CN113033396A - 基于特征融合的变频管道过球指示装置及过球检测方法 - Google Patents
基于特征融合的变频管道过球指示装置及过球检测方法 Download PDFInfo
- Publication number
- CN113033396A CN113033396A CN202110316992.9A CN202110316992A CN113033396A CN 113033396 A CN113033396 A CN 113033396A CN 202110316992 A CN202110316992 A CN 202110316992A CN 113033396 A CN113033396 A CN 113033396A
- Authority
- CN
- China
- Prior art keywords
- neural network
- frequency
- signal
- sampling
- time
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 21
- 230000004927 fusion Effects 0.000 title claims abstract description 15
- 230000001133 acceleration Effects 0.000 claims abstract description 64
- 238000005070 sampling Methods 0.000 claims abstract description 63
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 42
- 230000005236 sound signal Effects 0.000 claims abstract description 39
- 238000013528 artificial neural network Methods 0.000 claims abstract description 34
- 238000003062 neural network model Methods 0.000 claims abstract description 8
- 238000000034 method Methods 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 27
- 238000012360 testing method Methods 0.000 claims description 18
- 238000010586 diagram Methods 0.000 claims description 13
- 238000005286 illumination Methods 0.000 claims description 11
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 9
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 abstract description 4
- 230000007547 defect Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000001131 transforming effect Effects 0.000 description 2
- 235000011034 Rubus glaucus Nutrition 0.000 description 1
- 244000235659 Rubus idaeus Species 0.000 description 1
- 235000009122 Rubus idaeus Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009432 framing Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Abstract
本发明提供一种基于特征融合的变频管道过球指示装置及过球检测方法，首先对采集的加速度信号通过卷积神经网络模型CNN提取信号的高级特征，对采集的声音信号通过深度神经网络模型DNN提取信号的高级特征，然后通过将卷积神经网络的全连接层和深度神经网络的全连接层进行拼接作为前馈神经网络的输入，实现加速度信号和声音信号的特征融合，最后利用前馈神经网络FNN输出过球检测的预测结果，同时提出一种变频控制方法控制传感器在下一时刻的采样频率，本发明可以提高检测信号抗干扰能力，精确地对内检测器进行过球检测，并且节约数据处理资源。
Description
技术领域
本发明涉及管道内检测技术领域，具体涉及一种基于特征融合的变频管道过球指示装置及过球检测方法。
背景技术
