[发明专利]基于卷积神经网络的气体管道泄漏识别方法

权利要求书

1.一种基于卷积神经网络的气体管道泄漏识别方法，其特征在于：包括以下步骤：

步骤1：模拟实际输气管道中的典型泄漏类型，通过麦克风阵列分别采集各典型泄漏类型的泄漏声信号和背景声信号；

步骤2：对采集到的泄漏声信号和背景声信号进行分帧处理，得到大规模的短时音频信号；

步骤3：定义短时傅里叶变化窗函数长度，将短时音频信号进行短时傅里叶变化得到表征原始信号的时频图；

步骤4：基于时频图中的线谱横向纹理特征，搭建适用于气体管道泄漏检测的卷积神经网络模型：

其中网络模型架构为：

第一层为卷积层，卷积核的大小为5*3，其厚度为3，个数为16；对卷积之后得到的16个特征图进行最大池化操作，池化核的大小为3*3；

第二层为卷积层，卷积核的大小为3*1，其厚度为16，个数为32；对卷积之后得到的32个特征图进行最大池化操作，池化核的大小为3*3；

第三层为卷积层，卷积核的大小为3*1，其厚度为32，个数为64；对卷积之后得到的64个特征图进行最大池化操作，池化核的大小为3*3；

第四层为全连接层，全连接层采用128个神经元；

第五层为softmax层，作为分类层；该层采用两个神经元，作为泄漏与否的二分类结果；

网络模型中各层的激活函数均采用ReLU函数，且在各层中均使用Dropout操作，其中网络模型中前四层还使用局部响应归一化操作；

网络模型的模型损失函数采用交叉熵函数：

其中m表示一次参与网络训练的样本个数，y⁽ⁱ⁾表示第i个样本为泄漏类别的真实概率，表示第i个样本为通过网络模型进行计算得到的泄漏类别概率；

步骤5：将步骤3得到的泄漏声信号时频图和背景声信号时频图作为整个卷积神经网络模型泄漏识别的数据集进行模型训练；

步骤6：通过麦克风阵列对实际输气管道进行巡检，采集实际输气管道附近声信号，并获取声信号的时频图，输入训练好的卷积神经网络模型，得到泄漏与否的识别结果。

2.根据权利要求1所述一种基于卷积神经网络的气体管道泄漏识别方法，其特征在于：步骤1中，分别通过阀门开口、垫片钻孔、管壁钻孔来模拟实际输气管道中的阀门松动泄漏、垫片老化泄漏以及管壁腐蚀破损泄漏三种典型泄漏类型。

3.根据权利要求2所述一种基于卷积神经网络的气体管道泄漏识别方法，其特征在于：通过麦克风阵列分别采集三种模拟典型泄漏类型的泄漏声信号，并分别通过调节阀门开口的大小、更换不同孔径的垫片和管壁进行多次采集。

4.根据权利要求1或3所述一种基于卷积神经网络的气体管道泄漏识别方法，其特征在于：步骤5中模型训练采用K折交叉验证：将数据集进行K等分，每次选取其中一等分作为验证集，剩下的作为训练集。

5.根据权利要求4所述一种基于卷积神经网络的气体管道泄漏识别方法，其特征在于：步骤4中建立多个网络架构相同但超参数不同的模型，对各个模型分别进行n次K折交叉验证，计算n次结果的平均值，将准确率最高的模型作为最终泄漏识别模型。