孟慶旭沈功田俞 躍胡 斌 王寶軒李志農(nóng)

(1南昌航空大學(xué)測(cè)試與光電工程學(xué)院 南昌330036)

(2中國(guó)特種設(shè)備檢測(cè)研究院 北京100029)

0 引言

管道運(yùn)輸是目前主要的氣體輸送方式，因常年受高壓、腐蝕、振動(dòng)等因素的影響，往往會(huì)出現(xiàn)穿孔、連接松動(dòng)等問(wèn)題，導(dǎo)致有毒有害或易燃易爆介質(zhì)的泄漏，進(jìn)而造成一定程度的經(jīng)濟(jì)損失甚至人員傷亡，所以確保運(yùn)輸管道的密封性對(duì)保障工業(yè)生產(chǎn)安全具有重要意義[1-2]。在壓力管道系統(tǒng)的泄漏檢測(cè)中，相比于氦質(zhì)譜法[3]、負(fù)壓波法[4]、氣體傳感器法[5]等常規(guī)檢測(cè)方法，空載聲波具有非接觸、可在線(xiàn)、非專(zhuān)一性等特點(diǎn)，成為了當(dāng)下判斷、識(shí)別環(huán)境中是否存在泄漏的主要研究方向。

然而，由于實(shí)際檢測(cè)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(hào)進(jìn)行泄漏檢測(cè)時(shí)，特征信號(hào)會(huì)被背景噪聲淹沒(méi)。為提高聲波泄漏檢測(cè)的準(zhǔn)確率，學(xué)者們提出了一些處理方法。李鳳等[6]提出利用聲壓-耦合進(jìn)行泄漏識(shí)別的方法，通過(guò)融合由泄漏引起的兩種顯著特征來(lái)判斷泄漏與否，減小了誤判率。李俊杰等[7]將帶通數(shù)字濾波器、混沌系統(tǒng)以及AR模型功率譜相結(jié)合，實(shí)現(xiàn)對(duì)機(jī)場(chǎng)環(huán)境下飛機(jī)氣體系統(tǒng)泄漏的超聲信號(hào)提取，但在使用高階濾波器提升檢測(cè)效果的同時(shí)增加了系統(tǒng)的計(jì)算負(fù)擔(dān)。Wang等[8]利用神經(jīng)網(wǎng)絡(luò)和D-S證據(jù)理論對(duì)超聲波微小氣體泄漏進(jìn)行識(shí)別與分類(lèi)，該方法利用相關(guān)性理論過(guò)濾外部噪聲，使用BP神經(jīng)網(wǎng)絡(luò)獲的相關(guān)性數(shù)組與概率之間的關(guān)系，并用D-S證據(jù)理論對(duì)信號(hào)分類(lèi)。寧方立等[9]對(duì)傳統(tǒng)卷積核進(jìn)行改進(jìn)，使其與泄漏信號(hào)短時(shí)穩(wěn)定的窄帶線(xiàn)譜特征更匹配，可有效識(shí)別泄漏流量大于0.15 m3/h的泄漏信號(hào)。之后該團(tuán)隊(duì)提出了類(lèi)卷積運(yùn)算的頻譜增強(qiáng)算法[10]，在保留信號(hào)特征的同時(shí)有效減小了時(shí)頻圖像尺寸，在保證了深度學(xué)習(xí)訓(xùn)練精度的同時(shí)，提升了訓(xùn)練速度。孫燁辰等[11]利用集合經(jīng)驗(yàn)?zāi)B(tài)分解對(duì)樣本信號(hào)進(jìn)行分離，并結(jié)合脈沖耦合神經(jīng)網(wǎng)絡(luò)對(duì)各固有模態(tài)函數(shù)(Intrinsic mode functions,IMF)分量中的噪聲進(jìn)行濾除，實(shí)現(xiàn)了對(duì)信號(hào)的降噪。目前，多數(shù)識(shí)別方法針對(duì)泄漏流量大于0.1 m3/h的泄漏，對(duì)于更小泄漏的識(shí)別研究相對(duì)較少，及時(shí)發(fā)現(xiàn)微小泄漏并處理缺陷將一定程度上降低經(jīng)濟(jì)損失。在泄漏信號(hào)識(shí)別過(guò)程中，常在識(shí)別前對(duì)信號(hào)進(jìn)行消噪預(yù)處理，而在對(duì)含噪微泄漏信號(hào)進(jìn)行消噪時(shí)往往會(huì)由于過(guò)度濾波導(dǎo)致細(xì)節(jié)丟失，造成消噪預(yù)處理的方法在對(duì)微弱泄漏的識(shí)別中存在誤差，因此有必要探討對(duì)含噪微泄漏信號(hào)直接進(jìn)行識(shí)別的方法。

