一种基于深度学习的铝液泄露检测方法及系统与流程

本发明属于智能预警，尤其涉及一种基于深度学习的铝液泄露检测方法及系统。

背景技术：

1、在现代工业生产过程中，铝液的处理和运输是一项关键环节，尤其在高温熔炼和铸造过程中，铝液的安全管理至关重要。铝液泄露不仅会导致显著的资源浪费，还可能引起火灾和工人伤害，对生产安全和企业经济效益造成重大影响。传统的铝液泄露监测方法主要依赖于视觉检查和定期维护，这些方法往往不能实时响应泄露事件，而且在复杂的工业环境下，工人可能难以及时发现泄露点，导致泄露事故的发生。

2、随着技术的进步，一些自动化监测系统开始被应用于铝液泄露的检测中，这些系统多采用温度传感器、压力传感器等物理传感器进行监测。然而，这些基于物理传感器的方法存在一定的局限性。首先，它们对安装位置和环境条件有较高的要求，传感器的准确性会受到周围环境变化的影响，如温度波动或机械振动可能会导致误报。其次，物理传感器往往无法提供足够快的响应速度来及时发现泄露初期，特别是在铝液泄露量较小的情况下，传统传感器的检测灵敏度可能不足以触发报警。

3、近年来，声音识别技术的发展为铝液泄露检测提供了新的解决方案。通过分析铝液与冷却介质接触时产生的特定声音特征，可以实现对泄露事件的实时监控。然而，现有的基于声音识别的监测系统在实际应用中仍面临着多项挑战。一方面，工业环境中的背景噪声干扰较大，容易影响声音识别的准确率；另一方面，现有系统的泛化能力有限，对于不同的生产环境和设备配置，系统的适应性和灵活性不足，需要大量的定制化调整才能满足实际应用需求。因此，如何提高声音识别系统在嘈杂环境中的准确性和适应性，成为当前技术发展中亟待解决的问题。

技术实现思路

1、本发明的目的设计一种基于深度学习的铝液泄露检测方法及系统，集成了深度学习和多模态数据融合的创新点，旨在克服传统监测方法的局限性，实现对铝液泄露的高灵敏度、高准确度及时检测。

2、为了达到上述目的，在本发明第一方面提供了一种基于深度学习的铝液泄露检测方法，所述方法包括：

3、s1、在铝井冷却液下方安装拾音器用于声音采集，同时布置温度和压力传感器对温度和压力进行采集，将声音、温度和压力组成多模态数据，并对多模态数据进行预处理；

4、s2、利用声音数据构建自适应噪声抑制模型；

5、s3、对多模态数据进行数据融合，提取铝液泄露的关键特征；

6、s4、采用迁移学习技术对自适应噪声抑制模型进行预训练，并结合标注数据进行微调；其中，训练的损失函数为

7、

8、其中，yi表示第i个样本的真实标签；pi表示模型预测的概率；ni表示估计的环境噪声水平；h(pi,ni)表示噪声适应项，用于调整模型对噪声的敏感性；λ表示调节系数，用于平衡分类损失和噪声适应损失；

9、s5、对数据进行实时监控，若存在铝液泄露异常，触发警报。

10、进一步地，对于采集到的声音首先进行预加重和窗口切分，然后利用快速傅里叶变换获取频谱信息和提取梅尔频率倒谱系数，捕捉铝液泄露声音的特征，公式表示如下：

11、设s(t)为声音信号，声音的特征mfcc提取过程表示为:

12、

13、其中，dct表示离散余弦变换，filterbank表示梅尔滤波器组，t表示时间阈，mfcc表示声音的特征。

14、进一步地，所述预处理包括归一化处理，表示如下：

15、

16、其中，x表示任意传感器数据，μ和σ分别表示x的均值和标准差。

17、进一步地，所述s2具体包括：

18、s21、实时计算当前环境背景噪声的功率谱密度psd(f)，表示如下：

19、

20、其中，x(t)表示时间域t内的声音信号，fft表示快速傅里叶变换，n表示样本数，f表示频率；

21、s22、根据功率谱密度psd(f)计算动态滤波系数，用于适应当前的噪声环境，表示如下：

22、

23、其中，α(f)表示频率f处的滤波系数，θ表示根据环境噪声等级预设的阈值；

24、s23、采用动态滤波系数对声音信号进行去噪处理，表示如下：

25、sclean(f)＝sraw(f)·α(f)

