本發(fā)明涉及管道檢測，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，其安全運輸、存儲與使用對檢測技術(shù)提出了較高的要求。特別是在天然氣管道、閥門和設(shè)備的運行中，微小泄漏往往因聲音信號弱、泄漏量少而難以被傳統(tǒng)檢測技術(shù)及時發(fā)現(xiàn)。這種微小泄漏雖然泄漏量小，但如果長時間未被察覺，可能導(dǎo)致累積效應(yīng)并引發(fā)嚴重的安全事故。

2、目前，基于聲紋檢測的天然氣泄漏監(jiān)測技術(shù)已經(jīng)初步應(yīng)用，其利用聲信號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，需要人員攜帶檢測設(shè)備進行人工檢測，復(fù)雜環(huán)境下會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進行分析，缺乏與其他信息的協(xié)同驗證，難以在多樣化的泄漏場景中實現(xiàn)高靈敏度檢測。

3、因此，有必要設(shè)計一種基于聲紋耦合的天然氣微小泄漏mfcc檢測系統(tǒng)和方法用以解決當(dāng)前技術(shù)中存在的問題。

技術(shù)實現(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檢測系統(tǒng)和方法，旨在解決當(dāng)前天然氣微小泄漏檢測中存在的檢測效率低、檢測效果差且易發(fā)生誤檢及漏檢的問題。

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

3、在待檢測區(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)時段內(nèi)的聲紋數(shù)據(jù)，根據(jù)麥克風(fēng)頻率對所述聲紋數(shù)據(jù)進行處理確定每一時刻的聲紋表征數(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)進行比對，根據(jù)比對結(jié)果確定初次判斷標(biāo)識，所述初次判斷標(biāo)識包括判斷異常標(biāo)識、疑似異常標(biāo)識以及判斷非異常標(biāo)識；

5、當(dāng)所述初次判斷標(biāo)識為疑似異常標(biāo)識時，對所述聲紋表征數(shù)據(jù)集進行短時傅里葉變換獲得每一幀的幅值信息，將所述幅值信息進行歸一化處理，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；提取所述待檢測區(qū)域在相同時刻下的紅外圖像數(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)險系數(shù)；

6、將所述風(fēng)險系數(shù)與風(fēng)險閾值進行比對，根據(jù)比對結(jié)果確定是否進行風(fēng)險預(yù)警。

7、進一步的，根據(jù)麥克風(fēng)頻率對所述聲紋數(shù)據(jù)進行處理確定每一時刻的聲紋表征數(shù)據(jù)時，包括：

8、采用高斯混合分布確定所述每一時刻的聲紋表征數(shù)據(jù)：

9、核密度函數(shù)表達式為：

10、

11、其中，n表示每一時刻采集的聲紋數(shù)據(jù)個數(shù)，h表示平滑帶寬，表示每一時刻采集的第i聲紋數(shù)據(jù)，x表示要估計的某個頻率點的值；

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、進一步的，根據(jù)麥克風(fēng)頻率對所述聲紋數(shù)據(jù)進行處理確定每一時刻的聲紋表征數(shù)據(jù)時，還包括：

14、其中所述平滑帶寬通過下式計算獲得：

15、

16、其中，h表示平滑帶寬，σ表示每一時刻采集的聲紋數(shù)據(jù)的標(biāo)準差，β1表示數(shù)據(jù)偏度，β2表示數(shù)據(jù)峰度，n表示每一時刻采集的聲紋數(shù)據(jù)個數(shù)，k表示調(diào)整系數(shù)；

17、其中，所述數(shù)據(jù)偏度通過下式計算獲得：

18、

19、所述數(shù)據(jù)峰度通過下式計算獲得：

20、

21、其中，n表示每一時刻采集的聲紋數(shù)據(jù)個數(shù)，表示每一時刻采集的第i聲紋數(shù)據(jù)，表示每一時刻采集的聲紋數(shù)據(jù)的均值，σ表示每一時刻采集的聲紋數(shù)據(jù)的標(biāo)準差。

