一种基于深度学习的降噪模型的构建方法及应用

本发明涉及管道检漏降噪，特别涉及一种基于深度学习的降噪模型的构建方法及应用。

背景技术：

1、随着城市的发展，城市供水管网铺设越来越秘密集，部分供水管网因为铺设的时间较早或者因为其他外力原因难免会出现滴水或者漏水的现象。目前检漏检测方法是基于声学或者振动的方法，主要分别管壁检测和管外检测；管壁检测通常采用相关法定位漏损点，因为他通过滤波器对信号进行预处理可以提高tde的精度。滤波器预处理功能越来越强大，提升了相关法在低信噪比下的能力。尽管这些方法在金属管道取得了良好的效果，但由于信号在塑料管道上衰减较快，应用受到限制。管外检测通常需要依靠有经验的检测人员利用听音棒和电子检漏仪对地面振动信号进行分析，进而实现精准定位。尽管基于地面振动信号的管外检测具有不错的定位精度，但是这种方法严重依赖检测人员的工作经验，分析结果带有很强的主观性，而且需要耗费大量的时间，效率较低。

2、管外信号检测无需对复杂的管网系统和声振传播规律进行建模，直接对漏损现场的地面振动信号进行分析，产生的定位误差将大大减小，将地面收集的振动信号与智能算法结合可以大大提升定位效率。但基于智能算法的管壁声振信号漏损检测结果受模型参数的影响较大，往往与实际漏损位置有较大的偏差，因此更适合管道智能化预警。而基于智能算法的地面声振检测，可以取得较高的定位精度，但是目前的研究仍以人工提取特征为主，选择的特征决定了模型的检测效果，特征过少，则会影响模型的性能，特征过多，则会减慢分析速度，同时也忽略了对正常信号的分析。供水管网管理人员对管道进行健康诊断时，通常会选择车流、人流等较少的情况下进行，必要时需要在深夜开展漏损检测工作，这可以减少周围环境噪声对检测工作的影响，检测人员对漏损的判断往往通过主观经验，因此噪声越少越好。同样地，构建智能漏损检测模型依托于实验或实际漏损工况下的信号组建的数据库，数据库极少掺杂噪声，依靠数据库纯净信号训练的模型可能会对噪声信号比较敏感。因此在漏损疑似区域附近寻找漏损时，如果周围存在固定的噪声源，不但会对检测的专业人员的判断产生干扰，同时限制了漏损检测的智能算法应用，因此需要通过降噪算法对待检测的信号进行增强，从含噪信号中提取待识别的漏损相关信号，以方便检测人员的工作，同时进一步提升智能算法的适用性。

技术实现思路

1、为了解决上述问题，本发明提供以下技术方案：

2、本发明提供一种基于深度学习的管道检漏降噪模型的构建方法，所述构建方法包括：

3、(1)将纯净信号与噪声信号按不同的比例进行信号调制，获得不同信噪比的含噪信号；

4、(2)将纯净信号进行短时傅里叶变换stft提取信号的频谱幅值，将幅值的绝对值作为模型训练的目标样本；

5、(3)将含噪信号进行短时傅里叶变换stft得到含噪信号的频谱幅值，将频谱幅值取绝对值，利用pas算法对幅值进行修正，将其作为训练样本；

6、(4)将训练样本和目标样本的幅值进行归一化，再将其输入到降噪卷积编码-解码神经网络中进行训练；

7、(5)通过损失函数对降噪卷积编码-解码神经网络进行优化，得到管道检漏降噪模型。

8、噪声信号包括高斯白噪声等平稳噪声信号，也要包括交通噪声等非平稳噪声，可以选取esc-50数据集的风声、雨声、交通噪声等信号作为合成信号的噪声源；

9、进一步的，步骤(1)中含噪信号是通过对噪声信号进行放缩，将放缩之后的噪声与纯净信号进行叠加得到；

10、设噪声信号为d(n)，纯净信号为x(n)，则含噪信号y(n)为：

11、y(n)＝x(n)+αd(n)；

12、含噪信号y(n)的信噪比snr为：

13、

14、其中，α为放缩系数，具体计算公式为：

15、

16、进一步的，所述短时傅里叶变换的公式为：

17、sn＝e-jwn[x(n)*w(n)]ejwn；

18、其中，

19、l为窗长；

20、w(n)为汉明窗函数。

21、进一步的，考虑单帧前后之间的关联性，将周围帧一起串联作为训练样本，训练样本的表达式为：

22、

23、其中，sclean是纯净信号x(n)、经过stft变换的信号；

24、snoisy是含噪信号y(n)经过stft变换的信号。

25、进一步的，减小训练样本的误差，引入相位感知缩放(phase aware scaling，pas)减少相位变化带来的误差，只有当含噪信号与纯净信号的相位差小于45度时，人耳才对信号相位变化带来的失真不敏感，以此原则对含噪信号的频谱幅值进行pas算法修正的具体公式为：

