基于声发射传感与高斯隐马尔可夫模型的燃气管道微泄漏半监督检测方法

《IEEE Access》:Anomaly Detection for Small Gas Pipeline Leaks Using an Acoustic Emission Sensor: A Semi-Supervised Approach via Ensemble Features and Gaussian Hidden Markov Model

【字体: 大 中 小 】 时间:2026年01月04日 来源:IEEE Access 3.6

编辑推荐:

  本研究针对燃气管道微泄漏检测中声发射(AE)传感器易受噪声干扰且异常数据获取困难的问题,提出了一种基于集成特征与高斯隐马尔可夫模型(GHMM)的半监督学习方法。该方法通过多子模块特征提取器分析AE信号频域特征,利用GHMM建模时序行为,仅需正常状态数据即可实现微小泄漏(2-4 L/min)的高精度检测(准确率达0.882)。该技术为工业管道安全监测提供了低成本、高鲁棒性的解决方案。

  
在化工厂、能源输送等工业领域,燃气管道承担着长距离气体运输的重要任务。然而,管道泄漏不仅会造成经济损失,更可能引发严重的安全事故和环境污染。传统检测方法如光纤传感器虽灵敏度高,但存在部署成本高、安装复杂等局限性。柔性声发射(Acoustic Emission, AE)传感器因其易于安装、成本低廉的优势成为替代方案,但其信号易受泵、压缩机等环境噪声干扰,且在实际应用中难以获取足够数量的泄漏状态标注数据,给基于监督学习的检测方法带来挑战。
为解决上述问题,韩国科学技术院、江原大学等机构的研究团队在《IEEE Access》发表了一项创新研究,提出了一种基于半监督学习的燃气管道微泄漏检测方法。该方法通过集成特征提取和高斯隐马尔可夫模型(Gaussian Hidden Markov Model, GHMM),仅使用正常状态数据即可有效识别管道微小泄漏。
研究团队首先设计了一套多模块特征提取系统。如图1所示,AE传感器采集的波形信号被分割为多个时段,每个时段通过12个独立子模块进行特征分析。每个子模块采用随机频率截断和分箱处理,将信号转换至频域后生成归一化幅度谱直方图,再通过一类支持向量机(One-Class Support Vector Machine, OC-SVM)计算决策边界距离作为特征向量。这种集成学习策略使系统能够从多角度捕捉信号特征,增强对噪声的鲁棒性。
特征提取过程如图2所示,每个信号段经过离散傅里叶变换(Discrete Fourier Transform, DFT)后,其幅度谱在特定频率范围内被划分为128个区间,形成直方图特征。12个子模块采用不同的频率截断范围和分箱大小,通过OC-SVM的RBF核函数计算特征向量,最终拼接成代表该时段特性的多维特征。
关键技术创新在于将提取的特征序列输入GHMM进行时序建模。GHMM将管道状态(正常/泄漏)作为隐藏状态,AE信号特征作为观测值,通过概率方法处理噪声环境下的状态判别。模型采用Baum-Welch算法进行训练,仅需正常状态数据即可完成参数学习,有效解决了异常数据稀缺问题。在推理阶段,通过Viterbi算法计算最可能的状态序列,实现泄漏检测。
实验验证部分,研究团队搭建了模拟燃气管道测试平台(图3),采用直径35mm的镀锌钢管,在距离泄漏点150mm处安装柔性AE传感器。该传感器采用三层薄膜结构(图4),中间为PZT-5H压电纤维复合活性层,厚度仅0.2mm,能够有效捕捉管道振动信号。数据集包含三种工况:无泄漏(0 L/min)、微小泄漏(2 L/min)和小泄漏(4 L/min),采样频率为200kHz。
图5展示了正常与泄漏状态的AE信号及时频特性对比。可见微小泄漏(2 L/min)与正常状态的信号差异极小,传统统计方法难以区分。研究团队通过特征提取器将信号转换为特征序列(图6),正常状态序列中部分子模块输出虽为负值(假警报),但GHMM仍能准确识别整体序列为正常状态,体现了模型较强的抗干扰能力。
泄漏检测性能方面,该方法在检测2-4 L/min泄漏时达到0.882准确率和0.877 F1分数,显著优于OC-SVM(0.722)、隔离森林(0.740)等对比方法。针对2 L/min微小泄漏的专项测试中,该方法仍保持0.814准确率,而其他方法性能大幅下降(OC-SVM为0.552),证明其对微弱泄漏信号的敏感度。
图9的混淆矩阵清晰显示,该方法在正常与泄漏状态间具有最佳区分度。消融实验进一步验证了各模块贡献:单独特征提取器准确率为0.726,单独GHMM为0.540,而组合系统性能提升至0.882,表明多模块协同的有效性。实时性测试显示,单序列处理平均耗时53.48ms(特征提取46.96ms,GHMM推理6.52ms),满足工业实时监测需求。
研究结论表明,这种基于GHMM的半监督学习方法成功解决了柔性AE传感器在燃气管道监测中的两大挑战:环境噪声干扰和异常数据缺失。通过集成特征提取和时序建模,系统能够在仅使用正常数据训练的情况下,有效识别微小至2 L/min的燃气泄漏,为工业管道安全提供了可靠的技术支持。未来研究方向包括将传统OC-SVM和HMM替换为神经网络或生成模型,并将该技术扩展至制造业工具磨损监测等应用场景。
图10进一步证明了该方法在检测2 L/min微小泄漏时的优越性,其他方法均出现大量误判,而该方法仍保持稳定性能。研究还探讨了GHMM隐藏状态数量的影响,发现2-3个状态即可有效建模管道状态,4状态会导致训练不收敛,为模型参数优化提供了实践指导。
这项研究的意义在于开发了一种切实可行的工业管道监测解决方案,它既克服了传统检测方法的高成本局限,又通过创新算法解决了噪声环境和数据稀缺的双重挑战,为智能工业安全监测领域提供了重要技术参考。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号