Page 89 - 无损检测2023年第三期

曹智敏, 等:

输气管道泄漏声波识别和定位方法研究现状

漏信号, A 为混合矩阵, n ( k ) 为混合后的泄漏信号, 特征, 将其作为训练 SVM 分类器的输入进行泄漏识
(
Q
m ( k ) 为噪声, 为白化矩阵, W 为解混矩阵, Y i k ) 别, 精度可以达到95.6% 。基于支持向量机框架, 最
为分离信号。盲源分离能够将泄漏信号和噪声分 小二乘支持向量机( LS-SVM ) 、 改进的粒子群优
[ 30 ]
离, 实现对泄漏声波信号的滤波。在该方法的实际 化算法( SMDPSO ) -SVM [ 31 ] 等算法对支持向量机参
应用过程中, 快速独立成分分析( FastICA ) 由于计 数进行优化, 提高了 SVM 的泛化学习能力。综上
算过程较为简便, 收敛速度快等优点得到广泛应用。 所述, 支持向量机对小样本数据以及非线性情况下
刘光晓等 [ 24 ] 通过快速独立成分分析算法对输气泄 的信号处理有独特优势, 可以对管道泄漏进行较准
漏声波信号进行分离滤波处理, 证明了盲源分离技 确地判别 [ 32 ] , 但是该算法在核函数和惩罚参数的选
术具有较好的滤波效果和适用性。当对长输管道泄 择上没有固定准则, 往往需要靠经验、 试凑等方法进
漏进行检测时, 可能会产生数百个声波信号, 参数量 行选择, 粒子群算法、 灰狼算法等一系列优化算法往
和计算速度要求超出了传统盲源分离系统的能力, 往与支持向量机结合, 使其在参数选择上更加合理,
DANKERS等 [ 25 ] 使用稀疏估计技术结合盲源分离 提高了管道泄漏识别精度。
技术改善声学泄漏检测系统, 减少估计参数和计算
时间, 更容易在测量数据中找到声学泄漏事件。盲
源分离虽然能弥补一些时频分析方法的不足, 可以
在输入声源信息和先验知识较少时对泄漏进行识
别, 且具有良好的信噪比, 但其使用时有原始泄漏信
号之间相对独立、 观测泄漏信号数目要不小于原始
泄漏信号数目、 原始泄漏信号中最多只有一个泄漏
图2 支持向量机泄漏检测原理示意
信号满足高斯分布等限制条件。在泄漏信号采集过
程中, 外部干扰信号易耦合到管壁中, 因此, 如何有 2.2.2 神经网络
利用泄漏信号隐藏的深层特征, 实现特征的自
效分离泄漏信号和干扰信号, 又能保证计算速度快、
动提取, 探究适用范围大, 泛化能力强的泄漏检测方
精度高成为进一步需要研究的问题。
2.2 基于智能算法的泄漏识别方法 法是目前的热点问题 [ 33 ] 。基于神经网络的泄漏识
2.2.1 支持向量机 别原理如图3所示。
支持向量机( SVM ) 是一种基于统计理论的机
器学习算法, 泛化能力强, 可以解决小样本、 非线性
核高纬模式识别问题 [ 26 ] , 其泄漏识别原理如图2所
示。 SVM 将训练数据向高维空间投影, 其识别泄漏
信号性能与核函数和惩罚系数的选择有紧密关系,
YU 等 [ 27 ] 分别选取了高斯径向基( RBF ) 核、 线性核、
多项式核、 Si g moid核等 4 个核函数分别对泄漏信
号进行识别, 结果表明基于高斯 RBF 核函数的

SVM 算法的识别精度最高。相比其他3种核函数,
RBF核函数训练时间和测试时间更短, 总体泄漏识
别准确性更高, 因此基于 RBF核函数的支持向量机 图3 基于神经网络的泄漏识别原理示意
常被用于泄漏识别中。 BANJARA 等 [ 28 ] 进一步探索 卷积神经网络( CNN ) 应用于管道泄漏声波信
基于 RBF内核的SVM 和相关向量机( RVM ) 机器学 号识别优势明显, 卷积核通过位于不同位置的图像

习算法, 发现与 RVM 算法相比, SVM 对于泄漏信号 块进行卷积运算, 对泄漏声波的有效特征进行提取
的识别精确度更高。 BANJARA 等提取的是泄漏声 和识别, 卷积核的形状一般为正方形, 不同的卷积核
波的时域特征, 并未在频域上对泄漏声波特征进行分 尺寸与 CNN 模型性能有着密切关系。宁方立等 [ 34 ]
析。 XIAO 等 [ 29 ] 提出了一种基于支持向量机与小波 对卷积神经网络进行改进, 提出使用扁横状卷积核
变换的融合声学泄漏检测方法, 提取管道泄漏的时频 对泄漏超声信号进行识别, 较传统 CNN 模型有更

1
5
2023年 第45卷 第3期
无损检测