Page 124 - 《应用声学》2022年第6期

970 2022 年 11 月

3 ᄾࠄϙ 3 ᄾࠄϙ
ᮕ฾ϙ ᮕ฾ϙ

2 2
ዝѿ ዝѿ
1 1

0 0
0 50 100 150 200 250 0 50 100 150 200 250
ನవ஝ ನవ஝
(a) DRSNគѿፇ౧ (b) CNNគѿፇ౧
图 9 测试识别结果对比
Fig. 9 Comparison of test identification results
通过对上游压力 0.2 MPa、泄漏孔径 ϕ0.1 mm、 验证 DRSN 对噪声的抑制能力和对细节特征的提
信噪比20 dB的泄漏信号与仅环境噪声信号进行滤 取能力，选取 ϕ0.1 mm 圆形穿孔，上游压力分别为
波并利用式 (5) 计算平均功率 [16] ，其中滤波采用的 0.2 MPa、0.3 MPa、0.5 MPa，探头距声源40 mm，选
小波基为8阶Symlet小波(即sym8)，小波层数分别 择信噪比为20 dB、40 dB、60 dB的高斯噪声进行叠
为5、10，阈值函数为软硬阈值折中法。 加，模拟噪声污染，以此建立数据集。
N
1 ∑ 2 图 11 为上游压力 0.2 MPa、噪声含量不同的识
¯
P S = X , (5)
n
N 别情况，可以看出噪声的含量对网络训练次数影响
n= 1
¯
式(5)中，P S 表示平均有效功率，N 表示采集离散数 并不大，这是因为通过加入残差收缩网络加强了深
据点个数，X n 表示第n个离散数据点的值。 度神经网络从含噪声信号中提取有用特征的能力，
由图 10(a) 可知，在无滤波时微弱泄漏的平均 因此 DRSN 在含噪微泄漏识别中展现出较好的训
功率与 5 次测试的环境噪声平均功率多次出现杂 练鲁棒性。
糅，这是由于微弱泄漏信号被复杂的环境噪声淹 对比 CNN 和 DRSN，待训练结果稳定后，二者
没；由图 10(b) 可知，经过 5 层小波滤波后，一定程 均能达到较好的识别结果。新取含噪样本对二者的
度上使泄漏信号与环境噪声之间的功率大小出现 网络进行测试，测试结果如表 5 所示。由此可见两
区分，但仍存在杂糅情况；进一步增加分解层数，如 种网络在对无泄漏信号进行识别时均能达到较好
图10(c)可知，在小波层数达到10后，微泄漏信号与 的识别精度，但在对低上游压力的含噪泄漏识别时，
环境噪声几乎很难区别，这是由于泄漏强度较小且 CNN的识别准确率较低，而在实际情况中微小泄漏
噪声复杂，经过多次小波分解后导致信号细节丢失， 的误判会造成一定程度的损失。随着噪声含量的增
使其在平均能量值上无法与环境噪声分离。由此 加，CNN 的测试准确率减小，在对信噪比为 20 dB
可知，在利用传统滤波并计算平均功率值的泄漏识 的含噪微泄漏识别时，平均准确率不足 95%。而
别方法时，很难确定合适的小波基、阈值以及分解 DRSN 对于不同噪声含量的微泄漏信号在测试中
层数。 均能达到 98% 以上的识别率，这是由于相比 CNN，
利用 DRSN 对含噪微泄漏信号进行识别。为 DRSN中不仅加入恒等映射减小网络训练难度，同时

表 5 含噪样本不同压力测试结果
Table 5 Results of different pressure tests with noisy samples
(单位: %)
CNN DRSN
0.5 MPa 0.3 MPa 0.2 MPa 无泄漏 0.5 MPa 0.3 MPa 0.2 MPa 无泄漏
无噪声 100.0 100.0 89.3 100.0 100. 100.0 100.0 100.0
SNR 60 dB 100.0 96.1 88.2 100.0 100.0 100.0 100.0 100.0
SNR 40 dB 100.0 96.0 84.3 100.0 100.0 98.0 100.0 100.0
SNR 20 dB 96.1 954 86.3 98.0 100.0 100.0 100.0 100.0