天然氣管道泄漏聲學(xué)檢測(cè)及定位方法

韓寶坤，何景濤，王金瑞，張 凱，趙明明，李念沖

(1.山東科技大學(xué) 機(jī)械電子工程學(xué)院，山東 青島266590；2.青特集團(tuán)有限公司，山東 青島266000)

由于管道運(yùn)輸獨(dú)特的優(yōu)勢(shì)，管道在液體、氣體運(yùn)輸?shù)裙こ填I(lǐng)域中發(fā)揮著越來(lái)越重要的作用。隨著時(shí)間的推移，管道老化，不可避免的腐蝕磨損[1-2]，發(fā)生管道泄漏的風(fēng)險(xiǎn)不斷增加，尤其是孔徑微小的泄漏對(duì)天然氣管道的安全運(yùn)行具有極大的潛在威脅[3]。由于泄漏口施加的壓力和且管道表面的損傷都較不明顯，很難準(zhǔn)確檢測(cè)和定位這類(lèi)泄漏[4]。不同孔徑燃?xì)夤艿佬孤┰斐傻奈ｋU(xiǎn)程度不同，需要采取不同的應(yīng)對(duì)措施。及時(shí)識(shí)別泄漏孔徑對(duì)維持正常運(yùn)行至關(guān)重要。因此，開(kāi)發(fā)一種快速、準(zhǔn)確地識(shí)別泄漏孔徑的有效方法至關(guān)重要。

目前管道泄漏檢測(cè)的研究越來(lái)越受到關(guān)注，通常采用基于控制理論和信號(hào)處理的檢測(cè)方法，如負(fù)壓波檢測(cè)方法[5-6]，壓力梯度法，瞬態(tài)模型法[7]和局部均值分解等[8-9]，這些方法廣泛應(yīng)用于管道泄漏檢測(cè)領(lǐng)域，但是每種方法各有自身的特點(diǎn)或缺陷。管道泄漏測(cè)得信號(hào)通常是非平穩(wěn)的且具有非線性噪聲，去噪不理想會(huì)影響負(fù)壓波方法檢測(cè)和定位準(zhǔn)確性。局部均值分解存在模態(tài)混淆現(xiàn)象，會(huì)降低信號(hào)的準(zhǔn)確性，對(duì)于直徑2 mm的泄漏孔徑識(shí)別精度較低。同時(shí)隨著管道規(guī)模的不斷擴(kuò)張，數(shù)據(jù)采集量呈指數(shù)級(jí)增長(zhǎng)，使得天然氣管道泄漏監(jiān)測(cè)進(jìn)入大數(shù)據(jù)的時(shí)代[10]。如何從管道海量數(shù)據(jù)中有效提取特征，實(shí)現(xiàn)自動(dòng)、高效、準(zhǔn)確識(shí)別管道的故障狀況，已成為管道大數(shù)據(jù)智能檢測(cè)面臨的新問(wèn)題。

深度學(xué)習(xí)理論作為大數(shù)據(jù)處理的一種有前景的工具，有效地克服了傳統(tǒng)方法的依賴性和繁瑣性，能夠快速有效地處理采集到的海量信號(hào)，提供準(zhǔn)確的狀態(tài)診斷結(jié)果。深度學(xué)習(xí)已經(jīng)在圖像、語(yǔ)音、自然語(yǔ)言處理、CTR(Click through rate)預(yù)估、大數(shù)據(jù)特征提取等方面獲得廣泛的應(yīng)用[11-13]。雷亞國(guó)等[14]提出了利用深度學(xué)習(xí)原理，通過(guò)堆疊自編碼(Stacked autoencoders，SAE)深度神經(jīng)網(wǎng)絡(luò)對(duì)復(fù)雜數(shù)據(jù)進(jìn)行自適應(yīng)特征提取，實(shí)現(xiàn)了較為顯著的檢測(cè)效果。Cody等[15]提出了基于卷積神經(jīng)網(wǎng)絡(luò)(Convolutional neural network，CNN)與變分自編碼器(Variational autoencoder，VAE)相結(jié)合的管道泄漏檢測(cè)方法。Zhou等[16]提出了一種利用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行泄漏檢測(cè)的圖像識(shí)別方法，更好地解決不同泄漏孔徑或不同泄漏位置特征高度相似問(wèn)題。Bae 等[17]提出了一種基于深度學(xué)習(xí)(Deep learn，DL)的管道泄漏檢測(cè)技術(shù)，該方法在復(fù)雜的噪聲環(huán)境下仍能獲得可靠的檢測(cè)性能。

