压缩感知结合卷积网络的天然气管道泄漏孔径识别_温江涛.pdf

􀪈􀪈􀪈􀪈􀪈􀪈􀪈􀪈􀪈􀪈􀪈􀪈􀪈􀪈􀪈􀪈􀪈􀪈􀪈􀪈􀪈􀪈􀪈􀪈􀪈􀪈􀪈􀪈􀪈􀪈􀪈􀪈􀪈􀪈􀪈􀪈􀪈􀪈􀪈􀪈􀪈􀪈􀪈􀪈􀪈􀪈􀪈􀪈􀪈 􀪈 振 动 与 冲 击 第 ３９ 卷第 ２１ 期ＪＯＵＲＮＡＬ ＯＦ ＶＩＢＲＡＴＩＯＮ ＡＮＤ ＳＨＯＣＫＶｏｌ． ３９ Ｎｏ．２１ ２０２０ 基金项目 国家自然科学基金项目（５１４７５４０７；５１６０５４１９；６１７０１４２９）；河 北省自然科学基金资助项目（Ｅ２０１８２０３４３３；Ｅ２０２０２０３０６１）；河北省 引进留学人员资助项目（Ｃ２０１８２７） 收稿日期 ２０１９ －０６ －１８ 修改稿收到日期 ２０１９ －０９ －０５ 第一作者 温江涛 男，工学博士，副教授，１９７４ 年生 通信作者 孙洁娣 女，工学博士，教授，１９７５ 年生 压缩感知结合卷积网络的天然气管道泄漏孔径识别 温江涛１， 付 磊１， 孙洁娣２，３， 王 涛１， 张光宇１， 张鹏程１ （１． 燕山大学 河北省测试计量技术及仪器重点实验室， 秦皇岛 ０６６００４； ２． 燕山大学 信息科学与工程学院， 秦皇岛 ０６６００４； ３． 燕山大学 河北省信息传输与信号处理重点实验室， 秦皇岛 ０６６００４） 摘 要针对传统天然气管道泄漏孔径检测面临的原始数据冗余性大、特征选取主观依赖性强以及复杂环境下识 别准确率低等问题，提出了一种将压缩感知与深度卷积神经网络相结合的泄漏孔径识别方法。 首先利用随机高斯矩阵对 原始泄漏信号进行压缩采集，以较少的压缩感知域数据获取全部泄漏信息；然后构建深度一维卷积神经网络，将压缩采集 数据送入网络中实现自适应特征提取及高准确度泄漏孔径识别；还对主要参数的影响进行了深入的分析。 实验结果表 明，该方法能够快速、准确地实现天然气管道泄漏孔径识别，且在低信噪比环境下具有较好的鲁棒性，总体识别效果优于 传统的分类方法。 关键词 管道泄漏孔径识别； 压缩感知采集； １ 维卷积网络； 自适应特征提取 中图分类号 ＴＰ３９１． ４； ＴＨ８６５ 文献标志码 ＡＤＯＩ１０． １３４６５／ ｊ． ｃｎｋｉ． ｊｖｓ． ２０２０． ２１． ００３ Ｒｅｃｏｇｎｉｔｉｏｎ ｏｆ ｌｅａｋａｇｅ ａｐｅｒｔｕｒｅ ｏｆ ｎａｔｕｒａｌ ｇａｓ ｐｉｐｅｌｉｎｅ ｂａｓｅｄ ｏｎ ｃｏｍｐｒｅｓｓｉｏｎ ｓｅｎｓｉｎｇ ａｎｄ ｃｏｎｖｏｌｕｔｉｏｎ ｎｅｔｗｏｒｋ ＷＥＮ Ｊｉａｎｇｔａｏ１， ＦＵ Ｌｅｉ１， ＳＵＮ Ｊｉｅｄｉ２，３， ＷＡＮＧ Ｔａｏ１， ＺＨＡＮＧ Ｇｕａｎｇｙｕ１， ＺＨＡＮＧ Ｐｅｎｇｃｈｅｎｇ１ （１． Ｈｅｂｅｉ Ｐｒｏｖｉｎｃｉａｌ Ｋｅｙ Ｌａｂ ｏｆ Ｍｅａｓｕｒｅｍｅｎｔ Ｔｅｃｈｎｏｌｏｇｙ ａｎｄ Ｉｎｓｔｒｕｍｅｎｔａｔｉｏｎ， Ｙａｎｓｈａｎ Ｕｎｉｖｅｒｓｉｔｙ， Ｑｉｎｈｕａｎｇｄａｏ ０６６００４， Ｃｈｉｎａ； ２． Ｓｃｈｏｏｌ ｏｆ Ｉｎｆｏｒｍａｔｉｏｎ Ｓｃｉｅｎｃｅ ａｎｄ Ｅｎｇｉｎｅｅｒｉｎｇ， Ｙａｎｓｈａｎ Ｕｎｉｖｅｒｓｉｔｙ， Ｑｉｎｈｕａｎｇｄａｏ ０６６００４， Ｃｈｉｎａ； ３． Ｈｅｂｅｉ Ｐｒｏｖｉｎｃｉａｌ Ｋｅｙ Ｌａｂ ｏｆ Ｉｎｆｏｒｍａｔｉｏｎ Ｔｒａｎｓｍｉｓｓｉｏｎ ａｎｄ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｉｎｇ， Ｙａｎｓｈａｎ Ｕｎｉｖｅｒｓｉｔｙ， Ｑｉｎｈｕａｎｇｄａｏ ０６６００４， Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ Ａｉｍｉｎｇ ａｔ ｐｒｏｂｌｅｍｓ ｏｆ ｌａｒｇｅ ｒｅｄｕｎｄａｎｃｙ ｏｆ ｒａｗ ｄａｔａ， ｓｔｒｏｎｇ ｓｕｂｊｅｃｔｉｖｉｔｙ ｄｅｐｅｎｄｅｎｃｅ ｏｆ ｆｅａｔｕｒｅ ｓｅｌｅｃｔｉｏｎ ａｎｄ ｌｏｗ ｒｅｃｏｇｎｉｔｉｏｎ ａｃｃｕｒａｃｙ ｕｎｄｅｒ ｃｏｍｐｌｅｘ ｅｎｖｉｒｏｎｍｅｎｔ ｆｏｒ ｔｒａｄｉｔｉｏｎａｌ ｎａｔｕｒａｌ ｇａｓ ｐｉｐｅｌｉｎｅ ｌｅａｋａｇｅ ａｐｅｒｔｕｒｅ ｒｅｃｏｇｎｉｔｉｏｎ， ａ ｌｅａｋａｇｅ ａｐｅｒｔｕｒｅ ｒｅｃｏｇｎｉｔｉｏｎ ｍｅｔｈｏｄ ｂａｓｅｄ ｏｎ ｃｏｍｐｒｅｓｓｉｏｎ ｓｅｎｓｉｎｇ ａｎｄ １⁃Ｄ ｃｏｎｖｏｌｕｔｉｏｎ ｎｅｔｗｏｒｋ ｗａｓ ｐｒｏｐｏｓｅｄ． Ｆｉｒｓｔｌｙ， ｔｈｅ ｒａｎｄｏｍ Ｇａｕｓｓｉａｎ ｍａｔｒｉｘ ｗａｓ ｕｓｅｄ ｔｏ ｄｏ ｃｏｍｐｒｅｓｓｉｏｎ ｃｏｌｌｅｃｔｉｏｎ ｏｆ ｏｒｉｇｉｎａｌ ｌｅａｋａｇｅ ｓｉｇｎａｌｓ， ａｎｄ ｔｈｅ ｆｕｌｌ ｌｅａｋａｇｅ ｉｎｆｏｒｍａｔｉｏｎ ｗａｓ ｏｂｔａｉｎｅｄ ｗｉｔｈ ｌｅｓｓ ｃｏｍｐｒｅｓｓｉｏｎ ｓｅｎｓｉｎｇ ｄｏｍａｉｎ ｄａｔａ． Ｔｈｅｎ， ａ ｄｅｅｐ １⁃Ｄ ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｔｗｏｒｋ ｗａｓ ｃｏｎｓｔｒｕｃｔｅｄ， ａｎｄ ｔｈｅ ｃｏｍｐｒｅｓｓｉｏｎ ｃｏｌｌｅｃｔｉｏｎ ｄａｔａ ｗｅｒｅ ｆｅｄ ｉｎｔｏ ｔｈｅ ｎｅｔｗｏｒｋ ｔｏ ｒｅａｌｉｚｅ ａｄａｐｔｉｖｅ ｆｅａｔｕｒｅ ｅｘｔｒａｃｔｉｏｎ ａｎｄ ｌｅａｋａｇｅ ａｐｅｒｔｕｒｅ ｒｅｃｏｇｎｉｔｉｏｎ ｗｉｔｈ ｈｉｇｈ ａｃｃｕｒａｃｙ． Ｆｉｎａｌｌｙ， ｅｆｆｅｃｔｓ ｏｆ ｔｈｅ ｍａｉｎ ｐａｒａｍｅｔｅｒｓ ｏｎ ｒｅｃｏｇｎｉｔｉｏｎ ｒｅｓｕｌｔｓ ｗｅｒｅ ａｎａｌｙｚｅｄ． Ｔｅｓｔ ｒｅｓｕｌｔｓ ｓｈｏｗｅｄ ｔｈａｔ ｔｈｅ ｐｒｏｐｏｓｅｄ ｍｅｔｈｏｄ ｃａｎ ｑｕｉｃｋｌｙ ａｎｄ ａｃｃｕｒａｔｅｌｙ ｒｅａｌｉｚｅ ｔｈｅ ｌｅａｋａｇｅ ａｐｅｒｔｕｒｅ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｏｆ ｎａｔｕｒａｌ ｇａｓ ｐｉｐｅｌｉｎｅｓ； ｉｔ ｈａｓ ｂｅｔｔｅｒ ｒｏｂｕｓｔｎｅｓｓ ｕｎｄｅｒ ｌｏｗ ＳＮＲ ｅｎｖｉｒｏｎｍｅｎｔ； ｉｔｓ ｏｖｅｒａｌｌ ｒｅｃｏｇｎｉｔｉｏｎ ｅｆｆｅｃｔ ｉｓ ｓｕｐｅｒｉｏｒ ｔｏ ｔｈａｔ ｏｆ ｔｈｅ ｔｒａｄｉｔｉｏｎａｌ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｍｅｔｈｏｄ． Ｋｅｙ ｗｏｒｄｓ ｐｉｐｅｌｉｎｅ ｌｅａｋａｇｅ ａｐｅｒｔｕｒｅ ｒｅｃｏｇｎｉｔｉｏｎ； ｃｏｍｐｒｅｓｓｉｏｎ ｓｅｎｓｉｎｇ ｃｏｌｌｅｃｔｉｏｎ； １⁃Ｄ ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｔｗｏｒｋ； ａｄａｐｔｉｖｅ ｆｅａｔｕｒｅ ｅｘｔｒａｃｔｉｏｎ 随着国民经济发展对天然气等清洁能源需求的不 断增加，管道运输已成为天然气运输的主要方式，但由 于材料缺陷、腐蚀和老化等原因造成的泄漏事件逐年 增加，已成为威胁管道安全运营的重要因素。 再者，天 然气管道泄漏孔径的不同会造成不同程度的危害，若 能准确地识别泄漏孔径的大小，将有助于安全运营部 门准确估算泄漏的危害程度，迅速做出相应的措施来 降低损失［１］，因此天然气管道泄漏孔径识别研究具有 重要意义。 传统的天然气管道泄漏孔径识别多采用“特征提 取 ＋ 构造分类器”的方法，该类方法首先在时域、频域 或变换域中提取出不同孔径泄漏的多种特征形成高维 特征向量［２］，然后人为或利用其他降维方法筛选出最 佳的特征描述组合，最后利用聚类、支持向量机或者人 工神经网络实现泄漏孔径的分类［３］。 Ｑｕ 等［４］通过对 泄漏信号进行小波包分解，将提取得到特征送入到支 持向量机判别是否有泄漏发生； Ｗａｎｇ 等［５］通过对泄漏 信号进行局域均值分解，然后将计算得到的包络谱特 征送入到支持向量机中实现对泄漏孔径的分类；孙洁 娣等［６］通过对泄漏信号进行总体局域分解，提取出散 度值较小分量的时频特征向量组，然后送到分类器实 现对泄漏孔径的分类；Ｌｕ 等［７］提出一种基于经验模态 分解的小噪声降低方法，应用于管道泄漏检测。 但人 工筛选出的特征存在主观性强、对专业知识背景要求 高和难以完整表达泄漏信息等问题，因此对智能泄漏 孔径识别方法的需求更加迫切。 泄漏本质上也可视为通过分析振动信号而识别的 一种故障，近年来深度神经网络及深度学习方法在故 障诊断领域引起了学者们的一致关注，也取得了很多 研究成果。 孙洁娣等［８］采用稀疏滤波网络通过深度学 习进行特征提取，利用 ｓｏｆｔｍａｘ 实现对泄漏孔径的分 类；Ｚｈｕ 等［９］对泄漏信号提取出 ２２ 种时频域特征，然后 将其作为深度信念网络的输入，构建深度信念网络实 现对天然气阀门泄漏率的预测。 学者们将多种类型的 深度神经网络引入智能诊断领域，也都获得了较为满 意的结果。 