基于声纹解析的管道微小渗漏震动分析方法与流程

本发明涉及管道监控，尤其涉及一种基于声纹解析的管道微小渗漏震动分析方法。

背景技术：

1、在现代城市基础设施管理中，管道系统的健康和完整性对于确保公共安全和资源效率至关重要。特别是在供水和天然气管道领域，准确和及时地检测渗漏事件是避免重大资源浪费和潜在的环境危害的关键。尽管如此，现有的管道渗漏检测技术在多个方面仍存在显著的局限性。

2、传统的渗漏检测技术，如基于声波的检测方法，尽管广泛使用，但在复杂的城市环境中，其效果经常受到限制。这些方法通常依赖于捕捉由渗漏引起的声波异常，然而，在高噪音的城市背景下，外部噪声(如交通、建筑作业等)可能严重干扰声波信号的识别和分析。此外，这些方法对于微小渗漏的检测能力有限，特别是在早期阶段，当渗漏信号弱而不易区分时。

3、现有技术在数据处理和分析方面也面临挑战。随着管道监控系统变得越来越先进，产生的数据量急剧增加。然而，大多数传统方法在自动化和智能化处理这些数据方面能力不足，导致在分析和响应上的延迟。此外，许多传统的检测方法缺乏对渗漏特征的深入学习和适应能力。它们往往依赖于预设的规则和简单的阈值，难以应对多变的环境条件和管道状态，尤其是在面对微小或初期渗漏时。因此，如何提供一种基于声纹解析的管道微小渗漏震动分析方法是本领域技术人员亟需解决的问题。

技术实现思路

1、本发明的一个目的在于提出一种基于声纹解析的管道微小渗漏震动分析方法，本发明通过结合卷积神经网络模型和生成对抗网络模型以及支持向量机模型，能够更准确地识别微小渗漏的声波特征。

2、根据本发明实施例的一种基于声纹解析的管道微小渗漏震动分析方法，包括如下步骤：

3、s1、收集管道在正常工作状态和渗漏状态下的声波数据，用于训练和优化卷积神经网络模型和生成对抗网络模型，所述渗漏状态下的声波数据包括由于渗漏引起的频率、振幅和相位的变化；

4、s2、对收集到的声波数据进行去噪、归一化处理以及通过高通滤波器消除低频噪音；

5、s3、使用卷积神经网络模型对预处理后的声波数据进行用于识别与渗漏状态相关的声波模式的特征提取；

6、s4、利用生成对抗网络优化卷积神经网络模型的特征提取能力，所述生成对抗网络的生成器用于模拟管道渗漏的声波特征，判别器用于区分模拟声波和实际采集的声波，完成对卷积神经网络模型和生成对抗网络模型的训练和优化；

7、s5、引入支持向量机模型对卷积神经网络模型提取和生成对抗网络模型生成的管道状态的特征数据进行分类，训练支持向量机模型学习特征数据用于区分出管道的正常工作状态和渗漏状态；

8、s6、接收传感器新收集的声波数据，根据实际声波数据的复杂度选择卷积神经网络模型或者支持向量机模型对传感器新收集的声波数据进行分析，判断当前的管道状态是正常工作状态还是渗漏状态。

9、可选的，所述s1具体包括：

10、s11、在管道的多个位置安装声波传感器，用于捕获管道内部和外部的声波信号，所述声波传感器安装位置的选择基于管道长度、管道直径、管道材质和流体运行状态确定；

11、s12、采集的声波数据包含频率范围从fmin至fmax，其中，fmin和fmax分别表示管道操作条件下可检测的最低和最高频率，频率范围的确定包括考虑环境噪声、管道材料的声学特性和流体的动态行为；

12、s13、在声波数据采集过程中，实时监控管道环境温度、管道压力和管道湿度，并对环境因素的影响进行校正：

13、c(t,p,h)＝αt+βp+γh；

14、其中，t、p和h分别代表管道环境温度、管道压力和管道湿度，α、β和γ为校正系数；

15、s14、确定声波数据的采集周期，用于包含管道正常工作和异常状态下的声波特征。

16、可选的，所述s11具体包括：

17、s111、在传感器中引入了自适应过滤机制，用于动态调整传感器对特定频率范围内声波的敏感度，所述自适应过滤机制通过实时分析环境噪声特征，自动调整传感器的频率响应范围：

