一种管道泄漏裂纹形貌在线定位识别方法、装置及设备

1.本发明属于管道泄漏检测领域，具体涉及一种管道泄漏裂纹形貌在线定位识别方法、装置及设备。


背景技术：

2.在管道泄漏的监测中，尤其是核电输水管道等特殊领域，管道泄漏的预警十分重要，目前对于泄漏故障的诊断主要方法是泄漏阈值，而不同的工况(不同的裂纹)到达阈值的时间不同，因此该方法具有很大的局限性，这会使得设备服役时面临的失水风险显著增大；另外泄漏数据在工程上非常少，偶发的异常数据不足以支撑运维分析，同时，阈值预警的稳定性较差，无法精确找到管道的异常泄漏状态，也不能预测到达阈值的时间。
3.目前，尚未发现针对管道泄漏裂纹形貌识别的研究，通常只是利用声发射技术对管道进行泄漏检测，例如：董星亮等人提出了一种基于卷积神经网络的水下管道泄漏声发射检测方法，该方法分别将泄漏波形信号和背景噪声泄漏波形信号转换成二维图像样本，通过优化网络结构和超参数，构建卷积神经网络水下管道泄漏检测模型，其存在的问题是：提取的二维图像样本信息量大，冗余度高，计算速度慢，难以实现在线分析。郝永梅等人提出了一种结合模态声发射技术和小波变换对采集信号进行处理的方法，该方法引入独立分量分析技术，运用快速独立分量分析fastica工具箱实现泄漏源信号分离针对提高声发射信号中的泄漏信息，其存在的问题是：采用模态分析直接分离泄漏信号并对其进行分析必然会损失一些泄漏信息，不仅对后续的特征提取影响较大，也难以准确对泄漏位置作定位。


技术实现要素：

4.针对现有技术中存在的问题，本发明提供了一种管道泄漏裂纹形貌在线定位识别方法、装置及设备，能够利用泄漏过程中材料内部的声发射现象，进行缺陷检测，既减小了运算的工作量，最大程度保留了原始信号的信息。
5.为了解决上述技术问题，本发明通过以下技术方案予以实现：
6.一种管道泄漏裂纹形貌在线定位识别方法，包括：
7.获取管道泄漏时产生的声发射信号，根据所述声发射信号定位出管道上的泄漏位置；
8.对所述声发射信号进行降采样处理，得到降采样后的声发射信号；
9.对所述降采样后的声发射信号进行预加重处理，并对预加重处理后的声发射信号进行分帧短时傅里叶变换，得到声发射信号频谱特征；
10.根据所述声发射信号频谱特征的最大频率设计设定数量的mel滤波器组对所述声发射信号频谱进行滤波，对滤波后的声发射信号频谱进行对数运算，得到fbank特征；
11.计算所述fbank特征的gi指数，并选择所述gi指数中前n维特征，其中n＝30～60；
12.将所述前n维特征输入至预先训练好的管道泄漏裂纹形貌识别模型中，得到管道泄漏裂纹形貌。
13.进一步地，所述对所述降采样后的声发射信号进行预加重处理，计算公式为：
14.x(t)＝y(t)-αy(t-1)
15.式中，t为时间，x(t)为预加重处理后的声发射信号，y(t)为t时刻降采样后的声发射信号，y(t-1)为t-1时刻降采样后的声发射信号，α为预加重系数。
16.进一步地，所述对预加重处理后的声发射信号进行分帧短时傅里叶变换，得到声发射信号频谱特征，计算公式为：
[0017][0018]
式中，h(τ-t)为窗函数，τ为窗函数的中心，j为虚数，stft(τ,f)为声发射信号频谱特征。
[0019]
进一步地，所述根据所述声发射信号频谱特征的最大频率设计设定数量的mel滤波器组，计算公式为：
[0020][0021]
式中，hm(k)为第m个滤波器，k是对应第m个滤波器的中心频率，f(m)为第m个滤波器的梅尔刻度转化为频率后的值，f(m+1)为第m+1个滤波器的梅尔刻度转化为频率后的值，f(m-1)为第m-1个滤波器的梅尔刻度转化为频率后的值。
[0022]
进一步地，所述对滤波后的声发射信号频谱进行对数运算，得到fbank特征，计算公式为：