深度殘差收縮網(wǎng)絡(luò)(Deep residual shrinkage network,DRSN)是一種面向含噪數(shù)據(jù)的深度學(xué)習(xí)方法，利用殘差收縮模塊克服噪聲干擾，減輕深層網(wǎng)絡(luò)的訓(xùn)練負(fù)擔(dān)。盧錦玲等[12]將DRSN用于電力系統(tǒng)暫態(tài)穩(wěn)定評(píng)估中，利用DRSN直接對(duì)原始信號(hào)進(jìn)行特征提取與識(shí)別，獲得了較好的評(píng)估性能。車(chē)暢暢等[13]利用DRSN實(shí)現(xiàn)了對(duì)滾動(dòng)軸承的故障診斷，驗(yàn)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(shí)別準(zhǔn)確度?？紤]到在泄漏信號(hào)的采集中同樣存在大量非平穩(wěn)噪聲，在對(duì)含噪微泄漏的識(shí)別中，可利用DRSN對(duì)數(shù)據(jù)進(jìn)行自適應(yīng)降噪并挖掘原始數(shù)據(jù)的特征信息。

綜合上述問(wèn)題，本文提出利用一維DRSN構(gòu)造管道泄漏識(shí)別模型。以時(shí)序聲信號(hào)數(shù)據(jù)為樣本，添加不同含量噪聲，并使用熱編碼化對(duì)泄漏標(biāo)簽進(jìn)行編碼，構(gòu)成1×(n+m)型數(shù)據(jù)樣本，利用模型中的殘差項(xiàng)降低訓(xùn)練中的樣本特征損失，同時(shí)軟閾值化網(wǎng)絡(luò)可有效獲取樣本閾值，通過(guò)不同標(biāo)簽樣本集對(duì)模型進(jìn)行監(jiān)督訓(xùn)練，實(shí)現(xiàn)對(duì)含有噪聲的微泄漏信號(hào)的識(shí)別。

1 基于DRSN的泄漏識(shí)別模型

1.1 卷積神經(jīng)網(wǎng)絡(luò)的泄漏識(shí)別

卷積神經(jīng)網(wǎng)絡(luò)(Convolutional neural networks,CNN)是目前應(yīng)用最廣泛的識(shí)別與分類(lèi)網(wǎng)絡(luò)，一般由卷積層、池化層、批量歸一化層、激活函數(shù)等構(gòu)成。其中，卷積層主要用于對(duì)輸入數(shù)據(jù)進(jìn)行特征提取，而在對(duì)含有噪聲且有效信息不明顯的數(shù)據(jù)進(jìn)行處理時(shí)，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(hào)較小無(wú)法檢出與有用信息相關(guān)的特征[14]，這就導(dǎo)致輸出層所具有的學(xué)習(xí)能力不足以正確區(qū)分樣本類(lèi)型。

CNN在泄漏的識(shí)別方面已有應(yīng)用，如文獻(xiàn)[9]對(duì)最小流量為0.15 m3/h的閥門(mén)泄漏展開(kāi)研究，經(jīng)過(guò)時(shí)頻分析，得出泄漏信號(hào)的時(shí)頻圖呈橫向分布，通過(guò)改變卷積核形狀使網(wǎng)絡(luò)在特征提取時(shí)更好地獲取樣本特征，以提高識(shí)別率。而對(duì)于泄漏更小且含有噪聲的數(shù)據(jù)樣本，在繪制時(shí)頻圖時(shí)會(huì)由于采樣頻率較小造成數(shù)據(jù)失真，同時(shí)在模型部署時(shí)會(huì)增加轉(zhuǎn)換負(fù)擔(dān)。

