孟慶旭沈功田俞 躍胡 斌 王寶軒李志農(nóng)

(1南昌航空大學(xué)測試與光電工程學(xué)院 南昌330036)

(2中國特種設(shè)備檢測研究院 北京100029)

0 引言

管道運輸是目前主要的氣體輸送方式，因常年受高壓、腐蝕、振動等因素的影響，往往會出現(xiàn)穿孔、連接松動等問題，導(dǎo)致有毒有害或易燃易爆介質(zhì)的泄漏，進(jìn)而造成一定程度的經(jīng)濟(jì)損失甚至人員傷亡，所以確保運輸管道的密封性對保障工業(yè)生產(chǎn)安全具有重要意義[1-2]。在壓力管道系統(tǒng)的泄漏檢測中，相比于氦質(zhì)譜法[3]、負(fù)壓波法[4]、氣體傳感器法[5]等常規(guī)檢測方法，空載聲波具有非接觸、可在線、非專一性等特點，成為了當(dāng)下判斷、識別環(huán)境中是否存在泄漏的主要研究方向。

然而，由于實際檢測環(huán)境中存在大量不確定性背景噪聲，所以在利用聲波信號進(jìn)行泄漏檢測時，特征信號會被背景噪聲淹沒。為提高聲波泄漏檢測的準(zhǔn)確率，學(xué)者們提出了一些處理方法。李鳳等[6]提出利用聲壓-耦合進(jìn)行泄漏識別的方法，通過融合由泄漏引起的兩種顯著特征來判斷泄漏與否，減小了誤判率。李俊杰等[7]將帶通數(shù)字濾波器、混沌系統(tǒng)以及AR模型功率譜相結(jié)合，實現(xiàn)對機(jī)場環(huán)境下飛機(jī)氣體系統(tǒng)泄漏的超聲信號提取，但在使用高階濾波器提升檢測效果的同時增加了系統(tǒng)的計算負(fù)擔(dān)。Wang等[8]利用神經(jīng)網(wǎng)絡(luò)和D-S證據(jù)理論對超聲波微小氣體泄漏進(jìn)行識別與分類，該方法利用相關(guān)性理論過濾外部噪聲，使用BP神經(jīng)網(wǎng)絡(luò)獲的相關(guān)性數(shù)組與概率之間的關(guān)系，并用D-S證據(jù)理論對信號分類。寧方立等[9]對傳統(tǒng)卷積核進(jìn)行改進(jìn)，使其與泄漏信號短時穩(wěn)定的窄帶線譜特征更匹配，可有效識別泄漏流量大于0.15 m3/h的泄漏信號。之后該團(tuán)隊提出了類卷積運算的頻譜增強(qiáng)算法[10]，在保留信號特征的同時有效減小了時頻圖像尺寸，在保證了深度學(xué)習(xí)訓(xùn)練精度的同時，提升了訓(xùn)練速度。孫燁辰等[11]利用集合經(jīng)驗?zāi)B(tài)分解對樣本信號進(jìn)行分離，并結(jié)合脈沖耦合神經(jīng)網(wǎng)絡(luò)對各固有模態(tài)函數(shù)(Intrinsic mode functions,IMF)分量中的噪聲進(jìn)行濾除，實現(xiàn)了對信號的降噪。目前，多數(shù)識別方法針對泄漏流量大于0.1 m3/h的泄漏，對于更小泄漏的識別研究相對較少，及時發(fā)現(xiàn)微小泄漏并處理缺陷將一定程度上降低經(jīng)濟(jì)損失。在泄漏信號識別過程中，常在識別前對信號進(jìn)行消噪預(yù)處理，而在對含噪微泄漏信號進(jìn)行消噪時往往會由于過度濾波導(dǎo)致細(xì)節(jié)丟失，造成消噪預(yù)處理的方法在對微弱泄漏的識別中存在誤差，因此有必要探討對含噪微泄漏信號直接進(jìn)行識別的方法。

深度殘差收縮網(wǎng)絡(luò)(Deep residual shrinkage network,DRSN)是一種面向含噪數(shù)據(jù)的深度學(xué)習(xí)方法，利用殘差收縮模塊克服噪聲干擾，減輕深層網(wǎng)絡(luò)的訓(xùn)練負(fù)擔(dān)。盧錦玲等[12]將DRSN用于電力系統(tǒng)暫態(tài)穩(wěn)定評估中，利用DRSN直接對原始信號進(jìn)行特征提取與識別，獲得了較好的評估性能。車暢暢等[13]利用DRSN實現(xiàn)了對滾動軸承的故障診斷，驗證了在高噪聲干擾下，DRSN仍能保持良好的魯棒性和較高的識別準(zhǔn)確度。考慮到在泄漏信號的采集中同樣存在大量非平穩(wěn)噪聲，在對含噪微泄漏的識別中，可利用DRSN對數(shù)據(jù)進(jìn)行自適應(yīng)降噪并挖掘原始數(shù)據(jù)的特征信息。

