基于CNN的水管道小泄漏聲信號識別

李 哲，封 皓，劉 欣，賀永方，劉蘭慧

（1.天津大學精密儀器與光電子工程學院，天津300072；

2.承德石油高等專科學校，河北承德067000；3.天津精儀精測科技有限公司，天津300384 4.中國市政工程華北設計研究總院有限公司，天津300074）

管道是城市水資源運輸最主要的方式。然而，腐蝕、施工、地質變動等原因會引起管道泄漏，這將造成水資源的巨大浪費。因此，及時發現管道泄漏具有十分重要的意義。近幾十年來出現了多種管道泄漏檢測方法。例如質量平衡法[1]、負壓波法[2]、示蹤氣體法[3]、光纖檢測法[4]、聲學檢測法[5]等。其中，聲學檢測法由于具有較高的靈敏度，在管道泄漏檢測系統中被廣泛應用[5]。

聲學檢測法主要檢測管道泄漏引起的聲或振動信號。當管道泄漏時，內部和外部的壓力差會產生湍流，進而引起泄漏點附近水的振動，從而產生聲信號。泄漏聲信號為寬頻帶信號，其頻率成分包括低頻成分（由于泄漏處的非定常分離流引起）和高頻成分（由于氣蝕引起）[6–8]。

在聲學檢測法中，管道內檢測法因其檢測精度高而被廣泛研究和使用。它通過在管道中放入搭載傳感器的內檢測設備來采集信號；該設備在管道內移動的同時采集聲信號，以此判斷泄漏位置和大小。國內天津大學開發了一種系纜式管道內檢測系統。該檢測系統搭載聲學傳感器進行泄漏檢測，其更加接近泄漏點，該方法具有檢測與定位精度高，誤報率小的優點。

為了提高泄漏識別率，需要開發有效的管道泄漏聲信號識別方法。目前，大多使用機器學習算法進行管道泄漏聲信號識別，例如支持向量機[9–12]、人工神經網絡[13–14]、貝葉斯學習[15]等。Xiao 等利用1 mm、3 mm、5 mm 的泄漏孔模擬泄漏，提取標準差、小波平均頻率、絕對平均值等信號特征，使用支持向量機對不同直徑的泄漏孔進行模式識別[10]。El-Zahab 等分別使用支持向量機、決策樹、貝葉斯學習方法進行泄漏聲信號識別，其研究對象為3 L/min～15 L/min 的泄漏，主要適用于大泄漏的識別[12]。Li等對1.2 L/min～8.4 L/min 泄漏量的測量信號進行特征提取，獲取均值、峰值頻率等時域或者頻域特征，使用人工神經網絡分類器進行模式識別[13]。上述方法研究了泄漏速率較大的情況，當管道泄漏速率較小時，識別方法識別性能可能會降低。除此之外，以上討論的識別方法[9–15]均為通過人工提取的信號淺層特征進行泄漏識別，特征提取依賴于科研人員的經驗，提取難度大，適用范圍小，泛化能力弱。利用泄漏信號隱藏的深層特征，實現特征的自動提取和模式識別是目前研究的熱點問題。

最近，深度學習已成為最成功的機器學習方法之一，卷積神經網絡(Convolutional Neural Networks，CNN)在環境聲音分類、語音識別、音樂流派分類等領域得到廣泛的應用[16–18]。將CNN應用到管道泄漏識別領域是一種新的研究思路。

針對上述問題，本文提出了一種基于CNN的管道聲學信號識別方法。首先，搭建實驗平臺，收集不同位置、壓力、泄漏速率的聲信號來構建數據集，以增加方法的魯棒性；其次，使用多窗譜譜減法(Multitaper Spectral Subtraction，MTSS)去除背景噪聲；最后，自行設計3層網絡結構，將去噪后的聲信號的時頻圖輸入經過訓練的CNN網絡，進行泄漏識別。

1 方法

下面是本文提出的管道聲學信號識別方法的介紹。圖1 表示了所提出方法的總體架構，該方法主要包括3 個部分：(1) 使用MTSS 對聲學信號去噪；(2)將去噪后的信號轉化為含有泄漏特征的特征圖；(3)使用CNN對特征圖進行泄漏識別。

圖1 泄漏識別方法流程圖

1.1 MTSS算法

多窗譜方法(Multi-taper Method，MTM) 由Thomson提出[19–21]，使用一個正交的錐形窗集合分別求信號的譜，之后求其平均值，可得到比常規周期圖法更準確的譜估計。

MTSS的具體步驟為：

對于原始聲學信號x(n)加窗并分幀后得到xi(m)，i表示第i幀。對xi(m)進行快速傅立葉變換(FFT)，獲得其幅度譜|Xi(k)|和相位譜θi(k)。在i幀前后共取3幀進行平均，計算平均幅度譜|(k)|：

