利 節(jié) 高 錚 陸 猛 李 莉 夏煦坤

(重慶科技學(xué)院電氣與信息工程學(xué)院， 重慶 401331)

?

輸氣管道微泄漏檢測(cè)的深度神經(jīng)網(wǎng)絡(luò)模型研究

利 節(jié) 高 錚 陸 猛 李 莉 夏煦坤

(重慶科技學(xué)院電氣與信息工程學(xué)院， 重慶 401331)

建立了基于聲音信號(hào)的深度神經(jīng)網(wǎng)絡(luò)模型，用于解決半導(dǎo)體制造業(yè)氣體輸送管道的微泄漏檢測(cè)問題；設(shè)計(jì)了一種聲音信號(hào)的預(yù)處理方法，用于去噪和特征提取，將預(yù)處理后的聲音信號(hào)作為模型輸入，該模型由7層神經(jīng)元構(gòu)成，通過對(duì)聲音信號(hào)的訓(xùn)練和學(xué)習(xí)，獲得管道微泄漏的概率。大量仿真實(shí)驗(yàn)結(jié)果表明，與半導(dǎo)體企業(yè)現(xiàn)采用的流量和壓力傳感器檢測(cè)方法相比，該模型能更精確、更快速地實(shí)現(xiàn)管道微泄漏檢測(cè)；與常規(guī)神經(jīng)網(wǎng)絡(luò)相比，該模型能更有效且穩(wěn)定地進(jìn)行檢測(cè)。

微泄漏； 半導(dǎo)體； 聲音信號(hào)； 神經(jīng)網(wǎng)絡(luò)

對(duì)氣體輸送管道的泄漏檢測(cè)是降低生產(chǎn)成本和空氣污染的有效途徑。生產(chǎn)車間的管道分為2種，正壓管道和負(fù)壓管道。一般情況下，負(fù)壓管道需要真空環(huán)境，只應(yīng)用于特殊工藝流程的局部環(huán)境，因此正壓管道更受關(guān)注。本次對(duì)氣體輸送管道的分析都是針對(duì)正壓管道而言。氣體管道被損壞的原因較多，如長(zhǎng)期使用、氣體本身、環(huán)境變化等[1]。管道泄漏檢測(cè)的最大難點(diǎn)是被損壞的氣體管道很難立刻通過傳感器檢測(cè)出來，特別是細(xì)微的塑料管道。盡管當(dāng)前企業(yè)自動(dòng)化程度已經(jīng)很高，但許多公司解決氣體管道泄漏檢測(cè)仍采用人工巡查的方式，既消耗人力又不具有即時(shí)性。

通常，微泄漏的有效檢測(cè)比泄漏檢測(cè)更有助于事故處理。但目前的研究仍側(cè)重于泄漏檢測(cè)而忽視微泄漏檢測(cè)，主要有2個(gè)方面的原因：首先，輸氣管道貫穿整個(gè)車間，微泄漏不能引起明顯的壓力和流量等物理因數(shù)的波動(dòng)，只有泄漏聲音在音頻頻譜上變化明顯，直至泄漏達(dá)到一定量后，才能通過傳感器檢測(cè)到壓力和流量等數(shù)據(jù)；其次，較難建立壓力、流量和聲音等信號(hào)的準(zhǔn)確函數(shù)以描述泄漏程度。隨著語音識(shí)別研究的開展，學(xué)習(xí)語音識(shí)別技術(shù)快速發(fā)展[17]。因此，針對(duì)半導(dǎo)體制造行業(yè)設(shè)計(jì)了基于聲音信號(hào)的管道微泄漏的深度神經(jīng)網(wǎng)絡(luò)模型，通過對(duì)聲音信號(hào)的學(xué)習(xí)與訓(xùn)練，能夠準(zhǔn)確及時(shí)地檢測(cè)到輸氣管道的微泄漏。

1 問題描述

1.1 半導(dǎo)體制造行業(yè)現(xiàn)有檢測(cè)方法

在半導(dǎo)體制造過程中，芯片加工必須經(jīng)過幾個(gè)操作。首先，半導(dǎo)體制作過程開始于地球上最常見的元素，純度為100%的硅。當(dāng)硅被連續(xù)加熱至熔融狀態(tài)時(shí)，允許與原材料形成化學(xué)鍵。將完成的鑄錠鋸成表面非常平整的硅片。在晶圓車間，大量使用幾種惰性氣體去處理晶片，如壓縮氣體(CDA)和N2，這些氣體流竄于車間的各種管道中。CDA提供有氧環(huán)境和驅(qū)動(dòng)主機(jī)氣動(dòng)閥門的開閉；N2被用于控制有害氣體和提供缺氧環(huán)境，以及驅(qū)動(dòng)特殊主機(jī)的氣動(dòng)閥門。

