天然氣管道泄漏聲學檢測及定位方法

韓寶坤，何景濤，王金瑞，張 凱，趙明明，李念沖

(1.山東科技大學 機械電子工程學院，山東 青島266590；2.青特集團有限公司，山東 青島266000)

由于管道運輸獨特的優勢，管道在液體、氣體運輸等工程領域中發揮著越來越重要的作用。隨著時間的推移，管道老化，不可避免的腐蝕磨損[1-2]，發生管道泄漏的風險不斷增加，尤其是孔徑微小的泄漏對天然氣管道的安全運行具有極大的潛在威脅[3]。由于泄漏口施加的壓力和且管道表面的損傷都較不明顯，很難準確檢測和定位這類泄漏[4]。不同孔徑燃氣管道泄漏造成的危險程度不同，需要采取不同的應對措施。及時識別泄漏孔徑對維持正常運行至關重要。因此，開發一種快速、準確地識別泄漏孔徑的有效方法至關重要。

目前管道泄漏檢測的研究越來越受到關注，通常采用基于控制理論和信號處理的檢測方法，如負壓波檢測方法[5-6]，壓力梯度法，瞬態模型法[7]和局部均值分解等[8-9]，這些方法廣泛應用于管道泄漏檢測領域，但是每種方法各有自身的特點或缺陷。管道泄漏測得信號通常是非平穩的且具有非線性噪聲，去噪不理想會影響負壓波方法檢測和定位準確性。局部均值分解存在模態混淆現象，會降低信號的準確性，對于直徑2 mm的泄漏孔徑識別精度較低。同時隨著管道規模的不斷擴張，數據采集量呈指數級增長，使得天然氣管道泄漏監測進入大數據的時代[10]。如何從管道海量數據中有效提取特征，實現自動、高效、準確識別管道的故障狀況，已成為管道大數據智能檢測面臨的新問題。

深度學習理論作為大數據處理的一種有前景的工具，有效地克服了傳統方法的依賴性和繁瑣性，能夠快速有效地處理采集到的海量信號，提供準確的狀態診斷結果。深度學習已經在圖像、語音、自然語言處理、CTR(Click through rate)預估、大數據特征提取等方面獲得廣泛的應用[11-13]。雷亞國等[14]提出了利用深度學習原理，通過堆疊自編碼(Stacked autoencoders，SAE)深度神經網絡對復雜數據進行自適應特征提取，實現了較為顯著的檢測效果。Cody等[15]提出了基于卷積神經網絡(Convolutional neural network，CNN)與變分自編碼器(Variational autoencoder，VAE)相結合的管道泄漏檢測方法。Zhou等[16]提出了一種利用卷積神經網絡進行泄漏檢測的圖像識別方法，更好地解決不同泄漏孔徑或不同泄漏位置特征高度相似問題。Bae 等[17]提出了一種基于深度學習(Deep learn，DL)的管道泄漏檢測技術，該方法在復雜的噪聲環境下仍能獲得可靠的檢測性能。

針對天然氣管道泄漏檢測正在向大數據分析發展的趨勢，本文提出一種通過深度學習方法獲取采集信號特征并識別的智能天然氣管道泄漏檢測方法。在深度神經網絡的學習中，為抑制過擬合現象和提高網絡的泛化能力，通常采用權值衰減的方法加入正則化項對大的權重值進行懲罰，初始取值不好對網絡學習率要求比較苛刻，必須要選取非常小的學習率進行更新，但學習率本身是需要調節自身大小來選取較適合的值使網絡訓練得更好。權重矩陣的初始值非常重要，設定的好壞關系到網絡學習能否成功，網絡中存在梯度消失和表現力受限等問題，避免在某一層的正向傳播和反向傳播進入飽和區域，拖慢網絡訓練進程。本文在深度稀疏濾波網絡訓練中引入He初始值[18]，同時在各層稀疏濾波間插入批標準化[19]來調整各層激活值分布使其擁有適當的廣度，加快深度稀疏濾波的收斂。本文首先根據管道泄漏監測信息提取出泄漏的頻域信號，然后將其輸入到批標準化的He初始值深度稀疏濾波中進行訓練，最后通過Softmax回歸[20]作為分類器實現不同泄漏口徑的準確快速識別。通過設計兩組管道泄漏試驗驗證提出方法的有效性。

1 理論背景

選用無監督特征學習的稀疏濾波算法進行逐層訓練構成深度神經網絡，Softmax回歸判別作為分類層，在權重初始值設定引入He初始值，向每層稀疏濾波和激活函數之間插入對數據分布進行正規化的批標準化層，建立識別泄漏孔徑的深度稀疏濾波。

