泄漏孔喷流噪声识别方法、装置、电子设备及存储介质

技术领域

本发明涉及工业无损检测技术领域，特别涉及泄漏孔喷流噪声识别方法、装置、电子设备及存储介质。

背景技术

原油深度加工过程中装置容易出现泄漏孔故障，不仅影响石油产品产量和质量，严重的可能引发重大安全事故。因此，模拟在高流速的环境下对不同形状泄漏孔喷流噪声进行测试，可以为在运行过程中泄漏孔穿孔大小的安全范围提出具体指标，为保障实际工况正常运行发挥着至关重要的作用。

声发射(Acoustic Emission，AE)是材料局部因能量的快速释放而发出瞬态弹性应力波的现象。其作为一种无损监测手段，广泛应用于工业领域中。介质泄漏与泄漏孔摩擦形成声发射信号，但现有技术中很少有利用声发射技术对原油深加工过程中形成的泄漏孔进行监测的技术方案，更少有针对不同流速、对不同形状的泄漏孔采用通过特征参数组合的方式作为算法模型的输入，对泄漏孔进行识别的技术方案。

现有技术中有通过采集音频数据对泄漏情况进行检测的方案。例如，中国专利申请CN111022941A公开了一种基于LSTM循环神经网络的天然气管道泄漏检测方法。该方法包括如下步骤：采集管道泄漏音频数据；对音频数据采用改进的梅尔频率倒谱系数MFCC方法进行特征提取；构建一个基于长短期记忆LSTM循环神经网络的天然气管道泄漏检测模型；对管道微泄漏检测模型进行训练及参数优化，并验证模型的鲁棒性。该方案采用单一的梅尔频率倒谱系数作为模型的输入参量，对泄漏孔的识别效率和精确度有待进一步提高。

因此，亟需一种应用声发射技术原理，通过算法模型对泄漏孔喷流噪声进行有效识别，且能大幅提高在不同流速下、针对不同形状的泄漏孔的识别精确度。

公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。

发明内容

本发明的目的在于提供一种泄漏孔喷流噪声识别方法和装置，通过采集到的泄漏孔异常声音信号，提取频域声纹特征梅尔频率倒谱系数和时域特征时频熵，将组合后的特征参量作为模型的输入对不同流速状态下的不同形状的泄漏孔进行识别，可有效提高识别的准确率。

为实现上述目的，根据本发明的第一方面，本发明提供了一种泄漏孔喷流噪声识别方法，包括如下步骤：A、采集模拟管路中不同流速下、不同形状泄漏孔处的声发射信号；B、从预处理后的声发射信号中提取每种喷流噪声信号的梅尔频率倒谱系数和时频熵；C、将梅尔频率倒谱系数和时频熵构建成特征数值矩阵，将特征数值矩阵作为泄漏孔喷流噪声识别模型的输入变量，对模型进行训练；D、通过训练后的模型对不同流速下的泄漏及泄漏孔的形状进行识别。

进一步，上述技术方案中，步骤B中的预处理可具体包括：对声发射信号进行VMD分解，再对分解后的同类IMF分量进行组合重构。预处理还可包括降噪处理和预加重处理。

进一步，上述技术方案中，步骤B中的梅尔频率倒谱系数的提取过程如下：将原始的声发射信号转变为时域信号，通过离散傅里叶变换或快速傅里叶变换将所述时域信号转化为线性频谱；将线性频谱通过梅尔频率滤波器组转换为梅尔频谱，对梅尔频谱取对数能量并获取对数频谱；将对数频谱进行离散余弦变换得到梅尔频率倒谱系数的矩阵。

进一步，上述技术方案中，步骤B中的时频熵的提取过程如下：对声发射信号的每一帧做Hilbert变换，获取每一帧相对应的幅值函数和相位函数；通过幅值函数和相位函数计算每一帧的瞬时频率和瞬时幅值；将每一帧的瞬时频率相同的点的幅值叠加，构造时频矩阵；将时频矩阵划分为H块面积相等的区域；设每块的能量为E

在满足所述归一化条件的情况下，所述时频熵的计算公式如下：

通过公式(1)计算并提取时频熵数值。

进一步，上述技术方案中，步骤C中的将梅尔频率倒谱系数和时频熵构建成特征数值矩阵可具体为：设梅尔频率倒谱系数的矩阵为A＝M×N，其中M为一段信号的帧数，N为滤波器组系数；计算矩阵A的转置矩阵B＝N×M；计算矩阵C＝M×M并获取矩阵C的最大特征值所对应的特征列向量D＝M×1；获取一段信号的所有帧样本，通过计算出的每一帧的时频熵数值构建特征列向量E＝M×1；将梅尔频率倒谱系数的特征列向量D与时频熵的特征列向量E采用直接叠加的方式进行组合，得到步骤C中的特征数值矩阵。