針對(duì)天然氣管道泄漏檢測(cè)正在向大數(shù)據(jù)分析發(fā)展的趨勢(shì)，本文提出一種通過(guò)深度學(xué)習(xí)方法獲取采集信號(hào)特征并識(shí)別的智能天然氣管道泄漏檢測(cè)方法。在深度神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)中，為抑制過(guò)擬合現(xiàn)象和提高網(wǎng)絡(luò)的泛化能力，通常采用權(quán)值衰減的方法加入正則化項(xiàng)對(duì)大的權(quán)重值進(jìn)行懲罰，初始取值不好對(duì)網(wǎng)絡(luò)學(xué)習(xí)率要求比較苛刻，必須要選取非常小的學(xué)習(xí)率進(jìn)行更新，但學(xué)習(xí)率本身是需要調(diào)節(jié)自身大小來(lái)選取較適合的值使網(wǎng)絡(luò)訓(xùn)練得更好。權(quán)重矩陣的初始值非常重要，設(shè)定的好壞關(guān)系到網(wǎng)絡(luò)學(xué)習(xí)能否成功，網(wǎng)絡(luò)中存在梯度消失和表現(xiàn)力受限等問(wèn)題，避免在某一層的正向傳播和反向傳播進(jìn)入飽和區(qū)域，拖慢網(wǎng)絡(luò)訓(xùn)練進(jìn)程。本文在深度稀疏濾波網(wǎng)絡(luò)訓(xùn)練中引入He初始值[18]，同時(shí)在各層稀疏濾波間插入批標(biāo)準(zhǔn)化[19]來(lái)調(diào)整各層激活值分布使其擁有適當(dāng)?shù)膹V度，加快深度稀疏濾波的收斂。本文首先根據(jù)管道泄漏監(jiān)測(cè)信息提取出泄漏的頻域信號(hào)，然后將其輸入到批標(biāo)準(zhǔn)化的He初始值深度稀疏濾波中進(jìn)行訓(xùn)練，最后通過(guò)Softmax回歸[20]作為分類(lèi)器實(shí)現(xiàn)不同泄漏口徑的準(zhǔn)確快速識(shí)別。通過(guò)設(shè)計(jì)兩組管道泄漏試驗(yàn)驗(yàn)證提出方法的有效性。

1 理論背景

選用無(wú)監(jiān)督特征學(xué)習(xí)的稀疏濾波算法進(jìn)行逐層訓(xùn)練構(gòu)成深度神經(jīng)網(wǎng)絡(luò)，Softmax回歸判別作為分類(lèi)層，在權(quán)重初始值設(shè)定引入He初始值，向每層稀疏濾波和激活函數(shù)之間插入對(duì)數(shù)據(jù)分布進(jìn)行正規(guī)化的批標(biāo)準(zhǔn)化層，建立識(shí)別泄漏孔徑的深度稀疏濾波。

1.1 He初始值深度稀疏濾波

深度稀疏濾波的基本組成單元是稀疏濾波結(jié)構(gòu)，稀疏濾波的工作原理是優(yōu)化一個(gè)簡(jiǎn)單的代價(jià)函數(shù)—L2范數(shù)，來(lái)進(jìn)行直接分析優(yōu)化特征分布，其特征分布主要滿足以下3個(gè)特征屬性：種群稀疏、存在稀疏和高分散性。即稀疏濾波算法就是根據(jù)這3個(gè)特征屬性去分辨和學(xué)習(xí)訓(xùn)練樣本中的特征。

稀疏濾波的結(jié)構(gòu)如圖1 所示。輸入為采集樣本，輸出為學(xué)習(xí)到的特征，在輸入的樣本集中，xi∈RN×1表示為有N個(gè)數(shù)據(jù)點(diǎn)的樣本，M為樣本總數(shù)，為了更好地訓(xùn)練網(wǎng)絡(luò)，權(quán)重矩陣W初始值設(shè)定時(shí)引入He初始值，選用均值為0，標(biāo)準(zhǔn)差為的高斯分布作為初始值，網(wǎng)絡(luò)可以通過(guò)權(quán)重矩陣W∈RL×N學(xué)習(xí)到對(duì)應(yīng)的特征集其中f i∈RL×1表示學(xué)習(xí)了L個(gè)特征向量。進(jìn)一步可以將輸入樣本集寫(xiě)成矩陣xi∈RN×M。具體映射關(guān)系為：

