CN116577037A - 一种基于非均匀频率语谱图的风管泄漏信号检测方法 - Google Patents
一种基于非均匀频率语谱图的风管泄漏信号检测方法 Download PDFInfo
- Publication number
- CN116577037A CN116577037A CN202310847960.0A CN202310847960A CN116577037A CN 116577037 A CN116577037 A CN 116577037A CN 202310847960 A CN202310847960 A CN 202310847960A CN 116577037 A CN116577037 A CN 116577037A
- Authority
- CN
- China
- Prior art keywords
- frequency
- signal
- air duct
- spectrogram
- yolo5
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 63
- 238000003062 neural network model Methods 0.000 claims abstract description 27
- 238000001914 filtration Methods 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000000034 method Methods 0.000 claims description 43
- 230000006870 function Effects 0.000 claims description 26
- 238000001228 spectrum Methods 0.000 claims description 18
- 230000009466 transformation Effects 0.000 claims description 13
- 238000009826 distribution Methods 0.000 claims description 12
- 230000007246 mechanism Effects 0.000 claims description 10
- 230000006835 compression Effects 0.000 claims description 6
- 238000007906 compression Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000002474 experimental method Methods 0.000 claims description 4
- 210000002310 elbow joint Anatomy 0.000 claims description 3
- 238000013210 evaluation model Methods 0.000 claims description 3
- 239000013307 optical fiber Substances 0.000 description 9
- 230000003321 amplification Effects 0.000 description 5
- 238000003199 nucleic acid amplification method Methods 0.000 description 5
- 238000003672 processing method Methods 0.000 description 4
- 239000000700 radioactive tracer Substances 0.000 description 4
- 239000000835 fiber Substances 0.000 description 3
- 230000004907 flux Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 210000000988 bone and bone Anatomy 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002401 inhibitory effect Effects 0.000 description 2
- 230000005415 magnetization Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000011897 real-time detection Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000003556 assay Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M3/00—Investigating fluid-tightness of structures
