CN115950590B - 气体发动机泄露预警系统 - Google Patents
气体发动机泄露预警系统 Download PDFInfo
- Publication number
- CN115950590B CN115950590B CN202310243736.0A CN202310243736A CN115950590B CN 115950590 B CN115950590 B CN 115950590B CN 202310243736 A CN202310243736 A CN 202310243736A CN 115950590 B CN115950590 B CN 115950590B
- Authority
- CN
- China
- Prior art keywords
- sound detection
- feature
- feature vector
- matrix
- sound
- 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
Links
- 238000001514 detection method Methods 0.000 claims abstract description 281
- 230000007613 environmental effect Effects 0.000 claims abstract description 122
- 239000013598 vector Substances 0.000 claims description 210
- 239000011159 matrix material Substances 0.000 claims description 183
- 238000009826 distribution Methods 0.000 claims description 75
- 238000010586 diagram Methods 0.000 claims description 41
- 238000000605 extraction Methods 0.000 claims description 24
- 230000005236 sound signal Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000000034 method Methods 0.000 abstract description 38
- 230000008569 process Effects 0.000 abstract description 17
- 230000001960 triggered effect Effects 0.000 abstract description 7
- 230000000007 visual effect Effects 0.000 abstract description 7
- 230000006870 function Effects 0.000 description 8
- 230000008901 benefit Effects 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 239000000126 substance Substances 0.000 description 5
- 230000009466 transformation Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000010422 painting Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 230000002588 toxic effect Effects 0.000 description 1
Images
Classifications
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/30—Use of alternative fuels, e.g. biofuels
Landscapes
- Output Control And Ontrol Of Special Type Engine (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本申请涉及气体泄露检测与预警技术领域，其具体地公开了一种气体发动机泄露预警系统，其通过气体探测传感器来采集被检测阀门产生的声音探测信号，通过声音传感器来采集环境噪声信号，并利用泄露检测仪来进行气体泄露检测。在运行过程中，响应于出现气体泄露的分类结果，触发声光报警信号灯进行报警，同时，切断三通阀进气阀门并打开三通阀另外一路的出气阀门以将管道内残余气体排放到安全区域。这样，所述气体发动机泄露预警系统在检测到气体发生泄露时能够及时发出预警信号以告知相关安全人员；同时，阻止了气体继续泄漏从而阻止人员设备事故发生。
Description
技术领域
本申请涉及气体泄露检测与预警技术领域，且更为具体地，涉及一种气体发动机泄露预警系统。
背景技术
在利用管路输送气体至发动机的过程中，检测气体泄露是规避潜在安全事故的重要方法。
目前检测气体泄漏一般的常规方法有：感官法、涂抹法、气球膨胀法、化学法等。但由于上述方法存在不易及时发现、不适用于有毒或易燃易爆气体、检测过程中易产生化学反应对管道和阀体产生腐蚀和堵塞等问题，同时，在实际应用中非常依赖人工进行日常维护，例如更换气球、检查是否产生化学反应等，并且难以及时发出预警信号以规避潜在安全事故的发生。
因此，期待一种优化的气体发动机泄露预警方案。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种气体发动机泄露预警系统，其通过气体探测传感器来采集被检测阀门产生的声音探测信号，通过声音传感器来采集环境噪声信号，并利用泄露检测仪来进行气体泄露检测。在运行过程中，响应于出现气体泄露的分类结果，触发声光报警信号灯进行报警，同时，切断三通阀进气阀门并打开三通阀另外一路的出气阀门以将管道内残余气体排放到安全区域。这样，所述气体发动机泄露预警系统在检测到气体发生泄露时能够及时发出预警信号以告知相关安全人员；同时，阻止了气体继续泄漏从而阻止人员设备事故发生。
相应地，根据本申请的一个方面，提供了一种气体发动机泄露预警系统，其包括：
气体探测传感器，用于采集被检测阀门产生的声音探测信号；
声音传感器，用于采集环境噪声信号；以及
泄露检测仪，用于基于所述声音探测信号和所述环境噪声信号进行气体泄露检测以得到用于表示被检测阀门是否出现气体泄漏的分类结果。
在上述气体发动机泄露预警系统中，所述泄露检测仪，包括：探测声音信号采集模块，用于获取由所述气体探测传感器采集的预定时间段的声音探测信号以及所述预定时间段的环境噪声信号；频域特征提取模块，用于对所述预定时间段的声音探测信号和所述预定时间段的环境噪声信号进行傅里叶变换以得到多个声音探测统计特征值和多个环境噪声统计特征值；探测声音编码模块，用于将所述多个声音探测统计特征值和所述声音探测信号的波形图输入CLIP模型以得到声音探测特征矩阵；环境噪声编码模块，用于将所述多个环境噪声统计特征值和所述环境噪声信号的波形图输入所述CLIP模型以得到环境噪声特征矩阵；差分模块，用于计算所述声音探测特征矩阵和所述环境噪声特征矩阵之间的差分特征矩阵；以及，检测结果生成模块，用于将所述差分特征矩阵通过分类器以得到分类结果，所述分类结果用于表示被检测阀门是否出现气体泄漏。
