基于聲音識(shí)別與溫度診斷的天然氣泄漏監(jiān)測

黃忠勝 劉文華 宋文容 強(qiáng)富平

1. 國家管網(wǎng)西部管道公司 新疆 烏魯木齊 830000

2. 昆侖數(shù)智科技有限責(zé)任公司 北京 102200

目前國內(nèi)外管道閥室泄漏檢測方法主要分為兩大類，即直接檢測和間接檢測[1]。這些泄漏檢測方法存在諸多缺陷，主要表現(xiàn)在：①需要實(shí)時(shí)獲取管道運(yùn)行壓力、流量、溫度等運(yùn)行參數(shù)，而實(shí)際中對(duì)管道閥室獲取完整的實(shí)時(shí)數(shù)據(jù)難度大[2]；②無論直接檢測或是間接檢測，上述檢測方法與管道閥室信息化管理，仍然需要大量人工參與，不利于管道閥室數(shù)字化智能化建設(shè)[3]；③目前檢測方法多基于單因素?cái)?shù)據(jù)（如管道），對(duì)閥室的溫度、聲音等自然環(huán)境影響參數(shù)應(yīng)用研究不足，不能從整體多維度進(jìn)行信息分析和多種檢測方法的相互校驗(yàn)[4]。

為解決上述檢測方法存在的問題，本文提出了基于多算法融合的閥室天然氣泄漏智能檢測分析研究方法，通過智能聲音識(shí)別和溫度規(guī)則綜合診斷，提高管道閥室天然氣泄漏檢測準(zhǔn)確率和可靠性。

1 智能音頻診斷技術(shù)研究

1.1 音頻降噪技術(shù)研究

下面主要研究數(shù)字濾波、小波降噪、譜減法3種典型的降噪方法。

1.1.1 數(shù)字濾波

數(shù)字濾波對(duì)輸入信號(hào)采樣多次，然后用特定計(jì)算方法進(jìn)行數(shù)字處理，以削弱或?yàn)V除干擾噪聲造成的隨機(jī)誤差，從而獲得真實(shí)信號(hào)過程。

1.1.2 小波降噪

基本思路是將信號(hào)通過小波變換，信號(hào)產(chǎn)生的小波系數(shù)含有信號(hào)的重要信息，將信號(hào)經(jīng)小波分解后小波系數(shù)較大，噪聲小波系數(shù)較小，通過選取合適的閥值進(jìn)行篩選[5]。

1.1.3 譜減法降噪

譜減法適用于滿足平穩(wěn)噪聲（整個(gè)時(shí)間范圍內(nèi)，噪聲均值和方差基本保持不變），且噪聲為純加性噪聲的場景。工程中一般默認(rèn)混合信號(hào)（含噪信號(hào)）的前幾幀僅包含環(huán)境噪聲，利用混合信號(hào)的前幾幀的平均幅度譜或者能量譜作為估計(jì)噪聲的幅度譜或者能量譜。最后利用混合信號(hào)（含噪信號(hào)）的幅度譜或者能量譜與估計(jì)到的幅度譜與能量譜相減，得到純凈信號(hào)的幅度譜或者能量譜。

1.2 音頻特征提取技術(shù)研究

通過拾音器獲取聲音信號(hào)，經(jīng)過采樣與量化，轉(zhuǎn)化為數(shù)字信號(hào)。通過對(duì)數(shù)字信號(hào)進(jìn)行分幀、加窗處理，即得到固定時(shí)間間隔的音頻幀。從這些音頻幀中取出固定維度的特征向量，再對(duì)這些特征進(jìn)行幀疊加與幀采樣，即完成了音頻由時(shí)域到頻域的特征提取，得到最終的特征幀。這些最終的特征幀將被作為機(jī)器學(xué)習(xí)算法的輸入，去完成聲音識(shí)別等高級(jí)任務(wù)。

1.3 泄漏音頻異常檢測

1.3.1 基本思路

每種聲音都具有其獨(dú)特性，音頻片段A提取特征logfBank1（logfBank提取算法類似于MFCC算法，都是基于fBank特征提取結(jié)果基礎(chǔ)上，再進(jìn)行一些處理），在音頻A中加入泄漏聲音后提取混合聲音頻特征logfBank2，logfBank1與logfBank2其特征數(shù)值差異即為是否含有異常泄漏聲音。

