Page 69 - 《应用声学）》2023年第5期
P. 69

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                                      961


                                        表 4  不同特征指标下，基于 SVM 模型的分类结果
                       Table 4 Classification results based on SVM under different feature indicators

                                 泄漏 1            泄漏 2            泄漏 3            泄漏 4
                        特征                                                                 准确率/%
                              正确     错误       正确     错误       正确     错误       正确     错误
                         F1    94     7        89    10        97     3        98     0       95
                         F2    99     2        97     2        99     1        100    0      98.75
                         F3    97     4        96     2        98     2        100    1      97.75
                         F4    99     1        99     1        100    0        100    0      99.5


                                                               同噪声水平的鲁棒性。因此，下一步，将考虑两方面
             4 结论                                              的不足，将其融入相关管道泄漏检测研究。


                 本文面向铝合金法兰管道泄漏检测需求，提出
             了基于 AE 和GAN-CNN相结合的智能分类检测方                                       参 考 文        献
             法，解决了数据样本不足问题，减少了人为特征提
             取这一项耗时工作。通过对铝合金管道法兰连接失                              [1] 王俊岭, 邓玉莲, 李英, 等. 排水管道检测与缺陷识别技术综
                                                                   述 [J]. 科学技术与工程, 2020, 20(33): 13520–13528.
             效泄漏信号进行标定和采集，研究了原始管道泄漏                                Wang Junling, Deng Yulian, Li Ying, et al.  A re-
             AE 信号的声学特性和 GAN 生成数据的特征，进一                            view on detection and defect identification of drainage
             步，在构建 CNN 管道泄漏分类检测模型上，通过不                             pipeline[J]. Science Technology and Engineering, 2020,
                                                                   20(33): 13520–13528.
             同生成的样本数据训练分类器并用真实数据进行                               [2] 王慧, 马峻, 曹梦凡. 洪水冲击下法兰连接管道失效水速和长
             测试验证了生成样本的有效性。最后，与常见的小                                度研究 [J]. 中国安全科学学报, 2018, 28(2): 99–103.
             样本智能方法 SVM 比较，证明了 GAN-CNN 相结                          Wang Hui, Ma Jun, Cao Mengfan.  Study on failure
                                                                   water velocity and length of flanged pipe under impact
             合对实现管道分类检测的优越性。并得出以下结论：
                                                                   of flood[J]. China Safety Science Journal, 2018, 28(2):
                 (1) 提出了基于 GAN 扩充管道泄漏数据的方                          99–103.
             法。该方法能够产生令人信服的传感数据，解决了                              [3] Harshitha N, Meda U S, Padubidri A R, et al. Studies
                                                                   on leak detection in process pipelines using artificial neu-
             样本数据不足问题，保证了 CNN 分类模型构建过
                                                                   ral networks/machine learning[J]. Electrochemical Society
             程数据的充足。                                               Transactions, 2022, 107(1): 4281.
                 (2) 提出了基于数据驱动的 CNN 分类检测管                        [4] El Naqa I, Murphy M J. What is machine learn-
                                                                   ing?[M]//Machine learning in radiation oncology. Berlin:
             道泄漏的方法。数据驱动构建的 CNN 管道泄漏检
                                                                   Springer, 2015: 3–11.
             测分类模型能够有效地学习特征，对不同泄漏等级                              [5] Wang S, Dong L, Wang J, et al. Experiment study on
             和新的泄漏工况都能获得令人信服的检测结果。                                 small leak detection and diagnosis for propulsion system
                                                                   pipelines of sounding rocket[J]. IEEE Access, 2020, 8:
                 (3) 对比常见的小样本智能方法SVM。特征的
                                                                   8743–8753.
             选择对 SVM 泄漏检测模型的影响较大，特征频带                            [6] Li S, Song Y, Zhou G. Leak detection of water distribution
             包络面积构建的 SVM 智能分类模型表现效果最佳，                             pipeline subject to failure of socket joint based on acoustic
             且与其他特征相结合进一步提高分类检测精度，但                                emission and pattern recognition[J]. Measurement, 2018,
                                                                   115: 39–44.
             特征提取过程繁冗。                                           [7] Ye G Y, Xu K J, Wu W K. Standard deviation based
                 同时，本文还存在不足之处。首先，文中选择的                             acoustic emission signal analysis for detecting valve inter-
             泄漏等级没有规定泄漏等级范围，训练和测试选取                                nal leakage[J]. Sensors and Actuators A: Physical, 2018,
                                                                   283: 340–347.
             的数据均为同一泄漏值下的泄漏数据，因此，样本数                             [8] 徐光. 法兰连接失效的配气管道泄漏检测研究 [J]. 中国设备
             据在达到一定程度，CNN分类会出现 100%的结果。                            工程, 2021(7): 228–229.
             若考虑在规定等级范围内获取范围泄漏数据，分类                              [9] Wen L, Li X, Gao L, et al. A new convolutional neu-
                                                                   ral network-based data-driven fault diagnosis method[J].
             结果的准确性将会降低。其次，实验条件有限，未考
                                                                   IEEE Transactions on Industrial Electronics, 2017, 65(7):
             虑不同噪声水平下采集样本数据，以验证算法对不                                5990–5998.
   64   65   66   67   68   69   70   71   72   73   74