[发明专利]基于深度学习的强背景噪声环境下的气体管道泄漏识别方法

说明书

本发明提出一种基于深度学习的强背景噪声环境下的气体管道泄漏识别方法，首先在实验室管道泄漏模拟系统上模拟阀门外泄、垫片泄漏并采集泄漏声信号，同时在实际管廊中采集强背景(风机)噪声信号，将泄漏信号与实际背景信号混合以模拟在实际管廊下的泄漏情况。将每一类音频数据进行分割获得大量的短时音频信号，对音频信号进行短时傅里叶变换，然后进行特征增强处理，将增强后的特征矩阵映射为时频图，形成地下综合管廊泄漏检测的数据集。然后搭建适用于气体泄漏检测的卷积神经网络模型。将特征增强与神经网络相结合构成一套完整的行之有效的输气管道泄漏检测方案。本发明能够有效的提高在强背景噪声干扰下的泄漏识别准确率。

技术领域

本发明属于管道泄漏检测领域，具体涉及一种基于深度学习的用于强背景噪声环境下的气体管道泄漏识别方法。

背景技术

管道运输以其具有的成本低、运输快、效率高、安全性高等特点，已经成为当前最为重要的气体运输方式，尤其是在石油天然气和化工等领域都已成为了必不可少的运输方式。在人口较为密集的现代城市的地下空间中分布着大量天然气、暖气等高压输气管道，这些管道在长时间的使用过程中会出现连接处的松动、管壁的腐蚀或人为损坏等情况，容易导致管道内气体发生泄漏，若泄漏点没有及时检测并进行相应的维修，管道内的气体持续泄漏，极易在封闭空间内达到爆炸极限范围，遇高温或火花发生爆炸、火灾等严重安全事故。

文献“基于深度学习的输油管道泄漏检测研究[D].东北石油大学,2018.”基于堆栈自编码算法构建了一个多层的深度学习模型，并利用现场管道信号数据库和泄漏数据进行训练，将原始数据作为输入，直接提取管道数据从低层到高层的特征，以此来进行工况的分类识别。这篇文献所提出的方法虽然获得了较高的识别准确率，但是由于深度学习方法具有的参数量较多，训练过程容易发生过拟合，因而对于噪声的敏感性较高，所以对于背景复杂，管道泄漏信号信噪比非常低的工况数据难以做到有效识别，然而在实际的工程应用领域大部分的工况信号都包含着强大且复杂的背景噪声信号，所以为了满足实际的工程应用要求需要对强背景噪声下的管道泄漏方法进行研究。

发明内容

为了解决在强背景噪声工况下的信号识别问题，本发明针对输气管道的泄漏识别提出了一种基于时频谱图特征增强与卷积神经网络相结合的新方法。其中时频谱图的特征增强能够有效的增强时频图上的纹理特征，同时对于实际工况中的瞬态噪声和随机噪声能够有效地进行抑制，通过将该特征增强方法与优化后的卷积神经网络相结合，能够有效的提高在强背景噪声干扰下的泄漏识别准确率。

本发明的技术方案为：

所述一种基于深度学习的强背景噪声环境下的气体管道泄漏识别方法，包括以下步骤：

步骤1：模拟气体管道在不同管道压力、不同泄露口径下的阀门外泄以及垫片泄漏状态，并采集各个状态下的泄漏声信号；另外还采集模拟环境下的背景声信号和实际管道场景下的噪声背景信号；

步骤2：将垫片泄漏、阀门泄漏声信号与模拟环境下的背景声信号以及实际管道场景下的噪声背景信号进行混合，形成六类具有代表性的声信号，分别是：

模拟环境下的背景声信号、模拟环境下的阀门外泄声信号、模拟环境下的垫片泄漏声信号、实际管道场景下的噪声背景信号、实际管道场景下的噪声与阀门外泄混合声信号，实际管道场景下的噪声与垫片泄漏混合声信号；

将每一类声信号分割为短时音频信号，将六类短时音频信号划分为训练集和测试集；

步骤3：对每一类短时音频数据进行短时傅里叶变换，获得样本的以横轴为时间、纵轴为频率、数值代表声压强度的表征矩阵；

步骤4：对表征矩阵进行超声域部分提取，得到超声域表征矩阵；