Page 121 - 《应用声学》2022年第6期

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
1.3 基于DRSN的泄漏识别流程
在实际工况中，管道所处环境通常充斥着大量
非平稳机械噪声，使得所采集的泄漏信号并不能清
晰地展现出泄漏特征。常规的识别方法中，多利用
小波分析对数据进行降噪预处理，而在小波降噪中
如何构建最合适的小波函数以及如何确定软阈值
化函数阈值是一个较困难的问题。为实现在含有噪
声干扰情况下对微泄漏信号的精准识别，本文提出
利用一维 DRSN 构造泄漏识别模型，通过加入残差
收缩模块，最大程度降低噪声对网络训练的影响，
使网络具有一定程度的抗噪能力，保证了识别的鲁
棒性。
泄漏识别模型构造流程如图 2 所示，模型训练
以传声器采集时序信号为标准样本，包括不同强度
微泄漏信号、无泄漏信号、含有不同信噪比高斯噪
声的微泄漏信号、含有不同信噪比高斯噪声的无泄
漏信号。利用热编码化的方式对样本进行标记，组
成监督学习数据样本，每条样本形状为 1×(n + m)，
总样本形状为p × l × (n + m) × c，其中n表示训练
样本长度，m表示标签长度，p 表示总样本数，l 为类
别数，c表示通道数，取c 为1。将数据样本分为训练
集、验证集、测试集，其中训练集用来训练识别模型，
验证集进行模型验证以及参数调整，测试集对训练
后的模型进行评估。在训练中充分发挥残差收缩模
块功能，利用残差项降低训练中的样本特征损失，削
弱噪声对训练过程的影响，通过训练建立泄漏识别
模型。最后利用训练模型对测试集样本进行预测，
评估噪声下泄漏识别模型的有效性。
٪ܦ
௑ᫎऀѵನవ
ॲ෺໤̗ၷܦฉ
฾តᬷ ᰎ᝽ᬷ ᝫጷᬷ
Ꭺፏവی
෺໤គѿവی
កͥ
图 2 基于 DRSN 的管道泄漏识别流程
Fig. 2 Pipeline leakage identification process 位置关系如图 6 所示，传声器在泄漏孔的垂直方向，
based on DRSN
967
本文所用的 DRSN 结构包括卷积层、三层残
差收缩单元、标准化层、ReLU 激活函数层、全局
池化层以及全连接层。其中，残差收缩单元均采
用阈值独立型残差收缩单元，相比于阈值共享型
残差收缩单元，阈值独立型残差收缩单元可以根
据不同通道噪声获取不同阈值，因此在降噪处理
时，阈值独立型残差收缩单元具有更强的准确性
和灵活性。另外，损失函数采用如式 (3a) 所示的
categorical_crossentropy 分类交叉熵函数，式 (3a)
中，n 表示样本数，m 表示分类数；采用式 (3b) 所
示的 ReLU函数作为激活函数避免出现梯度消失问
′
′
题，当x 6 0时，f (x) = 0，当x > 0时，f (x) = 1；在
全连接层采用式 (3c)所示的 softmax 函数输出识别
不同程度泄漏的可能率，式 (3c) 中，C 表示类别数，
z i 表示第i个类别的输出值。
n
∑
loss = − ˆ y i1 ln y i1 + ˆy i2 ln y i2 + · · ·
i=1
+ ˆy im ln y im , (3a)
f(x) = max(x, 0), (3b)
e z i
softmax(z i ) = . (3c)
∑ C
e z c
c=1
2 实验与结果分析
2.1 实验设备与环境
在实验室搭建气体管道泄漏实验平台，如图 3
所示。平台主要部件包括静音空压机、稳压罐、管
道主体、测量仪表、调节阀、泄漏试件等。为模拟
中低压管道运行状态，静音空压机支持最大表压
为 1.2 MPa，实验表压在 1.0 MPa 以下。实验平台
通过更换如图4 所示的泄漏试件模拟不同情况下的
泄漏。
泄漏信号采集系统采用自主搭建的泄漏信号
采集平台，平台由硬件和软件组成，如图 5 所示。
Ԅሥࡏ
采用宽频传声器 (杭州兆华，CRY343，前置放大
൵ࣀஆ᎖വڱ
0 dB，电源放大 20 dB，输出阻抗 100 Ω)，满足
੻ಖюӑ
10 Hz ∼ 90 kHz 频率范围内的有效响应，采集卡采
ReLU༏ำѦ஝
用高频高速采集卡 (SPECTRUM, M4i.4450)，实验
Лࡍکϙ෉ӑ
中采样频率采用 1 MHz，工控机操作系统为 Win-
Лᤌଌࡏ
dows，并安装有自主开发的泄漏信号采集软件，满
足信号采集和分析功能。采集时探头与声源之间的
间距40 mm。