CN105546352A - 基于声音信号的天然气管道微泄漏检测方法 - Google Patents

Abstract

本发明提供了一种基于声音信号的天然气管道微泄漏检测方法，将管道微泄漏时波动最强烈的声音信号作为主信号，将温度、压力、流量信号作为次信号，建立基于多参数的深度卷积神经网络，通过学习主信号和次信号的数据来确定天然气管道微泄漏概率，此外，针对多参数数据的异构性，设计一个深度受限玻尔兹曼机模型，对多参数数据进行预训练，获得最优权值矩阵和最优偏置值，作为深度卷积神经网络模型的权重初始值和偏置值初始值，该方法大大提高了管道微泄漏事故判定的准确率，降低了大型安全事故的发生，提高天然气管道事故抢险效率。

Description

基于声音信号的天然气管道微泄漏检测方法

技术领域

本发明涉及天然气输送管道安全检测技术领域，具体涉及一种基于声音信号的加气站管道微泄漏检测方法。

背景技术

天然气作为一种清洁能源，有效缓解能源的紧缺以及对环境的污染问题，得到了广泛利用。因此，压缩天然气(简称CNG)加气站成为了国家重要的基础设施建设项目。从2010年开始，CNG汽车以16％的速度逐年增长,加强CNG加气站建设的安全性具有重要的社会意义。据统计，全国的CNG加气站已经从2012年年底的2400座左右，增长至2013年六月底的3000座左右，天然气汽车新增47.3万辆，总保有量已达到157.7万辆，同比增长40％。

然而，随着CNG加气站数量的增加，安全事故的发生率也呈现逐渐上升之势。近几年，由于CNG加气站发生了多起安全事故，国家科技部重点开展对CNG汽车加气站安全性研究。一旦加气站发生安全事故，则会导致爆炸、爆燃、泄漏、爆脱、环境性损伤、机件解体或飞溅、设备内腐蚀、设备外腐蚀等严重后果和经济损失。

由于传感器安装的局限性和其自身物理特征的约束性，在天然气输送管道发生泄漏的初期很难实现微泄漏的检测。大量学者也主要关注于通过改善传感器精度和分析特定输送管道参数关系来提高安全事故发生的判断准确率，而对天然气输送管道微泄漏的检测少有研究，主要是因为以下关键问题：

(1)天然气泄漏初期传感器很难采集到数据，导致微泄漏扩展到较大的泄漏，带来巨大的人员和财产损失。由于传感器物理特性的限制，加气站的天然气输送管道泄漏初期传感器很难检测到数据，泄漏量必须达到一定数量后传感器才能够采集相关数据，但管道泄漏初期泄漏声音却异常突出，同时由于加气站环境复杂，噪音也比较明显。为了避免初期可及时处理的小问题演变成不可收拾的大事故，尽早正确检测天然气输送管道泄漏状况，也就是在管道微泄漏时正确判断事故发生是减低输送过程安全事故、提高泄漏事故抢险效率的有效途径之一。

(2)造成管道微泄漏的因素很多，这些因素中某些因素之间可以建立物理方程，但方程中很多参数现实中根本无法测量，且很难构建一个概率函数囊括所有的影响因素，因此现有方法通常着重于某几个参数值的分析，导致运算结果的不准确性。影响管道微泄漏的参数如温度、流量、压力，以及声音信号，很难找一个标准的方程组，完整的表达所有参数之间的关系。而且天然气管道不同采集变量具有不同的量纲，各变量取值之间具有较大的分散差异。

(3)对管道泄漏的研究经历了几个阶段，从纯物理方程到人工设定参数的概率推理，直到机器学习。现仍有大量研究着重于一个参数的物理结构来确定管道状态，评价误差较大。由于引入决策的参数数量越来越多,每个参数与微泄漏事故的关系度不好直接定义。某一参数判断结果的影响力表现为连接权重，传统采用随机生成0-1之间的数来避免过分强调某一参数的影响。这就带来了学习结果的巨大误差。其实，每个参数对判断结果的影响是有一定规律的，但不能采用人工或随机的方法来设定。

上述问题必然会影响快速、准确判断加气站管道微泄漏事故的发生，成为制约天然气输送科学发展、保障加气站安全的瓶颈。

发明内容

本申请通过提供一种基于声音信号的天然气管道微泄漏检测方法，利用管道微泄漏时波动最强烈的声音信号来弥补泄露初期传感器很难采集到数据的物理弱点，将管道微泄漏的声音信号作为主信号，将压力、温度、流量作为次信号共同建立深度卷积神经网络模型，通过学习主信号和次信号的数据来确定天然气管道微泄漏概率，此外，针对多参数数据的异构性，设计一个深度受限玻尔兹曼机模型，对多参数数据进行预训练，获得最优权值矩阵和最优偏置值，作为深度卷积神经网络模型的权重初始值和偏置值初始值，以解决管道微泄漏时难以快速、准确判断的技术问题。

