CN110185939A - 基于卷积神经网络的气体管道泄漏识别方法 - Google Patents

Abstract

本发明提出一种基于卷积神经网络的气体管道泄漏识别方法，在采集典型泄漏类型的泄漏声信号和背景声信号后，进行分帧处理以及短时傅里叶变化得到表征原始泄漏声信号的时频图；而后搭建针对于泄漏声信号的卷积神经网络分类模型，将传统的正方形卷积核改变为特定长条状的长方形卷积核从而能够更好的提取到时频图中的线谱特征；将泄漏声和背景声的时频图混合送入搭建好的卷积神经网络进行训练，训练采用K折交叉验证，对网络模型超参数进行优化，从而选出最优的模型超参数并增强模型的鲁棒性和普适性。该方法相较于现有技术中的管道泄漏识别方法不但在识别率上有进一步的提升，而且还能有效的解决现有技术中最难以处理的特征筛选问题。

Description

基于卷积神经网络的气体管道泄漏识别方法

技术领域

本发明属于气体管道泄漏识别领域，具体涉及一种基于卷积神经网络的气体管道泄漏识别方法。

背景技术

随着经济的发展，人们生活水平的不断提高，天然气已经普及到了城乡居民的日常生活中，现代城市的地下空间中分布着大量的燃气管道。随着时间的推移以及城市的发展，地下空间中分布着的管道会逐渐老化腐蚀或被人为损坏，这必然会导致燃气的泄漏。燃气泄漏不仅对环境造成了极大的污染而且在城乡居民的人身安全方面也埋下了极大的隐患。因此能够及时检测到泄漏源在保障居民人身安全和保护环境方面就显得尤为重要。

申请号为2018106517382的专利提出了一种基于最小二乘支持向量机信息融合的管道泄漏检测方法。该方法相比于传统的质量或体积平衡法、负压波法和人工巡检等泄漏识别方法在识别率上有一定提高，但是基于支持向量机的识别方法需要人工筛选声信号的特征，而且识别率对于所选取的特征具有较高的依赖性，而特征的选取在很大程度上仅仅依靠人的先验知识，这在无形之中就加大了时间成本和人工成本。

发明内容

为了解决传统泄漏识别方法耗时耗力以及漏报率和误报率高的问题，本发明提出了一种基于卷积神经网络的泄漏识别方法，尤其是在卷积神经网络的卷积核上做出了针对气体泄漏声特点的创造性改进。该方法相较于现有技术中的管道泄漏识别方法不但在识别率上有进一步的提升，而且还能有效的解决现有技术中最难以处理的特征筛选问题。

本发明的基本原理是：

模拟实际输气管道中的典型泄漏类型，如通过阀门开口、垫片钻孔和管壁钻孔模拟实际输气管道中最容易发生的阀门外泄、垫片泄漏和管壁泄漏；通过麦克风阵列采集典型泄漏类型的泄漏声信号，进行分帧处理得到大规模短时音频数据，对这些音频数据进行短时傅里叶变化得到表征原始泄漏声信号的时频图。搭建针对于泄漏声信号的卷积神经网络分类模型。卷积神经网络在图像识别领域具有得天独厚的优势，这完全得益于它的卷积核可以提取图像中的深层次特征。然而通过短时傅里叶变化得到的表征原始声信号的时频图不同于自然界中的真实图片，时频图具有明显的条纹状特征，因而基于这一特征，本专利通过将传统的正方形卷积核改变为特定长条状的长方形卷积核从而能够更好的提取到时频图中的线谱特征。将上述典型泄漏类型的泄漏信号的时频图标记为“泄漏”，将通过采集背景(无泄漏情况下的)声音转换得到的时频图标记为“背景”，最后将二者混合送入搭建好的卷积神经网络进行训练。训练采用K折交叉验证，对网络模型超参数进行优化，从而选出最优的模型超参数并增强模型的鲁棒性和普适性。