- G01M3/02—Investigating fluid-tightness of structures by using fluid or vacuum
- G01M3/04—Investigating fluid-tightness of structures by using fluid or vacuum by detecting the presence of fluid at the leakage point
- G01M3/24—Investigating fluid-tightness of structures by using fluid or vacuum by detecting the presence of fluid at the leakage point using infrasonic, sonic, or ultrasonic vibrations
- G01M3/243—Investigating fluid-tightness of structures by using fluid or vacuum by detecting the presence of fluid at the leakage point using infrasonic, sonic, or ultrasonic vibrations for pipes
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
-
- 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
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Examining Or Testing Airtightness (AREA)
Abstract
本发明提供一种基于非均匀频率语谱图的风管泄漏信号检测方法，包括步骤：S1：采集风管泄漏声音或振动数据；S2：对采集信号进行高通滤波，以抑制低频噪声；S3：对采集信号进行快速傅里叶变换，找到高频关键特征区间；S4：对频域信号进行非均匀频率扩展，生成非均匀频率表达的语谱图，通过调整函数参数对不同频率区间内的特征信号进行处理，提取信号关键特征；S5：构建DA‑YOLO5神经网络模型进行训练，获得风管泄漏信号检测模型。本发明的一种基于非均匀频率语谱图的风管泄漏信号检测方法，生成非均匀频率表达的语谱图，有效地抑制了低频噪声影响并突出了高频关键特征；采用DA‑YOLO5神经网络模型进一步提升了风管泄漏信号检测的准确度和时效性。
Description
技术领域
本发明涉及管道泄漏检测技术领域，尤其涉及一种基于非均匀频率语谱图的风管泄漏信号检测方法。
背景技术
常见的风管泄漏信号检测方法主要分为基于硬件和基于软件的泄漏检测方法。
（1）基于硬件的泄漏检测方法主要包括空气采样、人工观察、示踪剂检测、漏磁通检测、超声波检测、光纤传感检测等类别。其中，空气采样法主要利用检测仪器对管道周围的空气进行检测，并根据其浓度来判断管道泄漏情况；人工观察法是指人工沿气体管道直接观察是否泄漏的方法，常用方法为在管输气体中添加臭剂，通过视觉或味觉进行泄漏判断；示踪剂检测法主要将示踪剂掺混到风管中，通过检测周围环境特征来判断管道泄漏情况；漏磁通检测法通过对管道施加外加磁场来观察管壁磁化状态，结合磁化差异与信号采集方法来实现泄漏检测；超声波检测法通过向风管垂直发射超声波来观察反射波的时间差来判断管道泄漏；光纤传感检测法通常使用分布式光纤传感器和准分布式光纤传感器。其中，分布式光纤传感器在被监测管道上方沿管道同沟铺设传感光纤，通过向光纤中发射光脉冲波，泄漏引起振动导致应力传递中的传感光纤发生变形，从而使背向散射光发生散射或反射，产生强度突变。而准分布式光纤传感器则主要采用点式准分布测量技术。
（2）基于软件的泄漏检测方法主要包括负压波法、质量/流量平衡法、压力梯度法、实时模型法、以及基于知识的方法等类别。负压波法通过检测管内外存在的压力差，泄漏点处气体快速损失使其密度减小，进而产生瞬时压降；质量/流量平衡法通过计算管道进口流量与出口流量的差值来判断泄漏量；压力梯度法利用泄漏点上、下游的传感器采集压力信号；实时模型法包括基于估计器、系统辨识、瞬变流或卡尔曼滤波等类别，适用于气管实时监测等复杂环境中；基于知识的方法利用人工神经网络、统计分析等手段，建立管网泄漏工况模型，得到管网泄漏位置的监测点压力变化。
基于硬件的风管泄漏信号检测方法中，空气采样法具有灵敏度较高，但检测仪器昂贵，无法进行连续检测的特点；人工观察法虽然操作简单，但需要耗费较大人力，并且效率较低，无法进行连续检测；示踪剂检测法操作周期较长，难以实现管道在线实时检测；漏磁通检测法虽然操作简单，但难以实现实时检测且精度不高的劣势；超声波检测法虽然精度较高，但对输送介质比较敏感，不能实时检测；分布式光纤传感器法适用于光纤发生较大形变的情况，而小泄漏或渗漏造成光纤形变较小，易导致检测效果不佳。
