一种基于声信号特征分析的燃气管道探测识别方法

技术领域

本发明涉及一种基于声信号特征分析的燃气管道探测识别方法。

背景技术

随着我国城镇燃气行业迅猛发展，城市地下管线的数量和规模越来越大。城镇燃气管道处于不断改建、扩建的过程中，由于燃气管道建设年代不同，已废弃的燃气管道与在役管道一同埋于地下，地下管路系统紊乱，管道坐标位置不准，导致在燃气管道改建、新建或市政工程开挖过程中，管道被破坏、燃气泄漏及人身安全等责任事故频繁发生。燃气事故给人民的生活、人身安全等都会带来巨大的影响，所以在燃气管道新建、改建或市政工程开挖过程中，应使用适于城市管道探测识别的方法，避免在实际施工过程中出现燃气泄漏等燃气事故的发生。目前，国内外学者就埋地管道探测方面研究了多种方法，如：射线检测、探地雷达法、光纤技术等，这些检测方法操作复杂且易在检测过程中受环境因素的干扰限制，特别是针对埋地燃气管道既有金属管道，又有非金属管道，既有在役管道，又有废弃管道的复杂情况下，现有方法的检测效率、准确性等方面还存在很大的局限性，如何判断地下是否有燃气管道以及燃气管道是否在役，急需从理论方法和实践操作上进行有效解决。

发明内容

为了克服现有技术中的问题，本发明提供一种基于声信号特征分析的燃气管道探测识别方法。

本发明解决上述技术问题所提供的技术方案是：一种基于声信号特征分析的燃气管道探测识别方法，包括：

获取目标燃气管道的燃气流噪声声压脉动信号；

根据Hilbert-Huang变换算法对燃气流噪声声压脉动信号进行分解，分析其时频及边际谱特性，确定燃气流噪声声压脉动信号的特征参数，归一化组成燃气流噪声信号特征数据库；

根据BP神经网络算法和燃气流噪声信号特征数据库，对BP神经网络的重要影响因素进行分析，确定网络最优参数，完成BP神经网络的网路初始化、网络搭建、网络训练以及准确分类识别出燃气声信号，确定燃气流噪声信号的分类识别模型；

将测试数据输入至训练好的燃气流噪声信号分类识别模型，进而判断声信号是否为燃气流动声信号。

进一步的技术方案是，所述燃气流噪声声压脉动信号通过数值模拟或实验验证获得。

进一步的技术方案是，根据Hilbert-Huang变换算法对燃气流噪声声压脉动信号进行分解，分析其时频及边际谱特性，确定燃气流噪声声压脉动信号的特征参数，归一化组成燃气流噪声信号特征数据库包括：

对燃气流噪声声压脉动信号做声压级变换得到声压级随时间变化的时域数据；

对时域数据进行EMD分解得到若干个IMF分量；

计算筛选出的各IMF分量的峰值F、峰值频率Fmax，并归一化处理；

对各阶IMF分量做Hilbert变换，信号经Hilbert分解之后得到的瞬时频率和振幅均为时间变量，将振幅能量的时频分布记为希尔伯特谱；

通过对Hilbert谱做时域积分来得到原信号能量在时频域上的表达方式，即为Hilbert边际谱；

计算出Hilbert边际谱整个大区间能量的和参数；

计算每个IMF分量边际谱的能量占比Ei作为特征参数，并归一化处理。

进一步的技术方案是，所述BP神经网络算法包括以下步骤：

(1)输入节点个数；

(2)输出层节点个数；

(3)隐含层节点个数；

(4)初始权值选择；

(5)学习率的选取：

(6)期望误差的选取。

进一步的技术方案是，步骤(1)包括根据提取得到的特征向量P，确定网络输入节点数，由特征向量维数以及实际分类时的分类效果，将用于燃气声信号分类的神经网络的输入节点个数设置为16。

进一步的技术方案是，步骤(2)包括利用二进制编码方式确定输出类型；其中，对燃气管道内部气体流动噪声信号的编码为(1,0)

式中：Y为输出编码。

进一步的技术方案是，所述隐含层节点个数的计算公式为：

式中：m为输入层节点个数，n为输出层节点个数，a取1～10的常数。

进一步的技术方案是，步骤(4)中在区间[-1，1]之间随机地选择初始权值。

本发明具有以下有益效果：本发明以数值模拟和实验验证得到的燃气管道流噪声信号为研究对象，同时采集水声信号进行对比分析；利用EMD对两种信号进行分解，得到了IMF分量的时域波形，确定了峰值和峰值频率两种特征参数，计算了Hilbert边际谱的能量特征参数，得到了燃气管道流噪声信号的特征数据库，通过优化后的BP神经网络进行模式识别；并且该方法的燃气管道声信号识别率达到97.5％。

