本發(fā)明涉及管道檢測(cè)，具體而言，涉及一種基于聲紋耦合的天然氣微小泄漏mfcc檢測(cè)系統(tǒng)和方法。

背景技術(shù)：

1、天然氣作為一種清潔高效的能源，廣泛應(yīng)用于工業(yè)生產(chǎn)和居民生活中。然而，由于天然氣具有易燃易爆的特性，其安全運(yùn)輸、存儲(chǔ)與使用對(duì)檢測(cè)技術(shù)提出了較高的要求。特別是在天然氣管道、閥門和設(shè)備的運(yùn)行中，微小泄漏往往因聲音信號(hào)弱、泄漏量少而難以被傳統(tǒng)檢測(cè)技術(shù)及時(shí)發(fā)現(xiàn)。這種微小泄漏雖然泄漏量小，但如果長(zhǎng)時(shí)間未被察覺(jué)，可能導(dǎo)致累積效應(yīng)并引發(fā)嚴(yán)重的安全事故。

2、目前，基于聲紋檢測(cè)的天然氣泄漏監(jiān)測(cè)技術(shù)已經(jīng)初步應(yīng)用，其利用聲信號(hào)捕捉泄漏的特定頻譜特征，是一種非接觸、響應(yīng)迅速的監(jiān)測(cè)手段。然而，這類技術(shù)仍然存在一定局限性：在復(fù)雜的工業(yè)或戶外環(huán)境中，需要人員攜帶檢測(cè)設(shè)備進(jìn)行人工檢測(cè)，復(fù)雜環(huán)境下會(huì)掩蓋微小泄漏的聲紋特征，導(dǎo)致誤檢率和漏檢率較高。并且僅依賴聲紋信號(hào)進(jìn)行分析，缺乏與其他信息的協(xié)同驗(yàn)證，難以在多樣化的泄漏場(chǎng)景中實(shí)現(xiàn)高靈敏度檢測(cè)。

3、因此，有必要設(shè)計(jì)一種基于聲紋耦合的天然氣微小泄漏mfcc檢測(cè)系統(tǒng)和方法用以解決當(dāng)前技術(shù)中存在的問(wèn)題。

技術(shù)實(shí)現(xiàn)思路

1、鑒于此，本發(fā)明提出了一種基于聲紋耦合的天然氣微小泄漏mfcc檢測(cè)系統(tǒng)和方法，旨在解決當(dāng)前天然氣微小泄漏檢測(cè)中存在的檢測(cè)效率低、檢測(cè)效果差且易發(fā)生誤檢及漏檢的問(wèn)題。

2、一個(gè)方面，本發(fā)明提出了一種基于聲紋耦合的天然氣微小泄漏mfcc檢測(cè)方法，包括：

3、在待檢測(cè)區(qū)域布設(shè)麥克風(fēng)陣列及紅外圖像采集裝置，采集所述麥克風(fēng)陣列預(yù)設(shè)時(shí)段內(nèi)的聲紋數(shù)據(jù)，根據(jù)麥克風(fēng)頻率對(duì)所述聲紋數(shù)據(jù)進(jìn)行處理確定每一時(shí)刻的聲紋表征數(shù)據(jù)，獲得聲紋表征數(shù)據(jù)集；

4、將所述聲紋表征數(shù)據(jù)集與異常范圍數(shù)據(jù)進(jìn)行比對(duì)，根據(jù)比對(duì)結(jié)果確定初次判斷標(biāo)識(shí)，所述初次判斷標(biāo)識(shí)包括判斷異常標(biāo)識(shí)、疑似異常標(biāo)識(shí)以及判斷非異常標(biāo)識(shí)；

5、當(dāng)所述初次判斷標(biāo)識(shí)為疑似異常標(biāo)識(shí)時(shí)，對(duì)所述聲紋表征數(shù)據(jù)集進(jìn)行短時(shí)傅里葉變換獲得每一幀的幅值信息，將所述幅值信息進(jìn)行歸一化處理，并將歸一化后的幅值信息映射到rgb顏色表中，生成二維圖像；提取所述待檢測(cè)區(qū)域在相同時(shí)刻下的紅外圖像數(shù)據(jù)，將所述二維圖像以及紅外圖像數(shù)據(jù)輸入預(yù)先訓(xùn)練的神經(jīng)網(wǎng)絡(luò)模型，確定風(fēng)險(xiǎn)系數(shù)；

6、將所述風(fēng)險(xiǎn)系數(shù)與風(fēng)險(xiǎn)閾值進(jìn)行比對(duì)，根據(jù)比對(duì)結(jié)果確定是否進(jìn)行風(fēng)險(xiǎn)預(yù)警。