本文實(shí)驗(yàn)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(shè)置為0.5 MPa、0.3 MPa、0.2 MPa，根據(jù)壓縮空氣流量計(jì)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(duì)壓力(kPa)，T為管內(nèi)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(shí)別方法與CNN識(shí)別方法對(duì)比，CNN結(jié)構(gòu)如表1所示，此處將不再使用時(shí)頻圖作為樣本進(jìn)行輸入，減去數(shù)據(jù)預(yù)處理過(guò)程，采用一維數(shù)據(jù)作為訓(xùn)練樣本對(duì)模型進(jìn)行訓(xùn)練。

表1 CNN結(jié)構(gòu)Table 1 CNN structure

1.2 深度殘差收縮網(wǎng)絡(luò)

深度殘差收縮網(wǎng)絡(luò)[14]是2019年由趙明航提出的一種改進(jìn)的深度殘差網(wǎng)絡(luò)(ResNet)模型，在ResNet中加入軟閾值化模塊和注意力機(jī)制[12]，使網(wǎng)絡(luò)具有自適應(yīng)對(duì)含噪數(shù)據(jù)樣本進(jìn)行閾值設(shè)定的能力，可對(duì)含噪數(shù)據(jù)進(jìn)行有效區(qū)分。

DRSN模型的核心為殘差收縮網(wǎng)絡(luò)單元，該單元利用軟閾值化函數(shù)和注意力機(jī)制[15]，實(shí)現(xiàn)對(duì)含噪數(shù)據(jù)進(jìn)行自適應(yīng)特征提取的功能。軟閾值化作為信號(hào)降噪中常用的降噪算法，可將輸入數(shù)據(jù)逐漸向零點(diǎn)方向進(jìn)行收縮，利用這個(gè)機(jī)制靈活對(duì)輸入樣本進(jìn)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(jù)輸入樣本自適應(yīng)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(jī)制可通過(guò)對(duì)輸入樣本的全局掃描，經(jīng)過(guò)深度堆疊后，學(xué)習(xí)網(wǎng)絡(luò)可發(fā)現(xiàn)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(quán)重，將權(quán)重與輸入特征相乘得到一組自適應(yīng)閾值τ，并以此作為軟閾值化函數(shù)的閾值。利用殘差收縮機(jī)制，可省略對(duì)信號(hào)的預(yù)處理過(guò)程，同時(shí)保證對(duì)含噪樣本的有效降噪和識(shí)別。

DRSN模型[14]如圖1所示，網(wǎng)絡(luò)是利用閾值獨(dú)立型殘差收縮單元(Residual shrinkage building unit with channel-wise thresholds,RSBU-CW)構(gòu)建的DRSN模型，C表示輸入樣本通道數(shù)，W表示輸入樣本寬度。在CNN模型基礎(chǔ)上加入殘差項(xiàng)，降低了多層訓(xùn)練過(guò)程中的樣本特征損失，利用殘差收縮模塊進(jìn)行特征激活，自適應(yīng)獲取閾值和自有權(quán)重，能減小甚至消除輸入樣本噪聲對(duì)訓(xùn)練造成的誤差，可有效降低不同噪聲對(duì)識(shí)別結(jié)果的影響，本文將利用圖1所示結(jié)構(gòu)構(gòu)造基于DRSN的含噪管道泄漏識(shí)別模型。