圖1 稀疏濾

首先由特征值組成的特征矩陣f∈RL×M，將所有樣本中f的每一行通過(guò)L2范數(shù)進(jìn)行歸一化：

其中：fl表示特征矩陣f的第l行特征向量，‖ · ‖2為L(zhǎng)2范數(shù)。然后的每一列通過(guò)L2范數(shù)進(jìn)行歸一化，即：

最后，通過(guò)L1范數(shù)懲罰最小化目標(biāo)函數(shù)，得到優(yōu)化的權(quán)重矩陣W，目標(biāo)函數(shù)為：

通過(guò)稀疏濾波訓(xùn)練得到一個(gè)單層的歸一化特征，以它當(dāng)成下一層的輸入去訓(xùn)練第二層，如圖2所示。將He初始值稀疏濾波逐層訓(xùn)練傳播，由此構(gòu)成深度稀疏濾波，Softmax 回歸分類(lèi)器與標(biāo)簽數(shù)據(jù)結(jié)合，通過(guò)BP算法進(jìn)行權(quán)重矩陣更新和參數(shù)微調(diào)。

圖2 深度稀疏濾波結(jié)構(gòu)

1.2 批標(biāo)準(zhǔn)化

批標(biāo)準(zhǔn)化的思路是調(diào)整各層的激活值(激活函數(shù)輸出的值)分布使其擁有適當(dāng)?shù)膹V度，讓每一層傳遞的數(shù)據(jù)更具多樣性，使得網(wǎng)絡(luò)進(jìn)行高效的學(xué)習(xí)。從訓(xùn)練數(shù)據(jù)中按批尺寸單位隨機(jī)選擇一部分?jǐn)?shù)據(jù)B={x1,x2,…,xm}進(jìn)行正規(guī)化，使輸入數(shù)據(jù)轉(zhuǎn)變?yōu)榫禐?、方差為1的數(shù)據(jù)：

其中：μB表示每一單元的均值為方差，ε是一個(gè)微小值，選取為10-8，為了防止出現(xiàn)分母為零的情況，然后批標(biāo)準(zhǔn)化層對(duì)正規(guī)化后的數(shù)據(jù)進(jìn)行縮放和平移的變換：

其中：γ和β分別表示縮放和平移參數(shù)，初始γ=1,β=0，然后再通過(guò)反向傳播更新調(diào)整合適的值。梯度損失?在批標(biāo)準(zhǔn)化訓(xùn)練中反向傳播公式：

批標(biāo)準(zhǔn)化將上層提取特征引入到激活函數(shù)中，激活后傳遞到下層，確保每層稀疏濾波都能有效的對(duì)輸入分布進(jìn)行學(xué)習(xí)，通過(guò)批標(biāo)準(zhǔn)化對(duì)激活值進(jìn)行平移縮放，強(qiáng)制性地調(diào)整激活值分布使其擁有適當(dāng)?shù)膹V度，增強(qiáng)網(wǎng)絡(luò)的表現(xiàn)力[21]，可以增大學(xué)習(xí)率，使學(xué)習(xí)快速進(jìn)行。本文選取可以減輕訓(xùn)練中產(chǎn)生梯度消失問(wèn)題的ReLU函數(shù)作為激活函數(shù)。

2 改進(jìn)稀疏濾波的泄漏孔徑識(shí)別方法

選用針對(duì)輸氣管道泄漏口識(shí)別檢測(cè)，提出采用改進(jìn)的稀疏濾波網(wǎng)絡(luò)來(lái)處理泄漏孔徑識(shí)別問(wèn)題，該方法的流程圖如圖3所示，

圖3 提出方案框架

具體步驟如下所述：

(1)采用原始泄漏信號(hào)的頻譜作為訓(xùn)練樣本，分別設(shè)定每一層稀疏濾波的輸入維數(shù)為Nin，輸出維數(shù)為Nout，組成訓(xùn)練樣本集，其中M是樣本個(gè)數(shù)，x1∈?Nin×1是第i個(gè)樣本，li是樣本xi的健康標(biāo)簽；

