基于层级过渡网络的声学信号层级空化强度识别方法技术

本发明专利技术公开了一种基于层级过渡网络的管道系统声学信号层级空化强度识别方法，主要解决现有技术对空化强度识别精度较低的问题。其实现方案为：采集管道系统空化声学信号，划分训练样本集和测试样本集；构建包括全局滤波层、子神经网络模型和主神经网络模型的层级过渡网络的声学信号层级空化强度识别模型；利用训练样本集对该识别模型进行迭代训练；将测试样本输入到训练后的声学信号层级空化强度识别模型主获得空化强度识别结果。本发明专利技术通过构建的层级识别模型解决不同空化状态被平等对待的假设，并利用全局滤波层捕获空化声音信号在频域空间的全局特征实现特征之间的全局长期交互，提升了空化强度识别的精度，可用于工业管道系统设备健康管理。业管道系统设备健康管理。业管道系统设备健康管理。

【技术实现步骤摘要】
基于层级过渡网络的声学信号层级空化强度识别方法


[0001]本专利技术属于管道识别
，特别涉及一种声学信号层级空化强度识别方法，可用于工业管道系统设备健康管理。

技术介绍

[0002]管道系统超出正常运行状态通常预示着某种故障的发生，比如空化、裂纹、泄漏等。因此，工业管道系统运行状态的监测对于国家和社会的工业管道系统故障的早期发现与维护有着重要的意义。
[0003]管道运输是一个复杂且精密的管道系统，其输送的稳定性和安全性受诸多因素的影响。空化是管道运输系统中最常见的主要破坏方式之一，由于液体空泡的破裂会产生巨大的力并撞击管道内壁，进而对管道内壁造成形变甚至发生电化学腐蚀。空化的发生会降低管道运输系统的运输效率，缩短管道的使用寿命，甚至出现管道内液体的泄露，造成不可挽回的经济损失和安全事故。因此，寻找一种更加适合非接触式、误差小的管道系统的空化强度识别技术有着重要的意义。
[0004]目前，根据是否进行物理干预，空化强度识别可分为基于侵入式物理参数的空化强度识别方法和基于非侵入式信号的空化强度识别方法两类，其中，基于非侵入式信号空化强度识别方法，典型的为基于声学、振动、压力和光学信号的空化强度识别方法，该方法使用各种传感器测量管道内壁液体产生空化现象映射的信号，且对管道本身无损伤等特点被广泛应用。
[0005]基于声学信号的管道系统空化强度识别方法按照是否为学习算法可以分为基于传统信号处理的方法和基于机器学习方法两大类，其中基于机器学习方法分为传统机器学习和深度学习两大类。基于传统机器学习的方法需要手动提取信号的统计或频域特征，然后使用支持向量机、决策树和随机森林等方法实现空化强度识别。基于深度学习的方法，利用神经网络强大的特征提取能力从声学信号中学习模式和特征，实现端到端的空化强度识别。
[0006]公布号为CN114997246A的专利文献公开了一种“一种流体机械振动数据驱动的空话状态识别方法”，其采用深度学习的方式，引入高速摄像机拍摄泵叶轮内部空化状态作为监督信息，通过自适应一维卷积神经网络获取原始时域振动信号的周期性、幅值等特征实现振动信号的空化强度识别，该方法虽然提高了振动信号空化强度识别的精度，但由于受限于不同空化状态被平等对待这一假设，因而相比其它空化状态，即恒定空化、阻塞流空化和非空化，深度学习网络无法特别注意初始空化状态，因此空化强度识别结果较差。
[0007]公布号为CN113255848A的专利文献公开了一种“基于大数据学习的水轮机空化声信号辨识方法”，其采用深度学习的方式，通过使用自组织特征映射神经网络进行聚类分析，并引入随机森林算法进行特征选择，使用门控循环单元建立动态容错模型实现水轮机空化声音辨识，该方法虽然提高了声音信号空化强度识别的精度，但存在的不足之处为受限于深度学习卷积神经网络的卷积核尺寸，导致只能从原始信号提取局部特征，未考虑信
号特征之间的全局长期依赖性关系，因此空化强度识别结果较差。