圖1 閾值獨(dú)立型DRSNFig.1 DRSN with channel-wise thresholds

1.3 基于DRSN的泄漏識(shí)別流程

在實(shí)際工況中，管道所處環(huán)境通常充斥著大量非平穩(wěn)機(jī)械噪聲，使得所采集的泄漏信號(hào)并不能清晰地展現(xiàn)出泄漏特征。常規(guī)的識(shí)別方法中，多利用小波分析對(duì)數(shù)據(jù)進(jìn)行降噪預(yù)處理，而在小波降噪中如何構(gòu)建最合適的小波函數(shù)以及如何確定軟閾值化函數(shù)閾值是一個(gè)較困難的問(wèn)題。為實(shí)現(xiàn)在含有噪聲干擾情況下對(duì)微泄漏信號(hào)的精準(zhǔn)識(shí)別，本文提出利用一維DRSN構(gòu)造泄漏識(shí)別模型，通過(guò)加入殘差收縮模塊，最大程度降低噪聲對(duì)網(wǎng)絡(luò)訓(xùn)練的影響，使網(wǎng)絡(luò)具有一定程度的抗噪能力，保證了識(shí)別的魯棒性。

泄漏識(shí)別模型構(gòu)造流程如圖2所示，模型訓(xùn)練以傳聲器采集時(shí)序信號(hào)為標(biāo)準(zhǔn)樣本，包括不同強(qiáng)度微泄漏信號(hào)、無(wú)泄漏信號(hào)、含有不同信噪比高斯噪聲的微泄漏信號(hào)、含有不同信噪比高斯噪聲的無(wú)泄漏信號(hào)。利用熱編碼化的方式對(duì)樣本進(jìn)行標(biāo)記，組成監(jiān)督學(xué)習(xí)數(shù)據(jù)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(xùn)練樣本長(zhǎng)度，m表示標(biāo)簽長(zhǎng)度，p表示總樣本數(shù)，l為類(lèi)別數(shù)，c表示通道數(shù)，取c為1。將數(shù)據(jù)樣本分為訓(xùn)練集、驗(yàn)證集、測(cè)試集，其中訓(xùn)練集用來(lái)訓(xùn)練識(shí)別模型，驗(yàn)證集進(jìn)行模型驗(yàn)證以及參數(shù)調(diào)整，測(cè)試集對(duì)訓(xùn)練后的模型進(jìn)行評(píng)估。在訓(xùn)練中充分發(fā)揮殘差收縮模塊功能，利用殘差項(xiàng)降低訓(xùn)練中的樣本特征損失，削弱噪聲對(duì)訓(xùn)練過(guò)程的影響，通過(guò)訓(xùn)練建立泄漏識(shí)別模型。最后利用訓(xùn)練模型對(duì)測(cè)試集樣本進(jìn)行預(yù)測(cè)，評(píng)估噪聲下泄漏識(shí)別模型的有效性。

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

本文所用的DRSN結(jié)構(gòu)包括卷積層、三層殘差收縮單元、標(biāo)準(zhǔn)化層、ReLU激活函數(shù)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(dú)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(dú)立型殘差收縮單元可以根據(jù)不同通道噪聲獲取不同閾值，因此在降噪處理時(shí)，閾值獨(dú)立型殘差收縮單元具有更強(qiáng)的準(zhǔn)確性和靈活性。另外，損失函數(shù)采用如式(3a)所示的categorical_crossentropy分類(lèi)交叉熵函數(shù)，式(3a)中，n表示樣本數(shù)，m表示分類(lèi)數(shù)；采用式(3b)所示的ReLU函數(shù)作為激活函數(shù)避免出現(xiàn)梯度消失問(wèn)題，當(dāng)x≤0時(shí)，f′(x)=0，當(dāng)x＞0時(shí)，f′(x)=1；在全連接層采用式(3c)所示的softmax函數(shù)輸出識(shí)別不同程度泄漏的可能率，式(3c)中，C表示類(lèi)別數(shù)，zi表示第i個(gè)類(lèi)別的輸出值。

