CN115655594B - 一种基于声云图管道节流和泄漏的区分识别方法及装置 - Google Patents

一种基于声云图管道节流和泄漏的区分识别方法及装置 Download PDF

Info

Publication number
CN115655594B
CN115655594B CN202211587562.1A CN202211587562A CN115655594B CN 115655594 B CN115655594 B CN 115655594B CN 202211587562 A CN202211587562 A CN 202211587562A CN 115655594 B CN115655594 B CN 115655594B
Authority
CN
China
Prior art keywords
signal
throttling
leakage
matrix
sound source
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
CN202211587562.1A
Other languages
English (en)
Other versions
CN115655594A (zh
Inventor
曹祖杨
黄铖栋
梁友贵
朱叶花
侯佩佩
周航
张凯强
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.)
Hangzhou Crysound Electronics Co Ltd
Original Assignee
Hangzhou Crysound Electronics Co Ltd
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 Hangzhou Crysound Electronics Co Ltd filed Critical Hangzhou Crysound Electronics Co Ltd
Priority to CN202211587562.1A priority Critical patent/CN115655594B/zh
Publication of CN115655594A publication Critical patent/CN115655594A/zh
Application granted granted Critical
Publication of CN115655594B publication Critical patent/CN115655594B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Examining Or Testing Airtightness (AREA)

Abstract

本发明实施例提供一种基于声云图管道节流和泄漏的区分识别方法及装置，所述方法包括：接收节流管道的声源数据，并根据声源数据得到节流云图特征图，并将节流云图特征图输入节流卷积神经网络判断是否存在节流噪声；存在时对声源数据进行滤波及白化得到解混信号，并计算解混信号的矩阵，对矩阵进行迭代更新，并判断矩阵的迭代更新结果是否收敛，计算收敛后的矩阵对应的解混信号进行傅里叶变换，并基于傅里叶变换的方差值，计算频谱的波动程度，当波动程度大于预设阈值时，节流管道存在气体泄漏。采用本方法在对管道进行泄漏检测时，准确的判断声源数据为泄漏信号还是节流信号，判断出节流信号中是否存在泄漏信号，进一步提高了泄漏判断的准确性。

