Page 105 - 《应用声学》2022年第4期

第 41 卷 第 4 期 韩鹏程等： 卷积神经网络在气体泄漏超声识别中的应用 603

基于 CNN 的二分类模型和不同泄漏类型的三分类
0 引言
模型。结果表明这种设计可以有效提高三分类模型
由于腐蚀、老化、地质变形或施工失败等原因， 的性能。
天然气管道泄漏事故频发。针对管道气体泄漏问
1 STFT和CNN
题，国内外学者开展了相关研究。目前已有许多针
对管道气体泄漏检测的方法 [1−2] ，根据不同的检测 1.1 STFT
物理量可分为声学检测法和非声学检测法。非声学
STFT 既保留了原始信号的时频域信息，也不
检测方法中光纤检漏法 [3] 、质量平衡法 [4] 、压力点
受信号频带范围的制约，是一种常用的时频联合分
分析法 [5] 等检测方法原理简单，但是灵敏度低，对
析技术，具体运算为
缓慢增加的泄漏或微小的渗漏反应弱，甚至无效。 ∫ ∞
[ −j2πft ]
气体示踪法 [6] 、红外热成像法 [7] 等检测方法在定位 STFT z (t, f) = z(t)g(t − τ) e dt , (1)
−∞
精度以及实时性方面有所提高，但其设备复杂，成本
式(1) 中：z(t) 为原始信号，g(t − τ) 为中心位于 τ 时
昂贵，在实际工程应用中受限于气体类型、气体浓
刻的窗函数。
度。声学检测法中 Mostafapour等 [8] 利用声发射技
将管道气体泄漏时域信号经过 STFT 处理的
术，提出一种结合小波变换、滤波和互相关技术的泄
结果在时域排开，得到保留时频域信息的二维谱图。
漏检测算法。该方法可用于城市燃气管道泄漏源的
在STFT 过程中，窗函数的长度决定时频域分辨率，
定位，但存在对材料敏感、安装要求高、易受噪声干
具体运算为
扰、信号辨识困难等问题。Xiao 等 [9] 提出了一种基 ⌊ ⌋
N x − N 0
于小波变换和支持向量机的声信号泄漏检测方法。 T = , (2)
N w − N 0
该方法对燃气管道泄漏严重程度进行识别，但是需 
N w /2 + 1, N w 是偶数,

要人工提取特征，需要相当充裕的经验知识。
F = (3)
深度学习是一种特征学习，即通过学习数据 

(N w + 1)/2, N w 是奇数,
的更高层次抽象表示，能对具有复杂分布特征的
其中：T 为时间分辨率，F 为频率分辨率，⌊·⌋表示向
图像、视频、声音等信号进行特征提取、分类和识
下取整运算，N x 为参与STFT的样本长度，N w 为窗
别 [10] ，被广泛应用于语声识别 [11] 、图像处理 [12]
函数长度，N 0 为窗口重叠宽度。将时频图分辨率 P
等领域。卷积神经网络 (Convolutional neural net-
定义为
works, CNN) [13] 是一种有监督的深度学习算法，其
对深层特征的学习能力很强。CNN 通过对原始数 P = T × F. (4)
据的特征提取、选择和模式识别统一到一个框架下，
气体泄漏产生的超声信号具有不同于环境背
避免了信息丢失，减少了人工工作量，在实际工程中
景声的特征，本文在构造时频图时，首先进行超声截
应用更为方便。宁方立等 [14] 通过对卷积核进行改
断，只对20 ∼ 40 kHz超声频率段进行表征。同时，根
进，提取阀门泄漏信号的窄带线谱特征。该方法将
据式 (4)，通过调整窗口重叠宽度，对时频图分辨率
CNN 引入到阀门泄漏检测领域，但是基于 “泄漏”
大小，即CNN分类模型输入时频图尺寸进行分析。
和“背景”的分类模型较为单一。
综上所述，目前管道气体泄漏检测方法受限于 1.2 CNN
技术特点，不具备通用性，且识别准确率较低。CNN CNN 可以对气体泄漏超声信号表征的时频图
可以对气体泄漏声信号特点进行提取，但是需要进 特征进行自适应提取。CNN 分类模型的训练过程
一步模拟实际管道泄漏形式，建立多分类模型。本 包括前向传播和反向传播两个部分。前向传播经过
文针对输气管道气体泄漏检测问题，在实验室搭建 卷积层、池化层对输入时频图进行特征提取和降维，
输气管道，模拟常见的阀门泄漏和垫片泄漏，采集泄 在全连接层进行分类，预测时频图的类别。假设第l
漏声信号通过短时傅里叶变换 (Short time Fourier 层为卷积层，第l − 1层为池化层或输入层，则：
( )
transform, STFT) 构建输气管道气体泄漏数据集。 l ∑ l−1 l l
x = f x m ⊗ k m,n + b n , (5)
n
在设计CNN网络结构时，添加 Inception模块，建立 m