2 實(shí)驗(yàn)與結(jié)果分析

2.1 實(shí)驗(yàn)設(shè)備與環(huán)境

在實(shí)驗(yàn)室搭建氣體管道泄漏實(shí)驗(yàn)平臺(tái)，如圖3所示。平臺(tái)主要部件包括靜音空壓機(jī)、穩(wěn)壓罐、管道主體、測(cè)量?jī)x表、調(diào)節(jié)閥、泄漏試件等。為模擬中低壓管道運(yùn)行狀態(tài)，靜音空壓機(jī)支持最大表壓為1.2 MPa，實(shí)驗(yàn)表壓在1.0 MPa以下。實(shí)驗(yàn)平臺(tái)通過(guò)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(shí)驗(yàn)平臺(tái)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(hào)采集系統(tǒng)采用自主搭建的泄漏信號(hào)采集平臺(tái)，平臺(tái)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(mǎn)足10 Hz～90 kHz頻率范圍內(nèi)的有效響應(yīng)，采集卡采用高頻高速采集卡(SPECTRUM,M4i.4450)，實(shí)驗(yàn)中采樣頻率采用1 MHz，工控機(jī)操作系統(tǒng)為Windows，并安裝有自主開(kāi)發(fā)的泄漏信號(hào)采集軟件，滿(mǎn)足信號(hào)采集和分析功能。采集時(shí)探頭與聲源之間的位置關(guān)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(hào)采集系統(tǒng)Fig.5 Leakage signal acquisition system

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

2.2 結(jié)果分析

2.2.1 不同泄漏強(qiáng)度下識(shí)別分析

本次測(cè)試中主要針對(duì)微泄漏進(jìn)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(wú)添加模擬噪聲，采集數(shù)據(jù)如圖7所示，其中圖7(a)為上游壓力為0.2 MPa時(shí)傳聲器所采集的數(shù)據(jù)，圖7(b)為無(wú)泄漏時(shí)傳聲器所采集的數(shù)據(jù)，由此可見(jiàn)微泄漏所產(chǎn)生的聲信號(hào)與環(huán)境噪聲信號(hào)在時(shí)域上不易區(qū)分。

圖7 小孔氣體泄漏與實(shí)驗(yàn)室環(huán)境噪聲時(shí)域信號(hào)對(duì)比Fig.7 Comparison of time domain signals of gas micro leakage and laboratory environmental noise

通過(guò)利用如表2所示的二分類(lèi)數(shù)據(jù)集分別對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，基于DRSN的含噪微泄漏識(shí)別方法在不同泄漏強(qiáng)度下表現(xiàn)出較明顯優(yōu)勢(shì)。圖8為網(wǎng)絡(luò)分別對(duì)3種不同強(qiáng)度泄漏的識(shí)別準(zhǔn)確率以及損失函數(shù)，在3種不同壓力情況下，DRSN展現(xiàn)出較強(qiáng)的微小信號(hào)特征提取能力，對(duì)不同的壓力情況均能實(shí)現(xiàn)較高的識(shí)別準(zhǔn)確率。

表2 數(shù)據(jù)集分布Table 2 Data set distribution

圖8 不同泄漏強(qiáng)度下DRSN訓(xùn)練過(guò)程Fig.8 DRSN training process under different leakage intensity

為進(jìn)一步驗(yàn)證基于DRSN對(duì)不同泄漏強(qiáng)度泄漏信號(hào)的識(shí)別，通過(guò)改變?chǔ)?.1 mm泄漏孔的上游壓力來(lái)調(diào)節(jié)泄漏強(qiáng)度，泄漏信號(hào)均采自距離泄漏源40 mm處。建立多類(lèi)別的數(shù)據(jù)集，類(lèi)別定義如表3所示，多分類(lèi)數(shù)據(jù)集結(jié)構(gòu)如表4所示，其中每條信號(hào)的數(shù)據(jù)量縮至1/16，提高訓(xùn)練速度，驗(yàn)證網(wǎng)絡(luò)的容差能力。

表3 多類(lèi)型信號(hào)定義Table 3 Definition of multiple type signals

表4 不含噪多分類(lèi)數(shù)據(jù)集Table 4 Non-noise multi-classification dataset

對(duì)比CNN和DRSN，在樣本不含其他噪聲的情況下，二者的訓(xùn)練識(shí)別率均能達(dá)到99%以上，新取不含噪數(shù)據(jù)樣本對(duì)二者所得模型進(jìn)行測(cè)試。由測(cè)試結(jié)果圖9可知，DRSN對(duì)不同泄漏強(qiáng)度的新樣本仍能保持較好的識(shí)別準(zhǔn)確率，而利用CNN對(duì)新樣本識(shí)別時(shí)，在上游壓力0.2 MPa的泄漏中類(lèi)別中，由于泄漏信號(hào)微弱，出現(xiàn)明顯的識(shí)別錯(cuò)誤。