26、其中，sraw(f)表示原始声音信号的频率域表示，sclean(f)表示去噪后的信号；

27、s24、通过逆傅里叶变换将去噪后的信号转换回时间域，表示如下：

28、sclean(t)＝ifft(sclean(f))。

29、进一步地，所述s3中，所述对多模态数据进行数据融合的融合特征向量fc表示如下：

30、fc＝dnn(x′1，x′2，...，x′n)

31、其中，x′i为第i种传感器标准化后的数据，dnn表示深度神经网络；其中，所述深度神经网络包括卷积神经网络和循环神经网络。

32、进一步地，利用自动编码器ae处理深度融合特征向量fc，提取最有利于铝液泄露检测的关键特征fopt，表示如下：

33、fopt＝ae(fc)

34、进一步地，将经过关键特征fopt输入到分类器中，进行铝液泄露的判断，表示如下：

35、leak_detection＝c(fopt)

36、其中，leak_detection表示泄露检测结果，c表示分类器。

37、进一步地，所述s4中，采用自适应学习率的随机梯度下降方法对所述损失函数进行优化，表示为：

38、

39、其中，θt表示第t次迭代的模型参数；αt表示自适应学习率，根据训练进度动态调整；表示损失函数l关于参数θ的梯度。

40、进一步地，所述s5具体包括：将融合好的特征输入训练好的模型预测得分，判断得分是否高于设定的阈值从而判断是否铝液泄露。

41、在本发明的第二方面提供了一种基于深度学习的铝液泄露检测系统，所述系统包括：

42、数据采集单元，用于在铝井冷却液下方安装拾音器用于声音采集，同时布置温度和压力传感器对温度和压力进行采集，将声音、温度和压力组成多模态数据，并对多模态数据进行预处理；

43、模型构建单元，用于利用声音数据构建自适应噪声抑制模型；

44、数据融合单元，用于对多模态数据进行数据融合，提取铝液泄露的关键特征；

45、模型训练单元，用于采用迁移学习技术对自适应噪声抑制模型进行训练，并结合标注数据进行微调；其中，训练的损失函数为

46、

47、其中，yi表示第i个样本的真实标签；pi表示模型预测的概率；ni表示估计的环境噪声水平；h(pi，ni)表示噪声适应项，用于调整模型对噪声的敏感性；λ表示调节系数，用于平衡分类损失和噪声适应损失；

48、实时预警单元，用于对数据进行实时监控，若存在铝液泄露异常，触发警报。

49、本发明的有益技术效果至少在于以下几点：

50、(1)本发明本通过融合声音数据与温度、压力等多种传感器数据，利用深度学习技术进行数据融合和特征提取，显著提高了对铝液泄露事件的识别准确率。这种多模态融合方法利用各种传感器数据的互补性，增强了系统在复杂环境下的鲁棒性，有效避免了单一传感器因环境变化导致的误报。

51、(2)本发明考虑到工业环境中背景噪声的干扰，采用了基于深度学习的自适应噪声抑制模型，能够根据实时环境噪声水平动态调整噪声抑制策略。这种技术显著提高了声音识别模块在嘈杂环境中的准确性，确保铝液泄露声音的有效检测。

52、(3)为了提高系统在不同生产环境中的适应性和灵活性，本发明采用迁移学习和快速适应技术，使系统能够利用预先训练的模型，并通过少量的本地化数据快速调整以适应新的监测环境。这种方法大大减少了系统部署的时间和成本，提高了系统的实用性。