7、進(jìn)一步的，根據(jù)麥克風(fēng)頻率對(duì)所述聲紋數(shù)據(jù)進(jìn)行處理確定每一時(shí)刻的聲紋表征數(shù)據(jù)時(shí)，包括：

8、采用高斯混合分布確定所述每一時(shí)刻的聲紋表征數(shù)據(jù)：

9、核密度函數(shù)表達(dá)式為：

10、

11、其中，n表示每一時(shí)刻采集的聲紋數(shù)據(jù)個(gè)數(shù)，h表示平滑帶寬，表示每一時(shí)刻采集的第i聲紋數(shù)據(jù)，x表示要估計(jì)的某個(gè)頻率點(diǎn)的值；

12、將核密度最高頻率的聲紋數(shù)據(jù)作為所述聲紋表征數(shù)據(jù)。

13、進(jìn)一步的，根據(jù)麥克風(fēng)頻率對(duì)所述聲紋數(shù)據(jù)進(jìn)行處理確定每一時(shí)刻的聲紋表征數(shù)據(jù)時(shí)，還包括：

14、其中所述平滑帶寬通過(guò)下式計(jì)算獲得：

15、

16、其中，h表示平滑帶寬，σ表示每一時(shí)刻采集的聲紋數(shù)據(jù)的標(biāo)準(zhǔn)差，β1表示數(shù)據(jù)偏度，β2表示數(shù)據(jù)峰度，n表示每一時(shí)刻采集的聲紋數(shù)據(jù)個(gè)數(shù)，k表示調(diào)整系數(shù)；

17、其中，所述數(shù)據(jù)偏度通過(guò)下式計(jì)算獲得：

18、

19、所述數(shù)據(jù)峰度通過(guò)下式計(jì)算獲得：

20、

21、其中，n表示每一時(shí)刻采集的聲紋數(shù)據(jù)個(gè)數(shù)，表示每一時(shí)刻采集的第i聲紋數(shù)據(jù)，表示每一時(shí)刻采集的聲紋數(shù)據(jù)的均值，σ表示每一時(shí)刻采集的聲紋數(shù)據(jù)的標(biāo)準(zhǔn)差。

22、進(jìn)一步的，所述異常范圍數(shù)據(jù)包括：

23、采集所述待檢測(cè)區(qū)域管道正常運(yùn)行時(shí)對(duì)應(yīng)的正常運(yùn)行記錄，并從所述正常運(yùn)行記錄中提取對(duì)應(yīng)的正常聲紋幅值范圍；

24、將管道標(biāo)準(zhǔn)聲紋幅值與所述正常聲紋幅值范圍進(jìn)行對(duì)比，并根據(jù)數(shù)值大小關(guān)系生成所述異常范圍數(shù)據(jù)，其中，所述異常范圍數(shù)據(jù)包括左邊界值和右邊界值。

25、進(jìn)一步的，根據(jù)比對(duì)結(jié)果確定初次判斷標(biāo)識(shí)時(shí)，包括：

26、當(dāng)所述聲紋表征數(shù)據(jù)集中所有聲紋表征數(shù)據(jù)的聲紋幅值均在所述異常范圍數(shù)據(jù)內(nèi)時(shí)，對(duì)所述待檢測(cè)區(qū)域生成判斷非異常標(biāo)識(shí)；

27、當(dāng)所述聲紋表征數(shù)據(jù)集中所有聲紋表征數(shù)據(jù)的聲紋幅值均大于所述右邊界時(shí)，對(duì)所述待檢測(cè)區(qū)域生成判斷異常標(biāo)識(shí)；

28、當(dāng)所述聲紋表征數(shù)據(jù)集中存在聲紋表征數(shù)據(jù)的聲紋幅值在所述異常范圍數(shù)據(jù)內(nèi)，且存在聲紋表征數(shù)據(jù)的聲紋幅值大于所述右邊界時(shí)，對(duì)所述待檢測(cè)區(qū)域生成疑似異常標(biāo)識(shí)。

29、進(jìn)一步的，當(dāng)所述初次判斷標(biāo)識(shí)為判斷異常標(biāo)識(shí)時(shí)，包括：

30、根據(jù)所述聲紋表征數(shù)據(jù)集中聲紋表征數(shù)據(jù)的最大聲紋幅值與所述右邊界生成幅值超出值，所述幅值超出值為所述最大聲紋幅值與右邊界的差值，根據(jù)所述幅值超出值確定所述風(fēng)險(xiǎn)系數(shù)，所述風(fēng)險(xiǎn)系數(shù)與所述幅值超出值成正比關(guān)系。