基于软件的泄漏检测方法中，负压波法具有避免建立复杂的管道数学模型，且操作简易，但易受外界因素干扰，存在漏报率高和定位精度较低等缺点；质量/流量平衡法存在易受外界因素干扰的特点；压力梯度法原理简单，但由于实际管道压降分布并不是线性的，因而精度较低；实时模型法中基于估计器和系统辨识的方法对仪表的精度要求高，运算量较大；基于知识的方法中统计分析法对仪表精度要求较高，容易受到干扰，定位精度较低。
发明内容
针对上述现有技术中的不足，本发明提供一种基于非均匀频率语谱图的风管泄漏信号检测方法，采用高通滤波方法对采集到的声音或振动数据进行低频段噪声抑制处理，结合快速傅里叶变换信号处理方法将其转换为泄漏信号频谱图；根据频谱包络能量中高频能量分布构造非线性变换函数，结合短时傅里叶变换信号处理方法构建基于非均匀频率表达的语谱图，从而有效抑制低频噪声影响并突出高频关键特征；采用DA-YOLO5神经网络模型高效的实时目标检测和推理识别能力，进一步提升风管泄漏信号检测的准确度和时效性。
为了实现上述目的，本发明提供一种基于非均匀频率语谱图的风管泄漏信号检测方法，包括步骤：
S1：采集风管泄漏声音或振动数据，获得采集信号；
S2：对所述采集信号进行高通滤波抑制低频噪声；
S3：对S2经过高通滤波后的信号进行快速傅里叶变换信号处理，获得频域信号并绘制频谱图；找出高频关键特征对应的频率范围;
S4：对S2所述经过高通滤波后的信号通过以S3提取的频率范围为参数的非线性变换函数并结合短时傅里叶变换信号处理生成非均匀频率表达的语谱图；通过调整函数中的参数可对不同频率区间内的特征信号进行处理，从而提取信号的关键特征;
S5：构建一个DA-YOLO5神经网络模型；所述DA-YOLO5神经网络模型通过在对应YOLO5模型中添加注意力机制获得；利用所述信号关键特征对所述DA-YOLO5神经网络模型进行训练，获得风管泄漏信号检测模型。
优选地，所述S1步骤中：
根据风管泄漏检测任务的实际需求，选择合适的声音传感器或振动传感器；
将所述声音传感器或所述振动传感器安装在风管系统的关键部位并等间距分布于管道周围；所述关键部位包括接缝、弯头和支撑结构。
优选地，所述S2步骤中：
根据风管泄漏信号检测的实际应用需求和信号特征，选择合适的高通滤波器，所述高通滤波器包括有限脉冲响应滤波器和无限脉冲响应滤波器；
通过所述采集信号的导通频带与截止频带的交点设定截止频率，结合所述截止频率设定与所选所述滤波器，滤除所述采集信号的低频噪声的主要频率分量；
同时观察滤波处理后的信号，调整所述滤波器的参数或类型。
优选地，所述S3步骤进一步包括步骤：
S31：选择窗函数对信号进行加窗处理；
S32：对加窗处理后的信号进行快速傅里叶变换，获得所述频域信号；
S33：根据所述快速傅里叶变换的结果计算幅值谱；
S34：将所述幅值谱绘制成相应的频谱图；
S35:根据所需的泄漏检测实验选择高频特征对应的频率范围。
优选地，所述S4步骤进一步包括步骤：
S41：根据所述频域信号的频率分布，将所述频域信号划分为多个子区间，并对各个所述子区间进行分析得到信号特征；
S42：针对高频关键特征对应的频率范围将该范围内的频率扩展突出所述高频关键特征；
S43：根据划分的频率范围，通过调整非线性变换函数中的参数，对高频特征所在区间进行线性放大，同时对非高频特征所在区间采用乘以一个压缩因子或通过对数函数的形式实现压缩来提取所述信号的关键特征。
优选地，所述S5步骤中：
根据风管泄漏信号的实际需求定义所述DA-YOLO5神经网络模型的结构和参数，调整所述DA-YOLO5神经网络模型中的类别数量和候选区域中锚框大小；
在对所述DA-YOLO5神经网络模型的训练过程中，使用预训练模型权重作为初始权重，同时根据评估模型返回目标框的坐标、类别和置信度，优化调整所述DA-YOLO5神经网络模型的参数或训练策略；
所述添加注意力机制，用于从整个空间聚集和传播有用的全局特征，并且为每个位置提供定制化的全局信息，用以帮助模型集中注意力。
本发明由于采用了以上技术方案，使其具有以下有益效果：
本发明根据频谱包络能量中高频能量分布构造非线性变换函数，结合短时傅里叶变换信号处理方法构建基于非均匀频率表达的语谱图，可以有效抑制低频噪声影响并突出高频关键特征。利用DA-YOLO5神经网络模型高效的实时目标检测和推理识别能力，可以提升对风管泄漏信号检测中高频关键特征定位的准确度和时效性。本发明有助于帮助降低风管传输能耗和故障风险，提高泄漏信号检测性能，有利于维护生产安全和生命健康。
附图说明
图1为本发明实施例的一种基于非均匀频率语谱图的风管泄漏信号检测方法的流程图；
图2为本发明实施例的第一工况非均匀频率语谱图；
图3为本发明实施例的第二工况非均匀频率语谱图；
图4为本发明实施例的第三工况非均匀频率语谱图；
图5为本发明实例的基于线性频谱的语谱图和非均匀频率表达语谱图的对比图。
具体实施方式
下面根据附图1~图5，给出本发明的较佳实施例，并予以详细描述，使能更好地理解本发明的功能、特点。
