深度残差收缩网络的含噪微泄漏超声识别方法*

2022-11-23孟庆旭沈功田俞跃胡王宝轩李志农

应用声学 2022年6期

孟庆旭沈功田俞跃胡斌王宝轩李志农

(1南昌航空大学测试与光电工程学院南昌330036)

(2中国特种设备检测研究院北京100029)

0 引言

管道运输是目前主要的气体输送方式，因常年受高压、腐蚀、振动等因素的影响，往往会出现穿孔、连接松动等问题，导致有毒有害或易燃易爆介质的泄漏，进而造成一定程度的经济损失甚至人员伤亡，所以确保运输管道的密封性对保障工业生产安全具有重要意义[1-2]。在压力管道系统的泄漏检测中，相比于氦质谱法[3]、负压波法[4]、气体传感器法[5]等常规检测方法，空载声波具有非接触、可在线、非专一性等特点，成为了当下判断、识别环境中是否存在泄漏的主要研究方向。

然而，由于实际检测环境中存在大量不确定性背景噪声，所以在利用声波信号进行泄漏检测时，特征信号会被背景噪声淹没。为提高声波泄漏检测的准确率，学者们提出了一些处理方法。李凤等[6]提出利用声压-耦合进行泄漏识别的方法，通过融合由泄漏引起的两种显著特征来判断泄漏与否，减小了误判率。李俊杰等[7]将带通数字滤波器、混沌系统以及AR模型功率谱相结合，实现对机场环境下飞机气体系统泄漏的超声信号提取，但在使用高阶滤波器提升检测效果的同时增加了系统的计算负担。Wang等[8]利用神经网络和D-S证据理论对超声波微小气体泄漏进行识别与分类，该方法利用相关性理论过滤外部噪声，使用BP神经网络获的相关性数组与概率之间的关系，并用D-S证据理论对信号分类。宁方立等[9]对传统卷积核进行改进，使其与泄漏信号短时稳定的窄带线谱特征更匹配，可有效识别泄漏流量大于0.15 m3/h的泄漏信号。之后该团队提出了类卷积运算的频谱增强算法[10]，在保留信号特征的同时有效减小了时频图像尺寸，在保证了深度学习训练精度的同时，提升了训练速度。孙烨辰等[11]利用集合经验模态分解对样本信号进行分离，并结合脉冲耦合神经网络对各固有模态函数(Intrinsic mode functions,IMF)分量中的噪声进行滤除，实现了对信号的降噪。目前，多数识别方法针对泄漏流量大于0.1 m3/h的泄漏，对于更小泄漏的识别研究相对较少，及时发现微小泄漏并处理缺陷将一定程度上降低经济损失。在泄漏信号识别过程中，常在识别前对信号进行消噪预处理，而在对含噪微泄漏信号进行消噪时往往会由于过度滤波导致细节丢失，造成消噪预处理的方法在对微弱泄漏的识别中存在误差，因此有必要探讨对含噪微泄漏信号直接进行识别的方法。

深度残差收缩网络(Deep residual shrinkage network,DRSN)是一种面向含噪数据的深度学习方法，利用残差收缩模块克服噪声干扰，减轻深层网络的训练负担。卢锦玲等[12]将DRSN用于电力系统暂态稳定评估中，利用DRSN直接对原始信号进行特征提取与识别，获得了较好的评估性能。车畅畅等[13]利用DRSN实现了对滚动轴承的故障诊断，验证了在高噪声干扰下，DRSN仍能保持良好的鲁棒性和较高的识别准确度。考虑到在泄漏信号的采集中同样存在大量非平稳噪声，在对含噪微泄漏的识别中，可利用DRSN对数据进行自适应降噪并挖掘原始数据的特征信息。

综合上述问题，本文提出利用一维DRSN构造管道泄漏识别模型。以时序声信号数据为样本，添加不同含量噪声，并使用热编码化对泄漏标签进行编码，构成1×(n+m)型数据样本，利用模型中的残差项降低训练中的样本特征损失，同时软阈值化网络可有效获取样本阈值，通过不同标签样本集对模型进行监督训练，实现对含有噪声的微泄漏信号的识别。

1 基于DRSN的泄漏识别模型

1.1 卷积神经网络的泄漏识别

卷积神经网络(Convolutional neural networks,CNN)是目前应用最广泛的识别与分类网络，一般由卷积层、池化层、批量归一化层、激活函数等构成。其中，卷积层主要用于对输入数据进行特征提取，而在对含有噪声且有效信息不明显的数据进行处理时，用于局部特征提取的卷积核可能由于噪声较大而特征信号较小无法检出与有用信息相关的特征[14]，这就导致输出层所具有的学习能力不足以正确区分样本类型。

