基于决策树与神经网络的多通道超声气体泄漏定位方法

1.本发明属于信号处理和超声检测领域，具体涉及一种基于决策树与神经网络的多通道超声气体泄漏定位方法。


背景技术：

2.现代工业中大量使用、存放和运输危险气体的管道和容器，在内部和外部因素影响下经常会出现泄漏事故。其中天然气是最重要最常见的压缩存储气体，天然气泄漏一定时间后极易引起爆炸。管道老化、腐蚀尤其是在阀门处裂隙等因素都有可能导致气体泄漏，对整个天然气系统的安全运行有潜在的威胁。泄漏发生后，判断泄漏位置对排除风险和维修极为关键。但泄漏初期尤其当泄漏孔径较小时，人眼和人耳无法轻易捕获，特别是声音又很容易与环境噪音混淆。现场工作人员凭自己的感官很难发现孔径微小的泄漏位置，因此需要一种可靠的方法进行检测和定位。
3.传统气体泄漏检测主要使用气体泄露的管道内部气压变化、管道振动特征和泄漏产生声信号特征等来进行监控。非声学检测方法主要有压力点分析法、光纤检漏法、质量平衡法等，但其检测灵敏度较低，存在对微小的孔径泄露反应弱、检测位置有限、无法覆盖全部巡检区域等问题。传统声学检测方法一般使用固定位置声音传感器进行声信号采集、使用一定算法进行分类预测，但其不便于移动，检测方法覆盖的范围比较有限，且无法给出方位信息，从而延误了发现泄漏点的时间。