请参阅图1~图5，本发明实施例的一种基于非均匀频率语谱图的风管泄漏信号检测方法，包括步骤：
S1：采集风管泄漏声音或振动数据，获得采集信号；
根据风管泄漏检测任务的实际需求，选择合适的声音传感器或振动传感器；声音传感器（如麦克风）主要用于检测声音信号，而振动传感器（如加速度计）主要用于检测振动信号；
将声音传感器或振动传感器安装在风管系统的关键部位并等间距分布于管道周围；关键部位包括接缝、弯头和支撑结构；以实现管道的全局和局部范围监测。
S2：对采集信号进行高通滤波抑制低频噪声；
根据风管泄漏信号检测的实际应用需求和信号特性，选择合适的高通滤波器，高通滤波器包括有限脉冲响应（FIR）滤波器和无限脉冲响应（IIR）滤波器；
通过导通频带与截止频带的交点设定截止频率，结合截止频率设定与所选滤波器，滤除采集信号的低频噪声的主要频率分量；
同时观察滤波处理后的信号，调整滤波器的参数或类型。
S3：对经过高通滤波后的信号进行快速傅里叶变换信号处理，获得频域信号并绘制频谱图；找出高频关键特征对应的频率范围；本发明实例的高频关键特征所在区间为16kHz到22kHz，这是一个先验数据，是在实际工况实验中所获得的；
S3步骤进一步包括步骤：
S31：为避免频谱泄漏和提高频谱分辨率，选择窗函数（如汉宁窗、汉明窗等）对信号进行加窗处理；
S32：对加窗处理后的信号进行快速傅里叶变换，将其从时域转换为频域，获得频域信号；
S33：根据快速傅里叶变换的结果计算幅值谱；
S34：将幅值谱绘制成频谱图，有助于直观地分析泄漏信号的特征和频率成分及分布；
S35:根据所需的实验选择高频特征对应的频率范围。
S4：对S2所述经过高通滤波后的信号通过以S3提取的频率范围为参数的非线性变换函数并结合短时傅里叶变换信号处理生成非均匀频率表达的语谱图；通过调整非线性变换函数中的参数，对高频特征所在区间进行线性放大，同时对非高频特征所在区间采用乘以一个压缩因子或通过对数函数的形式实现压缩来提取所述信号的关键特征；具体而言，对高频关键特征所在区间进行线性放大，同时对非高频关键特征所在区间进行压缩。在对非高频关键特征所在区间进行压缩时可以通过乘以一个压缩因子或者使用对数函数的方式实现；
S4步骤进一步包括步骤：
S41：根据频域信号的频率分布，将频域信号划分为多个子区间，对各个子区间进行分析得到信号特征；
S42：针对高频关键特征对应的频率范围将该范围内的频率扩展突出所述高频关键特征；
S43：根据划分的频率范围，通过调整非线性变换函数中的参数，对高频特征所在区间进行线性放大，同时对非高频特征所在区间采用乘以一个压缩因子或通过对数函数的形式实现压缩来提取所述信号的关键特征。
S5：构建一个DA-YOLO5神经网络模型；利用信号关键特征对DA-YOLO5神经网络模型进行训练，获得风管泄漏信号检测模型。
根据风管泄漏信号的实际需求定义DA-YOLO5神经网络模型的结构和参数，调整DA-YOLO5神经网络模型中的类别数量和候选区域中锚框大小；
在对DA-YOLO5神经网络模型的训练过程中，使用预训练模型权重作为初始权重，以加速训练并提高模型精度，同时根据评估模型返回目标框的坐标、类别和置信度，优化调整DA-YOLO5神经网络模型的参数或训练策略，以提升风管泄漏信号检测的准确度和时效性；
其中添加注意力机制，用以有效地从整个空间聚集和传播有用的全局特征，并且为每个位置提供定制化的全局信息，用以帮助模型集中注意力，该机制模块切合本文应用场景，能够提升检测的准确率。
本实施例中，改进的YOLO5模型DA-YOLO5的结构。DA-YOLO5神经网络模型包括三个模块：由Backbone模块、Neck模块和Head模块组成。改进之处位于Neck模块，即在Neck模块中增加了双注意力机制结构DA(Double Attention)。模型中每一模块的功能如下：1）Backbone模块：Backbone模块为主干网，其功能是从预处理好的泄漏信号语谱图中提取具有语义信息的特征；2）Neck模块：Neck模块中改进的DA结构通过从图像中聚集和传播有用的全局特征，为每个位置提供定制化的全局信息，进一步的处理和融合Backbone模块提取的特征，用于提升目标检测的准确率；3）Head模块：使用Backbone模块和Neck模块提取的特征，通过一系列的卷积、全连接和输出层等操作实现预测，输出目标的位置、类别和置信度等信息。
此外，DA-YOLO5中层次结构中还有一些比较重要的结构，如focus结构、CSP(CrossStage Partial)结构，FPN(Feature Pyramid Network)结构和PAN(Path AggregationNetwork)结构。其中，focus结构通过对输入特征图进行通道重排和下采样来实现在较低计算成本下提取多尺度特征。CSP结构的核心思想是将特征图分为两个部分，一部分进行卷积操作，另一部分保持不变。这种分离的设计可以减少网络中的参数数量，降低计算量，同时增加了网络的表征能力。FPN结构是通过特征金字塔的构建，使模型能够处理不同尺度的目标，并提高目标检测的性能。PAN结构通过逐层的特征融合和上下文聚合，将来自不同层级的特征图结合在一起，以获得具有丰富语义信息和多尺度特征的特征金字塔，帮助模型更好地检测不同尺度的目标，并提高检测的准确性和鲁棒性。