Description

一种基于声云图管道节流和泄漏的区分识别方法及装置
技术领域
本发明涉及气体泄漏识别技术领域，尤其涉及一种基于声云图管道节流和泄漏的区分识别方法及装置。
背景技术
随着电子技术的飞速发展，越来越多的气体报警系统也向智能化发展，大部分的气体运输装置，比如气体管道，当存在气体泄漏时，通常都会有对应的方法针对不同的气体泄露类型进行检测，比如通过声纹对气体管道进行检测，让对应的工作人员能够及时的对气体泄露进行处理。
但是，运用声纹对管道的气体泄漏进行识别检测时，有效声音往往会淹没在噪声当中，降低气体泄漏位置检测的准确性，其中影响最大的是与气体泄漏物理原理相似的节流发出的噪声，十分影响对气体是否泄漏的判断。
发明内容
针对现有技术中存在的问题，本发明实施例提供一种基于声云图管道节流和泄漏的区分识别方法及装置。
本发明实施例提供一种基于声云图管道节流和泄漏的区分识别方法，包括：
接收节流管道的麦克风阵列上传的声源数据，并根据所述声源数据定位对应的云图数据，调整所述云图数据的数据范围，使所述云图数据覆盖对应的节流管道，得到对应的云图信号；
对所述云图信号进行二值化处理，得到节流云图特征图，并将所述节流云图特征图输入预设的节流卷积神经网络训练，根据所述节流卷积神经网络模型的输出结果判断所述声源数据是否存在节流噪声；
当所述声源数据存在节流噪声时，并对所述声源数据进行滤波及白化处理，得到处理后的解混信号，并计算所述解混信号对应的矩阵，所述解混信号包括节流信号和泄漏信号；
以所述节流信号、泄漏信号的负熵达到最小为迭代目标，对所述矩阵进行迭代更新，并判断所述矩阵的迭代更新结果是否收敛，当所述矩阵的迭代更新结果收敛时，计算收敛后的矩阵对应的解混信号中的节流信号和泄漏信号；
对所述节流信号和泄漏信号进行傅里叶变换，计算得到节流信号和泄漏信号中频域等分的方差值，并基于所述方差值，计算频谱的波动程度，判断所述波动程度是否大于预设阈值，当所述波动程度大于预设阈值时，输出所述节流管道存在气体泄漏的结果。
在其中一个实施例中，所述方法还包括：
对所述声源数据进行滤波处理，所述滤波处理的计算方程式如下：
Figure DEST_PATH_IMAGE001
其中，
Figure DEST_PATH_IMAGE002
为所述声源数据对应的离散信号，
Figure DEST_PATH_IMAGE003
为经过滤波器输出的过滤信号；
对所述过滤信号进行白化处理，包括：
确定所述麦克风阵列中经过滤波后麦克风1和麦克风2采集到的过滤信号，包括：
Figure DEST_PATH_IMAGE004
Figure DEST_PATH_IMAGE005
其中，
Figure DEST_PATH_IMAGE006
和
Figure DEST_PATH_IMAGE007
分别为所述麦克风阵列中经过滤波后麦克风1和麦克风2采集 到的过滤信号，
Figure DEST_PATH_IMAGE008
、
Figure DEST_PATH_IMAGE009
分别为麦克风1和麦克风2接收的过滤信号的混合系数，
Figure DEST_PATH_IMAGE010
为泄漏信号，
Figure DEST_PATH_IMAGE011
为节流信号；
将所述麦克风1和麦克风2采集到的过滤信号通过矩阵形式表示：
Figure DEST_PATH_IMAGE012
其中，
Figure DEST_PATH_IMAGE013
为2*n的矩阵，C为2*2矩阵，
Figure DEST_PATH_IMAGE014
为2*n矩阵；
然后，将矩阵
Figure 586786DEST_PATH_IMAGE013
进行白化处理，包括：
Figure DEST_PATH_IMAGE015
其中，
Figure DEST_PATH_IMAGE016
为样本协方差矩阵，
Figure DEST_PATH_IMAGE017
，其中N为过滤信号的总长度， T为矩阵维度。
在其中一个实施例中，所述方法还包括：
对所述节流信号和泄漏信号进行傅里叶变换，将所述节流信号和泄漏信号映射到预设的频域范围，并将所述频域范围进行k等分，得到每个等分中信号的能量总和；
依次比较k等分中相邻等分的信号的能量值，当后一等分中信号的能量值大于前一等分中信号的能量值时，计算前一等分中信号的方差值，根据计算结果得到频域等分的方差值。
在其中一个实施例中，所述方法还包括：
获取纯节流信号和纯泄漏信号，并分别以所述纯节流信号和纯泄漏信号为基础，通过单层全连接分类器进行训练，并设置训练的节点个数，训练得到节流信号和泄漏信号的频谱对应的权重；
基于所述频域等分的方差值，及对应的权重，计算频谱的波动程度。
在其中一个实施例中，所述计算频谱的波动程度的计算方程式，包括：
Figure DEST_PATH_IMAGE018