在上述气体发动机泄露预警系统中，所述探测声音编码模块，包括：探测声音波形特征提取单元，用于将所述声音探测信号的波形图输入所述CLIP模型的图像编码器以得到探测声音波形特征向量；频域特征提取单元，用于将所述多个声音探测统计特征值输入所述CLIP模型的时序编码器以得到声音探测频域统计特征向量；以及，第一联合优化单元，用于基于所述声音探测频域统计特征向量，对所述探测声音波形特征向量的特征表达进行优化以得到所述声音探测特征矩阵。
在上述气体发动机泄露预警系统中，所述CLIP模型的图像编码器为作为过滤器的卷积神经网络模型。
在上述气体发动机泄露预警系统中，所述CLIP模型的时序编码器为多尺度邻域特征提取模块。
在上述气体发动机泄露预警系统中，所述差分模块，包括：特征矩阵展开单元，用于将所述声音探测特征矩阵和所述环境噪声特征矩阵展开为声音探测特征向量和环境噪声特征向量；联合高斯密度图构造单元，用于构造所述声音探测特征向量和所述环境噪声特征向量的联合高斯密度图，其中，所述联合高斯密度图的均值向量为所述声音探测特征向量和所述环境噪声特征向量之间的按位置均值向量，所述联合高斯密度图的协方差矩阵中各个位置的值为所述声音探测特征向量和所述环境噪声特征向量的按位置方差；高斯概率密度分布距离指数计算单元，用于分别计算所述声音探测特征向量和所述环境噪声特征向量相对于所述联合高斯密度图的高斯概率密度分布距离指数以得到第一高斯概率密度分布距离指数和第二高斯概率密度分布距离指数；加权修正单元，用于以所述第一高斯概率密度分布距离指数和所述第二高斯概率密度分布距离指数作为权重对所述声音探测特征矩阵和所述环境噪声特征矩阵进行加权以得到加权后声音探测特征矩阵和加权后环境噪声特征矩阵；以及，差分单元，用于计算所述加权后声音探测特征矩阵和所述加权后环境噪声特征矩阵之间的差分以得到所述差分特征矩阵。
在上述气体发动机泄露预警系统中，所述联合高斯密度图构造单元，进一步用于：以如下公式构造所述声音探测特征向量和所述环境噪声特征向量的联合高斯密度图；其中，所述公式为：
其中，
表示所述声音探测特征向量和所述环境噪声特征向量之间的按位置均值向量，且
表示所述声音探测特征向量和所述环境噪声特征向量的按位置方差构成的协方差矩阵，
表示所述联合高斯密度图。
在上述气体发动机泄露预警系统中，所述高斯概率密度分布距离指数计算单元，进一步用于：以如下公式分别计算所述声音探测特征向量和所述环境噪声特征向量相对于所述联合高斯密度图的高斯概率密度分布距离指数以得到第一高斯概率密度分布距离指数和第二高斯概率密度分布距离指数；其中，所述公式为：
其中，
和
分别是所述声音探测特征向量和所述环境噪声特征向量，
和
是联合高斯密度图的均值向量和协方差矩阵，即
表示所述声音探测特征向量和所述环境噪声特征向量的均值向量，且
表示所述声音探测特征向量和所述环境噪声特征向量的按位置方差构成的协方差矩阵，其中向量均为列向量，
表示按位置作差，
表示矩阵乘法，
表示以e为底的指数函数运算，
和
分别是所述第一高斯概率密度分布距离指数和所述第二高斯概率密度分布距离指数。
在上述气体发动机泄露预警系统中，所述检测结果生成模块，包括：展开单元，用于将所述差分特征矩阵按照行向量或者列向量展开为分类特征向量；概率化单元，用于将所述分类特征向量输入所述分类器的Softmax分类函数以得到所述分类特征向量归属于各个分类标签的概率值；以及，分类结果生成单元，用于将最大概率值对应的分类标签确定为所述分类结果。
根据本申请的另一方面，还提供了一种气体发动机泄露预警方法，其包括：
获取由所述气体探测传感器采集的预定时间段的声音探测信号以及所述预定时间段的环境噪声信号；
对所述预定时间段的声音探测信号和所述预定时间段的环境噪声信号进行傅里叶变换以得到多个声音探测统计特征值和多个环境噪声统计特征值；
将所述多个声音探测统计特征值和所述声音探测信号的波形图输入CLIP模型以得到声音探测特征矩阵；
将所述多个环境噪声统计特征值和所述环境噪声信号的波形图输入所述CLIP模型以得到环境噪声特征矩阵；
计算所述声音探测特征矩阵和所述环境噪声特征矩阵之间的差分特征矩阵；以及
将所述差分特征矩阵通过分类器以得到分类结果，所述分类结果用于表示被检测阀门是否出现气体泄漏。
在上述气体发动机泄露预警方法中，将所述多个声音探测统计特征值和所述声音探测信号的波形图输入CLIP模型以得到声音探测特征矩阵，包括：将所述声音探测信号的波形图输入所述CLIP模型的图像编码器以得到探测声音波形特征向量；将所述多个声音探测统计特征值输入所述CLIP模型的时序编码器以得到声音探测频域统计特征向量；以及，基于所述声音探测频域统计特征向量，对所述探测声音波形特征向量的特征表达进行优化以得到所述声音探测特征矩阵。
在上述气体发动机泄露预警方法中，所述CLIP模型的图像编码器为作为过滤器的卷积神经网络模型。
在上述气体发动机泄露预警方法中，所述CLIP模型的时序编码器为多尺度邻域特征提取模块。
在上述气体发动机泄露预警方法中，计算所述声音探测特征矩阵和所述环境噪声特征矩阵之间的差分特征矩阵，包括：将所述声音探测特征矩阵和所述环境噪声特征矩阵展开为声音探测特征向量和环境噪声特征向量；构造所述声音探测特征向量和所述环境噪声特征向量的联合高斯密度图，其中，所述联合高斯密度图的均值向量为所述声音探测特征向量和所述环境噪声特征向量之间的按位置均值向量，所述所述联合高斯密度图的协方差矩阵中各个位置的值为所述声音探测特征向量和所述环境噪声特征向量的按位置方差；分别计算所述声音探测特征向量和所述环境噪声特征向量相对于所述联合高斯密度图的高斯概率密度分布距离指数以得到第一高斯概率密度分布距离指数和第二高斯概率密度分布距离指数；以所述第一高斯概率密度分布距离指数和所述第二高斯概率密度分布距离指数作为权重对所述声音探测特征矩阵和所述环境噪声特征矩阵进行加权以得到加权后声音探测特征矩阵和加权后环境噪声特征矩阵；以及，计算所述加权后声音探测特征矩阵和所述加权后环境噪声特征矩阵之间的差分以得到所述差分特征矩阵。
在上述气体发动机泄露预警方法中，构造所述声音探测特征向量和所述环境噪声特征向量的联合高斯密度图，包括：以如下公式构造所述声音探测特征向量和所述环境噪声特征向量的联合高斯密度图；其中，所述公式为：
其中，
表示所述声音探测特征向量和所述环境噪声特征向量之间的按位置均值向量，且
表示所述声音探测特征向量和所述环境噪声特征向量的按位置方差构成的协方差矩阵，
表示所述联合高斯密度图。
在上述气体发动机泄露预警方法中，分别计算所述声音探测特征向量和所述环境噪声特征向量相对于所述联合高斯密度图的高斯概率密度分布距离指数以得到第一高斯概率密度分布距离指数和第二高斯概率密度分布距离指数，包括：以如下公式分别计算所述声音探测特征向量和所述环境噪声特征向量相对于所述联合高斯密度图的高斯概率密度分布距离指数以得到第一高斯概率密度分布距离指数和第二高斯概率密度分布距离指数；其中，所述公式为：
其中，
和
分别是所述声音探测特征向量和所述环境噪声特征向量，
和
是联合高斯密度图的均值向量和协方差矩阵，即
表示所述声音探测特征向量和所述环境噪声特征向量的均值向量，且
表示所述声音探测特征向量和所述环境噪声特征向量的按位置方差构成的协方差矩阵，其中向量均为列向量，
表示按位置作差，
表示矩阵乘法，
表示以e为底的指数函数运算，
和
