基于聲音信號的天然氣管道微泄漏檢測方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及天然氣輸送管道安全檢測技術(shù)領(lǐng)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(shù)】
[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(chǔ)設(shè)施建設(shè)項(xiàng)目。從 2010年開始，CNG汽車以16 %的速度逐年增長，加強(qiáng)CNG加氣站建設(shè)的安全性具有重要的社 會意義。據(jù)統(tǒng)計(jì)，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(dá)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(diǎn)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(dǎo)致爆炸、爆燃、泄漏、爆脫、環(huán)境性損傷、機(jī)件解體或飛 濺、設(shè)備內(nèi)腐蝕、設(shè)備外腐蝕等嚴(yán)重后果和經(jīng)濟(jì)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(shí)現(xiàn)微泄漏的檢測。大量學(xué)者也主要關(guān)注于通過改善傳感器精度和分析特定 輸送管道參數(shù)關(guān)系來提高安全事故發(fā)生的判斷準(zhǔn)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?yàn)橐韵玛P(guān)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(dǎo)致微泄漏擴(kuò)展到較大的泄漏，帶來 巨大的人員和財(cái)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(dá)到一定數(shù)量后傳感器才能夠采集相關(guān)數(shù)據(jù)，但管道 泄漏初期泄漏聲音卻異常突出，同時(shí)由于加氣站環(huán)境復(fù)雜，噪音也比較明顯。為了避免初期 可及時(shí)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(shí)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(xiǎn)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(shí)中根本無法測量，且很難構(gòu)建一個(gè)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(gè)參數(shù)值的分析，導(dǎo)致運(yùn)算結(jié)果的不準(zhǔn)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(gè)標(biāo)準(zhǔn)的方程組，完整的表達(dá)所有參數(shù) 之間的關(guān)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(gè)階段，從純物理方程到人工設(shè)定參數(shù)的概率推 理，直到機(jī)器學(xué)習(xí)?，F(xiàn)仍有大量研究著重于一個(gè)參數(shù)的物理結(jié)構(gòu)來確定管道狀態(tài)，評價(jià)誤差 較大。由于引入決策的參數(shù)數(shù)量越來越多，每個(gè)參數(shù)與微泄漏事故的關(guān)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(jī)生成0-1之間的數(shù)來避免過分 強(qiáng)調(diào)某一參數(shù)的影響。這就帶來了學(xué)習(xí)結(jié)果的巨大誤差。其實(shí)，每個(gè)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(jī)的方法來設(shè)定。
[0008] 上述問題必然會影響快速、準(zhǔn)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(xué)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(shí)波動(dòng)最強(qiáng)烈的聲音信號來彌補(bǔ)泄露初期傳感器很難采集到數(shù)據(jù)的物理弱點(diǎn)，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(luò)模 型，通過學(xué)習(xí)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(shè)計(jì)一個(gè)深度受限玻爾茲曼機(jī)模型，對多參數(shù)數(shù)據(jù)進(jìn)行預(yù)訓(xùn)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(luò)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(shí)難以快速、準(zhǔn)確判斷的技術(shù)問題。
[0010] 為解決上述技術(shù)問題，本申請采用以下技術(shù)方案予以實(shí)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(shí)的聲音信號以及溫度、壓力、流量信號；
[0013] S2:對聲音信號進(jìn)行特征提取和去噪的預(yù)處理；
[0014] S3:設(shè)計(jì)一個(gè)深度受限玻爾茲曼機(jī)模型，對步驟S2預(yù)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(jìn)行預(yù)訓(xùn)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(luò)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(luò)模型，并利用該模型對天然氣管道的微泄漏狀況進(jìn)行監(jiān)測， 其中，所述四層深度卷積神經(jīng)網(wǎng)絡(luò)模型包括一個(gè)輸入層、兩個(gè)隱藏層和一個(gè)輸出層，輸入層 所輸入的主信號為預(yù)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(gè)隱藏層均由卷積和下采樣函數(shù)組成。