特别是卷积神经网络更是因其强大的特征 提取及分类能力获得了学者们的青睐，在多个领域进 行了广泛研究。 Ｇｕｏ 等［１０］将一维轴承数据转换成二维 图像，然后利用改进的二维卷积对其进行自适应特征 提取，实现对轴承故障信号的分类。 Ｌｅｖｅｎｔ 等［１１］通过 一维卷积网络直接对原始时间序列的轴承故障数据进 行自适应特征提取，实现对轴承故障快速准确的分类。 以上方法均取得了较好分类效果，但是一方面将一维 时域输入信号转换成图片，在转换过程中会丢失较多 细节数据，且模型训练耗时较长，未能充分发挥卷积网 络对原始数据强大的自适应特征提取能力；另一方面 如果直接用一维卷积网络对输入原始信号进行特征提 取，因输入的原始数据本身冗余较大，会较大地增加模 型训练及测试时间，特别是处理信噪比较低的信号，训 练及识别难度更高。 近年来压缩感知［１２］（Ｃｏｍｐｒｅｓｓｅｄ Ｓｅｎｓｉｎｇ，ＣＳ）和深 度学习［１３］理论的发展为天然气管道泄漏孔径识别提供 了一种全新的信息挖掘方法。 针对传统时域采集数据 冗余性大的问题，本文引入压缩感知理论，采用随机高 斯矩阵对泄漏信号进行压缩采集，在保留泄漏信号绝 大部分信息的基础上，大幅减少需要处理的数据量，减 少系统的响应时间；针对复杂工况下，传统神经网络对 泄漏信号孔径识别鲁棒性低的问题，本文利用一维卷 积网络（Ｏｎｅ Ｄｉｍｅｎｓｉｏｎａｌ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ ｎｅｔｗｏｒｋ， １ＤＣＮＮ ）强大的特征提取和分类能力直接对压缩感知 域数据进行处理，实现对泄漏孔径的识别。 本文提出 的方法避免了传统方法中特征筛选的主观性限制，且 对信噪比较低的信号也能取的较好的分类效果。 １ 理论基础 １． １ 泄漏信号的压缩采集 管道泄漏时域信号采集是基于奈奎斯特定理，采 集的数据冗余性较大，而有用信息相对较少，将原始数 据直接作为深度神经网络的输入会造成学习速度较 慢，低信噪比数据甚至会影响模型的学习效果。 因此 本文引入了压缩感知理论实现对有效泄漏信息的采 集，不仅能够提取较为完整的泄漏信息，而且能大幅减 少需要处理的数据量，提高后续深度网络模型的学习 效率。 压缩感知理论指出，若被测信号 ｘ∈ＲＮ自身或者 在某个变换域内是稀疏的，可以用一个与稀疏基不相 关的测量矩阵 ＲＭ Ｎ（Ｍ ＜ ＜ Ｎ）对其进行压缩采集［１４］。 其观测模型如式（１）所示 ｙＭ＝ ＲＭＮ ｘＮ１（１） 式中ｘ 为原始数据；ｙ 为压缩采集得到的数据。 利用压缩感知理论可以实现从高维到低维的线性 投影，将传统方法中的采样和压缩过程合并，实现了少 量的测量值即能够表达原始信号的绝大部分有用信 息［１５］。 压缩率（Ｃｏｍｐｒｅｓｓｉｏｎ Ｒａｔｉｏ， ＣＲ）是衡量数据采 集压缩程度的一个重要参数，定义如式（２）所示 ＣＲ ＝ Ｎ － Ｍ Ｎ １００％（２） 式中Ｎ 表示原始信号长度；Ｍ 表示压缩采集信号长 度。 ＣＲ 越大，表示压缩度越高，即用越少的数据来表 示原始信号的信息。 在压缩感知理论中，测量矩阵若满足有限等距性 质（Ｒｅｓｔｒｉｃｔｅｄ Ｉｓｏｍｅｔｒｉｃ Ｐｒｏｐｅｒｔｙ，ＲＩＰ），可以由压缩采集 信号精确重建原信号。 Ｃａｎｄｅｓ 等［１６］证明随机高斯矩 阵可以极大概率满足 ＲＩＰ 准则，具有较好的普适性。 研究表明，管道泄漏信号具有稀疏性，因此可利用随机 高斯矩阵对泄漏信号进行压缩采集。 １． ２ 典型的卷积神经网络 ＣＮＮ 是一种典型的前馈神经网络，得益于稀疏连 接和权值共享的结构，能够构建含有多隐层的 ＣＮＮ 以 实现对输入信号逐层提取，得到具有翻转平移不变性 的抽象特征，在连接层实现与输出目标之间的映射［１７］。 在特征提取过程中，多种卷积核分别与输入信号 的局部区域进行卷积运算，实现对输入信号多层次提 取，远小于输入大小的卷积核实现 ＣＮＮ 的稀疏性连 ８１振 动 与 冲 击 ２０２０ 年第 ３９ 卷 接，且对输入信号的卷积过程中，每种卷积核的权值参 数只有一种，这种权值共享的结构较大地减少待训练 参数个数，有助于构建深层次卷积网络，提取出更具有 表达性的特征［１８］。 一维卷积网络的计算过程如式（３） 所示 ｃｌ（ｉ，ｊ）＝ ｇ（Ｋｌｉ∗ｙｌ（ｒ ｊ） ）（３） 式中Ｋｌｉ为在 ｌ 层第 ｉ 个卷积核权值；ｙｌ（ｒ ｊ） 为在 ｌ 层第 ｊ 部分被卷积区域数值；ｇ 为非线性激活函数 Ｒｅｌｕ； ｃｌ（ｉ，ｊ） 为第 ｌ 层第 ｉ 个卷积核第 ｊ 部分输出结果。 