基于深度学习的超声波波束形成技术用于嘈杂工业环境中的气体泄漏检测与定位

《Ultrasonics》：Deep learning?enhanced ultrasonic beamforming for gas leak detection and localization in noisy industrial environments

　　

摘要
可靠的燃气泄漏检测对于工业安全和环境保护至关重要。超声波波束成形通过捕获高压气流产生的宽带发射信号，提供了一种非接触式解决方案，然而传统的延时求和（DAS）波束成形方法因环境噪声源的干扰和混响条件的存在而性能受限。本研究引入了一种基于卷积神经网络的深度学习辅助波束成形图增强方法。该方法并非提出全新的波束成形算法，而是作为一个轻量级的后处理阶段，对商用超声波相机生成的波束成形图进行处理，无需访问原始多通道信号。该网络使用工业环境噪声录音与模拟声场相结合的混合数据集进行训练，能够抑制背景伪影，同时突出真实泄漏信号特征。在三个复杂度递增的实验环境中的验证表明，在最具有挑战性的场景下，成功实现了84%的泄漏定位率，平均角度误差低于2°，非泄漏成分抑制超过40 dB。补充仿真进一步表明，在低信噪比条件下，该方法在精度上优于DAS、MVDR和DAMAS波束成形器。该模型仅包含147万个参数，每次推理运算量为0.20 GFLOPs，支持在边缘硬件上实时部署，为可靠的超声燃气泄漏监测提供了一种实用解决方案。

引言
天然气基础设施泄漏对公共安全和环境健康构成重大风险。特别值得关注的是甲烷，它是一种强效温室气体，其20年期的全球变暖潜能值约为二氧化碳的84倍。据估算，自工业革命以来，甲烷几乎贡献了人为变暖的30%。2024年，石油和天然气运营产生的甲烷排放量估计为8070万吨，相当于约1320亿立方米标准天然气释放到大气中。卫星数据显示，小型分散的甲烷排放源，即排放量低于500公斤/小时的源，不仅是总排放量的重要贡献者，而且是一个持续存在的问题，石油和天然气设施的泄漏往往反复发生在同一地点[1]，[2]。这些排放不仅造成了宝贵的能源资源的巨大损失，还增加了火灾和爆炸的风险。对美国分销系统的调查显示，存在约63万个活跃泄漏点，导致每年甲烷损失约69万吨，几乎是美国环境保护署报告数值的五倍[3]。对此，全球甲烷承诺呼吁到2030年将人为甲烷排放量减少至少45%，即每年1.8亿吨；同时，欧盟已强制要求对石油和天然气基础设施实施源级泄漏检测和修复计划[4]，[5]。

根据国际能源署《全球甲烷追踪报告》，2023年石油和天然气行业的甲烷排放量超过7000万吨公制吨，而据估算，泄漏检测和修复（LDAR）对甲烷减排的贡献潜力约为该数量的一半[6]。因此，尽管监管力度正在加强，但缓解策略的有效性取决于准确、快速且可现场部署的泄漏检测技术的可用性。压力监测、气体浓度传感器和红外成像等传统方法已被广泛使用[7]，[8]。甲烷传感器的优势在于成本低廉、运行稳定，但在检测范围短、功耗高、选择性差以及对环境条件敏感等方面仍存在权衡[9]。压力检测系统往往无法检测到微小或渐进式泄漏，定点传感器提供的空间覆盖范围有限，而光学气体成像则容易受到环境光照、风速和热梯度的影响[10]。鉴于这些局限性，超声波相机系统作为声学传感方法之一，正受到越来越多的关注，因为该技术支持非接触式测量，具有广阔的空间覆盖范围，并且适用于复杂工业环境中的实时监测。

超声波泄漏检测的工作原理是：当高压气体通过小孔逃逸时，产生的湍流会生成宽带声能，其主要成分通常位于20–200 kHz范围内，具体取决于泄漏几何形状和压力[11]，[12]。这些发射信号可以被麦克风阵列捕获，而无需与气流接触，使其非常适合工业环境中的非侵入式传感。阵列数据编码了信号的相对相位和振幅信息，这些信息可以被利用以实现高精度的泄漏源定位。声学阵列理论和波束成形基本原理在文献中已有成熟论述，为空间滤波和源定位提供了灵活的框架，方法涵盖从经典的延时求和（DAS）到更先进的基于相关性和反卷积的方法[13]，[14]，[15]，[16]。声学成像的早期发展证明了基于MEMS的声阵列和相控阵波束成形在空气中进行目标检测和跟踪的可行性[17]。近年来，研究重点转向工业应用，其中MEMS麦克风阵列和超声波波束成形使得在硬件约束条件下实时定位和可视化气体泄漏成为可能[18]，[19]。