进一步，上述技术方案中，泄漏孔喷流噪声识别模型可以采用高斯混合模型。

进一步，上述技术方案中，降噪处理可具体为：基于matlab小波工具箱中db4小波函数对原始的声发射信号进行四层分解，分解为不同频段的声信号；将不同频段的声信号进行拟合处理并滤除高频的噪声干扰；针对相关度高的分解函数进行重构。

进一步，上述技术方案中，预加重处理可具体为：对声发射信号的高频部分加重进而提高信号的高频分辨率，使得信号的频谱保持在整个频段中并使用相同的信噪比分析频谱。

根据本发明的第二方面，本发明提供了一种泄漏孔喷流噪声识别装置，包括：信号采集模块，用于采集模拟管路中不同流速下、不同形状泄漏孔处的声发射信号；变量提取模块，用于从预处理后的声发射信号中提取每种喷流噪声信号的梅尔频率倒谱系数和时频熵；矩阵构建及训练模块，用于将梅尔频率倒谱系数和时频熵构建成特征数值矩阵，将特征数值矩阵作为泄漏孔喷流噪声识别模型的输入变量，对模型进行训练；形状识别模块，用于通过训练后的模型对不同流速下的泄漏及泄漏孔的形状进行识别。

进一步，上述技术方案中，还可包括预处理模块，该预处理模块进一步包括：VMD分解子模块，用于对声发射信号进行VMD分解，再对分解后的同类IMF分量进行组合重构；降噪处理子模块，用于将声发射信号分解为不同频段的声信号，并将不同频段的声信号进行拟合处理，滤除高频的噪声干扰；预加重处理子模块，用于对声发射信号的高频部分加重进而提高信号的高频分辨率。

根据本发明的第三方面，本发明提供了一种泄漏孔喷流噪声识别电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行如前述的泄漏孔喷流噪声识别方法。

根据本发明的第四方面，本发明提供了一种非暂态计算机可读存储介质，非暂态计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使所述计算机执行如前述的泄漏孔喷流噪声识别方法。

与现有技术相比，本发明具有如下一个或多个有益效果：

1)本发明可通过模拟管路采集在不同流速下、不同形状泄漏孔处的声发射信号，通过提取声发射信号中的喷流噪声的梅尔频率倒谱系数以及时频熵这两个特征变量并将两者构建成一个新的特征数值矩阵，作为泄漏孔喷流噪声识别模型的输入变量，可以更加有效地识别泄漏孔的形状，测试证明，相比于单独通过声发射信号的梅尔频率倒谱系数识别泄漏情况更加精确；

2)针对梅尔频率倒谱系数(矩阵形式)以及时频熵(数值形式)，在作为模型的输入参量之前需要进行转换和处理，本发明基于两者不同的表达方式通过构建一个特征数值矩阵，将两者进行了组合，转化成模型能够接受的输入模式；

3)梅尔频率倒谱系数以及时频熵这两个特征变量可以更为深入地了解故障的声发射信号(即泄漏孔喷流噪声)的特征参数与不同状态泄漏孔的对应变化关系，为实时监测声信号分析提供理论依据，为在实际工况运行过程中泄漏孔故障的实时状态提出具体指标以及对泄漏孔故障进行及时的识别与预警奠定了基础。

上述说明仅为本发明技术方案的概述，为了能够更清楚地了解本发明的技术手段并可依据说明书的内容予以实施，同时为了使本发明的上述和其他目的、技术特征以及优点更加易懂，以下列举一个或多个优选实施例，并配合附图详细说明如下。

