王新 夏廣遠(yuǎn)

(1 內(nèi)蒙古農(nóng)業(yè)大學(xué)職業(yè)技術(shù)學(xué)院 包頭 014109)

(2 內(nèi)蒙古科技大學(xué)機(jī)械工程學(xué)院 包頭 014010)

0 引言

法蘭連接管道作為輸氣裝置被廣泛應(yīng)用于各種運(yùn)輸場(chǎng)合。目前，一個(gè)嚴(yán)重的問(wèn)題是管道系統(tǒng)運(yùn)行中存在泄漏，這不僅降低了整個(gè)管道輸送的效率，而且對(duì)整個(gè)管道工作環(huán)境中的人員安全構(gòu)成威脅。眾所周知，這種管道系統(tǒng)的泄漏容易發(fā)生法蘭連接處，且法蘭連接處的泄漏通常是螺紋松動(dòng)或墊圈異位、破損引起的。因此，泄漏的早期對(duì)于分布廣泛的法蘭管道系統(tǒng)的生命周期維護(hù)和管理具有重要意義[1-2]。

隨著信息技術(shù)的發(fā)展，基于聲發(fā)射(Acoustic emission,AE)技術(shù)數(shù)據(jù)驅(qū)動(dòng)的管道泄漏檢測(cè)已成為研究熱點(diǎn)[3]。通過(guò)自動(dòng)提取管道泄漏AE 信號(hào)中隱含的泄漏信息，智能識(shí)別管道的泄漏狀態(tài)。機(jī)器學(xué)習(xí)[4]是數(shù)據(jù)驅(qū)動(dòng)管道泄漏檢測(cè)的主要方法，已采用一些方法來(lái)解決管道連接方式失效引起的泄漏問(wèn)題。Wang等[5]開(kāi)展了基于多類支持向量機(jī)(Multi-class support vector machine,MCSVM)的一對(duì)多(One-vs-all,OVA)泄漏率識(shí)別算法研究，實(shí)現(xiàn)了探空火箭推進(jìn)系統(tǒng)管路螺紋連接處的管道小泄漏檢測(cè)。Li等[6]通過(guò)構(gòu)建人工神經(jīng)網(wǎng)絡(luò)分類器開(kāi)展了基于AE 和模式識(shí)別的供水管道承插接頭失效泄漏檢測(cè)研究。Ye等[7]利用SVM 學(xué)習(xí)和相關(guān)向量機(jī)(Relevance vector machine,RVM)模式識(shí)別算法實(shí)現(xiàn)了管道閥門(mén)泄漏檢測(cè)識(shí)別。徐光[8]基于AE技術(shù)，開(kāi)展了基于SVM 的法蘭連接失效導(dǎo)致的配氣管道泄漏的實(shí)驗(yàn)研究。然而，以上機(jī)器學(xué)習(xí)方法無(wú)法直接生成原始數(shù)據(jù)的鑒別特征，其在管道泄漏檢測(cè)中的有效應(yīng)用通常需要與信號(hào)特征提取過(guò)程相結(jié)合。而特征提取和選擇是一項(xiàng)耗竭的工作[9]。

隨著機(jī)器學(xué)習(xí)技術(shù)的迅速發(fā)展，深度學(xué)習(xí)已經(jīng)成為克服上述缺點(diǎn)的有效途徑。深度學(xué)習(xí)可以自動(dòng)學(xué)習(xí)原始數(shù)據(jù)的抽象表示特征[10-11]，有效避免人為特征提取與選擇的繁瑣工作。其中卷積神經(jīng)網(wǎng)絡(luò)(Convolutional neural network,CNN)[12]作為最有效的分布式學(xué)習(xí)系統(tǒng)之一，已在諸多領(lǐng)域廣泛應(yīng)用。高留剛等[13]開(kāi)展了基于CNN生成虛擬平掃CT圖像研究，通過(guò)應(yīng)用CNN 提高了圖像識(shí)別分辨精度。徐衛(wèi)鵬等[14]開(kāi)展了基于CNN 的軸承故障診斷研究，通過(guò)驗(yàn)證，CNN 模型通過(guò)直接讀取振動(dòng)信號(hào)時(shí)域數(shù)據(jù)可以很好地實(shí)現(xiàn)對(duì)采煤機(jī)截割系統(tǒng)軸承故障診斷。然而，應(yīng)用CNN數(shù)據(jù)驅(qū)動(dòng)深度學(xué)習(xí)方法處理工程問(wèn)題，需要依托大量的有效的樣本數(shù)據(jù)才能實(shí)現(xiàn)模型的魯棒性訓(xùn)練。在管道泄漏領(lǐng)域，常見(jiàn)的檢測(cè)技術(shù)是AE無(wú)損檢測(cè)。然而，若想在短時(shí)間獲取海量、真實(shí)的泄漏數(shù)據(jù)是一項(xiàng)具有挑戰(zhàn)的任務(wù)。因此，如何通過(guò)獲取的小樣本數(shù)據(jù)，達(dá)到訓(xùn)練CNN 的目的，實(shí)現(xiàn)對(duì)法蘭管道泄漏識(shí)別是需要解決的關(guān)鍵問(wèn)題。

