孟慶旭沈功田俞 躍胡 斌 王寶軒李志農

(1南昌航空大學測試與光電工程學院 南昌330036)

(2中國特種設備檢測研究院 北京100029)

0 引言

管道運輸是目前主要的氣體輸送方式，因常年受高壓、腐蝕、振動等因素的影響，往往會出現穿孔、連接松動等問題，導致有毒有害或易燃易爆介質的泄漏，進而造成一定程度的經濟損失甚至人員傷亡，所以確保運輸管道的密封性對保障工業(yè)生產安全具有重要意義[1-2]。在壓力管道系統(tǒng)的泄漏檢測中，相比于氦質譜法[3]、負壓波法[4]、氣體傳感器法[5]等常規(guī)檢測方法，空載聲波具有非接觸、可在線、非專一性等特點，成為了當下判斷、識別環(huán)境中是否存在泄漏的主要研究方向。

然而，由于實際檢測環(huán)境中存在大量不確定性背景噪聲，所以在利用聲波信號進行泄漏檢測時，特征信號會被背景噪聲淹沒。為提高聲波泄漏檢測的準確率，學者們提出了一些處理方法。李鳳等[6]提出利用聲壓-耦合進行泄漏識別的方法，通過融合由泄漏引起的兩種顯著特征來判斷泄漏與否，減小了誤判率。李俊杰等[7]將帶通數字濾波器、混沌系統(tǒng)以及AR模型功率譜相結合，實現對機場環(huán)境下飛機氣體系統(tǒng)泄漏的超聲信號提取，但在使用高階濾波器提升檢測效果的同時增加了系統(tǒng)的計算負擔。Wang等[8]利用神經網絡和D-S證據理論對超聲波微小氣體泄漏進行識別與分類，該方法利用相關性理論過濾外部噪聲，使用BP神經網絡獲的相關性數組與概率之間的關系，并用D-S證據理論對信號分類。寧方立等[9]對傳統(tǒng)卷積核進行改進，使其與泄漏信號短時穩(wěn)定的窄帶線譜特征更匹配，可有效識別泄漏流量大于0.15 m3/h的泄漏信號。之后該團隊提出了類卷積運算的頻譜增強算法[10]，在保留信號特征的同時有效減小了時頻圖像尺寸，在保證了深度學習訓練精度的同時，提升了訓練速度。孫燁辰等[11]利用集合經驗模態(tài)分解對樣本信號進行分離，并結合脈沖耦合神經網絡對各固有模態(tài)函數(Intrinsic mode functions,IMF)分量中的噪聲進行濾除，實現了對信號的降噪。目前，多數識別方法針對泄漏流量大于0.1 m3/h的泄漏，對于更小泄漏的識別研究相對較少，及時發(fā)現微小泄漏并處理缺陷將一定程度上降低經濟損失。在泄漏信號識別過程中，常在識別前對信號進行消噪預處理，而在對含噪微泄漏信號進行消噪時往往會由于過度濾波導致細節(jié)丟失，造成消噪預處理的方法在對微弱泄漏的識別中存在誤差，因此有必要探討對含噪微泄漏信號直接進行識別的方法。

深度殘差收縮網絡(Deep residual shrinkage network,DRSN)是一種面向含噪數據的深度學習方法，利用殘差收縮模塊克服噪聲干擾，減輕深層網絡的訓練負擔。盧錦玲等[12]將DRSN用于電力系統(tǒng)暫態(tài)穩(wěn)定評估中，利用DRSN直接對原始信號進行特征提取與識別，獲得了較好的評估性能。車暢暢等[13]利用DRSN實現了對滾動軸承的故障診斷，驗證了在高噪聲干擾下，DRSN仍能保持良好的魯棒性和較高的識別準確度?？紤]到在泄漏信號的采集中同樣存在大量非平穩(wěn)噪聲，在對含噪微泄漏的識別中，可利用DRSN對數據進行自適應降噪并挖掘原始數據的特征信息。

綜合上述問題，本文提出利用一維DRSN構造管道泄漏識別模型。以時序聲信號數據為樣本，添加不同含量噪聲，并使用熱編碼化對泄漏標簽進行編碼，構成1×(n+m)型數據樣本，利用模型中的殘差項降低訓練中的樣本特征損失，同時軟閾值化網絡可有效獲取樣本閾值，通過不同標簽樣本集對模型進行監(jiān)督訓練，實現對含有噪聲的微泄漏信號的識別。