18、

19、其中，f(f)表示在频率f下的过滤响应，f0是目标检测频率，k是调整系数，用于控制过滤器的敏感度；

20、s112、使用基于声波传播特性的优化模型通过管道的几何参数和声波在管道材料中的传播速度计算确定传感器的较佳安装位置：

21、

22、其中，pi表示第i个传感器的位置，l是管道的总长度，n是传感器的总数量，i是传感器的序号；

23、s113、通过s112给出的较佳安装位置结合分析过去的渗漏事件和管道的物理特性，生成一个指示渗漏可能性最高的区域的热图，以热图为依据生成传感器的最佳安装位置。

24、可选的，所述s2具体包括：

25、s21、采用基于小波变换的方法去除声波数据中的环境噪音：

26、

27、其中，d(x,m,f)表示根据管道材质m和流体特性f的去噪数据，dwt和idwt分别是小波变换和逆小波变换，k(m,f)表示根据管道材质m和流体特性f确定的小波分解层数，tk,m,f是第k层的阈值，⊙表示逐元素乘法；

28、所述小波去噪的过程包括将声波数据分解为不同的频率层次、在每个层次上应用阈值处理以消除噪声和重构数据；

29、s22、通过管道内部流体的状态变化对声波传播的影响，对声波数据进行归一化处理，用于消除不同传感器之间的数据差异：

30、

31、其中，n(x,t,p)表示在温度t和压力p条件下的归一化后的数据，x是原始数据，μ(t,p)和σ(t,p)分别是在温度t和压力p条件下数据的均值和标准差；

32、s23、应用高通滤波器消除低频噪音，所述高通滤波器的截止频率设置为λ,其中，λ为声波数据中最低的预期渗漏信号频率：

33、

34、其中，fambient是环境噪声的预估最高频率，e(s)代表管道材料的弹性模量，v是流体的流速。

35、可选的，所述s3具体包括：

36、s31、生成卷积神经网络模型，包括输入层、多个卷积层、池化层和输出层，每个所述卷积层通过应用一组过滤器来提取声波数据中的特征，通过池化层进行下采样：

37、cnn(x)＝outputlayer(pooling(conv(x)))；

38、其中，x表示输入的声波数据，conv表示卷积层的操作，pooling表示池化层的操作；

39、s32、在卷积层中使用relu激活函数：

40、s33、采用反向传播算法和梯度下降法优化卷积神经网络模型的参数；

41、s34、使用交叉验证方法来评估卷积神经网络模型的性能。

42、可选的，所述设计卷积神经网络模型具体包括：

43、采用深度可变结构，根据声波数据的特性动态调整卷积层和池化层的数量：

44、

45、其中，x是输入数据，d是模型深度，convi和poolingi分别是第i层的卷积和池化操作，表示连续层的串联；

46、在每个卷积层中引入自适应过滤器尺寸，所述过滤器尺寸根据输入与微小渗漏相关的特征数据的特征频谱进行动态调整：

47、filtersizei＝round(σ(f)×ci)；

48、其中，filtersizei是第i个卷积层的过滤器尺寸，σ(f)是输入数据频谱的标准差，ci是一个系数，根据层的深度确定；

49、针对声波数据的时间序列特性，设计特殊的时间卷积层捕捉时间维度上的模式和变化。

50、可选的，所述s4具体包括：

51、s41、生成生成对抗网络模型，包括一个生成器和一个判别器：

52、g(z)＝gennet(z)；

53、d(x)＝disnet(x)；

54、其中，g(z)是生成器输出的模拟渗漏声波数据，d(x)是判别器对输入数据x进行判别区分生成器产生的模拟数据和实际收集的声波数据，gennet和disnet分别表示生成器和判别器的网络结构，z是生成器的输入噪声向量；