2014 年，Goodfellow等[15]提出了一種智能化的數(shù)據(jù)生成模型，即生成對(duì)抗網(wǎng)絡(luò)(Generative adversarial network,GAN)極大緩解了數(shù)據(jù)缺失問(wèn)題。GAN 通過(guò)涉及一對(duì)網(wǎng)絡(luò)的競(jìng)爭(zhēng)過(guò)程獲取反向傳播信號(hào)來(lái)實(shí)現(xiàn)一種無(wú)需大量注釋訓(xùn)練數(shù)據(jù)即可學(xué)習(xí)深度表示的方法。當(dāng)前，伴隨著GAN相關(guān)技術(shù)的不斷發(fā)展，其已得到廣泛應(yīng)用?？敌竦萚16]面向雷達(dá)領(lǐng)域的智能化應(yīng)用需求，開(kāi)展了基于GAN 的雷達(dá)遙感數(shù)據(jù)增廣方法，該方法有效解決了因雷達(dá)數(shù)據(jù)樣本不足導(dǎo)致的人工智能技術(shù)在雷達(dá)探測(cè)領(lǐng)域的應(yīng)用受限難題。邱根等[17]開(kāi)展了基于GAN數(shù)據(jù)擴(kuò)充的缺陷識(shí)別方法研究。實(shí)驗(yàn)結(jié)果表明，應(yīng)用GAN 擴(kuò)充圖像數(shù)據(jù)集有效提升了深度學(xué)習(xí)在缺陷檢測(cè)中的能力。

受上述研究啟發(fā)，本文面向法蘭連接管道泄漏應(yīng)用需求，開(kāi)展基于AE 和GAN-CNN 的鋁合金管道法蘭連接松動(dòng)的泄漏檢測(cè)研究。一方面，通過(guò)利用GAN對(duì)基于AE技術(shù)獲取不同泄漏等級(jí)的AE泄漏信號(hào)進(jìn)行擴(kuò)充；另一方面，將生成的樣本數(shù)據(jù)與原始數(shù)據(jù)設(shè)置為不同的訓(xùn)練集，訓(xùn)練CNN 網(wǎng)絡(luò)，構(gòu)建智能分類檢測(cè)模型；最后，設(shè)置新的泄漏工況和應(yīng)用支持小樣本數(shù)據(jù)的SVM 對(duì)本文所提方法進(jìn)行驗(yàn)證與分析。

1 基本原理分析

1.1 GAN

常規(guī)的GAN 由兩個(gè)相互對(duì)立的部分組成，分別為生成模型G和判別模型D，如圖1 所示。GAN主要思想是使用對(duì)抗網(wǎng)絡(luò)來(lái)提高數(shù)據(jù)的質(zhì)量。生成模型經(jīng)過(guò)訓(xùn)練從隨機(jī)噪聲向量Z中生成真實(shí)的合成數(shù)據(jù)Sgenerated=G(Z)，并試圖以假亂真判別模型使得Sgenerated不會(huì)被識(shí)別為生成樣本。判別模型是將生成模型生成的真實(shí)訓(xùn)練數(shù)據(jù)和偽造樣本作為輸入，然后對(duì)其訓(xùn)練以區(qū)分生成的樣本和真實(shí)數(shù)據(jù)。判別模型輸出特定樣本對(duì)應(yīng)于可能的概率。判別模型的損失函數(shù)L定義為