2.2.2 含模擬噪聲泄漏的識(shí)別分析

在實(shí)際的檢測(cè)過(guò)程中，由于復(fù)雜的工作環(huán)境不可避免地會(huì)存在各種嘈雜噪聲。因此，為模擬上述現(xiàn)象，將在原數(shù)據(jù)基礎(chǔ)上疊加高斯噪聲，根據(jù)信噪比(Signal-to-noise ratio,SNR)計(jì)算公式

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

通過(guò)對(duì)上游壓力0.2 MPa、泄漏孔徑φ0.1 mm、信噪比20 dB的泄漏信號(hào)與僅環(huán)境噪聲信號(hào)進(jìn)行濾波并利用式(5)計(jì)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(shù)分別為5、10，閾值函數(shù)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(shù)據(jù)點(diǎn)個(gè)數(shù)，Xn表示第n個(gè)離散數(shù)據(jù)點(diǎn)的值。

由圖10(a)可知，在無(wú)濾波時(shí)微弱泄漏的平均功率與5次測(cè)試的環(huán)境噪聲平均功率多次出現(xiàn)雜糅，這是由于微弱泄漏信號(hào)被復(fù)雜的環(huán)境噪聲淹沒(méi)；由圖10(b)可知，經(jīng)過(guò)5層小波濾波后，一定程度上使泄漏信號(hào)與環(huán)境噪聲之間的功率大小出現(xiàn)區(qū)分，但仍存在雜糅情況；進(jìn)一步增加分解層數(shù)，如圖10(c)可知，在小波層數(shù)達(dá)到10后，微泄漏信號(hào)與環(huán)境噪聲幾乎很難區(qū)別，這是由于泄漏強(qiáng)度較小且噪聲復(fù)雜，經(jīng)過(guò)多次小波分解后導(dǎo)致信號(hào)細(xì)節(jié)丟失，使其在平均能量值上無(wú)法與環(huán)境噪聲分離。由此可知，在利用傳統(tǒng)濾波并計(jì)算平均功率值的泄漏識(shí)別方法時(shí)，很難確定合適的小波基、閾值以及分解層數(shù)。

圖10 微小泄漏與無(wú)泄漏平均能量對(duì)比Fig.10 Comparison of average energy between small leakage and no leakage

利用DRSN對(duì)含噪微泄漏信號(hào)進(jìn)行識(shí)別。為驗(yàn)證DRSN對(duì)噪聲的抑制能力和對(duì)細(xì)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(jìn)行疊加，模擬噪聲污染，以此建立數(shù)據(jù)集。

圖11為上游壓力0.2 MPa、噪聲含量不同的識(shí)別情況，可以看出噪聲的含量對(duì)網(wǎng)絡(luò)訓(xùn)練次數(shù)影響并不大，這是因?yàn)橥ㄟ^(guò)加入殘差收縮網(wǎng)絡(luò)加強(qiáng)了深度神經(jīng)網(wǎng)絡(luò)從含噪聲信號(hào)中提取有用特征的能力，因此DRSN在含噪微泄漏識(shí)別中展現(xiàn)出較好的訓(xùn)練魯棒性。

圖11 不同噪聲含量下DRSN訓(xùn)練過(guò)程Fig.11 DRSN training process under different noise contents

