Page 67 - 《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 959

3.2 基于GAN生成数据的声学特性 尔逊相关系数、库尔贝克 -莱布勒散度被用于评估
经过训练，获得了经由 GAN 生成的样本数据。 生成样本与真实训练数据之间的相似性。欧氏距离
4 种泄漏等级下的生成样本数据的时域波形和频谱 表示生成的样本与真实数据之间的距离，较小的数
结果，如图6所示。从图6中可以大致识别真实传感 字表示更相似。同样，库尔贝克-莱布勒散度表示两
器数据和生成样本之间的相似性。特别是，面向不 个分布之间的差异，因此，数值越大，性能越差。相
同泄漏等级，生成样本数据的特征频带仍旧集中在 反，皮尔逊相关系数显示生成的样本与真实样本之
77 ∼ 87 kHz范围，该部分与真实数据特性相似。 间的相关性，超过 0.8 的高相关性意味着这些样本
进一步，从时域和频率特性分布角度，引入计 之间具有很强的相似性。通过计算得出 3 个指标分
算统计指标以评估生成样本的质量。欧氏距离、皮 值分别为0.1201、0.8369、0.1571。
10 0.05
ࣨϙ 0 ࣨϙ
-10 0
0 0.05 0.10 0 5 10 15
௑ᫎ/s ᮠဋ/10 Hz
4
(a) ဗܒ٪ܦ(0 mL/s)
10 0.05
ࣨϙ 0 ࣨϙ

-10 0
0 0.05 0.10 0 5 10 15
௑ᫎ/s ᮠဋ/10 Hz
4
(b) 0.6 mL/s
10
0.05
ࣨϙ 0 ࣨϙ
-10 0
0 0.05 0.10 0 5 10 15
௑ᫎ/s ᮠဋ/10 Hz
4
(c) 1.8 mL/s
10 0.05
ࣨϙ 0 ࣨϙ

-10 0
0 0.05 0.10 0 5 10 15
௑ᫎ/s ᮠဋ/10 Hz
4
(d) 4 mL/s
图 6 不同泄漏等级下，生成样本的时域波形和频谱
Fig. 6 Time domain waveform and frequency spectrum of generated samples under different leak levels

可见，通过这些指标证明了基于 GAN 生成的 对模型学习的影响，设置了几种情况来训练测试模
样本数据与真实数据有很好的相似性，进一步将生 型性能。经过训练迭代 100 次后，模型的分类精度
成的样本数据用于构建管道泄漏分类检测模型开 结果如图 7 所示。每种情况的训练数据详细信息如
展管道法兰连接泄漏检测。 表2所示。

3.3 实验结果与讨论 由表 2 和图 7 可以看出，规模较大的训练数据
为了进一步研究生成样本的质量，针对生成 在分类精度具有更好的性能；当使用包含真实数据
的数据集中执行特定的训练过程。GAN 模型生成 和生成数据的混合数据时，该模型比仅使用生成数
4000 个样本，对应于 4 种不同的工作条件。然后利 据具有更好的性能；且当获取到足够的训练数据，使
用这些生成的样本训练本文构建的 CNN 模型，并 用生成数据的模型能够实现高精度的分类预测，最
在对 CNN 模型进行充分训练后，将真实传感器采 终的分类精度可达到 100%。这表明生成数据和真
集信号作为测试数据测试训练的模型，以预测管道 实传感器信号之间的具有很高相似性，且数据驱动
泄漏等级。过程中，为了研究生成的训练样本数量 的CNN可实现对管道泄漏高精度分类检测。