其中，所述Wp为波动程度，N为节点个数，
Figure DEST_PATH_IMAGE019
为前一等分中信号的能量，
Figure DEST_PATH_IMAGE020
为后一 等分中信号的能量，
Figure DEST_PATH_IMAGE021
为方差值,
Figure DEST_PATH_IMAGE022
为权重。
在其中一个实施例中，所述方法还包括：
获取节流管道的麦克风阵列上传的历史声源数据，并获取所述历史声源数据对应的历史节流云图特征图及节流管道的节流情况；
将所述历史节流云图特征图输入卷积神经网络模型进行训练，并在训练过程中，通过所述节流情况对卷积神经网络模型进行修正，得到训练后的节流卷积神经网络模型。
在其中一个实施例中，所述方法还包括：
获取所述波动程度与预设阈值之间的数值差，根据所述数值差确定对应的气体泄漏等级，输出所述节流管道存在气体泄漏以及对应的气体泄漏等级。
本发明实施例提供一种基于声云图管道节流和泄漏的区分识别装置，包括：
接收模块，用于接收节流管道的麦克风阵列上传的声源数据，并根据所述声源数据定位对应的云图数据，调整所述云图数据的数据范围，使所述云图数据覆盖对应的节流管道，得到对应的云图信号；
判断模块，用于对所述云图信号进行二值化处理，得到节流云图特征图，并将所述节流云图特征图输入预设的节流卷积神经网络训练，根据所述节流卷积神经网络模型的输出结果判断所述声源数据是否存在节流噪声；
滤波模块，用于当所述声源数据存在节流噪声时，并对所述声源数据进行滤波及白化处理，得到处理后的解混信号，并计算所述解混信号对应的矩阵，所述解混信号包括节流信号和泄漏信号；
迭代模块，用于以所述节流信号、泄漏信号的负熵达到最小为迭代目标，对所述矩阵进行迭代更新，并判断所述矩阵的迭代更新结果是否收敛，当所述矩阵的迭代更新结果收敛时，计算收敛后的矩阵对应的解混信号中的节流信号和泄漏信号；
输出模块，用于对所述节流信号和泄漏信号进行傅里叶变换，计算得到节流信号和泄漏信号中频域等分的方差值，并基于所述方差值，计算频谱的波动程度，判断所述波动程度是否大于预设阈值，当所述波动程度大于预设阈值时，输出所述节流管道存在气体泄漏的结果。
本发明实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述基于声云图管道节流和泄漏的区分识别方法的步骤。
本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述基于声云图管道节流和泄漏的区分识别方法的步骤。
本发明实施例提供的一种基于声云图管道节流和泄漏的区分识别方法及装置，接收节流管道的麦克风阵列上传的声源数据，并根据声源数据定位对应的云图数据，调整云图数据的数据范围，使云图数据覆盖对应的节流管道，得到对应的云图信号；对云图信号进行二值化处理，得到节流云图特征图，并将节流云图特征图输入预设的节流卷积神经网络，根据节流卷积神经网络模型的输出结果判断声源数据是否存在节流噪声；当声源数据存在节流噪声时，并对声源数据进行滤波及白化处理，得到处理后的解混信号，并计算解混信号对应的矩阵，解混信号包括节流信号和泄漏信号；以节流信号、泄漏信号的负熵达到最小为迭代目标，对矩阵进行迭代更新，并判断矩阵的迭代更新结果是否收敛，当矩阵的迭代更新结果收敛时，计算收敛后的矩阵对应的解混信号中的节流信号和泄漏信号；对节流信号和泄漏信号进行傅里叶变换，计算得到节流信号和泄漏信号中频域等分的方差值，并基于方差值，计算频谱的波动程度，判断波动程度是否大于预设阈值，当波动程度大于预设阈值时，输出节流管道存在气体泄漏的结果。这样能够在对管道进行泄漏检测时，准确的判断声源数据为泄漏信号还是节流信号，判断出节流信号中是否存在泄漏信号，进一步提高了泄漏判断的准确性。
附图说明
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，下面描述中的附图是本发明的一些实施例，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。
图1为本发明实施例中一种基于声云图管道节流和泄漏的区分识别方法的流程图；
图2为本发明实施例中一种云图数据的示意图；
图3为本发明实施例中一种云图信号的示意图；
图4为本发明实施例中一种节流云图特征图的示意图；
图5为本发明实施例中一种基于声云图管道节流和泄漏的区分识别装置的结构图；
图6为本发明实施例中电子设备结构示意图。
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他实施例，都属于本发明保护的范围。
图1为本发明实施例提供的一种基于声云图管道节流和泄漏的区分识别方法的流程示意图，如图1所示，本发明实施例提供了一种基于声云图管道节流和泄漏的区分识别方法，包括：
