基于故障树与深度学习融合的气体泄漏预警方法及系统技术方案

本发明专利技术涉及气体泄漏检测技术领域，公开了基于故障树与深度学习融合的气体泄漏预警方法及系统，方法包括：获取声学信号、光学图像以及环境参数，并进行预处理；从预处理后的声学信号中提取声学特征，基于预处理后的光学图像利用目标检测模型识别泄漏区域位置及置信度；根据声学特征、泄漏区域置信度及环境参数，动态计算故障树中各节点的概率；融合目标检测模型的泄漏区域置信度与故障树根节点概率，生成联合置信度，根据联合置信度分级输出预警信号。本方案能够显著提升复杂工况下微弱泄漏信号的早期识别鲁棒性，提高气体泄漏检测和预警的及时性和准确性。

【技术实现步骤摘要】

本专利技术属于气体泄漏检测，尤其涉及基于故障树与深度学习融合的气体泄漏预警方法及系统。

技术介绍

1、工业安全领域对气体泄漏预警的需求日益紧迫。石油化工、天然气输送等场景中，可燃气体的隐蔽性泄漏易引发爆炸、中毒等灾难性事故。现有技术体系涵盖物理传感器、光学成像及声波检测等手段，但复杂工况下的多源干扰、微小泄漏早期识别困难、动态环境适应力不足等问题仍未根本解决。亟需融合多模态感知与动态推理机制，构建兼具高灵敏预警与根因追溯能力的智能系统，为高风险区域提供全时域安全保障。

2、当前气体泄漏检测预警主要依赖单模态传感技术与静态分析模型：

3、光学/声学独立检测：传统红外成像对微小泄漏灵敏度不足且易受水汽干扰；声波检测在高噪声环境中信噪比显著劣化，单一模态难以兼顾覆盖范围与准确性；

4、静态模型适应性差：基于物理方程的扩散模型未考虑风速湍流、温度梯度等动态环境扰动，导致误报率升高；预设阈值的报警规则无法跟踪泄漏态势演变；

5、智能算法局限：纯深度学习模型(如yolo、faster r-cnn等)缺乏泄漏成因的可解释性本文档来自技高网...

【技术保护点】

1.基于故障树与深度学习融合的气体泄漏预警方法，其特征在于，所述方法包括以下步骤：

2.根据权利要求1所述的基于故障树与深度学习融合的气体泄漏预警方法，其特征在于，所述S1中，通过声学传感器获取所述声学信号，通过光学成像设备获取光学图像；

3.根据权利要求1所述的基于故障树与深度学习融合的气体泄漏预警方法，其特征在于，所述S2中，从所述预处理后的声学信号中提取声学特征包括：

4.根据权利要求1所述的基于故障树与深度学习融合的气体泄漏预警方法，其特征在于，所述S2中，所述目标检测模型为改进YOLOv5模型；

5.根据权利要求1所述的基于故障树...

【技术特征摘要】

1.基于故障树与深度学习融合的气体泄漏预警方法，其特征在于，所述方法包括以下步骤：

2.根据权利要求1所述的基于故障树与深度学习融合的气体泄漏预警方法，其特征在于，所述s1中，通过声学传感器获取所述声学信号，通过光学成像设备获取光学图像；

3.根据权利要求1所述的基于故障树与深度学习融合的气体泄漏预警方法，其特征在于，所述s2中，从所述预处理后的声学信号中提取声学特征包括：

4.根据权利要求1所述的基于故障树与深度学习融合的气体泄漏预警方法，其特征在于，所述s2中，所述目标检测模型为改进yolov5模型；

5.根据权利要求1所述的基于故障树与深度学习融合的气体泄漏预警方法，其特征在于，所述s3中，故障树中的节点包括子节点和父节点；<...

【专利技术属性】
技术研发人员：高岩，苏展，安浩平，吴顺丽，代永，张洪敏，李照宇，张世娟，宗原，郑恒彬，
申请(专利权)人：河南省科学院应用物理研究所有限公司，
类型：发明
国别省市：