附图说明

图1是本发明实施例1泄漏孔喷流噪声识别方法的流程示意图。

图2是本发明实施例2泄漏孔喷流噪声识别方法的流程示意图。

图3是本发明实施例2中梅尔频率倒谱系数的提取过程示意图。

图4是本发明实施例2中时频熵的计算和提取过程示意图。

图5是本发明在泄漏孔为圆形的情况下计算出的梅尔频率倒谱系数矩阵第一列的数据图形。

图6是本发明在泄漏孔为正方形的情况下计算出的梅尔频率倒谱系数矩阵第一列的数据图形。

图7是本发明在泄漏孔为椭圆形的情况下计算出的梅尔频率倒谱系数矩阵第一列的数据图形。

图8是本发明实施例3泄漏孔喷流噪声识别装置的结构示意图。

图9是本发明实施例4泄漏孔喷流噪声识别电子设备的结构示意图。

具体实施方式

下面结合附图，对本发明的具体实施方式进行详细描述，但应当理解本发明的保护范围并不受具体实施方式的限制。

除非另有其他明确表示，否则在整个说明书和权利要求书中，术语“包括”或其变换如“包含”或“包括有”等等将被理解为包括所陈述的元件或组成部分，而并未排除其他元件或其他组成部分。

在本文中，为了描述的方便，可以使用空间相对术语，诸如“下面”、“下方”、“下”、“上面”、“上方”、“上”等，来描述一个元件或特征与另一元件或特征在附图中的关系。应理解的是，空间相对术语旨在包含除了在图中所绘的方向之外物件在使用或操作中的不同方向。例如，如果在图中的物件被翻转，则被描述为在其他元件或特征“下方”或“下”的元件将取向在元件或特征的“上方”。因此，示范性术语“下方”可以包含下方和上方两个方向。物件也可以有其他取向(旋转90度或其他取向)且应对本文使用的空间相对术语作出相应的解释。

在本文中，术语“第一”、“第二”等是用以区别两个不同的元件或部位，并不是用以限定特定的位置或相对关系。换言之，在一些实施例中，术语“第一”、“第二”等也可以彼此互换。

下面以具体实施例的方式更详细地说明本发明的方法、系统、电子设备及存储介质，应了解的是，实施例仅为示例性的，本发明并不以此为限。

首先需要说明的是：在任意一个泄漏孔识别系统中，重要的是提取特征，需要把泄漏形成的声波信号中具有辨识性的成分提取并表征出来。介质通过孔洞产生声音，孔洞的形状决定了发出怎样的声音。孔洞的形状在声音信号短时功率谱的包络中显示出来。梅尔频率倒谱(Mel-Frequency Cepstrum)是基于声音频率的非线性梅尔刻度(mel scale)的对数能量频谱的线性变换，可以描述这个包络的一种特征，来作为表征不同形状泄漏孔声波信号的特征参数。现有技术中虽然存在通过梅尔频率倒谱系数对管道中的是否有泄漏情况进行识别，但辨识度并不高，且不能对泄漏孔的形状进行识别。为了进一步提高泄漏孔声波信号辨识度，本发明将时频平面上的能量分布的差异定量表征出来，因为不同状态的泄漏孔时频分布存在不同，测试表明各时频区能量分布的均匀性可以反映泄漏孔状态的差别。因此，本发明将声纹特征参数(梅尔频率倒谱系数)融合信息熵(时频熵)度量不同时频段能量概率分布均匀程度，将两个特征参量进行组合来识别是否存在泄漏以及判断泄漏孔的形状。

如图1所示，本实施例的泄漏孔喷流噪声识别方法，包括如下步骤：

步骤S101，采集模拟管路中不同流速下、不同形状泄漏孔处的声发射信号。具体地，可预先准备包括风机、缓冲箱、流量计、球阀、喷嘴、以及管道法兰等实验器材，搭建模拟管路。在模拟管路的末端设置不同形状的模拟泄漏孔(例如圆形、正方形或椭圆形等)。风机为整套设备持续送风，声发射检测系统通过具有压电效应的传感器能够将机械波转化为电信号，从而以波形的方式使声发射信号具有直观的表现，通过传感器的信号采集获取声发射信号数据。

步骤S102，从预处理后的声发射信号中提取每种喷流噪声信号的梅尔频率倒谱系数和时频熵。声发射信号的预处理可以包括但不限于：对声发射信号进行VMD分解，再对分解后的同类IMF分量进行组合重构；还可以包括降噪处理和预加重处理。本实施例通过提取作为声纹特征的梅尔频率倒谱系数MFCC以及作为时域特征的时频熵s(q)，对是否泄漏及泄漏孔的形状进行识别。

步骤S103，将步骤S102提取出的梅尔频率倒谱系数和计算出的时频熵构建成特征数值矩阵，将该特征数值矩阵作为泄漏孔喷流噪声识别模型的输入变量，对模型进行训练。该提取出的梅尔频率倒谱系数是一个矩阵，而计算出的时频熵是一个数值，因此需要构建一个新的特征数值矩阵，将两者进行组合。优选而非限制性地，本实施例的泄漏孔喷流噪声识别模型可以采用高斯混合模型GMM。