DA结构表达的思想。它表示全局特征只计算一次，然后由所有位置共享。同时，每个位置i将根据其局部特征产生自己的注意力向量，以选择有助于补充当前位置的全局特征的理想子集，并形成特征/>。DA结构表达的第一层注意力机制是由neck模块中第一个concat层产生的特征图生成的注意力图，并得到一组全局特征；注意力机制的第二层执行的操作是将全局特征矩阵和注意力权重向量矩阵相乘得到新的局部特征/>。
本发明实施例的一种基于非均匀频率语谱图的风管泄漏信号检测方法，主要包含如下技术：
1、泄漏信号频谱图表征；
使用声音或振动传感器采集风管系统的声音或振动数据。引入高通滤波方法对采集的数据进行滤波处理，以抑制低频段噪声且突出泄漏信号，提高信号与噪声的比值。将经过高通滤波处理的信号进行快速傅里叶变换，将其从时域转换为频域，以生成用于分析泄漏信号特征频率和幅值的频谱图。
2、非均匀频率表达语谱图；
对带有泄漏信号特征频率和幅值的频谱图进行频谱分析，计算各个频率段的包络能量，以确定高频能量分布以及低频噪声的影响程度。根据频谱包络能量中高频能量分布构造非线性变换函数，结合短时傅里叶变换信号处理方法构建基于非均匀频率表达的语谱图，从而有效抑制低频噪声影响并突出高频关键特征。
3、实时目标检测和推理识别；
根据风管泄漏信号检测特性，利用DA-YOLO5检测速度快、准确性较高的优势，构建实时目标检测神经网络模型。采用深度卷积神经网络对输入的非均匀频率的语谱图进行特征提取，包括待检测目标的边界框预测、类别概率和置信度，进一步提升了风管泄漏信号检测的准确度和时效性。
目前风管泄漏信号检测方法仍然存在灵敏度低和定位精度低等问题，主要原因在于受干扰信号的影响，信号整体直接相关定位容易造成漏报以及定位不准确等问题。为此，本发明提出一种基于非均匀频率语谱图的风管泄漏信号检测方法，根据待处理信号中的均匀频率分布，将其划分为多个子区间。引入一种非均匀频率机制，将高频关键特征所在区间进行扩展，以突出高频关键特征影响，进而生成非均匀频率表达的语谱图。此外，引入一种高效的实时目标检测DA-YOLO5神经网络模型，根据风管泄漏信号的实际需求调整模型中的类别数量和锚框大小，以提升风管泄漏信号检测的准确度和时效性。
图2~图4为泄漏声波信号的非均匀频率语谱图。声波传感器阵列对管道进行实时监测，并将采集到的声波信息转换为均匀语谱图。同时，根据待处理信号中的频率分布，将其划分为多个子区间。根据频谱包络能量中高频能量分布，将其频率扩展以突出高频关键特征影响，生成非均匀频率表达的语谱图，方便进一步对信号强度明显变化的时刻进行标注。
其中，图2为泄漏测试点在距离起始点20.1米处，管道内的工作压力为10kPa，泄漏等效孔径为5.2mm的工况下，泄漏信号语谱图的泄漏点起始位置。
图3为泄漏测试点在距离起始点5.5米处，管道内的工作压力为10kPa，泄漏等效孔径为5.2mm的工况下，泄漏信号语谱图的泄漏点起始位置。
图4为泄漏测试点在距离起始点45.3米处，管道内的工作压力为7.5kPa，泄漏等效孔径为5.2mm的工况下，泄漏信号语谱图的泄漏点起始位置。
本发明实例的非线性变换函数公式为:
在本发明实例采用的函数公式中当频率处于非高频特征所在区域，进行压缩处理。具体而言，将f_s和f_e作为分界点，将低于f_s和高于f_e这两个频率的部分的幅度值线性地压缩到为原来的1/k。当频率处于高频关键特征所在区间，进行放大处理，将f_s作为基准点，将处于f_s和f_e之间的幅度值线性地放大到原来的k倍。同时，为了避免频率f超出范围，还要将它线性地插值到f_max处。
其中f_min表示最小频率；f_s表示放大区间的起始频率；f_e表示放大区间的终止频率；f_max表示最大频率；k是一个正数，用于调整放大区间的放大程度。
此外在对非高频特征所在区间进行压缩时，还可以采用对数函数的形式实现。
图5为本发明实例的基于线性频谱的语谱图和非均匀频率表达语谱图的对比图。
其中非均匀频率表达语谱图中的参数设置具体为：最小频率为0Hz；放大区间的起始频率为16kHz；放大区间的终止频率为22kHz；最大频率为22kHz；k值为1.4。
以上结合附图实施例对本发明进行了详细说明，本领域中普通技术人员可根据上述说明对本发明做出种种变化例。因而，实施例中的某些细节不应构成对本发明的限定，本发明将以所附权利要求书界定的范围作为本发明的保护范围。
Claims (6)
1.一种基于非均匀频率语谱图的风管泄漏信号检测方法，包括步骤：
S1：采集风管泄漏声音或振动数据，获得采集信号；
S2：对所述采集信号进行高通滤波抑制低频噪声；
S3：对S2经过高通滤波后的信号进行快速傅里叶变换信号处理，获得频域信号并绘制频谱图，找出高频关键特征对应的频率范围；