池化层在卷积层之后，是一种基于局部相关性原 理的亚采样，主要起降低卷积网络维度和控制过拟合 作用［１９］。 因对泄漏信号特征提取主要聚焦于其时域信 号的波动信息，在本文中采用最大池化（Ｍａｘ Ｐｏｏｌｉｎｇ， ＭＰ）函数，对卷积后特征取局部最大值。 多个卷积层和池化层交替连接，能够提取出更加 符合不同故障信息描述的特征，全连接层将这些特征 连接在一起，是一种特殊的卷积运算。 其计算方法如 式（４）所示 ｄｌ＝ ｆ（Ｋｌｃｌ－１＋ ｂｌ）（４） 式中ｌ 为网络层的序号；ｃｌ －１为展开的一维特征向量； Ｋｌ为权重系数；ｂｌ为偏置项；激活函数 ｆ 为 Ｓｏｆｔｍａｘ 函 数；ｄｌ为全连接层的输出结果。 ＣＮＮ 在反向传播过程中，会存在梯度消失和梯度 爆炸问题，影响模型的收敛及稳定性，为了解决该问 题，在网络中加入批量正则化（Ｂａｔｃｈ Ｎｏｒｍａｌｉｚａｔｉｏｎ， ＢＮ）处理，这是一种类似于数据标准化的操作，每组数 据先减去所在数组的均值，再除以标准差；为增强数据 之间差异性表达，对标准化后的值乘以一个缩放量 γ 并加偏置量 β。 其计算方法如式（５）和式（６）所示 ｃ →ｌ（ｉ） ＝ ｃｌ（ｉ）－ μＢ （σ２ Ｂ ＋ δ） （５） ｚｌ（ｉ）＝ γｌ（ｉ）ｃ →ｌ（ｉ） ＋ βｌ（ｉ）（６） 式中ｚｌ（ｉ）为在第 ｌ 层第 ｉ 个输入 ｃ 经过 ＢＮ 处理后的结 果；μＢ和 σＢ分别为第 ｌ 层对应输入组的均值和方差；δ 为数值稳定常数项。 ２ 本文提出的方法 针对传统方法对管道泄漏孔径识别的局限，本文 提出了基于压缩采集协同深度 １ＤＣＮＮ 进行自适应特 征提取及分类的方法。 首先对泄漏信号进行压缩采 集，得到包含了绝大部分泄漏孔径信息的少量压缩感 知域数据，然后将压缩采集数据送到 １ＤＣＮＮ，构建有多 个交替的卷积层和池化层的深度结构，实现对输入信 号特征的层级式提取；在多个卷积层和全连接层之间 加入 ＢＮ 处理，提高网络的收敛速度， 在全连接层后增 加 Ｄｒｏｐｏｕｔ 层，提高模型泛化能力，减少模型过拟合的 概率，最后用 Ｓｏｆｔｍａｘ 分类器对管道泄漏孔径进行分 类。 本文方法的整体流程如图 １ 所示。 图 １ 本文方法整体流程 Ｆｉｇ． １ Ｆｌｏｗｃｈａｒｔ ｏｆ ｔｈｅ ｐｒｏｐｏｓｅｄ ｍｅｔｈｏｄ （１） 根据压缩率及泄漏信号的单个样本长度，采 用随机高斯矩阵对其进行线性投影，将压缩后的数据 组合成数据集 ｙ ＝ ｛ｙｉ，ｌｉ｝ Ｈ ｉ ＝１，其中 ｙ ｉ 表示压缩域得到 的第 ｉ 个采集数据，ｌｉ表示与之对应的标签数据，Ｈ 表 示总样本个数。 从数据集随机抽取数据形成训练集 ｙｔｒａｉｎ＝ ｛ｙｋ，ｌｋ｝ ｋ ＝ Ｅ ｋ ＝１和测试集 ｙｔｅｓｔ＝ ｛ｙ ｎ，ｌｎ｝ｎ ＝ Ｈ ｎ ＝ Ｅ ＋１。 （２） 构建具有多个卷积层的深度神经网络。 首先 初始化学习率 ε、批尺寸（Ｂａｔｃｈｓｉｚｅ）大小 ｂ， 迭代训练 次数 ｔ，及每层卷积核数目 Ｍａｐｓｉｚｅ，然后将每批次训练 集数据送入到 １ＤＣＮＮ 输入层，多个交替的卷积层和池 化层进行自适应特征提取，由 Ｓｏｆｔｍａｘ 分类器利用提取 出的特征对泄漏孔径进行分类，最后计算该批次训练 数据的交叉熵误差值。 （３） 根据计算得到的交叉熵误差值，对后向传播 过程中权值参数通过链式求导进行更新，对模型进行 迭代优化。 当多次迭代后误差值不再降低或者迭代次 数达到设置值 ｔ 后，保存所建立模型的参数配置信息。 （４） 利用测试集代入所建立模型来计算识别准确 率，对模型进行评价。 ３ 实验结果与分析 ３． １ 实验数据来源 为了验证所提方法的有效性，进行实验数据处理 与结果分析。 泄漏数据采自承压管道模拟泄漏装置， 实验管道长度约为 １００ ｍ，采用管道支线建设常用的 ４ ｍｍ 厚度无缝钢管，模拟泄漏孔径为 ２ ｍｍ、３ ｍｍ 和 ４ ｍｍ，泄漏信号采集的压力变化范围为 １． ６ ～ ２． ２ ＭＰａ， 泄漏信号采样速率为 １００ ｋＨｚ。 实验现场模拟泄漏孔 如图 ２ 所示。 ９１第 ２１ 期温江涛等 压缩感知结合卷积网络的天然气管道泄漏孔径识别 图 ２ 实验现场不同孔径的模拟泄漏孔 Ｆｉｇ． ２ Ｓｉｍｕｌａｔｅｄ ｌｅａｋ ａｐｅｒｔｕｒｅ ａｔ ｔｈｅ ｅｘｐｅｒｉｍｅｎｔａｌ ｓｉｔｅ 实验中分别采集孔径 ２ ｍｍ、３ ｍｍ 和 ４ ｍｍ 的泄漏 信号多组，即泄漏孔径类别为 ３ 类；选取每种类型样本 ４００ 个，其中 ７０％ 为训练集，剩下的 ３０％ 为测试集，每 个样本采样点为 ２ ４００ 点，用于进行后续处理。 ３． ２ 深度 １ＤＣＮＮ 的构建 本文构建的卷积网络由三个卷积层，三个池化层、 一个 Ｄｒｏｐｏｕｔ 层和一个全连接层组成。 首个卷积层直 接输入压缩采集得到的数据，激活函数为 Ｒｅｌｕ，使输出 数据部分置 ０，增加网络的稀疏性，缓解在卷积网络后 向传播过程中梯度消失的问题。 之后的每个卷积层包 含 ＢＮ 处理、卷积运算和激活函数，全连接层由 ＢＮ 运 算和全连接运算组成，因 ＢＮ 运算已部分缓解网络的过 拟合问题，本文只在全连接层之后增添 Ｄｒｏｐｏｕｔ 层，增 加网络的泛化性能，最后利用 Ｓｏｆｔｍａｘ 对提取得到的特 征数据通过线性映射进行分类。 本文所建立的深度 １ＤＣＮＮ 模型如图 ３ 所示。 图 ３ 深度 １ＤＣＮＮ 结构图 Ｆｉｇ． ３ Ｓｔｒｕｃｔｕｒｅ ｄｉａｇｒａｍ ｏｆ ｄｅｅｐ １ＤＣＮＮ 泄漏信号样本长度为 ２ ４００，下面以压缩率 ７０％ 为 例给出实验结果，采用维度为 ２ ４００ ７２０ 的随机高斯 矩阵对泄漏信号进行压缩采集，压缩采集后的样本长 度为 ７２０，然后由图 ３ 构建的 １ＤＣＮＮ 进行自适应特征 提取，实验中首个卷积核数目设置为 ６４，其后各卷积核 数目设置为 ３２，这种卷积核数目呈倒金字塔方式，能够 在保证模型识别精度情况下，减少待训练参数个数，加 快收敛速度。 模型主要参数设定如表 １ 所示。 表 １ １ＤＣＮＮ 训练过程主要参数设置 Ｔａｂ． １ Ｍａｉｎ ｐａｒａｍｅｔｅｒｓ ｄｕｒｉｎｇ １ＤＣＮＮ ｔｒａｉｎｉｎｇ ｐｒｏｃｅｓｓ 训练过程主要参数设置值 压缩率 ＣＲ７０％ 卷积层数３ 池化层数３ 卷积核数目［６４，３２，３２］ 卷积核尺寸［１ ５，１ ３，１ ３］ 卷积层步长［１，１，１］ 优化器Ａｄａｍ 学习率 ε０． ００１ Ｄｒｏｐｏｕｔ 比率０． ５ 批尺寸 ｂ３２ 迭代次数 ｔ１００ 本文建立的网络结构对泄漏信号孔径平均识别准 确率达到 ９９． ３％。 实验中还对本文方法关键参数的作 用及对识别准确率的影响进行了研究，主要包括压缩 率，卷积层数目，ＢＮ 处理有无等，文中后面部分将对这 些参数的影响进行讨论。 数据处理中为避免偶然性因 素影响，采用 １０ 次实验的均值作为最终结果。 本文基于 Ｐｙｔｈｏｎ 的 Ｋｅｒａｓ 框架训练得到模型， Ｋｅｒａｓ 的后端支持为 Ｔｅｎｓｏｒｆｌｏｗ⁃ｇｐｕ 框架，电脑中 ＣＰＵ 配置 为 Ｉ７⁃６５００， 显 卡 为 ＮＶＩＤＩＡ ＧＴＸ１０７０， 内 存 为 １６ ＧＢ。 ３． ３ 网络主要参数的影响 ３． ３． １ 网络深度的影响 通常深度卷积网络可以通过增加卷积层及池化层 的数量来提升网络的特征抽取能力，较深的网络一般 有利于提取出更健硕的特征，但网络深度的增加会产 生更多待训练参数，增加模型训练难度。 本文所用的 泄漏信号为一维信号，样本维数较低，且是对小样本模 型进行训练，所以本文探讨卷积层数目为 ２ ～６ 个时对 识别准确率和所用时间的影响。 实验中压缩率为 ７０％，在卷积层和全连接层前加入 ＢＮ 处理，统计 １０ 次 实验的平均识别准确率及模型训练过程中 １００ 次迭代 所用时间，结果如图 ４ 所示。 由图 ４ 可以看出，当网络卷积层数加深时，分类的 准确率呈上升趋势，其标准差呈减小趋势，特别是卷积 层从 ２ 层增加到 ３ 层时，识别准确率有明显提升，达到 了 ９９． ３％，说明随着卷积层数的增加，１ＤＣＮＮ 特征提 取能力得到增强，但卷积层数继续增加，识别准确率增 长缓慢甚至有所降低，而所花费的时间几乎呈现线性 增长，因为随着网络深度达到一定值时，模型中待训练 的参数已达到最优，特征提取能力已趋于饱和。 ３． ３． ２ 压缩率的影响 压缩率表示采集信号相比原始信号的压缩程度， 压缩率越高，表示用越少数据来表达原始信号的信息。 ０２振 动 与 冲 击 ２０２０ 年第 ３９ 卷 图 ４ 不同卷积层数对所提方法准确率影响 Ｆｉｇ． ４ Ｉｎｆｌｕｅｎｃｅ ｏｆ ｄｉｆｆｅｒｅｎｔ ｃｏｎｖｏｌｕｔｉｏｎａｌ ｌａｙｅｒｓ ｏｎ ｔｈｅ ａｃｃｕｒａｃｙ ｏｆ ｔｈｅ ｐｒｏｐｏｓｅｄ ｍｅｔｈｏｄ 受压缩感知理论中 ＲＩＰ 准则的限制，过高的压缩率将 导致随机高斯矩阵无法在有效的观测次数中获取较完 整泄漏信号的信息，因此本文主要研究压缩率在 ４０％ 到 ９０％时对泄漏孔径识别准确率及所用时间的影响。 实验中，卷积层数为 ３ 层，其他参数保持不变，实验结 果如图 ５ 所示。 