55、所述生成器负责产生与实际声波数据类似的合成数据，所述判别器的任务是区分合成数据和真实数据；

56、s42、采用对抗训练策略训练生成对抗网络模型，训练过程中的损失函数可表示为：

57、lgan＝log(d(x))+log(1-d(g(z)))；

58、其中，lgan是生成对抗网络的损失函数，x是真实声波数据，g(z)是生成器产生的合成声波数据；

59、s43、生成集成机制：

60、cnnintegrated(x)＝cnnmid(g(z))⊕cnnend(x)；

61、其中，cnnintegrated(x)是集成了生成对抗网络生成器的卷积神经网络模型模型输出，cnnmid是卷积神经网络模型的中间层，cnnend是卷积神经网络模型的后续层，g(z)是生成器产生的数据，⊕表示将生成对抗网络生成器的输出与卷积神经网络模型中间层的输出进行合并；

62、通过集成机制允许生成对抗网络生成器直接与卷积神经网络模型的中间层相连，使得生成对抗网络生成器产生的数据能够在卷积神经网络模型的深层中直接影响特征提取过程；

63、生成动态数据增强策略：

64、z′＝fadjust(z,e)；

65、其中，z′是调整后的生成器输入，fadjust是基于卷积神经网络模型误差率e的调整函数，z是原始生成器输入；

66、生成对抗网络生成器根据卷积神经网络模型在训练过程中的表现动态调整生成数据的特征，通过分析卷积神经网络模型在特定类别或情况下的误差率来指导生成对抗网络生成器产生样本；

67、生成反馈循环机制：

68、

69、其中，gnew是优化后的生成器，η是学习率，是生成器的损失函数梯度，y是真实标签；

70、其中，卷积神经网络模型的输出用于进一步优化生成器，学习产生更符合卷积神经网络模型学习需求的数据。

71、s44、实施基于生成对抗网络生成器数据的微调策略，卷积神经网络模型使用实际声波数据和由生成对抗网络生成器产生的模拟渗漏数据进行训练，调整卷积神经网络模型的权重，以减少生成对抗网络生成器数据和真实数据之间的差异：

72、

73、其中，lfine-tune是微调过程中的损失函数，n是数据点的数量，yi是真实标签，是卷积神经网络模型的预测标签；

74、使用rmsprop优化算法对卷积神经网络模型进行微调：

75、

76、其中，θnew和θold分别是模型参数的新值和旧值，η是学习率，

77、可选的，所述s5具体包括：

78、s51、定制支持向量机核函数以适应正常工作状态和渗漏状态下的声波数据特性：

79、

80、其中，k(xi,xj)是核函数，γ(f,a,φ)表示基于声波数据特性的函数，根据渗漏状态下的频率、振幅和相位的变化来调整核函数的带宽参数，n是特征的维数，p是指数；

81、在核函数内引入一个状态指示变量s，用来区分正常工作状态和渗漏状态的声波数据：

82、γ(f,a,φ,s)＝γ0·(1+s·(δf·|f-f0|δa·|a-a0|δφ·|φ-φ0|))；

83、其中，γ0是核函数的基础带宽参数，δf、δa和δφ是调整系数，定义频率f、振幅a和相位φ与γ参数的关系，f0、a0和φ0是渗漏状态下的参考值；

84、当s＝0时，代表声波数据来自正常工作状态，核函数将使用基础带宽参数γ0；

85、当s＝1时，代表声波数据来自渗漏状态，核函数将调整γ反映频率、振幅和相位的变化；

86、实施基于声波数据特性的优化策略调整支持向量机的超参数：

87、

88、集成动态数据重加权机制：

89、wi＝exp(-αl(yi,f(xi；c,γ)))；

90、s52、使用从生成对抗网络和卷积神经网络模型得到的特征数据训练支持向量机模型，训练过程包括提供包含已标记的正常和渗漏状态数据的训练集以及应用适当的损失函数优化模型参数。