綜合上述問題，本文提出利用一維DRSN構(gòu)造管道泄漏識別模型。以時序聲信號數(shù)據(jù)為樣本，添加不同含量噪聲，并使用熱編碼化對泄漏標(biāo)簽進(jìn)行編碼，構(gòu)成1×(n+m)型數(shù)據(jù)樣本，利用模型中的殘差項降低訓(xùn)練中的樣本特征損失，同時軟閾值化網(wǎng)絡(luò)可有效獲取樣本閾值，通過不同標(biāo)簽樣本集對模型進(jìn)行監(jiān)督訓(xùn)練，實現(xiàn)對含有噪聲的微泄漏信號的識別。

1 基于DRSN的泄漏識別模型

1.1 卷積神經(jīng)網(wǎng)絡(luò)的泄漏識別

卷積神經(jīng)網(wǎng)絡(luò)(Convolutional neural networks,CNN)是目前應(yīng)用最廣泛的識別與分類網(wǎng)絡(luò)，一般由卷積層、池化層、批量歸一化層、激活函數(shù)等構(gòu)成。其中，卷積層主要用于對輸入數(shù)據(jù)進(jìn)行特征提取，而在對含有噪聲且有效信息不明顯的數(shù)據(jù)進(jìn)行處理時，用于局部特征提取的卷積核可能由于噪聲較大而特征信號較小無法檢出與有用信息相關(guān)的特征[14]，這就導(dǎo)致輸出層所具有的學(xué)習(xí)能力不足以正確區(qū)分樣本類型。

CNN在泄漏的識別方面已有應(yīng)用，如文獻(xiàn)[9]對最小流量為0.15 m3/h的閥門泄漏展開研究，經(jīng)過時頻分析，得出泄漏信號的時頻圖呈橫向分布，通過改變卷積核形狀使網(wǎng)絡(luò)在特征提取時更好地獲取樣本特征，以提高識別率。而對于泄漏更小且含有噪聲的數(shù)據(jù)樣本，在繪制時頻圖時會由于采樣頻率較小造成數(shù)據(jù)失真，同時在模型部署時會增加轉(zhuǎn)換負(fù)擔(dān)。

本文實驗中，將選擇直徑為0.1 mm的泄漏孔，溫度取293 K，上游管道壓力分別設(shè)置為0.5 MPa、0.3 MPa、0.2 MPa，根據(jù)壓縮空氣流量計算公式：

式(1)中，qa為泄漏流量(L/min)，S為泄漏孔有效面積(mm2)，p1為上游絕對壓力(kPa)，T為管內(nèi)溫度(K)，則可得泄漏理論流量最大約為0.026 m3/h。

利用所提含噪微泄漏識別方法與CNN識別方法對比，CNN結(jié)構(gòu)如表1所示，此處將不再使用時頻圖作為樣本進(jìn)行輸入，減去數(shù)據(jù)預(yù)處理過程，采用一維數(shù)據(jù)作為訓(xùn)練樣本對模型進(jìn)行訓(xùn)練。

表1 CNN結(jié)構(gòu)Table 1 CNN structure

1.2 深度殘差收縮網(wǎng)絡(luò)

深度殘差收縮網(wǎng)絡(luò)[14]是2019年由趙明航提出的一種改進(jìn)的深度殘差網(wǎng)絡(luò)(ResNet)模型，在ResNet中加入軟閾值化模塊和注意力機(jī)制[12]，使網(wǎng)絡(luò)具有自適應(yīng)對含噪數(shù)據(jù)樣本進(jìn)行閾值設(shè)定的能力，可對含噪數(shù)據(jù)進(jìn)行有效區(qū)分。

DRSN模型的核心為殘差收縮網(wǎng)絡(luò)單元，該單元利用軟閾值化函數(shù)和注意力機(jī)制[15]，實現(xiàn)對含噪數(shù)據(jù)進(jìn)行自適應(yīng)特征提取的功能。軟閾值化作為信號降噪中常用的降噪算法，可將輸入數(shù)據(jù)逐漸向零點方向進(jìn)行收縮，利用這個機(jī)制靈活對輸入樣本進(jìn)行降噪處理，軟閾值化公式如式(2)所示：

