CN114202892B - 一种氢泄漏监测方法 - Google Patents

一种氢泄漏监测方法 Download PDF

Info

Publication number
CN114202892B
CN114202892B CN202111353596.XA CN202111353596A CN114202892B CN 114202892 B CN114202892 B CN 114202892B CN 202111353596 A CN202111353596 A CN 202111353596A CN 114202892 B CN114202892 B CN 114202892B
Authority
CN
China
Prior art keywords
sound
hydrogen
storage tank
leakage
mel
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.)
Active
Application number
CN202111353596.XA
Other languages
English (en)
Other versions
CN114202892A (zh
Inventor
崔皓玉
苏韬
李山峰
张春伟
曲捷
阎玮
赵康
陈静
杨行
丛中卉
郭嘉翔
王遥
周博文
张雪涛
景卓
宋建军
申娟
杨晓阳
王淮英
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Institute of Aerospace Testing Technology
Original Assignee
Beijing Institute of Aerospace Testing Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Institute of Aerospace Testing Technology filed Critical Beijing Institute of Aerospace Testing Technology
Priority to CN202111353596.XA priority Critical patent/CN114202892B/zh
Publication of CN114202892A publication Critical patent/CN114202892A/zh
Application granted granted Critical
Publication of CN114202892B publication Critical patent/CN114202892B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/02—Alarms for ensuring the safety of persons
    • G08B21/12—Alarms for ensuring the safety of persons responsive to undesired emission of substances, e.g. pollution alarms
    • G08B21/16—Combustible gas alarms
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
    • G10L21/003—Changing voice quality, e.g. pitch or formants
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
    • G10L25/18—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being spectral information of each sub-band
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
    • G10L25/24—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters the extracted parameters being the cepstrum
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
    • G10L25/30—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique using neural networks
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/45—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of analysis window
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/30—Hydrogen technology
    • Y02E60/32—Hydrogen storage

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Signal Processing (AREA)
  • Acoustics & Sound (AREA)
  • Multimedia (AREA)
  • Computational Linguistics (AREA)
  • Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • General Physics & Mathematics (AREA)
  • Emergency Management (AREA)
  • Artificial Intelligence (AREA)
  • Environmental & Geological Engineering (AREA)
  • General Health & Medical Sciences (AREA)
  • Toxicology (AREA)
  • Combustion & Propulsion (AREA)
  • Chemical & Material Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Examining Or Testing Airtightness (AREA)

Abstract

本发明公开了一种氢泄漏监测方法，包括以下步骤，S1、获取储氢罐的声音信号；S2、获取声音信号的共振峰并将声音信号转换成声音梅尔频谱；S3、根据梅尔频谱获取梅尔倒谱系数；S4、将共振峰、梅尔频谱、梅尔倒谱系数导入训练好的神经网络模型，对储氢罐是否泄漏进行检测。本发明利用声音传感器将储氢罐泄漏时的音频与计算机技术相结合，通过训练好的神经网络模型实现对储氢罐泄漏声音以及泄漏点现象的自动识别，提高了氢泄漏监测的自动化水平和监测精度，能够及时发现氢泄漏故障，减少不必要的资源损失和资金的浪费，还能够达到实时、高效的自动监测氢泄漏的目的，满足行业自动化生产的需要。