[0023][0024]
式中，l为频谱特征长度，s(m)是经过第m个滤波器滤波输出的对数能量，即fbank特征。
[0025]
进一步地，所述计算所述fbank特征的gi指数，计算公式为：
[0026][0027]
式中，||sm||1为第m个对数能量的l1范数，sm为sm由小到大重新排列的数据，k是sm的第k个特征，sm(k)是sm的第k个特征，gi(sm)为gi指数。
[0028]
进一步地，所述管道泄漏裂纹形貌识别模型的训练方法如下：
[0029]
获取不同泄漏裂纹形貌的管道泄漏时产生的声发射信号；
[0030]
分别对不同泄漏裂纹形貌对应的声发射信号进行降采样处理，得到不同泄漏裂纹形貌对应的降采样后的声发射信号；
[0031]
分别对不同泄漏裂纹形貌对应的降采样后的声发射信号进行预加重处理，并对预
加重处理后的声发射信号进行分帧短时傅里叶变换，得到不同泄漏裂纹形貌对应的声发射信号频谱特征；
[0032]
分别根据不同泄漏裂纹形貌对应的声发射信号频谱特征的最大频率设计设定数量的mel滤波器组对各自的声发射信号频谱进行滤波，对各自滤波后的声发射信号频谱进行对数运算，得到不同泄漏裂纹形貌对应的fbank特征；
[0033]
分别计算不同泄漏裂纹形貌对应的fbank特征的gi指数，并选择各自gi指数中前n维特征，其中n＝30～60；
[0034]
将各自gi指数中前n维特征以及对应的泄漏裂纹形貌作为训练样本，对基于densenet的一维卷积神经网络进行训练，得到，所述管道泄漏裂纹形貌识别模型。
[0035]
进一步地，所述根据所述声发射信号定位出管道上的泄漏位置，包括：
[0036]
采用时差法，根据所述声发射信号定位出管道上的泄漏位置，计算公式如下：
[0037][0038]
式中，d为泄漏点到传感器的距离，d为传感器间距，δt为声发射波与两个传感器的时间差，c为声发射波速，声发射波速的计算通过常用的断铅实验计算。
[0039]
一种管道泄漏裂纹形貌在线定位识别装置，包括：
[0040]
获取模块，用于获取管道泄漏时产生的声发射信号，根据所述声发射信号定位出管道上的泄漏位置；
[0041]
降采样模块，用于对所述声发射信号进行降采样处理，得到降采样后的声发射信号；
[0042]
频谱特征模块，用于对所述降采样后的声发射信号进行预加重处理，并对预加重处理后的声发射信号进行分帧短时傅里叶变换，得到声发射信号频谱特征；
[0043]
fbank特征模块，用于根据所述声发射信号频谱特征的最大频率设计设定数量的mel滤波器组对所述声发射信号频谱进行滤波，对滤波后的声发射信号频谱进行对数运算，得到fbank特征；
[0044]
gi指数模块，用于计算所述fbank特征的gi指数，并选择所述gi指数中前n维特征，其中n＝30～60；
[0045]
识别模块，用于将所述前n维特征输入至预先训练好的管道泄漏裂纹形貌识别模型中，得到管道泄漏裂纹形貌。
[0046]
一种设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述的一种管道泄漏裂纹形貌在线定位识别方法的步骤。
[0047]
与现有技术相比，本发明至少具有以下有益效果：
[0048]
本发明提供的一种管道泄漏裂纹形貌在线定位识别方法，利用泄漏过程中材料内部的声发射现象，进行缺陷检测，有助于实现对材料细小缺陷的检测；对声发射信号进行预加重处理，可以平衡频谱信息，提高信噪比；由于深度学习网络对高度相关的信息不敏感，引入fbank特征，相比于常用的mfcc特征具有更好的效果，有助于提高识别的准确率；最后，gi指数的引入减小了运算的工作量，又最大程度保留了原始信号的信息。本发明计算方法简单快速，特征区分度高，鲁棒性强，工程实用性高，为实现不同形貌裂纹管道泄漏的识别