[0016] 進(jìn)一步地，步驟S4中具體包括如下步驟：
[0017] S41:取每個(gè)采樣點(diǎn)預(yù)處理后的聲音信號和對應(yīng)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(jìn)行卷積計(jì)算，得5I
式中，^4為第1層 隱藏層第j個(gè)單元的輸出值，f為激活函數(shù)，Μ為第1層隱藏層第j個(gè)單元的偏置值，β,η為第 1-1層隱藏層第i個(gè)單元的輸出值，4為第1-1層隱藏層第i個(gè)單元的輸出值到第1層隱藏層 第j個(gè)單元的輸出值之間的連接權(quán)值；
[0019] S43:設(shè)計(jì)基于窗口邊界大小的下采樣函數(shù)：$對局部進(jìn)行均值 化，降低第二個(gè)隱藏層的輸入量，式中，N為窗寬；
[0020] S44:設(shè)計(jì)輸出函數(shù)的運(yùn)算函數(shù)，輸出管道微泄漏事故發(fā)生的概率。
[0021]進(jìn)一步地，在每個(gè)隱藏層的輸入端引入Dropout以降低數(shù)據(jù)的過擬合，即，在訓(xùn)練 過程中將隱藏層節(jié)點(diǎn)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(jìn)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(luò)的初始權(quán)重會直接影響最 終效果和學(xué)習(xí)的時(shí)間，為了提高深度卷積神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力，本發(fā)明設(shè)計(jì)了一種深度受 限玻爾茲曼機(jī)模型對采樣的數(shù)據(jù)進(jìn)行預(yù)訓(xùn)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(luò)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(yù)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(gè)屬性的樣本值
[0025] S32:設(shè)計(jì)樣本值的編碼方法，構(gòu)建權(quán)值函數(shù)，計(jì)算隱藏節(jié)點(diǎn)特征取值概率分布，使 ?#Χ1= (xi ,Χ2, · ,Xn)^y= (yi ,y2, · ,ym);
[0026] S33:設(shè)計(jì)解碼方法，構(gòu)建權(quán)值函數(shù)，計(jì)算隱藏節(jié)點(diǎn)映射的概率分布，獲取y= (yi, Y2,··· ,ym)^x2=(x/ Ι,Χ^,··· ,X7n)；
[0027] S34:不斷學(xué)習(xí)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(xué)習(xí)更新能量函數(shù)，使得X1與X2空間盡可能地接近，最終實(shí)現(xiàn)解碼結(jié)果與編碼 輸入的相似，此時(shí)的權(quán)重值為最優(yōu)。
[0029] 天然氣管道發(fā)生微泄漏時(shí)，波動(dòng)最強(qiáng)烈的因素是聲音信號，針對環(huán)境復(fù)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(jìn)行預(yù)處 理的具體步驟包括：
[0030] S21:將采集到的聲音信號進(jìn)行離散傅里葉變換，轉(zhuǎn)化為浮點(diǎn)型數(shù)值數(shù)據(jù)；
[0031] S22:對轉(zhuǎn)化后的聲音信號進(jìn)行加窗處理，轉(zhuǎn)化到Melfilter域上；
[0032] S23:進(jìn)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(jìn)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(luò)的聲音信號輸入變量，倒譜均值
，μ為每 次計(jì)算的更新步長，Ν為窗寬，且滿足
[0034] 進(jìn)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(luò)的初始權(quán)重會直接影響最 終效果和學(xué)習(xí)的時(shí)間，為了提高深度卷積神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力，本發(fā)明設(shè)計(jì)了一種深度受 限玻爾茲曼機(jī)模型對采樣的數(shù)據(jù)進(jìn)行預(yù)訓(xùn)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(luò)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(shù)相比，本申請?zhí)峁┑募夹g(shù)方案，具有的技術(shù)效果或優(yōu)點(diǎn)是：
[0037] 該方法大大提高了管道微泄漏事故判定的速度和準(zhǔn)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(xiǎn)效率。
【附圖說明】
[0038]圖1為本發(fā)明結(jié)構(gòu)示意圖。
【具體實(shí)施方式】
[0039] 本申請實(shí)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(shí)波動(dòng)最強(qiáng)烈的聲音信號來彌補(bǔ)泄露初期傳感器很難采集到數(shù)據(jù)的物理弱點(diǎn)，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(luò)模型，通過學(xué)習(xí)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(shè)計(jì)一個(gè)深度受限玻爾茲曼機(jī)模型，對多參數(shù)數(shù)