基于声学光谱肖像与迁移学习的可解释轻量级管道泄漏诊断框架

《Sensors》：An Explainable Transfer Learning Framework Based on Acoustic Spectral Portraits for Pipeline Leak Diagnosis Across Composite Operating and Acquisition Conditions

　　

摘要

本研究提出了一种基于面向泄漏的声学光谱肖像(ASP)处理流水线和迁移学习的可解释且轻量级的管道泄漏诊断框架。ASP处理流水线通过AR预白化、重叠汉宁窗分割、零填充快速傅里叶变换分析、对数缩放、基于百分位的归一化及时序频谱聚合，将一维声发射信号转换为紧凑的二维光谱表示。这些光谱肖像由轻量级卷积神经网络处理，其中利用有限的带标签目标域数据适配源域知识。此外，采用梯度加权类激活映射为模型预测所贡献的光谱区域提供定性事后解释，而非直接物理验证，并辅以补充的扰动、模型随机化和归因稳定性分析。该框架使用三个气体和水管数据集，通过六个定向源到目标的迁移任务进行评估，每个实验使用互斥数据划分重复10次。在三种迁移场景中分别取得了98.36%、97.09%和98.58%的场景平均分类准确率。对于代表性的DS-1到DS-2迁移任务，迁移学习将目标域准确率从91.80%提高至96.85%，同时将目标模型训练时间从从头训练的17.3分钟减少到微调的9.2分钟。所提出的光谱肖像表示还取得了98.01%的平均场景分类准确率，优于传统时频表示。这些结果表明，在三种所研究的复合运行和采集域中，该框架能够实现有效的源到目标适配用于管道泄漏诊断。