1 基于DRSN的泄漏識別模型

1.1 卷積神經網絡的泄漏識別

卷積神經網絡(Convolutional neural networks,CNN)是目前應用最廣泛的識別與分類網絡，一般由卷積層、池化層、批量歸一化層、激活函數等構成。其中，卷積層主要用于對輸入數據進行特征提取，而在對含有噪聲且有效信息不明顯的數據進行處理時，用于局部特征提取的卷積核可能由于噪聲較大而特征信號較小無法檢出與有用信息相關的特征[14]，這就導致輸出層所具有的學習能力不足以正確區(qū)分樣本類型。

CNN在泄漏的識別方面已有應用，如文獻[9]對最小流量為0.15 m3/h的閥門泄漏展開研究，經過時頻分析，得出泄漏信號的時頻圖呈橫向分布，通過改變卷積核形狀使網絡在特征提取時更好地獲取樣本特征，以提高識別率。而對于泄漏更小且含有噪聲的數據樣本，在繪制時頻圖時會由于采樣頻率較小造成數據失真，同時在模型部署時會增加轉換負擔。

本文實驗中，將選擇直徑為0.1 mm的泄漏孔，溫度取293 K，上游管道壓力分別設置為0.5 MPa、0.3 MPa、0.2 MPa，根據壓縮空氣流量計算公式：

式(1)中，qa為泄漏流量(L/min)，S為泄漏孔有效面積(mm2)，p1為上游絕對壓力(kPa)，T為管內溫度(K)，則可得泄漏理論流量最大約為0.026 m3/h。

利用所提含噪微泄漏識別方法與CNN識別方法對比，CNN結構如表1所示，此處將不再使用時頻圖作為樣本進行輸入，減去數據預處理過程，采用一維數據作為訓練樣本對模型進行訓練。

表1 CNN結構Table 1 CNN structure

1.2 深度殘差收縮網絡

深度殘差收縮網絡[14]是2019年由趙明航提出的一種改進的深度殘差網絡(ResNet)模型，在ResNet中加入軟閾值化模塊和注意力機制[12]，使網絡具有自適應對含噪數據樣本進行閾值設定的能力，可對含噪數據進行有效區(qū)分。

DRSN模型的核心為殘差收縮網絡單元，該單元利用軟閾值化函數和注意力機制[15]，實現對含噪數據進行自適應特征提取的功能。軟閾值化作為信號降噪中常用的降噪算法，可將輸入數據逐漸向零點方向進行收縮，利用這個機制靈活對輸入樣本進行降噪處理，軟閾值化公式如式(2)所示：

式(2)中，x表示輸入特征，y表示輸出特征，τ表示閾值(τ＞0)。其中，τ根據輸入樣本自適應獲得。

由式(2)可知，收縮單元的核心為閾值τ的獲取。注意力機制可通過對輸入樣本的全局掃描，經過深度堆疊后，學習網絡可發(fā)現輸入樣本的有效信息，削弱或剔除冗余信息，最后每條輸入樣本可獲得一組自有權重，將權重與輸入特征相乘得到一組自適應閾值τ，并以此作為軟閾值化函數的閾值。利用殘差收縮機制，可省略對信號的預處理過程，同時保證對含噪樣本的有效降噪和識別。

DRSN模型[14]如圖1所示，網絡是利用閾值獨立型殘差收縮單元(Residual shrinkage building unit with channel-wise thresholds,RSBU-CW)構建的DRSN模型，C表示輸入樣本通道數，W表示輸入樣本寬度。在CNN模型基礎上加入殘差項，降低了多層訓練過程中的樣本特征損失，利用殘差收縮模塊進行特征激活，自適應獲取閾值和自有權重，能減小甚至消除輸入樣本噪聲對訓練造成的誤差，可有效降低不同噪聲對識別結果的影響，本文將利用圖1所示結構構造基于DRSN的含噪管道泄漏識別模型。