和提供了有效的技术实现途径，并且能够对泄漏源进行准确定位。
[0049]
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
[0050]
为了更清楚地说明本发明具体实施方式中的技术方案，下面将对具体实施方式描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0051]
图1为本发明一种管道泄漏裂纹形貌在线定位识别方法的流程图。
[0052]
图2为实施例中声发射信号采集系统示意图。
[0053]
图3为实施例中不同形貌裂纹的管道图。
[0054]
图4a为实施例中降采样处理后的声发射信号波形图，图4b为实施例中降采样后的频谱图。
[0055]
图5为实施例中轴向裂纹管道泄漏声发射信号预加重处理后的频谱图。
[0056]
图6a为实施例中轴向裂纹管道泄漏fbank特征图，图6b为实施例中曲向裂纹管道泄漏fbank特征图，图6c为实施例中周向裂纹管道泄漏fbank特征图。
[0057]
图7为实施例中轴向、曲向、周向前50个gi特征折线图。
[0058]
图8a为实施例中基于densenet的一维卷积神经网络结构图，图8b为实施例中densenet网络中dense block块结构图。
具体实施方式
[0059]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0060]
作为本发明的某一具体实施方式，如图1所示，本实施方式提供了一种管道泄漏裂纹形貌在线定位识别方法，具体包括如下步骤：
[0061]
s1、获取管道泄漏时产生的声发射信号，根据所述声发射信号定位出管道上的泄漏位置。
[0062]
具体地说，采用声发射传感器获取管道泄漏时产生的声发射信号。
[0063]
优选的，采用时差法，根据所述声发射信号定位出管道上的泄漏位置，计算公式如下：
[0064][0065]
式中，d为泄漏点到传感器的距离，d为传感器间距，声发射波与两个传感器的时间差为δt，c为声发射波速，声发射波速的计算通过常用的断铅实验计算。
[0066]
s2、对所述声发射信号进行降采样处理，得到降采样后的声发射信号。
[0067]
优选的，根据香农定理进行降采样，得到不失真的声发射信，即降采样后的声发射
信号。
[0068]
s3、对所述降采样后的声发射信号进行预加重处理，并对预加重处理后的声发射信号进行分帧短时傅里叶变换，得到声发射信号频谱特征。
[0069]
优选的，对所述降采样后的声发射信号进行预加重处理，计算公式为：
[0070]
x(t)＝y(t)-αy(t-1)
[0071]
式中，t为时间，x(t)为预加重处理后的声发射信号，y(t)为t时刻降采样后的声发射信号，y(t-1)为t-1时刻降采样后的声发射信号，α为预加重系数。
[0072]
优选的，对预加重处理后的声发射信号进行分帧短时傅里叶变换，得到声发射信号频谱特征，计算公式为：
[0073][0074]
式中，h(τ-t)为窗函数，τ为窗函数的中心，j为虚数，stft(τ,f)为声发射信号频谱特征。
[0075]
s4、根据所述声发射信号频谱特征的最大频率设计设定数量的mel滤波器组对所述声发射信号频谱进行滤波，对滤波后的声发射信号频谱进行对数运算，得到fbank特征。
[0076]
优选的，根据所述声发射信号频谱特征的最大频率设计设定数量的mel滤波器组，计算公式为：
[0077][0078]
式中，hm(k)为第m个滤波器，k是对应第m个滤波器的中心频率，f(m)为第m个滤波器的梅尔刻度转化为频率后的值，f(m+1)为第m+1个滤波器的梅尔刻度转化为频率后的值，f(m-1)为第m-1个滤波器的梅尔刻度转化为频率后的值。