圖1 GAN 架構(gòu)Fig.1 Typical architecture of GAN

其中，Pdata表示真實(shí)數(shù)據(jù)分布，P(Z)表示噪聲向量Z上的先驗(yàn)分布，D(S)表示S來(lái)自真實(shí)數(shù)據(jù)而非生成數(shù)據(jù)的概率，ES～Pdata表示真實(shí)數(shù)據(jù)分布Pdata中S的期望值，EZ～P(Z)表示噪聲采樣Z的期望值。對(duì)于判別器，訓(xùn)練的目的是最大化損失函數(shù)，這意味著在正確的樣本源下最大似然數(shù)。對(duì)于生成模型，訓(xùn)練的目的是最小化等式(1)的第二項(xiàng)，以混淆判別模型。因此，GAN的目標(biāo)可表示為

基于目標(biāo)函數(shù)更新模型參數(shù)可以通過(guò)隨機(jī)梯度下降訓(xùn)練GAN 并實(shí)現(xiàn)判別模型和生成模型的正確配對(duì)。

當(dāng)前，已基于原始GAN 生成多種變體，如深度卷積生成對(duì)抗網(wǎng)絡(luò)(Deep convolutional generative adversarial network,DCGAN)、Wasserstein 生成對(duì)抗網(wǎng)絡(luò)(Wasserstein generative adversarial network,WGAN)和輔助分類器生成對(duì)抗網(wǎng)絡(luò)(Auxiliary classifier generative adversarial network,ACGAN)。本文采用ACGAN 用于數(shù)據(jù)擴(kuò)充研究。與常規(guī)GAN 相比，ACGAN 能夠生成高質(zhì)量的數(shù)據(jù)，同時(shí)提供標(biāo)簽信息。

1.2 CNN

CNN是前反饋神經(jīng)網(wǎng)絡(luò)，其是人工神經(jīng)網(wǎng)絡(luò)的一種特殊結(jié)構(gòu)。與完全連接(Fully connected,FC)神經(jīng)網(wǎng)絡(luò)不同，每層特征映射的每個(gè)神經(jīng)元僅與CNN 前一層的一小部分神經(jīng)元稀疏連接。CNN 有3個(gè)主要層：(1) 卷積層；(2) 池化層；(3) FC層。

卷積層應(yīng)用一定數(shù)量的濾波器來(lái)獲得輸入圖像的特征映射。假設(shè)卷積層數(shù)據(jù)為X ∈RA×B，其中A和B是輸入數(shù)據(jù)的維數(shù)，卷積層輸出可計(jì)算為

其中，*是卷積算子，Ccn是卷積層的第cn 個(gè)特征映射，cn為濾波器的數(shù)量，X代表輸入數(shù)據(jù)矩陣，Wcn是當(dāng)前層第cn 個(gè)濾波器的權(quán)重矩陣，第cn 個(gè)偏差為bcn，激活函數(shù)f表示結(jié)果，通常是整流線性單元、雙曲正切或sigmoid函數(shù)。

池化層是降低輸入特征維數(shù)的下采樣層。CNN最常用的最大池化函數(shù)中，激活可計(jì)算為

其中，Pcn是池化層的輸出，S是池塊的大小。池化塊的所有S將組合在一起作為池化層的輸出，這樣輸出在兩個(gè)空間維度上都會(huì)小S倍。

然后，在幾個(gè)交替的卷積層和池層之后，有一個(gè)完全連接的層，最后，按照FC層計(jì)算分類。

本文選擇keras 來(lái)實(shí)現(xiàn)CNN，其中選擇一個(gè)隱藏層，然后使用softmax 回歸作為最后一層，以實(shí)現(xiàn)快速計(jì)算和精確結(jié)果。CNN結(jié)構(gòu)如圖2所示。

圖2 CNN 結(jié)構(gòu)圖Fig.2 The structure diagram of CNN

同時(shí)，為了保證搭建的神經(jīng)網(wǎng)絡(luò)擁有足夠大的感知視野并且能夠覆蓋所有的特征信息，對(duì)各層參數(shù)進(jìn)行了布局，如表1所示。