图 ５ 不同压缩率对所提方法准确率的影响 Ｆｉｇ． ５ Ｉｎｆｌｕｅｎｃｅ ｏｆ ｄｉｆｆｅｒｅｎｔ ｃｏｍｐｒｅｓｓｉｏｎ ｒａｔｉｏｓ ｏｎ ｒｅｃｏｇｎｉｔｉｏｎ ａｃｃｕｒａｃｙ 由图 ５ 可知，泄漏信号识别准确率随着压缩比降 低整体有上升趋势，当压缩率小于等于 ８０％，平均识别 准确率都能够达到 ９９％ 以上，且准确率标准差波动较 小，表示压缩采集时较少点数就能表达泄漏信号绝大 部分信息，１ＤＣＮＮ 能够对压缩域采集的泄漏信号做到 较好分类。 但是当压缩率降低时，其训练及诊断所需 时间呈线性增长，综合权衡识别准确率及训练诊断所 需时间，压缩比为 ７０％是两者较好的折中点，相比准确 率接近的 ＣＲ ＝ ４０％ 及准确率稍高的 ＣＲ ＝ ６０％ 情况， 采用 ＣＲ ＝７０％的压缩采集及后续处理，既有较高的识 别准确率，多次实验的准确率标准差波动较小，而且耗时 也较前两种情况要少，满足模型训练及诊断快速的要求。 当实际运行系统对泄漏孔径识别准确率要求相对宽松 时，可以设置更高的压缩比，提高系统实时处理性能。 ３． ３． ３ ＢＮ 的影响 深度神经网络主要是为了学习样本集的数据分 布，并在测试集上达到较好的分类效果。 但是，如果每 一批待训练的样本数据分布差异极大，则会造成网络 收敛慢且识别准确率低的问题。 ＢＮ 处理能够对输入 数据进行归一化处理，在卷积层和全连接层之前，加入 ＢＮ 处理，能够加快模型收敛速度，同时也能增强网络 的泛化能力。 如图 ６ 为加入 ＢＮ 处理前后模型识别准 确率随迭代次数的变化。 图 ６ 有无 ＢＮ 处理诊断结果的对比 Ｆｉｇ． ６ Ｃｏｍｐａｒｉｓｏｎ ｏｆ ｄｉａｇｎｏｓｉｓ ｗｉｔｈ ｏｒ ｗｉｔｈｏｕｔ ＢＮ 从图 ６ 中能够看出，模型在加入 ＢＮ 处理前后，训 练集的识别准确度都能够达到 ９９． ９％，但是在对测试 集进行测试时，没加入 ＢＮ 处理的模型会较快达到饱 和，测试数据的平均识别准确率为 ９６． ２％，其值小于加 入 ＢＮ 处理模型的识别准确率 ９９． ３８％，说明 ＢＮ 处理 能够增强网络提取特征的能力，有利于 １ＤＣＮＮ 取得更 好的识别分类效果。 ３． ３． ４ 压缩采集在本文方法中的重要性 在实验中，本文所用的方法对管道泄漏信号具有 良好的识别分类效果，为进一步探究压缩采集过程在 所建立模型中作用，将泄漏原始数据和经过压缩采集 后的数据分别送到 １ＤＣＮＮ 中，统计压缩采集前后识别 准确率及训练和测试时间，其结果如图 ７ 所示。 图 ７ 有无压缩采样的诊断结果对比 Ｆｉｇ． ７ Ｃｏｍｐａｒｉｓｏｎ ｏｆ ｄｉａｇｎｏｓｔｉｃ ｒｅｓｕｌｔｓ ｂｅｔｗｅｅｎ ｃｏｍｐｒｅｓｓｅｄ ａｎｄ ｕｎｃｏｍｐｒｅｓｓｅｄ ｓａｍｐｌｉｎｇ 由图 ７ 和表 ２ 知，进行压缩采集和未进行压缩采 １２第 ２１ 期温江涛等 压缩感知结合卷积网络的天然气管道泄漏孔径识别 集，其泄漏信号孔径的识别准确率都能够达到 ９９％ 以 上，且准确率标准差相近，说明压缩采集信号已经包含 泄漏信号绝大部分信息。 但是，本文所用方法训练及 测试用时远低于不进行压缩采集所耗费时间，说明在 泄漏信号孔径识别过程中，进行压缩采集和 １ＤＣＮＮ 协 同提取特征，是一种十分有效的信息提取方式，能够大 幅降低需要处理的数据量，特别是对长输气管道进行 泄漏孔径监测时，利用本文所用方法能够大幅度提高 系统实时性能。 表 ２ 有无压缩采样的 １０ 次实验平均识别结果 Ｔａｂ． ２ Ａｖｅｒａｇｅ ｒｅｃｏｇｎｉｔｉｏｎ ｒｅｓｕｌｔｓ ｏｆ １０ ｔｒｉａｌｓ ｗｉｔｈ ｏｒ ｗｉｔｈｏｕｔ ｃｏｍｐｒｅｓｓｉｏｎ ｓａｍｐｌｉｎｇ 方法 平均识别 准确率／ ％ 准确率 标准差 平均 用时／ ｓ 本文方法９９． ３６０． ０７８６３ 直接识别 时域信号 ９９． ４５０． ０８０１１９ ３． ４ 本文诊断方法与常用方法的比较 传统对泄漏信号的孔径识别，通常先进行时频域 分析，提取出较好的表达原始信号的特征，然后选择分 类器对泄漏信号进行分类，其中用的较多的方法是 ＢＰ （Ｂａｃｋ Ｐｒｏｐａｇａｔｉｏｎ）。 近些年来，较多学者采用自编码 进行特征提取，这种自适应提取方法减少了人为遴选 特征的主观性和必备的先验知识，构建网络较为简单， 且识别准确率较高。 因此选取 ＢＰ 神经网络和自编码 的方法与本文方法对比，进行 １０ 次实验，对三种模型 的识别效果进行比较，结果如图 ８ 所示。 