S4：对S2所述的经过高通滤波后的信号重新进行短时傅里叶变换再结合以S3获取的频率范围为参数的非线性变换函数，生成非均匀频率表达的语谱图，通过调整函数中的参数可对不同频率区间内的特征信号进行处理，提取泄漏信号的关键特征；
S5：构建一个DA-YOLO5神经网络模型；所述DA-YOLO5神经网络模型通过在对应YOLO5模型中添加注意力机制获得；利用所述信号关键特征对所述DA-YOLO5神经网络模型进行训练，获得风管泄漏信号检测模型。
2.根据权利要求1所述的一种基于非均匀频率语谱图的风管泄漏信号检测方法，其特征在于，所述S1步骤中：
根据风管泄漏检测任务的实际需求，选择合适的声音传感器或振动传感器；
将所述声音传感器或所述振动传感器安装在风管系统的关键部位并等间距分布于管道周围；所述关键部位包括接缝、弯头和支撑结构。
3.根据权利要求1所述的一种基于非均匀频率语谱图的风管泄漏信号检测方法，其特征在于，所述S2步骤中：
根据风管泄漏信号检测的实际应用需求和信号特性，选择合适的高通滤波器，所述高通滤波器包括有限脉冲响应滤波器和无限脉冲响应滤波器；
通过所述采集信号的导通频带与截止频带的交点设定截止频率，结合所述截止频率设定与所选所述滤波器，滤除所述采集信号的低频噪声的主要频率分量；
同时观察滤波处理后的信号，调整所述滤波器的参数或类型。
4.根据权利要求1所述的一种基于非均匀频率语谱图的风管泄漏信号检测方法，其特征在于，所述S3步骤进一步包括步骤：
S31：选择窗函数对信号进行加窗处理；
S32：对加窗处理后的信号进行快速傅里叶变换，获得所述频域信号；
S33：根据所述快速傅里叶变换的结果计算幅值谱；
S34：将所述幅值谱绘制成相应的频谱图；
S35：根据所需的泄漏检测实验选择高频关键特征对应的频率范围。
5.根据权利要求1所述的一种基于非均匀频率语谱图的风管泄漏信号检测方法，其特征在于，所述S4步骤进一步包括步骤：
S41：根据所述频域信号的频率分布，将所述频域信号划分为多个子区间，并对各个所述子区间进行分析得到信号特征；
S42：针对高频关键特征对应的频率范围将该范围内的频率扩展突出所述高频关键特征；
S43：根据划分的频率范围，通过调整非线性变换函数中的参数，对高频关键特征所在区间进行线性放大，同时对非高频特征所在区间采用乘以一个压缩因子或通过对数函数的形式实现压缩来提取所述信号的关键特征。
6.根据权利要求1所述的一种基于非均匀频率语谱图的风管泄漏信号检测方法，其特征在于，所述S5步骤中：
根据风管泄漏信号的实际需求定义所述DA-YOLO5神经网络模型的结构和参数，调整所述DA-YOLO5神经网络模型中的类别数量和候选区域中锚框大小；
在对所述DA-YOLO5神经网络模型的训练过程中，使用预训练模型权重作为初始权重，同时根据评估模型返回目标框的坐标、类别和置信度，优化调整所述DA-YOLO5神经网络模型的参数或训练策略；
所述添加注意力机制，用于从整个空间聚集和传播有用的全局特征，并且为每个位置提供定制化的全局信息，用以帮助模型集中注意力。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310847960.0A CN116577037B (zh) | 2023-07-12 | 2023-07-12 | 一种基于非均匀频率语谱图的风管泄漏信号检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310847960.0A CN116577037B (zh) | 2023-07-12 | 2023-07-12 | 一种基于非均匀频率语谱图的风管泄漏信号检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116577037A true CN116577037A (zh) | 2023-08-11 |
| CN116577037B CN116577037B (zh) | 2023-09-12 |
Family
ID=87541655
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310847960.0A Active CN116577037B (zh) | 2023-07-12 | 2023-07-12 | 一种基于非均匀频率语谱图的风管泄漏信号检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116577037B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117889943A (zh) * | 2024-03-13 | 2024-04-16 | 浙江维度仪表有限公司 | 基于机器学习的气体超声波流量计检验方法及系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140005958A1 (en) * | 2012-06-27 | 2014-01-02 | General Monitors, Inc. | Multi-spectral ultrasonic gas leak detector |