分别是所述第一高斯概率密度分布距离指数和所述第二高斯概率密度分布距离指数。
在上述气体发动机泄露预警方法中，将所述差分特征矩阵通过分类器以得到分类结果，包括：将所述差分特征矩阵按照行向量或者列向量展开为分类特征向量；将所述分类特征向量输入所述分类器的Softmax分类函数以得到所述分类特征向量归属于各个分类标签的概率值；以及，将最大概率值对应的分类标签确定为所述分类结果。
与现有技术相比，本申请提供的气体发动机泄露预警系统，其通过气体探测传感器来采集被检测阀门产生的声音探测信号，通过声音传感器来采集环境噪声信号，并利用泄露检测仪来进行气体泄露检测。在运行过程中，响应于出现气体泄露的分类结果，触发声光报警信号灯进行报警，同时，切断三通阀进气阀门并打开三通阀另外一路的出气阀门以将管道内残余气体排放到安全区域。这样，所述气体发动机泄露预警系统在检测到气体发生泄露时能够及时发出预警信号以告知相关安全人员；同时，阻止了气体继续泄漏从而阻止人员设备事故发生。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的气体发动机泄露预警系统的框图。
图2为根据本申请实施例的气体发动机泄露预警系统中泄露检测仪的应用场景图。
图3为根据本申请实施例的气体发动机泄露预警系统中泄露检测仪的框图。
图4为根据本申请实施例的气体发动机泄露预警系统中泄露检测仪的架构示意图。
图5为根据本申请实施例的气体发动机泄露预警方法的流程图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
申请概述
相应地，在本申请的技术方案中，提出了一种气体发动机泄露预警系统，其包括：气体探测传感器、声音传感器和泄露检测仪。其中，所述气体探测传感器用于采集被检测阀门产生的声音探测信号，所述声音传感器用于采集环境噪声信号，所述泄露检测仪用于基于所述声音探测信号和所述环境噪声信号进行气体泄露检测以得到用于表示被检测阀门是否出现气体泄漏的分类结果。在所述气体发动机泄露预警系统实际运行过程中，响应于所述分类结果为被检测阀门出现气体泄漏，触发声光报警信号灯进行报警，同时，切断三通阀进气阀门并打开三通阀另外一路的出气阀门以将管道内残余气体排放到安全区域。这样，所述气体发动机泄露预警系统在检测到气体发生泄露时能够及时发出预警信号以告知相关安全人员；并立即关断气源，停止继续供气，可及时阻止泄漏气体触发更大规模的灾害事故；同时，将管道内残余气体通过三通阀另外一路的出气阀门排放到安全区域，阻止了气体继续泄漏从而阻止人员设备事故发生。与现有技术相比，所述气体发动机泄露预警系统的运用，不用相关人员近距离监测气体是否发生泄漏，保障了相关人员在近距离监测泄漏气体时面临的各种风险；不需要在管道泄露处外加化学或其它相关物质，不会对管道，阀体等产生腐蚀，堵塞等问题。
在上述气体发动机泄露预警系统的运行过程中，其关键是所述泄露检测仪对泄漏气体的检测灵敏度达到了预定要求，才能保证后续预警、阻止气体继续泄漏等操作的顺利进行。在本申请的技术方案中，期待基于被检测阀门产生的声音探测信号来进行气体泄露检测。应可以理解，所述被检测阀门产生的声音探测信号中不仅包含有关气体泄露的声音信号，还包括环境噪声信号。并且，所述环境噪声信号在时间维度上具有隐含的动态变化特征，无法对其进行简单地剔除。也就是说，在此过程中，难点在于如何挖掘被检测阀门产生的声音探测信号的时序动态变化特征，并从中删除有关于环境噪声的动态干扰信息，以此来进行气体泄露检测。
近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
深度学习以及神经网络的发展为气体发动机泄露检测提供了新的解决思路和方案。
具体地，获取由所述气体探测传感器采集的预定时间段的声音探测信号以及所述预定时间段的环境噪声信号。
考虑到所述声音探测信号和所述环境噪声信号为时域信号，时域可以直观的观测到信号的形状，但是，不能用有限的参数对信号进行准确的描述。而频域分析可以将复杂信号分解为简单的信号（例如，正弦信号）的叠加，可以更加精确的了解信号的“构造”。因此，在本申请的技术方案中，对所述预定时间段的声音探测信号和所述预定时间段的环境噪声信号进行傅里叶变换以得到多个声音探测统计特征值和多个环境噪声统计特征值。
在本申请的技术方案中，为了能够同时提取所述声音探测信号和所述环境噪声信号在时域和频域空间中所蕴含的高维隐含关联特征分布以使得所述高维隐含关联特征分布的表达更为充分，将所述多个声音探测统计特征值和所述声音探测信号的波形图输入CLIP模型以得到声音探测特征矩阵，同时，将所述多个环境噪声统计特征值和所述环境噪声信号的波形图输入所述CLIP模型以得到环境噪声特征矩阵。其中，所述CLIP模型包括图像编码器和时序编码器。特别地，所述CLIP模型的图像编码器为作为过滤器的卷积神经网络模型，所述CLIP模型的时序编码器为多尺度邻域特征提取模块。
CLIP模型的图像编码器分别对所述声音探测信号的波形图和所述环境噪声信号的波形图进行特征提取以捕捉所述声音探测信号的波形图和所述环境噪声信号的波形图的局部隐含特征在高维空间中的特征分布表示，即所述声音探测信号和所述环境噪声信号的时域隐含变化特征，从而得到探测声音波形特征向量和环境噪声波形特征向量。CLIP模型的时序编码器（多尺度邻域特征提取模块）分别对所述多个声音探测统计特征值和所述多个环境噪声统计特征值进行多尺度卷积编码，以提取出在不同类别跨度下的所述多个声音探测统计特征值的多尺度邻域关联特征和所述多个环境噪声统计特征值的多尺度邻域关联特征，即所述声音探测信号和所述环境噪声信号的频域隐含特征，从而得到声音探测频域统计特征向量和环境噪声频域统计特征向量。
其中，所述多尺度邻域特征提取模块，包括：相互并行的第一卷积层和第二卷积层，以及与所述第一卷积层和所述第二卷积层连接的多尺度融合层，其中，所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核。在本申请的技术方案中，利用所述多尺度邻域特征提取模块的具有不同尺度的一维卷积核的卷积层（即第一卷积层和第二卷积层）对所述多个声音探测统计特征值（视为一个向量）进行一维卷积编码，再将得到的对应于两个所述不同尺度的一维卷积核的特征向量进行级联以得到声音探测频域统计特征向量。这里，对所述多个环境噪声统计特征值的编码过程与上述对所述多个声音探测统计特征值的编码过程类似，在此不做赘述。
然后，基于所述声音探测频域统计特征向量，对所述探测声音波形特征向量的特征表达进行优化，也就是以所述多个声音探测统计特征值的多尺度邻域关联特征来优化所述探测声音波形的时域特征表达从而得到所述声音探测特征矩阵。同时，基于环境噪声频域统计特征向量，对所述环境噪声波形特征向量的特征表达进行优化也就是以所述多个环境噪声统计特征值的多尺度邻域关联特征来优化所述环境噪声波形的时域特征表达从而得到所述环境噪声特征矩阵。
继而，计算所述声音探测特征矩阵和所述环境噪声特征矩阵之间的差分特征矩阵。这里，在高维空间中进行差分处理以将声音探测特征矩阵中与被检测阀门气体泄露无关的干扰信息（即关于环境噪声的高维动态隐含特征信息）去除。也就是，所述差分特征矩阵更加贴切地表达关于被检测阀门气体泄露的高维多尺度隐含特征信息。
