基于聲音信號的天然氣管道微泄漏檢測方法
【技術領域】
[0001] 本發(fā)明涉及天然氣輸送管道安全檢測技術領域，具體涉及一種基于聲音信號的加 氣站管道微泄漏檢測方法。
【背景技術】
[0002] 天然氣作為一種清潔能源，有效緩解能源的緊缺以及對環(huán)境的污染問題，得到了 廣泛利用。因此，壓縮天然氣（簡稱CNG)加氣站成為了國家重要的基礎設施建設項目。從 2010年開始，CNG汽車以16 %的速度逐年增長，加強CNG加氣站建設的安全性具有重要的社 會意義。據(jù)統(tǒng)計，全國的CNG加氣站已經(jīng)從2012年年底的2400座左右，增長至2013年六月底 的3000座左右，天然氣汽車新增47.3萬輛，總保有量已達到157.7萬輛，同比增長40%。
[0003] 然而，隨著CNG加氣站數(shù)量的增加，安全事故的發(fā)生率也呈現(xiàn)逐漸上升之勢。近幾 年，由于CNG加氣站發(fā)生了多起安全事故，國家科技部重點開展對CNG汽車加氣站安全性研 究。一旦加氣站發(fā)生安全事故，則會導致爆炸、爆燃、泄漏、爆脫、環(huán)境性損傷、機件解體或飛 濺、設備內(nèi)腐蝕、設備外腐蝕等嚴重后果和經(jīng)濟損失。
[0004] 由于傳感器安裝的局限性和其自身物理特征的約束性，在天然氣輸送管道發(fā)生泄 漏的初期很難實現(xiàn)微泄漏的檢測。大量學者也主要關注于通過改善傳感器精度和分析特定 輸送管道參數(shù)關系來提高安全事故發(fā)生的判斷準確率，而對天然氣輸送管道微泄漏的檢測 少有研究，主要是因為以下關鍵問題：
[0005] (1)天然氣泄漏初期傳感器很難采集到數(shù)據(jù)，導致微泄漏擴展到較大的泄漏，帶來 巨大的人員和財產(chǎn)損失。由于傳感器物理特性的限制，加氣站的天然氣輸送管道泄漏初期 傳感器很難檢測到數(shù)據(jù)，泄漏量必須達到一定數(shù)量后傳感器才能夠采集相關數(shù)據(jù)，但管道 泄漏初期泄漏聲音卻異常突出，同時由于加氣站環(huán)境復雜，噪音也比較明顯。為了避免初期 可及時處理的小問題演變成不可收拾的大事故，盡早正確檢測天然氣輸送管道泄漏狀況， 也就是在管道微泄漏時正確判斷事故發(fā)生是減低輸送過程安全事故、提高泄漏事故搶險效 率的有效途徑之一。
[0006] (2)造成管道微泄漏的因素很多，這些因素中某些因素之間可以建立物理方程，但 方程中很多參數(shù)現(xiàn)實中根本無法測量，且很難構(gòu)建一個概率函數(shù)囊括所有的影響因素，因 此現(xiàn)有方法通常著重于某幾個參數(shù)值的分析，導致運算結(jié)果的不準確性。影響管道微泄漏 的參數(shù)如溫度、流量、壓力，以及聲音信號，很難找一個標準的方程組，完整的表達所有參數(shù) 之間的關系。而且天然氣管道不同采集變量具有不同的量綱，各變量取值之間具有較大的 分散差異。
[0007] (3)對管道泄漏的研究經(jīng)歷了幾個階段，從純物理方程到人工設定參數(shù)的概率推 理，直到機器學習?，F(xiàn)仍有大量研究著重于一個參數(shù)的物理結(jié)構(gòu)來確定管道狀態(tài)，評價誤差 較大。由于引入決策的參數(shù)數(shù)量越來越多，每個參數(shù)與微泄漏事故的關系度不好直接定義。 某一參數(shù)判斷結(jié)果的影響力表現(xiàn)為連接權(quán)重，傳統(tǒng)采用隨機生成0-1之間的數(shù)來避免過分 強調(diào)某一參數(shù)的影響。這就帶來了學習結(jié)果的巨大誤差。其實，每個參數(shù)對判斷結(jié)果的影響 是有一定規(guī)律的，但不能采用人工或隨機的方法來設定。