步骤S101，接收节流管道的麦克风阵列上传的声源数据，并根据所述声源数据定位对应的云图数据，调整所述云图数据的数据范围，使所述云图数据覆盖对应的节流管道，得到对应的云图信号。
具体地，接收节流管道布置的麦克风阵列上传的声源数据，其中，根据麦克风阵列接收到节流管道的声音的时序，可以对声源数据进行定位，定位声源数据来源与节流管道的具体位置，即云图数据，如图2所示，但通常来说，麦克风阵列定义的云图数据范围较小，不能覆盖整条管道，则需要调整云图数据对应的声源数据的频率数据范围，使云图数据能够完整的覆盖整条管道，从而得到节流管道对应的云图信号，如图3所示。
步骤S102，对所述云图信号进行二值化处理，得到节流云图特征图，并将所述节流云图特征图输入预设的节流卷积神经网络训练，根据所述节流卷积神经网络模型的输出结果判断所述声源数据是否存在节流噪声。
具体地，对覆盖整条节流管道的云图信号进行二值化处理，得到节流云图特征图，如图4所示，节流云图特征图中包括表示存在声源数据的白色像素点，以及不存在声源数据的黑色像素点，然后将节流云图特征图输入预设的节流卷积神经网络进行训练，其中，预设的节流卷积神经网络能够通过训练判断节流云图特征图是否存在节流噪声，即对应的声源数据是否存在节流噪声。
其中，预设的节流卷积神经网络可以通过获取节流管道的麦克风阵列上传的历史声源数据，并获取历史声源数据对应的历史节流云图特征图及节流管道的节流情况，历史节流云图特征图对应的云图形状可能各不相同，将历史节流云图特征图输入卷积神经网络模型进行训练，并在训练过程中，通过节流情况对卷积神经网络模型进行修正，得到训练后的节流卷积神经网络模型。
步骤S103，当所述声源数据存在节流噪声时，并对所述声源数据进行滤波及白化处理，得到处理后的解混信号，并计算所述解混信号对应的矩阵，所述解混信号包括节流信号和泄漏信号。
具体地，当声源数据存在节流噪声时，说明声源数据可能同时存在节流噪声与泄漏噪声，则先对声源数据进行滤波及白化处理，其中，滤波处理用于滤去声源数据中的环境噪声，然后通过白化处理进一步的除去除节流噪声与泄漏噪声之外的其它干扰声音，得到包括节流信号和泄漏信号的处理后的解混信号，并计算解混信号对应的矩阵。
另外，对声源数据进行滤波及白化处理，得到处理后的解混信号，具体包括：
对所述声源数据进行滤波处理，滤波处理的计算方程式如下：
Figure 645659DEST_PATH_IMAGE001
其中，
Figure 887284DEST_PATH_IMAGE002
为所述声源数据对应的离散信号，
Figure 100091DEST_PATH_IMAGE003
为经过滤波器输出的过滤信号， 而0.5658、0.1317的实际数据是根据一般节流或泄漏产生的频域信号自行设定，并不多做 限定；
对过滤信号进行白化处理，包括：
确定所述麦克风阵列中经过滤波后麦克风1和麦克风2采集到的过滤信号，包括：
Figure 743562DEST_PATH_IMAGE004
Figure 265679DEST_PATH_IMAGE005
其中，
Figure 994601DEST_PATH_IMAGE006
和
Figure 11098DEST_PATH_IMAGE007
分别为所述麦克风阵列中经过滤波后麦克风1和麦克风2采集 到的过滤信号，
Figure 509076DEST_PATH_IMAGE008
、
Figure 467673DEST_PATH_IMAGE009
分别为麦克风1和麦克风2接收的过滤信号的混合系数，
Figure 418312DEST_PATH_IMAGE010
为泄漏信号，
Figure 972921DEST_PATH_IMAGE011
为节流信号；
将麦克风1和麦克风2采集到的过滤信号通过矩阵形式表示：
Figure 325405DEST_PATH_IMAGE012
其中，
Figure 720483DEST_PATH_IMAGE013
为2*n的矩阵，C为2*2矩阵，
Figure 158418DEST_PATH_IMAGE014
为2*n矩阵；
然后，将矩阵
Figure 516718DEST_PATH_IMAGE013
进行白化处理，包括：
Figure 989287DEST_PATH_IMAGE015
其中，
Figure 289688DEST_PATH_IMAGE016
为样本协方差矩阵，
Figure 214918DEST_PATH_IMAGE017
，其中N为过滤信号的总长度， T为矩阵维度。
步骤S104，以所述节流信号、泄漏信号的负熵达到最小为迭代目标，对所述矩阵进行迭代更新，并判断所述矩阵的迭代更新结果是否收敛，当所述矩阵的迭代更新结果收敛时，计算收敛后的矩阵对应的解混信号中的节流信号和泄漏信号。