使用MTM 計算分幀后的信號xi(m)的功率譜密度P(k,i)。在i幀前后共取3 幀對P(k,i)進行平滑,求得信號第k幀的平均功率譜密度k,i)：

以相同原理可以求出噪聲的平均功率譜密度(k)，其中k,i)為噪聲第k幀的平均功率譜密度，N為噪聲總幀數：

求得譜減后的幅度譜|(k)|：

式中：α為過減因子且α>1，β為增益補償因子且β一般取0.002[19–20]。

1.2 CNN算法

CNN 是一種具有表征學習能力的前饋神經網絡。為了進行管道泄漏識別，同時發揮CNN 的優勢，本文提出了一種改進的CNN網絡：

(1) 由于聲信號是一維信號，使用CNN 對聲信號進行識別一般先分幀，再直接輸入一維CNN進行特征提取。這種方法設計的CNN 主要對信號在時域范圍內進行特征提取，難以獲取信號的頻譜特征。本文先對聲信號進行短時傅里葉變換(short-time Fourier transform，STFT)，將一維數據轉化為二維數據，兩個維度分別代表信號的時域和頻域信息，之后輸入CNN進行模式識別。

(2)針對管道聲學信號特點設計的網絡，采用3層卷積層和3層池化層進行特征提取，使用2層全連接層進行管道泄漏聲學信號分類。圖2顯示了本文設計的CNN的具體結構。

圖2 本文設計的CNN結構示意圖

(3)結合聲學信號時頻圖的特征，將卷積核確定為長方形。此外，考慮到使用小而深的卷積核可以達到與大的卷積核相同的效果，同時具有減少參數、泛化性能強的優點，因此卷積層前2層使用5×1的長方形卷積核，第三層使用3×3的正方形卷積核。

為了減少冗余信息，增強特征，在每層卷積層的后面都使用最大池化的方法進行下采樣。池化層的尺寸為2×2，步長為2。

2 實驗研究

2.1 實驗裝置

為驗證所提出的管道聲學信號識別方法的性能，搭建實驗平臺并進行實驗。圖3 為實驗平臺的布置示意圖。管道為長12 m、外徑220 mm、內徑216 mm的鋼管。

圖3 實驗平臺布置示意圖

如圖4(a)、圖4(b)所示。使用泄漏孔模擬現實中的泄漏場景，泄漏孔位于管道中心位置，距離管道兩端各6 米。本文研究的泄漏孔直徑分別為0.4 mm、0.6 mm、0.8 mm 和1 mm。考慮到供水管道的壓強一般為0.3 MPa～0.5 MPa，選擇0.3 MPa 和0.5 MPa兩個典型的壓力值模擬實際場景。實驗時分別把檢測裝置放在距離泄漏孔1 m、2 m、3 m、4 m、5 m 處實驗。

圖4 實驗裝置圖

設計了一種系纜式管道內檢測器，如圖4(c)所示。該檢測器頭部裝有動力傘結構，可以利用管道內流體動力推動檢測器在管道內前進。該檢測器能夠更加接近泄漏點，因此具有更高的檢測靈敏度。此外，由于采用系纜式節狀結構，因此相比于采用傳統PIG和球形檢測器更加靈活，更容易回收，具有很好的應用前景。

考慮到內檢測器需要將傳感器置于管道內部，這樣對傳感器的尺寸具有嚴格的限制。因此，聲學傳感器使用自制高性能全指向性MEMS麥克風，該麥克風相比于水聽器體積更小，靈敏度為-45 dB。頻率范圍為20 Hz～20 000 Hz。采集系統采樣頻率為44.1 kHz，略大于人耳聽力上限的兩倍。考慮到實驗管道長度有限，實驗時拆下帶有聲學檢測系統的測量節(圖4(c)中左側第1節)進行實驗。

2.2 信號去噪

由采集系統采集到的聲信號一般都含有噪聲，首先需要對信號進行去噪。使用MTSS 降噪，根據參考文獻[19–20]的建議，過減因子α與信號的信噪比和實際信號有關，需要根據實驗進行選擇。為了設置合適的參數，將RESON TC4013 水聽器測得的實際泄漏信號作為純凈信號，使用MATLAB2014a在純凈信號中添加高斯白噪聲，得到帶噪信號。采用去噪后提高的信噪比作為去噪結果的評價指標。

圖5 顯示了過減因子α與提高的信噪比之間的關系圖。從圖中可以看出，設置初始信噪比分別為-5、0、5，提高的信噪比達到最高時α分別為1.8、2、2.2。因此，考慮到實際測得的信號的信噪比在0 附近，設置過減因子α=2。

圖5 過減因子α與提高的信噪比關系圖

圖6 表示0.5 MPa 壓力、測量點距離泄漏孔1 m處的條件下不同泄漏孔去噪前后信號波形圖。從圖6中可以看出，去噪前信號由于毛刺較多，泄漏和小泄漏情況下的信號難以分辨；去噪后無泄漏情況下的信號趨于平坦，小泄漏情況下的信號的毛刺被去除，信號的關鍵成分被保留，去噪取得了明顯的成效。