[0079]
优选的，对滤波后的声发射信号频谱进行对数运算，得到fbank特征，计算公式为：
[0080][0081]
式中，l为频谱特征长度，s(m)是经过第m个滤波器滤波输出的对数能量，即fbank特征。
[0082]
s5、计算所述fbank特征的gi指数，并选择所述gi指数中前n维特征，其中n＝30～60。
[0083]
优选的，计算所述fbank特征的gi指数，计算公式为：
[0084][0085]
式中，||sm||1为第m个对数能量的l1范数，sm为sm由小到大重新排列的数据，k是sm的第k个特征，sm(k)是sm的第k个特征，gi(sm)为gi指数。
[0086]
s6、将所述前n维特征输入至预先训练好的管道泄漏裂纹形貌识别模型中，得到管道泄漏裂纹形貌。
[0087]
优选的，管道泄漏裂纹形貌识别模型的训练方法具体如下：
[0088]
a.获取不同泄漏裂纹形貌的管道泄漏时产生的声发射信号。
[0089]
具体地说，管道泄漏声发射信号采样频率和声发射传感器距离根据声发射信号类型和衰减特性确定，并通过合理设计样本长度得到不同裂纹形貌管道泄漏声发射信号数据集。
[0090]
b.分别对不同泄漏裂纹形貌对应的声发射信号进行降采样处理，得到不同泄漏裂纹形貌对应的降采样后的声发射信号；
[0091]
c.分别对不同泄漏裂纹形貌对应的降采样后的声发射信号进行预加重处理，并对预加重处理后的声发射信号进行分帧短时傅里叶变换，得到不同泄漏裂纹形貌对应的声发射信号频谱特征；
[0092]
d.分别根据不同泄漏裂纹形貌对应的声发射信号频谱特征的最大频率设计设定数量的mel滤波器组对各自的声发射信号频谱进行滤波，对各自滤波后的声发射信号频谱进行对数运算，得到不同泄漏裂纹形貌对应的fbank特征；
[0093]
e.分别计算不同泄漏裂纹形貌对应的fbank特征的gi指数，并选择各自gi指数中前n维特征，其中n＝30～60；
[0094]
f.将各自gi指数中前n维特征以及对应的泄漏裂纹形貌作为训练样本，对基于densenet的一维卷积神经网络进行训练，如图8所示，得到所述管道泄漏裂纹形貌识别模型。
[0095]
本发明能够充分利用声发射信号的信息，提取管道泄漏声发射信号的本质特征，结合深度学习网络，构建准确识别的模型，实现了不同工况下管道泄漏声发射信号的准确识别，从而为管道泄漏裂纹形貌在线定位和识别提供了准确可靠的方法。
[0096]
实施例：
[0097]
如图2所示为本实施例中管道泄漏的声发射信号采集示意图，主要包括工控机1、数据采集卡2、前置放大器3、声发射传感器4、泄漏故障管道5和预制裂纹6，其中，工控机1、数据采集卡2、前置放大器3和声发射传感器4依次连接组成声发射信号采集系统，在管道泄漏过程中声发射信号采集系统实时采集声发射信号。
[0098]
本实施例中声发射传感器4距离泄漏中心50mm，实施例中所采用的泄漏故障管道5通过两段50cm的镀锌钢管通过对接焊的方式连接而成，管道直径60mm，壁厚4mm，管道两端采取法兰连接，采用工业耦合剂保证声发射传感器4与泄漏故障管道5之间紧密贴合，并且使用胶带保证声发射传感器4在泄漏故障管道5泄漏过程中不发生移动，采样率为1mhz。本实施例中采用了三种不同裂纹形貌的管道，分别为轴向裂纹、曲向裂纹和周向裂纹，如图3所示。
[0099]
步骤一：充液介质经过增压泵增压后经泄漏故障管道的入水口流入，由于有裂纹的存在，因此使得材料内部产生声发射信号，声发射传感器同步采集信号，根据断铅实验计算声发射信号的波速，通过时差法完成泄漏源定位。在满足香农采样定理的条件下，对原始声发射信号进行2倍降采样处理，最后得到不失真的降采样信号，即降采样后的声发射信