31、進(jìn)一步的，將所述二維圖像以及紅外圖像數(shù)據(jù)輸入預(yù)先訓(xùn)練的神經(jīng)網(wǎng)絡(luò)模型，確定風(fēng)險(xiǎn)系數(shù)時(shí)，包括：

32、采集歷史異常數(shù)據(jù)構(gòu)建歷史數(shù)據(jù)集，所述歷史異常數(shù)據(jù)包括歷史異常二維圖像以及歷史異常紅外圖像數(shù)據(jù)；

33、將所述歷史數(shù)據(jù)集按照預(yù)設(shè)比例抽樣得到訓(xùn)練子集和測(cè)試子集；

34、獲取預(yù)先選取的神經(jīng)網(wǎng)絡(luò)模型，并根據(jù)所述訓(xùn)練子集對(duì)所述神經(jīng)網(wǎng)絡(luò)模型進(jìn)行迭代訓(xùn)練，根據(jù)所述測(cè)試子集對(duì)迭代訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行評(píng)價(jià)，并根據(jù)評(píng)價(jià)值判斷是否停止迭代訓(xùn)練；

35、若當(dāng)前迭代訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)模型的評(píng)價(jià)值小于前一次迭代訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)模型的評(píng)價(jià)值，則降低神經(jīng)網(wǎng)絡(luò)模型在梯度方向上變化的幅度，繼續(xù)進(jìn)行迭代訓(xùn)練，直至達(dá)到預(yù)設(shè)的迭代次數(shù)；若當(dāng)前迭代訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)模型的評(píng)價(jià)值大于或等于前一次迭代訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)模型的評(píng)價(jià)值，則停止迭代訓(xùn)練，得到所述預(yù)先訓(xùn)練的神經(jīng)網(wǎng)絡(luò)模型；

36、將所述二維圖像以及紅外圖像數(shù)據(jù)輸入到所述預(yù)先訓(xùn)練的神經(jīng)網(wǎng)絡(luò)模型中，獲得所述風(fēng)險(xiǎn)系數(shù)。

37、進(jìn)一步的，將所述風(fēng)險(xiǎn)系數(shù)與風(fēng)險(xiǎn)閾值進(jìn)行比對(duì)，根據(jù)比對(duì)結(jié)果確定是否進(jìn)行風(fēng)險(xiǎn)預(yù)警時(shí)，包括：

38、當(dāng)所述風(fēng)險(xiǎn)系數(shù)大于所述風(fēng)險(xiǎn)閾值時(shí)，判定進(jìn)行風(fēng)險(xiǎn)預(yù)警；

39、當(dāng)所述風(fēng)險(xiǎn)系數(shù)小于或等于所述風(fēng)險(xiǎn)閾值時(shí)，判定不進(jìn)行風(fēng)險(xiǎn)預(yù)警。

40、進(jìn)一步的，當(dāng)判定進(jìn)行風(fēng)險(xiǎn)預(yù)警時(shí)，包括：

41、根據(jù)所述風(fēng)險(xiǎn)系數(shù)與所述風(fēng)險(xiǎn)閾值獲得風(fēng)險(xiǎn)系數(shù)差值，所述風(fēng)險(xiǎn)系數(shù)差值為所述風(fēng)險(xiǎn)系數(shù)與所述風(fēng)險(xiǎn)閾值的差值，將所述風(fēng)險(xiǎn)系數(shù)差值分別與第一風(fēng)險(xiǎn)系數(shù)以及第二風(fēng)險(xiǎn)系數(shù)進(jìn)行比對(duì)，根據(jù)比對(duì)結(jié)果確定風(fēng)險(xiǎn)等級(jí)；所述第一風(fēng)險(xiǎn)系數(shù)小于第二風(fēng)險(xiǎn)系數(shù)；

42、當(dāng)所述風(fēng)險(xiǎn)系數(shù)差值小于或等于第一風(fēng)險(xiǎn)系數(shù)時(shí)，確定所述風(fēng)險(xiǎn)等級(jí)為第一風(fēng)險(xiǎn)等級(jí)；當(dāng)所述風(fēng)險(xiǎn)系數(shù)差值大于第一風(fēng)險(xiǎn)系數(shù)且小于或等于第二風(fēng)險(xiǎn)系數(shù)時(shí)，確定所述風(fēng)險(xiǎn)等級(jí)為第二風(fēng)險(xiǎn)等級(jí)；當(dāng)所述風(fēng)險(xiǎn)系數(shù)差值大于第二風(fēng)險(xiǎn)系數(shù)時(shí)，確定所述風(fēng)險(xiǎn)等級(jí)為第三風(fēng)險(xiǎn)等級(jí)；所述第一風(fēng)險(xiǎn)等級(jí)小于第二風(fēng)險(xiǎn)等級(jí)，所述第二風(fēng)險(xiǎn)等級(jí)小于第三風(fēng)險(xiǎn)等級(jí)。