图 ８ 不同方法 １０ 次实验识别准确率对比 Ｆｉｇ． ８ Ａｃｃｕｒａｃｙ ｃｏｍｐａｒｉｓｏｎ ｏｆ １０ ｔｒｉａｌｓ ｗｉｔｈ ｄｉｆｆｅｒｅｎｔ ｍｅｔｈｏｄｓ 由图 ８ 和表 ３ 知，本文方法和自编码方法的识别 准确率较高，都能达到 ９０％ 以上，特别是本文所提方 法，平均识别准确率为 ９９． ３６％，且准确率标准差也最 小，表明本文方法能够较好对管道泄漏孔径进行识别。 其原因主要如下用 １ＤＣＮＮ 对压缩感知域数据直接处 理，少量的压缩感知域数据已经包含了泄漏信号绝大 部分信息，此外，１ＤＣＮＮ 在自适应特征学习和多层非线 性映射等较传统浅层网络有明显优势，能够挖掘高维 且差异更为明显的特征信息，因而取得较高识别准确 率；自编码方法也取得 ９０％以上的准确率，表明了端到 端自适应网络较强的特征提取和分类能力；ＢＰ 用人工 特征筛选加分类器的方法，因所选特征较难全面表达 泄漏信号所隐藏的信息，识别准确率最差。 表 ３ 不同方法 １０ 次实验识别结果 Ｔａｂ． ３ Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｒｅｓｕｌｔｓ ｏｆ １０ ｔｒｉａｌｓ ｗｉｔｈ ｄｉｆｆｅｒｅｎｔ ｍｅｔｈｏｄｓ 方法平均识别准确率／ ％准确率标准差 本文方法９９． ３６０． ０７８ 自编码方法９０． ３２０． ３８ ＢＰ 方法７０． ８２． ２０ ３． ５ 本文方法的抗噪性能 本文处理的泄漏信号是在野外实验场地采集得到 的，包含了环境噪声。 而实际管道运行环境通常更为 复杂，因此对特征提取及识别方法的鲁棒性有更高要 求。 为了验证所提方法在复杂环境中的适应性，采取 对数据加不同强度高斯白噪声的方法，探究所提方法 和上文中常用方法在不同信噪比（Ｓｉｇｎａｌ Ｎｏｉｓｅ Ｒａｔｉｏ， ＳＮＲ）情况下对管道泄漏孔径识别分类的优劣，其结果 如图 ９ 所示。 ＳＮＲ 定义如下 ＳＮＲｄＢ＝ １０ｌｇ（Ｐｓｉｇｎａｌ Ｐｎｏｉｓｅ ）（７） Ｐｓｉｇｎａｌ为泄漏信号功率，Ｐｎｏｉｓｅ为添加的白噪声信号 功率，ＳＮＲｄＢ表示为添加高斯白噪声后泄漏信号的信 噪比。 图 ９ 本文方法及常用方法在不同信噪比下的识别准确率对比 Ｆｉｇ． ９ Ａｃｃｕｒａｃｙ ｃｏｍｐａｒｉｓｏｎ ｕｎｄｅｒ ｄｉｆｆｅｒｅｎｔ ＳＮＲｓ 由图 ９ 可以看到，随着 ＳＮＲ 降低，泄漏信号中包含 了更多噪声成分，三种方法的识别准确率都有一定程 度下降，但本文方法均明显高于其他两种方法。 ＢＰ 在 ＳＮＲ 小于 ０ 后识别准确率不足 ６０％，说明传统方法在 较强噪声下鲁棒性较差。 当信噪比低于 － ２ ｄＢ 时，本 文所用方法识别准确率依旧能达到 ９０％ 以上，高于自 ２２振 动 与 冲 击 ２０２０ 年第 ３９ 卷 编码和 ＢＰ 方法的识别准确率，说明本文方法在较为复 杂的环境依旧有较好的适应性，这主要得益于压缩采 集具有对高斯白噪声的抵抗能力；再加上 １ＤＣＮＮ 网络 较强的自适应特征提取能力，因此在低信噪比信号依 旧可以获得较好的特征提取及分类效果。 ４ 结 论 针对管道泄漏孔径识别面临的原始数据冗余量 大、特征提取及分类过度依赖先验知识和专家诊断等 问题，本文提出了基于压缩感知与 １ 维卷积网络相结 合的孔径识别分类方法。 压缩采集可以实现对泄漏孔 径信息的有效提取，缓解了原始数据较大的冗余对深 度网络模型学习的影响，提高了天然气管道泄漏孔径 识别的实时响应性能；另外本文方法直接对 １ 维信号 进行处理，运算复杂度低，特征提取和分类过程合二为 一，对管道泄漏孔径平均识别准确率达到 ９９． ３％，且在 信噪比不高的情况下对泄漏孔径识别依旧能取得较好 分类效果。 综上所述，本文所提出的方法将压缩感知 与深度卷积网络的优点结合，仅通过少量的压缩采集 数据即可对天然气泄漏孔径取得较高的识别分类准确 率，较传统方法具有更好的智能性和自适应性。 参 考 文 献 ［ １］ ＳＵＮ Ｊ， ＸＩＡＯ Ｑ， ＷＥＮ Ｊ， ｅｔ ａｌ． Ｎａｔｕｒａｌ ｇａｓ ｐｉｐｅｌｉｎｅ ｌｅａｋ ａｐｅｒｔｕｒｅ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ａｎｄ ｌｏｃａｔｉｏｎ ｂａｓｅｄ ｏｎ ｌｏｃａｌ ｍｅａｎ ｄｅｃｏｍｐｏｓｉｔｉｏｎａｎａｌｙｓｉｓ ［ Ｊ ］．Ｍｅａｓｕｒｅｍｅｎｔ，２０１６，７９ １４７⁃１５７． ［ ２］ 王学伟， 苏丹， 袁洪芳，等． 