CNN在泄漏的识别方面已有应用，如文献[9]对最小流量为0.15 m3/h的阀门泄漏展开研究，经过时频分析，得出泄漏信号的时频图呈横向分布，通过改变卷积核形状使网络在特征提取时更好地获取样本特征，以提高识别率。而对于泄漏更小且含有噪声的数据样本，在绘制时频图时会由于采样频率较小造成数据失真，同时在模型部署时会增加转换负担。

本文实验中，将选择直径为0.1 mm的泄漏孔，温度取293 K，上游管道压力分别设置为0.5 MPa、0.3 MPa、0.2 MPa，根据压缩空气流量计算公式：

式(1)中，qa为泄漏流量(L/min)，S为泄漏孔有效面积(mm2)，p1为上游绝对压力(kPa)，T为管内温度(K)，则可得泄漏理论流量最大约为0.026 m3/h。

利用所提含噪微泄漏识别方法与CNN识别方法对比，CNN结构如表1所示，此处将不再使用时频图作为样本进行输入，减去数据预处理过程，采用一维数据作为训练样本对模型进行训练。

表1 CNN结构Table 1 CNN structure

1.2 深度残差收缩网络

深度残差收缩网络[14]是2019年由赵明航提出的一种改进的深度残差网络(ResNet)模型，在ResNet中加入软阈值化模块和注意力机制[12]，使网络具有自适应对含噪数据样本进行阈值设定的能力，可对含噪数据进行有效区分。

DRSN模型的核心为残差收缩网络单元，该单元利用软阈值化函数和注意力机制[15]，实现对含噪数据进行自适应特征提取的功能。软阈值化作为信号降噪中常用的降噪算法，可将输入数据逐渐向零点方向进行收缩，利用这个机制灵活对输入样本进行降噪处理，软阈值化公式如式(2)所示：

式(2)中，x表示输入特征，y表示输出特征，τ表示阈值(τ＞0)。其中，τ根据输入样本自适应获得。

由式(2)可知，收缩单元的核心为阈值τ的获取。注意力机制可通过对输入样本的全局扫描，经过深度堆叠后，学习网络可发现输入样本的有效信息，削弱或剔除冗余信息，最后每条输入样本可获得一组自有权重，将权重与输入特征相乘得到一组自适应阈值τ，并以此作为软阈值化函数的阈值。利用残差收缩机制，可省略对信号的预处理过程，同时保证对含噪样本的有效降噪和识别。

DRSN模型[14]如图1所示，网络是利用阈值独立型残差收缩单元(Residual shrinkage building unit with channel-wise thresholds,RSBU-CW)构建的DRSN模型，C表示输入样本通道数，W表示输入样本宽度。在CNN模型基础上加入残差项，降低了多层训练过程中的样本特征损失，利用残差收缩模块进行特征激活，自适应获取阈值和自有权重，能减小甚至消除输入样本噪声对训练造成的误差，可有效降低不同噪声对识别结果的影响，本文将利用图1所示结构构造基于DRSN的含噪管道泄漏识别模型。

图1 阈值独立型DRSNFig.1 DRSN with channel-wise thresholds

1.3 基于DRSN的泄漏识别流程

在实际工况中，管道所处环境通常充斥着大量非平稳机械噪声，使得所采集的泄漏信号并不能清晰地展现出泄漏特征。常规的识别方法中，多利用小波分析对数据进行降噪预处理，而在小波降噪中如何构建最合适的小波函数以及如何确定软阈值化函数阈值是一个较困难的问题。为实现在含有噪声干扰情况下对微泄漏信号的精准识别，本文提出利用一维DRSN构造泄漏识别模型，通过加入残差收缩模块，最大程度降低噪声对网络训练的影响，使网络具有一定程度的抗噪能力，保证了识别的鲁棒性。

泄漏识别模型构造流程如图2所示，模型训练以传声器采集时序信号为标准样本，包括不同强度微泄漏信号、无泄漏信号、含有不同信噪比高斯噪声的微泄漏信号、含有不同信噪比高斯噪声的无泄漏信号。利用热编码化的方式对样本进行标记，组成监督学习数据样本，每条样本形状为1×(n+m)，总样本形状为p×l×(n+m)×c，其中n表示训练样本长度，m表示标签长度，p表示总样本数，l为类别数，c表示通道数，取c为1。将数据样本分为训练集、验证集、测试集，其中训练集用来训练识别模型，验证集进行模型验证以及参数调整，测试集对训练后的模型进行评估。在训练中充分发挥残差收缩模块功能，利用残差项降低训练中的样本特征损失，削弱噪声对训练过程的影响，通过训练建立泄漏识别模型。最后利用训练模型对测试集样本进行预测，评估噪声下泄漏识别模型的有效性。