为解决上述技术问题，本申请采用以下技术方案予以实现：

一种基于声音信号的天然气管道微泄漏检测方法，包括如下步骤：

S1：采集天然气管道微泄漏时的声音信号以及温度、压力、流量信号；

S2：对声音信号进行特征提取和去噪的预处理；

S3：设计一个深度受限玻尔兹曼机模型，对步骤S2预处理后的声音信号以及步骤S1采集到的温度、压力、流量信号的进行预训练，获得最优权值矩阵和最优偏置值，作为深度卷积神经网络模型的权重初始值和偏置值初始值；

S4：将步骤S3得到的最优权值矩阵和最优偏置值作为权重初始值和偏置值初始值，建立四层深度卷积神经网络模型，并利用该模型对天然气管道的微泄漏状况进行监测，其中，所述四层深度卷积神经网络模型包括一个输入层、两个隐藏层和一个输出层，输入层所输入的主信号为预处理后的声音信号，次信号为温度、压力和流量信号，输出层所输出的信号为天然气管道微泄漏概率，每个隐藏层均由卷积和下采样函数组成。

进一步地，步骤S4中具体包括如下步骤：

S41：取每个采样点预处理后的声音信号和对应的温度、压力、流量信号构成输入向量组；

S42：对输入数据进行卷积计算，得到式中，为第l层隐藏层第j个单元的输出值，f为激活函数，为第l层隐藏层第j个单元的偏置值，为第l-1层隐藏层第i个单元的输出值，为第l-1层隐藏层第i个单元的输出值到第l层隐藏层第j个单元的输出值之间的连接权值；

S43：设计基于窗口边界大小的下采样函数：对局部进行均值化，降低第二个隐藏层的输入量，式中，N为窗宽；

S44：设计输出函数的运算函数，输出管道微泄漏事故发生的概率。

进一步地，在每个隐藏层的输入端引入Dropout以降低数据的过拟合，即，在训练过程中将隐藏层节点的输出层以概率P清零，利用反向传播算法更新权值。

进一步地，在步骤S3中采用了Gibbs采样。

由于管道微泄漏检测的数据量较大，深度卷积神经网络的初始权重会直接影响最终效果和学习的时间，为了提高深度卷积神经网络的学习能力，本发明设计了一种深度受限玻尔兹曼机模型对采样的数据进行预训练，获得最优权值矩阵和最优偏置值，作为深度卷积神经网络模型的权重初始值和偏置值初始值。步骤S3的具体步骤为:

S31：利用Gibbs采样，将步骤S2预处理后的声音信号作为样本属性，建立其他所有属性在该样本属性下的条件概率，获得各个属性的样本值x¹＝(x₁,x₂,…x_n)；

S32：设计样本值的编码方法，构建权值函数，计算隐藏节点特征取值概率分布，使得x¹＝(x₁,x₂,…,x_n)→y＝(y₁,y₂,…,y_m)；

S33：设计解码方法，构建权值函数，计算隐藏节点映射的概率分布，获取y＝(y₁,y₂,…,y_m)→x²＝(x′₁,x′₂,…,x′_n)；

S34：不断学习更新能量函数，得到最优权值矩阵和最优偏置值。

不断学习更新能量函数，使得x¹与x²空间尽可能地接近，最终实现解码结果与编码输入的相似，此时的权重值为最优。

天然气管道发生微泄漏时，波动最强烈的因素是声音信号，针对环境复杂而带来的杂音，需要提取声音信号的特征信息，并去除其中的噪声，步骤S2中对声音信号进行预处理的具体步骤包括：

S21：将采集到的声音信号进行离散傅里叶变换，转化为浮点型数值数据；

S22：对转化后的声音信号进行加窗处理，转化到Melfilter域上；

S23：进行离散余弦变换提取特征参数式中，m_k为步骤S22转化所得的梅尔滤波系数，q为滤波器阶数，k＝1,2,…q。

S24：采用倒谱均值归一化算法进行去噪，即：E(t)＝c(t)-m(t)，式中，E(t)为深度卷积神经网络的声音信号输入变量，倒谱均值μ为每次计算的更新步长，N为窗宽，且满足 $1-{\mathrm{\μ}}^N=\frac{1}{\sqrt{2}}.$

进一步地，步骤S42中选取sigmoid函数作为激活函数。

由于管道微泄漏检测的数据量较大，深度卷积神经网络的初始权重会直接影响最终效果和学习的时间，为了提高深度卷积神经网络的学习能力，本发明设计了一种深度受限玻尔兹曼机模型对采样的数据进行预训练，获得最优权值矩阵和最优偏置值，作为深度卷积神经网络模型的权重初始值和偏置值初始值，步骤S3中具体包括如下步骤：