技术实现要素：

4.针对上述问题，本发明提出了一种基于决策树与神经网络的多通道超声气体泄漏定位方法，通过对泄漏信号进行针对性学习和拟合，较传统定位方法对环境声音的抗干扰能力更强、灵敏度更高。
5.为实现上述目的，第一方面，本发明提供了一种基于决策树与神经网络的多通道超声气体泄漏定位方法，包括如下步骤：
6.s1，使用预训练好的神经网络模型预测各通道发生气体泄漏的概率；
7.s2，根据预训练好的决策树模型的决策树分裂规则所确定的气体泄漏的特征频率，提取出各通道在各特征频率处的声源强度；
8.s3，对每一通道，将其在各特征频率处的声源强度之和与神经网络模型预测发生气体泄漏的概率之积作为该通道气体泄漏的声源强度，再乘以该通道所在方向的单位方向矢量，作为该通道的气体泄漏矢量；
9.s4，将所有通道的气体泄漏矢量相加，作为最终气体泄漏矢量。
10.进一步地，在所述s1之前，还包括：
11.s0，获取多通道的超声传感器采集的声信号数据，划分为不同的标签：气体泄漏声信号和环境声信号；对数据集进行预处理，并划分训练集和测试集；基于所述训练集训练神经网络模型和决策树模型。
12.进一步地，所述s0中，对数据集进行预处理，包括：对数据集依次进行归一化和平滑处理，并调整平滑处理后数据中易混淆样本的权重。
13.进一步地，所述s3中，该通道气体泄漏的声源强度i表示为：
[0014][0015]
其中，p
angle
为神经网络模型预测发生气体泄漏的概率，f
sp
为所有特征频率的集合，if为频率为f的声源强度。
[0016]
第二方面，本发明提供了一种基于决策树与神经网络的多通道超声气体泄漏定位装置，包括：
[0017]
气体泄漏预测模块，用于使用预训练好的神经网络模型预测各通道发生气体泄漏的概率；
[0018]
声源强度提取模块，用于根据预训练好的决策树模型的决策树分裂规则所确定的气体泄漏的特征频率，提取出各通道在各特征频率处的声源强度；
[0019]
气体泄漏定位模块，用于对每一通道，将其在各特征频率处的声源强度之和与神经网络模型预测发生气体泄漏的概率之积作为该通道气体泄漏的声源强度，再乘以该通道所在方向的单位方向矢量，作为该通道的气体泄漏矢量；以及将所有通道的气体泄漏矢量相加，作为最终气体泄漏矢量。
[0020]
进一步地，所述装置还包括：
[0021]
获取与训练模块，用于获取多通道的超声传感器采集的声信号数据，划分为不同的标签：气体泄漏声信号和环境声信号；对数据集进行预处理，并划分训练集和测试集；基于所述训练集训练神经网络模型和决策树模型。
[0022]
进一步地，所述获取与训练模块，还用于对数据集依次进行归一化和平滑处理，并调整平滑处理后数据中易混淆样本的权重。
[0023]
进一步地，所述该通道气体泄漏的声源强度i表示为：
[0024][0025]
其中，p
angle
为神经网络模型预测发生气体泄漏的概率，f
sp
为所有特征频率的集合，if为频率为f的声源强度。
[0026]
第三方面，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现第一方面所述的方法的步骤。
[0027]
总体而言，通过本发明所构思的以上技术方案，能够取得以下有益效果：
[0028]
本发明的研究对象是天然气运输管道发生气体泄漏时多通道的声传感器(将360
°
分为若干角度，每个角度方向即为一个通道，每个通道布置不少于一个声传感器)采集到的覆盖超声频段的声信号。该方法主要分为判断气体是否泄漏与判断泄漏方向、强度两个过程。在应用过程中，首先使用预训练好的神经网络模型判断设备各通道发生气体泄漏的概率，然后根据预训练好的决策树模型的决策树分裂规则所确定的气体泄漏的特征频率，提取出各通道所有声传感器的在各特征频率处声源强度并求和，后将特征频率的声源强度之和与神经网络模型预测气体泄漏概率之积作为该通道气体泄漏的声源强度。将多个通道的
气体泄漏矢量相加即得出最后的气体泄漏矢量。该方法较传统定位方法对环境声音的抗干扰能力更强、灵敏度更高，可以显示气体泄漏的方向与相对强度，进而可以帮助巡检人员或者巡检机器人精确定位气体泄漏位置。
附图说明
[0029]
图1是本发明实施例提供的基于决策树与神经网络的多通道超声气体泄漏定位方法的流程示意图；
[0030]
图2是本发明实施例提供的决策树算法的具体实现流程图。
具体实施方式
[0031]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
[0032]
在本发明中，本发明及附图中的术语“第一”、“第二”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
[0033]
参阅图1，结合图2，本发明提供了一种基于决策树与神经网络的多通道超声气体泄漏定位方法。树莓派等其他小型嵌入式开发板性能完全满足该方法运算需求，并且该类开发板体积与功耗较小，因此基于该方法设计的超声气体泄漏定位设备可以实现小型化与便携化。实际应用过程中，根据超声气体泄漏定位设备判别气体泄漏方向与强度结果，巡检人员或是巡检机器人可以尽快定位到气体泄漏位置。该方法包括操作s1至s4。
[0034]
操作s1，使用预训练好的神经网络模型预测各通道发生气体泄漏的概率。
[0035]
首先需要说明的是，本发明的研究对象是天然气运输管道发生气体泄漏时多通道的声传感器(将360
°
分为若干角度，每个角度方向即为一个通道，每个通道布置不少于一个声传感器)采集到的覆盖超声频段的声信号。
[0036]
本实施例中，训练好的神经网络模型可根据音频信号特征预测各通道发生气体泄漏的概率p
angle
。
[0037]
进一步地，在操作s1之前，该方法还包括：
[0038]
操作s0，获取多通道的超声传感器采集的声信号数据，划分为不同的标签：气体泄漏声信号和环境声信号；对数据集进行预处理，并划分训练集和测试集；基于所述训练集训练神经网络模型和决策树模型。
[0039]
其中，对数据集进行预处理具体包括：
[0040]
s01，对数据进行归一化处理，如式(1)所示：
[0041]
x
std
＝(x-x
min
)/(x
max-x
min
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0042]
s02，对数据进行平滑预处理，使用savitzky-golay滤波器尽可能保留信号的波峰特征，其中为处理后的样本，a为最小二乘法拟合系数，x为原数据，如式(2)所示：
[0043][0044]
s03，调整数据中易混淆样本权重，降低误判率。
[0045]
操作s2，根据预训练好的决策树模型的决策树分裂规则所确定的气体泄漏的特征频率，提取出各通道在各特征频率处的声源强度。
[0046]
本实施例中，训练决策树，相较于环境声信号，气体发生泄漏时声信号在某些频率处幅值会出现明显波动，这些频率可定义为特征频率f
special
，对决策树层数和样本权重进行超参数搜索，得到使声信号分类准确率最高的决策树模型。根据决策树分裂规则，确定特征频率f
special
。
[0047]
操作s3，对每一通道，将其在各特征频率处的声源强度之和与神经网络模型预测发生气体泄漏的概率之积作为该通道气体泄漏的声源强度，再乘以该通道所在方向的单位方向矢量，作为该通道的气体泄漏矢量。
[0048]
本实施例中，根据决策树分裂规则得到各特征频率，特征频率处声源强度之和作为该通道气体泄漏的声源强度，将其乘以神经网络预测得到的气体泄漏概率来降低混杂噪声的影响，i为该通道气体泄漏的声源强度，p
angle
为神经网络预测发生气体泄漏概率，f
sp
为所有特征频率的集合，if为频率为f的声源强度，公式如式(3)：
[0049][0050]
进一步地，将该通道气体泄漏的声源强度乘以该通道所在方向的单位方向矢量，得到该通道的气体泄漏矢量。
[0051]
操作s4，将所有通道的气体泄漏矢量相加，作为最终气体泄漏矢量。
[0052]
需要说明的是，为保证最后的结果准确，布置超声传感器的方向应尽可能均匀地分割整个圆的角度。
[0053]
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。