尽管传统波束成形算法被广泛采用，但它们在工业环境中对声学干扰表现出显著的脆弱性，导致误报和未检测到的泄漏事件[20]。这些环境中存在大量干扰性的超声源，如通风口、气动阀和机械产生的湍流气流，它们的信号特征可能与真实泄漏相似[21]。此外，传感器对齐偏差、阵列变形和孔径尺寸有限等实际问题会严重降低性能，尤其是在低信噪比（SNR）条件下[22]。虽然高级自适应波束成形器，如最小方差无失真响应（MVDR），在数学上优化了空间滤波以抑制噪声，但它们对导向矢量失配和协方差矩阵劣化仍然高度敏感。在高度混响、低信噪比的工业环境中，MVDR经常遭受信号抵消问题，在不抑制背景干扰的同时意外地将其微弱的目标泄漏信号一同消除[23]。类似地，经典反卷积算法如声源映射反卷积方法（DAMAS）试图通过迭代移除阵列的点扩散函数来提高分辨率。然而，当声学图被高声级声源和/或重叠的工业噪声所主导时，DAMAS在低信噪比条件下以收敛缓慢和重建精度下降而著称[24]。这可能导致鬼影源和收敛缓慢等伪影。

基于优化的波束成形和反卷积算法的这些固有限制，它们依赖于声学环境的严格假设，表明需要更鲁棒的信号处理技术。近期的进展已成功将深度学习整合以克服这些挑战。例如，卷积神经网络（CNN）已被应用于波束成形图的反卷积，在有效增强真实源对比度并抑制旁瓣和虚假伪影的同时，无需经典方法的严格要求[25]。该方法在定位精度和源强度估计方面展示了相对于标准技术的显著改进。其他方法利用深度神经网络直接从声学数据回归源坐标，实现了亚网格精度和增强的相位误差鲁棒性[26]。这种从基于优化到基于学习的波束成形的范式转变，代表了在声学成像中保持定位精度的一个有前景的解决方案[27]。

为克服传统波束成形在恶劣声学环境中的局限性，本研究提出了一种混合方法，将基于经典DAS的传统超声波波束成形与基于深度学习的后处理框架相结合，以提高嘈杂工业环境中燃气泄漏检测的可靠性。核心方法采用CNN增强波束成形图，通过抑制背景噪声和突出与泄漏相关的声学特征来增强，而无需访问原始麦克风阵列信号。预期所提出的方法能够识别每一个泄漏源，并以高效的计算进行准确量化。此外，所提出的方法可以直接应用于各种仅提供波束成形输出而非原始多通道音频数据的商用超声波相机系统。

本工作的创新点不在于提出全新的CNN架构，而在于其训练策略、系统级设计和面向部署的实现。该模型使用由将合成泄漏源叠加到真实工业环境中测量的波束成形图上而生成的噪声混合数据集进行训练，使网络能够学习真实的反射、散射和干扰模式。网络架构有意保持轻量级，以支持在边缘硬件上的实时推理，即使用较少的隐藏层。所提出框架的有效性通过系统性实验进行验证，从无回声室的基线表征开始，随后在具有代表性的工业环境（包括存在严重声学干扰的冷水机组房和锅炉房）中进行现场评估。

为建立各种泄漏检测波束成形技术的明确性能基准，开展了一系列受控仿真，评估检测精度和定位误差随信噪比（SNR）的变化。这些仿真使得能够对所提出的方法与包括DAS波束成形以及MVDR和DAMAS等更先进算法在内的既有技术进行严格比较。结果表明，所提出的深度学习增强波束成形框架提供了一种实用且可扩展的解决方案，即使在声学复杂的工业环境中也能提供鲁棒的泄漏检测和可靠的定位性能。

方法
在工业应用中部署深度学习增强波束成形面临的一个重大挑战是表征背景噪声的特性，因为不同工厂的噪声性质差异显著。为此，一种实用的解决方案是进行现场数据采集，直接使用本地采集的噪声测量数据进行网络训练。这种方法实现了本地数据采集、现场训练和即时部署，无需实验
所提出的深度学习增强波束成形框架需要一个将模拟波束成形图与实测背景噪声相结合的训练过程。因此，使用自建的燃气泄漏模拟器和超声波麦克风阵列进行了一系列受控实验和现场实验。这些实验的目标是：(1) 收集用于生成训练数据的背景噪声样本；(2) 获取用于评估模型的真实燃气泄漏噪声样本
仿真对比性能评估
虽然现场实验提供了有力的应用证据，但它们不允许对算法性能进行详细的参数化分析或与高级波束成形方法进行直接比较。特别是，实验中使用商用超声波相机无法访问原始麦克风信号，这阻止了使用实验数据实现MVDR或DAMAS等替代波束成形算法。为解决这一局限性并使受控实验
结论
本研究提出了一种用于声学复杂工业环境中可靠燃气泄漏检测的深度学习增强波束成形框架。所提出的方法将传统DAS超声波波束成形与卷积神经网络（CNN）相结合，对波束成形图进行优化以抑制背景杂波并突出与泄漏相关的声学发射信号。与许多基于学习的声学成像方法不同，该框架直接处理由波束成形输出CRediT作者贡献声明
Iwan Prasetiyo：撰写-原稿、验证、方法学、形式化分析。Agustinus Oey：撰写-原稿、可视化、验证、软件、方法学、形式化分析。Jiho Chang：软件、概念化。Juho Jung：验证、数据管理。Amirul Ihsan：验证、软件、数据管理。
利益冲突声明
作者声明他们不存在可能影响本文所报告工作的已知竞争性财务利益或个人关系。
Iwan Prasetiyo | Agustinus Oey | Jiho Chang | Juho Jung | Amirul Ihsan
印度尼西亚万隆理工学院工业技术学院工程物理系，Jl. Ganesha 10, Bandung 40132, Indonesia