式(2)中，x表示輸入特征，y表示輸出特征，τ表示閾值(τ＞0)。其中，τ根據(jù)輸入樣本自適應(yīng)獲得。

由式(2)可知，收縮單元的核心為閾值τ的獲取。注意力機(jī)制可通過對輸入樣本的全局掃描，經(jīng)過深度堆疊后，學(xué)習(xí)網(wǎng)絡(luò)可發(fā)現(xiàn)輸入樣本的有效信息，削弱或剔除冗余信息，最后每條輸入樣本可獲得一組自有權(quán)重，將權(quán)重與輸入特征相乘得到一組自適應(yīng)閾值τ，并以此作為軟閾值化函數(shù)的閾值。利用殘差收縮機(jī)制，可省略對信號的預(yù)處理過程，同時保證對含噪樣本的有效降噪和識別。

DRSN模型[14]如圖1所示，網(wǎng)絡(luò)是利用閾值獨立型殘差收縮單元(Residual shrinkage building unit with channel-wise thresholds,RSBU-CW)構(gòu)建的DRSN模型，C表示輸入樣本通道數(shù)，W表示輸入樣本寬度。在CNN模型基礎(chǔ)上加入殘差項，降低了多層訓(xùn)練過程中的樣本特征損失，利用殘差收縮模塊進(jìn)行特征激活，自適應(yīng)獲取閾值和自有權(quán)重，能減小甚至消除輸入樣本噪聲對訓(xùn)練造成的誤差，可有效降低不同噪聲對識別結(jié)果的影響，本文將利用圖1所示結(jié)構(gòu)構(gòu)造基于DRSN的含噪管道泄漏識別模型。

圖1 閾值獨立型DRSNFig.1 DRSN with channel-wise thresholds

1.3 基于DRSN的泄漏識別流程

在實際工況中，管道所處環(huán)境通常充斥著大量非平穩(wěn)機(jī)械噪聲，使得所采集的泄漏信號并不能清晰地展現(xiàn)出泄漏特征。常規(guī)的識別方法中，多利用小波分析對數(shù)據(jù)進(jìn)行降噪預(yù)處理，而在小波降噪中如何構(gòu)建最合適的小波函數(shù)以及如何確定軟閾值化函數(shù)閾值是一個較困難的問題。為實現(xiàn)在含有噪聲干擾情況下對微泄漏信號的精準(zhǔn)識別，本文提出利用一維DRSN構(gòu)造泄漏識別模型，通過加入殘差收縮模塊，最大程度降低噪聲對網(wǎng)絡(luò)訓(xùn)練的影響，使網(wǎng)絡(luò)具有一定程度的抗噪能力，保證了識別的魯棒性。

泄漏識別模型構(gòu)造流程如圖2所示，模型訓(xùn)練以傳聲器采集時序信號為標(biāo)準(zhǔn)樣本，包括不同強(qiáng)度微泄漏信號、無泄漏信號、含有不同信噪比高斯噪聲的微泄漏信號、含有不同信噪比高斯噪聲的無泄漏信號。利用熱編碼化的方式對樣本進(jìn)行標(biāo)記，組成監(jiān)督學(xué)習(xí)數(shù)據(jù)樣本，每條樣本形狀為1×(n+m)，總樣本形狀為p×l×(n+m)×c，其中n表示訓(xùn)練樣本長度，m表示標(biāo)簽長度，p表示總樣本數(shù)，l為類別數(shù)，c表示通道數(shù)，取c為1。將數(shù)據(jù)樣本分為訓(xùn)練集、驗證集、測試集，其中訓(xùn)練集用來訓(xùn)練識別模型，驗證集進(jìn)行模型驗證以及參數(shù)調(diào)整，測試集對訓(xùn)練后的模型進(jìn)行評估。在訓(xùn)練中充分發(fā)揮殘差收縮模塊功能，利用殘差項降低訓(xùn)練中的樣本特征損失，削弱噪聲對訓(xùn)練過程的影響，通過訓(xùn)練建立泄漏識別模型。最后利用訓(xùn)練模型對測試集樣本進(jìn)行預(yù)測，評估噪聲下泄漏識別模型的有效性。