[0008] 上述問題必然會影響快速、準確判斷加氣站管道微泄漏事故的發(fā)生，成為制約天 然氣輸送科學發(fā)展、保障加氣站安全的瓶頸。

【發(fā)明內(nèi)容】

[0009] 本申請通過提供一種基于聲音信號的天然氣管道微泄漏檢測方法，利用管道微泄 漏時波動最強烈的聲音信號來彌補泄露初期傳感器很難采集到數(shù)據(jù)的物理弱點，將管道微 泄漏的聲音信號作為主信號，將壓力、溫度、流量作為次信號共同建立深度卷積神經(jīng)網(wǎng)絡模 型，通過學習主信號和次信號的數(shù)據(jù)來確定天然氣管道微泄漏概率，此外，針對多參數(shù)數(shù)據(jù) 的異構(gòu)性，設計一個深度受限玻爾茲曼機模型，對多參數(shù)數(shù)據(jù)進行預訓練，獲得最優(yōu)權(quán)值矩 陣和最優(yōu)偏置值，作為深度卷積神經(jīng)網(wǎng)絡模型的權(quán)重初始值和偏置值初始值，以解決管道 微泄漏時難以快速、準確判斷的技術問題。
[0010] 為解決上述技術問題，本申請采用以下技術方案予以實現(xiàn)：
[0011] -種基于聲音信號的天然氣管道微泄漏檢測方法，包括如下步驟：
[0012] S1:采集天然氣管道微泄漏時的聲音信號以及溫度、壓力、流量信號；
[0013] S2:對聲音信號進行特征提取和去噪的預處理；
[0014] S3:設計一個深度受限玻爾茲曼機模型，對步驟S2預處理后的聲音信號以及步驟 S1采集到的溫度、壓力、流量信號的進行預訓練，獲得最優(yōu)權(quán)值矩陣和最優(yōu)偏置值，作為深 度卷積神經(jīng)網(wǎng)絡模型的權(quán)重初始值和偏置值初始值；
[0015] S4:將步驟S3得到的最優(yōu)權(quán)值矩陣和最優(yōu)偏置值作為權(quán)重初始值和偏置值初始 值，建立四層深度卷積神經(jīng)網(wǎng)絡模型，并利用該模型對天然氣管道的微泄漏狀況進行監(jiān)測， 其中，所述四層深度卷積神經(jīng)網(wǎng)絡模型包括一個輸入層、兩個隱藏層和一個輸出層，輸入層 所輸入的主信號為預處理后的聲音信號，次信號為溫度、壓力和流量信號，輸出層所輸出的 信號為天然氣管道微泄漏概率，每個隱藏層均由卷積和下采樣函數(shù)組成。
[0016] 進一步地，步驟S4中具體包括如下步驟：
[0017] S41:取每個采樣點預處理后的聲音信號和對應的溫度、壓力、流量信號構(gòu)成輸入 向量組；
[0018] S42:對輸入數(shù)據(jù)進行卷積計算，得5I
式中，^4為第1層 隱藏層第j個單元的輸出值，f為激活函數(shù)，Μ為第1層隱藏層第j個單元的偏置值，β,η為第 1-1層隱藏層第i個單元的輸出值，4為第1-1層隱藏層第i個單元的輸出值到第1層隱藏層 第j個單元的輸出值之間的連接權(quán)值；
[0019] S43:設計基于窗口邊界大小的下采樣函數(shù)：$對局部進行均值 化，降低第二個隱藏層的輸入量，式中，N為窗寬；
[0020] S44:設計輸出函數(shù)的運算函數(shù)，輸出管道微泄漏事故發(fā)生的概率。
[0021]進一步地，在每個隱藏層的輸入端引入Dropout以降低數(shù)據(jù)的過擬合，即，在訓練 過程中將隱藏層節(jié)點的輸出層以概率P清零，利用反向傳播算法更新權(quán)值。
[0022]進一步地，在步驟S3中采用了Gibbs采樣。
[0023]由于管道微泄漏檢測的數(shù)據(jù)量較大，深度卷積神經(jīng)網(wǎng)絡的初始權(quán)重會直接影響最 終效果和學習的時間，為了提高深度卷積神經(jīng)網(wǎng)絡的學習能力，本發(fā)明設計了一種深度受 限玻爾茲曼機模型對采樣的數(shù)據(jù)進行預訓練，獲得最優(yōu)權(quán)值矩陣和最優(yōu)偏置值，作為深度 卷積神經(jīng)網(wǎng)絡模型的權(quán)重初始值和偏置值初始值。步驟S3的具體步驟為：