图2 基于DRSN的管道泄漏识别流程Fig.2 Pipeline leakage identification process based on DRSN

本文所用的DRSN结构包括卷积层、三层残差收缩单元、标准化层、ReLU激活函数层、全局池化层以及全连接层。其中，残差收缩单元均采用阈值独立型残差收缩单元，相比于阈值共享型残差收缩单元，阈值独立型残差收缩单元可以根据不同通道噪声获取不同阈值，因此在降噪处理时，阈值独立型残差收缩单元具有更强的准确性和灵活性。另外，损失函数采用如式(3a)所示的categorical_crossentropy分类交叉熵函数，式(3a)中，n表示样本数，m表示分类数；采用式(3b)所示的ReLU函数作为激活函数避免出现梯度消失问题，当x≤0时，f′(x)=0，当x＞0时，f′(x)=1；在全连接层采用式(3c)所示的softmax函数输出识别不同程度泄漏的可能率，式(3c)中，C表示类别数，zi表示第i个类别的输出值。

2 实验与结果分析

2.1 实验设备与环境

在实验室搭建气体管道泄漏实验平台，如图3所示。平台主要部件包括静音空压机、稳压罐、管道主体、测量仪表、调节阀、泄漏试件等。为模拟中低压管道运行状态，静音空压机支持最大表压为1.2 MPa，实验表压在1.0 MPa以下。实验平台通过更换如图4所示的泄漏试件模拟不同情况下的泄漏。

图3 气体管道泄漏实验平台Fig.3 Gas pipeline leakage experimental platform

图4 穿孔缺陷示意图Fig.4 Schematic diagram of perforation defects

泄漏信号采集系统采用自主搭建的泄漏信号采集平台，平台由硬件和软件组成，如图5所示。采用宽频传声器(杭州兆华，CRY343，前置放大0 dB，电源放大20 dB，输出阻抗100 Ω)，满足10 Hz～90 kHz频率范围内的有效响应，采集卡采用高频高速采集卡(SPECTRUM,M4i.4450)，实验中采样频率采用1 MHz，工控机操作系统为Windows，并安装有自主开发的泄漏信号采集软件，满足信号采集和分析功能。采集时探头与声源之间的位置关系如图6所示，传声器在泄漏孔的垂直方向，间距40 mm。

图5 泄漏信号采集系统Fig.5 Leakage signal acquisition system

图6 探头与声源之间的位置关系Fig.6 Position relationship between probe and sound source

2.2 结果分析

2.2.1 不同泄漏强度下识别分析

本次测试中主要针对微泄漏进行判断，选取φ0.1 mm圆形穿孔，上游压力分别为0.2 MPa(0.0102 m3/h)、0.3 MPa(0.0153 m3/h)、0.5 MPa(0.0255 m3/h)，无添加模拟噪声，采集数据如图7所示，其中图7(a)为上游压力为0.2 MPa时传声器所采集的数据，图7(b)为无泄漏时传声器所采集的数据，由此可见微泄漏所产生的声信号与环境噪声信号在时域上不易区分。

图7 小孔气体泄漏与实验室环境噪声时域信号对比Fig.7 Comparison of time domain signals of gas micro leakage and laboratory environmental noise

通过利用如表2所示的二分类数据集分别对网络进行训练，基于DRSN的含噪微泄漏识别方法在不同泄漏强度下表现出较明显优势。图8为网络分别对3种不同强度泄漏的识别准确率以及损失函数，在3种不同压力情况下，DRSN展现出较强的微小信号特征提取能力，对不同的压力情况均能实现较高的识别准确率。

表2 数据集分布Table 2 Data set distribution

图8 不同泄漏强度下DRSN训练过程Fig.8 DRSN training process under different leakage intensity

为进一步验证基于DRSN对不同泄漏强度泄漏信号的识别，通过改变φ0.1 mm泄漏孔的上游压力来调节泄漏强度，泄漏信号均采自距离泄漏源40 mm处。建立多类别的数据集，类别定义如表3所示，多分类数据集结构如表4所示，其中每条信号的数据量缩至1/16，提高训练速度，验证网络的容差能力。