1.3.2 基于panns_cnn14神經(jīng)網(wǎng)絡(luò)模型進(jìn)行異常檢測

本次采用pans_cnn14作為預(yù)訓(xùn)練模型，用于音頻的特征訓(xùn)練。

（1）數(shù)據(jù)集準(zhǔn)備

訓(xùn)練音頻分2組，分為泄漏音頻和非泄漏音頻，泄漏音頻內(nèi)包含有天然氣閥室真實(shí)泄漏聲音以及實(shí)驗(yàn)室模擬泄漏聲音，總計(jì)時(shí)長達(dá)8h；非泄漏音頻包含天然氣閥室背景聲音以及日常生活背景聲，總計(jì)時(shí)長達(dá)40h。2組音頻通過格式轉(zhuǎn)化、采樣率歸一化、音頻降噪處理、音頻切分等處理，分給每個(gè)時(shí)長為5s的wav格式音頻片段。

（2）加載預(yù)訓(xùn)練模型

項(xiàng)目基于百度飛槳PaddleSpeech深度學(xué)習(xí)框架進(jìn)行開發(fā)，預(yù)訓(xùn)練模型基于Audioset音頻數(shù)據(jù)進(jìn)行訓(xùn)練，該數(shù)據(jù)由谷歌發(fā)布，包括632個(gè)音頻事件類的擴(kuò)展類目和從YouTobe視頻整理的2084320個(gè)人類標(biāo)記的10s聲音剪輯的結(jié)合，可涵蓋大部分的音頻場景。

（3）設(shè)計(jì)分類算法

深度學(xué)習(xí)方法可以突破特征維度數(shù)量的限制，以更靈活的組網(wǎng)方式和更深的網(wǎng)絡(luò)層次，更好地提取聲音的高層特征，從而獲得更好的分類指標(biāo)[6]。

采用panns中的CNN14作為backbone，用于提取聲音的深層特征，SoundClassifer創(chuàng)建下游的分類網(wǎng)絡(luò)，實(shí)現(xiàn)對(duì)輸入音頻的分類。

（4）工程部署和實(shí)驗(yàn)測試

實(shí)驗(yàn)測試數(shù)據(jù)采用與訓(xùn)練數(shù)據(jù)相同的格式，實(shí)際泄漏音頻420個(gè)，非泄漏音頻9580個(gè)，合計(jì)10000個(gè)音頻。實(shí)驗(yàn)基于最新訓(xùn)練模型，預(yù)測準(zhǔn)確率99.7%，錯(cuò)誤率0.3%。

1.4 泄漏音頻相似性檢測

1.4.1 基本思想

提取特定時(shí)長音頻特征矩陣，通過計(jì)算矩陣相似度來表示音頻之間的相似程度。獲取泄漏音頻作為比對(duì)庫，計(jì)算測試音頻與比對(duì)數(shù)據(jù)庫中所有泄漏音頻相似度均值，通過與實(shí)驗(yàn)探索的閾值進(jìn)行對(duì)比，預(yù)測測試音頻是否泄漏。

1.4.2 基于音頻MFCC特征提取矩陣進(jìn)行相似度計(jì)算

（1）數(shù)據(jù)集準(zhǔn)備

數(shù)據(jù)集準(zhǔn)備同1.3.2數(shù)據(jù)準(zhǔn)備一致。

（2）音頻特征提取

梅爾頻譜特征作為聲音識(shí)別和聲紋識(shí)別領(lǐng)域最為成熟的音頻特征，諸多音頻處理工具包如librosa、torchaudio、paddleaudio等都有MFCC特征提取函數(shù)，輸入音頻文件，即可獲得相應(yīng)的特征矩陣。

利用訓(xùn)練好的聲音分類模型，截取神經(jīng)網(wǎng)絡(luò)和線性層部分作為新模型，可獲取一維音頻特征表示向量，實(shí)驗(yàn)探索中使用panns_cnn14成熟音頻分類模型，并基于實(shí)驗(yàn)音頻數(shù)據(jù)進(jìn)行訓(xùn)練微調(diào)。

實(shí)驗(yàn)探索中基于聲紋模型神經(jīng)網(wǎng)絡(luò)層（自定義多層LSTM或成熟的ECAPA-TDNN模型）加線性層作為新模型，獲取音頻一維特征向量。

（3）相似性度量與閾值探索

音頻經(jīng)過特征提取即可獲得矩陣或一維向量，通過比較矩陣或向量的相似性即可表示音頻之間的聲音相似程度：

相似性方案中閾值確定，計(jì)算每一個(gè)泄漏音頻與其他泄漏音頻的相似性，得到數(shù)組χ0，χ1，χ2…χi，同樣計(jì)算每一個(gè)非泄漏音頻與所有泄漏音頻的相似性，得到數(shù)組δ0，δ1，δ2…δj尋找最佳可區(qū)分兩組相似性的值α作為區(qū)分閾值。

