[发明专利]基于卷积神经网络的水下管道泄漏声发射检测方法

权利要求书

1.一种基于卷积神经网络的水下管道泄漏声发射检测方法，其特征在于，包括以下步骤：

1)利用声发射传感器采集水下管道在不同工况下的泄漏信号与背景噪声信号，分别生成泄漏波形信号和背景噪声泄漏信号；

2)对所述波形泄漏波形信号和所述背景噪声泄漏波形信号进行预处理：

分别将所述波形泄漏波形信号和所述背景噪声泄漏波形信号中的N个连续数据点分割为一个样本，其中N可以表示为N＝A×A，其中A为任意正整数；

所述波形泄漏波形信号和所述背景噪声泄漏波形信号分别生成M个样本，将每个样本转换成大小为A×A的二维图像样本，得到M个二维图像样本，并对每个所述二维图像样本按照种类添加相应的标签；

最终得到的数据集X包括：所述泄漏信号处理得到的M个二维图像样本以及背景噪声信号处理得到的M个二维图像样本；

3)将步骤2)得到的数据集X按照3:1的比例划分为训练集和测试集；

4)通过优化网络结构和超参数，构建卷积神经网络水下管道泄漏检测模型：

卷积神经网络水下管道泄漏检测模型包括输入层、顺次连接的多个卷积层、连接于两两所述卷积层之间的顺次连接的一个最大池化层和一个ReLU激活层、以及连接于最后一个所述卷积层后面的一个全连接层和连接于所述全连接层之后的一个输出层；

其中，前面的层学习的特征是后面的层的输入，卷积神经网络使用随机梯度下降优化算法来更新权重，卷积神经网络的超参数指的是用于训练卷积神经网络的参数；

5)使用步骤3)得到的所述训练集，对所述卷积神经网络水下管道泄漏检测模型进行训练，使用所述测试集对训练后的卷积神经网络水下管道泄漏检测模型进行测试，最终得到能够准确识别管道泄漏的模型。

2.根据权利要求1所述的基于卷积神经网络的水下管道泄漏声发射检测方法，其特征在于，

所述卷积神经网络水下管道泄漏检测模型为十层结构，包括顺次连接的输入层、3个卷积层、两两所述卷积层之间的顺次连接的一个最大池化层和一个ReLU激活层、以及连接于最后一个所述卷积层后面的一个全连接层和连接于所述全连接层之后的一个输出层。

3.根据权利要求2所述的基于卷积神经网络的水下管道泄漏声发射检测方法，其特征在于，

通过优化网络结构和超参数，构建卷积神经网络水下管道泄漏检测模型中：

所述卷积层为3个，3个所述卷积层顺次依次有16、32、64个过滤器，所述过滤器的大小都为3×3；

所述输出层使用softmax函数计算出输入样本属于泄漏信号或者背景噪声信号的概率；

所述超参数为初始学习率、训练的小批量大小和训练轮次三个超参数。

4.根据权利要求1所述的基于卷积神经网络的水下管道泄漏声发射检测方法，其特征在于，步骤2)中每个样本转换成大小为A×A的二维图像样本的具体方法为：

对一段长度为N＝A×A的所述波形泄漏波形信号和所述背景噪声泄漏波形信号，用来转换为A×A尺寸的二维图像样本，转换中的样本信号强度处理见式(1)：

其中,i指的是二维图像样本的第i行，j指的是二维图像样本的第j列，N表示样本长度，N(i)表示每一个时间点上波形信号的值，Max(N)指的是一段波形信号的最大值，Min(N)指的是一段波形信号的最小值，P(i,j)代表二维图像样本中每一点的像素强度，通过运算将样本信号的值标准化为0-255之间，即二维图像样本的像素强度，最终得到大小为A×A的二维图像样本。

5.根据权利要求1所述的基于卷积神经网络的水下管道泄漏声发射检测方法，其特征在于，所述步骤2)中：

对每个所述二维图像样本按照种类添加相应的标签，具体为：所述泄漏信号的标签设为0，所述背景噪声信号的标签设为1。