(2)通過(guò)批標(biāo)準(zhǔn)化的深度稀疏濾波建立神經(jīng)網(wǎng)絡(luò)，單獨(dú)采用訓(xùn)練集中原始頻域樣本數(shù)據(jù)對(duì)深度稀疏濾波網(wǎng)絡(luò)進(jìn)行無(wú)監(jiān)督訓(xùn)練；

(3)利用樣本標(biāo)簽li通過(guò)Softmax 回歸對(duì)網(wǎng)絡(luò)訓(xùn)練結(jié)果計(jì)算損失，然后由BP反向傳播算法通過(guò)隨機(jī)梯度下降法對(duì)權(quán)重更新和參數(shù)微調(diào)，最小化Softmax損失函數(shù)的誤差；

(4)通過(guò)測(cè)試樣本集驗(yàn)證識(shí)別準(zhǔn)確率。

3 試驗(yàn)驗(yàn)證

本文試驗(yàn)所使用的輸氣管道泄漏試驗(yàn)臺(tái)包含空氣壓縮機(jī)、緩沖罐、管道、數(shù)據(jù)采集系統(tǒng)等，如圖4所示。信號(hào)采集是通過(guò)泄漏孔附近的聲波傳感器檢測(cè)到泄漏聲波，并將聲波傳遞給檢測(cè)系統(tǒng)。在輸氣管道泄漏過(guò)程模擬試驗(yàn)中，因天然氣易燃爆炸，故使用空氣替換天然氣進(jìn)行泄漏模擬試驗(yàn)，將采集到的泄漏信號(hào)導(dǎo)入MATLAB軟件，對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

圖4 管道泄漏檢測(cè)試驗(yàn)平臺(tái)

3.1 案例分析：輸氣管道泄漏口徑識(shí)別

模擬設(shè)置了四種泄漏孔徑：直徑2 mm、3 mm 、5 mm的圓形泄漏孔，邊長(zhǎng)15×4 mm長(zhǎng)方形泄漏孔，四種泄漏孔徑分別如圖5 中(a)、圖5(b)、圖5(c)、圖5(d)所示。采樣頻率為12.8 kHz，共采集4.8×105個(gè)數(shù)據(jù)，將其分為不同泄漏口徑數(shù)據(jù)點(diǎn)個(gè)數(shù)為1 200的單個(gè)樣本。選用頻域信號(hào)可以避免時(shí)移特性的干擾，通過(guò)快速傅里葉變換(Fast fourier transform，F(xiàn)FT)將時(shí)域信號(hào)轉(zhuǎn)變?yōu)轭l域600 個(gè)傅里葉系數(shù)，頻域數(shù)據(jù)輸入到網(wǎng)絡(luò)中進(jìn)行訓(xùn)練的同時(shí)，信號(hào)長(zhǎng)度比時(shí)域信號(hào)尺寸減少了一半，縮短了網(wǎng)絡(luò)計(jì)算時(shí)間。

圖5 管道泄漏不同形狀設(shè)計(jì)孔徑

深度稀疏濾波網(wǎng)絡(luò)結(jié)構(gòu)設(shè)置共4 層，每層輸入維數(shù)分別為：600、400、200、100，最后一層輸出為50。為核驗(yàn)框架的魯棒性，試驗(yàn)隨機(jī)選取全部樣本中10%的數(shù)據(jù)作為訓(xùn)練樣本，對(duì)剩余90%進(jìn)行測(cè)試。試驗(yàn)重復(fù)進(jìn)行20次以減少隨機(jī)因素的影響，每層稀疏濾波迭代次數(shù)為10次，學(xué)習(xí)率為0.1，批尺寸為5。

識(shí)別結(jié)果如圖6所示?？梢钥吹皆谟?xùn)測(cè)比為1：9 的情況下，20 次試驗(yàn)的訓(xùn)練準(zhǔn)確率保持在100%，測(cè)試階段針對(duì)不同泄漏孔徑識(shí)別的平均準(zhǔn)確率也達(dá)到99.78%，因此足以說(shuō)明提出的方法能夠快速準(zhǔn)確識(shí)別管道的4種不同泄漏孔徑。為了驗(yàn)證提出方法的性能，使用以下兩種方法進(jìn)行比較。