附图说明

图1是EMD分解流程图；

图2是特征提取流程图；

图3是神经网络算法流程图；

图4是各参数随隐含层节点变化曲线图；

图5是燃气流噪声信号BP神经网络分类模型图。

具体实施方式

下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的一种基于声信号特征分析的燃气管道探测识别方法，包括以下步骤：

S1、根据数值模拟和实验验证获取目标燃气管道探的燃气流噪声声压脉动信号；

S2、将燃气流噪声声压脉动信号作为原始信号，然后对其做声压级变换得到声压级随时间变化的时域数据；

S3、对时域数据进行EMD分解得到若干个固有模态函数，筛选出包含原始声信号主要特征信息的阶数，EMD分解流程图如图1所示；

S4、计算筛选出的各IMF分量的峰值F、峰值频率Fmax，并归一化处理；

S5、对于原始声信号经EMD分解得到的各阶IMF分量，对其做Hilbert变换，信号经Hilbert分解之后得到的瞬时频率和振幅均为时间变量，可充分展示其时频特性，将振幅能量的时频分布记为希尔伯特谱；原信号的Hilbert谱由所有IMF分量的Hilbert谱求和计算得到；

S6、通过对Hilbert谱做时域积分来得到原信号能量在时频域上的表达方式，即为Hilbert边际谱；

S7、计算出Hilbert边际谱整个大区间能量的和参数；

S8、计算每个IMF分量边际谱的能量占比Ei作为特征参数，并归一化处理；其全部的归一化结果组成燃气流噪声信号特征数据库；

那基于Hilbert-Huang方法提取出的三种特征参数F、Fmax、E构成特征向量P:

P＝[F、F

其中：F＝{F

F

E＝{E

S9、根据BP神经网络算法和燃气流噪声信号特征数据库，对BP神经网络的重要影响因素进行分析，确定网络最优参数，完成BP神经网络的网路初始化、网络搭建、网络训练以及准确分类识别出燃气声信号，确定燃气流噪声信号的分类识别模型；

S10、将测试数据输入至训练好的燃气流噪声信号分类识别模型，进而判断声信号是否为燃气流动声信号。

其中BP神经网络算法如图3所示，包括以下步骤：

(1)输入节点个数

根据提取得到的特征向量P(P＝[F、F

(2)输出层节点个数

根据燃气管道流噪声信号模式的两种声音类别，利用二进制编码方式确定输出类型，其中，对燃气管道内部气体流动噪声信号的编码为(1,0)

(3)隐含层节点个数

隐含层节点数在确定时通常遵循以下原则：在能够准确反应输入输出关系的条件下，选用较少的隐含层节点数目，从而简化网络结构。对于单隐层的BP神经网络，可利用以下公式来选择隐含层节点个数。

式中：m为输入层节点个数，n为输出层节点个数，a取1～10的常数。根据公式计算出隐含层节点个数在[6，15]之间。

下面利用控制变量的方法，通过对比分析不同隐含层节点数条件下网络的训练误差、测试误差以及迭代步数的变化情况，来选择最优的隐含层节点个数。各参数随隐含层节点个数的变化曲线如图4所示。

由图4可知，网络的测试误差与训练误差均呈先降低后增大的变化趋势，当隐含层节点个数为10时，网络训练误差及测试误差最小，故将隐层节点数定为10个。

(4)初始权值选择

本发明的BP神经网络选择在区间[-1，1]内随机生成初始权值。

(5)学习率的选取

学习率对BP网络训练时的训练时长、网络收敛速度以及能否收敛会产生直接的影响作用。通常，需要对学习率选取多组数值进行对比验证，然后对比选取最优学习率供神经网络学习训练使用，对于学习率，一般将学习率lr选择在0.001～1之间，本发明将其设为0.001，以保证网络的稳定性。

(6)期望误差的选取

在期望误差选取过程中并非数值选取的越低，神经网络分类识别的准确率就越高。如果实际仿真训练过程中，期望误差选择的过低，将会导致整个网络变得复杂化，影响神经网络的分类识别效率以及准确率。所以实际案例中，期望误差的选择只需能够满足要求即可。故本发明期望误差设定为E＝0.001。

综上所述，本文对于燃气流噪声信号所搭建的BP神经网络分类模型：选用三层拓扑结构，输入节点个数为16，隐含层节点的数目为10，输出节点数目为2，因此，网络节点拓扑结构为16×10×2，燃气流噪声信号BP神经网络分类模型如图5所示。

以上所述，并非对本发明作任何形式上的限制，虽然本发明已通过上述实施例揭示，然而并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，可利用上述揭示的技术内容作出些变动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。