Page 123 - 《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 969

0.04 为进一步验证基于 DRSN 对不同泄漏强度泄
0.03 漏信号的识别，通过改变 ϕ0.1 mm 泄漏孔的上游压
0.02
ႃԍ/V 0.01 0 力来调节泄漏强度，泄漏信号均采自距离泄漏源
-0.01
-0.02 40 mm 处。建立多类别的数据集，类别定义如表 3
0 200 400 600 800 1000 所示，多分类数据集结构如表4 所示，其中每条信号
஝૶ག
(a) ʽ຤ԍҧ0.2 MPa௑͜ܦ٨ਫ਼᧔ᬷᄊ஝૶ 的数据量缩至 1/16，提高训练速度，验证网络的容
0.03 差能力。
0.02
ႃԍ/V 0.01 0 表 3 多类型信号定义

-0.01 Table 3 Definition of multiple type signals
-0.02
0 200 400 600 800 1000
஝૶ག 类型 标号
(b) ௄෺໤௑͜ܦ٨ਫ਼᧔ᬷᄊ஝૶
无泄漏 3
3
图 7 小孔气体泄漏与实验室环境噪声时域信号对比 压力 0.5 MPa(0.0255 m /h) 0
Fig. 7 Comparison of time domain signals of gas mi- 泄漏 压力 0.3 MPa(0.0153 m /h) 1
3
cro leakage and laboratory environmental noise 压力 0.2 MPa(0.0102 m /h) 2
3
通过利用如表 2 所示的二分类数据集分别对网
络进行训练，基于 DRSN 的含噪微泄漏识别方法在 表 4 不含噪多分类数据集
不同泄漏强度下表现出较明显优势。图 8 为网络分 Table 4 Non-noise multi-classification dataset
别对 3 种不同强度泄漏的识别准确率以及损失函
类型 训练集 验证集 数据量
数，在3 种不同压力情况下，DRSN展现出较强的微
无泄漏 500 条 200 条
小信号特征提取能力，对不同的压力情况均能实现
压力 0.5 MPa(0.0255 m /h) 500 条 200 条
3
较高的识别准确率。 1000 点/条
3
泄漏 压力 0.3 MPa(0.0153 m /h) 500 条 200 条
表 2 数据集分布 压力 0.2 MPa(0.0102 m /h) 500 条 200 条
3
Table 2 Data set distribution
对比 CNN 和 DRSN，在样本不含其他噪声的
类型 训练集 验证集 数据量 情况下，二者的训练识别率均能达到 99% 以上，新
泄漏 500 条 201 条 取不含噪数据样本对二者所得模型进行测试。由测
16000 点/条
无泄漏 500 条 201 条 试结果图 9 可知，DRSN 对不同泄漏强度的新样本
仍能保持较好的识别准确率，而利用 CNN 对新样
100 本识别时，在上游压力0.2 MPa的泄漏中类别中，由
0.4
于泄漏信号微弱，出现明显的识别错误。
90
෺໤គѿюᆸဋ
0.5 MPa 2.2.2 含模拟噪声泄漏的识别分析
юᆸဋ/% 0.2 MPa 0.2 ૯ܿѦ஝ 在实际的检测过程中，由于复杂的工作环境不
80
0.3 MPa
෺໤૯ܿѦ஝
70
0.5 MPa 可避免地会存在各种嘈杂噪声。因此，为模拟上述
0.3 MPa
60 现象，将在原数据基础上叠加高斯噪声，根据信噪比
0.2 MPa
(Signal-to-noise ratio, SNR)计算公式
50
( )
0
0 2 4 6 8 10 SNR = 10 lg P S , (4)
ᤖ̽൓஝ P N
图 8 不同泄漏强度下 DRSN 训练过程 式 (4) 中，P S 表示原信号有效功率，P N 表示噪声的
Fig. 8 DRSN training process under different 有效功率。若测量误差为 1%，则根据公式 (4) 可知
leakage intensity 噪声信噪比应为20 dB。