在现有技术中，在输油气管道进行清管和检测过程中，为了能够准确地确定管内运行设备是否通过指定地点，过球指示器成为各场站的必用设备，但是传统的过球指示器为插入式，需要对管道进行开口处理，会给管道带来安全隐患，且精确度低、数据无法储存、容易造成管道内通过体的损坏和通过能力的降低等诸多弊端。国外现有的非插入式过球指示器，虽然可以实现管道的无损检测，但是没有无线通讯系统，管道检测时，每个过球指示器都需专人监守，在管道路况比较恶劣或危险区域无法进行跟踪作业，其应用有一定的局限性，而且价格昂贵。
传统的信号采集传感器在采集信号时如果一直采用低频采样频率，则会造成在单位时间内采样率低导致过球检测延迟过高。如果一直采用高频采样频率，则会造成数据量过大，无论是对数据的传输、处理和存储都造成巨大的资源浪费。
发明内容
针对现有技术的不足，本发明提出一种基于特征融合的变频管道过球指示装置，包括管道内检测器、加速度传感器、声音传感器、5个光电传感器、数据采集卡、旋转电机、太阳能充电板、电源管理模块、控制器、GPS芯片、WiFi模块，加速度传感器、声音传感器分别安装于管道的待检测位置，5个光电传感器绕太阳能充电板四周排布，光电传感器、加速度传感器、声音传感器分别与数据采集卡电连接，数据采集卡与控制器电连接，旋转电机与控制器电连接，太阳能充电板安装在旋转电机的输出轴上，通过旋转电机带动太阳能充电板旋转不同的角度，太阳能充电板与电源管理模块电连接，电源管理模块与控制器电连接，GPS芯片与控制器电连接，WiFi模块与控制器电连接；
加速度传感器用于采集管道内检测器经过待检测位置时的加速度信号；
声音传感器用于采集管道内检测器经过待检测位置时的声音信号；
光电传感器用于采集光照强度；
数据采集卡用于将采集到的光照强度、加速度信号、声音信号转换为数字量信号传输给控制器；
GPS芯片用于通过卫星信号采集标准时间信息，并传输给控制器；
太阳能充电板用于采集太阳能并转换为电能，并将电能传输给电源管理模块进行存储；
电源管理模块用于存储电能，并将当前剩余电量传输给控制器；
WiFi模块用于发射无线信号；
控制器用于根据采集到的加速度信号、声音信号判断管道内检测器是否过球，还用于根据采集到的光照强度控制旋转电机的旋转角度值，通过无线信号将标准时间信息、过球检测结果、剩余电量发送到上位机监控系统进行显示。
一种采用基于特征融合的变频管道过球指示装置的过球检测方法，包括：
步骤1：采集单位时间内的加速度信号x1(n)＝{x1(1)，x1(2)，…，x1(i)，…,x1(n)}、声音信号x2(n)＝{x2(1),x2(2),…,x2(i),…,x2(n)}，并对每列信号进行上下采样匹配得到标准频率信号数据，其中x1(i)表示第i个加速度信号的采样值，x2(i)表示第i个声音信号的采样值，所述每列信号是指同一单位时间内采集到的加速度信号x1(n)或声音信号x2(n)，i＝1,2,…,n；
步骤2：将加速度信号对应的标准频率信号进行归一化处理后，再进行快速傅里叶变换得到时频图；
步骤3：获取声音信号对应的标准频率信号中的梅尔频率倒谱特征；
步骤4：构建卷积神经网络并进行训练，利用训练好的卷积神经网络提取加速度信号的高级特征；
步骤5：构建深度神经网络，利用训练好的卷积神经网络提取声音信号的高级特征；
步骤6：构建前馈神经网络，将卷积神经网络的全连接层和深度神经网络的全连接层进行拼接作为前馈神经网络的输入，前馈神经网络的输出为第t时刻的预测结果pt，
其中，FNN表示前馈神经网络，CNN表示卷积神经网络，DNN表示深度神经网络，FNN-Sigmoid(·)表示前馈神经网络输出层的激活函数为Sigmoid，G表示加速度信号的时频灰度特征，H表示声音信号的梅尔频率倒谱特征，c1表示经过卷积神经网络后得到的高级特征，c2表示经过深度神经网络后得到的高级特征；
步骤7：利用公式(2)计算一段时间T内预测结果的加权平均值，得到时间段T内的识别结果O，
其中，预测结果O表示时间段T内管道内检测器经过待检测位置的概率；
步骤8：利用公式(3)计算下一时刻的采样频率fi(t+1)；
式中，f1(t)表示当前时刻t时加速度传感器的采样频率值，f2(t)表示当前时刻t时声音传感器的采样频率值，αχ和βχ表示调节系数，χ＝1表示加速度传感器，χ＝2表示声音传感器，fs为最高采样频率，En1和En2表示阈值常数，x1,t(n)表示t时刻采集的加速度信号，x2,t(n)表示t时刻采集的声音信号，N表示单位时间内包含的信号帧数，k＝0,1,2,…,N-1。
所述对每列信号进行上下采样匹配得到标准频率信号数据表述为：
步骤1.1：将信号系列x(n)按照插值q倍的方法改变频率，则将原来包含n个采样点的信号序列x(n)扩充为包含nq个采样点的新序列xC(nq)；
步骤1.2：利用公式(4)计算频率改变后的新序列xC(nq)中每个采样点对应的标准频率数据，