步骤S104，通过训练后的模型对不同流速下的泄漏及泄漏孔的形状进行识别。

本实施例1的泄漏孔喷流噪声识别方法可通过模拟管路采集在不同流速下、不同形状泄漏孔处的声发射信号，通过提取声发射信号中的喷流噪声的梅尔频率倒谱系数以及时频熵这两个特征变量并将两者构建成一个新的特征数值矩阵，作为泄漏孔喷流噪声识别模型的输入变量，可以更加有效地识别是否泄漏及泄漏孔的形状，相比于单独通过声发射信号的梅尔频率倒谱系数识别泄漏情况更加精确，可以更为深入地了解故障的声发射信号的特征参数与不同状态泄漏孔的对应变化关系，为实时监测声信号分析提供理论依据，为在实际工况运行过程中泄漏孔故障的实时状态提出具体指标以及对泄漏孔故障进行及时的识别与预警奠定了基础。

如图2所示，本实施例的泄漏孔喷流噪声识别方法是在实施例1的基础上的一个更为具体的实施例，包括如下步骤：

步骤S201，采集模拟管路中不同流速下、不同形状泄漏孔处的声发射信号。具体地，可预先准备包括风机、缓冲箱、流量计、球阀、喷嘴、以及管道法兰等实验器材，搭建模拟管路。在模拟管路的末端设置不同形状的模拟泄漏孔(例如圆形、正方形或椭圆形等)。风机为整套设备持续送风，声发射检测系统通过具有压电效应的传感器能够将机械波转化为电信号，从而以波形的方式使声发射信号具有直观的表现，通过传感器的信号采集获取声发射信号数据。

步骤S202，对采集到的声发射信号进行预处理。预处理可包括VMD分解(变分模态分解)、降噪处理以及预加重处理。

VMD分解是一种时频分解算法，与其他传统的时频分解方法相比，该方法在对各IMF分量之间中心频率以及带宽处理方面有较大的优势，首先，该方法对原始信号进行按频率的高低自适应的分解，保证分解后的IMF之间的中心频率不重叠，避免了IMF分量之间的模态重叠问题。在分解的过程中IMF分离的中心频率和带宽一直持续变化，用迭代寻优的方法可保证VMD分解的各IMF的带宽，再用matlab软件实现同类IMF分量的组合重构，可得到不同形状泄漏孔的声信号。

采集的声发射信号中可能会掺杂很多和形成泄漏孔喷流噪声无关的其它噪音，为了最大限度去除这些无关的噪声信号，在对采集到的声发射信号分阶段进行截取之后还可进行降噪处理和预加重处理。降噪处理可基于matlab小波工具箱中db4小波函数对原始的声发射信号进行四层分解，分解为不同频段的声信号；再将不同频段的声信号进行拟合处理并滤除高频的噪声干扰；最后针对相关度高的分解函数进行重构以提高信噪比。当分析频谱时，高频部分的频谱成分较小，不易进行研究与分析。因此对采样量化后的声信号进行预加重处理，对信号的高频部分加重，提高信号的高频分辨率，使信号的频谱变得更平缓，保持在整个频段中，可以使用相同的信噪比分析频谱，更有利于声道参数和频谱的研究。通过预加重的方法可以提升高频部分的频谱，增加信号的高频分辨率。

步骤S203，提取声发射信号的声纹特征参数梅尔频率倒谱系数(MFCC)。MFCC的提取流程示意图如图3所示，具体如下：

(1)原始声发射信号s(n)经过预处理后，变为时域信号x(n)；将时域信号x(n)后补若干0以形成长为N(通常取N＝512)的序列，再用离散傅里叶变换(DFT)或快速傅里叶变换(FFT)将这些时域信号转化为线性频谱X(k)，变换公式为：

(2)将得到的线性频谱X(k)通过梅尔(Mel)频率滤波器组，这样线性频谱就转换为Mel频谱，再对其取对数能量，得到对数频谱S(m)。Mel频率滤波器组是一组三角带通滤波器，0≤m≤M为滤波器的个数。这些滤波器具有三角形滤波特性，对应的中心频率为f(m)，当m值增大时，f(m)的距离也增大，当m值减小时，f(m)之间的距离也减小。每个带通滤波器的传递函数如下：

