Page 63 - 《应用声学）》2023年第5期

第 42 卷 第 5 期 王新等： 基于声发射和 GAN-CNN 的铝合金管道法兰连接松动泄漏检测 955

show that the intelligent classification model based on GAN and CNN can effectively identify the pipe leak due
to loosening of flange connection, which verifies the effectiveness of the proposed method.
Keywords: Flange; Leak; Generative adversarial networks; Convolutional neural network

徐卫鹏等 [14] 开展了基于 CNN 的轴承故障诊断研
0 引言 究，通过验证，CNN 模型通过直接读取振动信号时
域数据可以很好地实现对采煤机截割系统轴承故
法兰连接管道作为输气装置被广泛应用于各
障诊断。然而，应用CNN数据驱动深度学习方法处
种运输场合。目前，一个严重的问题是管道系统运
理工程问题，需要依托大量的有效的样本数据才能
行中存在泄漏，这不仅降低了整个管道输送的效率，
实现模型的鲁棒性训练。在管道泄漏领域，常见的
而且对整个管道工作环境中的人员安全构成威胁。
检测技术是AE无损检测。然而，若想在短时间获取
众所周知，这种管道系统的泄漏容易发生法兰连接
海量、真实的泄漏数据是一项具有挑战的任务。因
处，且法兰连接处的泄漏通常是螺纹松动或垫圈异
此，如何通过获取的小样本数据，达到训练 CNN 的
位、破损引起的。因此，泄漏的早期对于分布广泛的
目的，实现对法兰管道泄漏识别是需要解决的关键
法兰管道系统的生命周期维护和管理具有重要意
问题。
义 [1−2] 。
2014 年，Goodfellow 等 [15] 提出了一种智能化
随着信息技术的发展，基于声发射 (Acoustic
的数据生成模型，即生成对抗网络 (Generative ad-
emission, AE) 技术数据驱动的管道泄漏检测已成
versarial network, GAN) 极大缓解了数据缺失问
为研究热点 [3] 。通过自动提取管道泄漏AE 信号中
题。GAN 通过涉及一对网络的竞争过程获取反向
隐含的泄漏信息，智能识别管道的泄漏状态。机器
传播信号来实现一种无需大量注释训练数据即可
学习 [4] 是数据驱动管道泄漏检测的主要方法，已
学习深度表示的方法。当前，伴随着GAN相关技术
采用一些方法来解决管道连接方式失效引起的泄
的不断发展，其已得到广泛应用。康旭等 [16] 面向
漏问题。Wang 等 [5] 开展了基于多类支持向量机
雷达领域的智能化应用需求，开展了基于 GAN 的
(Multi-class support vector machine, MCSVM) 的
雷达遥感数据增广方法，该方法有效解决了因雷达
一对多 (One-vs-all, OVA)泄漏率识别算法研究，实
数据样本不足导致的人工智能技术在雷达探测领
现了探空火箭推进系统管路螺纹连接处的管道小
域的应用受限难题。邱根等 [17] 开展了基于GAN数
泄漏检测。Li等 [6] 通过构建人工神经网络分类器开
据扩充的缺陷识别方法研究。实验结果表明，应用
展了基于 AE 和模式识别的供水管道承插接头失效
GAN 扩充图像数据集有效提升了深度学习在缺陷
泄漏检测研究。Ye等 [7] 利用SVM 学习和相关向量
检测中的能力。
机 (Relevance vector machine, RVM) 模式识别算
受上述研究启发，本文面向法兰连接管道泄
法实现了管道阀门泄漏检测识别。徐光 [8] 基于 AE
漏应用需求，开展基于 AE 和 GAN-CNN 的铝合金
技术，开展了基于 SVM 的法兰连接失效导致的配
管道法兰连接松动的泄漏检测研究。一方面，通过
气管道泄漏的实验研究。然而，以上机器学习方法
利用GAN对基于AE技术获取不同泄漏等级的 AE
无法直接生成原始数据的鉴别特征，其在管道泄漏
泄漏信号进行扩充；另一方面，将生成的样本数据与
检测中的有效应用通常需要与信号特征提取过程
原始数据设置为不同的训练集，训练 CNN 网络，构
相结合。而特征提取和选择是一项耗竭的工作 [9] 。
建智能分类检测模型；最后，设置新的泄漏工况和应
随着机器学习技术的迅速发展，深度学习已经
用支持小样本数据的 SVM 对本文所提方法进行验
成为克服上述缺点的有效途径。深度学习可以自动
证与分析。
学习原始数据的抽象表示特征 [10−11] ，有效避免人
为特征提取与选择的繁琐工作。其中卷积神经网络 1 基本原理分析
(Convolutional neural network, CNN) [12] 作为最有
效的分布式学习系统之一，已在诸多领域广泛应用。 1.1 GAN
高留刚等 [13] 开展了基于 CNN生成虚拟平扫CT图 常规的 GAN 由两个相互对立的部分组成，分
像研究，通过应用 CNN 提高了图像识别分辨精度。 别为生成模型 G 和判别模型 D，如图 1 所示。GAN