在得到所述差分特征矩阵后，将其通过分类器以得到分类结果，所述分类结果用于表示被检测阀门是否出现气体泄漏。也就是，在本申请的技术方案中，所述分类器的标签包括被检测阀门出现气体泄漏（第一标签），以及，被检测阀门没有出现气体泄漏（第二标签），其中，所述分类器通过软最大值函数来确定所述差分特征矩阵属于哪个分类标签。应可以理解，在本申请的技术方案中，响应于所述分类结果为被检测阀门出现气体泄漏，触发声光报警信号灯进行报警，同时，切断三通阀进气阀门并打开三通阀另外一路的出气阀门以将管道内残余气体排放到安全区域。这样，所述气体发动机泄露预警系统在检测到气体发生泄露时能够及时发出预警信号以告知相关安全人员；并立即关断气源，停止继续供气，可及时阻止泄漏气体触发更大规模的灾害事故；同时，将管道内残余气体通过三通阀另外一路的出气阀门排放到安全区域，阻止了气体继续泄漏从而阻止人员设备事故发生。
特别地，对于计算所述声音探测特征矩阵和所述环境噪声特征矩阵之间的按位置差分所得到的所述差分特征矩阵来说，期望所述差分特征矩阵的特征表示能够与所述声音探测特征矩阵和所述环境噪声特征矩阵的联合分布维度上的特征表示具有较高的一致性和相关性，从而保证所述差分特征矩阵的分类结果的准确性。
并且，考虑到所述声音探测特征矩阵和所述环境噪声特征矩阵分别表达声音信号和环境噪声信号的统计值序列特征与图像语义特征之间的全域关联特征表示，如果对其各自的特征分布向着联合分布维度进行约束，则显然可以提升计算得到的差分特征矩阵的特征表示在其联合分布维度上的一致性和相关性。
基于此，本申请的申请人首先将所述声音探测特征矩阵和所述环境噪声特征矩阵展开为声音探测特征向量和环境噪声特征向量，再计算其联合高斯密度图，并进一步计算所述声音探测特征向量和所述环境噪声特征向量与所述联合高斯密度图的高斯概率密度分布距离指数，表示为：
其中，
和
分别是所述声音探测特征向量和所述环境噪声特征向量，
和
是联合高斯密度图的均值向量和协方差矩阵，即
表示所述声音探测特征向量和所述环境噪声特征向量的均值向量，且
表示所述声音探测特征向量和所述环境噪声特征向量的按位置方差构成的协方差矩阵，其中向量均为列向量。
因此，通过计算所述声音探测特征向量和所述环境噪声特征向量分别与其相应的联合高斯密度图的高斯概率密度分布距离指数，可以表示目标特征向量的特征分布相对于联合高斯概率密度分布的特征分布距离，通过以其分别对于所述声音探测特征矩阵和所述环境噪声特征矩阵进行加权后再计算其差分特征矩阵，就可以通过提高所述声音探测特征矩阵和所述环境噪声特征矩阵各自到高斯概率密度在目标域上的概率密度联合分布相关迁移的兼容性的方式，来提升所述差分特征矩阵的高斯概率密度分布与所述声音探测特征矩阵和所述环境噪声特征矩阵的联合分布维度上的特征表示的一致性和相关性，也就改进了所述差分特征矩阵通过分类器得到的分类结果的准确性。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性系统
图1为根据本申请实施例的气体发动机泄露预警系统的框图。如图1所示，根据本申请实施例的气体发动机泄露预警系统100，包括：气体探测传感器110，用于采集被检测阀门产生的声音探测信号；声音传感器120，用于采集环境噪声信号；以及，泄露检测仪130，用于基于所述声音探测信号和所述环境噪声信号进行气体泄露检测以得到用于表示被检测阀门是否出现气体泄漏的分类结果。
在上述气体发动机泄露预警系统100中，所述气体探测传感器110，用于采集被检测阀门产生的声音探测信号。所述气体探测传感器110部署于被检测阀门周围易产生气体泄露处。
在上述气体发动机泄露预警系统100中，所述声音传感器120，用于采集环境噪声信号。所述声音传感器120部署于距离被检测阀门周围易产生气体泄露处1~2米范围内，也就是，保证所述声音传感器不会采集到所述有关于气体泄露（比较微弱）的声音，同时保证采集到的环境噪声是所述气体探测传感器110也会采集到的。
在上述气体发动机泄露预警系统100中，所述泄露检测仪130，用于基于所述声音探测信号和所述环境噪声信号进行气体泄露检测以得到用于表示被检测阀门是否出现气体泄漏的分类结果。
图2为根据本申请实施例的气体发动机泄露预警系统中泄露检测仪的应用场景图。如图2所示，在该应用场景中，首先由所述气体探测传感器（例如，如图2中所示意的110）采集预定时间段的声音探测信号，并由所述声音传感器（例如，如图2中所示意的120）采集所述预定时间段的环境噪声信号。进而，将所述预定时间段的声音探测信号以及所述预定时间段的环境噪声信号输入至所述泄露检测仪（例如，如图2中所示意的130）中，其中，所述泄露检测仪能够基于所述气体发动机泄露预警算法对所述预定时间段的声音探测信号以及所述预定时间段的环境噪声信号进行处理，以得到用于表示被检测阀门是否出现气体泄漏的分类结果。
图3为根据本申请实施例的气体发动机泄露预警系统中泄露检测仪的框图。如图3所示，所述泄露检测仪130，包括：探测声音信号采集模块131，用于获取由所述气体探测传感器采集的预定时间段的声音探测信号以及所述预定时间段的环境噪声信号；频域特征提取模块132，用于对所述预定时间段的声音探测信号和所述预定时间段的环境噪声信号进行傅里叶变换以得到多个声音探测统计特征值和多个环境噪声统计特征值；探测声音编码模块133，用于将所述多个声音探测统计特征值和所述声音探测信号的波形图输入CLIP模型以得到声音探测特征矩阵；环境噪声编码模块134，用于将所述多个环境噪声统计特征值和所述环境噪声信号的波形图输入所述CLIP模型以得到环境噪声特征矩阵；差分模块135，用于计算所述声音探测特征矩阵和所述环境噪声特征矩阵之间的差分特征矩阵；以及，检测结果生成模块136，用于将所述差分特征矩阵通过分类器以得到分类结果，所述分类结果用于表示被检测阀门是否出现气体泄漏。
图4为根据本申请实施例的气体发动机泄露预警系统中泄露检测仪的架构示意图。如图4所示，在该架构示意图中，首先，获取由所述气体探测传感器采集的预定时间段的声音探测信号以及所述预定时间段的环境噪声信号；接着，对所述预定时间段的声音探测信号和所述预定时间段的环境噪声信号进行傅里叶变换以得到多个声音探测统计特征值和多个环境噪声统计特征值；然后，将所述多个声音探测统计特征值和所述声音探测信号的波形图输入CLIP模型以得到声音探测特征矩阵，同时，将所述多个环境噪声统计特征值和所述环境噪声信号的波形图输入所述CLIP模型以得到环境噪声特征矩阵；继而，计算所述声音探测特征矩阵和所述环境噪声特征矩阵之间的差分特征矩阵；最后，将所述差分特征矩阵通过分类器以得到分类结果，所述分类结果用于表示被检测阀门是否出现气体泄漏。
在上述气体发动机泄露预警系统100的运行过程中，其关键是所述泄露检测仪对泄漏气体的检测灵敏度达到了预定要求，才能保证后续预警、阻止气体继续泄漏等操作的顺利进行。在本申请的技术方案中，期待基于被检测阀门产生的声音探测信号来进行气体泄露检测。应可以理解，所述被检测阀门产生的声音探测信号中不仅包含有关气体泄露的声音信号，还包括环境噪声信号。并且，所述环境噪声信号在时间维度上具有隐含的动态变化特征，无法对其进行简单地剔除。也就是说，在此过程中，难点在于如何挖掘被检测阀门产生的声音探测信号的时序动态变化特征，并从中删除有关于环境噪声的动态干扰信息，以此来进行气体泄露检测。
近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
深度学习以及神经网络的发展为气体发动机泄露检测提供了新的解决思路和方案。
具体地，在所述探测声音信号采集模块131中，用于获取由所述气体探测传感器采集的预定时间段的声音探测信号以及所述预定时间段的环境噪声信号。
