本发明专利技术提供了一种小样本数据下气体泄漏故障检测方法及装置，包括：采集不发生气体泄漏时的背景噪声和发生气体泄漏时的音频数据；对两组音频数据分别进行时频域转换，得到由语谱图构成的两种数据集；通过改进的StyleGAN模型完成对两种数据集的扩充，并将每组数据集中的样本划分为训练集、验证集和测试集；将训练集中的语谱图样本输入到改进的MobileNetV3网络模型中进行训练，训练过程中利用验证集对模型参数进行调整，训练完成后，得到训练好的MobileNetV3网络模型；通过训练好的MobileNetV3网络模型对测试集中的样本进行检测，得到气体泄漏故障检测结果。本发明专利技术不仅能提取气体泄漏声音信号中的特征，还可提升检测模型的检测准确率，从而可准确地检测小样本数据气体泄漏故障。据气体泄漏故障。据气体泄漏故障。
【技术实现步骤摘要】
一种小样本数据下气体泄漏故障检测方法及装置
[0001]本专利技术涉及气体泄漏检测
，特别涉及一种小样本数据下气体泄漏故障检测方法及装置。
技术介绍
[0002]气体泄漏故障检测技术是化工、石油等行业中不可或缺的一项关键技术。特别是对于具有强大毒性和腐蚀性的气体，及时准确的检测和预警显得尤为重要。
[0003]现有的气体泄漏故障检测方法普遍存在样本数据过少、检测准确率低、易受温度湿度等环境因素影响等问题。传统的基于深度学习方法通常需要较高数量的样本数据进行训练，并且在实际应用中往往需要调整参数以适应不同环境条件，使用成本相对较高且泄漏检测准确率并不能保证。
[0004]因此，在仅有小样本数据的情况下，能够快速、准确地检测气体泄漏是本领域亟待解决的技术问题。
技术实现思路
[0005]针对以上技术问题，本专利技术提供一种小样本数据下气体泄漏故障检测方法及装置，旨在突破传统方法对样本量和环境变量的依赖，在小样本数据条件下也能够精确、快速地识别气体泄漏并进行预警提示，提高泄漏检测的准确率和稳定性。
[0006]根据本专利技术的一个方面，一种小样本数据下气体泄漏故障检测方法，包括以下步骤：
[0007]采集不发生气体泄漏时的背景噪声和发生气体泄漏时的音频数据；
[0008]对两组音频数据分别进行时频域转换，得到由语谱图构成的两种数据集；
[0009]通过改进的StyleGAN模型完成对两种数据集的扩充，并将每组数据集中的样本划分为训练集、验证集和测试集；<br/>[0010]将训练集中的语谱图样本输入到改进的MobileNetV3网络模型中进行训练，训练过程中利用验证集对模型参数进行调整，训练完成后，得到训练好的MobileNetV3网络模型；
[0011]通过训练好的MobileNetV3网络模型对测试集中的样本进行检测，得到气体泄漏故障检测结果。
[0012]优选地，所述采集不发生气体泄漏时的背景噪声和发生气体泄漏时的音频数据的步骤，包括：
[0013]在马路旁边搭建一套包含模拟气体泄漏装置以及相关声音采集设备的实验验平台，所述实验平台包括：填充氮气的高压气瓶、泄压阀、四麦克风阵列、计算机、WiFi路由器和支架；
[0014]用高压气瓶不排气时的背景噪声代表不发生气体泄漏场景，用高压气瓶排气时的声音代表发生气体泄漏场景，分别采集两种场景的音频数据。
[0015]优选地，将泄压阀的工作气压调至0.43Mpa，将麦克风阵列放置在与排气方向为90
°
的位置上，距离为3米；麦克风阵列采集频率范围是20Hz
‑
20kHz，设置麦克风阵列每隔10秒采集20秒的排气音频信号，并通过wav格式保存音频文件。
[0016]优选地，所述对两组音频数据分别进行时频域转换，得到由语谱图构成的两种数据集的步骤，包括：
[0017]对两组音频数据进行切分，得到多个时间片段。
[0018]对每个时间片段，设置滑块的长度；
[0019]对每个时间片段，进行短时傅里叶变换，以将时域信号转化到频域中；短时傅里叶变换的结果是一个二维矩阵，其中每一行表示对应时间片段的频域信息，每一列表示对应频率的时域信息；
[0020]按一定的尺寸输出得到的语谱图构成的两种数据集。
[0021]优选地，所述改进的StyleGAN模型是在原始StyleGAN模型的基础上，采用一个以U
‑
Net体系结构为判别器，并使用WGAN
‑
GP损失项作为总损失来降低训练模式崩溃问题，通过在损失评估中加入一致损失项和梯度惩罚项来实现正则化效果。
[0022]优选地，使用梯度惩罚项GP的表述式如下，通过使判别器输出关于输入的梯度的范数小于1来实现Lipschitz连续性。
[0023][0024]式中：E
x～Pr
，
Pg
表示在真实分布Pr和生成分布Pg下，对于样本x的期望值；表示表示判别器对于输入样本x的梯度范数，表示梯度符号，D(x)表示判别器对当前样本x的输出结果；
[0025]一致性损失项CT的表达式如下：
[0026][0027]式中：E
x～Pr
表示在真实分布Pr下对样本x的期望值；
[0028]总损失L的表达式如下：
[0029]L＝E
x～Pr
[D(x)]‑
E
z～Pg
[D(G(z))]+λ1GP+λ2CT
[0030]式中：E
x～Pr
[D(x)]表示在真实分布Pr下，判别器对于输入样本x的输出的期望值；E