其中，C表示实际采样频率fi(t)和标准频率f之间的最小公倍数，q＝C/fi(t)，κ％q＝0表示κ能够整除q，如果κ％q＝0则频率改变后的新信号序列xC(nq)中第κ个采样点对应的标准频率数据xκ,C(κ)＝xκ(κ/q)，xκ(κ/q)表示信号系列x(n)中第κ/q个采样点对应的采样值，如果κ％q≠0则频率改变后的新信号序列xC(nq)中第κ个采样点对应的标准频率数据
xC(κ-1)表示信号系列x(n)中第C个采样点对应的采样值，α为增益系数，ω＝2πf，f1(t)为加速度传感器在当前时刻t时的采样频率，f2(t)为声音传感器在当前时刻t时的采样频率；
步骤1.3：从新序列xC(nq)中按照取样间隔p抽取N'个标准频率数据构成标准频率信号xC(N')，其中
表示向下取整。
所述步骤2中的快速傅里叶变换包括：
步骤2.1：将加速度信号对应的标准频率信号串接保持器得到连续信号x'1t(t)；
步骤2.2：利用公式(5)计算时频图中每个像素点的图像像素值，
式中，X(τ,ω)表示快速傅里叶变化后得到的时频图像像素值，w(t-τ)表示窗函数，ω＝2πf，t表示时间，τ表示窗间隔；
则时频图中第m个像素点的图像像素值g(m)＝X(τ,ω)。
所述步骤4包括：
步骤4.1：将步骤2获得的时频图像数据集划分为测试集和训练集；
步骤4.2：构建卷积神经网络模型；
步骤4.3：初始化连接权值w和阈值b，随机初始化阈值b，输入层神经元和隐藏层神经元之间的连接权值w(w1,w2,w3,…,ws)，其中s为隐藏层神经元的个数；
步骤4.4：将全连接层作为卷积神经网络的信号高级特征；
步骤4.5：利用训练集对卷积神经网络模型进行训练，利用测试集进行测试，当达到最大迭代次数时停止训练，得到训练好的卷积神经网络模型；
步骤4.6：利用训练好的卷积神经网络模型提取加速度信号的高级特征。
所述步骤5具体表述为：将步骤3得到的梅尔频率倒谱特征划分为训练集和测试集，将训练集输入构建的深度神经网络进行训练，利用测试集进行测试，通过全连接层输出图像高级特征，当达到最大迭代次数后停止训练，得到训练好的深度神经网络模型，最后利用训练好的深度神经网络模型提取声音信号的高级特征。
本发明的有益效果是：
本发明提出了一种基于特征融合的变频管道过球指示装置及过球检测方法，对采集的加速度信号通过卷积神经网络模型CNN提取信号的高级特征，对采集的声音信号通过深度神经网络模型DNN提取信号的高级特征，然后通过将卷积神经网络的全连接层和深度神经网络的全连接层进行拼接作为前馈神经网络的输入，实现加速度信号和声音信号的特征融合，最后利用前馈神经网络FNN输出过球检测的预测结果，同时提出一种变频控制方法控制传感器在下一时刻的采样频率，本发明可以提高检测信号抗干扰能力，精确地对内检测器进行过球检测，并且节约数据处理资源。
附图说明
图1为本发明中基于特征融合的变频管道过球指示装置框图；
图2为本发明中采用基于特征融合的变频管道过球指示装置的过球检测方法流程图；
图3为本发明中变频管道过球指示装置的外形图，其中(a)为正面三维图，(b)为背面三维图；
图4为本发明中对采集的声音信号提取梅尔频率倒谱特征的流程图；
图5为本发明中变频管道过球指示装置的接线原理图。
具体实施方式
下面结合附图和具体实施实例对发明做进一步说明。
如图1所示，一种基于特征融合的变频管道过球指示装置，包括管道内检测器、加速度传感器、声音传感器、5个光电传感器、数据采集卡、旋转电机、太阳能充电板、电源管理模块、控制器、GPS芯片、WiFi模块，加速度传感器、声音传感器分别安装于管道的待检测位置，5个光电传感器绕太阳能充电板四周排布，光电传感器、加速度传感器、声音传感器分别与数据采集卡电连接，数据采集卡与控制器电连接，旋转电机与控制器电连接，太阳能充电板安装在旋转电机的输出轴上，通过旋转电机带动太阳能充电板旋转不同的角度，太阳能充电板与电源管理模块电连接，电源管理模块与控制器电连接，GPS芯片与控制器电连接，WiFi模块与控制器电连接；
加速度传感器用于采集管道内检测器经过待检测位置时的加速度信号；
声音传感器用于采集管道内检测器经过待检测位置时的声音信号；
光电传感器用于采集光照强度；
数据采集卡用于将采集到的光照强度、加速度信号、声音信号转换为数字量信号传输给控制器；
GPS芯片用于通过卫星信号采集标准时间信息，这里将北京时间作为标准时间，并传输给控制器；
太阳能充电板用于采集太阳能并转换为电能，并将电能传输给电源管理模块进行存储；
电源管理模块用于存储电能，并将当前剩余电量传输给控制器；
WiFi模块用于发射无线信号；
控制器用于根据采集到的加速度信号、声音信号判断管道内检测器是否过球，还用于根据采集到的光照强度控制旋转电机的旋转角度值，通过无线信号将标准时间信息、过球检测结果、剩余电量发送到上位机监控系统进行显示。
