Page 108 - 《应用声学》2022年第4期

606 2022 年 7 月

表 2 “阀门泄漏” 样本构成 表 4 二分类气体泄漏数据集划分
Table 2 Sample composition of “valve leakage” Table 4 Division of the two-class gas leakage
data set
阀门 管道
阀门 1 阀门 2 阀门 3 阀门 4
开度/( ) 压力/MPa
◦
数据集 “泄漏” 类 “背景” 类
0.7 208 208 208 208
15 训练集 7984 3992
0.9 208 208 208 208
验证集 1000 500
0.7 208 208 208 208
30
0.9 208 208 208 208 测试集 1000 500
0.7 208 208 208 208
45 以 ReLU 函数作为激活函数，交叉熵作为损失
0.9 208 208 208 208
函数，采用 Adam算法为优化算法更新网络参数，最
在进行垫片泄漏和背景实验时，采集和 “阀门 小化损失函数训练模型。计算机软件环境为 win-
泄漏” 类同样多的样本，同时保证阀门泄漏和垫片 dows10 + Python，CPU为Intel Core i7-8700，GPU
泄漏的声压级在同一区间内。分别采集不同孔径的 为GTX 1080Ti。
垫片在无挡板、6 mm 挡板、12 mm 挡板环境，管道 在进行时频图表征时，选择窗长为 1024个采样
压力在 0.2 ∼ 0.5 MPa 下的气体泄漏信号。通过时 点，窗口重叠宽度通常为半窗长 512 个采样点，根
频图表征作为 “垫片泄漏” 类样本，共包括 4992 个 据式 (4) 得到 186×513 分辨率的 “长方形” 时频图。
样本，如表3所示。 通过调整窗口重叠宽度为 838 个采样点，使时频图
“阀门泄漏”、“垫片泄漏” 和“背景” 类样本构成 的长宽一致，得到 513×513 分辨率的 “正方形” 时
输气管道气体泄漏数据集。 频图。
将这两种时频图输入到 CNN 中进行训练和测
表 3 “垫片泄漏” 样本构成
试其性能，以整体性能更好的一组作为输入时频图
Table 3 Sample composition of “gasket leakage”
尺寸。采用基本网络结构训练基于 CNN 的二分类
管道压力 气体泄漏分类模型。图 4 分别为训练集损失函数和
挡板距离 0.2 mm 小孔垫片 0.5 mm 小孔垫片
/MPa
准确率随训练步数变化的情况。
0.5 208 208
由图 4 可知，513 × 513 分辨率时频图作为输入
0.4 208 208
无挡板 时，训练步数增加到4743步，模型收敛；513 × 186分
0.3 208 208
辨率时频图作为输入时，训练步数增加到 3534 步，
0.2 208 208
0.5 208 208 模型收敛。此时两个模型的损失函数稳定在0.05 左
0.4 208 208 右，准确率稳定在98%左右。
6 mm 挡板
0.3 208 208 计算两个模型在测试集上的性能，如表5所示。
0.2 208 208
表 5 不同输入时频图尺寸模型性能对比
0.5 208 208
0.4 208 208 Table 5 Performance comparison of models
12 mm 挡板
0.3 208 208 with different input time-frequency diagram
0.2 208 208 sizes

3.2 二分类模型建立 186×513 分辨率 513×513 分辨率
模型
在实际工程中，只需要判断出管道中是否有泄 输入时频图 输入时频图
召回率 1.000 0.928
漏，因此首先建立基于 “泄漏” 和 “背景” 的 CNN 二
精度 0.889 1.000
分类模型，其中，“泄漏” 类样本包括 “阀门泄漏” 和
“垫片泄漏” 类样本。在划分数据集时，通常将大约 F1-score 0.941 0.962
2/3 ∼ 4/5的样本数据用于训练，剩余样本用于验证 漏警率 0 0.072
集和测试集，保证训练集、验证集和测试集处理的 虚警率 0.125 0
为非同批次数据集样本，具体划分如表4所示。 识别准确率 93.53% 96.00%