43、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果在于：通過(guò)在待檢測(cè)區(qū)域布設(shè)麥克風(fēng)陣列與紅外圖像采集裝置，形成聲紋數(shù)據(jù)與紅外圖像數(shù)據(jù)的多模態(tài)融合檢測(cè)體系，提升了天然氣微小泄漏的檢測(cè)精度與可靠性。通過(guò)麥克風(fēng)陣列采集聲紋數(shù)據(jù)并提取每一時(shí)刻的聲紋表征數(shù)據(jù)，實(shí)現(xiàn)對(duì)異常聲紋的篩選，標(biāo)識(shí)出特征聲紋。在疑似異常的情況下，進(jìn)一步利用短時(shí)傅里葉變換獲取聲紋幅值信息，并通過(guò)歸一化處理與顏色映射生成二維圖像，使聲紋特征更直觀且易于后續(xù)分析。同時(shí)，結(jié)合相同時(shí)間下的紅外圖像數(shù)據(jù)，將聲紋特征與紅外特征輸入預(yù)先訓(xùn)練的神經(jīng)網(wǎng)絡(luò)模型，充分挖掘泄漏特征的空間與時(shí)間關(guān)聯(lián)性，計(jì)算風(fēng)險(xiǎn)系數(shù)并與風(fēng)險(xiǎn)閾值對(duì)比，實(shí)現(xiàn)風(fēng)險(xiǎn)評(píng)估與預(yù)警?？朔藛我宦暭y檢測(cè)易受環(huán)境噪聲干擾和漏檢的局限，同時(shí)通過(guò)多模態(tài)融合提升了復(fù)雜環(huán)境中微小泄漏檢測(cè)的靈敏度和穩(wěn)定性。

44、另一方面，本技術(shù)還提供了一種基于聲紋耦合的天然氣微小泄漏mfcc檢測(cè)系統(tǒng)，用于應(yīng)用上述基于聲紋耦合的天然氣微小泄漏mfcc檢測(cè)方法，包括：

45、傳感器模塊，包括麥克風(fēng)陣列及紅外圖像采集裝置；

46、采集單元，被配置為采集所述麥克風(fēng)陣列預(yù)設(shè)時(shí)段內(nèi)的聲紋數(shù)據(jù)，根據(jù)麥克風(fēng)頻率對(duì)所述聲紋數(shù)據(jù)進(jìn)行處理確定每一時(shí)刻的聲紋表征數(shù)據(jù)，獲得聲紋表征數(shù)據(jù)集；

47、判斷單元，被配置為將所述聲紋表征數(shù)據(jù)集與異常范圍數(shù)據(jù)進(jìn)行比對(duì)，根據(jù)比對(duì)結(jié)果確定初次判斷標(biāo)識(shí)，所述初次判斷標(biāo)識(shí)包括判斷異常標(biāo)識(shí)、疑似異常標(biāo)識(shí)以及判斷非異常標(biāo)識(shí)；

48、處理單元，被配置為當(dāng)所述初次判斷標(biāo)識(shí)為疑似異常標(biāo)識(shí)時(shí)，對(duì)所述聲紋表征數(shù)據(jù)集進(jìn)行短時(shí)傅里葉變換獲得每一幀的幅值信息，將所述幅值信息進(jìn)行歸一化處理，并將歸一化后的幅值信息映射到rgb顏色表中，生成二維圖像；提取所述待檢測(cè)區(qū)域在相同時(shí)刻下的紅外圖像數(shù)據(jù)，將所述二維圖像以及紅外圖像數(shù)據(jù)輸入預(yù)先訓(xùn)練的神經(jīng)網(wǎng)絡(luò)模型，確定風(fēng)險(xiǎn)系數(shù)；

49、預(yù)警單元，被配置為將所述風(fēng)險(xiǎn)系數(shù)與風(fēng)險(xiǎn)閾值進(jìn)行比對(duì)，根據(jù)比對(duì)結(jié)果確定是否進(jìn)行風(fēng)險(xiǎn)預(yù)警。

50、可以理解的是，上述基于聲紋耦合的天然氣微小泄漏mfcc檢測(cè)系統(tǒng)及方法具備相同的有益效果，在此不再贅述。