圖6 提出方法20次試驗(yàn)識(shí)別準(zhǔn)確率

(1)對(duì)比方法1：采用標(biāo)準(zhǔn)稀疏濾波進(jìn)行特征提取，權(quán)重矩陣初始值設(shè)定為均值為0，方差為1 的高斯分布，為保持迭代次數(shù)一致，對(duì)數(shù)據(jù)特征進(jìn)行充分提取，迭代選取為40。

(2)對(duì)比方法2：未加批標(biāo)準(zhǔn)化的深度稀疏濾波網(wǎng)絡(luò)，參數(shù)設(shè)置與提出方法相同。

同樣進(jìn)行20次試驗(yàn)，如表1所示。3種方法平均訓(xùn)練準(zhǔn)確率都是100%，但測(cè)試準(zhǔn)確率平均結(jié)果存在較明顯的差別，穩(wěn)定性也亦有不同，提出方法標(biāo)準(zhǔn)差為0.193，穩(wěn)定性較好。對(duì)比方法1 存在過(guò)擬合現(xiàn)象，在處理訓(xùn)練樣本和測(cè)試樣本時(shí)，平均測(cè)試準(zhǔn)確率為76.25%，與訓(xùn)練準(zhǔn)確率有較大差異，且穩(wěn)定性較差。本文提出的權(quán)重矩陣選取He初始值較好地改善了網(wǎng)絡(luò)隱層間激活值的傳遞，使每層網(wǎng)絡(luò)傳遞更穩(wěn)定，同時(shí)也減小了權(quán)重參數(shù)值，起到了抑制過(guò)擬合的作用。對(duì)比方法2 的平均測(cè)試準(zhǔn)確率達(dá)到了93.69%，相比提出方法，批標(biāo)準(zhǔn)化可以強(qiáng)制性地調(diào)整激活值的分布使其擁有適當(dāng)?shù)膹V度，增強(qiáng)網(wǎng)絡(luò)的表現(xiàn)力進(jìn)而可以更好地進(jìn)行訓(xùn)練。同時(shí)不同方法試驗(yàn)使用的計(jì)算時(shí)間也有所不同，相比使用標(biāo)準(zhǔn)稀疏濾波對(duì)數(shù)據(jù)進(jìn)行特征提取并分類(lèi)的方法用時(shí)5.778 s，提出方法的平均計(jì)算時(shí)長(zhǎng)為4.298 s，選取He初始值可以更好地調(diào)節(jié)深度稀疏濾波中學(xué)習(xí)率的大小，選取較大的學(xué)習(xí)率使網(wǎng)絡(luò)更快地收斂。為了直觀地看到四層He初始值稀疏濾波對(duì)數(shù)據(jù)自適應(yīng)特征提取的情況，提取網(wǎng)絡(luò)各隱層中學(xué)習(xí)到的特征進(jìn)行觀察，如圖7(a)、圖7(b)、圖7(c)、圖7(d)所示。每種泄漏孔徑各10 個(gè)樣本，橫坐標(biāo)為訓(xùn)練樣本總數(shù)，縱坐標(biāo)為各層改進(jìn)稀疏濾波的輸出維數(shù)，可以看到隨著層數(shù)的加深，不同大小形狀孔徑的特征識(shí)別度越發(fā)清晰，使得網(wǎng)絡(luò)能夠?qū)μ卣鬟M(jìn)行更好地提取并分類(lèi)。

表1 20次試驗(yàn)的識(shí)別準(zhǔn)確率統(tǒng)計(jì)

圖7 提出方法各隱層學(xué)習(xí)到的特征

為了驗(yàn)證提出方法的特征提取能力，通過(guò)t-SNE[22]技術(shù)將提取特征可視化，將網(wǎng)絡(luò)訓(xùn)練學(xué)習(xí)到的高維特征向量映射成二維特征向量，如圖8(a)所示，可以看到不同的泄漏孔徑都明顯地得到了分離，泄漏孔徑樣本較為聚集，泄漏孔徑的數(shù)值為圖例中顏色標(biāo)識(shí)所對(duì)應(yīng)。圖8(b)所示對(duì)比方法1中，不同的泄漏孔徑樣本都較為分散，各孔徑樣本散點(diǎn)存在混疊，降維效果較差。圖8(c)所示為對(duì)比方法2，相比對(duì)比方法1，各泄漏孔徑樣本較為聚集，直徑2 mm泄漏孔徑分別與直徑3 mm 圓孔、邊長(zhǎng)15×4 mm 方形泄漏孔徑存在混疊。兩種對(duì)比方法較提出方法在對(duì)泄漏孔徑的特征提取能力上存在不足。