本发明的技术方案为：

所述一种基于卷积神经网络的气体管道泄漏识别方法，其特征在于：包括以下步骤：

步骤1：模拟实际输气管道中的典型泄漏类型，通过麦克风阵列分别采集各典型泄漏类型的泄漏声信号和背景声信号；

步骤2：对采集到的泄漏声信号和背景声信号进行分帧处理，得到大规模的短时音频信号；

步骤3：定义短时傅里叶变化窗函数长度，将短时音频信号进行短时傅里叶变化得到表征原始信号的时频图；

步骤4：基于时频图中的线谱横向纹理特征，搭建适用于气体管道泄漏检测的卷积神经网络模型：

其中网络模型架构为：

第一层为卷积层，卷积核的大小为5*3，其厚度为3，个数为16；对卷积之后得到的16个特征图进行最大池化操作，池化核的大小为3*3；

第二层为卷积层，卷积核的大小为3*1，其厚度为16，个数为32；对卷积之后得到的32个特征图进行最大池化操作，池化核的大小为3*3；

第三层为卷积层，卷积核的大小为3*1，其厚度为32，个数为64；对卷积之后得到的64个特征图进行最大池化操作，池化核的大小为3*3；

第四层为全连接层，全连接层采用128个神经元；

第五层为softmax层，作为分类层；该层采用两个神经元，作为泄漏与否的二分类结果；

网络模型中各层的激活函数均采用ReLU函数，且在各层中均使用Dropout操作，其中网络模型中前四层还使用局部响应归一化操作；

网络模型的模型损失函数采用交叉熵函数：

其中m表示一次参与网络训练的样本个数，y⁽ⁱ⁾表示第i个样本为泄漏类别的真实概率，表示第i个样本为通过网络模型进行计算得到的泄漏类别概率；

步骤5：将步骤3得到的泄漏声信号时频图和背景声信号时频图作为整个卷积神经网络模型泄漏识别的数据集进行模型训练；

步骤6：通过麦克风阵列对实际输气管道进行巡检，采集实际输气管道附近声信号，并获取声信号的时频图，输入训练好的卷积神经网络模型，得到泄漏与否的识别结果。

进一步的优选方案，所述一种基于卷积神经网络的气体管道泄漏识别方法，其特征在于：步骤1中，分别通过阀门开口、垫片钻孔、管壁钻孔来模拟实际输气管道中的阀门松动泄漏、垫片老化泄漏以及管壁腐蚀破损泄漏三种典型泄漏类型。

进一步的优选方案，所述一种基于卷积神经网络的气体管道泄漏识别方法，其特征在于：通过麦克风阵列分别采集三种模拟典型泄漏类型的泄漏声信号，并分别通过调节阀门开口的大小、更换不同孔径的垫片和管壁进行多次采集。

进一步的优选方案，所述一种基于卷积神经网络的气体管道泄漏识别方法，其特征在于：步骤5中模型训练采用K折交叉验证：将数据集进行K等分，每次选取其中一等分作为验证集，剩下的作为训练集。

进一步的优选方案，所述一种基于卷积神经网络的气体管道泄漏识别方法，其特征在于：步骤4中建立多个网络架构相同但超参数不同的模型，对各个模型分别进行n次K折交叉验证，计算n次结果的平均值，将准确率最高的模型作为最终泄漏识别模型。

有益效果

1、本发明所述的基于卷积神经网络的管道泄漏识别方法，搭建了管道泄漏的数据集，通过阀门开口以及在垫片和管壁上钻孔模拟了真实泄漏中的阀门松动、垫片老化泄漏以及管壁腐蚀泄漏等基本常见泄漏类型，该数据集在实际的工程应用中具有一定的代表性。

2、本发明所述的基于卷积神经网络的管道泄漏识别方法，将图像识别领域最为杰出的卷积神经网络引入到了声音信号分类识别领域，并且针对声音信号特点，设计出了针对声音信号分类的卷积神经网络模型，尤其是在卷积核上做出了不同于传统卷积核的创造性改进。