小波包多级树模型管道泄漏 信号压 缩 感 知 方 法 ［ Ｊ］．仪 器 仪 表 学 报， ２０１４ （３） ５２０⁃５２６． ＷＡＮＧ Ｘｕｅｗｅｉ， ＳＵ Ｄａｎ， ＹＵＡＮ Ｈｏｎｇｆａｎｇ， ｅｔ ａｌ． Ｐｉｐｅｌｉｎｅ ｌｅａｋａｇｅ ｓｉｇｎａｌ ｃｏｍｐｒｅｓｓｅｄ ｓｅｎｓｉｎｇ ｂａｓｅｄ ｏｎ ｗａｖｅｌｅｔ ｐａｃｋｅｔ ｈｉｅｒａｒｃｈｉｃａｌ ｔｒｅｅ ｍｏｄｅｌ ［ Ｊ］．Ｃｈｉｎｅｓｅ Ｊｏｕｒｎａｌ ｏｆ Ｓｃｉｅｎｔｉｆｉｃ Ｉｎｓｔｒｕｍｅｎｔ， ２０１４（３）５２０⁃５２６． ［ ３］ ＣＥＲＲＡＤＡ Ｍ， ＺＵＲＩＴＡ Ｇ， ＣＡＢＲＥＲＡ Ｄ， ｅｔ ａｌ．Ｆａｕｌｔ ｄｉａｇｎｏｓｉｓ ｉｎ ｓｐｕｒ ｇｅａｒｓ ｂａｓｅｄ ｏｎ ｇｅｎｅｔｉｃ ａｌｇｏｒｉｔｈｍ ａｎｄ ｒａｎｄｏｍ ｆｏｒｅｓｔ［Ｊ］． Ｍｅｃｈａｎｉｃａｌ Ｓｙｓｔｅｍｓ ａｎｄ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｉｎｇ， ２０１５， ７０／７１８７⁃１０３． ［ ４］ ＱＵ Ｚ， ＦＥＮＧ Ｈ， ＺＥＮＧ Ｚ， ｅｔ ａｌ． Ａ ＳＶＭ⁃ｂａｓｅｄ ｐｉｐｅｌｉｎｅ ｌｅａｋａｇｅ ｄｅｔｅｃｔｉｏｎ ａｎｄ ｐｒｅ⁃ｗａｒｎｉｎｇ ｓｙｓｔｅｍ［Ｊ］． Ｍｅａｓｕｒｅｍｅｎｔ， ２０１０， ４３（４）５１３⁃５１９． ［ ５］ ＷＡＮＧ Ｌ， ＧＡＯ Ｘ， ＬＩＵ Ｔ．Ｇａｓ ｐｉｐｅｌｉｎｅ ｓｍａｌｌ ｌｅａｋａｇｅ ｆｅａｔｕｒｅ ｅｘｔｒａｃｔｉｏｎ ｂａｓｅｄ ｏｎ ＬＭＤ ｅｎｖｅｌｏｐｅ ｓｐｅｃｔｒｕｍ ｅｎｔｒｏｐｙ ａｎｄ ＰＣＡ⁃ＲＷＳＶＭ ［ Ｊ］．Ｔｒａｎｓａｃｔｉｏｎｓ ｏｆ ｔｈｅ Ｉｎｓｔｉｔｕｔｅ ｏｆ Ｍｅａｓｕｒｅｍｅｎｔ ａｎｄ Ｃｏｎｔｒｏｌ， ２０１６， ３８（１２） １４６０⁃１４７０． ［ ６］ 孙洁娣， 彭志涛， 温江涛，等． 基于总体局域均值分解及 稀疏表示分类的天然气管道泄漏孔径识别［Ｊ］． 中国机械 工程， ２０１７， ２８（１０）１２０２⁃１２０９． ＳＵＮ Ｊｉｅｄｉ，ＰＥＮＧ Ｚｈｉｔａｏ，ＷＥＮ Ｊｉａｎｇｔａｏ， ｅｔ ａｌ． Ｎａｔｕｒａｌ ｇａｓ ｐｉｐｅｌｉｎｅ ｌｅａｋａｇｅ ａｐｅｒｔｕｒｅ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｂａｓｅｄ ｏｎ ＥＬＭＤ ａｎｄ ＳＲＣ ［ Ｊ］．Ｊｏｕｒｎａｌ ｏｆ Ｍｅｃｈａｎｉｃａｌ Ｅｎｇｉｎｅｅｒｉｎｇ， ２０１７， ２８ （１０） １２０２⁃１２０９． ［ ７］ ＬＵ Ｗ， ＺＨＡＮＧ Ｌ， ＷＥＩ Ｌ， ｅｔ ａｌ． Ｒｅｓｅａｒｃｈ ｏｎ ａ ｓｍａｌｌ⁃ｎｏｉｓｅ ｒｅｄｕｃｔｉｏｎ ｍｅｔｈｏｄ ｂａｓｅｄ ｏｎ ＥＭＤ ａｎｄ ｉｔｓ ａｐｐｌｉｃａｔｉｏｎ ｉｎ ｐｉｐｅｌｉｎｅ ｌｅａｋａｇｅ ｄｅｔｅｃｔｉｏｎ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｌｏｓｓ Ｐｒｅｖｅｎｔｉｏｎ ｉｎ ｔｈｅ Ｐｒｏｃｅｓｓ Ｉｎｄｕｓｔｒｉｅｓ， ２０１６， ４１Ｓ０９５０４２３０１６３００４１９． ［ ８］ 孙洁娣， 乔艳雷， 温江涛． 压缩感知域智能天然气管道泄 漏孔径识别［Ｊ］． 仪器仪表学报， ２０１７（１２）３０７１⁃３０７８． ＳＵＮ Ｊｉｅｄｉ，ＱＩＡＯ Ｙａｎｌｅｉ，ＷＥＮ Ｊｉａｎｇｔａｏ， ｅｔ ａｌ． Ｐｉｐｅｌｉｎｅ ｌｅａｋ ａｐｅｒｔｕｒｅ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｂａｓｅｄ ｏｎ ｃｏｍｐｒｅｓｓｅｄ ｓｅｎｓｉｎｇ ［ Ｊ］． Ｃｈｉｎｅｓｅ ＪｏｕｒｎａｌｏｆＳｃｉｅｎｔｉｆｉｃＩｎｓｔｒｕｍｅｎｔ， ２０１７ （ １２ ） ３０７１⁃３０７８． ［ ９］ ＺＨＵ Ｓ Ｂ， ＬＩ Ｚ Ｌ， ＺＨＡＮＧ Ｓ Ｍ， ｅｔ ａｌ． Ｄｅｅｐ ｂｅｌｉｅｆ ｎｅｔｗｏｒｋ⁃ ｂａｓｅｄ ｉｎｔｅｒｎａｌ ｖａｌｖｅ ｌｅａｋａｇｅ ｒａｔｅ ｐｒｅｄｉｃｔｉｏｎ ａｐｐｒｏａｃｈ ［ Ｊ］． Ｍｅａｓｕｒｅｍｅｎｔ， ２０１９， １３３１８２⁃１９２． ［１０］ ＧＵＯ Ｘ， ＣＨＥＮ Ｌ， ＳＨＥＮ Ｃ．Ｈｉｅｒａｒｃｈｉｃａｌ ａｄａｐｔｉｖｅ ｄｅｅｐ ｃｏｎｖｏｌｕｔｉｏｎ ｎｅｕｒａｌ ｎｅｔｗｏ