Description

一种氢泄漏监测方法
技术领域
本发明属于氢泄漏检测领域，具体地说，涉及一种氢泄漏监测方法。
背景技术
氢能未来具有广阔市场前景，现有技术中，在氢气体泄漏研究领域多采用传统的监测方法，例如使用气体传感器监测目标气体的浓度，使用压力传感器监测贮存气体容器的压力值，通过压力值判断气体泄漏情况。
目前，采用声音传感器来检测氢气体泄漏。主要是声音传感器的直接应用，即将声音传感器安装于储氢罐的阀门周围，监听阀门周围的声音，判断氢气是否泄漏，是一种近场监测方式。但是，采用这种检测方法存在氢泄漏检测不及时，检测准确度低的问题。目前国内使用传感器的氢泄漏监测方法无法达到快响应的需求，并且缺乏无死角监测的手段。
申请有鉴于此特提出本发明。
发明内容
本发明要解决的技术问题在于克服现有技术的不足，目的在于提供一种氢泄漏监测方法，采用神经网络模型对储氢罐是否泄漏进行实时检测、检测准确度高。
为解决上述技术问题，本发明采用技术方案的基本构思是：一种氢泄漏监测方法，包括以下步骤，
S1、获取储氢罐的声音信号；
S2、获取声音信号的共振峰并将声音信号转换成声音梅尔频谱；
S3、根据梅尔频谱获取梅尔倒谱系数；
S4、将共振峰、梅尔频谱、梅尔倒谱系数导入训练好的神经网络模型，对储氢罐是否泄漏进行检测。
进一步地，在所述步骤S1中，采用声音传感器获取储氢罐的声音信号。
进一步地，在所述步骤S2中包括以下步骤：
S21、将声音信号进行分帧处理；
S22、将每帧处理后的声音信号的时域信号转换成频域信号；
S23、将频域信号转换成梅尔频谱。
进一步地，在所述步骤S21中包括以下步骤，
S211、将声音信号以预设时间为单位剪裁成声音信号样本，并制作声音信号样本集；
S212、对样本集的声音信号样本分别进行分帧处理、加窗处理。
进一步地，在所述步骤S22中，分别将样本集中处理后的每帧声音信号通过短时傅里叶变换转换成频域信号。
进一步地，在所述步骤S23中，分别将每一声音信号样本的各帧声音频域信号沿另一维度堆叠成梅尔频谱。
进一步地，在所述步骤S4中，
将共振峰、梅尔频谱、梅尔倒谱系数导入训练好的神经网络模型得到检测模型，判断检测模型与储氢罐压力对应的训练好的模型的匹配度，若大于预设值，则进行氢泄漏报警。
进一步地，在所述步骤S4中包括以下步骤，
S41、将共振峰导入训练好的神经网络模型中，与训练好的共振峰匹配，获取对应的储氢罐压力；
S42、将梅尔频谱、梅尔倒谱系数导入储氢罐压力对应的神经网络模型中得到检测模型；
S43、将检测模型与储氢罐压力对应的训练好的模型进行匹配，若匹配度大于预设值，则进行氢泄漏报警。
进一步地，在所述步骤S4中，训练好的神经网络模型的训练方法包括以下步骤：
S01、获取储氢罐在不同储氢罐压力的多个泄漏声音信号；
S02、分别获取多个泄漏声音信号的共振峰并将多个泄漏声音信号分别转换成声音梅尔频谱；
S03、根据梅尔频谱获取不同储氢罐压力对应的梅尔倒谱系数；
S04、将多个泄漏声音信号及对应的共振峰、频谱图、梅尔倒谱系数导入神经网络模型进行学习，得到不同压力下的训练好的神经网络模型。
进一步地，在所述步骤S01中，将不同储氢罐压力的氢泄漏声音信号分别建立声音信号样本集，所述样本集包括储氢罐的泄漏声音和所处的环境声音。
采用上述技术方案后，本发明与现有技术相比具有以下有益效果。
(1)本发明利用声音传感器将储氢罐泄漏时的音频与计算机技术相结合，通过训练好的神经网络模型实现对储氢罐泄漏声音以及泄漏点现象的自动识别，提高了氢泄漏监测的自动化水平和监测精度，能够及时发现氢泄漏故障，减少不必要的资源损失和资金的浪费，还能够达到实时、高效的自动监测氢泄漏的目的，满足行业自动化生产的需要。
(2)本发明通过判断检测模型与储氢罐压力对应的训练好的模型的匹配度，若大于预设值，则进行氢泄漏报警，可以在储氢罐将要泄漏或刚开始泄漏时进行报警，提示用户及时处理，能够防止储氢罐发生泄漏，提高氢储存的安全性，防范意外事故发生。