具体地，以节流信号、泄漏信号的负熵达到最小为迭代目标，对矩阵进行迭代更新，并判断矩阵的迭代更新结果是否收敛，包括：
初始化可分离
Figure 376909DEST_PATH_IMAGE023
和
Figure DEST_PATH_IMAGE024
的变换矩阵W；
因为泄漏信号和节流信号为超高斯分布，所以采用以下非线性函数
Figure 625357DEST_PATH_IMAGE025
将白化后 的去相关性得到信号T(n)，
Figure DEST_PATH_IMAGE026
和导数
Figure DEST_PATH_IMAGE027
如下所示：
Figure DEST_PATH_IMAGE028
Figure DEST_PATH_IMAGE029
Figure DEST_PATH_IMAGE030
Figure DEST_PATH_IMAGE031
根据中心极限定理，使泄漏信号和节流信号的负熵达到最小，根据以下公式对
Figure DEST_PATH_IMAGE032
进行迭代重复更新
Figure DEST_PATH_IMAGE033
：
Figure DEST_PATH_IMAGE034
Figure DEST_PATH_IMAGE035
然后判断
Figure DEST_PATH_IMAGE036
是否收敛，当
Figure DEST_PATH_IMAGE037
收敛时，对矩阵进行分离，计算得到收敛后的矩阵 对应的解混信号中的节流信号和泄漏信号。
步骤S105，对所述节流信号和泄漏信号进行傅里叶变换，计算得到节流信号和泄漏信号中频域等分的方差值，并基于所述方差值，计算频谱的波动程度，判断所述波动程度是否大于预设阈值，当所述波动程度大于预设阈值时，输出所述节流管道存在气体泄漏的结果。
具体地，对分离后的节流信号和泄漏信号进行傅里叶变换，计算得到节流信号和 泄漏信号中频域等分的方差值，包括，将节流信号和泄漏信号进行傅里叶变换将其映射到 预设的频域范围，比如20 kHz-48 kHz的功率谱，进行k等分，然后，得到每个等分中的能量 总和
Figure DEST_PATH_IMAGE038
，其中i=1:k。依次比较k等分中相邻等分的信号的能量值，当后一等分中信号的能量 值大于前一等分中信号的能量值时，即当
Figure DEST_PATH_IMAGE039
大于
Figure 924356DEST_PATH_IMAGE038
时，计算前一等分中信号的方差值
Figure DEST_PATH_IMAGE040
， 得到频域等分的方差值。然后基于方差值，计算频谱的波动程度，即获取不包含泄漏信号的 纯节流信号和不包含节流信号的纯泄漏信号，并分别以纯节流信号和纯泄漏信号为基础， 通过单层全连接分类器进行训练，并设置训练的节点个数，训练得到节流信号和泄漏信号 的频谱对应的权重，然后基于频域等分的方差值，及对应的权重，计算频谱的波动程度，包 括：
Figure DEST_PATH_IMAGE041
其中，
Figure DEST_PATH_IMAGE042
为权重通过单层全连接分类器进行训练得到，具体将已知道节流位置存 在气体泄漏的样本的
Figure 274566DEST_PATH_IMAGE040
和只有节流的泄漏的样本
Figure 489516DEST_PATH_IMAGE040
送入神经网路，将节点的个数设置成N， 则每个节点训练得到的值即为
Figure 671098DEST_PATH_IMAGE042
。
然后判断波动程度Wp是否大于预设阈值，比如100，也可以根据具体的节流管道的情况设定，当波动程度大于预设阈值时，输出节流管道存在气体泄漏的结果，另外，还获取所述波动程度与预设阈值之间的数值差，根据数值差确定对应的气体泄漏等级，输出节流管道存在气体泄漏以及对对应的气体泄漏等级进行报警。
本发明实施例提供的一种基于声云图管道节流和泄漏的区分识别方法，接收节流管道的麦克风阵列上传的声源数据，并根据声源数据定位对应的云图数据，调整云图数据的数据范围，使云图数据覆盖对应的节流管道，得到对应的云图信号；对云图信号进行二值化处理，得到节流云图特征图，并将节流云图特征图输入预设的节流卷积神经网络，根据节流卷积神经网络模型的输出结果判断声源数据是否存在节流噪声；当声源数据存在节流噪声时，并对声源数据进行滤波及白化处理，得到处理后的解混信号，并计算解混信号对应的矩阵，解混信号包括节流信号和泄漏信号；以节流信号、泄漏信号的负熵达到最小为迭代目标，对矩阵进行迭代更新，并判断矩阵的迭代更新结果是否收敛，当矩阵的迭代更新结果收敛时，计算收敛后的矩阵对应的解混信号中的节流信号和泄漏信号；对节流信号和泄漏信号进行傅里叶变换，计算得到节流信号和泄漏信号中频域等分的方差值，并基于方差值，计算频谱的波动程度，判断波动程度是否大于预设阈值，当波动程度大于预设阈值时，输出节流管道存在气体泄漏的结果。这样能够在对管道进行泄漏检测时，准确的判断声源数据为泄漏数据还是节流数据，进一步提高了泄漏判断的准确性。