技术实现思路

[0008]本专利技术的目的在于针对上述现有技术的不足，提出一种基于层级过渡网络的管道系统声学信号层级空化强度识别方法，以提高空化强度识别结果精度。
[0009]为实现上述目的，本专利技术的技术方案包括：
[0010](1)采用n个声音传感器固定在管道外壁，并以F
s
为采样率采集不同阀门开口率V、上游压强P
u
和下游压强P
d
下的不同空化状态的N个声音信号：其中，n≥1，F
s
≥1562500Hz，M为x的长度，N为x的数量，M≥4669440，N≥356；
[0011](2)获取训练样本集和测试样本集：
[0012](2a)采用长度为W的滑窗，并以s为步长，按照采集的时间顺序分别对每个空化声音信号x进行K次滑动，得到所有空化声音信号段集合：其中，x
ij
表示第i个空化声音信号的第j段，
[0013](2b)对所有空化声音信号段集合X进行Z
‑
Score标准化处理，得到处理后的全部空化声音信号段集合并将其80％作为训练集X
′
r
，剩余的20％作为测试集X
′
e
；
[0014](3)构建基于层级过渡网络的声学信号层级空化强度识别模型H：
[0015](3a)构建由层归一化LN和一维傅里叶变换T构成的全局滤波层L；
[0016](3b)构建由依次堆叠的第一卷积层、第一批归一化层、激励层、第二卷积层、第二批归一化层、跨越层和特征跨越层构成的双路层级残差块B；
[0017](3c)构建由依次堆叠的卷积层、批归一化层、激励层、最大值池化层、3个双路层级残差块B层、自适应均值池化层和全连接层构成的子神经网络模型H
s
；
[0018](3d)构建由依次堆叠的卷积层、批归一化层、激励层、最大值池化层、4个双路层级残差块B层、自适应均值池化层和全连接层构成的主神经网络模型H
m
；
[0019](3e)将全局滤波层L、子神经网络模型H
s
和主神经网络模型H
m
依次堆叠构成层级过渡网络层级空化强度识别模型H，并将交叉熵损失函数作为该模型的损失函数F；
[0020](4)基于训练样本，采用梯度下降对层级过渡网络层级空化强度识别模型进行迭代训练，得到训练好的层级过渡网络层级空化强度识别模型H
*
；
[0021](5)将测试样本集X
′
e
作为训练好的层级过渡网络层级空化强度识别模型H
*
的输入，获得J个测试样本估计的空化强度集合Y
e
：
[0022][0023]其中，为第j个测试样本估计的空化强度。
[0024]本专利技术与现有技术相比，具有以下优点：
[0025]1、本专利技术由于构建了由全局滤波层、子神经网络模型和主神经网络模型依次堆叠构成的层级过渡网络层级空化强度识别模型，可实现管道系统声学信号层级空化强度识别，解决当前基于深度学习空化强度识别方法受限于不同空化状态被平等对待的这一假
设，从根本上提升了空化强度识别的精度。
[0026]2、本专利技术由于构建了由层归一化和一维快速傅里叶变换构成的全局滤波层，可将空化声音信号从时域转换到频域，在不引入任何人类先验知识的情况下帮助深度学习卷积神经网络在频域空间捕获空化声音信号的全局特征，解决了现有技术存在空化声音信号特征之间全局长期依赖关系的问题，进一步提升了空化强度识别的精度。
附图说明
[0027]图1是本专利技术的实现流程框图；
[0028]图2是本专利技术中构建的全局滤波层示意图；
[0029]图3是本专利技术中构建的双路层级残差块示意图；
[0030]图4是本专利技术中构建的子神经网络模型示意图；
[0031]图5是本专利技术中构建的主神经网络模型示意图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于层级过渡网络的声学信号层级空化强度识别方法，其特征在于，包括如下步骤：(1)采用n个声音传感器固定在管道外壁，并以F