下面结合附图对本发明的具体实施方式作进一步详细的描述。
附图说明
附图作为本发明的一部分，用来提供对本发明的进一步的理解，本发明的示意性实施例及其说明用于解释本发明，但不构成对本发明的不当限定。显然，下面描述中的附图仅仅是一些实施例，对于本领域普通技术人员来说，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附图。在附图中：
图1是本发明一种氢泄漏检测方法的流程图；
图2是本发明一种氢泄漏监测方法的流程图；
图3是本发明一种氢泄漏监测模型训练方法的流程图；
图4是本发明一种神经网络数据处理的流程图。
需要说明的是，这些附图和文字描述并不旨在以任何方式限制本发明的构思范围，而是通过参考特定实施例为本领域技术人员说明本发明的概念。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对实施例中的技术方案进行清楚、完整地描述，以下实施例用于说明本发明，但不用来限制本发明的范围。
在本发明的描述中，需要说明的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
如图1至图4所示，本发明所述的氢泄漏监测方法包括以下步骤：S1、获取储氢罐的声音信号；S2、获取声音信号的共振峰并将声音信号转换成声音梅尔频谱；S3、根据梅尔频谱获取梅尔倒谱系数；S4、将共振峰、梅尔频谱、梅尔倒谱系数导入训练好的神经网络模型，对储氢罐是否泄漏进行检测。
本发明通过获取储氢罐的音频，将音频与计算机技术相结合，通过训练好的神经网络模型实现对储氢罐泄漏声音以及泄漏点现象的自动识别，提高了氢泄漏监测的自动化水平和监测精度，能够及时发现氢泄漏故障，减少不必要的资源损失和资金的浪费，还能够达到实时、高效的自动监测氢泄漏的目的，满足行业自动化生产的需要。
储氢罐储存的可以是气态氢、也可以是液态氢。
在所述步骤S1中，采用声音传感器获取储氢罐的声音信号。优选的方案是，获取储氢罐的阀门处的声音信号。
本发明采用数字化声音传感器，如微型机电系统(MEMS)麦克风，微型机电系统(MEMS)麦克风非常坚固耐用，其耐用性源于它们带有极其微小的移动元件，而且质量非常小，因此受到跌落、碰撞等冲击后的影响很小，并且功耗更低。
本发明利用声音传感器将储氢罐泄漏时的音频与计算机技术相结合，可以采用兼容传感器的音频处理软件，将声音传感器搜集到的声音信号转换为计算机可读取的音频数据格式。
如，当声音文件被从声音传感器中解码出wav、mp3、midi、wma等格式，并且再读成计算机可识别的pcm_s16le等格式的数据。
进一步地，在所述步骤S2中，将声音信号转换成声音梅尔频谱包括以下步骤：S21、将声音信号进行分帧处理；S22、将每一帧的声音信号的时域信号转换成频域信号；S23、将频域信号转换成梅尔频谱。
声音传感器获取的氢泄漏的声音信号是一维的时域信号，计算机无法直接通过时域信号的信息提取学习特征。本发明通过将声音信号的时域信号转换成频域信号及梅尔频谱，方便对声音信号的音素进行分析，可以抓取声音信号的特征，方便后期对泄漏声音信号进行分析。
在所述步骤S21之前，获取声音信号的共振峰。或者，在步骤S23之后，获取声音信号的共振峰。优选的方案是，先获取声音信号的共振峰，再将声音信号转换成频域信号。
由于共振峰携带了声音属性，反映声道谐振特性的重要特征，它代表了发音信息的最直接的来源，可以通过共振峰判断储氢罐压力大小。共振峰具有特定的频率和峰值，从声音信号中获取。
在所述步骤S21中包括以下步骤：S211、将声音信号以预设时间为单位剪裁成声音信号样本，并制作声音信号样本集；S212、对样本集的声音信号样本分别进行分帧处理、加窗处理。
对声音信号样本分别分帧处理、加窗处理，方便后期将每帧声音信号转换成频域信号，提高转换精度。
