Page 120 - 《应用声学》2022年第6期

966 2022 年 11 月

0.3 MPa、0.2 MPa，根据压缩空气流量计算公式： 数据进行自适应特征提取的功能。软阈值化作为信
√ 号降噪中常用的降噪算法，可将输入数据逐渐向零
273/T, (1)
q a = 0.112Sp 1
点方向进行收缩，利用这个机制灵活对输入样本进
式 (1) 中，q a 为泄漏流量 (L/min)，S 为泄漏孔有效
行降噪处理，软阈值化公式如式(2)所示：
面积 (mm )，p 1 为上游绝对压力 (kPa)，T 为管内温
2

3
度(K)，则可得泄漏理论流量最大约为0.026 m /h。 x − τ, x > τ,



利用所提含噪微泄漏识别方法与 CNN 识别方 y = 0, −τ 6 x 6 τ, (2)
法对比，CNN 结构如表 1 所示，此处将不再使用时 


 x + τ, x < −τ,
频图作为样本进行输入，减去数据预处理过程，采用
一维数据作为训练样本对模型进行训练。 式 (2) 中，x 表示输入特征，y 表示输出特征，τ 表示
阈值(τ > 0)。其中，τ 根据输入样本自适应获得。
表 1 CNN 结构
由式 (2) 可知，收缩单元的核心为阈值 τ 的获
Table 1 CNN structure
取。注意力机制可通过对输入样本的全局扫描，经
层名称 滤波器 核尺寸 步长
过深度堆叠后，学习网络可发现输入样本的有效信
输入层
卷积层 1 16 (1, 8) 2 息，削弱或剔除冗余信息，最后每条输入样本可获得
卷积层 2 16 (1, 8) 2 一组自有权重，将权重与输入特征相乘得到一组自
最大池化层 1 (1, 2) 2 适应阈值τ，并以此作为软阈值化函数的阈值。利用
卷积层 3 32 (1, 4) 2
残差收缩机制，可省略对信号的预处理过程，同时保
最大池化层 2 (1, 2) 2
证对含噪样本的有效降噪和识别。
卷积层 4 64 (1, 4) 2
最大池化层 3 (1, 2) 2 DRSN 模型 [14] 如图 1 所示，网络是利用阈值
全局平均池化层 (1, 2) 2 独立型残差收缩单元 (Residual shrinkage building
Dropout 层
unit with channel-wise thresholds, RSBU-CW) 构
1.2 深度残差收缩网络 建的 DRSN 模型，C 表示输入样本通道数，W 表示
深度残差收缩网络 [14] 是 2019 年由赵明航提 输入样本宽度。在CNN模型基础上加入残差项，降
出的一种改进的深度残差网络 (ResNet) 模型，在 低了多层训练过程中的样本特征损失，利用残差收
ResNet 中加入软阈值化模块和注意力机制 [12] ，使 缩模块进行特征激活，自适应获取阈值和自有权重，
网络具有自适应对含噪数据样本进行阈值设定的 能减小甚至消除输入样本噪声对训练造成的误差，
能力，可对含噪数据进行有效区分。 可有效降低不同噪声对识别结果的影响，本文将利
DRSN 模型的核心为残差收缩网络单元，该单 用图1所示结构构造基于DRSN的含噪管道泄漏识
元利用软阈值化函数和注意力机制 [15] ，实现对含噪 别模型。

ᣥКηՂ
CfWf
Conv(/2, K/C) BN, ReLU, Conv(k/C)
CfWf
BN, ReLU, Conv(k/C)
RSBU-CW(/2, K/C)
CfWf
ፐࠫϙ, GAP
Cff
RSBU-CW(K/C)
ঽ FC(M=1)
኎ Cff
... ᡹ BN, ReLU, FC(M=1)
य़
Cff
ᣄ᫠ϙ
BN, ReLU, GAP Sigmoid
ӑѦ஝
f Cff
+
FC
CfWf
Ѭዝ
图 1 阈值独立型 DRSN
Fig. 1 DRSN with channel-wise thresholds