1.1 He初始值深度稀疏濾波

深度稀疏濾波的基本組成單元是稀疏濾波結構，稀疏濾波的工作原理是優化一個簡單的代價函數—L2范數，來進行直接分析優化特征分布，其特征分布主要滿足以下3個特征屬性：種群稀疏、存在稀疏和高分散性。即稀疏濾波算法就是根據這3個特征屬性去分辨和學習訓練樣本中的特征。

稀疏濾波的結構如圖1 所示。輸入為采集樣本，輸出為學習到的特征，在輸入的樣本集中，xi∈RN×1表示為有N個數據點的樣本，M為樣本總數，為了更好地訓練網絡，權重矩陣W初始值設定時引入He初始值，選用均值為0，標準差為的高斯分布作為初始值，網絡可以通過權重矩陣W∈RL×N學習到對應的特征集其中f i∈RL×1表示學習了L個特征向量。進一步可以將輸入樣本集寫成矩陣xi∈RN×M。具體映射關系為：

圖1 稀疏濾

首先由特征值組成的特征矩陣f∈RL×M，將所有樣本中f的每一行通過L2范數進行歸一化：

其中：fl表示特征矩陣f的第l行特征向量，‖ · ‖2為L2范數。然后的每一列通過L2范數進行歸一化，即：

最后，通過L1范數懲罰最小化目標函數，得到優化的權重矩陣W，目標函數為：

通過稀疏濾波訓練得到一個單層的歸一化特征，以它當成下一層的輸入去訓練第二層，如圖2所示。將He初始值稀疏濾波逐層訓練傳播，由此構成深度稀疏濾波，Softmax 回歸分類器與標簽數據結合，通過BP算法進行權重矩陣更新和參數微調。

圖2 深度稀疏濾波結構

1.2 批標準化

批標準化的思路是調整各層的激活值(激活函數輸出的值)分布使其擁有適當的廣度，讓每一層傳遞的數據更具多樣性，使得網絡進行高效的學習。從訓練數據中按批尺寸單位隨機選擇一部分數據B={x1,x2,…,xm}進行正規化，使輸入數據轉變為均值為0、方差為1的數據：

其中：μB表示每一單元的均值為方差，ε是一個微小值，選取為10-8，為了防止出現分母為零的情況，然后批標準化層對正規化后的數據進行縮放和平移的變換：

其中：γ和β分別表示縮放和平移參數，初始γ=1,β=0，然后再通過反向傳播更新調整合適的值。梯度損失?在批標準化訓練中反向傳播公式：

批標準化將上層提取特征引入到激活函數中，激活后傳遞到下層，確保每層稀疏濾波都能有效的對輸入分布進行學習，通過批標準化對激活值進行平移縮放，強制性地調整激活值分布使其擁有適當的廣度，增強網絡的表現力[21]，可以增大學習率，使學習快速進行。本文選取可以減輕訓練中產生梯度消失問題的ReLU函數作為激活函數。

2 改進稀疏濾波的泄漏孔徑識別方法

選用針對輸氣管道泄漏口識別檢測，提出采用改進的稀疏濾波網絡來處理泄漏孔徑識別問題，該方法的流程圖如圖3所示，

圖3 提出方案框架

具體步驟如下所述：

(1)采用原始泄漏信號的頻譜作為訓練樣本，分別設定每一層稀疏濾波的輸入維數為Nin，輸出維數為Nout，組成訓練樣本集，其中M是樣本個數，x1∈?Nin×1是第i個樣本，li是樣本xi的健康標簽；

(2)通過批標準化的深度稀疏濾波建立神經網絡，單獨采用訓練集中原始頻域樣本數據對深度稀疏濾波網絡進行無監督訓練；

(3)利用樣本標簽li通過Softmax 回歸對網絡訓練結果計算損失，然后由BP反向傳播算法通過隨機梯度下降法對權重更新和參數微調，最小化Softmax損失函數的誤差；

(4)通過測試樣本集驗證識別準確率。

3 試驗驗證

本文試驗所使用的輸氣管道泄漏試驗臺包含空氣壓縮機、緩沖罐、管道、數據采集系統等，如圖4所示。信號采集是通過泄漏孔附近的聲波傳感器檢測到泄漏聲波，并將聲波傳遞給檢測系統。在輸氣管道泄漏過程模擬試驗中，因天然氣易燃爆炸，故使用空氣替換天然氣進行泄漏模擬試驗，將采集到的泄漏信號導入MATLAB軟件，對網絡進行訓練。

