Page 107 - 《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 605

门泄漏超声信号在频域上主要包括宽带连续谱和
3 实验验证
窄带线谱，宽带连续谱声压级幅值会随着不同泄漏
3.1 数据集建立 条件发生变化，窄带线谱具有时域连续性和频域稳
定性特点。图3(b) 为典型垫片泄漏时频图。分析可
搭建输气管道气体泄漏平台，如图2所示，利用
法兰球阀和垫片小孔模拟实际输气管道中最容易 知，相比阀门泄漏，垫片泄漏在频域上主要包括宽
产生的阀门泄漏和垫片泄漏。 带连续谱，其窄带线谱成分能量较小，反映在时频
图上并不明显。图3(c)为典型实验室环境背景时频
图。分析可知，在超声频率段内，由于电路噪声和其
他环境中超声信号的影响，在时频图上会存在窄带
线谱噪声。这些噪声具有时变性和不稳定性，对模
型的抗干扰能力有了更高要求。

3.1.2 数据集样本构成

分别采集 4 个法兰球阀在阀门开度为 15 、30 、
◦
◦
图 2 输气管道气体泄漏平台
45 ，管道压力为 0.7 MPa 和 0.9 MPa 下的气体泄
◦
Fig. 2 Gas pipeline gas leakage platform
漏信号。做时长为 1 s 的截断，通过时频图表征作
3.1.1 时频图表征 为 “阀门泄漏” 类样本，共包括 4992 个样本，如表 2
图3(a)为典型阀门泄漏时频图。分析可知，阀 所示。

40 40 40 40

35 35 35
ᮠဋ/kHz 30 ᮠဋ/kHz 30 ᮠဋ/kHz 35 ᮠဋ/kHz 30
30
25 25 25 25
20 20 20 20
0 0.2 0.4 0.6 0.8 1.0 0 0.2 0.4 0.6 0.8 1.0 0 0.2 0.4 0.6 0.8 1.0 0 0.2 0.4 0.6 0.8 1.0
௑ᫎ/s ௑ᫎ/s ௑ᫎ/s ௑ᫎ/s
(a) ᫙᫃෺໤
40 40 40 40
35 35 35
ᮠဋ/kHz 30 ᮠဋ/kHz 30 ᮠဋ/kHz 35 ᮠဋ/kHz 30
30
25 25 25 25

20 20 20 20
0 0.2 0.4 0.6 0.8 1.0 0 0.2 0.4 0.6 0.8 1.0 0 0.2 0.4 0.6 0.8 1.0 0 0.2 0.4 0.6 0.8 1.0
௑ᫎ/s ௑ᫎ/s ௑ᫎ/s ௑ᫎ/s
(b) ۙྟ෺໤
40 40 40 40
35 35 35
ᮠဋ/kHz 30 ᮠဋ/kHz 30 ᮠဋ/kHz 35 ᮠဋ/kHz 30
30

25 25 25 25
20 20 20 20
0 0.2 0.4 0.6 0.8 1.0 0 0.2 0.4 0.6 0.8 1.0 0 0.2 0.4 0.6 0.8 1.0 0 0.2 0.4 0.6 0.8 1.0
௑ᫎ/s ௑ᫎ/s ௑ᫎ/s ௑ᫎ/s
(c) ࠄᰎࠉဗܒᑀఀ
图 3 超声信号时频图
Fig. 3 Time-frequency diagram of ultrasound signal