具体地，在所述频域特征提取模块132中，用于对所述预定时间段的声音探测信号和所述预定时间段的环境噪声信号进行傅里叶变换以得到多个声音探测统计特征值和多个环境噪声统计特征值。考虑到所述声音探测信号和所述环境噪声信号为时域信号，时域可以直观的观测到信号的形状，但是，不能用有限的参数对信号进行准确的描述。而频域分析可以将复杂信号分解为简单的信号（例如，正弦信号）的叠加，可以更加精确的了解信号的“构造”。因此，在本申请的技术方案中，对所述预定时间段的声音探测信号和所述预定时间段的环境噪声信号进行傅里叶变换以得到多个声音探测统计特征值和多个环境噪声统计特征值。
具体地，在所述探测声音编码模块133和所述环境噪声编码模块134中，用于将所述多个声音探测统计特征值和所述声音探测信号的波形图输入CLIP模型以得到声音探测特征矩阵，并将所述多个环境噪声统计特征值和所述环境噪声信号的波形图输入所述CLIP模型以得到环境噪声特征矩阵。在本申请的技术方案中，为了能够同时提取所述声音探测信号和所述环境噪声信号在时域和频域空间中所蕴含的高维隐含关联特征分布以使得所述高维隐含关联特征分布的表达更为充分，将所述多个声音探测统计特征值和所述声音探测信号的波形图输入CLIP模型以得到声音探测特征矩阵，同时，将所述多个环境噪声统计特征值和所述环境噪声信号的波形图输入所述CLIP模型以得到环境噪声特征矩阵。其中，所述CLIP模型包括图像编码器和时序编码器。特别地，所述CLIP模型的图像编码器为作为过滤器的卷积神经网络模型，所述CLIP模型的时序编码器为多尺度邻域特征提取模块。
CLIP模型的图像编码器分别对所述声音探测信号的波形图和所述环境噪声信号的波形图进行特征提取以捕捉所述声音探测信号的波形图和所述环境噪声信号的波形图的局部隐含特征在高维空间中的特征分布表示，即所述声音探测信号和所述环境噪声信号的时域隐含变化特征，从而得到探测声音波形特征向量和环境噪声波形特征向量。CLIP模型的时序编码器（多尺度邻域特征提取模块）分别对所述多个声音探测统计特征值和所述多个环境噪声统计特征值进行多尺度卷积编码，以提取出在不同类别跨度下的所述多个声音探测统计特征值的多尺度邻域关联特征和所述多个环境噪声统计特征值的多尺度邻域关联特征，即所述声音探测信号和所述环境噪声信号的频域隐含特征，从而得到声音探测频域统计特征向量和环境噪声频域统计特征向量。
其中，所述多尺度邻域特征提取模块，包括：相互并行的第一卷积层和第二卷积层，以及与所述第一卷积层和所述第二卷积层连接的多尺度融合层，其中，所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核。在本申请的技术方案中，利用所述多尺度邻域特征提取模块的具有不同尺度的一维卷积核的卷积层（即第一卷积层和第二卷积层）对所述多个声音探测统计特征值（视为一个向量）进行一维卷积编码，再将得到的对应于两个所述不同尺度的一维卷积核的特征向量进行级联以得到声音探测频域统计特征向量。这里，对所述多个环境噪声统计特征值的编码过程与上述对所述多个声音探测统计特征值的编码过程类似，在此不做赘述。
然后，基于所述声音探测频域统计特征向量，对所述探测声音波形特征向量的特征表达进行优化，也就是以所述多个声音探测统计特征值的多尺度邻域关联特征来优化所述探测声音波形的时域特征表达从而得到所述声音探测特征矩阵。同时，基于环境噪声频域统计特征向量，对所述环境噪声波形特征向量的特征表达进行优化也就是以所述多个环境噪声统计特征值的多尺度邻域关联特征来优化所述环境噪声波形的时域特征表达从而得到所述环境噪声特征矩阵。
更具体地，在本申请实施例中，所述探测声音编码模块133的编码过程，包括：首先，通过探测声音波形特征提取单元将所述声音探测信号的波形图输入所述CLIP模型的图像编码器以得到探测声音波形特征向量；接着，通过频域特征提取单元将所述多个声音探测统计特征值输入所述CLIP模型的时序编码器以得到声音探测频域统计特征向量；然后，通过第一联合优化单元基于所述声音探测频域统计特征向量，对所述探测声音波形特征向量的特征表达进行优化以得到所述声音探测特征矩阵。
具体地，在所述差分模块135中，用于计算所述声音探测特征矩阵和所述环境噪声特征矩阵之间的差分特征矩阵。这里，在高维空间中进行差分处理以将声音探测特征矩阵中与被检测阀门气体泄露无关的干扰信息（即关于环境噪声的高维动态隐含特征信息）去除。也就是，所述差分特征矩阵更加贴切地表达关于被检测阀门气体泄露的高维多尺度隐含特征信息。
更具体地，在本申请实施例中，所述差分模块135的编码过程，包括：首先，通过特征矩阵展开单元将所述声音探测特征矩阵和所述环境噪声特征矩阵展开为声音探测特征向量和环境噪声特征向量；接着，通过联合高斯密度图构造单元构造所述声音探测特征向量和所述环境噪声特征向量的联合高斯密度图，其中，所述联合高斯密度图的均值向量为所述声音探测特征向量和所述环境噪声特征向量之间的按位置均值向量，所述联合高斯密度图的协方差矩阵中各个位置的值为所述声音探测特征向量和所述环境噪声特征向量的按位置方差；然后，通过高斯概率密度分布距离指数计算单元分别计算所述声音探测特征向量和所述环境噪声特征向量相对于所述联合高斯密度图的高斯概率密度分布距离指数以得到第一高斯概率密度分布距离指数和第二高斯概率密度分布距离指数；继而，通过加权修正单元以所述第一高斯概率密度分布距离指数和所述第二高斯概率密度分布距离指数作为权重对所述声音探测特征矩阵和所述环境噪声特征矩阵进行加权以得到加权后声音探测特征矩阵和加权后环境噪声特征矩阵；最后，通过差分单元计算所述加权后声音探测特征矩阵和所述加权后环境噪声特征矩阵之间的差分以得到所述差分特征矩阵。
更具体地，在本申请实施例中，以如下公式构造所述声音探测特征向量和所述环境噪声特征向量的联合高斯密度图；其中，所述公式为：
其中，
表示所述声音探测特征向量和所述环境噪声特征向量之间的按位置均值向量，且
表示所述声音探测特征向量和所述环境噪声特征向量的按位置方差构成的协方差矩阵，
表示所述联合高斯密度图。
特别地，对于计算所述声音探测特征矩阵和所述环境噪声特征矩阵之间的按位置差分所得到的所述差分特征矩阵来说，期望所述差分特征矩阵的特征表示能够与所述声音探测特征矩阵和所述环境噪声特征矩阵的联合分布维度上的特征表示具有较高的一致性和相关性，从而保证所述差分特征矩阵的分类结果的准确性。
并且，考虑到所述声音探测特征矩阵和所述环境噪声特征矩阵分别表达声音信号和环境噪声信号的统计值序列特征与图像语义特征之间的全域关联特征表示，如果对其各自的特征分布向着联合分布维度进行约束，则显然可以提升计算得到的差分特征矩阵的特征表示在其联合分布维度上的一致性和相关性。
基于此，本申请的申请人首先将所述声音探测特征矩阵和所述环境噪声特征矩阵展开为声音探测特征向量和环境噪声特征向量，再计算其联合高斯密度图，并进一步计算所述声音探测特征向量和所述环境噪声特征向量与所述联合高斯密度图的高斯概率密度分布距离指数，表示为：
其中，
和
分别是所述声音探测特征向量和所述环境噪声特征向量，
和
是联合高斯密度图的均值向量和协方差矩阵，即
表示所述声音探测特征向量和所述环境噪声特征向量的均值向量，且
表示所述声音探测特征向量和所述环境噪声特征向量的按位置方差构成的协方差矩阵，其中向量均为列向量，
表示按位置作差，
表示矩阵乘法，
表示以e为底的指数函数运算，
和
分别是所述第一高斯概率密度分布距离指数和所述第二高斯概率密度分布距离指数。