圖4 管道泄漏檢測試驗平臺

3.1 案例分析：輸氣管道泄漏口徑識別

模擬設置了四種泄漏孔徑：直徑2 mm、3 mm 、5 mm的圓形泄漏孔，邊長15×4 mm長方形泄漏孔，四種泄漏孔徑分別如圖5 中(a)、圖5(b)、圖5(c)、圖5(d)所示。采樣頻率為12.8 kHz，共采集4.8×105個數據，將其分為不同泄漏口徑數據點個數為1 200的單個樣本。選用頻域信號可以避免時移特性的干擾，通過快速傅里葉變換(Fast fourier transform，FFT)將時域信號轉變為頻域600 個傅里葉系數，頻域數據輸入到網絡中進行訓練的同時，信號長度比時域信號尺寸減少了一半，縮短了網絡計算時間。

圖5 管道泄漏不同形狀設計孔徑

深度稀疏濾波網絡結構設置共4 層，每層輸入維數分別為：600、400、200、100，最后一層輸出為50。為核驗框架的魯棒性，試驗隨機選取全部樣本中10%的數據作為訓練樣本，對剩余90%進行測試。試驗重復進行20次以減少隨機因素的影響，每層稀疏濾波迭代次數為10次，學習率為0.1，批尺寸為5。

識別結果如圖6所示。可以看到在訓測比為1：9 的情況下，20 次試驗的訓練準確率保持在100%，測試階段針對不同泄漏孔徑識別的平均準確率也達到99.78%，因此足以說明提出的方法能夠快速準確識別管道的4種不同泄漏孔徑。為了驗證提出方法的性能，使用以下兩種方法進行比較。

圖6 提出方法20次試驗識別準確率

(1)對比方法1：采用標準稀疏濾波進行特征提取，權重矩陣初始值設定為均值為0，方差為1 的高斯分布，為保持迭代次數一致，對數據特征進行充分提取，迭代選取為40。

(2)對比方法2：未加批標準化的深度稀疏濾波網絡，參數設置與提出方法相同。

同樣進行20次試驗，如表1所示。3種方法平均訓練準確率都是100%，但測試準確率平均結果存在較明顯的差別，穩定性也亦有不同，提出方法標準差為0.193，穩定性較好。對比方法1 存在過擬合現象，在處理訓練樣本和測試樣本時，平均測試準確率為76.25%，與訓練準確率有較大差異，且穩定性較差。本文提出的權重矩陣選取He初始值較好地改善了網絡隱層間激活值的傳遞，使每層網絡傳遞更穩定，同時也減小了權重參數值，起到了抑制過擬合的作用。對比方法2 的平均測試準確率達到了93.69%，相比提出方法，批標準化可以強制性地調整激活值的分布使其擁有適當的廣度，增強網絡的表現力進而可以更好地進行訓練。同時不同方法試驗使用的計算時間也有所不同，相比使用標準稀疏濾波對數據進行特征提取并分類的方法用時5.778 s，提出方法的平均計算時長為4.298 s，選取He初始值可以更好地調節深度稀疏濾波中學習率的大小，選取較大的學習率使網絡更快地收斂。為了直觀地看到四層He初始值稀疏濾波對數據自適應特征提取的情況，提取網絡各隱層中學習到的特征進行觀察，如圖7(a)、圖7(b)、圖7(c)、圖7(d)所示。每種泄漏孔徑各10 個樣本，橫坐標為訓練樣本總數，縱坐標為各層改進稀疏濾波的輸出維數，可以看到隨著層數的加深，不同大小形狀孔徑的特征識別度越發清晰，使得網絡能夠對特征進行更好地提取并分類。

表1 20次試驗的識別準確率統計

圖7 提出方法各隱層學習到的特征

為了驗證提出方法的特征提取能力，通過t-SNE[22]技術將提取特征可視化，將網絡訓練學習到的高維特征向量映射成二維特征向量，如圖8(a)所示，可以看到不同的泄漏孔徑都明顯地得到了分離，泄漏孔徑樣本較為聚集，泄漏孔徑的數值為圖例中顏色標識所對應。圖8(b)所示對比方法1中，不同的泄漏孔徑樣本都較為分散，各孔徑樣本散點存在混疊，降維效果較差。圖8(c)所示為對比方法2，相比對比方法1，各泄漏孔徑樣本較為聚集，直徑2 mm泄漏孔徑分別與直徑3 mm 圓孔、邊長15×4 mm 方形泄漏孔徑存在混疊。兩種對比方法較提出方法在對泄漏孔徑的特征提取能力上存在不足。