圖8 特征降維散點(diǎn)圖

為了進(jìn)一步說(shuō)明He初始值在深度稀疏濾波網(wǎng)絡(luò)中起到的作用，我們單獨(dú)設(shè)計(jì)兩組深度神經(jīng)網(wǎng)絡(luò)進(jìn)行針對(duì)性對(duì)比，將每層稀疏濾波間隱層的激活值提取出來(lái)進(jìn)行觀察。第一組設(shè)計(jì)為四層標(biāo)準(zhǔn)稀疏濾波的深度神經(jīng)網(wǎng)絡(luò)，輸入為隨機(jī)高斯分布數(shù)據(jù)，權(quán)重矩陣初始值為均值0，方差1 的高斯分布，第二組輸入數(shù)據(jù)與第一組相同，各調(diào)節(jié)參數(shù)相同，不同于第一組的是選用He初始值作為權(quán)重矩陣的初始條件，將每層之間的激活值提取出來(lái)進(jìn)行比較，如圖9(a)和圖9(b)所示，橫軸表示激活值，縱軸表示相同激活值的個(gè)數(shù)，對(duì)比可以明確地看出He初始值很好地改善了激活值分布偏向問(wèn)題，激活值分布愈靠近0值，網(wǎng)絡(luò)傳遞的表現(xiàn)力愈差，同時(shí)也存在梯度消失的風(fēng)險(xiǎn)，使得反向傳播時(shí)權(quán)重的梯度同樣很小，導(dǎo)致網(wǎng)絡(luò)無(wú)法順利學(xué)習(xí)，網(wǎng)絡(luò)層數(shù)越多，激活值偏向問(wèn)題越發(fā)的明顯。同樣針對(duì)批標(biāo)準(zhǔn)化進(jìn)行設(shè)計(jì)比較，第一組設(shè)計(jì)為4 層未加批標(biāo)準(zhǔn)化的深度稀疏濾網(wǎng)絡(luò)，輸入為直徑2 mm 泄漏孔徑樣本，第二組為本文提出的方法，各參數(shù)相同。將兩組深度網(wǎng)絡(luò)隱層的激活值提取出來(lái)進(jìn)行比較，如圖9(c)和圖9(d)所示，相比未加批標(biāo)準(zhǔn)化的深度稀疏濾波，本文提出的深度神經(jīng)網(wǎng)絡(luò)隱層激活值分布更加均勻，批標(biāo)準(zhǔn)化通過(guò)學(xué)習(xí)調(diào)整合適的參數(shù)值γ、β，對(duì)數(shù)據(jù)進(jìn)行縮放和平移，即使增加網(wǎng)絡(luò)的層數(shù)，激活值數(shù)據(jù)的廣度也能保持不變，起到強(qiáng)制性調(diào)整各層激活值分布的作用，讓各隱層激活值擁有更好的廣度，使網(wǎng)絡(luò)進(jìn)行順利地學(xué)習(xí)且進(jìn)度更快。

圖9 各隱層中激活值分布

3.2 案例分析：輸氣管道泄漏定位檢測(cè)

為了驗(yàn)證提出深度稀疏濾波網(wǎng)絡(luò)的魯棒性，使用提出方法對(duì)泄漏位置進(jìn)行定位。同樣通過(guò)試驗(yàn)臺(tái)對(duì)直徑2 mm泄漏孔徑進(jìn)行檢測(cè)，分別在6個(gè)不同的監(jiān)控位置采集泄漏聲信號(hào)，距離泄漏位置分別為10 cm、20 cm、30 cm、40 cm、50 cm、100 cm，為避免參數(shù)不同帶來(lái)的影響，采樣頻率、采集數(shù)據(jù)量以及樣本數(shù)據(jù)點(diǎn)個(gè)數(shù)與孔徑識(shí)別試驗(yàn)保持一致，單組樣本泄漏信息的時(shí)域信號(hào)和通過(guò)FFT 后的頻域信號(hào)如圖10所示。每個(gè)泄漏位置10%的樣本用來(lái)訓(xùn)練網(wǎng)絡(luò)，其余樣本進(jìn)行測(cè)試。為了減少試驗(yàn)隨機(jī)因素的影響，共進(jìn)行20 次試驗(yàn)得到結(jié)果如圖11 所示?？梢钥闯鲇?xùn)練準(zhǔn)確率穩(wěn)定的保持在100%，平均測(cè)試準(zhǔn)確率達(dá)到了98.76%，每次試驗(yàn)的計(jì)算時(shí)間也較為穩(wěn)定，平均計(jì)算用時(shí)為4.82 s，說(shuō)明網(wǎng)絡(luò)能夠快速準(zhǔn)確地對(duì)泄漏位置進(jìn)行定位且具有較高的魯棒性。

