[0043] 为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0044] 下面对本发明中英文缩写的含义进行说明：
[0045] LSTM：长短时记忆网络，能够有效解决音频信号在CNN神经网络的稳定性差和波动大的问题，而且也能解决RNN无法处理长距离的依赖问题。
[0046] MFCC：梅尔频率倒谱系数。
[0047] LMD:局域均值分解。
[0048] Fbank:滤波器组。
[0049] DCT:执行离散余弦变换。
[0050] LMFCC:改进MFCC。
[0051] ΔLMFCC:改进的MFCC一阶差分。
[0052] PF分量:生产函数(Production Function)分量。
[0053] Mel刻度滤波器组：梅尔频率滤波器组。
[0054] 下面结合附图及具体实施例对本发明的应用原理作进一步描述。
[0055] 下面对本发明的图6实施方式进行说明：
[0056] 一种基于LSTM循环神经网络的天然气管道泄漏检测方法,包括以下步骤：
[0057] 步骤1：采集的管道泄漏音频数据；
[0058] 步骤2：音频数据采用改进MFCC方法进行特征提取；
[0059] 步骤3：设计一种基于LSTM循环神经网络的天然气管道泄漏检测模型；
[0060] 步骤4：对管道微泄漏检测模型进行训练及参数优化，验证模型的鲁棒性。
[0061] 下面对本发明的图1实施方式进行说明：
[0062] 本发明采集的音频数据.wav文件，采集的每段音频数据的时长，经过处理后每段音频数据时长相同为1s。采集的音频数据构成为音频数据集，数据集分为三大类，分别为正常型、干扰无泄漏型和泄漏型，如表1。通过scipy库读取.wav文件进行预处理，得到信号矩阵signal(1,22050)和频率为22050HZ。
[0063] 表1管道检测数据集
[0064]管道数据类型 数据量(段)
正常型 341
干扰无泄漏型 288
泄漏型 249
[0065] 下面对本发明的图2和图3实施方式进行说明：
[0066] 本发明提出一种改进MFCC方法进行特征提取，有效、合理的获取更有价值的特征值，从而提升了检测管道泄漏的准确性。
[0067] 语音信号signal通过高通滤波器进行LMD分解、选择PF分量、加窗、FFT、能量谱、Mel刻度滤波器组过滤、能量值取对数等步骤，得出特征Fbank(98，24),其中，滤波器系数取值为0.97、信号帧0.025ms、帧移0.01m、NFFT为512、梅尔频率滤波器组22个，得到Fbank特征(98,22)。在通过DCT变换，得到LMFCC(98,12)和ΔLMFCC(98,12)。
[0068] 下面对本发明的图4和图5实施方式进行说明：
[0069] 本发明基于深度学习的算法研究，可以降低外界因素的干扰，同时提高检测管道泄漏的准确性。
[0070] LSTM模型的结构，由于本发明是多分类问题，因此输出层采用sigmoid分类器，结果直接识别出管道泄漏的概率。其LSTM的框架结构如表2：
[0071] 表2 LSTM的框架结构图
[0072]
[0073] LSTM模型有三个门，分别为输入门It、遗忘门Ft、输出门Ot，其数学模型如下：
[0074] It＝σ(Xtwxi+Ht‑1Whi+bi)
[0075] Ft＝σ(Xtwxf+Ht‑1Whf+bf)
[0076] Ot＝σ(Xtwxo+Ht‑1Wh0+bo)
[0077] 式中，t是时间步长；Xt为输入；wxi、wxf、wxo、Whi、Whf、Wh0为网络权值；bi、bf、bo为偏置；Ht‑1为上一时间步隐藏状态；σ为sigmoid函数函数。
[0078] 对模型参数进行初始化，设置隐藏单元的个数为49，批大小为32，并采用梯度下降法进行wxi、wxf、wxo、Whi、Whf、Wh0进行更新。
[0079] LSTM计算候选记忆细胞 它，它跟输入门It、遗忘门Ft、输出门Ot类似，但采用了值域在[‑1,1]的tanh函数作为激活函数，其候选记忆细胞的数学模型为：
[0080]
[0081] 式中,wxc为网络权值，bc为偏置；σ选择tanh函数。
[0082] 记忆细胞Ct跟上一时间步记忆细胞和当前时间步候选记忆细胞结合得到的信息，并通过输入门it和遗忘门ft来控制信息的流动，其记忆细胞的数学模型为：
[0083]
[0084] 输出门来控制从记忆细胞到隐藏状态Ht，其隐藏状态输出的模型：
[0085] Ht＝Otσ(Ct)
[0086] 式中,σ选择tanh函数。
[0087] LSTM网络模型的输出，时序长度为n，LSTM隐含层输出为k，因此得到n×k的矩阵：
[0088]
[0089] Ht特征向量识别出管道泄漏的类型的概率fmax：
[0090] fmax＝σ(∑(Ttwt+bt))
[0091] 式中，wt为网络权值，bt为偏置；
[0092] 式中,σ选择softmax函数。
[0093] 通过对模型建立，对管道微泄漏检测模型进行训练及参数优化，学习率为0.001，误差为1e‑6，迭代次数为200，截取长度为49，以交叉熵计算误差，并采用Adam优化算法更新设计的管道泄漏模型的参数。验证模型的鲁棒性。通过多次实验验证，实验效果能达到98％，如表3：
[0094] 表3管道泄漏检测效果
[0095] 特征参数 Fbank LMFCC LMFCC+ΔLMFCC识别率 98.86％ 99.43％ 98.30％
[0096] 本发明提出一种基于LSTM的管道泄漏检测方法，从而提高了管道微泄漏事故判定的准确率，降低了大型安全事故的发生，提高天然气管道事故抢险效率。
[0097] 以上所述的具体实施仅为本发明的一种基于LSTM循环神经网络的天然气管道泄漏检测方法，并不用于限制本发明的专利范围，凡是利用本发明思想和原则及附图内容所作的等效结构或等效流程变换，均应包括在本发明的专利保护范围内。
