一种风管泄漏信号检测方法及系统技术方案

本发明专利技术涉及一种风管泄漏信号检测方法及系统，检测方法包括：获取布设在风管的声波传感器采集的声波信号；将声波信号转换成语谱图；将语谱图送入训练好的风管泄漏检测模型中，得到风管泄漏检测模型输出的泄漏信号检测结果，风管泄漏检测模型为多尺度mSLSDNet模型。与现有技术相比，本发明专利技术将声波信号转换为语谱图，利用深度学习模型进行风管泄漏的实时监测，实现了管道泄漏的快速、准确和可靠的检测，风管泄漏检测模型在主干网与循环双向特征聚合模块之间存在循环操作，能够重复应用特征聚合机制，实现双向跨尺度连接和循环特征加强，可通过时间步的展开不断强化主干网提取的多尺度特征，从而保证泄漏检测的精确性。从而保证泄漏检测的精确性。从而保证泄漏检测的精确性。

【技术实现步骤摘要】
一种风管泄漏信号检测方法及系统


[0001]本专利技术涉及一种检测方法，尤其是涉及一种基于多尺度mSLSDNet模型的风管泄漏信号检测方法及系统。

技术介绍

[0002]管道运输是一种重要的运输方式，随着我国经济社会的发展，各种气体管道得到了广泛应用，但是管道的老化、突发性自然灾害及人为破坏等都会造成管道的泄漏乃至破裂，因此，在超低压气体管道运输过程中，管道的泄漏检测至关重要。
[0003]现有的管道泄漏检测方法有两种：1）基于特征点的风管泄漏信号检测方法；2）基于互相关估计的风管泄漏检测方法。基于特征点的风管泄漏信号检测方法利用风管泄漏声波的信号能量、信号过零率和信号频谱分布等参数进行特征点发生时刻估计。该方法的特点是信噪比要求高，定位精度较低。基于互相关估计的风管泄漏检测方法把管道的泄漏声源定位的空间三维模型简化为沿直线的一维模型，运用时间延迟估计法，定位泄漏点位置。该方法的优势在于声波比较微弱时仍可适用。
[0004]上述基于特征点的风管泄漏信号检测方法和基于互相关估计的风管泄漏信号检测方法均属于基于物理模型的方法，其缺点在于：1）泄漏点定位计算需要测量一些物理量；2）由于风管泄漏声波随距离衰减，距离越大，泄漏声波衰减越大，50米以后，高频声波衰减到接近背景噪声的水平，无论是时域分析还是频域分析，均难以准确的区分噪声和泄漏。
[0005]因此，有必要进行非侵入式的、微弱信号下的泄漏检测的研究。