图5为本发明实施例提供的一种基于声云图管道节流和泄漏的区分识别装置，包括：接收模块S201、判断模块S202、滤波模块S203、迭代模块S204、输出模块S205、风险预测模块S206，其中：
接收模块S201，用于接收节流管道的麦克风阵列上传的声源数据，并根据所述声源数据定位对应的云图数据，调整所述云图数据的数据范围，使所述云图数据覆盖对应的节流管道，得到对应的云图信号。
判断模块S202，用于对所述云图信号进行二值化处理，得到节流云图特征图，并将所述节流云图特征图输入预设的节流卷积神经网络训练，根据所述节流卷积神经网络模型的输出结果判断所述声源数据是否存在节流噪声。
滤波模块S203，用于当所述声源数据存在节流噪声时，并对所述声源数据进行滤波及白化处理，得到处理后的解混信号，并计算所述解混信号对应的矩阵，所述解混信号包括节流信号和泄漏信号。
迭代模块S204，用于以所述节流信号、泄漏信号的负熵达到最小为迭代目标，对所述矩阵进行迭代更新，并判断所述矩阵的迭代更新结果是否收敛，当所述矩阵的迭代更新结果收敛时，计算收敛后的矩阵对应的解混信号中的节流信号和泄漏信号。
输出模块S205，用于对所述节流信号和泄漏信号进行傅里叶变换，计算得到节流信号和泄漏信号中频域等分的方差值，并基于所述方差值，计算频谱的波动程度，判断所述波动程度是否大于预设阈值，当所述波动程度大于预设阈值时，输出所述节流管道存在气体泄漏的结果。
关于基于声云图管道节流和泄漏的区分识别装置的具体限定可以参见上文中对于基于声云图管道节流和泄漏的区分识别方法的限定，在此不再赘述。上述基于声云图管道节流和泄漏的区分识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
图6示例了一种电子设备的实体结构示意图，如图6所示，该电子设备可以包括：处理器(processor)301、存储器(memory)302、通信接口(Communications Interface)303和通信总线304，其中，处理器301，存储器302，通信接口303通过通信总线304完成相互间的通信。处理器301可以调用存储器302中的逻辑指令，以执行如下方法：接收节流管道的麦克风阵列上传的声源数据，并根据声源数据定位对应的云图数据，调整云图数据的数据范围，使云图数据覆盖对应的节流管道，得到对应的云图信号；对云图信号进行二值化处理，得到节流云图特征图，并将节流云图特征图输入预设的节流卷积神经网络，根据节流卷积神经网络模型的输出结果判断声源数据是否存在节流噪声；当声源数据存在节流噪声时，并对声源数据进行滤波及白化处理，得到处理后的解混信号，并计算解混信号对应的矩阵，解混信号包括节流信号和泄漏信号；以节流信号、泄漏信号的负熵达到最小为迭代目标，对矩阵进行迭代更新，并判断矩阵的迭代更新结果是否收敛，当矩阵的迭代更新结果收敛时，计算收敛后的矩阵对应的解混信号中的节流信号和泄漏信号；对节流信号和泄漏信号进行傅里叶变换，计算得到节流信号和泄漏信号中频域等分的方差值，并基于方差值，计算频谱的波动程度，判断波动程度是否大于预设阈值，当波动程度大于预设阈值时，输出节流管道存在气体泄漏的结果。
此外，上述的存储器302中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的传输方法，例如包括：接收节流管道的麦克风阵列上传的声源数据，并根据声源数据定位对应的云图数据，调整云图数据的数据范围，使云图数据覆盖对应的节流管道，得到对应的云图信号；对云图信号进行二值化处理，得到节流云图特征图，并将节流云图特征图输入预设的节流卷积神经网络，根据节流卷积神经网络模型的输出结果判断声源数据是否存在节流噪声；当声源数据存在节流噪声时，并对声源数据进行滤波及白化处理，得到处理后的解混信号，并计算解混信号对应的矩阵，解混信号包括节流信号和泄漏信号；以节流信号、泄漏信号的负熵达到最小为迭代目标，对矩阵进行迭代更新，并判断矩阵的迭代更新结果是否收敛，当矩阵的迭代更新结果收敛时，计算收敛后的矩阵对应的解混信号中的节流信号和泄漏信号；对节流信号和泄漏信号进行傅里叶变换，计算得到节流信号和泄漏信号中频域等分的方差值，并基于方差值，计算频谱的波动程度，判断波动程度是否大于预设阈值，当波动程度大于预设阈值时，输出节流管道存在气体泄漏的结果。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (7)