本实施方式中各元器件型号如下：加速度传感器为CT1010L，声音传感器为MAX9814，光电传感器为GY-485-44009，数据采集卡为MCC118，旋转电机为高速480电机，太阳能充电板为，电源管理模型为18650X750，控制器为树莓派4(Raspberry Pi 4B)，GPS芯片为ATK1218-BD，Wifi模块为9271，具体的接线原理图如图5所示，封装后的装置外形图如图3所示，天线右侧设有设备总开关按钮，下方设有加速度传感器接口和声音传感器接口，加速度传感器以吸盘的方式吸附于管道外壁，声音传感器以吸盘的形式吸附于管道外壁，壳体背面设有外接电源的充电口，壳体顶面设有由电机控制转向的太阳能充电板和光电传感器阵列，上位机监控系统集成在壳体侧面显示屏上。
5路光电传感器分别采集5路光照强度，每个光电传感器对应一个相应的旋转角度值，通过控制器判断哪一路的光照强度值最大，则控制旋转电机旋转到相应的角度值。
一种采用基于特征融合的变频管道过球指示装置的过球检测方法，如图2所示，包括：
步骤1：采集单位时间内的加速度信号x1(n)＝{x1(1)，x1(2)，…，x1(i)，…,x1(n)}、声音信号x2(n)＝{x2(1),x2(2),…,x2(i),…,x2(n)}，并对每列信号进行上下采样匹配得到标准频率信号数据，其中x1(i)表示第i个加速度信号的采样值，x2(i)表示第i个声音信号的采样值，所述每列信号是指同一单位时间内采集到的加速度信号x1(n)或声音信号x2(n)，i＝1,2,…,n；
所述对每列信号进行上下采样匹配得到标准频率信号数据表述为：
步骤1.1：将信号系列x(n)按照插值q倍的方法改变频率，则将原来包含n个采样点的信号序列x(n)扩充为包含nq个采样点的新序列xC(nq)；
步骤1.2：利用公式(4)计算频率改变后的新序列xC(nq)中每个采样点对应的标准频率数据，
其中，C表示实际采样频率fi(t)和标准频率f之间的最小公倍数，q＝C/fi(t)，κ％q＝0表示κ能够整除q，如果κ％q＝0则频率改变后的新信号序列xC(nq)中第κ个采样点对应的标准频率数据xκ,C(κ)＝xκ(κ/q)，xκ(κ/q)表示信号系列x(n)中第κ/q个采样点对应的采样值，如果κ％q≠0则频率改变后的新信号序列xC(nq)中第κ个采样点对应的标准频率数据
xC(κ-1)表示信号系列x(n)中第C个采样点对应的采样值，α为增益系数，ω＝2πf，f1(t)为加速度传感器在当前时刻t时的采样频率，f2(t)为声音传感器在当前时刻t时的采样频率；
步骤1.3：从新序列xC(nq)中按照取样间隔p抽取N'个标准频率数据构成标准频率信号xC(N')，其中
表示向下取整。
步骤2：将加速度信号对应的标准频率信号进行归一化处理后，再进行快速傅里叶变换得到时频图；
步骤2.1：将加速度信号对应的标准频率信号串接保持器g(t)＝1(t)-1(t-1/f)得到连续信号x'1t(t)；
步骤2.2：利用公式(5)计算时频图中每个像素点的图像像素值，
式中，X(τ,ω)表示快速傅里叶变化后得到的时频图像像素值，w(t-τ)表示窗函数，ω＝2πf，t表示时间，τ表示窗间隔；
则时频图中第m个像素点的图像像素值g(m)＝X(τ,ω)。
步骤3：如图4所示，获取声音信号对应的标准频率信号中的梅尔频率倒谱特征；
1)获取的声音信号经上下采样匹配得到标准频率信号后，对声音信号进行预加重，将信号通过一个高通滤波器，补偿高频信号，使信号频谱变得平坦；
2)对声音信号进行分帧处理，选取20-40ms为一帧进行提取梅尔频率倒谱特征MFCC；
3)加窗，为了使相邻两帧区别不大，需在相邻两帧之间做重叠，然后为其加汉明窗以改善帧首尾的连续性；
4)快速傅里叶变换，将声音信号转换到频域，计算其频谱图得到频域特征；
5)三角形滤波器，将频谱信号通过一组三角带通滤波器，滤波器个数在24-40之间；
6)变换为倒谱，计算每个滤波器组输出的对数能量将其变换为倒谱；
7)将对数能量利用离散余弦变换DCT，得到MFCC参数；
步骤4：构建卷积神经网络并进行训练，利用训练好的卷积神经网络提取加速度信号的高级特征；
步骤4.1：将步骤2获得的时频图像数据集划分为测试集和训练集；
步骤4.2：构建卷积神经网络模型；
步骤4.3：初始化连接权值w和阈值b，随机初始化阈值b，输入层神经元和隐藏层神经元之间的连接权值w(w1,w2,w3,…,ws)，其中s为隐藏层神经元的个数；
步骤4.4：将全连接层作为卷积神经网络的信号高级特征；
步骤4.5：利用训练集对卷积神经网络模型进行训练，利用测试集进行测试，当达到最大迭代次数时停止训练，得到训练好的卷积神经网络模型；
步骤4.6：利用训练好的卷积神经网络模型提取加速度信号的高级特征。
步骤5：构建深度神经网络，利用训练好的卷积神经网络提取声音信号的高级特征；
将步骤3得到的梅尔频率倒谱特征划分为训练集和测试集，将训练集输入构建的深度神经网络进行训练，利用测试集进行测试，通过全连接层输出图像高级特征，当达到最大迭代次数后停止训练，得到训练好的深度神经网络模型，最后利用训练好的深度神经网络模型提取声音信号的高级特征。
步骤6：构建前馈神经网络，将卷积神经网络的全连接层和深度神经网络的全连接层进行拼接作为前馈神经网络的输入，前馈神经网络的输出为第t时刻的预测结果pt，