1.2 輸氣管道微泄漏檢測(cè)的現(xiàn)狀

半導(dǎo)體制造企業(yè)在管道上安放了各種類型的傳感器，如流量傳感器、壓力傳感器、溫度傳感器、濕度傳感器等，但對(duì)微泄漏檢測(cè)仍是結(jié)合傳感器和人的巡查。實(shí)際操作過程中，因輸氣量較大，管道的微泄漏不能快速精確地被檢測(cè)到，只有氣體泄漏積累到一定量值后，傳感器才能檢測(cè)到數(shù)據(jù)。為了驗(yàn)證該理論，在重慶某半導(dǎo)體制造企業(yè)的輸氣管道人為制造了微泄漏事故，獲取了傳感器監(jiān)測(cè)的壓力和流量曲線圖，但是在發(fā)生微泄漏的時(shí)候，壓力和流量數(shù)值沒有任何變化；通過采集聲音信號(hào)，可以清晰地看出，音頻信號(hào)能量明顯。因此，擬利用聲音信號(hào)檢測(cè)輸氣管道的微泄漏事故。

2 提出策略

2.1 聲音信號(hào)的預(yù)處理

考慮到人耳只能聽到一定頻段的聲音，用關(guān)系式short*wav=(short*)byte將聲音信號(hào)轉(zhuǎn)化為浮點(diǎn)數(shù)類型。假設(shè)f(t)是轉(zhuǎn)換后的信號(hào)，運(yùn)用傅里葉變換轉(zhuǎn)化該信號(hào)F(ω)=F(f(t))=∫f(t)e-iωtdt。因?yàn)橛杏眯畔⑤^低的頻率域多于較高的頻率域，因此在較低頻率設(shè)置較窄的轉(zhuǎn)換窗口。

組織TNF－α水平在2、6、12h與B組比較有顯著升高（P＜0．05）；在2、6、12、24h，A組與C組、D組比較均有統(tǒng)計(jì)學(xué)意義（P＜0．05）；B組腸組織TNF－α

為了更好地實(shí)現(xiàn)特征提取，將傅里葉變換映射到F(k)=skek。通常k屬于1～40，在模型中，k值設(shè)為40。在特征提取中，使用同態(tài)濾波處理，步驟如下：

(1)Z變換讓頻域內(nèi)的卷積操作變成了產(chǎn)品操作：

Z(F(k))=X(Z)=X1(Z)X2(Z)

(2) 對(duì)數(shù)操作使產(chǎn)品操作變成添加操作：

Y(Z)=lnX1(Z)+lnX2(Z)

=Y1(Z)+Y2(Z)

(3) Z逆運(yùn)算將進(jìn)程中的頻域變?yōu)闀r(shí)域：

y(n)=y1(n)+y2(n)。

其中，y(n)是復(fù)倒譜。

為了消噪，用一個(gè)三角形的帶通濾波器，每個(gè)幀中的頻譜參數(shù)與三角帶通濾波器的n群集相結(jié)合，每個(gè)頻段的輸出都是對(duì)數(shù)能量的衍生品，在n個(gè)參數(shù)余弦變換后，梅爾域倒頻譜參數(shù)就是DNN的輸入值。

2.2 DNN結(jié)構(gòu)的設(shè)計(jì)

DNN是一個(gè)多層感知器，其權(quán)重可完全連接。眾所周知，基于條件概率導(dǎo)數(shù)的標(biāo)準(zhǔn)梯度下降法存在梯度擴(kuò)散問題，DNN中隱藏層保存在多尺度特征向量的相似結(jié)構(gòu)中[18]。此次研究提出的DNN結(jié)構(gòu)由7層組成：卷積層和下采樣層分別有2層，輸入層、全連接層和輸出層各1層(見圖1)。

圖1 設(shè)計(jì)的DNN結(jié)構(gòu)

在隱藏層，

VL=f(zL)=f(WLvL-1)+bL

輸出層使用線性回歸方法：

vL=zL=WLvL-1+bL

vL是輸出向量，假設(shè)C是一種輸出神經(jīng)元，輸出神經(jīng)元V1的值表示觀察向量o屬于i類的概率Pdnn(i|o)，i∈{1,2,…,C}。

當(dāng)觀察向量運(yùn)行在DNN最優(yōu)時(shí)，VL將接近于1。

3 仿真實(shí)驗(yàn)