技术实现思路

[0006]本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种基于多尺度mSLSDNet模型的风管泄漏信号检测方法及系统。
[0007]本专利技术的目的可以通过以下技术方案来实现：根据本专利技术的第一方面，提供一种风管泄漏信号检测方法，包括：S1、获取布设在风管的声波传感器采集的声波信号；S2、将所述声波信号转换成语谱图；S3、将所述语谱图送入训练好的风管泄漏检测模型中，得到所述风管泄漏检测模型输出的泄漏信号检测结果；所述风管泄漏检测模型为多尺度mSLSDNet模型；所述风管泄漏检测模型包括主干网、循环双向特征聚合模块和预测网络；所述主干网的输入为语谱图，其输出为多尺度特征；所述循环双向特征聚合模块的输入为多尺度特征，其输出为多尺度聚合特征；所述预测网络的输入为多尺度聚合特征，其输出为泄漏信号检测结果。
[0008]进一步地，所述主干网包括7个依次连接的下采样层，所述下采样层用于对其输入进行下采样得到特征，所述语谱图输入至主干网中第1层下采样层，所述主干网中第3层至第7层下采样层下的输出E3、E4、E5、E6、E7组合为多尺度特征。
[0009]进一步地，所述循环双向特征聚合模块包括多个串联的BiFPN层，所述BiFPN层用于对不同尺度的特征进行特征融合，所述BiFPN层的输出为不同尺度的聚合特征。
[0010]进一步地，所述主干网与循环双向特征聚合模块之间存在T次循环操作，T>0，每次循环中，所述循环双向特征聚合模块中最后一层BiFPN层的输出反馈至主干网，在第t次循环时，0<t≤T，主干网中尺度最小的特征与循环双向特征聚合模块聚合后的尺度最小的特征进行融合后送入循环双向特征聚合模块，主干网中尺度为K的特征与循环双向特征聚合模块聚合后的尺度为K的特征进行融合后送入下一层下采样层和循环双向特征聚合模块，其中，K不是最小尺度值。
[0011]进一步地，所述主干网与循环双向特征聚合模块之间的循环操作的次数T的取值为2。
[0012]进一步地，将所述声波信号转换成语谱图具体为：用希尔伯特
‑
黄变换对采集到的声波信号进行处理，向原始的声波信号中增加HHT变换得到的瞬时频率，将具有瞬时频率特征的声波信号转换为语谱图。
[0013]进一步地，所述风管泄漏检测模型的预测网络为检测头网络，包括类预测网络和边界框预测网络。
[0014]进一步地，所述声波传感器的数量为多个，分别布设在风管的不同位置，根据各个位置的声波信号的泄漏信号检测结果，确定风管上是否存在泄漏点以及泄漏点的位置。
[0015]根据本专利技术的第二方面，提供一种风管泄漏信号检测系统，基于上述的一种风管泄漏信号检测方法，包括：采集模块，用于获取布设在风管的声波传感器采集的声波信号；转换模块，用于将所述声波信号转换成语谱图；识别模块，用于将所述语谱图送入训练好的风管泄漏检测模型中，得到所述风管泄漏检测模型输出的泄漏信号检测结果；所述风管泄漏检测模型为多尺度mSLSDNet模型；所述风管泄漏检测模型包括主干网、循环双向特征聚合模块和预测网络；所述主干网的输入为语谱图，其输出为多尺度特征；所述循环双向特征聚合模块的输入为多尺度特征，其输出为多尺度聚合特征；所述预测网络的输入为多尺度聚合特征，其输出为泄漏信号检测结果。
[0016]与现有技术相比，本专利技术具有以下有益效果：（1）将声波信号转换为语谱图，利用深度学习模型进行风管泄漏的实时监测，实现了管道泄漏的快速、准确和可靠的检测，还能减少人工巡检成本。
[0017]（2）与基于物理模型方法不同的是，本申请采用声波传感器阵列进行非侵入式检测，无需破坏管道，能降低管道运行过程中的风险和运维难度，避免了物理量测量产生的误差和昂贵的人工成本，可移植性强，能适应用于更广泛的工业应用场景。
[0018]（3）风管泄漏检测模型主干网、循环双向特征聚合模块和预测网络，在主干网与循环双向特征聚合模块之间存在T次循环操作，能够重复应用特征聚合机制，实现双向跨尺度连接和循环特征加强，进一步加强提取的多尺度上下文特征，可通过时间步的展开不断强化主干网提取的多尺度特征，从而保证泄漏检测的精确性。
附图说明
[0019]图1为风管泄漏检测方法的流程示意图；图2为风管泄漏检测模型的结构示意图；图3为主干网与循环双向特征聚合模块之间的反馈连接示意图；图4为风管上布设声波传感器的示意图。
具体实施方式
[0020]下面结合附图和具体实施例对本专利技术进行详细说明。本实施例以本专利技术技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，显然，所描述的实施例仅仅是本专利技术一部分的实施例，而不是全部的实施例，本专利技术的保护范围不限于下述的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本专利技术保护的范围。
[0021]此处所称的“一个实施例”或“实施例”是指可包含于本专利技术至少一个实现方式中的特定特征、结构或特性。在本专利技术的描述中，需要理解的是，本专利技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”和“第三”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种风管泄漏信号检测方法，其特征在于，包括：S1、获取布设在风管的声波传感器采集的声波信号；S2、将所述声波信号转换成语谱图；S3、将所述语谱图送入训练好的风管泄漏检测模型中，得到所述风管泄漏检测模型输出的泄漏信号检测结果；所述风管泄漏检测模型为多尺度mSLSDNet模型；所述风管泄漏检测模型包括主干网、循环双向特征聚合模块和预测网络；所述主干网的输入为语谱图，其输出为多尺度特征；所述循环双向特征聚合模块的输入为多尺度特征，其输出为多尺度聚合特征；所述预测网络的输入为多尺度聚合特征，其输出为泄漏信号检测结果。2.根据权利要求1所述的一种风管泄漏信号检测方法，其特征在于，所述主干网包括7个依次连接的下采样层，所述下采样层用于对其输入进行下采样得到特征，所述语谱图输入至主干网中第1层下采样层，所述主干网中第3层至第7层下采样层下的输出E3、E4、E5、E6、E7组合为多尺度特征。3.根据权利要求2所述的一种风管泄漏信号检测方法，其特征在于，所述循环双向特征聚合模块包括多个串联的BiFPN层，所述BiFPN层用于对不同尺度的特征进行特征融合，所述BiFPN层的输出为不同尺度的聚合特征。4.根据权利要求3所述的一种风管泄漏信号检测方法，其特征在于，所述主干网与循环双向特征聚合模块之间存在T次循环操作，T>0，每次循环中，所述循环双向特征聚合模块中最后一层BiFPN层的输出反馈至主干网，在第t次循环时，0<t≤T，主干网中尺度最小的特征与循环双向特征聚合模块聚合后的尺度最小的特征进行融合后送入循环双向特征聚合模块，主干网中尺度为K的特征与循环双向特征聚合模块聚合后的尺度为K的特征进行融合后送入下一...

【专利技术属性】
技术研发人员：吕品，施剑，孙文博，
申请(专利权)人：上海电机学院，
类型：发明
国别省市：