其中，FNN表示前馈神经网络，CNN表示卷积神经网络，DNN表示深度神经网络，FNN-Sigmoid(·)表示前馈神经网络输出层的激活函数为Sigmoid，G表示加速度信号的时频灰度特征，H表示声音信号的梅尔频率倒谱特征，c1表示经过卷积神经网络后得到的高级特征，c2表示经过深度神经网络后得到的高级特征；
步骤7：利用公式(2)计算一段时间T内预测结果的加权平均值，得到时间段T内的识别结果O，
其中，预测结果O表示时间段T内管道内检测器经过待检测位置的概率；
步骤8：利用公式(3)计算下一时刻的采样频率fχ(t+1)；
式中，f1(t)表示当前时刻t时加速度传感器的采样频率值，f2(t)表示当前时刻t时声音传感器的采样频率值，αχ和βχ表示调节系数，χ＝1表示加速度传感器，χ＝2表示声音传感器，fs为最高采样频率，En1和En2表示阈值常数，x1,t(n)表示t时刻采集的加速度信号，x2,t(n)表示t时刻采集的声音信号，N表示单位时间内包含的信号帧数，k＝0,1,2,…,N-1。
Claims (6)
1.一种基于特征融合的变频管道过球指示装置，其特征在于，包括管道内检测器、加速度传感器、声音传感器、5个光电传感器、数据采集卡、旋转电机、太阳能充电板、电源管理模块、控制器、GPS芯片、WiFi模块，加速度传感器、声音传感器分别安装于管道的待检测位置，5个光电传感器绕太阳能充电板四周排布，光电传感器、加速度传感器、声音传感器分别与数据采集卡电连接，数据采集卡与控制器电连接，旋转电机与控制器电连接，太阳能充电板安装在旋转电机的输出轴上，通过旋转电机带动太阳能充电板旋转不同的角度，太阳能充电板与电源管理模块电连接，电源管理模块与控制器电连接，GPS芯片与控制器电连接，WiFi模块与控制器电连接；
加速度传感器用于采集管道内检测器经过待检测位置时的加速度信号；
声音传感器用于采集管道内检测器经过待检测位置时的声音信号；
光电传感器用于采集光照强度；
数据采集卡用于将采集到的光照强度、加速度信号、声音信号转换为数字量信号传输给控制器；
GPS芯片用于通过卫星信号采集标准时间信息，并传输给控制器；
太阳能充电板用于采集太阳能并转换为电能，并将电能传输给电源管理模块进行存储；
电源管理模块用于存储电能，并将当前剩余电量传输给控制器；
WiFi模块用于发射无线信号；
控制器用于根据采集到的加速度信号、声音信号判断管道内检测器是否过球，还用于根据采集到的光照强度控制旋转电机的旋转角度值，通过无线信号将标准时间信息、过球检测结果、剩余电量发送到上位机监控系统进行显示。
2.一种采用权利要求1所述的一种基于特征融合的变频管道过球指示装置的过球检测方法，其特征在于，包括：
步骤1：采集单位时间内的加速度信号x1(n)＝{x1(1)，x1(2)，…，x1(i)，…,x1(n)}、声音信号x2(n)＝{x2(1),x2(2),…,x2(i),…,x2(n)}，并对每列信号进行上下采样匹配得到标准频率信号数据，其中x1(i)表示第i个加速度信号的采样值，x2(i)表示第i个声音信号的采样值，所述每列信号是指同一单位时间内采集到的加速度信号x1(n)或声音信号x2(n)，i＝1,2,…,n；
步骤2：将加速度信号对应的标准频率信号进行归一化处理后，再进行快速傅里叶变换得到时频图；
步骤3：获取声音信号对应的标准频率信号中的梅尔频率倒谱特征；
步骤4：构建卷积神经网络并进行训练，利用训练好的卷积神经网络提取加速度信号的高级特征；
步骤5：构建深度神经网络，利用训练好的卷积神经网络提取声音信号的高级特征；
步骤6：构建前馈神经网络，将卷积神经网络的全连接层和深度神经网络的全连接层进行拼接作为前馈神经网络的输入，前馈神经网络的输出为第t时刻的预测结果pt，
其中，FNN表示前馈神经网络，CNN表示卷积神经网络，DNN表示深度神经网络，FNN-Sigmoid(·)表示前馈神经网络输出层的激活函数为Sigmoid，G表示加速度信号的时频灰度特征，H表示声音信号的梅尔频率倒谱特征，c1表示经过卷积神经网络后得到的高级特征，c2表示经过深度神经网络后得到的高级特征；
步骤7：利用公式(2)计算一段时间T内预测结果的加权平均值，得到时间段T内的识别结果O，
其中，预测结果O表示时间段T内管道内检测器经过待检测位置的概率；
步骤8：利用公式(3)计算下一时刻的采样频率fχ(t+1)；
式中，f1(t)表示当前时刻t时加速度传感器的采样频率值，f2(t)表示当前时刻t时声音传感器的采样频率值，αχ和βχ表示调节系数，χ＝1表示加速度传感器，χ＝2表示声音传感器，fs为最高采样频率，En1和En2表示阈值常数，x1,t(n)表示t时刻采集的加速度信号，x2,t(n)表示t时刻采集的声音信号，N表示单位时间内包含的信号帧数，k＝0,1,2,…,N-1。
3.根据权利要求2所述的过球检测方法，其特征在于，所述对每列信号进行上下采样匹配得到标准频率信号数据表述为：
步骤1.1：将信号系列x(n)按照插值q倍的方法改变频率，则将原来包含n个采样点的信号序列x(n)扩充为包含nq个采样点的新序列xC(nq)；