因此，通过计算所述声音探测特征向量和所述环境噪声特征向量分别与其相应的联合高斯密度图的高斯概率密度分布距离指数，可以表示目标特征向量的特征分布相对于联合高斯概率密度分布的特征分布距离，通过以其分别对于所述声音探测特征矩阵和所述环境噪声特征矩阵进行加权后再计算其差分特征矩阵，就可以通过提高所述声音探测特征矩阵和所述环境噪声特征矩阵各自到高斯概率密度在目标域上的概率密度联合分布相关迁移的兼容性的方式，来提升所述差分特征矩阵的高斯概率密度分布与所述声音探测特征矩阵和所述环境噪声特征矩阵的联合分布维度上的特征表示的一致性和相关性，也就改进了所述差分特征矩阵通过分类器得到的分类结果的准确性。
具体地，在所述检测结果生成模块136中，用于将所述差分特征矩阵通过分类器以得到分类结果，所述分类结果用于表示被检测阀门是否出现气体泄漏。也就是，在本申请的技术方案中，所述分类器的标签包括被检测阀门出现气体泄漏（第一标签），以及，被检测阀门没有出现气体泄漏（第二标签），其中，所述分类器通过软最大值函数来确定所述差分特征矩阵属于哪个分类标签。应可以理解，在本申请的技术方案中，响应于所述分类结果为被检测阀门出现气体泄漏，触发声光报警信号灯进行报警，同时，切断三通阀进气阀门并打开三通阀另外一路的出气阀门以将管道内残余气体排放到安全区域。这样，所述气体发动机泄露预警系统在检测到气体发生泄露时能够及时发出预警信号以告知相关安全人员；并立即关断气源，停止继续供气，可及时阻止泄漏气体触发更大规模的灾害事故；同时，将管道内残余气体通过三通阀另外一路的出气阀门排放到安全区域，阻止了气体继续泄漏从而阻止人员设备事故发生。与现有技术相比，所述气体发动机泄露预警系统的运用，不用相关人员近距离监测气体是否发生泄漏，保障了相关人员在近距离监测泄漏气体时面临的各种风险；不需要在管道泄露处外加化学或其它相关物质，不会对管道，阀体等产生腐蚀，堵塞等问题。
更具体地，在本申请实施例中，检测结果生成模块136的编码过程，包括：首先，通过展开单元将所述差分特征矩阵按照行向量或者列向量展开为分类特征向量；接着，通过概率化单元将所述分类特征向量输入所述分类器的Softmax分类函数以得到所述分类特征向量归属于各个分类标签的概率值；然后，通过分类结果生成单元将最大概率值对应的分类标签确定为所述分类结果。
综上，基于本申请实施例的气体发动机泄露预警系统100被阐明，其通过气体探测传感器来采集被检测阀门产生的声音探测信号，通过声音传感器来采集环境噪声信号，并利用泄露检测仪来进行气体泄露检测。在运行过程中，响应于出现气体泄露的分类结果，触发声光报警信号灯进行报警，同时，切断三通阀进气阀门并打开三通阀另外一路的出气阀门以将管道内残余气体排放到安全区域。这样，所述气体发动机泄露预警系统在检测到气体发生泄露时能够及时发出预警信号以告知相关安全人员；同时，阻止了气体继续泄漏从而阻止人员设备事故发生。
示例性方法
图5为根据本申请实施例的气体发动机泄露预警方法的流程图。如图5所示，根据本申请实施例的气体发动机泄露预警方法，包括：S110，获取由所述气体探测传感器采集的预定时间段的声音探测信号以及所述预定时间段的环境噪声信号；S120，对所述预定时间段的声音探测信号和所述预定时间段的环境噪声信号进行傅里叶变换以得到多个声音探测统计特征值和多个环境噪声统计特征值；S130，将所述多个声音探测统计特征值和所述声音探测信号的波形图输入CLIP模型以得到声音探测特征矩阵；S140，将所述多个环境噪声统计特征值和所述环境噪声信号的波形图输入所述CLIP模型以得到环境噪声特征矩阵；S150，计算所述声音探测特征矩阵和所述环境噪声特征矩阵之间的差分特征矩阵；以及，S160，将所述差分特征矩阵通过分类器以得到分类结果，所述分类结果用于表示被检测阀门是否出现气体泄漏。
这里，本领域技术人员可以理解，上述气体发动机泄露预警方法中的各个步骤和操作已经在上面参考图1到图4的气体发动机泄露预警系统100的描述中得到了详细介绍，并因此，将省略其重复描述。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (4)
1.一种气体发动机泄露预警系统，其特征在于，包括：
气体探测传感器，用于采集被检测阀门产生的声音探测信号；
声音传感器，用于采集环境噪声信号；以及
泄露检测仪，用于基于所述声音探测信号和所述环境噪声信号进行气体泄露检测以得到用于表示被检测阀门是否出现气体泄漏的分类结果；
所述泄露检测仪，包括：
探测声音信号采集模块，用于获取由所述气体探测传感器采集的预定时间段的声音探测信号以及所述预定时间段的环境噪声信号；
频域特征提取模块，用于对所述预定时间段的声音探测信号和所述预定时间段的环境噪声信号进行傅里叶变换以得到多个声音探测统计特征值和多个环境噪声统计特征值；
探测声音编码模块，用于将所述多个声音探测统计特征值和所述声音探测信号的波形图输入CLIP模型以得到声音探测特征矩阵；
环境噪声编码模块，用于将所述多个环境噪声统计特征值和所述环境噪声信号的波形图输入所述CLIP模型以得到环境噪声特征矩阵；
差分模块，用于计算所述声音探测特征矩阵和所述环境噪声特征矩阵之间的差分特征矩阵；以及
检测结果生成模块，用于将所述差分特征矩阵通过分类器以得到分类结果，所述分类结果用于表示被检测阀门是否出现气体泄漏；
所述探测声音编码模块，包括：
探测声音波形特征提取单元，用于将所述声音探测信号的波形图输入所述CLIP模型的图像编码器以得到探测声音波形特征向量；
频域特征提取单元，用于将所述多个声音探测统计特征值输入所述CLIP模型的时序编码器以得到声音探测频域统计特征向量；以及
第一联合优化单元，用于基于所述声音探测频域统计特征向量，对所述探测声音波形特征向量的特征表达进行优化以得到所述声音探测特征矩阵；
所述差分模块，包括：
特征矩阵展开单元，用于将所述声音探测特征矩阵和所述环境噪声特征矩阵展开为声音探测特征向量和环境噪声特征向量；
联合高斯密度图构造单元，用于构造所述声音探测特征向量和所述环境噪声特征向量的联合高斯密度图，其中，所述联合高斯密度图的均值向量为所述声音探测特征向量和所述环境噪声特征向量之间的按位置均值向量，所述联合高斯密度图的协方差矩阵中各个位置的值为所述声音探测特征向量和所述环境噪声特征向量的按位置方差；
高斯概率密度分布距离指数计算单元，用于分别计算所述声音探测特征向量和所述环境噪声特征向量相对于所述联合高斯密度图的高斯概率密度分布距离指数以得到第一高斯概率密度分布距离指数和第二高斯概率密度分布距离指数；
加权修正单元，用于以所述第一高斯概率密度分布距离指数和所述第二高斯概率密度分布距离指数作为权重对所述声音探测特征矩阵和所述环境噪声特征矩阵进行加权以得到加权后声音探测特征矩阵和加权后环境噪声特征矩阵；以及
差分单元，用于计算所述加权后声音探测特征矩阵和所述加权后环境噪声特征矩阵之间的差分以得到所述差分特征矩阵；
所述联合高斯密度图构造单元，进一步用于：
以如下公式构造所述声音探测特征向量和所述环境噪声特征向量的联合高斯密度图；
其中，所述公式为：
其中，μu表示所述声音探测特征向量和所述环境噪声特征向量之间的按位置均值向量，且∑u表示所述声音探测特征向量和所述环境噪声特征向量的按位置方差构成的协方差矩阵，
表示所述联合高斯密度图，x是所述联合高斯密度图的变量；
所述高斯概率密度分布距离指数计算单元，进一步用于：
以如下公式分别计算所述声音探测特征向量和所述环境噪声特征向量相对于所述联合高斯密度图的高斯概率密度分布距离指数以得到第一高斯概率密度分布距离指数和第二高斯概率密度分布距离指数；
其中，所述公式为：