表1 CNN 結(jié)構(gòu)參數(shù)Table 1 CNN structure parameters

2 實(shí)驗(yàn)裝置

為模擬充氣管道系統(tǒng)法蘭連接失效引起的泄漏，專門(mén)設(shè)計(jì)了具體實(shí)驗(yàn)裝置，如圖3 所示。選用直徑為18 mm、長(zhǎng)度分別為250 mm 和950 mm 的鋁合金管道段，采用法蘭接頭連接。盲法蘭安裝在短管段的每一端。氣體通過(guò)空氣壓縮機(jī)被泵入管道，管道的內(nèi)部壓力由空氣壓縮機(jī)和壓力表控制在5 bar。

圖3 法蘭連接松動(dòng)的鋁合金管道泄漏檢測(cè)的實(shí)驗(yàn)裝置Fig.3 Experimental setup for leak detection of aluminum alloy pipe due to loosening of flange connection

圖3(a)中，泄漏由于法蘭連接松動(dòng)而形成。為了解釋泄漏現(xiàn)象，實(shí)驗(yàn)中使用了氣泡泄漏檢測(cè)方法。為將鋁合金管道完全浸沒(méi)水中并固定，選用了4 個(gè)玻璃吸盤(pán)，前端2 個(gè)吸盤(pán)壓制管道，后端2 個(gè)吸盤(pán)交纏直線防止管道浮起。在管道完全浸沒(méi)水中時(shí)，首先，將充滿水的量筒放置在泄漏點(diǎn)上方收集從法蘭連接處涌出的氣泡。然后，根據(jù)采集氣體與檢測(cè)時(shí)間的比值估算出相應(yīng)的泄漏率。本文通過(guò)改變法蘭連接的松緊度(墊圈的破壞情況一致)來(lái)標(biāo)定不同的泄漏率。

圖3(b)中，根據(jù)標(biāo)定的不同泄漏率情況，AE傳感器被放置在法蘭連接接口處。所有測(cè)試均以1.0 MHz 的采樣率記錄AE 信號(hào)，每個(gè)樣本的持續(xù)時(shí)間為0.1 s。AE 信號(hào)由前置放大器(PAC,MISTRAS,2/4/6)以40 dB 放大倍數(shù)進(jìn)行預(yù)放大，并由輔助數(shù)據(jù)處理軟件(PAC、AE-Win)驅(qū)動(dòng)的8 通道AE 數(shù)據(jù)采集卡(PAC、Micro II Express、1MS/s)采集。因此，實(shí)驗(yàn)裝置用于測(cè)量和記錄泄漏AE信號(hào)。

3 實(shí)驗(yàn)分析

3.1 原始AE信號(hào)的聲學(xué)特性

本文中，選用寬頻AE 傳感器S9208 來(lái)捕獲實(shí)驗(yàn)中的產(chǎn)生的AE 信號(hào)，該傳感器在0～1 MHz 響應(yīng)特性幾乎相同，有利于捕捉未知泄漏頻帶。為了全面考察泄漏率對(duì)泄漏AE 信號(hào)的影響，通過(guò)松動(dòng)法蘭螺紋設(shè)置泄漏率的小大形成不同的漏源，分別0 mL/s、0.6 mL/s、1.8 mL/s、4 mL/s 四種泄漏工況。其相應(yīng)的時(shí)域和頻域圖，如圖4所示。

圖4 不同泄漏等級(jí)下，PAC AE 傳感器S9208 捕獲的泄漏AE 信號(hào)的時(shí)域波形和頻譜Fig.4 Time domain waveform and frequency spectrum of leak AE signals captured by PAC AE S9208 sensor under different leak levels

從泄漏時(shí)域圖可以看出，不同泄漏率下的感應(yīng)泄漏AE 信號(hào)是時(shí)域連續(xù)的AE 信號(hào)，且隨著泄漏率增大時(shí)域信號(hào)沒(méi)有明顯波動(dòng)變化。而在頻域圖中可以發(fā)現(xiàn)：頻域的局部聲能分布較廣；一個(gè)峰值位于20～50 kHz 范圍內(nèi)，一個(gè)位于77～87 kHz范圍內(nèi)；隨著泄漏等級(jí)的增大，20～50 kHz 頻帶范圍內(nèi)相應(yīng)的峰值幾乎相同，且頻帶變化無(wú)明顯波動(dòng)；77～87 kHz 頻率范圍內(nèi)的峰值略有變化。進(jìn)一步擴(kuò)大77～87 kHz 頻帶區(qū)域，如圖5 所示，發(fā)現(xiàn)77～87 kHz 頻帶的局部聲能隨著泄漏率的增大而增大。因此，將該頻帶定義為管道法蘭連接泄漏的特征頻帶。