例如，可以将声音信号以预设时间为单位进行剪裁，将剪裁好的若干个声音信号样本放在同一文件夹中，建立声音信号样本集。然后将声音信号样本集中的每一个声音信号样本分别进行分帧处理、加窗处理。
优选的方案是，将声音信号以1s或2s为单位进行剪裁。
在所述步骤S22中，分别将样本集中处理后的每帧声音信号通过短时傅里叶变换转换成频域信号。短时傅里叶变换(STFT)，是对短时的声音信号做傅里叶变化。将频率转换为对数刻度作为x轴，幅度转换为分贝作为y轴，形成频谱图。
在所述步骤S23中，分别将样本集中每一声音信号样本的各帧声音频域信号沿另一维度堆叠成梅尔频谱。
本发明以1s为单位对声音信号剪裁，剪裁成短时声音信号，将1s声音信号进行分帧、加窗处理，可以通过短时傅里叶变换对1s声音信号的每帧声音信号变换成频域信号，最后把1s声音信号的每帧的频域信号沿另一个维度堆叠起来，得到二维信号形式的1s声音信号的梅尔频谱。
在所述步骤S3中，根据梅尔频谱获取梅尔倒谱系数。所述梅尔倒谱系数的计算公式为：
Figure BDA0003356791700000081
其中f为实际频率。通过梅尔频谱及计算公式可以得到每一声音信号样本的梅尔倒谱系数(MFCC)，是每一声音信号样本的声音信号特征。
通过频域里的频谱平坦度特征量化信号和噪音间的相似度，该值越大说明信号越有可能是噪音，可以通过加相应频段的滤波窗口进行滤除。
进一步地，在所述步骤S4中，将共振峰、梅尔频谱、梅尔倒谱系数导入训练好的神经网络模型得到检测模型，判断检测模型与储氢罐压力对应的训练好的模型的匹配度，若大于预设值，则进行氢泄漏报警。
本发明通过判断检测模型与储氢罐压力对应的训练好的模型的匹配度，若大于预设值，则进行氢泄漏报警，可以在储氢罐将要泄漏或刚开始泄漏时进行报警，提示用户及时处理，能够防止储氢罐发生泄漏，提高氢储存的安全性，防范意外事故发生。
在所述步骤S4中包括以下步骤：S41、将共振峰导入训练好的神经网络模型中的，与训练好的共振峰匹配，获取对应的储氢罐压力，从而获得储氢罐压力；S42、将梅尔频谱、梅尔倒谱系数导入储氢罐压力对应的神经网络模型中得到检测模型；S43、将检测模型与储氢罐压力对应的训练好的模型进行匹配，若匹配度大于预设值，则进行氢泄漏报警。
例如，将共振峰导入训练好的神经网络模型中，与训练好的共振峰匹配，得出产生该共振峰的储氢罐的压力为0.2MPa。将梅尔频谱、梅尔倒谱系数导入0.2MPa对应的氢泄漏的神经网络模型得到检测模型。比较检测模型与储氢罐压力对应的训练好的模型的匹配度，若匹配度大于预设值，可以通过声、光、电等形式进行氢泄漏报警。
所述匹配度可根据实际需要和情况进行调整。所述匹配度可以大于等于60％时进行氢泄漏报警。优选的，所述匹配度大于等于85％时进行氢泄漏报警。
进一步地，在所述步骤S4中，训练好的神经网络模型的训练方法包括以下步骤：
S01、获取储氢罐在不同储氢罐压力的多个泄漏声音信号；
S02、分别获取多个泄漏声音信号的共振峰并将多个泄漏声音信号分别转换成声音梅尔频谱；
S03、根据梅尔频谱获取不同储氢罐压力对应的梅尔倒谱系数；
S04、将多个泄漏声音信号及对应的共振峰、频谱图、梅尔倒谱系数导入神经网络模型进行学习，得到不同压力下的训练好的神经网络模型。不同压力的储氢罐泄漏时的声音信号的共振峰不同，所述共振峰与不同压力下的训练好的神经网络模型具有对应关系。
进一步地，在所述步骤S01中，准备多个不同压力的储氢罐，利用声音传感器获取储氢罐泄漏时的声音信号。
将不同储氢罐压力的多个氢泄漏声音信号分别建立样本集，所述样本集包括储氢罐的泄漏声音和所处的环境声音。
优选的方案是，获取储氢罐的阀门处的泄漏声音信号。
可以从储氢罐的压力从0.1MPa到100MP，自小到大依次间隔取若干个压力不同的储氢罐进行训练，数量越多训练效果越好。可以根据储氢罐中气态氢、液态氢的不同存储状态，分别取多个压力不同的储氢罐进行训练。