圖2 基于DRSN的管道泄漏識別流程Fig.2 Pipeline leakage identification process based on DRSN

本文所用的DRSN結(jié)構(gòu)包括卷積層、三層殘差收縮單元、標(biāo)準(zhǔn)化層、ReLU激活函數(shù)層、全局池化層以及全連接層。其中，殘差收縮單元均采用閾值獨立型殘差收縮單元，相比于閾值共享型殘差收縮單元，閾值獨立型殘差收縮單元可以根據(jù)不同通道噪聲獲取不同閾值，因此在降噪處理時，閾值獨立型殘差收縮單元具有更強(qiáng)的準(zhǔn)確性和靈活性。另外，損失函數(shù)采用如式(3a)所示的categorical_crossentropy分類交叉熵函數(shù)，式(3a)中，n表示樣本數(shù)，m表示分類數(shù)；采用式(3b)所示的ReLU函數(shù)作為激活函數(shù)避免出現(xiàn)梯度消失問題，當(dāng)x≤0時，f′(x)=0，當(dāng)x＞0時，f′(x)=1；在全連接層采用式(3c)所示的softmax函數(shù)輸出識別不同程度泄漏的可能率，式(3c)中，C表示類別數(shù)，zi表示第i個類別的輸出值。

2 實驗與結(jié)果分析

2.1 實驗設(shè)備與環(huán)境

在實驗室搭建氣體管道泄漏實驗平臺，如圖3所示。平臺主要部件包括靜音空壓機(jī)、穩(wěn)壓罐、管道主體、測量儀表、調(diào)節(jié)閥、泄漏試件等。為模擬中低壓管道運行狀態(tài)，靜音空壓機(jī)支持最大表壓為1.2 MPa，實驗表壓在1.0 MPa以下。實驗平臺通過更換如圖4所示的泄漏試件模擬不同情況下的泄漏。

圖3 氣體管道泄漏實驗平臺Fig.3 Gas pipeline leakage experimental platform

圖4 穿孔缺陷示意圖Fig.4 Schematic diagram of perforation defects

泄漏信號采集系統(tǒng)采用自主搭建的泄漏信號采集平臺，平臺由硬件和軟件組成，如圖5所示。采用寬頻傳聲器(杭州兆華，CRY343，前置放大0 dB，電源放大20 dB，輸出阻抗100 Ω)，滿足10 Hz～90 kHz頻率范圍內(nèi)的有效響應(yīng)，采集卡采用高頻高速采集卡(SPECTRUM,M4i.4450)，實驗中采樣頻率采用1 MHz，工控機(jī)操作系統(tǒng)為Windows，并安裝有自主開發(fā)的泄漏信號采集軟件，滿足信號采集和分析功能。采集時探頭與聲源之間的位置關(guān)系如圖6所示，傳聲器在泄漏孔的垂直方向，間距40 mm。

圖5 泄漏信號采集系統(tǒng)Fig.5 Leakage signal acquisition system

圖6 探頭與聲源之間的位置關(guān)系Fig.6 Position relationship between probe and sound source

2.2 結(jié)果分析

2.2.1 不同泄漏強(qiáng)度下識別分析

本次測試中主要針對微泄漏進(jìn)行判斷，選取φ0.1 mm圓形穿孔，上游壓力分別為0.2 MPa(0.0102 m3/h)、0.3 MPa(0.0153 m3/h)、0.5 MPa(0.0255 m3/h)，無添加模擬噪聲，采集數(shù)據(jù)如圖7所示，其中圖7(a)為上游壓力為0.2 MPa時傳聲器所采集的數(shù)據(jù)，圖7(b)為無泄漏時傳聲器所采集的數(shù)據(jù)，由此可見微泄漏所產(chǎn)生的聲信號與環(huán)境噪聲信號在時域上不易區(qū)分。

圖7 小孔氣體泄漏與實驗室環(huán)境噪聲時域信號對比Fig.7 Comparison of time domain signals of gas micro leakage and laboratory environmental noise

通過利用如表2所示的二分類數(shù)據(jù)集分別對網(wǎng)絡(luò)進(jìn)行訓(xùn)練，基于DRSN的含噪微泄漏識別方法在不同泄漏強(qiáng)度下表現(xiàn)出較明顯優(yōu)勢。圖8為網(wǎng)絡(luò)分別對3種不同強(qiáng)度泄漏的識別準(zhǔn)確率以及損失函數(shù)，在3種不同壓力情況下，DRSN展現(xiàn)出較強(qiáng)的微小信號特征提取能力，對不同的壓力情況均能實現(xiàn)較高的識別準(zhǔn)確率。