[0024] S31:利用Gibbs采樣，將步驟S2預處理后的聲音信號作為樣本屬性，建立其他所有 屬性在該樣本屬性下的條件概率，獲得各個屬性的樣本值
[0025] S32:設計樣本值的編碼方法，構(gòu)建權(quán)值函數(shù)，計算隱藏節(jié)點特征取值概率分布，使 ?#Χ1= (xi ,Χ2, · ,Xn)^y= (yi ,y2, · ,ym);
[0026] S33:設計解碼方法，構(gòu)建權(quán)值函數(shù)，計算隱藏節(jié)點映射的概率分布，獲取y= (yi, Y2,··· ,ym)^x2=(x/ Ι,Χ^,··· ,X7n)；
[0027] S34:不斷學習更新能量函數(shù)，得到最優(yōu)權(quán)值矩陣和最優(yōu)偏置值。
[0028] 不斷學習更新能量函數(shù)，使得X1與X2空間盡可能地接近，最終實現(xiàn)解碼結(jié)果與編碼 輸入的相似，此時的權(quán)重值為最優(yōu)。
[0029] 天然氣管道發(fā)生微泄漏時，波動最強烈的因素是聲音信號，針對環(huán)境復雜而帶來 的雜音，需要提取聲音信號的特征信息，并去除其中的噪聲，步驟S2中對聲音信號進行預處 理的具體步驟包括：
[0030] S21:將采集到的聲音信號進行離散傅里葉變換，轉(zhuǎn)化為浮點型數(shù)值數(shù)據(jù)；
[0031] S22:對轉(zhuǎn)化后的聲音信號進行加窗處理，轉(zhuǎn)化到Melfilter域上；
[0032] S23:進行離散余弦變換提取特征參·
?式中， mk為步驟S22轉(zhuǎn)化所得的梅爾濾波系數(shù)，q為濾波器階數(shù)，k= 1，2，…q。
[0033] S24:采用倒譜均值歸一化算法進行去噪，即:E(t) = c(t)-m(t)，式中，E(t)為深度 卷積神經(jīng)網(wǎng)絡的聲音信號輸入變量，倒譜均值
，μ為每 次計算的更新步長，Ν為窗寬，且滿足
[0034] 進一步地，步驟S42中選取sigmoid函數(shù)作為激活函數(shù)。
[0035] 由于管道微泄漏檢測的數(shù)據(jù)量較大，深度卷積神經(jīng)網(wǎng)絡的初始權(quán)重會直接影響最 終效果和學習的時間，為了提高深度卷積神經(jīng)網(wǎng)絡的學習能力，本發(fā)明設計了一種深度受 限玻爾茲曼機模型對采樣的數(shù)據(jù)進行預訓練，獲得最優(yōu)權(quán)值矩陣和最優(yōu)偏置值，作為深度 卷積神經(jīng)網(wǎng)絡模型的權(quán)重初始值和偏置值初始值，步驟S3中具體包括如下步驟：
[0036] 與現(xiàn)有技術相比，本申請?zhí)峁┑募夹g方案，具有的技術效果或優(yōu)點是：
[0037] 該方法大大提高了管道微泄漏事故判定的速度和準確率，降低了大型安全事故的 發(fā)生，提高了天然氣管道事故搶險效率。
【附圖說明】
[0038]圖1為本發(fā)明結(jié)構(gòu)示意圖。
【具體實施方式】
[0039] 本申請實施例通過提供一種基于聲音信號的天然氣管道微泄漏檢測方法，利用管 道微泄漏時波動最強烈的聲音信號來彌補泄露初期傳感器很難采集到數(shù)據(jù)的物理弱點，將 管道微泄漏的聲音信號作為主信號，將壓力、溫度、流量作為次信號共同建立深度卷積神經(jīng) 網(wǎng)絡模型，通過學習主信號和次信號的數(shù)據(jù)來確定天然氣管道微泄漏概率，此外，針對多參 數(shù)數(shù)據(jù)的異構(gòu)性，設計一個深度受限玻爾茲曼機模型，對多參數(shù)數(shù)