号，此时采样率为500khz，图4a所示为降采样预处理后的声发射信号波形图，4b为降采样后的频谱图，可以看出此时信号的高频信息较弱，而管道泄漏信息集中在高频段，因此需要进一步进行处理。
[0100]
步骤二：对降采样后的声发射信号进行预加重处理，即对降采样后的声发射信号应用预加重滤波器以放大高频部分以平衡频谱，通过该方法可以平衡高频信号，提高信噪比，图5为轴向裂纹管道泄漏声发射信号预加重处理后的频谱图，可以看到信号的高频信息被放大。通过对预加重处理后的声发射信号进行分帧短时傅里叶变换，得到声发射信号频谱特征。
[0101]
步骤三：根据声发射信号频谱特征的最大频率设计128个mel滤波器组，对声发射信号频谱进行滤波，并对滤波后的声发射信号频谱进行对数运算，得到声发射信号的fbank特征，图6a为轴向裂纹管道泄漏fbank特征图，图6b为曲向裂纹管道泄漏fbank特征图，图6c为周向裂纹管道泄漏fbank特征图，可以从这三张图中看出，不同的泄漏形式有着不用的频率特性，其中周向裂纹有多个频率中心，而轴向裂纹和曲向裂纹频率分布宽度不同。
[0102]
步骤四：通过计算不同裂纹形貌的管道泄漏声发射信号fbank特征的gi指数，选择前50维最大的gi指数对应的fbank特征，完成降维，如图7所示为轴向、曲向、周向前50个gi指数特征折线图，可以看出三种不同的裂纹形式有着较好的区分度。
[0103]
步骤五：构建如图8a、8b所示的一维卷积神经网络densenet，完成对输入特征的分类识别，其准确率最高为96.3％。
[0104]
由上述实验与实施例可知，本发明充分利用了声发射信号的声学信息，采用gi指数对fbank特征进行降维，最终实现特征提取和不同形貌裂纹管道泄漏的识别，其准确率可达96.3％。本发明所提方法简单，特征物理意义明确，具有较高的可靠性和鲁棒性，为管道泄漏裂纹形貌的在线定位和识别提供了有效的方法。
[0105]
本实施方式还提供了一种管道泄漏裂纹形貌在线定位识别装置，用于实现一种管道泄漏裂纹形貌在线定位识别方法，包括：
[0106]
获取模块，用于获取管道泄漏时产生的声发射信号，根据所述声发射信号定位出管道上的泄漏位置；
[0107]
降采样模块，用于对所述声发射信号进行降采样处理，得到降采样后的声发射信号；
[0108]
频谱特征模块，用于对所述降采样后的声发射信号进行预加重处理，并对预加重处理后的声发射信号进行分帧短时傅里叶变换，得到声发射信号频谱特征；
[0109]
fbank特征模块，用于根据所述声发射信号频谱特征的最大频率设计设定数量的mel滤波器组对所述声发射信号频谱进行滤波，对滤波后的声发射信号频谱进行对数运算，得到fbank特征；
[0110]
gi指数模块，用于计算所述fbank特征的gi指数，并选择所述gi指数中前n维特征，其中n＝30～60；
[0111]
识别模块，用于将所述前n维特征输入至预先训练好的管道泄漏裂纹形貌识别模型中，得到管道泄漏裂纹形貌。
[0112]
本发明在一个实施例中，提供了一种计算机设备，该计算机设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于
执行所述计算机存储介质存储的程序指令。处理器可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor、dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field-programmable gatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于实现一种管道泄漏裂纹形貌在线定位识别方法的操作。
[0113]