表2 數(shù)據(jù)集分布Table 2 Data set distribution

圖8 不同泄漏強(qiáng)度下DRSN訓(xùn)練過程Fig.8 DRSN training process under different leakage intensity

為進(jìn)一步驗證基于DRSN對不同泄漏強(qiáng)度泄漏信號的識別，通過改變φ0.1 mm泄漏孔的上游壓力來調(diào)節(jié)泄漏強(qiáng)度，泄漏信號均采自距離泄漏源40 mm處。建立多類別的數(shù)據(jù)集，類別定義如表3所示，多分類數(shù)據(jù)集結(jié)構(gòu)如表4所示，其中每條信號的數(shù)據(jù)量縮至1/16，提高訓(xùn)練速度，驗證網(wǎng)絡(luò)的容差能力。

表3 多類型信號定義Table 3 Definition of multiple type signals

表4 不含噪多分類數(shù)據(jù)集Table 4 Non-noise multi-classification dataset

對比CNN和DRSN，在樣本不含其他噪聲的情況下，二者的訓(xùn)練識別率均能達(dá)到99%以上，新取不含噪數(shù)據(jù)樣本對二者所得模型進(jìn)行測試。由測試結(jié)果圖9可知，DRSN對不同泄漏強(qiáng)度的新樣本仍能保持較好的識別準(zhǔn)確率，而利用CNN對新樣本識別時，在上游壓力0.2 MPa的泄漏中類別中，由于泄漏信號微弱，出現(xiàn)明顯的識別錯誤。

2.2.2 含模擬噪聲泄漏的識別分析

在實際的檢測過程中，由于復(fù)雜的工作環(huán)境不可避免地會存在各種嘈雜噪聲。因此，為模擬上述現(xiàn)象，將在原數(shù)據(jù)基礎(chǔ)上疊加高斯噪聲，根據(jù)信噪比(Signal-to-noise ratio,SNR)計算公式

式(4)中，PS表示原信號有效功率，PN表示噪聲的有效功率。若測量誤差為1%，則根據(jù)公式(4)可知噪聲信噪比應(yīng)為20 dB。

通過對上游壓力0.2 MPa、泄漏孔徑φ0.1 mm、信噪比20 dB的泄漏信號與僅環(huán)境噪聲信號進(jìn)行濾波并利用式(5)計算平均功率[16]，其中濾波采用的小波基為8階Symlet小波(即sym8)，小波層數(shù)分別為5、10，閾值函數(shù)為軟硬閾值折中法。

式(5)中，ˉPS表示平均有效功率，N表示采集離散數(shù)據(jù)點個數(shù)，Xn表示第n個離散數(shù)據(jù)點的值。

由圖10(a)可知，在無濾波時微弱泄漏的平均功率與5次測試的環(huán)境噪聲平均功率多次出現(xiàn)雜糅，這是由于微弱泄漏信號被復(fù)雜的環(huán)境噪聲淹沒；由圖10(b)可知，經(jīng)過5層小波濾波后，一定程度上使泄漏信號與環(huán)境噪聲之間的功率大小出現(xiàn)區(qū)分，但仍存在雜糅情況；進(jìn)一步增加分解層數(shù)，如圖10(c)可知，在小波層數(shù)達(dá)到10后，微泄漏信號與環(huán)境噪聲幾乎很難區(qū)別，這是由于泄漏強(qiáng)度較小且噪聲復(fù)雜，經(jīng)過多次小波分解后導(dǎo)致信號細(xì)節(jié)丟失，使其在平均能量值上無法與環(huán)境噪聲分離。由此可知，在利用傳統(tǒng)濾波并計算平均功率值的泄漏識別方法時，很難確定合適的小波基、閾值以及分解層數(shù)。

圖10 微小泄漏與無泄漏平均能量對比Fig.10 Comparison of average energy between small leakage and no leakage

利用DRSN對含噪微泄漏信號進(jìn)行識別。為驗證DRSN對噪聲的抑制能力和對細(xì)節(jié)特征的提取能力，選取φ0.1 mm圓形穿孔，上游壓力分別為0.2 MPa、0.3 MPa、0.5 MPa，探頭距聲源40 mm，選擇信噪比為20 dB、40 dB、60 dB的高斯噪聲進(jìn)行疊加，模擬噪聲污染，以此建立數(shù)據(jù)集。