例如，可以取储氢罐压力为0.1MPa、0.5Mpa、1Mpa、2MPa、10Mpa、15Mpa、20MPa、25MPa、30MPa、35MPa、40MPa、50MPa、60MPa、70MPa、80MPa的储氢罐，分别进行氢泄漏训练。
在所述步骤S02中，分别获得各泄漏声音信号的共振峰。将每一压力的泄漏声音信号以预设时间为单位剪裁成声音信号样本，并制作声音信号样本集，一共建立与储氢罐压力数量相等的多个样本集。
例如，可以将泄漏声音信号以1秒或2秒为单位进行剪裁，将剪裁好的若干个声音信号样本放在同一文件夹中，建立声音信号样本集。然后将声音信号样本集中的每一个声音信号样本分别进行分帧处理、加窗处理。
例如，一个储氢罐压力的氢泄漏声音信号建立一个声音信号样本集，若训练6个储氢罐压力，则对应建立6个声音信号样本集。
对每一声音信号样本集的声音信号样本分别进行分帧处理、加窗处理。然后将各声音信号样本集的每帧声音信号通过短时傅里叶变换转换成频域信号。
在所述步骤S03中，再分别将各声音信号样本集中，每一声音信号样本的每帧声音频域信号沿另一维度堆叠成梅尔频谱，这样多个样本集中的每一个样本集中都包括多个梅尔频谱。
最后，在所述步骤S04中，根据梅尔频谱获取不同储氢罐压力对应的梅尔倒谱系数，将多个样本集及对应的共振峰、频谱图、梅尔倒谱系数导入神经网络模型进行学习，得到不同压力下的训练好的神经网络模型。
不同压力的储氢罐泄漏时的声音信号的共振峰不同，所述共振峰与不同压力下的训练好的神经网络模型具有对应关系。
所述梅尔倒谱系数的计算公式为：
Figure BDA0003356791700000111
其中f为实际频率。
例如，训练6个不同压力下的储氢罐泄漏，则最终得到了6个训练好的不同压力下的氢泄漏神经网络模型。
进一步地，在所述步骤S04中，所述神经网络模型为卷积神经网路模型。
卷积神经网络模型包括依次处理的输入层、第一卷积层、第二卷积层、第三卷积层、平均池化层、全连接层、丢弃层和全连接层。
将多个样本集及对应的共振峰、频谱图、梅尔倒谱系数输入卷积神经网络模型的输入层。可以将多个样本集及对应的共振峰、频谱图、梅尔倒谱系数全部输入，也可以将每个样本集及对应的共振峰、频谱图、梅尔倒谱系数分别输入。优选的方案是，将多个样本集及对应的共振峰、频谱图、梅尔倒谱系数全部输入。
调整卷积层大小为16×28×28。第一卷积层的处理步骤包括，卷积核大小为3×3，卷积核步长为1，卷积核进行卷积，采用激活函数，再采用最大池化大小为2×2，池化步长为1经过第一个卷积层处理后的数据格式为16×14×14。在上述过程中，为防止失真添加步长为5的填充。
将第一个卷积层处理后的数据输入第二卷积层进行处理，处理步骤与第一卷积层的处理步骤相同，先进行卷积、激活函数、最大池化，经过第二个卷积层处理后数据格式为32×6×6。
将第二个卷积层处理后的数据输入第三卷积层进行处理，处理步骤与第一卷积层的处理步骤相同，先进行卷积、激活函数、最大池化，经过第三个卷积层处理后数据格式为64×2×2。
优选的，所述激活函数采用tanh激活函数。
然后将第三个卷积层处理后数据进行平均池化将数据展成一维，接着采用全连接层进行分类，最后在网络末端添加丢弃层增加泛化能力，最后再采用全连接层进行分类，得到各个训练好的神经网络模型。
以上所述仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明，任何熟悉本专利的技术人员在不脱离本发明技术方案范围内，当可利用上述提示的技术内容作出些许更动或修饰为等同变化的等效实施例，上述实施例中的实施方案也可以进一步组合或者替换，但凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明方案的范围内。