本发明在一个实施例中，一种管道泄漏裂纹形貌在线定位识别方法如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读存储介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。
[0114]
所述计算机存储介质可以是计算机能够存取的任何可用介质或数据存储设备，包括但不限于磁性存储器(例如软盘、硬盘、磁带、磁光盘(mo)等)、光学存储器(例如cd、dvd、bd、hvd等)、以及半导体存储器(例如rom、eprom、eeprom、非易失性存储器(nandflash)、固态硬盘(ssd))等。
[0115]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0116]
本技术是参照本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0117]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0118]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一
个方框或多个方框中指定的功能的步骤。
[0119]
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

技术特征：
1.一种管道泄漏裂纹形貌在线定位识别方法，其特征在于，包括：获取管道泄漏时产生的声发射信号，根据所述声发射信号定位出管道上的泄漏位置；对所述声发射信号进行降采样处理，得到降采样后的声发射信号；对所述降采样后的声发射信号进行预加重处理，并对预加重处理后的声发射信号进行分帧短时傅里叶变换，得到声发射信号频谱特征；根据所述声发射信号频谱特征的最大频率设计设定数量的mel滤波器组对所述声发射信号频谱进行滤波，对滤波后的声发射信号频谱进行对数运算，得到fbank特征；计算所述fbank特征的gi指数，并选择所述gi指数中前n维特征，其中n＝30～60；将所述前n维特征输入至预先训练好的管道泄漏裂纹形貌识别模型中，得到管道泄漏裂纹形貌。2.根据权利要求1所述的一种管道泄漏裂纹形貌在线定位识别方法，其特征在于，所述对所述降采样后的声发射信号进行预加重处理，计算公式为：x(t)＝y(t)-αy(t-1)式中，t为时间，x(t)为预加重处理后的声发射信号，y(t)为t时刻降采样后的声发射信号，y(t-1)为t-1时刻降采样后的声发射信号，α为预加重系数。3.根据权利要求2所述的一种管道泄漏裂纹形貌在线定位识别方法，其特征在于，所述对预加重处理后的声发射信号进行分帧短时傅里叶变换，得到声发射信号频谱特征，计算公式为：式中，h(τ-t)为窗函数，τ为窗函数的中心，j为虚数，stft(τ,f)为声发射信号频谱特征。4.根据权利要求3所述的一种管道泄漏裂纹形貌在线定位识别方法，其特征在于，所述根据所述声发射信号频谱特征的最大频率设计设定数量的mel滤波器组，计算公式为：式中，h
m
(k)为第m个滤波器，k是对应第m个滤波器的中心频率，f(m)为第m个滤波器的梅尔刻度转化为频率后的值，f(m+1)为第m+1个滤波器的梅尔刻度转化为频率后的值，f(m-1)为第m-1个滤波器的梅尔刻度转化为频率后的值。5.根据权利要求4所述的一种管道泄漏裂纹形貌在线定位识别方法，其特征在于，所述对滤波后的声发射信号频谱进行对数运算，得到fbank特征，计算公式为：式中，l为频谱特征长度，s(m)是经过第m个滤波器滤波输出的对数能量，即fbank特征。
6.根据权利要求5所述的一种管道泄漏裂纹形貌在线定位识别方法，其特征在于，所述计算所述fbank特征的gi指数，计算公式为：式中，||s