26、spas＝snoisycos(θclean-θnoisy)；

27、其中，θclean表示纯净信号的相位角；

28、θnoisy表示含噪信号的相位角。

29、进一步的，将训练样本和目标向量分别进行归一化处理，通过归一化处理不仅加快收敛速度，还消除相对整体数据过大或过小的奇异样本值对模型训练的影响，训练样本的幅值进行归一化处理的公式为：

30、snoisy_re＝[snoisy-mean(snoisy)]/std(snoisy)

31、目标样本的幅值归一化处理的公式为：

32、sclean_re＝[sclean-mean(sclean)]/std(sclean)。

33、其中，sclean是纯净信号x(n)经过stft变换的信号；

34、snoisy是含噪信号y(n)经过stft变换的信号。

35、进一步的，所述降噪卷积编码-解码神经网络通过第一个卷积层进行特征提取，然后依次进入归一化层(bn层)、激活层(relu层)，经过第一个卷积模组之后，输出数据进入n个block降噪块，其中n的大小可灵活调整，当block的输入传递至第一个卷积模组n1时，先进行升维，以期得到更多的特征，随后第一个卷积模组n1的提取特征向第二个卷积模组n2传递时，此时卷积核变小，局部感受野变小，为了减少特征的泄露，增加通道了数量，以保证特征不被丢失，这个过程就是编码(encode)的过程。当第二个卷积模组n2的提取特征向第三个卷积模组n3传递时，此时卷积核再次变大，由于感受野变大，提取特征能力变强，此时为了降低计算量，减少通道数，实现特征解码(decode)；最后第三个卷积模组n3的输出与整个模组的输入利用残差连接进行混合，实现特征融合，利用激活层(relu层)对混合特征激活，输出结果继续传递至下一模块；当到达最后一个卷积层conv last时，此时需要与目标向量保持一致，将卷积核的数量调整至1，最后由回归层损失函数计算训练效果。

36、其中，卷积层：卷积运算沿一维卷积方向将输入的特征与卷积核先做乘法再将结果累加，然后输出新的特征，沿着频域维度进行特征的提取；

37、归一层：采用批量归一化(batch normalization，bn)层，每次只迭代一个batch，不同batch的数据也有着不同分布，使每个batch的数据符合标准正太分布；

38、激活层：激活函数采用relu(rectified linear unit)函数，计算方法为：f(x)＝max(0,x)；

39、回归层：通过计算预测值与目标值半均方根误差来评估模型的预测能力，损失函数的计算方法为：

40、式中loss代表误差值；r为输入帧数，f为信号所在的频点，xi,f为时频点位(i,f)处目标值，即干净频谱信号幅值，yi,f、w、b分别代表输入、权重和偏置量，为模型的响应；

41、进一步的，所述损失函数的计算方法为：

42、

43、其中，loss代表误差值；

44、r为输入帧数；

45、f为信号所在的频点；

46、xi,f为时频点位(i,f)处目标值，即干净频谱信号幅值；

47、yi,f、w、b分别代表输入、权重和偏置量；

48、为管道检漏降噪模型的响应。

49、本发明提供一种基于深度学习的管道检漏降噪模型，所述管道检漏降噪模型由上述的构建方法构建得到。

50、本发明提供一种基于深度学习的管道检漏降噪模型应用在供水管道检漏方面，检漏的具体步骤为：

51、对需要降噪的未知信号进行stft变换，此时除了得到信号的频率幅值，还需要保留信号的相位值，将该相位作为重构信号的相位值，将提取的幅值输入到训练好的深度学习模型中，得到估计的纯净信号的频谱幅值，利用istft实现信号重建，将估计信号从频域维度转换为时域维度，从而实现信号降噪。