表3 多类型信号定义Table 3 Definition of multiple type signals

表4 不含噪多分类数据集Table 4 Non-noise multi-classification dataset

对比CNN和DRSN，在样本不含其他噪声的情况下，二者的训练识别率均能达到99%以上，新取不含噪数据样本对二者所得模型进行测试。由测试结果图9可知，DRSN对不同泄漏强度的新样本仍能保持较好的识别准确率，而利用CNN对新样本识别时，在上游压力0.2 MPa的泄漏中类别中，由于泄漏信号微弱，出现明显的识别错误。

2.2.2 含模拟噪声泄漏的识别分析

在实际的检测过程中，由于复杂的工作环境不可避免地会存在各种嘈杂噪声。因此，为模拟上述现象，将在原数据基础上叠加高斯噪声，根据信噪比(Signal-to-noise ratio,SNR)计算公式

式(4)中，PS表示原信号有效功率，PN表示噪声的有效功率。若测量误差为1%，则根据公式(4)可知噪声信噪比应为20 dB。

通过对上游压力0.2 MPa、泄漏孔径φ0.1 mm、信噪比20 dB的泄漏信号与仅环境噪声信号进行滤波并利用式(5)计算平均功率[16]，其中滤波采用的小波基为8阶Symlet小波(即sym8)，小波层数分别为5、10，阈值函数为软硬阈值折中法。

式(5)中，¯PS表示平均有效功率，N表示采集离散数据点个数，Xn表示第n个离散数据点的值。

由图10(a)可知，在无滤波时微弱泄漏的平均功率与5次测试的环境噪声平均功率多次出现杂糅，这是由于微弱泄漏信号被复杂的环境噪声淹没；由图10(b)可知，经过5层小波滤波后，一定程度上使泄漏信号与环境噪声之间的功率大小出现区分，但仍存在杂糅情况；进一步增加分解层数，如图10(c)可知，在小波层数达到10后，微泄漏信号与环境噪声几乎很难区别，这是由于泄漏强度较小且噪声复杂，经过多次小波分解后导致信号细节丢失，使其在平均能量值上无法与环境噪声分离。由此可知，在利用传统滤波并计算平均功率值的泄漏识别方法时，很难确定合适的小波基、阈值以及分解层数。

图10 微小泄漏与无泄漏平均能量对比Fig.10 Comparison of average energy between small leakage and no leakage

利用DRSN对含噪微泄漏信号进行识别。为验证DRSN对噪声的抑制能力和对细节特征的提取能力，选取φ0.1 mm圆形穿孔，上游压力分别为0.2 MPa、0.3 MPa、0.5 MPa，探头距声源40 mm，选择信噪比为20 dB、40 dB、60 dB的高斯噪声进行叠加，模拟噪声污染，以此建立数据集。

图11为上游压力0.2 MPa、噪声含量不同的识别情况，可以看出噪声的含量对网络训练次数影响并不大，这是因为通过加入残差收缩网络加强了深度神经网络从含噪声信号中提取有用特征的能力，因此DRSN在含噪微泄漏识别中展现出较好的训练鲁棒性。

图11 不同噪声含量下DRSN训练过程Fig.11 DRSN training process under different noise contents

对比CNN和DRSN，待训练结果稳定后，二者均能达到较好的识别结果。新取含噪样本对二者的网络进行测试，测试结果如表5所示。由此可见两种网络在对无泄漏信号进行识别时均能达到较好的识别精度，但在对低上游压力的含噪泄漏识别时，CNN的识别准确率较低，而在实际情况中微小泄漏的误判会造成一定程度的损失。随着噪声含量的增加，CNN的测试准确率减小，在对信噪比为20 dB的含噪微泄漏识别时，平均准确率不足95%。而DRSN对于不同噪声含量的微泄漏信号在测试中均能达到98%以上的识别率，这是由于相比CNN，DRSN中不仅加入恒等映射减小网络训练难度，同时

表5 含噪样本不同压力测试结果Table 5 Results of different pressure tests with noisy samples(单位:%)

加入了软阈值化函数和注意力机制，使网络在训练过程中能够自适应设置阈值，对于噪声的处理过滤能力更强，对小信号的识别准确率更高。

2.2.3 风机噪声模拟验证

排风系统是化工运输密闭场所内最常见的安全设施，因此在实际验证中，将选取风机作为主要的噪声源，通过调节风机强度制造不同噪声。利用传声器对含噪环境中的微泄漏进行采集，并以此作为样本对模型进行训练与测试，经过计算得到不同泄漏强度的含噪信号的平均峰值信噪比均小于50 dB。通过训练获得验证模型，并利用新采集实际数据作为样本进行模型测试，测试结果如图12所示。