對(duì)比CNN和DRSN，待訓(xùn)練結(jié)果穩(wěn)定后，二者均能達(dá)到較好的識(shí)別結(jié)果。新取含噪樣本對(duì)二者的網(wǎng)絡(luò)進(jìn)行測(cè)試，測(cè)試結(jié)果如表5所示。由此可見(jiàn)兩種網(wǎng)絡(luò)在對(duì)無(wú)泄漏信號(hào)進(jìn)行識(shí)別時(shí)均能達(dá)到較好的識(shí)別精度，但在對(duì)低上游壓力的含噪泄漏識(shí)別時(shí)，CNN的識(shí)別準(zhǔn)確率較低，而在實(shí)際情況中微小泄漏的誤判會(huì)造成一定程度的損失。隨著噪聲含量的增加，CNN的測(cè)試準(zhǔn)確率減小，在對(duì)信噪比為20 dB的含噪微泄漏識(shí)別時(shí)，平均準(zhǔn)確率不足95%。而DRSN對(duì)于不同噪聲含量的微泄漏信號(hào)在測(cè)試中均能達(dá)到98%以上的識(shí)別率，這是由于相比CNN，DRSN中不僅加入恒等映射減小網(wǎng)絡(luò)訓(xùn)練難度，同時(shí)

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

加入了軟閾值化函數(shù)和注意力機(jī)制，使網(wǎng)絡(luò)在訓(xùn)練過(guò)程中能夠自適應(yīng)設(shè)置閾值，對(duì)于噪聲的處理過(guò)濾能力更強(qiáng)，對(duì)小信號(hào)的識(shí)別準(zhǔn)確率更高。

2.2.3 風(fēng)機(jī)噪聲模擬驗(yàn)證

排風(fēng)系統(tǒng)是化工運(yùn)輸密閉場(chǎng)所內(nèi)最常見(jiàn)的安全設(shè)施，因此在實(shí)際驗(yàn)證中，將選取風(fēng)機(jī)作為主要的噪聲源，通過(guò)調(diào)節(jié)風(fēng)機(jī)強(qiáng)度制造不同噪聲。利用傳聲器對(duì)含噪環(huán)境中的微泄漏進(jìn)行采集，并以此作為樣本對(duì)模型進(jìn)行訓(xùn)練與測(cè)試，經(jīng)過(guò)計(jì)算得到不同泄漏強(qiáng)度的含噪信號(hào)的平均峰值信噪比均小于50 dB。通過(guò)訓(xùn)練獲得驗(yàn)證模型，并利用新采集實(shí)際數(shù)據(jù)作為樣本進(jìn)行模型測(cè)試，測(cè)試結(jié)果如圖12所示。

圖12 風(fēng)機(jī)模擬測(cè)試結(jié)果對(duì)比Fig.12 Comparison of wind turbine simulation test results

由此可知，DRSN在對(duì)實(shí)際采樣數(shù)據(jù)識(shí)別時(shí)仍具有出較高的準(zhǔn)確率，對(duì)于含噪微泄漏信號(hào)的識(shí)別，DRSN均能實(shí)現(xiàn)較好的識(shí)別效果，因此DRSN可用于對(duì)含噪泄漏信號(hào)的識(shí)別。

3 結(jié)論

本文對(duì)含噪微弱泄漏的識(shí)別方法進(jìn)行了研究，提出以一維時(shí)域信息作為輸入樣本，利用DRSN對(duì)樣本進(jìn)行識(shí)別的方法，通過(guò)實(shí)驗(yàn)驗(yàn)證，所得結(jié)論如下：

(1)根據(jù)泄漏上游壓力不同，建立多泄漏強(qiáng)度數(shù)據(jù)集，驗(yàn)證了DRSN在對(duì)不同強(qiáng)度泄漏信號(hào)時(shí)均具有較強(qiáng)的識(shí)別性能，在對(duì)較高雜糅混合的泄漏數(shù)據(jù)進(jìn)行識(shí)別時(shí)具有較強(qiáng)的區(qū)分能力。

(2)利用高斯噪聲模擬環(huán)境噪聲，通過(guò)改變?cè)肼暫?，?yàn)證了噪聲的含量并不會(huì)DRSN迭代次數(shù)產(chǎn)生較明顯的影響，且在對(duì)含噪泄漏信號(hào)進(jìn)行識(shí)別時(shí)仍能保持較強(qiáng)的魯棒性。

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