圖5 不同泄漏等級(jí)，特征頻帶77～87 kHz 的頻域分布Fig.5 Frequency domain distribution of characteristic frequency band 77～87 kHz under different leak levels

過(guò)程中獲取了不同泄漏下的300個(gè)單獨(dú)的樣本數(shù)據(jù)，整個(gè)數(shù)據(jù)集包含1200個(gè)樣本，分為兩部分：訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)。對(duì)于每種泄漏等級(jí)，有200 個(gè)時(shí)間序列樣本用于訓(xùn)練GAN體系結(jié)構(gòu)并生成樣本，100 個(gè)樣本用于測(cè)試構(gòu)建的CNN 模型，并評(píng)估生成樣本的質(zhì)量。

3.2 基于GAN生成數(shù)據(jù)的聲學(xué)特性

經(jīng)過(guò)訓(xùn)練，獲得了經(jīng)由GAN 生成的樣本數(shù)據(jù)。4 種泄漏等級(jí)下的生成樣本數(shù)據(jù)的時(shí)域波形和頻譜結(jié)果，如圖6所示。從圖6中可以大致識(shí)別真實(shí)傳感器數(shù)據(jù)和生成樣本之間的相似性。特別是，面向不同泄漏等級(jí)，生成樣本數(shù)據(jù)的特征頻帶仍舊集中在77～87 kHz范圍，該部分與真實(shí)數(shù)據(jù)特性相似。

進(jìn)一步，從時(shí)域和頻率特性分布角度，引入計(jì)算統(tǒng)計(jì)指標(biāo)以評(píng)估生成樣本的質(zhì)量。歐氏距離、皮爾遜相關(guān)系數(shù)、庫(kù)爾貝克-萊布勒散度被用于評(píng)估生成樣本與真實(shí)訓(xùn)練數(shù)據(jù)之間的相似性。歐氏距離表示生成的樣本與真實(shí)數(shù)據(jù)之間的距離，較小的數(shù)字表示更相似。同樣，庫(kù)爾貝克-萊布勒散度表示兩個(gè)分布之間的差異，因此，數(shù)值越大，性能越差。相反，皮爾遜相關(guān)系數(shù)顯示生成的樣本與真實(shí)樣本之間的相關(guān)性，超過(guò)0.8 的高相關(guān)性意味著這些樣本之間具有很強(qiáng)的相似性。通過(guò)計(jì)算得出3 個(gè)指標(biāo)分值分別為0.1201、0.8369、0.1571。

可見(jiàn)，通過(guò)這些指標(biāo)證明了基于GAN 生成的樣本數(shù)據(jù)與真實(shí)數(shù)據(jù)有很好的相似性，進(jìn)一步將生成的樣本數(shù)據(jù)用于構(gòu)建管道泄漏分類檢測(cè)模型開(kāi)展管道法蘭連接泄漏檢測(cè)。

3.3 實(shí)驗(yàn)結(jié)果與討論

為了進(jìn)一步研究生成樣本的質(zhì)量，針對(duì)生成的數(shù)據(jù)集中執(zhí)行特定的訓(xùn)練過(guò)程。GAN 模型生成4000 個(gè)樣本，對(duì)應(yīng)于4 種不同的工作條件。然后利用這些生成的樣本訓(xùn)練本文構(gòu)建的CNN 模型，并在對(duì)CNN 模型進(jìn)行充分訓(xùn)練后，將真實(shí)傳感器采集信號(hào)作為測(cè)試數(shù)據(jù)測(cè)試訓(xùn)練的模型，以預(yù)測(cè)管道泄漏等級(jí)。過(guò)程中，為了研究生成的訓(xùn)練樣本數(shù)量對(duì)模型學(xué)習(xí)的影響，設(shè)置了幾種情況來(lái)訓(xùn)練測(cè)試模型性能。經(jīng)過(guò)訓(xùn)練迭代100 次后，模型的分類精度結(jié)果如圖7 所示。每種情況的訓(xùn)練數(shù)據(jù)詳細(xì)信息如表2所示。