与现有技术相比，本申请提供的技术方案，具有的技术效果或优点是：

该方法大大提高了管道微泄漏事故判定的速度和准确率，降低了大型安全事故的发生，提高了天然气管道事故抢险效率。

附图说明

图1为本发明结构示意图。

具体实施方式

本申请实施例通过提供一种基于声音信号的天然气管道微泄漏检测方法，利用管道微泄漏时波动最强烈的声音信号来弥补泄露初期传感器很难采集到数据的物理弱点，将管道微泄漏的声音信号作为主信号，将压力、温度、流量作为次信号共同建立深度卷积神经网络模型，通过学习主信号和次信号的数据来确定天然气管道微泄漏概率，此外，针对多参数数据的异构性，设计一个深度受限玻尔兹曼机模型，对多参数数据进行预训练，获得最优权值矩阵和最优偏置值，作为深度卷积神经网络模型的权重初始值和偏置值初始值，以解决管道微泄漏时难以快速、准确判断的技术问题。

为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式，对上述技术方案进行详细的说明。

一种基于声音信号的天然气管道微泄漏检测方法，包括如下步骤：

S1：采集天然气管道微泄漏时的声音信号以及温度、压力、流量信号；

S2：对声音信号进行特征提取和去噪的预处理；

S3：设计一个深度受限玻尔兹曼机模型，对步骤S2预处理后的声音信号以及步骤S1采集到的温度、压力、流量信号的进行预训练，获得最优权值矩阵和最优偏置值，作为深度卷积神经网络模型的权重初始值和偏置值初始值；

S4：将步骤S3得到的最优权值矩阵和最优偏置值作为权重初始值和偏置值初始值，建立四层深度卷积神经网络模型，并利用该模型对天然气管道的微泄漏状况进行监测，其中，所述四层深度卷积神经网络模型包括一个输入层、两个隐藏层和一个输出层，输入层所输入的主信号为预处理后的声音信号，次信号为温度、压力和流量信号，输出层所输出的信号为天然气管道微泄漏概率，每个隐藏层均由卷积和下采样函数组成。

图1所示为本发明的结构示意图。

天然气管道发生微泄漏时，波动最强烈的因素是声音信号，针对环境复杂而带来的杂音，需要提取声音信号的特征信息，并去除其中的噪声，步骤S2中对声音信号进行预处理的具体步骤包括：

S21：将采集到的声音信号进行离散傅里叶变换，转化为浮点型数值数据；

S22：对转化后的声音信号进行加窗处理，转化到Melfilter域上；

S23：进行离散余弦变换提取特征参数式中，m_k为步骤S22转化所得的梅尔滤波系数，q为滤波器阶数，k＝1,2,…q。

S24：采用倒谱均值归一化算法进行去噪，即：E(t)＝c(t)-m(t)，式中，E(t)为深度卷积神经网络的声音信号输入变量，倒谱均值μ为每次计算的更新步长，N为窗宽，且满足 $1-{\mathrm{\μ}}^N=\frac{1}{\sqrt{2}}.$

由于管道微泄漏检测的数据量较大，深度卷积神经网络的初始权重会直接影响最终效果和学习的时间，为了提高深度卷积神经网络的学习能力，本发明设计了一种深度受限玻尔兹曼机模型对采样的数据进行预训练，获得最优权值矩阵和最优偏置值，作为深度卷积神经网络模型的权重初始值和偏置值初始值。步骤S3的具体步骤为:

S31：利用Gibbs采样，将步骤S2预处理后的声音信号作为样本属性，建立其他所有属性在该样本属性下的条件概率，获得各个属性的样本值x¹＝(x₁,x₂,…x_n)；

S32：设计样本值的编码方法，构建权值函数，计算隐藏节点特征取值概率分布，使得x¹＝(x₁,x₂,…,x_n)→y＝(y₁,y₂,…,y_m)；

S33：设计解码方法，构建权值函数，计算隐藏节点映射的概率分布，获取y＝(y₁,y₂,…,y_m)→x²＝(x′₁,x′₂,…,x′_n)；

S34：不断学习更新能量函数，得到最优权值矩阵和最优偏置值。

不断学习更新能量函数，使得x¹与x²空间尽可能地接近，最终实现解码结果与编码输入的相似，此时的权重值为最优。

进一步地，步骤S4中具体包括如下步骤：

S41：取每个采样点预处理后的声音信号和对应的温度、压力、流量信号构成输入向量组；

S42：对输入数据进行卷积计算，得到式中，为第l层隐藏层第j个单元的输出值，f为激活函数，为第l层隐藏层第j个单元的偏置值，为第l-1层隐藏层第i个单元的输出值，为第l-1层隐藏层第i个单元的输出值到第l层隐藏层第j个单元的输出值之间的连接权值；