（4）工程部署和實(shí)驗(yàn)測試

實(shí)驗(yàn)測試數(shù)據(jù)采用與訓(xùn)練數(shù)據(jù)相同的格式，實(shí)際泄漏音頻420個(gè)，非泄漏音頻9580個(gè)，合計(jì)10000個(gè)音頻。實(shí)驗(yàn)分別基于3種音頻特征提取方式進(jìn)行測試，梅爾頻譜系數(shù)診斷預(yù)測準(zhǔn)確率99.78%，效果略優(yōu)于其他2種診斷方式。

2 結(jié)構(gòu)化溫度診斷規(guī)則與實(shí)驗(yàn)測試

2.1 同一采集點(diǎn)溫度隨時(shí)間變化閾值設(shè)置與實(shí)驗(yàn)測試

先采集一段時(shí)間的區(qū)域最低溫，以此計(jì)算平均最低溫Ta，后續(xù)測得的實(shí)時(shí)區(qū)域最低溫T低于該平均溫某個(gè)特定值（閾值A(chǔ)），即：T

根據(jù)方案設(shè)計(jì)，在不同閾值設(shè)定下進(jìn)行30次（25次非泄漏，5次模擬泄漏）工況實(shí)驗(yàn)，測試表明在實(shí)驗(yàn)工況條件下設(shè)置閾值為1.8℃效果最佳。

2.2 不同采集點(diǎn)溫度對(duì)比變化的閾值設(shè)置與實(shí)驗(yàn)測試

具體做法是，采集閥室不易發(fā)生泄漏位置處溫度Ta，采集閥室容易發(fā)生泄漏位置處溫度Tb，設(shè)備每隔30s采集兩區(qū)域的溫度進(jìn)行對(duì)比。正常工況條件下Ta與Tb接近，當(dāng)泄漏發(fā)生時(shí)，Ta>>Tb，通過與設(shè)定閾值T對(duì)比診斷。因兩區(qū)域處于相同的工況條件，能夠影響兩區(qū)域溫度差異發(fā)生變化的因素，排除采集設(shè)備的微小差異，只有泄漏工況條件。

根據(jù)方案設(shè)計(jì)，在不同T值設(shè)定下分別進(jìn)行了30次（25次非泄漏，5次模擬泄漏）工況實(shí)驗(yàn)，測試表明在實(shí)驗(yàn)工況條件下設(shè)置閾值0.8℃效果最佳。

3 綜合音頻診斷與溫度數(shù)據(jù)檢測分析

3.1 音頻綜合診斷

結(jié)合泄漏音頻異常檢測與泄漏音頻相似性對(duì)比兩種方案，將音頻事件檢測過程中模型預(yù)測概率值與音頻相似性賦予不同權(quán)重，再與經(jīng)驗(yàn)閾值進(jìn)行對(duì)比，從而給出音頻綜合診斷結(jié)果。

3.2 結(jié)構(gòu)化溫度綜合診斷

結(jié)構(gòu)化溫度診斷的2種方案，在大量實(shí)驗(yàn)基礎(chǔ)上，分別給出方案最佳閾值和在該閾值條件下預(yù)測結(jié)果的準(zhǔn)確度。賦予2種預(yù)測不同權(quán)重，再與經(jīng)驗(yàn)值閾值對(duì)比，給出溫度診斷結(jié)果。

3.3 音頻、結(jié)構(gòu)化溫度綜合診斷

考慮到任何單一診斷方法都很難達(dá)到完全準(zhǔn)確可靠，而天然氣泄漏的危害性極大。在綜合音頻、結(jié)構(gòu)化溫度診斷時(shí)，任何一種方案監(jiān)測到泄漏即進(jìn)行報(bào)警。

在590次工業(yè)試驗(yàn)中預(yù)測準(zhǔn)確率在97%以上，測試結(jié)果如表1所示。

表1 綜合工業(yè)試驗(yàn)異常診斷實(shí)驗(yàn)結(jié)果

4 結(jié)束語

本文研究基于聲音、結(jié)構(gòu)化溫度綜合分析進(jìn)行診斷，針對(duì)西部管道公司輸氣管道2處閥室開展工業(yè)性試驗(yàn)。通過泄漏音頻異常檢測和音頻相似性對(duì)比進(jìn)行聲音綜合診斷；通過檢測同一采集點(diǎn)溫度隨時(shí)間變化和同時(shí)檢測不同采集點(diǎn)溫度差異進(jìn)行溫度綜合診斷。