本發(fā)明涉及天然氣管道，尤其涉及基于dn-a和mff的天然氣管道異常檢測方法。

背景技術(shù)：

1、天然氣管道長期受到自然腐蝕、老化、陰極保護失效、自然地質(zhì)災(zāi)害、生產(chǎn)建設(shè)、人為破壞等因素的影響會發(fā)生異常，造成資源的浪費影響社會生活生產(chǎn)，甚至威脅生命財產(chǎn)。

2、音頻數(shù)據(jù)可以分析時頻變化的規(guī)律建立特征模型，基于音頻的異常檢測因為其高靈敏度、高效性、準(zhǔn)確性等優(yōu)點常被用于管道異常檢測。

3、利用神經(jīng)網(wǎng)絡(luò)人工進行特征工程檢測管道異常取得了良好的成果，但人工進行特征工程花費大量時間進行特征篩選，這些特征也無法完全表征音頻特征；

4、目前結(jié)合深度學(xué)習(xí)進行管道音頻異常檢測方法多是假設(shè)異常樣本充足，環(huán)境噪音簡單和工作狀態(tài)單一；然而在實際工業(yè)場景中，由于管道運行平穩(wěn)、監(jiān)測數(shù)據(jù)量龐大，導(dǎo)致異常數(shù)據(jù)稀缺、數(shù)據(jù)標(biāo)注成本高；此外，工作狀況的不同會引起的聲音數(shù)據(jù)分布的差異；將不考慮工作狀況的音頻數(shù)據(jù)稱為源域，工作狀況發(fā)生變化后的音頻數(shù)據(jù)稱為目標(biāo)域；由于天然氣管道輸送要求不同且環(huán)境跨度大，目標(biāo)域和源域呈現(xiàn)較大差異，稱為域偏移；當(dāng)用源域數(shù)據(jù)訓(xùn)練的模型用于目標(biāo)域數(shù)據(jù)檢測時，模型會因為未適應(yīng)目標(biāo)域的域偏移，產(chǎn)生較高的誤檢率或漏檢率，影響檢測精度。

技術(shù)實現(xiàn)思路

1、針對現(xiàn)有方法的不足，本發(fā)明構(gòu)建生成對抗網(wǎng)絡(luò)學(xué)習(xí)正常音頻的分布特征，實現(xiàn)無監(jiān)督異常檢測，不依賴人工經(jīng)驗，提高天然氣管道音頻異常檢測的效率和精確率。

2、本發(fā)明所采用的技術(shù)方案是：基于dn-a和mff的天然氣管道異常檢測方法包括以下步驟：

3、步驟一、采集天然氣管道在不同工作狀況下的音頻信號；

4、步驟二、對采集的音頻信號進行預(yù)處理；

5、步驟三、構(gòu)建基于編碼器、解碼器、多尺度特征融合模塊和擴張鄰域注意力模塊的生成器；編碼器將輸入頻譜從高維空間映射到低維向量；解碼器將低維向量映射回高維空間，得到重建頻譜；

6、作為本發(fā)明的一種優(yōu)選實施方式，擴張鄰域注意力模塊是將編碼器的特征圖c5利用擴張鄰域通道注意力和擴張鄰域空間注意力進行特征提取得到特征圖c6，c6＝dnsatt(dncattc5)；其中，dncatt為擴張鄰域通道注意力，dnsatt為擴張鄰域空間注意力。

7、作為本發(fā)明的一種優(yōu)選實施方式，擴張鄰域通道注意力的公式為：

8、

9、其中，σ(·)為sigmoid激活函數(shù)，為不同擴張率的擴張卷積提取的通道特征，concat表示concat融合，pwconv為1×1卷積，hcat為擴張鄰域通道注意力權(quán)重；

10、dc＝hcat⊙c5,?(6)

11、其中，⊙為向量點積，dc為擴張鄰域通道注意力生成的特征圖。

12、作為本發(fā)明的一種優(yōu)選實施方式，擴張鄰域空間注意力的構(gòu)建包括：采用2dmaxpool和2davgpool壓縮dc的通道得到和對和進行concat融合，再利用擴張卷積并行提取空間特征，經(jīng)過1×1卷積和sigmoid函數(shù)后得到擴張鄰域空間注意力權(quán)重，并與特征圖dc相乘，得到特征圖c6。

13、作為本發(fā)明的一種優(yōu)選實施方式，解碼器對特征圖c6進行解碼，經(jīng)過批量歸一化、relu激活函數(shù)得到特征圖c7，使用多尺度特征融合模塊融合特征圖c7和c4得到特征圖c8，再將特征圖c8與特征圖c3融合得到特征圖c9，特征圖c9與特征圖c2融合得到特征圖c10，特征圖c10與特征圖c1融合得到特征圖c11。

14、作為本發(fā)明的一種優(yōu)選實施方式，多尺度特征融合模塊的構(gòu)建包括：

15、將解碼特征圖c7∈rc×h×w上采樣兩倍得到新的特征圖c'7，再將c'7與特征圖c4進行廣播加法得到f，對f進行全局平均池化得到全局通道信息u，再使用1×1卷積處理u，經(jīng)過bn和relu，再經(jīng)過1×1卷積，得到全局上下文信息g(u)；

16、提取空間信息經(jīng)過1×1卷積、bn和relu和1×1卷積，得到空間局部細(xì)節(jié)信息l(f)；

17、在通過廣播相加融合g(u)和l(f)，再通過sigmoid函數(shù)得到通道注意力權(quán)重f'；將f逐元素乘以通道注意力權(quán)重，得到融合權(quán)重m(f)；使用1×1卷積調(diào)整c'7的通道維數(shù)得到c'7'；將m(f)分別與特征圖c'7'和特征圖c4逐元素相乘，最后通過廣播加法進行融合得到特征圖c8。

18、作為本發(fā)明的一種優(yōu)選實施方式，利用生成器將輸入頻譜特征圖x和重建頻譜特征圖輸入判別器進行編碼，利用softmax函數(shù)進行頻譜分類。

19、作為本發(fā)明的一種優(yōu)選實施方式，訓(xùn)練生成器時固定判別器網(wǎng)絡(luò)權(quán)重。

20、作為本發(fā)明的一種優(yōu)選實施方式，訓(xùn)練判別器時固定生成器網(wǎng)絡(luò)權(quán)重。

21、作為本發(fā)明的一種優(yōu)選實施方式，設(shè)置基于結(jié)構(gòu)相似性和空間自適應(yīng)設(shè)計的上下文損失函數(shù)指導(dǎo)生成器生成趨于真實數(shù)據(jù)特征分布的頻譜。

22、本發(fā)明的有益效果：

23、1、本發(fā)明構(gòu)建多尺度特征融合模塊旨在保留不同維度的細(xì)節(jié)特征與語義特征，從而提高天然氣管道音頻異常檢測的準(zhǔn)確性；

24、2、本發(fā)明構(gòu)建擴張鄰域注意力模塊可以處理瓶頸層特征圖的多尺度通道交互信息和多分辨率空間關(guān)系，同時考慮具有不同參與率的鄰域，增強通道和空間的跨維度信息交互，進一步提高異常檢測能力；

25、3、在訓(xùn)練階段使用基于結(jié)構(gòu)相似性和空間自適應(yīng)設(shè)計的上下文損失函數(shù)計算模型的生成器的重建損失，可以更好的度量輸入頻譜和重建頻譜間的相似性，使模型更好的收斂。

技術(shù)特征：

1.基于dn-a和mff的天然氣管道異常檢測方法，其特征在于，包括以下步驟：

2.根據(jù)權(quán)利要求1所述的基于dn-a和mff的天然氣管道異常檢測方法，其特征在于，擴張鄰域注意力模塊是將編碼器的特征圖c5利用擴張鄰域通道注意力和擴張鄰域空間注意力進行特征提取得到特征圖c6，c6＝dnsatt(dncattc5)；其中，dncatt為擴張鄰域通道注意力，dnsatt為擴張鄰域空間注意力。

3.根據(jù)權(quán)利要求2所述的基于dn-a和mff的天然氣管道異常檢測方法，其特征在于，擴張鄰域通道注意力的公式為：

4.根據(jù)權(quán)利要求3所述的基于dn-a和mff的天然氣管道異常檢測方法，其特征在于，擴張鄰域空間注意力的構(gòu)建包括：采用2dmaxpool和2davgpool壓縮dc的通道得到和對和進行concat融合，再利用擴張卷積并行提取空間特征，經(jīng)過1×1卷積和sigmoid函數(shù)后得到擴張鄰域空間注意力權(quán)重，并與特征圖dc相乘，得到特征圖c6。

5.根據(jù)權(quán)利要求1所述的基于dn-a和mff的天然氣管道異常檢測方法，其特征在于，解碼器對特征圖c6進行解碼，經(jīng)過批量歸一化、relu激活函數(shù)得到特征圖c7，使用多尺度特征融合模塊融合特征圖c7和c4得到特征圖c8，再將特征圖c8與特征圖c3融合得到特征圖c9，特征圖c9與特征圖c2融合得到特征圖c10，特征圖c10與特征圖c1融合得到特征圖c11。

6.根據(jù)權(quán)利要求5所述的基于dn-a和mff的天然氣管道異常檢測方法，其特征在于，多尺度特征融合模塊的構(gòu)建包括：

7.根據(jù)權(quán)利要求1所述的基于dn-a和mff的天然氣管道異常檢測方法，其特征在于，生成器將輸入頻譜特征圖x和重建頻譜特征圖輸入判別器進行編碼，利用softmax函數(shù)進行頻譜分類。

8.根據(jù)權(quán)利要求1所述的基于dn-a和mff的天然氣管道異常檢測方法，其特征在于，訓(xùn)練生成器時固定判別器網(wǎng)絡(luò)權(quán)重。

9.根據(jù)權(quán)利要求1所述的基于dn-a和mff的天然氣管道異常檢測方法，其特征在于，訓(xùn)練判別器時固定生成器網(wǎng)絡(luò)權(quán)重。

10.根據(jù)權(quán)利要求1所述的基于dn-a和mff的天然氣管道異常檢測方法，其特征在于，設(shè)置基于結(jié)構(gòu)相似性和空間自適應(yīng)設(shè)計的上下文損失函數(shù)指導(dǎo)生成器生成真實數(shù)據(jù)特征分布的頻譜。

技術(shù)總結(jié)
本發(fā)明涉及天然氣管道技術(shù)領(lǐng)域，尤其涉及基于DN?A和MFF的天然氣管道異常檢測方法，包括采集天然氣管道在不同工作狀況下的音頻信號；對采集的音頻信號進行預(yù)處理；構(gòu)建基于編碼器、解碼器、多尺度特征融合模塊和擴張鄰域注意力模塊的生成器；編碼器將輸入頻譜從高維空間映射到低維向量；解碼器將低維向量映射回高維空間，得到重建頻譜。本發(fā)明構(gòu)建生成對抗網(wǎng)絡(luò)學(xué)習(xí)正常音頻的分布特征，實現(xiàn)無監(jiān)督異常檢測，不依賴人工經(jīng)驗，提高天然氣管道音頻異常檢測的效率和精確率。

技術(shù)研發(fā)人員：張怡卓,孫正峰,石神,牛永鋒
受保護的技術(shù)使用者：常州大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2025/5/15