s
为采样率采集不同阀门开口度V、上游压强P
u
和下游压强P
d
下的不同空化状态的N个声音信号：其中，n≥1，F
s
≥1562500Hz，M为x的长度，N为x的数量，M≥4669440，N≥356；(2)获取训练样本集和测试样本集：(2a)采用长度为W的滑窗，并以s为步长，按照采集的时间顺序分别对每个空化声音信号x进行K次滑动，得到所有空化声音信号段集合：其中，x
ij
表示第i个空化声音信号的第j段，(2b)对所有空化声音信号段集合X进行Z
‑
Score标准化处理，得到处理后的全部空化声音信号段集合并将其80％作为训练集X
′
r
，剩余的20％作为测试集X
′
e
；(3)构建基于层级过渡网络的声学信号层级空化强度识别模型H：(3a)构建由层归一化LN和一维傅里叶变换T构成的全局滤波层L；(3b)构建由依次堆叠的第一卷积层、第一批归一化层、激励层、第二卷积层、第二批归一化层、跨越层和特征跨越层构成的双路层级残差块B；(3c)构建由依次堆叠的卷积层、批归一化层、激励层、最大值池化层、3个双路层级残差块B层、自适应均值池化层和全连接层构成的子神经网络模型H
s
；(3d)构建由依次堆叠的卷积层、批归一化层、激励层、最大值池化层、4个双路层级残差块B层、自适应均值池化层和全连接层构成的主神经网络模型H
m
；(3e)将全局滤波层L、子神经网络模型H
s
和主神经网络模型H
m
依次堆叠构成层级过渡网络层级空化强度识别模型H，并将交叉熵损失函数作为该模型的损失函数F；(4)基于训练样本，采用梯度下降对层级过渡网络层级空化强度识别模型进行迭代训练，得到训练好的层级过渡网络层级空化强度识别模型H
*
；(5)将测试样本集X
′
e
作为训练好的层级过渡网络层级空化强度识别模型H
*
的输入，获得J个测试样本估计的空化强度集合Y
e
：其中，为第j个测试样本估计的空化强度。2.根据权利要求1所述的方法，其特征在于，步骤(2b)中所述的对所有空化声音信号段集合X进行Z
‑
Score标准化处理，公式如下：其中，x
′
ij
表示经过Z
‑
Score标准化处理后的第i个空化声音信号的第j段，和分别
为第i个空化声音信号的第j段的均值和方差。3.根据权利要求1所述的方法，其特征在于，步骤(3a)中所述的由层归一化LN和一维傅里叶变换T构建的全局滤波层L，其表达式为：L(x
′
)＝T(LN(x
′
))其中，x
′
为经过Z
‑
Score标准化处理后的空化声音段信号，LN(
·
)为层归一化操作，T(
·
)为一维傅里叶变换操作，L(x
′
)为x
′
经过全局滤波层L的输出。4.根据权利要求1所述的方法，其特征在于，步骤(3b)中构成双路层级残差块B中的第一卷积层、第一批归一化层、激励层、第二卷积层、第二批归一化层、跨越层和特征跨越层，其结构参数如下：所述第一卷积层，使用数量为1，卷积核大小为32，步长为1的一维卷积；所述第二卷积层，使用数量为1，卷积核大小为16，步长为1的一维卷积；所述特征跨越层，使用数量为1，卷积核大小为32，步长为1的一维卷积；所述批归一化层，其表达式为：其中，x
k
为批归一化层第k个神经元的原始输入数据，为这一批次输入数据在第k个神经元的均值，σ
k
为这一批次输入数据在第k个神经元的标准差；所述激励层，使用ReLU激励函数，...

【专利技术属性】
技术研发人员：缑水平，沙毓，郭璋，刘波，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：