3.1 實(shí)驗(yàn)環(huán)境

實(shí)驗(yàn)環(huán)境為重慶某半導(dǎo)體制造企業(yè)車間。實(shí)驗(yàn)時(shí)采樣得到聲音信號(hào)樣本，該樣本無任何特殊性，共18個(gè)聲音信號(hào)，其中包括6個(gè)微泄漏的聲音信號(hào)，9個(gè)泄漏的聲音信號(hào)和3個(gè)無泄露的聲音信號(hào)。將其中1個(gè)微泄漏的聲音信號(hào)和1個(gè)無泄漏的聲音信號(hào)作為測(cè)試集，其他聲音信號(hào)用作訓(xùn)練集。仿真軟件是linux系統(tǒng)下的Kaldi 工具箱，服務(wù)器運(yùn)行環(huán)境為i7、3.4 G CPU和32 G內(nèi)存，CPU是GF 760Ti-340.46。

3.2 每層中的100個(gè)神經(jīng)元

每層中有100個(gè)神經(jīng)元，常規(guī)的NN學(xué)習(xí)速度分別為0.000 5和0.001 0，仿真結(jié)果如圖2所示。DNN有4個(gè)隱藏層，仿真結(jié)果如圖3所示。帶圓圈的實(shí)線表示檢測(cè)到微泄漏的百分比，虛線表示檢測(cè)到泄漏的百分比，實(shí)線表示檢測(cè)到無泄露的百分比。從圖中可以清楚地看到提出的DNN模型在微泄漏檢測(cè)上更穩(wěn)定且準(zhǔn)確，同時(shí)，DNN在較低學(xué)習(xí)速率時(shí)無泄露和泄露識(shí)別錯(cuò)誤率更小。開始約100幀內(nèi)，檢測(cè)到的混亂是由取樣裝置造成的。本實(shí)驗(yàn)采用某手機(jī)錄音軟件收集聲音信號(hào)。在第2 000幀時(shí)，無泄露和泄漏識(shí)別的混亂是由塑料管道的材質(zhì)引起不穩(wěn)定的聲音信號(hào)所致，這就要求有更多的樣品來訓(xùn)練模型。

圖2 正常神經(jīng)網(wǎng)絡(luò)隱藏層中的100個(gè)神經(jīng)元

圖3 DNN在4個(gè)隱藏層中，每層中的100個(gè)神經(jīng)元

DNN中每個(gè)隱藏層不同數(shù)量的神經(jīng)元是多樣化的。由圖4可知，神經(jīng)元模型中隱藏層神經(jīng)元的數(shù)量會(huì)影響檢測(cè)的魯棒性，神經(jīng)元的數(shù)據(jù)量越多檢測(cè)概率越穩(wěn)定，而神經(jīng)元數(shù)量較少時(shí)，學(xué)習(xí)速率在0.000 4左右達(dá)到檢測(cè)的最高值，其他學(xué)習(xí)速率的檢測(cè)性波動(dòng)較大。

圖4 比較不同學(xué)習(xí)速率下的不同數(shù)量的神經(jīng)元

4 結(jié) 語

提出了一種DNN模型，用于學(xué)習(xí)和訓(xùn)練聲音信號(hào)。為了保證聲音信號(hào)的質(zhì)量，設(shè)計(jì)了一種聲音預(yù)處理方法，獲得聲音信號(hào)的特征，作為DNN模型的輸入。仿真結(jié)果表明提出的DNN結(jié)構(gòu)能夠更好地檢測(cè)微泄漏。同時(shí)，隱藏層中具有更多的神經(jīng)元，使得在較低的學(xué)習(xí)速率下得到了更高的準(zhǔn)確概率。

[1] YANG Z, LI X H, LAI J B. Analysis on the Diffusion Hazards of Dynamic Leakage of Gas Pipeline[J]. Reliability Engineering & System Safety,2007, 92(1): 47-53.

[2] LI S Y, WEN Y M, LI P, et al. Leak Location in Gas Pipelines Using Cross-Time-Frequency Spectrum of Leakage-Induced Acoustic Vibrations[J]. Journal of Sound & Vibration, 2014, 333(17), 3889-3903.

[3] JIN H, ZHANG L B, LIANG W, et al. Integrated Leakage Detection and Localization Model for Gas Pipelines Based on the Acoustic Wave Method[J]. Journal of Loss Prevention in the Process Industries, 2014, 27(1): 74-88.