圖11為上游壓力0.2 MPa、噪聲含量不同的識別情況，可以看出噪聲的含量對網(wǎng)絡(luò)訓(xùn)練次數(shù)影響并不大，這是因為通過加入殘差收縮網(wǎng)絡(luò)加強(qiáng)了深度神經(jīng)網(wǎng)絡(luò)從含噪聲信號中提取有用特征的能力，因此DRSN在含噪微泄漏識別中展現(xiàn)出較好的訓(xùn)練魯棒性。

圖11 不同噪聲含量下DRSN訓(xùn)練過程Fig.11 DRSN training process under different noise contents

對比CNN和DRSN，待訓(xùn)練結(jié)果穩(wěn)定后，二者均能達(dá)到較好的識別結(jié)果。新取含噪樣本對二者的網(wǎng)絡(luò)進(jìn)行測試，測試結(jié)果如表5所示。由此可見兩種網(wǎng)絡(luò)在對無泄漏信號進(jìn)行識別時均能達(dá)到較好的識別精度，但在對低上游壓力的含噪泄漏識別時，CNN的識別準(zhǔn)確率較低，而在實際情況中微小泄漏的誤判會造成一定程度的損失。隨著噪聲含量的增加，CNN的測試準(zhǔn)確率減小，在對信噪比為20 dB的含噪微泄漏識別時，平均準(zhǔn)確率不足95%。而DRSN對于不同噪聲含量的微泄漏信號在測試中均能達(dá)到98%以上的識別率，這是由于相比CNN，DRSN中不僅加入恒等映射減小網(wǎng)絡(luò)訓(xùn)練難度，同時

表5 含噪樣本不同壓力測試結(jié)果Table 5 Results of different pressure tests with noisy samples(單位:%)

加入了軟閾值化函數(shù)和注意力機(jī)制，使網(wǎng)絡(luò)在訓(xùn)練過程中能夠自適應(yīng)設(shè)置閾值，對于噪聲的處理過濾能力更強(qiáng)，對小信號的識別準(zhǔn)確率更高。

2.2.3 風(fēng)機(jī)噪聲模擬驗證

排風(fēng)系統(tǒng)是化工運輸密閉場所內(nèi)最常見的安全設(shè)施，因此在實際驗證中，將選取風(fēng)機(jī)作為主要的噪聲源，通過調(diào)節(jié)風(fēng)機(jī)強(qiáng)度制造不同噪聲。利用傳聲器對含噪環(huán)境中的微泄漏進(jìn)行采集，并以此作為樣本對模型進(jìn)行訓(xùn)練與測試，經(jīng)過計算得到不同泄漏強(qiáng)度的含噪信號的平均峰值信噪比均小于50 dB。通過訓(xùn)練獲得驗證模型，并利用新采集實際數(shù)據(jù)作為樣本進(jìn)行模型測試，測試結(jié)果如圖12所示。

圖12 風(fēng)機(jī)模擬測試結(jié)果對比Fig.12 Comparison of wind turbine simulation test results

由此可知，DRSN在對實際采樣數(shù)據(jù)識別時仍具有出較高的準(zhǔn)確率，對于含噪微泄漏信號的識別，DRSN均能實現(xiàn)較好的識別效果，因此DRSN可用于對含噪泄漏信號的識別。

3 結(jié)論

本文對含噪微弱泄漏的識別方法進(jìn)行了研究，提出以一維時域信息作為輸入樣本，利用DRSN對樣本進(jìn)行識別的方法，通過實驗驗證，所得結(jié)論如下：

(1)根據(jù)泄漏上游壓力不同，建立多泄漏強(qiáng)度數(shù)據(jù)集，驗證了DRSN在對不同強(qiáng)度泄漏信號時均具有較強(qiáng)的識別性能，在對較高雜糅混合的泄漏數(shù)據(jù)進(jìn)行識別時具有較強(qiáng)的區(qū)分能力。

(2)利用高斯噪聲模擬環(huán)境噪聲，通過改變噪聲含量，驗證了噪聲的含量并不會DRSN迭代次數(shù)產(chǎn)生較明顯的影響，且在對含噪泄漏信號進(jìn)行識別時仍能保持較強(qiáng)的魯棒性。

綜上所述，利用DRSN對噪聲環(huán)境下帶壓氣體管道微泄漏進(jìn)行識別是一種可行的方法，同時為盡可能提高含噪微泄漏識別的準(zhǔn)確率，仍需大量實際環(huán)境噪聲樣本，因此后續(xù)工作要對不同環(huán)境噪聲、不同泄漏類型進(jìn)行分析，探討其對泄漏識別影響。