其中，V1和V2分别是所述声音探测特征向量和所述环境噪声特征向量，μu和∑u是联合高斯密度图的均值向量和协方差矩阵，即μu表示所述声音探测特征向量和所述环境噪声特征向量的均值向量，且∑u表示所述声音探测特征向量和所述环境噪声特征向量的按位置方差构成的协方差矩阵，其中向量均为列向量，
表示按位置作差，
表示矩阵乘法，exp(·)表示以e为底的指数函数运算，w1和w2分别是所述第一高斯概率密度分布距离指数和所述第二高斯概率密度分布距离指数。
2.根据权利要求1所述的气体发动机泄露预警系统，其特征在于，所述CLIP模型的图像编码器为作为过滤器的卷积神经网络模型。
3.根据权利要求2所述的气体发动机泄露预警系统，其特征在于，所述CLIP模型的时序编码器为多尺度邻域特征提取模块。
4.根据权利要求3所述的气体发动机泄露预警系统，其特征在于，所述检测结果生成模块，包括：
展开单元，用于将所述差分特征矩阵按照行向量或者列向量展开为分类特征向量；
概率化单元，用于将所述分类特征向量输入所述分类器的Softmax分类函数以得到所述分类特征向量归属于各个分类标签的概率值；以及
分类结果生成单元，用于将最大概率值对应的分类标签确定为所述分类结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310243736.0A CN115950590B (zh) | 2023-03-15 | 2023-03-15 | 气体发动机泄露预警系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310243736.0A CN115950590B (zh) | 2023-03-15 | 2023-03-15 | 气体发动机泄露预警系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115950590A CN115950590A (zh) | 2023-04-11 |
| CN115950590B true CN115950590B (zh) | 2023-05-30 |
Family
ID=85891388
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310243736.0A Active CN115950590B (zh) | 2023-03-15 | 2023-03-15 | 气体发动机泄露预警系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115950590B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116819379A (zh) * | 2023-04-23 | 2023-09-29 | 东莞市冠锦电子科技有限公司 | 电源适配器的故障监测系统及其方法 |
| CN117477499B (zh) * | 2023-10-30 | 2024-04-26 | 东莞市锦宏电机有限公司 | 智能电机控制保护系统及其方法 |
| CN118484708B (zh) * | 2024-07-16 | 2024-09-20 | 新疆鼎诚检测科技有限责任公司 | 埋地钢制管道防腐层智能检测系统及方法 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS6243535A (ja) * | 1985-08-20 | 1987-02-25 | Kansai Electric Power Co Inc:The | 漏気検出方法 |
| US6725705B1 (en) * | 2003-05-15 | 2004-04-27 | Gas Technology Institute | Enhanced acoustic detection of gas leaks in underground gas pipelines |
| CN103994820A (zh) * | 2014-04-21 | 2014-08-20 | 中国科学院上海微系统与信息技术研究所 | 一种基于微孔径麦克风阵列的运动目标识别方法 |
| CN109668058A (zh) * | 2018-12-24 | 2019-04-23 | 哈尔滨工业大学 | 基于线性预测倒谱系数和lyapunov指数的供水管道漏损辨识方法 |
| CN110185939A (zh) * | 2019-05-16 | 2019-08-30 | 西北工业大学 | 基于卷积神经网络的气体管道泄漏识别方法 |
| CN110657355A (zh) * | 2019-08-28 | 2020-01-07 | 北京无线电计量测试研究所 | 一种热力管线泄漏检测方法 |
| KR20210032373A (ko) * | 2019-09-09 | 2021-03-24 | 한국수자원공사 | 누수 여부 탐지 시스템 |
| CN112762362A (zh) * | 2021-01-15 | 2021-05-07 | 中国海洋石油集团有限公司 | 基于卷积神经网络的水下管道泄漏声发射检测方法 |
| CN112863515A (zh) * | 2020-12-31 | 2021-05-28 | 北京理工大学 | 利用手机扬声器和麦克风识别人体舌头下颚动作的方法 |
| CN113375063A (zh) * | 2021-06-07 | 2021-09-10 | 国家石油天然气管网集团有限公司西气东输分公司 | 一种天然气管道泄漏智能监测方法及系统 |
| 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 |
-
2023
- 2023-03-15 CN CN202310243736.0A patent/CN115950590B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS6243535A (ja) * | 1985-08-20 | 1987-02-25 | Kansai Electric Power Co Inc:The | 漏気検出方法 |
| US6725705B1 (en) * | 2003-05-15 | 2004-04-27 | Gas Technology Institute | Enhanced acoustic detection of gas leaks in underground gas pipelines |
| CN103994820A (zh) * | 2014-04-21 | 2014-08-20 | 中国科学院上海微系统与信息技术研究所 | 一种基于微孔径麦克风阵列的运动目标识别方法 |
| CN109668058A (zh) * | 2018-12-24 | 2019-04-23 | 哈尔滨工业大学 | 基于线性预测倒谱系数和lyapunov指数的供水管道漏损辨识方法 |
| CN110185939A (zh) * | 2019-05-16 | 2019-08-30 | 西北工业大学 | 基于卷积神经网络的气体管道泄漏识别方法 |
| CN110657355A (zh) * | 2019-08-28 | 2020-01-07 | 北京无线电计量测试研究所 | 一种热力管线泄漏检测方法 |