圖10 FFT變換前后的樣本數(shù)據(jù)

圖11 試驗(yàn)測(cè)試準(zhǔn)確率和計(jì)算時(shí)間

同樣為驗(yàn)證提出方法的性能，使用以下兩種對(duì)比方法進(jìn)行試驗(yàn)比較：

(1)對(duì)比方法1：采用時(shí)域信號(hào)作為輸入，建立深度稀疏濾波進(jìn)行特征提取，權(quán)重矩陣初始值設(shè)定為均值為0，方差為1 的高斯分布，學(xué)習(xí)率及迭代次數(shù)均與提出方法保持一致。

(2)對(duì)比方法2：未加批標(biāo)準(zhǔn)化的深度稀疏濾波網(wǎng)絡(luò)，參數(shù)設(shè)置與提出方法相同。

每種方法各進(jìn)行20 次試驗(yàn)，3 種方法的訓(xùn)練準(zhǔn)確率都是100%，測(cè)試準(zhǔn)確率如圖12 所示。通過(guò)觀察可以較為直觀地看出測(cè)試準(zhǔn)確率的差別，對(duì)比方法1的穩(wěn)定性較差，由于輸入樣本為時(shí)域信號(hào)，無(wú)法避免時(shí)移特性的干擾，網(wǎng)絡(luò)訓(xùn)練時(shí)間較為冗長(zhǎng)且特征學(xué)習(xí)效果較差，平均測(cè)試準(zhǔn)確率為66.45%，平均計(jì)算時(shí)間為7.527 s。利用He初始值的對(duì)比方法2平均計(jì)算時(shí)間與提出方法較為接近，平均測(cè)試準(zhǔn)確率為91.62%，標(biāo)準(zhǔn)差為4.107，表現(xiàn)一般。以上結(jié)果表明：提出方法的管道泄漏定位檢測(cè)能力與泛化能力相比于兩種對(duì)比方法有較明顯優(yōu)勢(shì)。

圖12 3種方法的測(cè)試準(zhǔn)確率

最后通過(guò)t-SNE對(duì)高維特征降維，如圖13所示。各泄漏位置樣本特征分類(lèi)較好，泄漏口的距離數(shù)值為圖例中顏色標(biāo)識(shí)所對(duì)應(yīng)，提出方法在輸氣管道泄漏定位檢測(cè)試驗(yàn)中也能獲得較高的準(zhǔn)確率。

圖13 特征降維散點(diǎn)圖

4 結(jié)語(yǔ)

(1)提出的批標(biāo)準(zhǔn)化深度稀疏濾波方法能夠通過(guò)多層網(wǎng)絡(luò)更快更有效地提取數(shù)據(jù)特征，實(shí)現(xiàn)快速準(zhǔn)確地識(shí)別泄漏孔徑和定位檢測(cè)。兩組設(shè)計(jì)試驗(yàn)驗(yàn)證了提出方法的有效性和魯棒性。

(2)He初始值能夠抑制稀疏濾波學(xué)習(xí)中的過(guò)擬合現(xiàn)象，較好地改善隱層中激活值分布偏向問(wèn)題，泄漏信號(hào)通過(guò)FFT 將數(shù)據(jù)量減少一半，可在提供有效信息的同時(shí)降低網(wǎng)絡(luò)計(jì)算成本。

(3)批標(biāo)準(zhǔn)化技術(shù)通過(guò)對(duì)激活值平移縮放，減小數(shù)據(jù)分布偏向，強(qiáng)制性地調(diào)整激活值分布使其擁有適當(dāng)?shù)膹V度，增強(qiáng)網(wǎng)絡(luò)的表現(xiàn)力，使深度稀疏濾波可以更快更有效地進(jìn)行學(xué)習(xí)。