圖7 不同訓(xùn)練數(shù)據(jù)集之間的泄漏檢測(cè)模型分類性能Fig.7 Classification performance of leak detection model among different training data sets

由表2 和圖7 可以看出，規(guī)模較大的訓(xùn)練數(shù)據(jù)在分類精度具有更好的性能；當(dāng)使用包含真實(shí)數(shù)據(jù)和生成數(shù)據(jù)的混合數(shù)據(jù)時(shí)，該模型比僅使用生成數(shù)據(jù)具有更好的性能；且當(dāng)獲取到足夠的訓(xùn)練數(shù)據(jù)，使用生成數(shù)據(jù)的模型能夠?qū)崿F(xiàn)高精度的分類預(yù)測(cè)，最終的分類精度可達(dá)到100%。這表明生成數(shù)據(jù)和真實(shí)傳感器信號(hào)之間的具有很高相似性，且數(shù)據(jù)驅(qū)動(dòng)的CNN可實(shí)現(xiàn)對(duì)管道泄漏高精度分類檢測(cè)。

同時(shí)，考慮到實(shí)際中的工況其實(shí)并不存在明顯的界限，為驗(yàn)證所提出方法的性能或適用性，選取了不同于前4 種泄漏等級(jí)的第5 種泄漏工況，泄漏率為2.5 mL/s，用于測(cè)試上述訓(xùn)練模型。理論上，由于在訓(xùn)練時(shí)指定了4 種泄漏工況，出現(xiàn)的第5 種泄漏工況將被模型分配至4種工況。相應(yīng)地，按照本文選取的2.5 mL/s 泄漏率，本文的第5 種泄漏樣本會(huì)更多劃分至第3種和第4種泄漏工況，其中第3種應(yīng)該居多，或者全部分配至第3 種。本文選取了不同數(shù)據(jù)樣本訓(xùn)練的CNN模型，測(cè)試樣本為100，第5種泄漏工況的分類預(yù)測(cè)結(jié)果如表3 所示。由表3 可發(fā)現(xiàn)，第5 種泄漏樣本更多分至第3種泄漏等級(jí)。同時(shí)，樣本集得越多，分配越明顯。因此，本文提出的方法在考慮實(shí)際工況無(wú)明顯界限時(shí)，實(shí)驗(yàn)結(jié)果基本符合理論分析，驗(yàn)證了方法的性能和適用性。

表3 第5 種泄漏工況下，不同訓(xùn)練數(shù)據(jù)集之間CNN 模型的分類結(jié)果Table 3 Classification results of the CNN model among different training data sets under the fifth leak condition

進(jìn)一步，為了驗(yàn)證數(shù)據(jù)驅(qū)動(dòng)的CNN 的分類優(yōu)勢(shì)，開(kāi)展了基于SVM 的分類檢測(cè)模型的構(gòu)建。在此，選擇文獻(xiàn)[5]提到的管道泄漏常用的參數(shù)作為特征，其中時(shí)域特征為標(biāo)準(zhǔn)差、均方根、能量，頻域參數(shù)為平均頻率、特征頻帶包絡(luò)面積。同時(shí)，考慮到高斯徑向基(RBF)核函數(shù)(KG)具有相對(duì)簡(jiǎn)單的計(jì)算形式、輸入?yún)?shù)較少、更強(qiáng)的學(xué)習(xí)能力[18]，選擇RBF 作為分類預(yù)測(cè)核函數(shù)。整個(gè)訓(xùn)練測(cè)試過(guò)程，訓(xùn)練集與測(cè)試集比例2 : 1，總特征集包含1200 樣本，分類結(jié)果如表4 所示。此處，F(xiàn)1 表示時(shí)域參數(shù)特征組合集，F(xiàn)2 表示頻域參數(shù)特征組合集，F(xiàn)3 表示77～87 kHz 特征頻帶包絡(luò)面積特征，F(xiàn)4 表示頻域參數(shù)和時(shí)域參數(shù)的組合特征集。