Claims (9)

1.一种氢泄漏监测方法，其特征在于：包括以下步骤，
S1、获取储氢罐存储状态下的声音信号；
S2、获取声音信号的共振峰并将声音信号转换成声音梅尔频谱；
S3、根据梅尔频谱获取梅尔倒谱系数；
S4、将共振峰、梅尔频谱、梅尔倒谱系数导入训练好的神经网络模型，对储氢罐是否泄漏进行检测；
在所述步骤S1中，获取储氢罐的阀门处的声音信号；
在所述步骤S4中包括以下步骤，
S41、将共振峰导入训练好的神经网络模型中，与训练好的共振峰匹配，获取对应的储氢罐压力；
S42、将梅尔频谱、梅尔倒谱系数导入储氢罐压力对应的神经网络模型中得到检测模型；
S43、将检测模型与储氢罐压力对应的训练好的模型进行匹配，若匹配度大于预设值，则进行氢泄漏报警；
训练好的共振峰与不同压力下的训练好的神经网络模型具有对应关系。
2.根据权利要求1所述的一种氢泄漏监测方法，其特征在于：在所述步骤S1中，采用声音传感器获取储氢罐的声音信号。
3.根据权利要求1所述的一种氢泄漏监测方法，其特征在于：在所述步骤S2中包括以下步骤：
S21、将声音信号进行分帧处理；
S22、将每帧处理后的声音信号的时域信号转换成频域信号；
S23、将频域信号转换成梅尔频谱。
4.根据权利要求3所述的一种氢泄漏监测方法，其特征在于：在所述步骤S21中包括以下步骤，
S211、将声音信号以预设时间为单位剪裁成声音信号样本，并制作声音信号样本集；
S212、对样本集的声音信号样本分别进行分帧处理、加窗处理。
5.根据权利要求4所述的一种氢泄漏监测方法，其特征在于：在所述步骤S22中，分别将样本集中处理后的每帧声音信号通过短时傅里叶变换转换成频域信号。
6.根据权利要求5所述的一种氢泄漏监测方法，其特征在于：在所述步骤S23中，分别将每一声音信号样本的各帧声音频域信号沿另一维度堆叠成梅尔频谱。
7.根据权利要求1-6任一所述的一种氢泄漏监测方法，其特征在于：在所述步骤S4中，
将共振峰、梅尔频谱、梅尔倒谱系数导入训练好的神经网络模型得到检测模型，判断检测模型与储氢罐压力对应的训练好的模型的匹配度，若大于预设值，则进行氢泄漏报警。
8.根据权利要求1所述的一种氢泄漏监测方法，其特征在于：在所述步骤S4中，训练好的神经网络模型的训练方法包括以下步骤：
S01、获取储氢罐在不同储氢罐压力的多个泄漏声音信号；
S02、分别获取多个泄漏声音信号的共振峰并将多个泄漏声音信号分别转换成声音梅尔频谱；
S03、根据梅尔频谱获取不同储氢罐压力对应的梅尔倒谱系数；
S04、将多个泄漏声音信号及对应的共振峰、频谱图、梅尔倒谱系数导入神经网络模型进行学习，得到不同压力下的训练好的神经网络模型。
9.根据权利要求8所述的一种氢泄漏监测方法，其特征在于：在所述步骤S01中，将不同储氢罐压力的氢泄漏声音信号分别建立声音信号样本集，所述样本集包括储氢罐的泄漏声音和所处的环境声音。
CN202111353596.XA 2021-11-16 2021-11-16 一种氢泄漏监测方法 Active CN114202892B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111353596.XA CN114202892B (zh) 2021-11-16 2021-11-16 一种氢泄漏监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111353596.XA CN114202892B (zh) 2021-11-16 2021-11-16 一种氢泄漏监测方法