3、本发明所述的基于卷积神经网络的管道泄漏识别方法，能够大大减少前期的声音信号预处理工作，不需要做出特征筛选等较为耗时耗力的工作，同时还因保留了最原始最齐全的特征信息使得最终的泄漏识别准确率达到了一个新的高度。

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是基于本发明的整个流程图；

图2是自主设计的管道泄漏识别网络模型架构图。

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。

如图1所示，本实施例中的基于卷积神经网络的气体管道泄漏识别方法，包括以下步骤：

步骤1：，分别通过阀门开口、垫片钻孔、管壁钻孔来模拟实际输气管道中最容易发生的阀门松动泄漏、垫片老化泄漏以及管壁腐蚀破损泄漏三种典型泄漏类型。通过麦克风阵列分别采集三种模拟典型泄漏类型的泄漏声信号和背景声信号；并分别通过调节阀门开口的大小、更换不同孔径的垫片和管壁进行多次采集，以获得尽可能多的不同情况下的泄漏声信号。

步骤2：对采集到的泄漏声信号和背景声信号进行分帧处理，得到大规模的短时音频信号。

步骤3：定义短时傅里叶变化窗函数长度，将短时音频信号进行短时傅里叶变化得到表征原始信号的时频图。

短时傅里叶变化中，图像分辨率与窗函数的长度具有较大关系。窗长越长，频率分辨率越高，时间分辨率越低；窗长越短则频率分辨率越低，时间分辨率越高。

时域分辨率：

频域分辨率：

[·]表示向下取整运算。N_X是参与STFT的样本长度，N_W是窗函数长度，N₀是窗口重叠宽度。

根据图像分辨率的定义，将时频谱的图像分辨率P定义为：

P＝T×F

步骤4：基于时频图中的线谱横向纹理特征，搭建适用于气体管道泄漏检测的卷积神经网络模型：

其中网络模型架构如图2所示：

第一层为卷积层，卷积核的大小为5*3，其厚度为3，个数为16；对卷积之后得到的16个特征图进行最大池化操作，池化核的大小为3*3；

第二层为卷积层，卷积核的大小为3*1，其厚度为16，个数为32；对卷积之后得到的32个特征图进行最大池化操作，池化核的大小为3*3；

第三层为卷积层，卷积核的大小为3*1，其厚度为32，个数为64；对卷积之后得到的64个特征图进行最大池化操作，池化核的大小为3*3；

第四层为全连接层，全连接层采用128个神经元；

第五层为softmax层，作为分类层；该层采用两个神经元，作为泄漏与否的二分类结果。

网络模型中各层的激活函数均采用ReLU函数，同时在各层中使用Dropout操作来将隐含层的部分权重或输出随机归零以防止网络模型过拟合的现象。在网络的前四层中使用Local Response Normalization(局部响应归一化)来模拟生物神经系统的侧抑制机制，以提高模型的泛化能力。

网络模型的模型损失函数采用交叉熵函数：

其中m表示一次参与网络训练的样本个数，y⁽ⁱ⁾表示第i个样本为泄漏类别的真实概率，表示第i个样本为通过网络模型进行计算得到的泄漏类别概率。

此外，还采用Adam算法来优化模型提升网络的训练速度。

步骤5：将步骤3得到的泄漏声信号时频图和背景声信号时频图作为整个卷积神经网络模型进行模型训练的数据集。为了保证模型对于数据样本的充分利用，模型训练采用10折交叉验证，即将数据集进行10等分，每次选取其中一等分作为验证集，剩下的作为训练集。10折交叉验证让每一个数据样本都有均等的几率被用于模型的训练和测试，在一定程度上能提升模型的泛化能力。