表4 不同特征指標(biāo)下，基于SVM 模型的分類結(jié)果Table 4 Classification results based on SVM under diあerent feature indicators

由表4 可以看出，時(shí)域和頻域特征的組合能夠提升泄漏檢測(cè)精度，而實(shí)際主要優(yōu)勢(shì)在于特征頻帶包絡(luò)面積的選擇?？梢?jiàn)，特征的提取和選擇對(duì)最終的結(jié)果影響巨大。對(duì)比構(gòu)建的不同分類測(cè)試模型結(jié)果發(fā)現(xiàn)，通過(guò)選擇合適的特征指標(biāo)，SVM 分類精度在某種程度上可以媲美CNN 結(jié)果，精度已達(dá)到98.75%。但是，該模型的精度需要依靠人為特征提取過(guò)程的保證。

4 結(jié)論

本文面向鋁合金法蘭管道泄漏檢測(cè)需求，提出了基于AE 和GAN-CNN相結(jié)合的智能分類檢測(cè)方法，解決了數(shù)據(jù)樣本不足問(wèn)題，減少了人為特征提取這一項(xiàng)耗時(shí)工作。通過(guò)對(duì)鋁合金管道法蘭連接失效泄漏信號(hào)進(jìn)行標(biāo)定和采集，研究了原始管道泄漏AE 信號(hào)的聲學(xué)特性和GAN 生成數(shù)據(jù)的特征，進(jìn)一步，在構(gòu)建CNN 管道泄漏分類檢測(cè)模型上，通過(guò)不同生成的樣本數(shù)據(jù)訓(xùn)練分類器并用真實(shí)數(shù)據(jù)進(jìn)行測(cè)試驗(yàn)證了生成樣本的有效性。最后，與常見(jiàn)的小樣本智能方法SVM 比較，證明了GAN-CNN 相結(jié)合對(duì)實(shí)現(xiàn)管道分類檢測(cè)的優(yōu)越性。并得出以下結(jié)論：

(1) 提出了基于GAN 擴(kuò)充管道泄漏數(shù)據(jù)的方法。該方法能夠產(chǎn)生令人信服的傳感數(shù)據(jù)，解決了樣本數(shù)據(jù)不足問(wèn)題，保證了CNN 分類模型構(gòu)建過(guò)程數(shù)據(jù)的充足。

(2) 提出了基于數(shù)據(jù)驅(qū)動(dòng)的CNN 分類檢測(cè)管道泄漏的方法。數(shù)據(jù)驅(qū)動(dòng)構(gòu)建的CNN 管道泄漏檢測(cè)分類模型能夠有效地學(xué)習(xí)特征，對(duì)不同泄漏等級(jí)和新的泄漏工況都能獲得令人信服的檢測(cè)結(jié)果。

(3) 對(duì)比常見(jiàn)的小樣本智能方法SVM。特征的選擇對(duì)SVM 泄漏檢測(cè)模型的影響較大，特征頻帶包絡(luò)面積構(gòu)建的SVM 智能分類模型表現(xiàn)效果最佳，且與其他特征相結(jié)合進(jìn)一步提高分類檢測(cè)精度，但特征提取過(guò)程繁冗。

同時(shí)，本文還存在不足之處。首先，文中選擇的泄漏等級(jí)沒(méi)有規(guī)定泄漏等級(jí)范圍，訓(xùn)練和測(cè)試選取的數(shù)據(jù)均為同一泄漏值下的泄漏數(shù)據(jù)，因此，樣本數(shù)據(jù)在達(dá)到一定程度，CNN分類會(huì)出現(xiàn)100%的結(jié)果。若考慮在規(guī)定等級(jí)范圍內(nèi)獲取范圍泄漏數(shù)據(jù)，分類結(jié)果的準(zhǔn)確性將會(huì)降低。其次，實(shí)驗(yàn)條件有限，未考慮不同噪聲水平下采集樣本數(shù)據(jù)，以驗(yàn)證算法對(duì)不同噪聲水平的魯棒性。因此，下一步，將考慮兩方面的不足，將其融入相關(guān)管道泄漏檢測(cè)研究。