m
||1为第m个对数能量的l1范数，s
m
为s
m
由小到大重新排列的数据，k是s
m
的第k个特征，s
m
(k)是s
m
的第k个特征，gi(s
m
)为gi指数。7.根据权利要求1所述的一种管道泄漏裂纹形貌在线定位识别方法，其特征在于，所述管道泄漏裂纹形貌识别模型的训练方法如下：获取不同泄漏裂纹形貌的管道泄漏时产生的声发射信号；分别对不同泄漏裂纹形貌对应的声发射信号进行降采样处理，得到不同泄漏裂纹形貌对应的降采样后的声发射信号；分别对不同泄漏裂纹形貌对应的降采样后的声发射信号进行预加重处理，并对预加重处理后的声发射信号进行分帧短时傅里叶变换，得到不同泄漏裂纹形貌对应的声发射信号频谱特征；分别根据不同泄漏裂纹形貌对应的声发射信号频谱特征的最大频率设计设定数量的mel滤波器组对各自的声发射信号频谱进行滤波，对各自滤波后的声发射信号频谱进行对数运算，得到不同泄漏裂纹形貌对应的fbank特征；分别计算不同泄漏裂纹形貌对应的fbank特征的gi指数，并选择各自gi指数中前n维特征，其中n＝30～60；将各自gi指数中前n维特征以及对应的泄漏裂纹形貌作为训练样本，对基于densenet的一维卷积神经网络进行训练，得到，所述管道泄漏裂纹形貌识别模型。8.根据权利要求1所述的一种管道泄漏裂纹形貌在线定位识别方法，其特征在于，所述根据所述声发射信号定位出管道上的泄漏位置，包括：采用时差法，根据所述声发射信号定位出管道上的泄漏位置，计算公式如下：式中，d为泄漏点到传感器的距离，d为传感器间距，δt为声发射波与两个传感器的时间差，c为声发射波速，声发射波速的计算通过常用的断铅实验计算。9.一种管道泄漏裂纹形貌在线定位识别装置，其特征在于，包括：获取模块，用于获取管道泄漏时产生的声发射信号，根据所述声发射信号定位出管道上的泄漏位置；降采样模块，用于对所述声发射信号进行降采样处理，得到降采样后的声发射信号；频谱特征模块，用于对所述降采样后的声发射信号进行预加重处理，并对预加重处理后的声发射信号进行分帧短时傅里叶变换，得到声发射信号频谱特征；fbank特征模块，用于根据所述声发射信号频谱特征的最大频率设计设定数量的mel滤波器组对所述声发射信号频谱进行滤波，对滤波后的声发射信号频谱进行对数运算，得到fbank特征；gi指数模块，用于计算所述fbank特征的gi指数，并选择所述gi指数中前n维特征，其中
n＝30～60；识别模块，用于将所述前n维特征输入至预先训练好的管道泄漏裂纹形貌识别模型中，得到管道泄漏裂纹形貌。10.一种设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至8任一项所述的一种管道泄漏裂纹形貌在线定位识别方法的步骤。

技术总结
本发明公开了一种管道泄漏裂纹形貌在线定位识别方法、装置及设备，对所述降采样后的声发射信号进行预加重处理，并对预加重处理后的声发射信号进行分帧短时傅里叶变换，得到声发射信号频谱特征；根据所述声发射信号频谱特征的最大频率设计设定数量的Mel滤波器组对所述声发射信号频谱进行滤波，对滤波后的声发射信号频谱进行对数运算，得到FBank特征；计算所述FBank特征的GI指数，并选择所述GI指数中前n维特征，其中n＝30～60；将所述前n维特征输入至预先训练好的管道泄漏裂纹形貌识别模型中，得到管道泄漏裂纹形貌。本发明能够利用泄漏过程中材料内部的声发射现象，进行缺陷检测，既减小了运算的工作量，最大程度保留了原始信号的信息。的信息。的信息。


技术研发人员：张志芬 于俨龙 黄婧 温广瑞 李永杰 张帅
受保护的技术使用者：西安交通大学
技术研发日：2023.05.29
技术公布日：2023/10/11