对各个网络架构相同但超参数不同的模型分别进行10次10折交叉验证，计算10次结果的平均值，将准确率最高的模型作为最终泄漏识别模型。

方法	准确率	训练时间	识别时间
				普通卷积神经网络	95.3％	32.3min	2.8s
本专利方法	99.2％	15.8min	2.2s

表中普通卷积神经网络采用的是AlexNet模型架构，从准确率和模型训练时间来看，本发明所搭建的网络模型要优于一般传统的神经网络模型，本发明对于气体管道泄漏识别具有很高的识别率。

步骤6：通过麦克风阵列对实际输气管道进行巡检，采集实际输气管道附近声信号，并获取声信号的时频图，输入训练好的卷积神经网络模型，得到泄漏与否的识别结果。

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。

Claims (5)

1.一种基于卷积神经网络的气体管道泄漏识别方法，其特征在于：包括以下步骤：

步骤1：模拟实际输气管道中的典型泄漏类型，通过麦克风阵列分别采集各典型泄漏类型的泄漏声信号和背景声信号；

步骤2：对采集到的泄漏声信号和背景声信号进行分帧处理，得到大规模的短时音频信号；

步骤3：定义短时傅里叶变化窗函数长度，将短时音频信号进行短时傅里叶变化得到表征原始信号的时频图；

步骤4：基于时频图中的线谱横向纹理特征，搭建适用于气体管道泄漏检测的卷积神经网络模型：

其中网络模型架构为：

第一层为卷积层，卷积核的大小为5*3，其厚度为3，个数为16；对卷积之后得到的16个特征图进行最大池化操作，池化核的大小为3*3；

第二层为卷积层，卷积核的大小为3*1，其厚度为16，个数为32；对卷积之后得到的32个特征图进行最大池化操作，池化核的大小为3*3；

第三层为卷积层，卷积核的大小为3*1，其厚度为32，个数为64；对卷积之后得到的64个特征图进行最大池化操作，池化核的大小为3*3；

第四层为全连接层，全连接层采用128个神经元；

第五层为softmax层，作为分类层；该层采用两个神经元，作为泄漏与否的二分类结果；

网络模型中各层的激活函数均采用ReLU函数，且在各层中均使用Dropout操作，其中网络模型中前四层还使用局部响应归一化操作；

网络模型的模型损失函数采用交叉熵函数：

其中m表示一次参与网络训练的样本个数，y⁽ⁱ⁾表示第i个样本为泄漏类别的真实概率，表示第i个样本为通过网络模型进行计算得到的泄漏类别概率；

步骤5：将步骤3得到的泄漏声信号时频图和背景声信号时频图作为整个卷积神经网络模型泄漏识别的数据集进行模型训练；

步骤6：通过麦克风阵列对实际输气管道进行巡检，采集实际输气管道附近声信号，并获取声信号的时频图，输入训练好的卷积神经网络模型，得到泄漏与否的识别结果。

2.根据权利要求1所述一种基于卷积神经网络的气体管道泄漏识别方法，其特征在于：步骤1中，分别通过阀门开口、垫片钻孔、管壁钻孔来模拟实际输气管道中的阀门松动泄漏、垫片老化泄漏以及管壁腐蚀破损泄漏三种典型泄漏类型。

3.根据权利要求2所述一种基于卷积神经网络的气体管道泄漏识别方法，其特征在于：通过麦克风阵列分别采集三种模拟典型泄漏类型的泄漏声信号，并分别通过调节阀门开口的大小、更换不同孔径的垫片和管壁进行多次采集。

4.根据权利要求1或3所述一种基于卷积神经网络的气体管道泄漏识别方法，其特征在于：步骤5中模型训练采用K折交叉验证：将数据集进行K等分，每次选取其中一等分作为验证集，剩下的作为训练集。

5.根据权利要求4所述一种基于卷积神经网络的气体管道泄漏识别方法，其特征在于：步骤4中建立多个网络架构相同但超参数不同的模型，对各个模型分别进行n次K折交叉验证，计算n次结果的平均值，将准确率最高的模型作为最终泄漏识别模型。