22、進一步的，所述異常范圍數(shù)據(jù)包括：

23、采集所述待檢測區(qū)域管道正常運行時對應(yīng)的正常運行記錄，并從所述正常運行記錄中提取對應(yīng)的正常聲紋幅值范圍；

24、將管道標(biāo)準聲紋幅值與所述正常聲紋幅值范圍進行對比，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、進一步的，根據(jù)比對結(jié)果確定初次判斷標(biāo)識時，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，對所述待檢測區(qū)域生成判斷非異常標(biāo)識；

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，對所述待檢測區(qū)域生成判斷異常標(biāo)識；

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，對所述待檢測區(qū)域生成疑似異常標(biāo)識。

29、進一步的，當(dāng)所述初次判斷標(biāo)識為判斷異常標(biāo)識時，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)險系數(shù)，所述風(fēng)險系數(shù)與所述幅值超出值成正比關(guān)系。

31、進一步的，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)險系數(shù)時，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)練子集對所述神經(jīng)網(wǎng)絡(luò)模型進行迭代訓(xùn)練，根據(jù)所述測試子集對迭代訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)模型進行評價，并根據(jù)評價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)模型的評價值小于前一次迭代訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)模型的評價值，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)進行迭代訓(xùn)練，直至達到預(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)模型的評價值大于或等于前一次迭代訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)模型的評價值，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)險系數(shù)。

37、進一步的，將所述風(fēng)險系數(shù)與風(fēng)險閾值進行比對，根據(jù)比對結(jié)果確定是否進行風(fēng)險預(yù)警時，包括：

38、當(dāng)所述風(fēng)險系數(shù)大于所述風(fēng)險閾值時，判定進行風(fēng)險預(yù)警；

39、當(dāng)所述風(fēng)險系數(shù)小于或等于所述風(fēng)險閾值時，判定不進行風(fēng)險預(yù)警。

40、進一步的，當(dāng)判定進行風(fēng)險預(yù)警時，包括：

41、根據(jù)所述風(fēng)險系數(shù)與所述風(fēng)險閾值獲得風(fēng)險系數(shù)差值，所述風(fēng)險系數(shù)差值為所述風(fēng)險系數(shù)與所述風(fēng)險閾值的差值，將所述風(fēng)險系數(shù)差值分別與第一風(fēng)險系數(shù)以及第二風(fēng)險系數(shù)進行比對，根據(jù)比對結(jié)果確定風(fēng)險等級；所述第一風(fēng)險系數(shù)小于第二風(fēng)險系數(shù)；

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

43、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果在于：通過在待檢測區(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)融合檢測體系，提升了天然氣微小泄漏的檢測精度與可靠性。通過麥克風(fēng)陣列采集聲紋數(shù)據(jù)并提取每一時刻的聲紋表征數(shù)據(jù)，實現(xiàn)對異常聲紋的篩選，標(biāo)識出特征聲紋。在疑似異常的情況下，進一步利用短時傅里葉變換獲取聲紋幅值信息，并通過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，結(jié)合相同時間下的紅外圖像數(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間關(guān)聯(lián)性，計算風(fēng)險系數(shù)并與風(fēng)險閾值對比，實現(xiàn)風(fēng)險評估與預(yù)警?？朔藛我宦暭y檢測易受環(huán)境噪聲干擾和漏檢的局限，同時通過多模態(tài)融合提升了復(fù)雜環(huán)境中微小泄漏檢測的靈敏度和穩(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)時段內(nèi)的聲紋數(shù)據(jù)，根據(jù)麥克風(fēng)頻率對所述聲紋數(shù)據(jù)進行處理確定每一時刻的聲紋表征數(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)進行比對，根據(jù)比對結(jié)果確定初次判斷標(biāo)識，所述初次判斷標(biāo)識包括判斷異常標(biāo)識、疑似異常標(biāo)識以及判斷非異常標(biāo)識；

48、處理單元，被配置為當(dāng)所述初次判斷標(biāo)識為疑似異常標(biāo)識時，對所述聲紋表征數(shù)據(jù)集進行短時傅里葉變換獲得每一幀的幅值信息，將所述幅值信息進行歸一化處理，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；提取所述待檢測區(qū)域在相同時刻下的紅外圖像數(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)險系數(shù)；

49、預(yù)警單元，被配置為將所述風(fēng)險系數(shù)與風(fēng)險閾值進行比對，根據(jù)比對結(jié)果確定是否進行風(fēng)險預(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檢測系統(tǒng)及方法具備相同的有益效果，在此不再贅述。