圖8 特征降維散點圖

為了進一步說明He初始值在深度稀疏濾波網絡中起到的作用，我們單獨設計兩組深度神經網絡進行針對性對比，將每層稀疏濾波間隱層的激活值提取出來進行觀察。第一組設計為四層標準稀疏濾波的深度神經網絡，輸入為隨機高斯分布數據，權重矩陣初始值為均值0，方差1 的高斯分布，第二組輸入數據與第一組相同，各調節參數相同，不同于第一組的是選用He初始值作為權重矩陣的初始條件，將每層之間的激活值提取出來進行比較，如圖9(a)和圖9(b)所示，橫軸表示激活值，縱軸表示相同激活值的個數，對比可以明確地看出He初始值很好地改善了激活值分布偏向問題，激活值分布愈靠近0值，網絡傳遞的表現力愈差，同時也存在梯度消失的風險，使得反向傳播時權重的梯度同樣很小，導致網絡無法順利學習，網絡層數越多，激活值偏向問題越發的明顯。同樣針對批標準化進行設計比較，第一組設計為4 層未加批標準化的深度稀疏濾網絡，輸入為直徑2 mm 泄漏孔徑樣本，第二組為本文提出的方法，各參數相同。將兩組深度網絡隱層的激活值提取出來進行比較，如圖9(c)和圖9(d)所示，相比未加批標準化的深度稀疏濾波，本文提出的深度神經網絡隱層激活值分布更加均勻，批標準化通過學習調整合適的參數值γ、β，對數據進行縮放和平移，即使增加網絡的層數，激活值數據的廣度也能保持不變，起到強制性調整各層激活值分布的作用，讓各隱層激活值擁有更好的廣度，使網絡進行順利地學習且進度更快。

圖9 各隱層中激活值分布

3.2 案例分析：輸氣管道泄漏定位檢測

為了驗證提出深度稀疏濾波網絡的魯棒性，使用提出方法對泄漏位置進行定位。同樣通過試驗臺對直徑2 mm泄漏孔徑進行檢測，分別在6個不同的監控位置采集泄漏聲信號，距離泄漏位置分別為10 cm、20 cm、30 cm、40 cm、50 cm、100 cm，為避免參數不同帶來的影響，采樣頻率、采集數據量以及樣本數據點個數與孔徑識別試驗保持一致，單組樣本泄漏信息的時域信號和通過FFT 后的頻域信號如圖10所示。每個泄漏位置10%的樣本用來訓練網絡，其余樣本進行測試。為了減少試驗隨機因素的影響，共進行20 次試驗得到結果如圖11 所示。可以看出訓練準確率穩定的保持在100%，平均測試準確率達到了98.76%，每次試驗的計算時間也較為穩定，平均計算用時為4.82 s，說明網絡能夠快速準確地對泄漏位置進行定位且具有較高的魯棒性。

圖10 FFT變換前后的樣本數據

圖11 試驗測試準確率和計算時間

同樣為驗證提出方法的性能，使用以下兩種對比方法進行試驗比較：

(1)對比方法1：采用時域信號作為輸入，建立深度稀疏濾波進行特征提取，權重矩陣初始值設定為均值為0，方差為1 的高斯分布，學習率及迭代次數均與提出方法保持一致。

(2)對比方法2：未加批標準化的深度稀疏濾波網絡，參數設置與提出方法相同。

每種方法各進行20 次試驗，3 種方法的訓練準確率都是100%，測試準確率如圖12 所示。通過觀察可以較為直觀地看出測試準確率的差別，對比方法1的穩定性較差，由于輸入樣本為時域信號，無法避免時移特性的干擾，網絡訓練時間較為冗長且特征學習效果較差，平均測試準確率為66.45%，平均計算時間為7.527 s。利用He初始值的對比方法2平均計算時間與提出方法較為接近，平均測試準確率為91.62%，標準差為4.107，表現一般。以上結果表明：提出方法的管道泄漏定位檢測能力與泛化能力相比于兩種對比方法有較明顯優勢。

圖12 3種方法的測試準確率

最后通過t-SNE對高維特征降維，如圖13所示。各泄漏位置樣本特征分類較好，泄漏口的距離數值為圖例中顏色標識所對應，提出方法在輸氣管道泄漏定位檢測試驗中也能獲得較高的準確率。

圖13 特征降維散點圖

4 結語

(1)提出的批標準化深度稀疏濾波方法能夠通過多層網絡更快更有效地提取數據特征，實現快速準確地識別泄漏孔徑和定位檢測。兩組設計試驗驗證了提出方法的有效性和魯棒性。

(2)He初始值能夠抑制稀疏濾波學習中的過擬合現象，較好地改善隱層中激活值分布偏向問題，泄漏信號通過FFT 將數據量減少一半，可在提供有效信息的同時降低網絡計算成本。

(3)批標準化技術通過對激活值平移縮放，減小數據分布偏向，強制性地調整激活值分布使其擁有適當的廣度，增強網絡的表現力，使深度稀疏濾波可以更快更有效地進行學習。