Publications (2)

Publication Number Publication Date
CN114202892A CN114202892A (zh) 2022-03-18
CN114202892B true CN114202892B (zh) 2023-04-25

Family

ID=80647695

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111353596.XA Active CN114202892B (zh) 2021-11-16 2021-11-16 一种氢泄漏监测方法

Country Status (1)

Country Link
CN (1) CN114202892B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114877264A (zh) * 2022-06-06 2022-08-09 国家石油天然气管网集团有限公司 一种基于声纹识别的天然气管体泄露识别方法和系统
CN115060429A (zh) * 2022-07-12 2022-09-16 潍柴动力股份有限公司 一种储气瓶的监测系统、方法及燃料电池汽车
GB2629445A (en) * 2023-04-28 2024-10-30 H2Go Power Ltd Network and method
CN118298600B (zh) * 2024-06-06 2024-08-13 山东斯诺电子有限公司 一种燃气管道阀门故障监测报警方法、系统及存储介质

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103940552A (zh) * 2014-05-13 2014-07-23 国家电网公司 一种大型汽轮发电机氢气泄漏检测方法
CN109785857B (zh) * 2019-02-28 2020-08-14 桂林电子科技大学 基于mfcc+mp融合特征的异常声事件识别方法
KR102635469B1 (ko) * 2019-03-18 2024-02-13 한국전자통신연구원 컨볼루션 뉴럴 네트워크에 기반한 음향 이벤트 인식 방법 및 장치
CN110956971B (zh) * 2019-12-03 2023-08-01 广州酷狗计算机科技有限公司 音频处理方法、装置、终端及存储介质
CN112472065A (zh) * 2020-11-18 2021-03-12 天机医用机器人技术(清远)有限公司 基于咳嗽声识别的病症检测方法及其相关设备
CN214542302U (zh) * 2021-01-26 2021-10-29 潍柴动力股份有限公司 一种车载储氢系统及车辆

Also Published As

Publication number Publication date
CN114202892A (zh) 2022-03-18

Similar Documents

Publication Publication Date Title
CN114202892B (zh) 一种氢泄漏监测方法
Biswas et al. Admissible wavelet packet features based on human inner ear frequency response for Hindi consonant recognition
CN103065629A (zh) 一种仿人机器人的语音识别系统
CN101390155A (zh) 发言者适配的语音识别和利用基音的注册
GB2485926A (en) Audio feature extracting apparatus, audio feature extracting method, and audio feature extracting program
CN111489763B (zh) 一种基于gmm模型的复杂环境下说话人识别自适应方法
Kuamr et al. Continuous Hindi speech recognition using Gaussian mixture HMM
Ismail et al. Mfcc-vq approach for qalqalahtajweed rule checking
CN112331220A (zh) 一种基于深度学习的鸟类实时识别方法
Chatterjee et al. Auditory model-based design and optimization of feature vectors for automatic speech recognition
KR101699252B1 (ko) 음성 인식을 위한 특징 파라미터 추출 방법 및 이를 이용하는 음성 인식 장치
CN112397074A (zh) 基于mfcc和向量元学习的声纹识别方法
Eringis et al. Improving speech recognition rate through analysis parameters
Biswas et al. Hindi vowel classification using GFCC and formant analysis in sensor mismatch condition
CN206781702U (zh) 一种基于量子神经网络的语音识别汽车防盗系统
Kurcan Isolated word recognition from in-ear microphone data using hidden markov models (HMM)
Biswas et al. Admissible wavelet packet sub‐band‐based harmonic energy features for Hindi phoneme recognition
CN116013371A (zh) 一种神经退行性疾病监测方法、系统、装置及存储介质
Fukuda et al. Improved voice activity detection using static harmonic features
Sharma et al. Voice activity detection using windowing and updated K-means clustering algorithm
Akram et al. Design of an Urdu Speech Recognizer based upon acoustic phonetic modeling approach
Nguyen et al. Bone-conducted speech enhancement using vector-quantized variational autoencoder and gammachirp filterbank cepstral coefficients
US20070219796A1 (en) Weighted likelihood ratio for pattern recognition
Aggarwal et al. Implementing a speech recognition system interface for indian languages
Soon et al. Evaluating the effect of multiple filters in automatic language identification without lexical knowledge

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
GR01 Patent grant
GR01 Patent grant