S43：设计基于窗口边界大小的下采样函数：对局部进行均值化，降低第二个隐藏层的输入量，式中，N为窗宽；具体来说，down函数是由2*2＝4个点下采样为1个点，也就是4个数的加权平均，这样降低了下一层的输入信息量和计算复杂度；

S44：设计输出函数的运算函数，输出管道微泄漏事故发生的概率。

进一步地，在每个隐藏层的输入端引入Dropout以降低数据的过拟合，即，在训练过程中将隐藏层节点的输出层以概率P清零，利用反向传播算法更新权值。

进一步地，步骤S42中选取sigmoid函数作为激活函数。

本申请的上述实施例中，通过提供一种基于声音信号的天然气管道微泄漏检测方法，将管道微泄漏时波动最强烈的声音信号作为主信号，将温度、压力、流量信号作为次信号，建立基于多参数的深度卷积神经网络，通过学习主信号和次信号的数据来确定天然气管道微泄漏概率，此外，针对多参数数据的异构性，设计一个深度受限玻尔兹曼机模型，对多参数数据进行预训练，获得最优权值矩阵和最优偏置值，作为深度卷积神经网络模型的权重初始值和偏置值初始值，该方法大大提高了管道微泄漏事故判定的速度和准确率，降低了大型安全事故的发生，提高了天然气管道事故抢险效率。

应当指出的是，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的普通技术人员在本发明的实质范围内所做出的变化、改性、添加或替换，也应属于本发明的保护范围。

Claims (6)

1.一种基于声音信号的天然气管道微泄漏检测方法，其特征在于，包括如下步骤：

S1：采集天然气管道微泄漏时的声音信号以及温度、压力、流量信号；

S2：对声音信号进行特征提取和去噪的预处理；

S3：设计一个深度受限玻尔兹曼机模型，对步骤S2预处理后的声音信号以及步骤S1采集到的温度、压力、流量信号的进行预训练，获得最优权值矩阵和最优偏置值，作为深度卷积神经网络模型的权重初始值和偏置值初始值；

S4：将步骤S3得到的最优权值矩阵和最优偏置值作为权重初始值和偏置值初始值，建立四层深度卷积神经网络模型，并利用该模型对天然气管道的微泄漏状况进行监测，其中，所述四层深度卷积神经网络模型包括一个输入层、两个隐藏层和一个输出层，输入层所输入的主信号为预处理后的声音信号，次信号为温度、压力和流量信号，输出层所输出的信号为天然气管道微泄漏概率，每个隐藏层均由卷积和下采样函数组成。

2.根据权利要求1所述的基于声音信号的天然气管道微泄漏检测方法，其特征在于，步骤S4中具体包括如下步骤：

S41：取每个采样点预处理后的声音信号和对应的温度、压力、流量信号构成输入向量组；

S42：对输入数据进行卷积计算，得到式中，为第l层隐藏层第j个单元的输出值，f为激活函数，为第l层隐藏层第j个单元的偏置值，为第l-1层隐藏层第i个单元的输出值，为第l-1层隐藏层第i个单元的输出值到第l层隐藏层第j个单元的输出值之间的连接权值；

S43：设计基于窗口边界大小的下采样函数：对局部进行均值化，降低第二个隐藏层的输入量，式中，N为窗宽；

S44：设计输出函数的运算函数，输出管道微泄漏事故发生的概率。

3.根据权利要求2所述的基于声音信号的天然气管道微泄漏检测方法，其特征在于，在每个隐藏层的输入端引入Dropout以降低数据的过拟合，即，在训练过程中将隐藏层节点的输出层以概率P清零，利用反向传播算法更新权值。

4.根据权利要求1所述的基于声音信号的天然气管道微泄漏检测方法，其特征在于，步骤S3中采用了Gibbs采样。

5.根据权利要求1所述的基于声音信号的天然气管道微泄漏检测方法，其特征在于，步骤S2中对声音信号进行预处理的具体步骤包括：

S21：将采集到的声音信号进行离散傅里叶变换，转化为浮点型数值数据；

S22：对转化后的声音信号进行加窗处理，转化到Melfilter域上；

S23：进行离散余弦变换提取特征参数式中，m_k为步骤S22转化所得的梅尔滤波系数，q为滤波器阶数，k＝1,2,…q。

S24：采用倒谱均值归一化算法进行去噪，即：E(t)＝c(t)-m(t)，式中，E(t)为深度卷积神经网络的声音信号输入变量，倒谱均值μ为每次计算的更新步长，N为窗宽，且满足 $1-{\mathrm{\μ}}^N=\frac{1}{\sqrt{2}}.$

6.根据权利要求2所述的基于声音信号的天然气管道微泄漏检测方法，其特征在于，步骤S42中选取sigmoid函数作为激活函数。