| KR20210032373A (ko) * | 2019-09-09 | 2021-03-24 | 한국수자원공사 | 누수 여부 탐지 시스템 |
| CN112863515A (zh) * | 2020-12-31 | 2021-05-28 | 北京理工大学 | 利用手机扬声器和麦克风识别人体舌头下颚动作的方法 |
| CN112762362A (zh) * | 2021-01-15 | 2021-05-07 | 中国海洋石油集团有限公司 | 基于卷积神经网络的水下管道泄漏声发射检测方法 |
| CN113375063A (zh) * | 2021-06-07 | 2021-09-10 | 国家石油天然气管网集团有限公司西气东输分公司 | 一种天然气管道泄漏智能监测方法及系统 |
| 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 |
Non-Patent Citations (3)
| Title |
|---|
| Gas leakage fault detection of pneumatic pipe system using neural networks;Sheng Zhang;《JSME International Journal》;第47卷(第2期);全文 * |
| 基于人工神经网络的储罐区泄漏源实时定位技术初步研究;关磊 等;《中国安全生产科学技术》;第2卷(第4期);全文 * |
| 输气管道泄漏音波传声特性及泄漏识别;忻盛婷 等;《石油机械》;第41卷(第6期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115950590A (zh) | 2023-04-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115950590B (zh) | 气体发动机泄露预警系统 | |
| Kang et al. | Novel leakage detection by ensemble CNN-SVM and graph-based localization in water distribution systems | |
| Wang et al. | Pipeline leak detection by using time-domain statistical features | |
| Tariq et al. | Data-driven application of MEMS-based accelerometers for leak detection in water distribution networks | |
| da Cruz et al. | Machine learning and acoustic method applied to leak detection and location in low-pressure gas pipelines | |
| CN109447263B (zh) | 一种基于生成对抗网络的航天异常事件检测方法 | |
| Yu et al. | Leak detection in water distribution systems by classifying vibration signals | |
| Wang et al. | Pipeline leak detection method based on acoustic-pressure information fusion | |
| CN111520615B (zh) | 基于线谱对和三次插值搜索的管网漏损识别与定位方法 | |
| Vanijjirattikhan et al. | AI-based acoustic leak detection in water distribution systems | |
| Bohorquez et al. | Merging fluid transient waves and artificial neural networks for burst detection and identification in pipelines | |
| Harmouche et al. | Long-term monitoring for leaks in water distribution networks using association rules mining | |
| Mei et al. | Adaptive signal enhancement based on improved VMD-SVD for leak location in water-supply pipeline | |
| CN111695465A (zh) | 基于压力波模式识别的管网故障诊断与定位方法及系统 | |
| Rajabi et al. | Leak detection and localization in water distribution networks using conditional deep convolutional generative adversarial networks | |
| Tijani et al. | Gene expression programming based mathematical modeling for leak detection of water distribution networks | |
| Nakıp et al. | Multi-sensor fire detector based on trend predictive neural network | |
| Macatangay et al. | A Deep Learning-Based Prediction and Simulator of Harmful Air Pollutants: A Case from the Philippines | |
| CN114444663A (zh) | 一种基于时间卷积网络的供水管网泄漏检测与定位方法 | |
| Bao et al. | Application of lightning spatio-temporal localization method based on deep LSTM and interpolation | |
| CN109842682A (zh) | 一种基于物联网的分布式环境安全学习及预警方法 | |
| Chen et al. | Peripheric sensors-based leaking source tracking in a chemical industrial park with complex obstacles | |
| Zhang et al. | Leak localization of water supply network based on temporal convolutional network | |
| CN116772122A (zh) | 一种天然气管道泄漏故障诊断方法、系统、设备及介质 | |
| CN115512717A (zh) | 一种基于集成学习的二阶段单传感器管道泄漏定位方法 |
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 |