步骤1.2：利用公式(4)计算频率改变后的新序列xC(nq)中每个采样点对应的标准频率数据，
其中，C表示实际采样频率fi(t)和标准频率f之间的最小公倍数，q＝C/fi(t)，κ％q＝0表示κ能够整除q，如果κ％q＝0则频率改变后的新信号序列xC(nq)中第κ个采样点对应的标准频率数据xκ,C(κ)＝xκ(κ/q)，xκ(κ/q)表示信号系列x(n)中第κ/q个采样点对应的采样值，如果κ％q≠0则频率改变后的新信号序列xC(nq)中第κ个采样点对应的标准频率数据
xC(κ-1)表示信号系列x(n)中第C个采样点对应的采样值，α为增益系数，ω＝2πf，f1(t)为加速度传感器在当前时刻t时的采样频率，f2(t)为声音传感器在当前时刻t时的采样频率；
步骤1.3：从新序列xC(nq)中按照取样间隔p抽取N'个标准频率数据构成标准频率信号xC(N')，其中
表示向下取整。
4.根据权利要求2所述的过球检测方法，其特征在于，所述步骤2中的快速傅里叶变换包括：
步骤2.1：将加速度信号对应的标准频率信号串接保持器得到连续信号x′1t(t)；
步骤2.2：利用公式(5)计算时频图中每个像素点的图像像素值，
式中，X(τ,ω)表示快速傅里叶变化后得到的时频图像像素值，w(t-τ)表示窗函数，ω＝2πf，t表示时间，τ表示窗间隔；
则时频图中第m个像素点的图像像素值g(m)＝X(τ,ω)。
5.根据权利要求2所述的过球检测方法，其特征在于，所述步骤4包括：
步骤4.1：将步骤2获得的时频图像数据集划分为测试集和训练集；
步骤4.2：构建卷积神经网络模型；
步骤4.3：初始化连接权值w和阈值b，随机初始化阈值b，输入层神经元和隐藏层神经元之间的连接权值w(w1,w2,w3,…,ws)，其中s为隐藏层神经元的个数；
步骤4.4：将全连接层作为卷积神经网络的信号高级特征；
步骤4.5：利用训练集对卷积神经网络模型进行训练，利用测试集进行测试，当达到最大迭代次数时停止训练，得到训练好的卷积神经网络模型；
步骤4.6：利用训练好的卷积神经网络模型提取加速度信号的高级特征。
6.根据权利要求2所述的过球检测方法，其特征在于，所述步骤5具体表述为：将步骤3得到的梅尔频率倒谱特征划分为训练集和测试集，将训练集输入构建的深度神经网络进行训练，利用测试集进行测试，通过全连接层输出图像高级特征，当达到最大迭代次数后停止训练，得到训练好的深度神经网络模型，最后利用训练好的深度神经网络模型提取声音信号的高级特征。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110316992.9A CN113033396A (zh) | 2021-03-24 | 2021-03-24 | 基于特征融合的变频管道过球指示装置及过球检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110316992.9A CN113033396A (zh) | 2021-03-24 | 2021-03-24 | 基于特征融合的变频管道过球指示装置及过球检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113033396A true CN113033396A (zh) | 2021-06-25 |
Family
ID=76473470
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110316992.9A Pending CN113033396A (zh) | 2021-03-24 | 2021-03-24 | 基于特征融合的变频管道过球指示装置及过球检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113033396A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117572464A (zh) * | 2024-01-17 | 2024-02-20 | 杭州芯云半导体技术有限公司 | Gps测试方法、装置、电子设备及存储介质 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006214930A (ja) * | 2005-02-04 | 2006-08-17 | Kochi Univ Of Technology | 粘度測定装置 |
| KR101046216B1 (ko) * | 2011-03-15 | 2011-07-04 | (주) 한일네트워크엔지니어링 | 상수도관 무단수 관내시 및 누수감지용 스마트볼 |
| CN102122204A (zh) * | 2011-01-17 | 2011-07-13 | 北京邮电大学 | 分布式力觉同步感知方法及系统 |
| CN103244830A (zh) * | 2013-05-13 | 2013-08-14 | 天津大学 | 一种用于海底管道的内检测系统及其检测方法 |