圖1 閾值獨立型DRSNFig.1 DRSN with channel-wise thresholds

1.3 基于DRSN的泄漏識別流程

在實際工況中，管道所處環(huán)境通常充斥著大量非平穩(wěn)機械噪聲，使得所采集的泄漏信號并不能清晰地展現出泄漏特征。常規(guī)的識別方法中，多利用小波分析對數據進行降噪預處理，而在小波降噪中如何構建最合適的小波函數以及如何確定軟閾值化函數閾值是一個較困難的問題。為實現在含有噪聲干擾情況下對微泄漏信號的精準識別，本文提出利用一維DRSN構造泄漏識別模型，通過加入殘差收縮模塊，最大程度降低噪聲對網絡訓練的影響，使網絡具有一定程度的抗噪能力，保證了識別的魯棒性。

泄漏識別模型構造流程如圖2所示，模型訓練以傳聲器采集時序信號為標準樣本，包括不同強度微泄漏信號、無泄漏信號、含有不同信噪比高斯噪聲的微泄漏信號、含有不同信噪比高斯噪聲的無泄漏信號。利用熱編碼化的方式對樣本進行標記，組成監(jiān)督學習數據樣本，每條樣本形狀為1×(n+m)，總樣本形狀為p×l×(n+m)×c，其中n表示訓練樣本長度，m表示標簽長度，p表示總樣本數，l為類別數，c表示通道數，取c為1。將數據樣本分為訓練集、驗證集、測試集，其中訓練集用來訓練識別模型，驗證集進行模型驗證以及參數調整，測試集對訓練后的模型進行評估。在訓練中充分發(fā)揮殘差收縮模塊功能，利用殘差項降低訓練中的樣本特征損失，削弱噪聲對訓練過程的影響，通過訓練建立泄漏識別模型。最后利用訓練模型對測試集樣本進行預測，評估噪聲下泄漏識別模型的有效性。

圖2 基于DRSN的管道泄漏識別流程Fig.2 Pipeline leakage identification process based on DRSN

本文所用的DRSN結構包括卷積層、三層殘差收縮單元、標準化層、ReLU激活函數層、全局池化層以及全連接層。其中，殘差收縮單元均采用閾值獨立型殘差收縮單元，相比于閾值共享型殘差收縮單元，閾值獨立型殘差收縮單元可以根據不同通道噪聲獲取不同閾值，因此在降噪處理時，閾值獨立型殘差收縮單元具有更強的準確性和靈活性。另外，損失函數采用如式(3a)所示的categorical_crossentropy分類交叉熵函數，式(3a)中，n表示樣本數，m表示分類數；采用式(3b)所示的ReLU函數作為激活函數避免出現梯度消失問題，當x≤0時，f′(x)=0，當x＞0時，f′(x)=1；在全連接層采用式(3c)所示的softmax函數輸出識別不同程度泄漏的可能率，式(3c)中，C表示類別數，zi表示第i個類別的輸出值。

2 實驗與結果分析

2.1 實驗設備與環(huán)境

在實驗室搭建氣體管道泄漏實驗平臺，如圖3所示。平臺主要部件包括靜音空壓機、穩(wěn)壓罐、管道主體、測量儀表、調節(jié)閥、泄漏試件等。為模擬中低壓管道運行狀態(tài)，靜音空壓機支持最大表壓為1.2 MPa，實驗表壓在1.0 MPa以下。實驗平臺通過更換如圖4所示的泄漏試件模擬不同情況下的泄漏。

圖3 氣體管道泄漏實驗平臺Fig.3 Gas pipeline leakage experimental platform

圖4 穿孔缺陷示意圖Fig.4 Schematic diagram of perforation defects

泄漏信號采集系統(tǒng)采用自主搭建的泄漏信號采集平臺，平臺由硬件和軟件組成，如圖5所示。采用寬頻傳聲器(杭州兆華，CRY343，前置放大0 dB，電源放大20 dB，輸出阻抗100 Ω)，滿足10 Hz～90 kHz頻率范圍內的有效響應，采集卡采用高頻高速采集卡(SPECTRUM,M4i.4450)，實驗中采樣頻率采用1 MHz，工控機操作系統(tǒng)為Windows，并安裝有自主開發(fā)的泄漏信號采集軟件，滿足信號采集和分析功能。采集時探頭與聲源之間的位置關系如圖6所示，傳聲器在泄漏孔的垂直方向，間距40 mm。

