Page 119 - 《应用声学》2022年第6期
P. 119

第 41 卷 第 6 期            孟庆旭等： 深度残差收缩网络的含噪微泄漏超声识别方法                                          965


                                                               号直接进行识别的方法。
             0 引言                                                  深度残差收缩网络 (Deep residual shrinkage
                                                               network, DRSN) 是一种面向含噪数据的深度学习
                 管道运输是目前主要的气体输送方式，因常年
                                                               方法，利用残差收缩模块克服噪声干扰，减轻深层
             受高压、腐蚀、振动等因素的影响，往往会出现穿
                                                               网络的训练负担。卢锦玲等              [12]  将 DRSN 用于电力
             孔、连接松动等问题，导致有毒有害或易燃易爆介
                                                               系统暂态稳定评估中，利用 DRSN 直接对原始信号
             质的泄漏，进而造成一定程度的经济损失甚至人员
                                                               进行特征提取与识别，获得了较好的评估性能。车
             伤亡，所以确保运输管道的密封性对保障工业生产
                                                               畅畅等    [13]  利用 DRSN 实现了对滚动轴承的故障诊
             安全具有重要意义         [1−2] 。在压力管道系统的泄漏检
                                                               断，验证了在高噪声干扰下，DRSN仍能保持良好的
             测中，相比于氦质谱法          [3] 、负压波法   [4] 、气体传感器
                                                               鲁棒性和较高的识别准确度。考虑到在泄漏信号的
             法  [5]  等常规检测方法，空载声波具有非接触、可在
                                                               采集中同样存在大量非平稳噪声，在对含噪微泄漏
             线、非专一性等特点，成为了当下判断、识别环境中
                                                               的识别中，可利用 DRSN 对数据进行自适应降噪并
             是否存在泄漏的主要研究方向。
                                                               挖掘原始数据的特征信息。
                 然而，由于实际检测环境中存在大量不确定性
                                                                   综合上述问题，本文提出利用一维 DRSN 构造
             背景噪声，所以在利用声波信号进行泄漏检测时，特
                                                               管道泄漏识别模型。以时序声信号数据为样本，添
             征信号会被背景噪声淹没。为提高声波泄漏检测的
                                                               加不同含量噪声，并使用热编码化对泄漏标签进行
             准确率，学者们提出了一些处理方法。李凤等                     [6]  提
                                                               编码，构成 1 × (n + m) 型数据样本，利用模型中的
             出利用声压-耦合进行泄漏识别的方法，通过融合由
                                                               残差项降低训练中的样本特征损失，同时软阈值化
             泄漏引起的两种显著特征来判断泄漏与否，减小了
                                                               网络可有效获取样本阈值，通过不同标签样本集对
             误判率。李俊杰等         [7]  将带通数字滤波器、混沌系统
                                                               模型进行监督训练，实现对含有噪声的微泄漏信号
             以及 AR 模型功率谱相结合，实现对机场环境下飞
                                                               的识别。
             机气体系统泄漏的超声信号提取，但在使用高阶滤
             波器提升检测效果的同时增加了系统的计算负担。                            1 基于DRSN的泄漏识别模型
             Wang等   [8]  利用神经网络和 D-S证据理论对超声波
             微小气体泄漏进行识别与分类，该方法利用相关性                            1.1  卷积神经网络的泄漏识别
             理论过滤外部噪声，使用 BP 神经网络获的相关性                              卷 积 神 经 网 络 (Convolutional neural net-
             数组与概率之间的关系，并用 D-S 证据理论对信号                         works, CNN) 是目前应用最广泛的识别与分类网
             分类。宁方立等       [9]  对传统卷积核进行改进，使其与                 络，一般由卷积层、池化层、批量归一化层、激活函数
             泄漏信号短时稳定的窄带线谱特征更匹配，可有效                            等构成。其中，卷积层主要用于对输入数据进行特
             识别泄漏流量大于 0.15 m /h 的泄漏信号。之后该                      征提取，而在对含有噪声且有效信息不明显的数据
                                    3
             团队提出了类卷积运算的频谱增强算法                  [10] ，在保留      进行处理时，用于局部特征提取的卷积核可能由于
             信号特征的同时有效减小了时频图像尺寸，在保证                            噪声较大而特征信号较小无法检出与有用信息相
             了深度学习训练精度的同时，提升了训练速度。孙                            关的特征     [14] ，这就导致输出层所具有的学习能力不
             烨辰等   [11]  利用集合经验模态分解对样本信号进行                     足以正确区分样本类型。
             分离，并结合脉冲耦合神经网络对各固有模态函数                                CNN 在泄漏的识别方面已有应用，如文献 [9]
                                                                                   3
             (Intrinsic mode functions, IMF)分量中的噪声进行           对最小流量为 0.15 m /h 的阀门泄漏展开研究，经
             滤除，实现了对信号的降噪。目前，多数识别方法针                           过时频分析，得出泄漏信号的时频图呈横向分布，通
             对泄漏流量大于 0.1 m /h 的泄漏，对于更小泄漏的                      过改变卷积核形状使网络在特征提取时更好地获
                                 3
             识别研究相对较少，及时发现微小泄漏并处理缺陷                            取样本特征，以提高识别率。而对于泄漏更小且含
             将一定程度上降低经济损失。在泄漏信号识别过程                            有噪声的数据样本，在绘制时频图时会由于采样频
             中，常在识别前对信号进行消噪预处理，而在对含噪                           率较小造成数据失真，同时在模型部署时会增加转
             微泄漏信号进行消噪时往往会由于过度滤波导致                             换负担。
             细节丢失，造成消噪预处理的方法在对微弱泄漏的                                本文实验中，将选择直径为 0.1 mm 的泄漏孔，
             识别中存在误差，因此有必要探讨对含噪微泄漏信                            温度取 293 K，上游管道压力分别设置为 0.5 MPa、
   114   115   116   117   118   119   120   121   122   123   124