| CN106768689A (zh) * | 2016-12-13 | 2017-05-31 | 广东省特种设备检测研究院茂名检测院 | 一种基于声学传感器的阀门泄漏无线检测系统 |
| CN107061996A (zh) * | 2017-03-10 | 2017-08-18 | 内蒙古大学 | 一种供水管道泄漏检测定位方法 |
| JP2018141723A (ja) * | 2017-02-28 | 2018-09-13 | 国立大学法人岩手大学 | 気体漏出検出装置 |
| US20190137045A1 (en) * | 2017-06-30 | 2019-05-09 | Hifi Engineering Inc. | Method and system for detecting whether an acoustic event has occurred along a fluid conduit |
| CN113362857A (zh) * | 2021-06-15 | 2021-09-07 | 厦门大学 | 一种基于CapCNN的实时语音情感识别方法及应用装置 |
| KR102454925B1 (ko) * | 2022-03-28 | 2022-10-17 | 주식회사 위플랫 | 인공 지능을 이용한 누수 여부 판별 및 누수 위치 추정 장치 및 그 방법 |
| TWI804093B (zh) * | 2021-12-09 | 2023-06-01 | 財團法人工業技術研究院 | 地下水管洩漏檢測系統及方法 |
-
2023
- 2023-07-12 CN CN202310847960.0A patent/CN116577037B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140005958A1 (en) * | 2012-06-27 | 2014-01-02 | General Monitors, Inc. | Multi-spectral ultrasonic gas leak detector |
| CN106768689A (zh) * | 2016-12-13 | 2017-05-31 | 广东省特种设备检测研究院茂名检测院 | 一种基于声学传感器的阀门泄漏无线检测系统 |
| JP2018141723A (ja) * | 2017-02-28 | 2018-09-13 | 国立大学法人岩手大学 | 気体漏出検出装置 |
| CN107061996A (zh) * | 2017-03-10 | 2017-08-18 | 内蒙古大学 | 一种供水管道泄漏检测定位方法 |
| US20190137045A1 (en) * | 2017-06-30 | 2019-05-09 | Hifi Engineering Inc. | Method and system for detecting whether an acoustic event has occurred along a fluid conduit |
| CN113362857A (zh) * | 2021-06-15 | 2021-09-07 | 厦门大学 | 一种基于CapCNN的实时语音情感识别方法及应用装置 |
| TWI804093B (zh) * | 2021-12-09 | 2023-06-01 | 財團法人工業技術研究院 | 地下水管洩漏檢測系統及方法 |
| KR102454925B1 (ko) * | 2022-03-28 | 2022-10-17 | 주식회사 위플랫 | 인공 지능을 이용한 누수 여부 판별 및 누수 위치 추정 장치 및 그 방법 |
Non-Patent Citations (5)
| Title |
|---|
| JEIH-WEIH HUNG ET AL: "Exploiting the Non-Uniform Frequency-Resolution Spectrograms to Improve the Deep Denoising Auto-Encoder for Speech Enhancement", 2021 7TH INTERNATIONAL CONFERENCE ON APPLIED SYSTEM INNOVATION (ICASI), pages 26 - 29 * |
| KUANG WEI ET AL: "Failure Mode Analysis of High-Pressure Duct Bleed Air Leakage", 2022 4TH INTERNATIONAL CONFERENCE ON SYSTEM RELIABILITY AND SAFETY ENGINEERING (SRSE), pages 245 - 248 * |
