[发明专利]基于卷积神经网络的气体管道泄漏识别方法

说明书

本发明提出一种基于卷积神经网络的气体管道泄漏识别方法，在采集典型泄漏类型的泄漏声信号和背景声信号后，进行分帧处理以及短时傅里叶变化得到表征原始泄漏声信号的时频图；而后搭建针对于泄漏声信号的卷积神经网络分类模型，将传统的正方形卷积核改变为特定长条状的长方形卷积核从而能够更好的提取到时频图中的线谱特征；将泄漏声和背景声的时频图混合送入搭建好的卷积神经网络进行训练，训练采用K折交叉验证，对网络模型超参数进行优化，从而选出最优的模型超参数并增强模型的鲁棒性和普适性。该方法相较于现有技术中的管道泄漏识别方法不但在识别率上有进一步的提升，而且还能有效的解决现有技术中最难以处理的特征筛选问题。

技术领域

本发明属于气体管道泄漏识别领域，具体涉及一种基于卷积神经网络的气体管道泄漏识别方法。

背景技术

随着经济的发展，人们生活水平的不断提高，天然气已经普及到了城乡居民的日常生活中，现代城市的地下空间中分布着大量的燃气管道。随着时间的推移以及城市的发展，地下空间中分布着的管道会逐渐老化腐蚀或被人为损坏，这必然会导致燃气的泄漏。燃气泄漏不仅对环境造成了极大的污染而且在城乡居民的人身安全方面也埋下了极大的隐患。因此能够及时检测到泄漏源在保障居民人身安全和保护环境方面就显得尤为重要。

申请号为2018106517382的专利提出了一种基于最小二乘支持向量机信息融合的管道泄漏检测方法。该方法相比于传统的质量或体积平衡法、负压波法和人工巡检等泄漏识别方法在识别率上有一定提高，但是基于支持向量机的识别方法需要人工筛选声信号的特征，而且识别率对于所选取的特征具有较高的依赖性，而特征的选取在很大程度上仅仅依靠人的先验知识，这在无形之中就加大了时间成本和人工成本。

发明内容

为了解决传统泄漏识别方法耗时耗力以及漏报率和误报率高的问题，本发明提出了一种基于卷积神经网络的泄漏识别方法，尤其是在卷积神经网络的卷积核上做出了针对气体泄漏声特点的创造性改进。该方法相较于现有技术中的管道泄漏识别方法不但在识别率上有进一步的提升，而且还能有效的解决现有技术中最难以处理的特征筛选问题。

本发明的基本原理是：

模拟实际输气管道中的典型泄漏类型，如通过阀门开口、垫片钻孔和管壁钻孔模拟实际输气管道中最容易发生的阀门外泄、垫片泄漏和管壁泄漏；通过麦克风阵列采集典型泄漏类型的泄漏声信号，进行分帧处理得到大规模短时音频数据，对这些音频数据进行短时傅里叶变化得到表征原始泄漏声信号的时频图。搭建针对于泄漏声信号的卷积神经网络分类模型。卷积神经网络在图像识别领域具有得天独厚的优势，这完全得益于它的卷积核可以提取图像中的深层次特征。然而通过短时傅里叶变化得到的表征原始声信号的时频图不同于自然界中的真实图片，时频图具有明显的条纹状特征，因而基于这一特征，本专利通过将传统的正方形卷积核改变为特定长条状的长方形卷积核从而能够更好的提取到时频图中的线谱特征。将上述典型泄漏类型的泄漏信号的时频图标记为“泄漏”，将通过采集背景(无泄漏情况下的)声音转换得到的时频图标记为“背景”，最后将二者混合送入搭建好的卷积神经网络进行训练。训练采用K折交叉验证，对网络模型超参数进行优化，从而选出最优的模型超参数并增强模型的鲁棒性和普适性。

本发明的技术方案为：

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：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：