[4] XU Q Q,ZHANG L B, LIANG W. Acoustic Detection Technology for Gas Pipeline Leakage[J]. Process Safety and Environmental Protection, 2013, 91(4): 253-261.

[5] LIANG W, ZHANG L B,XU Q Q,et al. Gas Pipeline Leakage Detection Based on Acoustic Technology[J]. Engineering Failure Analysis, 2013, 31(6):1-7.

[6] BUBENIK T.7-Electromagnetic Methods for Detecting Corrosion in Underground Pipelines: Magnetic Flux Leakage (MFL) [C]∥Underground Pipeline Corrosion,[S.l.] :Woodhead Publishing,2014: 215-226.

[7] ZHOU X J, LI K, TU R, et al. Numerical Investigation of the Leakage Flow from a Pressurized CO2Pipeline[J].Energy Procedia,2014, 61(6): 151-154.

[8] XIE Q Y, TU R, JIANG X,et al.The Leakage Behavior of Supercritical CO2Flow in an Experimental Pipeline System[J]. Applied Energy, 2014, 130(5), 574-580.

[9] LI K, ZHOU X J, TU R, et al. The Flow and Heat Transfer Characteristics of Supercritical CO2Leakage from a Pipeline[J]. Energy, 2014, 71(21), 665-672.

[10] AL-KADI T, AL-TUWAIJRI Z, AL-OMRAN A. Wireless Sensor Networks for Leakage Detection in Underground Pipelines: A Survey Paper[J]. Procedia Computer Science, 2013, 21: 491-498.

[11] AL-KADI T, AL-TUWAIJRI Z, AL-OMRAN A. Design and Experimental Study on FBG Hoop-Strain Sensor in Pipeline Monitoring[J]. Optical Fiber Technology, 2014, 20(1), 15-23.

[12] QU Z G, FENG H, ZENG Z M,et al. A SVM-Based Pipeline Leakage Detection and Pre-warning System[J]. Measurement, 2010, 43(4):513-519.

[13] SUN J D, XIAO Q Y, WEN J T, et al. Natural Gas Pipeline Small Leakage Feature Extraction and Recognition Based on LMD Envelope Spectrum Entropy and SVM[J]. Measurement, 2014, 55(9): 434-443.

[14] HOU Q M, JIAO W L, REN L, et al. Experimental Study of Leakage Detection of Natural Gas Pipeline Using FBG Based Strain Sensor and Least Square Support Vector Machine[J]. Journal of Loss Prevention in the Process Industries, 2014, 32:144-151.

[15] KANG J, ZOU Z H. Time Prediction Model for Pipeline Leakage Based on Grey Relational Analysis[J]. Physics Procedia, 2012, 25(2):2019-2024.

[16] ZHANG T T, TAN Y F, YANG H X, et al.Locating Gas Pipeline Leakage Based on Stimulus-Response Method[J]. Energy Procedia, 2014, 61:207-210.

[17] ZHANG X W, LIN Y Y, WANG D. Lasso-Based Reverberation Suppression in Automatic Speech Recognition[J]. Icassp IEEE International Conference on Acoustics, 2015, 88(3):441-450.

[18] SCHMIDHUBER J. Deep Learning in Neural Networks: An Overview[J]. Neural Networks, 2015, 61:85-117.

Research on Deep Neural Network Model for Small Leakage Detection of Gas Transportation Pipes

LIJieGAOZhengLUMengLILiXIAXukun

(School of Electrical and Information Engineering, Chongqing University of Science and Technology, Chongqing 401331, China)

A deep neural network model (DNN) based on sound signal is proposed to solve the small leakage detection problem of gas transportation pipes in the semiconductor manufacturing. To avoid noise and gain the character, a pre-process model of sound signal is presented. The solved sound signal is the input of our DNN, where the structure is combined with seven layers of neurons. The sound signals are trained and learned for getting the correct probability of small leakage of pipes. The simulation results show our model is more precise and quick than the standard sensor detection. Meantime, it is more stable than the standard neural network.

small leakage; semiconductor; sound signal; neural network

2015-12-22

重慶市教委科學(xué)技術(shù)研究項(xiàng)目“基于深度學(xué)習(xí)的加氣站管道微泄漏檢測(cè)方法研究”(KJ1501305)；重慶科技學(xué)院校內(nèi)科研基金“天然氣管道輸送安全事故的預(yù)測(cè)模型”(CK2015B17)

利節(jié)(1985 — )，女，博士，講師，研究方向?yàn)榘踩a(chǎn)信息化及機(jī)器學(xué)習(xí)。

TP183

A

1673-1980(2016)05-0066-05