为了提高声纹识别系统的鲁棒性，通常对Mel频谱取对数能量，进而由线性频谱X(k)到对数频谱S(m)的总传递函数为：

(3)将S(m)经过离散余弦变换(DCT)，即可以得到MFCC参数C(n):

在实际的声纹识别系统中，并不是取全部维数的MFCC，经过实验表明对信号区分性能较大的是最前若干维和最后若干维的MFCC系数，本实施例中取前12维的MFCC系数。

步骤S204，提取声发射信号的时域特征时频熵s(q)，该提取的过程实际是一个计算的过程，计算的结果是数值的形式。熵指数据信号的不确定程度，是对某一信号系统的不确定性的量化描述，是从平均的角度去表征信号系统的一种总体信息度量。信号系统中含有信息的不确定性越大，其包含的信息源就越多，该信号系统的熵值就越大。

时域特征参数时频熵s(q)的提取流程如图4所示，时频熵的计算具体如下：

(1)对分解得到的声发射信号每一帧

(2)构造解析函数，得到每一帧相对应的幅值函数和相位函数：

上述公式中z

(3)将(2)中得到每一帧瞬时频率相同的点的幅值叠加，构造大型稀疏矩阵(即时频矩阵)，将这个时频矩阵划分为H块面积相等的区域，本实施例的时频熵计算H的划分块数均取8块，每块的能量为E

由上式可得：

根据熵理论可知，满足计算熵的归一化条件，可得出时频熵的计算公式：

步骤S205，将步骤S203中提取的声纹特征MFCC(表达方式为矩阵)和步骤S204计算得到的时域特征时频熵s(q)(表达方式为数值)构建得出特征数值矩阵，将该特征数值矩阵作为高斯混合模型的输入变量，对模型进行训练。由于一段信号的MFCC为矩阵，而一段信号的时频熵s(q)为一个数值，导致维数不同而不能直接作为高斯混合模型的输入，本实施例通过构建一个全新的特征数值矩阵解决了这一问题。具体步骤如下：由步骤S203获取的声纹特征MFCC矩阵为A＝M×N，其中M为一段信号的帧数，N为滤波器组系数，求出矩阵A的转置矩阵B＝N×M，算出矩阵C＝M×M，进一步求出矩阵C的最大特征值所对应的特征列向量D＝M×1。同时，利用matlab软件功能获取一段信号的所有帧样本，求出每帧的时频熵，构成特征列向量E＝M×1，对特征列向量D和特征列向量E采用直接叠加的方式组合，得到最终的特征数值矩阵F＝M×2，将特征数值矩阵F代入高斯混合模型训练识别，测试证明识别率较仅使用MFCC识别有更好的识别率。

下面用一个具体的实例进行说明步骤S205的特征数值矩阵的构建过程：

本实例取流速为5.53m/s下的三种不同形状泄漏孔的声发射数据进行说明，每一例信号取10个波形进行分析，一个波形有2048个电压值，以256个电压值为一帧，帧移为80，共有253帧数据，即一例信号有253个样本，其中设置滤波器组是12个，即每一帧维数为12维，因此MFCC矩阵A为253×12形式。图5为泄漏孔为圆形的情况下，计算出的MFCC矩阵第一列的数据图形，图6为泄漏孔为正方形的情况下，计算出的MFCC矩阵第一列的数据图形，图7为泄漏孔为椭圆形的情况下，计算出的MFCC矩阵第一列的数据图形。

同时，依据上述S205步骤求出253×12形式矩阵(即矩阵A)的最大特征值对应的列向量从而得出253×1形式的MFCC列向量(即特征列向量D)，以及求出253帧每一帧的时频熵数据列向量(即特征列向量E)，采用直接组合叠加的方式组成253×2的特征向量组。本实施例取第一个波形进行数据说明，一个波形共有23帧数据，即23个样本，求出每帧的MFCC和时频熵，直接组合叠加后如表1所示，表中每一个行数值代表一个样本。

表1

将测试集和训练集按照1：4进行处理，即200个样本矩阵作为训练集，53个样本作为测试集，采用电脑随机分配的方法，分别将3组向量组以及单个MFCC组代入高斯混合模型(GMM)进行训练识别比较，同一流速5.53m/s下不同形状泄漏孔的采用MFCC和时频熵s(q)组合识别(即MFCC_S)方法与单一MFCC识别的识别率对比如表2所示。

