计算得到前向隐藏层输出，在反向层从第tn个散射系数点到第t0个散射系数点得到反向隐含层输出，然后乘以各自的权值并结合得到最终的输出，其表达式为：
[0069]ht
＝f(w1x
t
+w2h
t-1
)
[0070]h′
t
＝f(w3x
t
+w4h
′
t+1
)
[0071]ot
＝g(w5h
t
+w6h
′
t
)
ꢀꢀꢀ
(3)
[0072]
式中h
t
为前向lstm层的输出；h
′
t
为反向lstm层的输出，bilstm的输出状态会根据h
t
和h
′
t
进行矩阵合并并输出；o
t
为bilstm叠加后的隐藏层的输出。
[0073]
最终利用softmax层将隐藏层输出的分值转换成一个向量输出。这个向量的每个元素值在0到1之间，且所有元素之和为1，即将网络训练的结果转化为概率表示。首先运用sigmoid函数把所有的得分值映射到0到正无穷。其sigmoid 函数公式如下所示。
[0074][0075]
然后利用softmax函数对正确的分类求得概率值，其softmax函数如下所示：
[0076][0077]
本方法中将bilstm的网络参数设置如下，由于每个小波散射特征由4列小波散射系数组成，每一列小波散射系数大小为(349*1)，所以将输入层inputsize 设置为349，隐藏单元设置为500，输出模式为“last”，即将数据的最后一个元素作为输出，全连接层对应本方法辨识类型的数量，数量为9。在训练参数上面，采用adam优化器，学习率为0.01，梯度阈值设置为1，损失函数选择交叉熵损失，每轮选取的小样本数量为1000个，最大迭代轮数为80。本方法使用辨识准确率作为分类的评价指标，准确率acc＝n
acc
/n，其中n
acc
为预测标签与检测样本实际标签相同的个数，n为检测样本的总个数。
[0078]
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合
适的方式结合。
[0079]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、 cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0080]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和 /或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/ 或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0081]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0082]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0083]
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。