z～Pg
[D(G(z))]表示在生成分布Pg下，判别器对于生成样本G(z)的输出的期望值；λ1和λ2分别为梯度惩罚项和一致性项的缩放因子。
[0031]优选地，在所述通过改进的StyleGAN模型完成对两种数据集的扩充，并将每组数据集中的样本划分为训练集、验证集和测试集的步骤中，两组数据集包括：采集的漏气音频噪声转化成的语谱图数据和通过改进的StyleGAN模型扩充得到的语谱图数据，使用均匀随机抽样的方式将每组数据集按照预设比例划分成测试集、训练集和验证集。
[0032]优选地，所述改进的MobileNetV3网络模型是在原始的MobileNetV3网络模型的基础上用SA注意力机制代替SE注意力机制得到的。
[0033]优选地，在所述将训练集中的语谱图样本输入到改进的MobileNetV3网络模型中进行训练的步骤之前，还包括：
[0034]对改进的MobileNetV3网络模型进行预训练，并保存得到的模型及权重，在模型开始训练前，载入预训练权重。
[0035]根据本专利技术的另一方面，一种实施上述方法的小样本数据下气体泄漏故障检测装置，包括以下模块：
[0036]采集模块，用于采集不发生气体泄漏时的背景噪声和发生气体泄漏时的音频数据；
[0037]转换模块，用于对两组音频数据分别进行时频域转换，得到由语谱图构成的两种数据集；
[0038]扩充模块，用于通过改进的StyleGAN模型完成对两种数据集的扩充，并将每组数据集中的样本划分为训练集、验证集和测试集；
[0039]训练模块，用于将训练集中的语谱图样本输入到改进的MobileNetV3网络模型中进行训练，训练过程中利用验证集对模型参数进行调整，训练完成后，得到训练好的MobileNetV3网络模型；
[0040]测试模块，用于通过训练好的MobileNetV3网络模型对测试集中的样本进行检测，得到气体泄漏故障检测结果。
[0041]本专利技术提供的技术方案具有以下有益效果：
[0042](1)通过将对采集的两组音频数据分别进行时频域转换，得到语谱图，可直观地展示音频信号所包含的特征信息。
[0043](2)通过改进的StyleGAN模型完成对数据集的扩充本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种小样本数据下气体泄漏故障检测方法，其特征在于，包括以下步骤：采集不发生气体泄漏时的背景噪声和发生气体泄漏时的音频数据；对两组音频数据分别进行时频域转换，得到由语谱图构成的两种数据集；通过改进的StyleGAN模型完成对两种数据集的扩充，并将每组数据集中的样本划分为训练集、验证集和测试集；将训练集中的语谱图样本输入到改进的MobileNetV3网络模型中进行训练，训练过程中利用验证集对模型参数进行调整，训练完成后，得到训练好的MobileNetV3网络模型；通过训练好的MobileNetV3网络模型对测试集中的样本进行检测，得到气体泄漏故障检测结果。2.根据权利要求1所述的小样本数据下气体泄漏故障检测方法，其特征在于，所述采集不发生气体泄漏时的背景噪声和发生气体泄漏时的音频数据的步骤，包括：在马路旁边搭建一套包含模拟气体泄漏装置以及相关声音采集设备的实验验平台，所述实验平台包括：填充氮气的高压气瓶、泄压阀、四麦克风阵列、计算机、WiFi路由器和支架；用高压气瓶不排气时的背景噪声代表不发生气体泄漏场景，用高压气瓶排气时的声音代表发生气体泄漏场景，分别采集两种场景的音频数据。3.根据权利要求2所述的小样本数据下气体泄漏故障检测方法，其特征在于，将泄压阀的工作气压调至0.43Mpa，将麦克风阵列放置在与排气方向为90
°
的位置上，距离为3米；麦克风阵列采集频率范围是20Hz
‑
20kHz，设置麦克风阵列每隔10秒采集20秒的排气音频信号，并通过wav格式保存音频文件。4.根据权利要求1所述的小样本数据下气体泄漏故障检测方法，其特征在于，所述对两组音频数据分别进行时频域转换，得到由语谱图构成的两种数据集的步骤，包括：对两组音频数据进行切分，得到多个时间片段；对每个时间片段，设置滑块的长度；对每个时间片段，进行短时傅里叶变换，以将时域信号转化到频域中；短时傅里叶变换的结果是一个二维矩阵，其中每一行表示对应时间片段的频域信息，每一列表示对应频率的时域信息；按一定的尺寸输出得到的语谱图构成的两种数据集。5.根据权利要求1所述的小样本数据下气体泄漏故障检测方法，其特征在于，所述改进的StyleGAN模型是在原始StyleGAN模型的基础上，采用一个以U
‑
Net体系结构为判别器，并使用WGAN
‑
GP损失项作为总损失来降低训练模式崩溃问题，通过在损失评估中加入一致损失项和梯度惩罚项来实现正则化效果。6.根据权利要求5所述的小样本数据下气体泄漏故障检测方法，其特征在于，使用梯度惩罚项GP的表述式如下，通过使判别器输出关于输入的梯度的范数小于1来实现Lipschitz连续性；式中：E
x...
【专利技术属性】
技术研发人员：余永升，祝锐，
申请(专利权)人：海纳科德湖北科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。