表2

步骤S206，利用训练后的高斯混合模型(GMM)得出检测结果，实现不同流速不同形状泄漏孔的声纹特征和时域特征识别，从而实现泄漏孔的信号识别与预警。

本实施例2的泄漏孔喷流噪声识别方法是在实施例1的基础上的一个优选方案。可通过模拟管路采集在不同流速下、不同形状泄漏孔处的声发射信号，通过提取声发射信号中的喷流噪声的梅尔频率倒谱系数以及时频熵这两个特征变量并将两者构建成一个新的特征数值矩阵，作为泄漏孔喷流噪声识别模型的输入变量，可以更加有效地识别是否泄漏及泄漏孔的形状，本实施例通过测试数据进一步证明了采用本发明的方法，相比于单独通过声发射信号的梅尔频率倒谱系数识别泄漏情况更加准确。

如图8所示，本实施例的泄漏孔喷流噪声识别装置，包括信号采集模块301、变量提取模303、矩阵构建及训练模块304以及形状识别模块305。其中，信号采集模块301用于采集模拟管路中不同流速下、不同形状泄漏孔处的声发射信号；变量提取模块303用于从预处理后的声发射信号中提取每种喷流噪声信号的梅尔频率倒谱系数和时频熵；矩阵构建及训练模块304用于将梅尔频率倒谱系数和时频熵构建成特征数值矩阵，将特征数值矩阵作为泄漏孔喷流噪声识别模型的输入变量，对模型进行训练；形状识别模块305用于通过训练后的模型对不同流速下的泄漏及泄漏孔的形状进行识别。

进一步地，本实施例的泄漏孔喷流噪声识别装置还可包括预处理模块302，该预处理模块可进一步包括：VMD分解子模块，用于对声发射信号进行VMD分解，再对分解后的同类IMF分量进行组合重构；降噪处理子模块，用于将声发射信号分解为不同频段的声信号，并将不同频段的声信号进行拟合处理，滤除高频的噪声干扰；预加重处理子模块，用于对声发射信号的高频部分加重进而提高信号的高频分辨率。

本实施例的装置与实施例1和实施例2的方法相对应，能够达到相同的技术效果。

图9是本实施例的泄漏孔喷流噪声识别电子设备的硬件结构示意图。该设备(例如终端、服务器等)包括一个或多个处理器610以及存储器620。以一个处理器610为例，该设备还可以包括：输入装置630和输出装置640。

处理器610、存储器620、输入装置630和输出装置640可以通过总线或者其他方式连接。

存储器620作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块。处理器610通过运行存储在存储器620中的非暂态软件程序、指令以及模块，从而执行电子设备的各种功能应用以及数据处理，即实现上述方法实施例的处理方法。

存储器620可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储数据等。此外，存储器620可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器620可选包括相对于处理器610远程设置的存储器，这些远程存储器可以通过网络连接至处理装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

输入装置630可接收输入的数字或字符信息，以及产生信号输入。输出装置640可包括显示屏等显示设备。

所述一个或者多个模块存储在所述存储器620中，当被所述一个或者多个处理器610执行时，执行下述步骤：A、采集模拟管路中不同流速下、不同形状泄漏孔处的声发射信号；B、从预处理后的声发射信号中提取每种喷流噪声信号的梅尔频率倒谱系数和时频熵；C、将梅尔频率倒谱系数和时频熵构建成特征数值矩阵，将特征数值矩阵作为泄漏孔喷流噪声识别模型的输入变量，对模型进行训练；D、通过训练后的模型对不同流速下的泄漏及泄漏孔的形状进行识别。

上述电子设备可执行本发明实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明其他实施例所提供的方法。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。

本实施例中提供一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储有计算机可执行指令，该指令用于使计算机执行如下泄漏孔喷流噪声识别方法：

A、采集模拟管路中不同流速下、不同形状泄漏孔处的声发射信号；B、从预处理后的声发射信号中提取每种喷流噪声信号的梅尔频率倒谱系数和时频熵；C、将梅尔频率倒谱系数和时频熵构建成特征数值矩阵，将特征数值矩阵作为泄漏孔喷流噪声识别模型的输入变量，对模型进行训练；D、通过训练后的模型对不同流速下的泄漏及泄漏孔的形状进行识别。

前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式，并且很显然，根据上述教导，可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用，从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。针对上述示例性实施方案所做的任何简单修改、等同变化与修饰，都应落入本发明的保护范围。