(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211382583.X (22)申请日 2022.11.07 (71)申请人 南京邮电大 学 地址 210000 江苏省南京市栖霞区文苑路9 号 (72)发明人 柴磊　 (74)专利代理 机构 南京金宁专利代理事务所 (普通合伙) 32479 专利代理师 廖彬佳 (51)Int.Cl. G01M 3/24(2006.01) G01M 3/32(2006.01) G01M 3/00(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于深度学习的超 声测漏装置 (57)摘要 本发明涉及检测技术领域， 具体涉及基于深 度学习的超声测漏装置， 包括运输罐本体， 还包 括由机械式压力表、 超声波传感器、 温度传感器 和处理器构成的检测系统； 处理器用于获取运输 罐内的压力、 超声波信号和温度； 计算温度影响 程度、 压力异常指数、 泄露程度指标、 压力异常指 数和泄露程度指标之间的关联性以及安全指数； 使得将实时的卸料前的压力和温度输入预测网 络得到预测安全指数； 根据预测安全指数， 确定 超声检测的检测频率。 本发明在得到预测安全系 数的同时， 还根据预测安全系数调整超声检测的 检测频率， 以实现进一步实时检测， 适当调整检 测频率能够提高当前的检测仪器的使用寿命， 同 时保证当前的卸料过程的安全。 权利要求书3页 说明书10页 附图2页 CN 115420437 A 2022.12.02 CN 115420437 A 1.基于深度 学习的超声测漏装置， 包括运输罐本体， 其特征在于， 还包括由机械 式压力 表、 超声波传感器、 温度传感器和处 理器构成的检测系统： 机械式压力表安装至运输罐内部， 用于采集运输罐内的压力； 超声波传感器安装至运 输罐外侧， 用于对运输罐进行超声检测得到超声波信号； 温度传感器安装至运输罐外侧， 用 于采集温度； 处理器与机械 式压力表通过数据总 线方式连接、 与超声波传感器和温度传感器无线连 接， 用于同步获取运输罐内的压力、 超声 波信号和温度； 基于傅里叶变换得到超声波信号对应的频率特征向量； 根据温度的波动情况获取温度 影响程度； 根据运输罐内的压力序列的差异和所述温度影响程度计算压力异常指数； 根据压力异常指数和温度对不同卸料时段进行分类， 得到多个类别； 根据当前时刻的 频率特征向量和发生泄露时的频率特征向量的相似程度得到泄露程度指标； 计算同一类别 内不同卸 料时段对应的压力异常指数和泄露程度指标之间的关联性； 根据关联性、 压力异 常指数和泄 露程度指标计算 安全指数； 基于压力异常指数、 温度影响程度、 关联性和对应的安全指数训练预测网络； 使得将 实 时的卸料 前的压力和温度输入预测网络得到预测安全指数； 根据预测安全指数， 确定超声检测的检测频率。 2.根据权利要求1所述的基于深度学习的超声测漏装置， 其特征在于， 所述基于傅里叶 变换得到超声 波信号对应的频率特 征向量， 包括： 利用超声波传感器对运输罐进行超声检测得到超声波形； 对超声波形截断处理得到超 声波形片段； 利用傅里叶变换， 将 实时的超声波形片段转换到频域， 得到对应的频谱图； 所述频谱图 上有多个离散点， 每个离散点的横坐标为频率， 纵坐标为幅值； 根据各离散点的横纵坐标， 构建频谱图对应的频率特征向量； 所述频率特征向量中的 元素为各离 散点的纵坐标。 3.根据权利要求1所述的基于深度学习的超声测漏装置， 其特征在于， 所述根据温度的 波动情况获取温度影响程度， 包括： 所述温度影响程度的计算公式为： 其中， 为所述温度影响程度； 为以自然常数为底数的指数函数； 为均值函数； 为第i时刻的温度； 为卸料时合适的标准温度； 为温度序列； 为方差函数； 为 双曲正切函数。 4.根据权利要求1所述的基于深度学习的超声测漏装置， 其特征在于， 所述根据运输罐 内的压力序列的差异和所述温度影响程度计算压力异常指数， 包括： 所述压力异常指数的计算公式为： 其中， 为所述压力异常指数； 为余弦函数； 为以自然常数为底数的指数函数； 为运输罐卸料前的压力序列； 为运输罐卸料时的压力序列； 为极差函数； 为归权　利　要　求　书 1/3 页 2 CN 115420437 A 2整路径距离； 为温度影响程度。 5.根据权利要求1所述的基于深度学习的超声测漏装置， 其特征在于， 所述根据压力异 常指数和温度对不同卸料时段进行分类， 得到多个 类别， 包括： 基于DBSCAN密度聚类， 根据差异 距离对不同卸料时段进行分类； 差异距离的计算公式为： 其中， 为卸料时段A与卸料时段B的差异距离； 为卸料时段A对应的压力异常 指数； 为卸料时段B对应的压力异常指数； 为卸料时段A对应的温度序列； 为卸料时 段B对应的温度 序列； 为归整路径 距离。 6.根据权利要求1所述的基于深度学习的超声测漏装置， 其特征在于， 所述根据当前时 刻的频率特 征向量和发生泄 露时的频率特 征向量的相似程度得到泄 露程度指标， 包括： 计算当前时刻的频率特征向量和发生泄露时的频率特征向量的余弦相似度； 计算当前 时刻的频率特征向量的模和发生泄露时的频率特征向量的模的差值， 作为模长差值； 一加 所述模长 差值作为调节差值； 所述 余弦相似度比上 所述调节差值得到所述泄 露程度指标。 7.根据权利要求1所述的基于深度学习的超声测漏装置， 其特征在于， 所述计算同一类 别内不同卸料时段对应的压力异常指数和泄 露程度指标之间的关联性， 包括： 由属于同一类别的不同卸料时段对应的泄露程度指标构建泄露程度指标序列； 基于泄 露程度指标序列中各泄露程度指标的排列顺序， 将属于同一类别的不同卸料时段对应的压 力异常指数进行排序， 构建压力异常指数序列； 所述关联性的计算公式为： 其中， 为所述关联性； 为皮尔逊相关系数； 为压力异常指数序列； 为泄露程 度指标序列； 为形态相似距离； 为以自然常数为底数的指数函数； 为方差函数。 8.根据权利要求1所述的基于深度学习的超声测漏装置， 其特征在于， 所述根据关联 性、 压力异常指数和泄 露程度指标计算 安全指数， 包括： 所述安全指数的计算公式为： 其中， 为所述安全指数； 为压力异常指数； 为泄露程度指标； 为余弦函数； 为 以自然常数为底数的指数函数； 为归一化后的关联性。 9.根据权利要求1所述的基于深度学习的超声测漏装置， 其特征在于， 所述基于压力异 常指数、 温度影响程度、 关联性和对应的安全指数训练预测网络， 包括： 以所述压力异常指数和所述温度影响程度作为预测网络的输入、 以所述安全指数作为 预测网络的输出； 将关联性作为预测网络的损失函数的权 重。 10.根据权利要求1所述的基于深度学习的超声测漏装置， 其特征在于， 所述根据预测 安全指数， 确定超声检测的检测频率， 包括： 获取以自然常数为底数， 以负的预测安全指数为指数的指数函数， 作为调节指数； 所述权　利　要　求　书 2/3 页 3 CN 115420437 A 3