圖5 泄漏信號采集系統(tǒng)Fig.5 Leakage signal acquisition system

圖6 探頭與聲源之間的位置關系Fig.6 Position relationship between probe and sound source

2.2 結果分析

2.2.1 不同泄漏強度下識別分析

本次測試中主要針對微泄漏進行判斷，選取φ0.1 mm圓形穿孔，上游壓力分別為0.2 MPa(0.0102 m3/h)、0.3 MPa(0.0153 m3/h)、0.5 MPa(0.0255 m3/h)，無添加模擬噪聲，采集數據如圖7所示，其中圖7(a)為上游壓力為0.2 MPa時傳聲器所采集的數據，圖7(b)為無泄漏時傳聲器所采集的數據，由此可見微泄漏所產生的聲信號與環(huán)境噪聲信號在時域上不易區(qū)分。

圖7 小孔氣體泄漏與實驗室環(huán)境噪聲時域信號對比Fig.7 Comparison of time domain signals of gas micro leakage and laboratory environmental noise

通過利用如表2所示的二分類數據集分別對網絡進行訓練，基于DRSN的含噪微泄漏識別方法在不同泄漏強度下表現出較明顯優(yōu)勢。圖8為網絡分別對3種不同強度泄漏的識別準確率以及損失函數，在3種不同壓力情況下，DRSN展現出較強的微小信號特征提取能力，對不同的壓力情況均能實現較高的識別準確率。

表2 數據集分布Table 2 Data set distribution

圖8 不同泄漏強度下DRSN訓練過程Fig.8 DRSN training process under different leakage intensity

為進一步驗證基于DRSN對不同泄漏強度泄漏信號的識別，通過改變φ0.1 mm泄漏孔的上游壓力來調節(jié)泄漏強度，泄漏信號均采自距離泄漏源40 mm處。建立多類別的數據集，類別定義如表3所示，多分類數據集結構如表4所示，其中每條信號的數據量縮至1/16，提高訓練速度，驗證網絡的容差能力。

表3 多類型信號定義Table 3 Definition of multiple type signals

表4 不含噪多分類數據集Table 4 Non-noise multi-classification dataset

對比CNN和DRSN，在樣本不含其他噪聲的情況下，二者的訓練識別率均能達到99%以上，新取不含噪數據樣本對二者所得模型進行測試。由測試結果圖9可知，DRSN對不同泄漏強度的新樣本仍能保持較好的識別準確率，而利用CNN對新樣本識別時，在上游壓力0.2 MPa的泄漏中類別中，由于泄漏信號微弱，出現明顯的識別錯誤。

2.2.2 含模擬噪聲泄漏的識別分析

在實際的檢測過程中，由于復雜的工作環(huán)境不可避免地會存在各種嘈雜噪聲。因此，為模擬上述現象，將在原數據基礎上疊加高斯噪聲，根據信噪比(Signal-to-noise ratio,SNR)計算公式

式(4)中，PS表示原信號有效功率，PN表示噪聲的有效功率。若測量誤差為1%，則根據公式(4)可知噪聲信噪比應為20 dB。

通過對上游壓力0.2 MPa、泄漏孔徑φ0.1 mm、信噪比20 dB的泄漏信號與僅環(huán)境噪聲信號進行濾波并利用式(5)計算平均功率[16]，其中濾波采用的小波基為8階Symlet小波(即sym8)，小波層數分別為5、10，閾值函數為軟硬閾值折中法。

式(5)中，ˉPS表示平均有效功率，N表示采集離散數據點個數，Xn表示第n個離散數據點的值。

由圖10(a)可知，在無濾波時微弱泄漏的平均功率與5次測試的環(huán)境噪聲平均功率多次出現雜糅，這是由于微弱泄漏信號被復雜的環(huán)境噪聲淹沒；由圖10(b)可知，經過5層小波濾波后，一定程度上使泄漏信號與環(huán)境噪聲之間的功率大小出現區(qū)分，但仍存在雜糅情況；進一步增加分解層數，如圖10(c)可知，在小波層數達到10后，微泄漏信號與環(huán)境噪聲幾乎很難區(qū)別，這是由于泄漏強度較小且噪聲復雜，經過多次小波分解后導致信號細節(jié)丟失，使其在平均能量值上無法與環(huán)境噪聲分離。由此可知，在利用傳統(tǒng)濾波并計算平均功率值的泄漏識別方法時，很難確定合適的小波基、閾值以及分解層數。