| 周扬等: "基于听觉显著图的长输管道漏失检测算法", 吉林大学学报(工学版), vol. 50, no. 4, pages 1487 - 1494 * |
| 张旭: "基于φ-OTDR系统的声波信号在管道泄漏监听中的应用", 中国优秀硕士学位论文全文数据库（电子期刊）工程科技I辑, pages 019 - 213 * |
| 施剑: "融合多信号源的地下风管泄漏监测系统设计", 计算机技术与发展, vol. 31, no. 3, pages 174 - 178 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117889943A (zh) * | 2024-03-13 | 2024-04-16 | 浙江维度仪表有限公司 | 基于机器学习的气体超声波流量计检验方法及系统 |
| CN117889943B (zh) * | 2024-03-13 | 2024-05-14 | 浙江维度仪表有限公司 | 基于机器学习的气体超声波流量计检验方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116577037B (zh) | 2023-09-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | Leak location in gas pipelines using cross-time–frequency spectrum of leakage-induced acoustic vibrations | |
| CN116577037B (zh) | 一种基于非均匀频率语谱图的风管泄漏信号检测方法 | |
| CN106679741A (zh) | 基于涡街流量计抗干扰信号的处理方法及系统 | |
| CN102563361A (zh) | 基于常规数据和音波信号的输气管道泄漏检测定位装置及方法 | |
| EP1448970A1 (en) | Remote pipeline acoustic inspection | |
| CN105371945B (zh) | 去除厅堂脉冲响应测量声信号中噪声的方法及装置 | |
| CN101592288A (zh) | 一种管道泄漏辨识方法 | |
| CN104316277A (zh) | 基于声检测与盲信号分离的气密性监测方法与装置 | |
| Li et al. | Leakage detection of HVAC pipeline network based on pressure signal diagnosis | |
| CN107785025B (zh) | 基于房间脉冲响应重复测量的噪声去除方法及装置 | |
| CN104869519A (zh) | 一种测试麦克风本底噪声的方法和系统 | |
| Hao et al. | Urban hazardous chemicals pipeline leakage positioning method based on CELMD-MCKD | |
| Wang et al. | Identification of engine faults based on acoustic emission signals using a 1DCNN-ViT ensemble model | |
| JP5807107B1 (ja) | 分析データ作成方法、周波数フィルター作成方法、異常音発生位置の特定方法、分析データ作成装置、周波数フィルター作成装置および異常音発生位置の特定装置 | |
| CN105909979B (zh) | 基于小波变换融合盲源分离算法的泄漏声波特征提取方法 | |
| He et al. | Weak fault detection method of rolling bearing based on testing signal far away from fault source | |
| CN113295346A (zh) | 基于声波的阀门内漏检测方法 | |
| JP5077847B2 (ja) | 残響時間推定装置及び残響時間推定方法 | |
| KR100888320B1 (ko) | 밸브 내부 누설 진단 장치 및 방법 | |
| CN211478951U (zh) | 故障诊断装置和故障诊断系统 | |
| CN105928666B (zh) | 基于希尔伯特黄变换与盲源分离的泄漏声波特征提取方法 | |
| CN115541006B (zh) | 基于平面piv的预测指定声源远场流致噪声的方法 | |
| CN110440144B (zh) | 一种基于压力信号幅值衰减的定位方法 | |
| CN113048404B (zh) | 一种城市气体管道微小泄漏诊断方法 | |
| JP6557576B2 (ja) | 異常音の発生位置特定方法および異常音の発生位置特定装置 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |