基于敲击声信号—卷积神经网络的管道积水量检测方法研究

作     者：熊孟周 

作者单位：武汉科技大学 

学位级别：硕士

导师姓名：杨丹

授予年度：2022年

学科分类：12[管理学] 07[理学] 08[工学] 070206[理学-声学] 0820[工学-石油与天然气工程] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 082403[工学-水声工程] 081104[工学-模式识别与智能系统] 0835[工学-软件工程] 082003[工学-油气储运工程] 0824[工学-船舶与海洋工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 0702[理学-物理学] 

主      题：管道积水 敲击检测法 梅尔时频图 卷积神经网络 

摘      要：管道运输是油气运输的主要方式,在长期服役过程中,由管道积水引发的管道腐蚀、穿孔、泄漏等现象屡见不鲜。管道积水量的检测对管道的正常运行具有重大意义。本文针对管道积水问题,结合当前理论背景,对管道积水量的检测进行了系统的研究。论文所做的主要工作如下:（1）分析敲击检测法的基本原理与声波衰减理论,提出了一种基于敲击声信号—卷积神经网络（Convolutional Neural Network,CNN）的管道积水量检测方法,通过实验采集到了6种积水工况下管道的敲击声信号,对其时域特性和频域特性展开了分析研究。分析结果表明,随着管道积水量的增加,敲击声信号的衰减程度降低,其主频率减小。但是衰减程度和主频率随积水量改变的变化幅度不明显,易受环境噪音的干扰,导致对积水量的具体判定困难,需对管道敲击声信号作进一步的特征提取与识别。（2）针对敲击声信号声学特征的有效表征问题,采取短时傅里叶变换（Short Time Fourier Transfrom,STFT）、梅尔时频图（Mel Frequency Spectorgram,MFS）及梅尔倒谱系数（Mel-frequency cepstral coefficients,MFCCs）三种特征提取方法,提取敲击声信号的声学特征,分别以它们作为CNN识别模型的输入特征,进行了管道积水量识别,并对CNN模型的识别性能进行了比较。结果表明,以MFS为声学特征的效果要优于STFT和MFCCs,并分析了其原因。（3）搭建一个CNN识别模型用以检测管道积水量,并对其参数进行了优化,成功实现了对管道积水量的有效识别。与现有的常用分类方法进行比较,结果显示CNN识别模型具有更稳定、更优越的性能。可以得出,本文提出的方法在管道积水检测中具有较好的应用前景。