52、本发明具有以下有益效果：

53、(1)本发明依靠神经网络对大数据的学习能力，学习含噪信号与纯净信号的映射关系，从而构建自适应降噪模型，这种降噪模型无需像传统算法一样针对信号的性质做出假设，可有效的去除非平稳噪声，如果有计划针对模型的训练库进行扩充；

54、(2)本发明建立了自适应降噪卷积编码-解码神经网络，引入了残差连接，便于灵活地调整网络结构，可以时常进行更新，不断迭代出更优秀地降噪模型，防止因为降噪网络过长而引起梯度消失，而漏损检测人员无需专业的降噪知识便可以轻松应用这套算法。

技术特征：

1.一种基于深度学习的管道检漏降噪模型的构建方法，其特征在于，所述构建方法包括：

2.根据权利要求1所述的一种基于深度学习的管道检漏降噪模型的构建方法，其特征在于，步骤(1)中含噪信号是通过对噪声信号进行放缩，将放缩之后的噪声与纯净信号进行叠加得到；

3.根据权利要求1所述的一种基于深度学习的管道检漏降噪模型的构建方法，其特征在于，所述短时傅里叶变换的公式为：

4.根据权利要求1所述的一种基于深度学习的管道检漏降噪模型的构建方法，其特征在于，考虑单帧前后之间的关联性，将周围帧一起串联作为训练样本，训练样本的表达式为：

5.根据权利要求1所述的一种基于深度学习的管道检漏降噪模型的构建方法，其特征在于，对含噪信号的频谱幅值进行pas算法修正的具体公式为：

6.根据权利要求3所述的一种基于深度学习的管道检漏降噪模型的构建方法，其特征在于，训练样本的幅值进行归一化处理的公式为：

7.根据权利要求1所述的一种基于深度学习的管道检漏降噪模型的构建方法，其特征在于，所述降噪卷积编码-解码神经网络通过第一个卷积层进行特征提取，然后依次进入归一化层、激活层，经过第一个卷积模组之后，输出数据进入n个block降噪块，其中n的大小可灵活调整，当block的输入传递至第一个卷积模组n1时，先进行升维，以期得到更多的特征，随后第一个卷积模组n1的提取特征向第二个卷积模组n2传递时，此时卷积核变小，局部感受野变小，为了减少特征的泄露，增加通道了数量，以保证特征不被丢失，当第二个卷积模组n2的提取特征向第三个卷积模组n3传递时，此时卷积核再次变大，由于感受野变大，提取特征能力变强，此时为了降低计算量，减少通道数，实现特征解码；最后第三个卷积模组n3的输出与整个模组的输入利用残差连接进行混合，实现特征融合，利用激活层对混合特征激活，输出结果继续传递至下一模块；当到达最后一个卷积层时，此时需要与目标向量保持一致，将卷积核的数量调整至1，最后由回归层损失函数计算训练效果。

8.根据权利要求1所述的一种基于深度学习的管道检漏降噪模型的构建方法，其特征在于，所述损失函数的计算方法为：

9.一种基于深度学习的管道检漏降噪模型，其特征在于，所述管道检漏降噪模型由所述权利要求1-8中任一所述的构建方法构建得到。

10.一种基于深度学习的管道检漏降噪模型的应用，其特征在于，权利要求7所述的基于深度学习的管道检漏降噪模型应用在供水管道检漏处理方面。

技术总结
本发明涉及管道检漏降噪技术领域，提供一种基于深度学习的降噪模型的构建方法及应用，包括：将纯净信号与噪声信号按不同的比例进行信号调制，获得不同信噪比的含噪信号；将纯净信号进行短时傅里叶变换STFT提取信号的频谱幅值，将幅值的绝对值作为模型训练的目标样本；将含噪信号进行短时傅里叶变换STFT得到含噪信号的频谱幅值，将频谱幅值取绝对值，利用PAS算法对幅值进行修正，作为训练样本；将训练样本和目标样本的幅值归一化，将其输入到降噪卷积编码‑解码神经网络中进行训练；通过损失函数优化神经网络模型，得到管道检漏降噪模型。依靠神经网络学习含噪信号与纯净信号的映射关系，可有效的去除非平稳噪声，针对模型的训练库进行扩充。

技术研发人员：申永刚,俞臻威,赵林硕,林祈鹏
受保护的技术使用者：浙江大学
技术研发日：
技术公布日：2024/9/23