| CN103939749A (zh) * | 2014-04-28 | 2014-07-23 | 东北大学 | 基于大数据的输油管网泄漏智能自适应监控系统及方法 |
| CN104834820A (zh) * | 2015-05-13 | 2015-08-12 | 西安翼飞软件科技有限公司 | 管道投入球无源探测跟踪信息处理系统 |
| CN204630613U (zh) * | 2015-05-23 | 2015-09-09 | 湖北中科能能源技术有限公司 | 一种太阳能检测器 |
| CN106287239A (zh) * | 2016-08-16 | 2017-01-04 | 浙江大学 | 用于城市供水管网泄漏定位的智能管内检测球装置及方法 |
| CN106801790A (zh) * | 2016-12-15 | 2017-06-06 | 中国石化销售有限公司华南分公司 | 一种基于双天线地面标记器的过球检测方法 |
| WO2018011013A1 (en) * | 2016-07-11 | 2018-01-18 | Unilever Plc | Upstream filter |
| CN109063849A (zh) * | 2018-07-11 | 2018-12-21 | 东北大学 | 一种管道内检测器的实时跟踪与分级定位系统及方法 |
| WO2020149797A1 (en) * | 2019-01-16 | 2020-07-23 | National University Of Singapore | Pipeline analysis systems |
| CN112015261A (zh) * | 2019-05-29 | 2020-12-01 | 华为技术有限公司 | 一种智能终端驾驶模式识别方法 |
-
2021
- 2021-03-24 CN CN202110316992.9A patent/CN113033396A/zh active Pending
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006214930A (ja) * | 2005-02-04 | 2006-08-17 | Kochi Univ Of Technology | 粘度測定装置 |
| CN102122204A (zh) * | 2011-01-17 | 2011-07-13 | 北京邮电大学 | 分布式力觉同步感知方法及系统 |
| KR101046216B1 (ko) * | 2011-03-15 | 2011-07-04 | (주) 한일네트워크엔지니어링 | 상수도관 무단수 관내시 및 누수감지용 스마트볼 |
| CN103244830A (zh) * | 2013-05-13 | 2013-08-14 | 天津大学 | 一种用于海底管道的内检测系统及其检测方法 |
| CN103939749A (zh) * | 2014-04-28 | 2014-07-23 | 东北大学 | 基于大数据的输油管网泄漏智能自适应监控系统及方法 |
| CN104834820A (zh) * | 2015-05-13 | 2015-08-12 | 西安翼飞软件科技有限公司 | 管道投入球无源探测跟踪信息处理系统 |
| CN204630613U (zh) * | 2015-05-23 | 2015-09-09 | 湖北中科能能源技术有限公司 | 一种太阳能检测器 |
| WO2018011013A1 (en) * | 2016-07-11 | 2018-01-18 | Unilever Plc | Upstream filter |
| CN106287239A (zh) * | 2016-08-16 | 2017-01-04 | 浙江大学 | 用于城市供水管网泄漏定位的智能管内检测球装置及方法 |
| CN106801790A (zh) * | 2016-12-15 | 2017-06-06 | 中国石化销售有限公司华南分公司 | 一种基于双天线地面标记器的过球检测方法 |
| CN109063849A (zh) * | 2018-07-11 | 2018-12-21 | 东北大学 | 一种管道内检测器的实时跟踪与分级定位系统及方法 |
| WO2020149797A1 (en) * | 2019-01-16 | 2020-07-23 | National University Of Singapore | Pipeline analysis systems |
| CN112015261A (zh) * | 2019-05-29 | 2020-12-01 | 华为技术有限公司 | 一种智能终端驾驶模式识别方法 |
Non-Patent Citations (4)
| Title |
|---|