圖6 不同泄漏孔去噪前后信號波形圖

圖7 是不同條件下聲信號時頻圖。從圖7 中第一行可以看出，由于麥克風底噪等因素的影響，原始信號在頻域內主要表現為寬頻帶特征，信號的特征被噪聲掩蓋；尤其是無泄漏和小泄漏情況下的原始信號較為相似，難以分辨。使用MTSS 算法進行去噪后，如圖7 第二、第三行所示，無泄漏情況下的噪聲基本被濾除，而小泄漏情況下的信號特征仍能夠保留，有利于下一步的分類工作。此外，從圖7中第4行可以看出，隨著測量距離的增加，聲信號發生衰減，高頻信號衰減快，低頻信號衰減慢，但總體的頻譜特征保持基本一致。

圖7 不同條件下聲信號時頻圖

考慮到現有文獻使用泄漏速率或泄漏孔直徑描述泄漏場景[9–15]，為了方便與已有的方法進行對比，對人工模擬泄漏的泄漏速率進行測量，圖8 繪出了壓力、泄漏孔直徑與實際測量得到的泄漏速率的關系。

圖8 泄漏孔直徑與泄漏速率關系圖

3 實驗結果及討論

3.1 信號特征圖生成與訓練

聲信號的采樣頻率為44.1 kHz，將去噪后的信號在時域內進行分幀，設置幀長為1 024 個點，對應時域范圍為23 ms，窗函數為漢寧窗，兩個相鄰的幀之間有50 %重疊，獲得分幀后序列xi(n) 。對每一幀做FFT，獲得其幅度譜Xi(k) 。參考文獻[22]指出，在4.3 kHz 以上聲壓譜變得復雜；而且，與低于4.3 kHz 的頻譜相比，聲能比較弱。因此，選擇4.3 kHz作為泄漏識別的上限頻率，同時考慮到實際工程應用過程中的低頻噪聲擾動，選擇下限頻率為500 Hz。在幅度譜中根據研究需要取第12～102個點(對應頻率范圍為500 Hz～4 394 Hz)。將相鄰的40 幀組成一張圖片，得到的圖片尺寸為90×40。圖像的特征提取流程圖如圖9所示。

將樣本的70%作為測試集，30%作為驗證集。改變壓力、測量點距泄漏點距離和泄漏孔直徑大小，所獲得訓練集總數為18 382，測試集總數為7 878。獲取的數據數量如表1所示：

表1 訓練集與測試集數量表

CNN 使用TensorFlow1.14.0 和python3.7 實現。使用Adam optimizer梯度下降法訓練網絡，Adam的參數設置為：learning rate=0.001。損失函數設置為交叉熵，batchsize 設置為64。為了加快訓練速度且避免梯度消失問題，使用Leaky ReLU 作為激活函數。

3.2 模型識別結果與分析

使用混淆矩陣對分類算法的性能進行評估。對于本文提出的識別算法，混淆矩陣如表2 所示。混淆矩陣的橫軸代表真實類型，縱軸代表預測類型，中間的數據代表對應的樣本數量；主對角線上的數據為預測正確的樣本數(圖中加粗顯示)。表3 給出了不同方法的識別正確率。

對表2 和3 進行聯合分析可以發現，無泄漏和1 mm泄漏的識別率較高，可以達到97%以上；所有類別泄漏孔的識別正確率均能夠到92%以上；平均識別準確率達到了95.28%。

表2 基于CNN的分類結果混淆矩陣

為了顯示本文所提出的管道泄漏識別方法的優越性，將其與基于AlexNet[23]和支持向量機(Support vector machine,SVM)[10,13–14,24]的機器學習方法進行比較。AlexNet為經典的CNN網絡，基于AlexNet的識別結果如表3第3行所示。

表3 不同分類方法識別準確率/(%)

SVM是管道泄漏識別常用的機器學習方法，提取去噪后的聲信號特征后將其輸入到SVM 中。提取的特征為：標準差，頻率質心，絕對均值，均方根值和短時能量，這是文獻中最常用的特征[10,13–14,24]。圖9 顯示了前3 個特征的散點圖：標準差，頻率質心和絕對均值。從圖10中可以看出，當泄漏孔直徑接近時，泄漏信號的特征向量非常接近，這會影響到SVM的識別性能。

圖9 圖像特征提取過程圖

圖10 聲信號3個特征的散點圖

從表3 中可以看出，本文提出的管道泄漏聲信號識別方法的平均識別率高于SVM 和AlexNet 方法。對于不同的泄漏場景，SVM 和AlexNet 方法對泄漏孔直徑為1 mm的泄漏識別效果較好，對于剩余的泄漏場景分類效果不佳，準確率均低于88%。結果表明，所提出的方法在泄漏識別領域是有效的。

4 結語

本文提出了一種基于CNN 的管道泄漏聲信號識別方法。為了驗證本文提出的識別方法的性能，搭建實驗平臺，采集不同條件下的泄漏聲信號；用MTSS 去除該信號背景噪聲，并通過計算得到去噪聲信號的時頻圖；將時頻圖作為數據集輸入CNN系統。結果表明，本文提出的方法的平均識別準確率為95.28%。同時，與SVM和AlexNet方法的識別性能進行比較，可知本文的方法具有明顯優勢，可用于管道泄漏聲學內檢測領域。但本文的實驗數據均在實驗室條件下測得，下一步可考慮在現場管道中部署系纜式管道內檢測系統，獲得更多的數據集，進而優化本文提出的方法。