1.一种基于声云图管道节流和泄漏的区分识别方法，其特征在于，包括：
接收节流管道的麦克风阵列上传的声源数据，并根据所述声源数据定位对 应的云图数据，调整所述云图数据的数据范围，使所述云图数据覆盖对应的节 流管道，得到对应的云图信号；
对所述云图信号进行二值化处理，得到节流云图特征图，并将所述节流云 图特征图输入预设的节流卷积神经网络训练，根据节流卷积神经网络模型的输 出结果判断所述声源数据是否存在节流噪声；
当所述声源数据存在节流噪声时，并对所述声源数据进行滤波及白化处理， 得到处理后的解混信号，并计算所述解混信号对应的矩阵，所述解混信号包括 节流信号和泄漏信号；
以所述节流信号、泄漏信号的负熵达到最小为迭代目标，对所述矩阵进行 迭代更新，并判断所述矩阵的迭代更新结果是否收敛，当所述矩阵的迭代更新 结果收敛时，计算收敛后的矩阵对应的解混信号中的节流信号和泄漏信号；
对所述节流信号和泄漏信号进行傅里叶变换，计算得到节流信号和泄漏信 号中频域等分的方差值，并基于所述方差值，计算频谱的波动程度，判断所述 波动程度是否大于预设阈值，当所述波动程度大于预设阈值时，输出所述节流 管道存在气体泄漏的结果；
所述对节流信号和泄漏信号进行傅里叶变换，映射到预设的频域范围，计 算得到节流信号和泄漏信号中频域等分的方差值，包括：
对所述节流信号和泄漏信号进行傅里叶变换，将所述节流信号和泄漏信号 映射到预设的频域范围，并将所述频域范围进行k等分，得到每个等分中信号 的能量总和；
依次比较k等分中相邻等分的信号的能量值，当后一等分中信号的能量值 大于前一等分中信号的能量值时，计算前一等分中信号的方差值，根据计算结 果得到频域等分的方差值；
所述基于方差值，计算频谱的波动程度，包括：
获取纯节流信号和纯泄漏信号，并分别以所述纯节流信号和纯泄漏信号为 基础，通过单层全连接分类器进行训练，并设置训练的节点个数，训练得到节 流信号和泄漏信号的频谱对应的权重；
基于所述频域等分的方差值，及对应的权重，计算频谱的波动程度；
所述计算频谱的波动程度的计算方程式如下：
Figure FDA0004058735940000021
其中，所述Wp为波动程度，N为节点个数，E i为前一等分中信号的能量，E i+1 为后一等分中信号的能量，A n为方差值，R n为权重。
2.根据权利要求1所述的基于声云图管道节流和泄漏的区分识别方法，其 特征在于，所述对声源数据进行滤波及白化处理，得到处理后的解混信号，包 括：
对所述声源数据进行滤波处理，所述滤波处理的计算方程式如下：
y(n)＝0.5658*x(n)-0.568*x(n-1)-y(n-1)+0.1317*y(n-2)
其中，x(n)为所述声源数据对应的离散信号，y(n)为经过滤波器输出的过滤 信号；
对所述过滤信号进行白化处理，包括：
确定所述麦克风阵列中经过滤波后麦克风1和麦克风2采集到的过滤信号， 包括：
y 1(n)＝a 1s leak(n)+b 1s th(n)
y 2(n)＝a 2s leak(n)+b 2s th(n)
其中，y 1(n)和y 2(n)分别为所述麦克风阵列中经过滤波后麦克风1和麦克风2 采集到的过滤信号，a 1b 1、a 2b 2分别为麦克风1和麦克风2接收的过滤信号的混 合系数，s leak(n)为泄漏信号，s th(n)为节流信号；
将所述麦克风1和麦克风2采集到的过滤信号通过矩阵形式表示：
Y(n)＝CS(n)
其中，Y(n)为2*n的矩阵，C为2*2矩阵，S(n)为2*n矩阵；
然后，将矩阵Y(n)进行白化处理，包括：
Figure FDA0004058735940000022
其中，
Figure FDA0004058735940000031
为样本协方差矩阵，
Figure FDA0004058735940000032
其中N为过滤信号的总 长度，T为矩阵维度。
3.根据权利要求1所述的基于声云图管道节流和泄漏的区分识别方法，其 特征在于，所述方法还包括：
获取节流管道的麦克风阵列上传的历史声源数据，并获取所述历史声源数 据对应的历史节流云图特征图及节流管道的节流情况；
将所述历史节流云图特征图输入卷积神经网络模型进行训练，并在训练过 程中，通过所述节流情况对卷积神经网络模型进行修正，得到训练后的节流卷 积神经网络模型。
4.根据权利要求1所述的基于声云图管道节流和泄漏的区分识别方法，其 特征在于，所述当所述波动程度大于预设阈值时，输出所述节流管道存在气体 泄漏的结果，包括：
获取所述波动程度与预设阈值之间的数值差，根据所述数值差确定对应的 气体泄漏等级，输出所述节流管道存在气体泄漏以及对应的气体泄漏等级。
5.一种基于声云图管道节流和泄漏的区分识别装置，其特征在于，所述装 置包括：
接收模块，用于接收节流管道的麦克风阵列上传的声源数据，并根据所述 声源数据定位对应的云图数据，调整所述云图数据的数据范围，使所述云图数 据覆盖对应的节流管道，得到对应的云图信号；
判断模块，用于对所述云图信号进行二值化处理，得到节流云图特征图， 并将所述节流云图特征图输入预设的节流卷积神经网络训练，根据节流卷积神 经网络模型的输出结果判断所述声源数据是否存在节流噪声；
滤波模块，用于当所述声源数据存在节流噪声时，并对所述声源数据进行 滤波及白化处理，得到处理后的解混信号，并计算所述解混信号对应的矩阵， 所述解混信号包括节流信号和泄漏信号；
迭代模块，用于以所述节流信号、泄漏信号的负熵达到最小为迭代目标， 对所述矩阵进行迭代更新，并判断所述矩阵的迭代更新结果是否收敛，当所述 矩阵的迭代更新结果收敛时，计算收敛后的矩阵对应的解混信号中的节流信号 和泄漏信号；
输出模块，用于对所述节流信号和泄漏信号进行傅里叶变换，计算得到节 流信号和泄漏信号中频域等分的方差值，并基于所述方差值，计算频谱的波动 程度，判断所述波动程度是否大于预设阈值，当所述波动程度大于预设阈值时， 输出所述节流管道存在气体泄漏的结果；
所述对节流信号和泄漏信号进行傅里叶变换，映射到预设的频域范围，计 算得到节流信号和泄漏信号中频域等分的方差值，包括：
对所述节流信号和泄漏信号进行傅里叶变换，将所述节流信号和泄漏信号 映射到预设的频域范围，并将所述频域范围进行k等分，得到每个等分中信号 的能量总和；
依次比较k等分中相邻等分的信号的能量值，当后一等分中信号的能量值 大于前一等分中信号的能量值时，计算前一等分中信号的方差值，根据计算结 果得到频域等分的方差值；
所述基于方差值，计算频谱的波动程度，包括：
获取纯节流信号和纯泄漏信号，并分别以所述纯节流信号和纯泄漏信号为 基础，通过单层全连接分类器进行训练，并设置训练的节点个数，训练得到节 流信号和泄漏信号的频谱对应的权重；
基于所述频域等分的方差值，及对应的权重，计算频谱的波动程度；
所述计算频谱的波动程度的计算方程式如下：
Figure FDA0004058735940000041
其中，所述Wp为波动程度，N为节点个数，E i为前一等分中信号的能量，E i+1 为后一等分中信号的能量，A n为方差值,R n为权重。
6.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上 运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1 至4任一项所述基于声云图管道节流和泄漏的区分识别方法的步骤。
7.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于， 该计算机程序被处理器执行时实现如权利要求1至4任一项所述基于声云图管 道节流和泄漏的区分识别方法的步骤。
CN202211587562.1A 2022-12-12 2022-12-12 一种基于声云图管道节流和泄漏的区分识别方法及装置 Active CN115655594B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211587562.1A CN115655594B (zh) 2022-12-12 2022-12-12 一种基于声云图管道节流和泄漏的区分识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211587562.1A CN115655594B (zh) 2022-12-12 2022-12-12 一种基于声云图管道节流和泄漏的区分识别方法及装置