圖10 微小泄漏與無泄漏平均能量對比Fig.10 Comparison of average energy between small leakage and no leakage

利用DRSN對含噪微泄漏信號進行識別。為驗證DRSN對噪聲的抑制能力和對細節(jié)特征的提取能力，選取φ0.1 mm圓形穿孔，上游壓力分別為0.2 MPa、0.3 MPa、0.5 MPa，探頭距聲源40 mm，選擇信噪比為20 dB、40 dB、60 dB的高斯噪聲進行疊加，模擬噪聲污染，以此建立數據集。

圖11為上游壓力0.2 MPa、噪聲含量不同的識別情況，可以看出噪聲的含量對網絡訓練次數影響并不大，這是因為通過加入殘差收縮網絡加強了深度神經網絡從含噪聲信號中提取有用特征的能力，因此DRSN在含噪微泄漏識別中展現出較好的訓練魯棒性。

圖11 不同噪聲含量下DRSN訓練過程Fig.11 DRSN training process under different noise contents

對比CNN和DRSN，待訓練結果穩(wěn)定后，二者均能達到較好的識別結果。新取含噪樣本對二者的網絡進行測試，測試結果如表5所示。由此可見兩種網絡在對無泄漏信號進行識別時均能達到較好的識別精度，但在對低上游壓力的含噪泄漏識別時，CNN的識別準確率較低，而在實際情況中微小泄漏的誤判會造成一定程度的損失。隨著噪聲含量的增加，CNN的測試準確率減小，在對信噪比為20 dB的含噪微泄漏識別時，平均準確率不足95%。而DRSN對于不同噪聲含量的微泄漏信號在測試中均能達到98%以上的識別率，這是由于相比CNN，DRSN中不僅加入恒等映射減小網絡訓練難度，同時

表5 含噪樣本不同壓力測試結果Table 5 Results of different pressure tests with noisy samples(單位:%)

加入了軟閾值化函數和注意力機制，使網絡在訓練過程中能夠自適應設置閾值，對于噪聲的處理過濾能力更強，對小信號的識別準確率更高。

2.2.3 風機噪聲模擬驗證

排風系統(tǒng)是化工運輸密閉場所內最常見的安全設施，因此在實際驗證中，將選取風機作為主要的噪聲源，通過調節(jié)風機強度制造不同噪聲。利用傳聲器對含噪環(huán)境中的微泄漏進行采集，并以此作為樣本對模型進行訓練與測試，經過計算得到不同泄漏強度的含噪信號的平均峰值信噪比均小于50 dB。通過訓練獲得驗證模型，并利用新采集實際數據作為樣本進行模型測試，測試結果如圖12所示。

圖12 風機模擬測試結果對比Fig.12 Comparison of wind turbine simulation test results

由此可知，DRSN在對實際采樣數據識別時仍具有出較高的準確率，對于含噪微泄漏信號的識別，DRSN均能實現較好的識別效果，因此DRSN可用于對含噪泄漏信號的識別。

3 結論

本文對含噪微弱泄漏的識別方法進行了研究，提出以一維時域信息作為輸入樣本，利用DRSN對樣本進行識別的方法，通過實驗驗證，所得結論如下：

(1)根據泄漏上游壓力不同，建立多泄漏強度數據集，驗證了DRSN在對不同強度泄漏信號時均具有較強的識別性能，在對較高雜糅混合的泄漏數據進行識別時具有較強的區(qū)分能力。

(2)利用高斯噪聲模擬環(huán)境噪聲，通過改變噪聲含量，驗證了噪聲的含量并不會DRSN迭代次數產生較明顯的影響，且在對含噪泄漏信號進行識別時仍能保持較強的魯棒性。

綜上所述，利用DRSN對噪聲環(huán)境下帶壓氣體管道微泄漏進行識別是一種可行的方法，同時為盡可能提高含噪微泄漏識別的準確率，仍需大量實際環(huán)境噪聲樣本，因此后續(xù)工作要對不同環(huán)境噪聲、不同泄漏類型進行分析，探討其對泄漏識別影響。