91、可选的，所述s52具体包括：

92、s521、集成生成对抗网络模型和卷积神经网络模型的特征数据，特征集成表示为：

93、xintegrated＝concat(xcnn,xgan)；

94、其中，xintegrated是集成后的特征数据集，由生成对抗网络模型提取的特征xcnn和卷积神经网络模型提供的模拟特征xgan组合而成；

95、s522、使用集成的特征数据xintegrated和对应的标签训练支持向量机模型，找到最佳的决策边界以区分正常工作状态和渗漏状态：

96、

97、其中，lsvm表示支持向量机模型的损失函数，w和b是支持向量机模型的参数，c是正则化参数，控制着模型对错误分类的惩罚程度，n是训练样本的数量，xintegrated,i是集成特征数据集xintegrated中的第i个样本，yi是对应的标签，表示样本处于正常工作状态或渗漏状态；

98、s523、在训练过程中，应用优化算法调整支持向量机模型的参数，确保模型能够有效地区分正常工作状态和渗漏状态的特征：

99、

100、其中，wnew和wold分别代表模型参数的新值和旧值，η表示学习率，是损失函数相对于参数w的梯度。

101、可选的，所述s6具体包括：

102、s61、确定用于渗漏检测的阈值θ：

103、θ＝μleak-σleak×k；

104、其中，μleak和σleak分别是渗漏状态数据特征的均值和标准差，k是调整因子；

105、s62、对传感器新收集的声波数据进行预处理，判断将预处理后的声波数据输入到卷积神经网络模型中，并获取模型的输出：

106、ycnn＝cnn(xnew)；

107、其中，ycnn是卷积神经网络模型的输出，xnew是新收集的声波数据；

108、s63、基于卷积神经网络模型的输出，判断当前状态是正常还是渗漏：

109、

110、s64、判断将预处理后的声波数据输入到支持向量机模型中，使用训练好的支持向量机模型对新的声波数据进行分析判断是否存在渗漏，如果支持向量机模型输出的得分超过阈值θ，则判定该段管道为渗漏，反之，则判定该段管道为未渗漏；

111、所述s64具体包括：

112、s641、通过预处理将新的声波数据转化为适合支持向量机模型分析的格式；

113、s642、使用支持向量机模型对预处理后的数据进行分类，以判断是否存在渗漏，分类的决策函数为：

114、

115、其中，f(x；μ)是分类决策函数，μ表示包含频率f、振幅a和相位φ的决策向量，n是支持向量的数量，αi是训练过程中确定的权重，yi是支持向量的标签，k(xi,x,μ)是依赖于数据点的位置和声波数据特性参数的核函数，b是一个阈值，用于区分正常状态和渗漏状态的声波数据；

116、

117、其中，ρ表示一个函数，用来比较频率、振幅和相位的差异，fi、ai和φi是训练数据集中的相应特性值，f、a和φ是测试点的声波特性值；

118、s643、对支持向量机模型的输出应用一个滑动窗口来平滑分类结果：

119、

120、其中，ysmooth是平滑后的分类结果，w是滑动窗口的大小，yj是窗口内的原始分类结果；

121、s65、结合实时对环境温度和压力的监控数据，调整模型的阈值θnew：

122、θnew＝θ+δ(t,p)；

123、其中，δ(t,p)是根据环境温度t和压力p计算的调整量。

124、本发明的有益效果是：

125、(1)本发明通过结合卷积神经网络模型和生成对抗网络模型，能够更准确地识别微小渗漏的声波特征，卷积神经网络模型提供了深度特征提取的能力，而生成对抗网络模型通过生成模拟数据增强了模型对各种渗漏情况的适应性，特别是在早期渗漏检测中，显著提高了准确率，同时，能够有效地减少环境噪音和其他干扰因素的影响，如城市背景下的交通噪声，提高了在嘈杂环境中的检测能力。

126、(2)本发明方法允许通过支持向量机模型进行定制化配置，以适应不同类型的管道系统和特定的应用场景，能够快速处理和分析大量的声波数据，对于规模庞大的现代城市管道系统尤其重要，这种效率的提升降低了运营成本，同时提高了响应速度。。