Publications (2)

Publication Number Publication Date
CN115655594A CN115655594A (zh) 2023-01-31
CN115655594B true CN115655594B (zh) 2023-03-10

Family

ID=85018350

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211587562.1A Active CN115655594B (zh) 2022-12-12 2022-12-12 一种基于声云图管道节流和泄漏的区分识别方法及装置

Country Status (1)

Country Link
CN (1) CN115655594B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5533383A (en) * 1994-08-18 1996-07-09 General Electric Company Integrated acoustic leak detection processing system
CN101592288A (zh) * 2009-05-22 2009-12-02 重庆大学 一种管道泄漏辨识方法
CN103076593A (zh) * 2012-12-28 2013-05-01 中国科学院声学研究所 一种声源定位方法及装置
CN108397692A (zh) * 2018-01-29 2018-08-14 清华大学合肥公共安全研究院 基于噪声信号时域分段频谱分析的管道泄漏识别方法
CN109931506A (zh) * 2019-03-14 2019-06-25 三川智慧科技股份有限公司 管道泄露检测方法及装置
CN110440148A (zh) * 2019-07-15 2019-11-12 清华大学 一种漏损声信号分类识别方法、装置及系统
CN111062127A (zh) * 2019-12-16 2020-04-24 辽宁石油化工大学 管道漏点的检测方法及装置、存储介质、终端
CN111895278A (zh) * 2020-09-03 2020-11-06 武汉轻工大学 城市供水管网漏点定位方法、装置、设备及存储介质
CN112969134A (zh) * 2021-02-07 2021-06-15 深圳市微纳感知计算技术有限公司 麦克风异常检测方法、装置、设备及存储介质
CN114234061A (zh) * 2021-12-20 2022-03-25 北京工业大学 一种基于神经网络的带压运行供水管道漏水音智能判别方法
CN114323481A (zh) * 2021-12-31 2022-04-12 北京卫星环境工程研究所 一种气体多源泄漏声像定位方法及声像定位系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210148783A1 (en) * 2018-05-03 2021-05-20 Nick Rebich Device, system, and method for detecting leaks from pressurized equipment

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5533383A (en) * 1994-08-18 1996-07-09 General Electric Company Integrated acoustic leak detection processing system
CN101592288A (zh) * 2009-05-22 2009-12-02 重庆大学 一种管道泄漏辨识方法
CN103076593A (zh) * 2012-12-28 2013-05-01 中国科学院声学研究所 一种声源定位方法及装置
CN108397692A (zh) * 2018-01-29 2018-08-14 清华大学合肥公共安全研究院 基于噪声信号时域分段频谱分析的管道泄漏识别方法
CN109931506A (zh) * 2019-03-14 2019-06-25 三川智慧科技股份有限公司 管道泄露检测方法及装置
CN110440148A (zh) * 2019-07-15 2019-11-12 清华大学 一种漏损声信号分类识别方法、装置及系统
CN111062127A (zh) * 2019-12-16 2020-04-24 辽宁石油化工大学 管道漏点的检测方法及装置、存储介质、终端
CN111895278A (zh) * 2020-09-03 2020-11-06 武汉轻工大学 城市供水管网漏点定位方法、装置、设备及存储介质
CN112969134A (zh) * 2021-02-07 2021-06-15 深圳市微纳感知计算技术有限公司 麦克风异常检测方法、装置、设备及存储介质
CN114234061A (zh) * 2021-12-20 2022-03-25 北京工业大学 一种基于神经网络的带压运行供水管道漏水音智能判别方法
CN114323481A (zh) * 2021-12-31 2022-04-12 北京卫星环境工程研究所 一种气体多源泄漏声像定位方法及声像定位系统

Also Published As

Publication number Publication date
CN115655594A (zh) 2023-01-31

Similar Documents

Publication Publication Date Title
CN107330956B (zh) 一种漫画手绘图无监督上色方法及装置
CN110600017A (zh) 语音处理模型的训练方法、语音识别方法、系统及装置
US20200125836A1 (en) Training Method for Descreening System, Descreening Method, Device, Apparatus and Medium
CN111738045B (zh) 一种图像检测方法、装置、电子设备及存储介质
CN111160110A (zh) 基于人脸特征和声纹特征识别主播的方法及装置
CN115062678B (zh) 设备故障检测模型的训练方法、故障检测方法及装置
CN110364185A (zh) 一种基于语音数据的情绪识别方法、终端设备及介质
CN110503152B (zh) 用于目标检测的双路神经网络训练方法及图像处理方法
JP2014063359A (ja) 信号処理装置および信号処理方法、出力装置および出力方法、並びにプログラム
CN117392615B (zh) 一种基于监控视频的异常识别方法及系统
CN115655594B (zh) 一种基于声云图管道节流和泄漏的区分识别方法及装置
CN116612500B (zh) 行人重识别模型训练方法及装置
WO2020216286A1 (zh) 教师风格预测模型的训练方法及计算机存储介质
CN109657678B (zh) 图像处理的方法、装置、电子设备和计算机存储介质
CN111353526A (zh) 一种图像匹配方法、装置以及相关设备
CN115859048A (zh) 一种局放信号的噪声处理方法及装置
CN115472179A (zh) 面向数字音频删除和插入篡改操作自动检测方法及系统
CN115273814A (zh) 伪语音检测方法、装置、计算机设备和存储介质
CN114359359A (zh) 多任务光学和sar遥感图像配准方法、设备和介质
JP7024615B2 (ja) 音響信号分離装置、学習装置、それらの方法、およびプログラム
JP6673861B2 (ja) 信号処理装置、信号処理方法及び信号処理プログラム
CN112288748A (zh) 一种语义分割网络训练、图像语义分割方法及装置
JP5438703B2 (ja) 特徴量強調装置、特徴量強調方法、及びそのプログラム
CN112036461A (zh) 手写数字图像识别方法、装置、设备及计算机存储介质
CN113393858B (zh) 语音分离方法和系统、电子设备及可读存储介质

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