| JUN ZHENG等: "Detection and Location for In-pipe Detector Block Accident Based on Image Edge Processing", 《2019 CHINESE CONTROL AND DECISION CONFERENCE (CCDC)》, 12 September 2019 (2019-09-12), pages 2662 - 2667 * |
| TIANSHU XU等: "A small leakage detection approach for oil pipeline using an inner spherical ball", 《PROCESS SAFETY AND ENVIRONMENTAL PROTECTION》, vol. 124, 24 November 2018 (2018-11-24), pages 279 - 289, XP085644821, DOI: 10.1016/j.psep.2018.11.009 * |
| 徐龙等: "浅谈管道清管及内检测中的常见问题与应对措施", 《清洗世界》, vol. 35, no. 03, 31 March 2019 (2019-03-31), pages 71 - 72 * |
| 陈思嘉: "输水管管内探测球的动力学特性研究", 《中国优秀硕士学位论文全文数据库_工程科技Ⅱ辑》, 15 August 2015 (2015-08-15), pages 034 - 6 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117572464A (zh) * | 2024-01-17 | 2024-02-20 | 杭州芯云半导体技术有限公司 | Gps测试方法、装置、电子设备及存储介质 |
| CN117572464B (zh) * | 2024-01-17 | 2024-03-29 | 杭州芯云半导体技术有限公司 | Gps测试方法、装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111933188B (zh) | 一种基于卷积神经网络的声音事件检测方法 | |
| CN113405825B (zh) | 一种基于声音信号的带式输送机故障诊断方法 | |
| CN106646587B (zh) | 基于声振动信号的目标检测与识别方法及系统 | |
| CN112735473B (zh) | 基于声音识别无人机的方法及系统 | |
| CN113158727A (zh) | 一种基于视频和语音信息的双模态融合情绪识别方法 | |
| CN111613240B (zh) | 一种基于注意力机制和Bi-LSTM的伪装语音检测方法 | |
| CN113566948A (zh) | 机器人化煤机故障音频识别及诊断方法 | |
| CN110880328B (zh) | 到站提醒方法、装置、终端及存储介质 | |
| CN115508821A (zh) | 一种多源融合无人机智能探测系统 | |
| CN113033396A (zh) | 基于特征融合的变频管道过球指示装置及过球检测方法 | |
| CN114371353A (zh) | 一种基于声纹识别的电力设备异常监测方法及系统 | |
| Pan et al. | Cognitive acoustic analytics service for Internet of Things | |
| CN114013957A (zh) | 基于声音信号的输送带纵向撕裂检测方法及相关设备 | |
| CN112529177A (zh) | 一种车辆碰撞检测方法及装置 | |
| CN115438708A (zh) | 一种基于卷积神经网络和多模态融合的分类识别方法 | |
| CN112698660B (zh) | 基于9轴传感器的驾驶行为视觉感知装置及方法 | |
| CN114373476A (zh) | 一种基于多尺度残差注意力网络的声音场景分类方法 | |
| CN113758709A (zh) | 结合边缘计算和深度学习的滚动轴承故障诊断方法及系统 | |
| CN112420074A (zh) | 一种汽车后视镜电机异响声音的诊断方法 | |
| CN114252906A (zh) | 声音事件的检测方法和装置、计算机设备和存储介质 | |
| CN112233683A (zh) | 一种汽车电动后视镜异响检测方法及检测系统 | |
| CN111257890A (zh) | 一种跌倒行为识别方法及装置 | |
| CN114898766A (zh) | 基于gan网络的分布式光纤语音增强方法及隧道救援系统 | |
| CN113990303A (zh) | 基于多分辨率空洞深度可分卷积网络的环境声音辨识方法 | |
| CN214796752U (zh) | 一种基于声纹识别和声源定位的工程车辆识别定位装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |