一种具有泄漏检测功能的固态储氢罐的制作方法

1.本技术涉及智能检测领域，且更为具体地，涉及一种具有泄漏检测功能的固态储氢罐。


背景技术：

2.氢能作为清洁高效的二次能源得到了人们的高度重视和广泛研究，氢能储运是氢能产业链中的限制性环节，提高氢能储运效率，降低氢能储运成本，是氢能储运技术的发展重点。目前，已实用化的储氢方式主要有三种：高压气态储氢、低温液氢储罐以及基于储氢材料的固态储氢。固态储氢技术是利用氢气与储氢材料的反应来实现氢气的储存，与其他储氢方式相比，固态储氢技术具有储氢密度高、压力低、安全性好、氢气纯度高等优点，是储氢技术发展的一个重要方向。
3.中国专利号cn111720725a揭露了一种固态储氢罐，其包括罐体、储氢床体元件、导气管、过滤片和阀门，其中多个所述储氢床体元件在罐体内部叠放，所述储氢床体元件上设置有纵向的通孔，所述导气管放置于所述通孔内。所采用的储氢床体元件结构可提高储氢床体的传热性能，加快充/放氢速度，同时可阻止储氢材料粉末迁移，保证储氢材料粉末在床体内的均匀分布，避免储氢材料吸氢膨胀在罐体上产生的应力集中，提高固态储氢罐的使用寿命和安全性。
4.虽然通过上述装置能够提高固态储氢罐的使用寿命和安全性，但在利用固态储氢罐进行储氢的过程中，仍有可能发生泄露等问题。因此，期待一种具有泄漏检测功能的固态储氢罐以进一步地提高固态储氢罐的安全性和故障预警能力。


技术实现要素：

5.为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种具有泄漏检测功能的固态储氢罐，其通过利用基于深度学习的人工智能监测算法来对于声音探测器采集的固态储氢罐的泄露声音探测信号进行处理和分析，以对所述固态储氢罐是否发生泄露进行检测，进一步地，还利用多个声音探测器之间的空间特征来优化声音特征的表达，提高了声音探测的精准度，进而提高固态储氢罐的安全性和故障预警能力。
6.根据本技术的一个方面，提供了一种具有泄漏检测功能的固态储氢罐，其包括：声音探测模块，用于获取由以阵列方式布置的多个声音传感器采集的多个泄露声音探测信号；时域增强模块，用于分别计算所述多个泄露声音探测信号中各个泄露声音探测信号的时域增强图以得到多个声音信号时域增强图；声音时频特征提取模块，用于将所述多个声音信号时域增强图中各个声音信号时域增强图分别通过作为过滤器的第一卷积神经网络模型以得到多个声音时域特征向量；空间拓扑构造模块，用于获取所述多个声音传感器的拓扑矩阵，其中，所述拓扑矩阵中非对角线位置上各个位置的值为相应两个声音传感器之间的距离，所述拓扑矩阵中对
角线位置上各个位置的值为零；拓扑特征提取模块，用于将所述多个声音传感器的拓扑矩阵通过作为特征提取器的第二卷积神经网络模型以得到拓扑特征矩阵；声音特征优化模块，用于分别对所述多个声音时域特征向量中各个声音时域特征向量的特征分布进行优化以得到多个优化后声音时域特征向量；声音特征全局化模块，用于将所述多个优化后声音时域特征向量进行二维排列以得到全局声音时域特征矩阵；图神经编码模块，用于将所述全局声音时域特征矩阵和所述拓扑特征矩阵通过图神经网络以得到拓扑全局声音时域特征矩阵；以及泄露自检结果生成模块，用于将所述拓扑全局声音时域特征矩阵通过分类器以得到分类结果，所述分类结果用于表示固态储氢罐是否发生泄露。
7.在上述具有泄漏检测功能的固态储氢罐中，所述声音时频特征提取模块，进一步用于：使用所述作为过滤器的第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为过滤器的第一卷积神经网络的最后一层的输出为所述多个声音时域特征向量，所述作为过滤器的第一卷积神经网络的第一层的输入为所述多个声音信号时域增强图中各个声音信号时域增强图。
8.在上述具有泄漏检测功能的固态储氢罐中，所述拓扑特征提取模块，进一步用于：使用所述作为特征提取器的第二卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行沿通道维度的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为特征提取器的第二卷积神经网络的最后一层的输出为所述拓扑特征矩阵，所述作为特征提取器的第二卷积神经网络的第一层的输入为所述声音传感器的拓扑矩阵。
9.在上述具有泄漏检测功能的固态储氢罐中，所述声音特征优化模块，包括：权重计算单元，用于以如下公式分别计算所述多个声音时域特征向量中各个声音时域特征向量的类小波函数族能量聚合因数；其中，所述公式为：其中表示所述多个声音时域特征向量中各个声音时域特征向量的每个位置的特征值，且是所述多个声音时域特征向量中每个声音时域特征向量的长度，表示以2为底的对数函数值；以及，加权单元，用于以所述多个声音时域特征向量中各个声音时域特征向量的类小波函数族能量聚合因数分别对于所述多个声音时域特征向量中各个声音时域特征向量进行加权优化以得到所述多个优化后声音时域特征向量。
10.在上述具有泄漏检测功能的固态储氢罐中，所述图神经编码模块，进一步用于：使用所述图神经网络以可学习的神经网络参数对所述全局声音时域特征矩阵和所述拓扑特征矩阵进行处理以得到包含不规则的空间拓扑特征和声音高维特征的所述拓扑全局声音
时域特征矩阵。
11.在上述具有泄漏检测功能的固态储氢罐中，所述泄露自检结果生成模块，包括：使用所述分类器以如下公式对所述拓扑全局声音时域特征矩阵进行处理以获得分类结果，所述公式为：，其中表示将所述拓扑全局声音时域特征矩阵投影为向量，至为各层全连接层的权重矩阵，至表示各层全连接层的偏置矩阵。
12.根据本技术的另一方面，提供了一种具有泄漏检测功能的固态储氢罐的方法，其包括：获取由以阵列方式布置的多个声音传感器采集的多个泄露声音探测信号；分别计算所述多个泄露声音探测信号中各个泄露声音探测信号的时域增强图以得到多个声音信号时域增强图；将所述多个声音信号时域增强图中各个声音信号时域增强图分别通过作为过滤器的第一卷积神经网络模型以得到多个声音时域特征向量；获取所述多个声音传感器的拓扑矩阵，其中，所述拓扑矩阵中非对角线位置上各个位置的值为相应两个声音传感器之间的距离，所述拓扑矩阵中对角线位置上各个位置的值为零；将所述多个声音传感器的拓扑矩阵通过作为特征提取器的第二卷积神经网络模型以得到拓扑特征矩阵；分别对所述多个声音时域特征向量中各个声音时域特征向量的特征分布进行优化以得到多个优化后声音时域特征向量；将所述多个优化后声音时域特征向量进行二维排列以得到全局声音时域特征矩阵；将所述全局声音时域特征矩阵和所述拓扑特征矩阵通过图神经网络以得到拓扑全局声音时域特征矩阵；以及将所述拓扑全局声音时域特征矩阵通过分类器以得到分类结果，所述分类结果用于表示固态储氢罐是否发生泄露。
13.根据本技术的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的具有泄漏检测功能的固态储氢罐的方法。
14.根据本技术的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的具有泄漏检测功能的固态储氢罐的方法。
15.与现有技术相比，本技术提供的一种具有泄漏检测功能的固态储氢罐，其通过利用基于深度学习的人工智能监测算法来对于声音探测器采集的固态储氢罐的泄露声音探测信号进行处理和分析，以对所述固态储氢罐是否发生泄露进行检测，进一步地，还利用多个声音探测器之间的空间特征来优化声音特征的表达，提高了声音探测的精准度，进而提高固态储氢罐的安全性和故障预警能力。
16.附图说明
17.通过结合附图对本技术实施例进行更详细的描述，本技术的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本技术实施例的进一步理解，并且构成说明书的一部分，与本技术实施例一起用于解释本技术，并不构成对本技术的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
18.图1图示了根据本技术实施例的具有泄漏检测功能的固态储氢罐的应用场景图；图2图示了根据本技术实施例的具有泄漏检测功能的固态储氢罐的框图；图3图示了根据本技术实施例的具有泄漏检测功能的固态储氢罐的系统架构图；图4图示了根据本技术实施例的具有泄漏检测功能的固态储氢罐中第一卷积神经网络编码过程的流程图；图5图示了根据本技术实施例的具有泄漏检测功能的固态储氢罐中第二卷积神经网络编码过程的流程图；图6图示了根据本技术实施例的具有泄漏检测功能的固态储氢罐中声音特征优化模块的框图；图7图示了根据本技术实施例的具有泄漏检测功能的固态储氢罐的方法的流程图。
具体实施方式
19.下面，将参考附图详细地描述根据本技术的示例实施例。显然，所描述的实施例仅仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。
20.场景概述如上所述，氢能作为清洁高效的二次能源得到了人们的高度重视和广泛研究，氢能储运是氢能产业链中的限制性环节，提高氢能储运效率，降低氢能储运成本，是氢能储运技术的发展重点。目前，已实用化的储氢方式主要有三种：高压气态储氢、低温液氢储罐以及基于储氢材料的固态储氢。固态储氢技术是利用氢气与储氢材料的反应来实现氢气的储存，与其他储氢方式相比，固态储氢技术具有储氢密度高、压力低、安全性好、氢气纯度高等优点，是储氢技术发展的一个重要方向。
21.中国专利号cn111720725a揭露了一种固态储氢罐，其包括罐体、储氢床体元件、导气管、过滤片和阀门，其中多个所述储氢床体元件在罐体内部叠放，所述储氢床体元件上设置有纵向的通孔，所述导气管放置于所述通孔内。所采用的储氢床体元件结构可提高储氢床体的传热性能，加快充/放氢速度，同时可阻止储氢材料粉末迁移，保证储氢材料粉末在床体内的均匀分布，避免储氢材料吸氢膨胀在罐体上产生的应力集中，提高固态储氢罐的使用寿命和安全性。
22.虽然通过上述装置能够提高固态储氢罐的使用寿命和安全性，但在利用固态储氢罐进行储氢的过程中，仍有可能发生泄露等问题。因此，期待一种具有泄漏检测功能的固态储氢罐以进一步地提高固态储氢罐的安全性和故障预警能力。
23.具体地，在本技术的技术方案中，提出了一种具有泄漏检测功能的固态储氢罐，其能够利用基于深度学习的人工智能监测算法来对于声音探测器采集的固态储氢罐的泄露声音探测信号进行处理和分析，以对所述固态储氢罐是否发生泄露进行检测。并且，在此过程中，还利用了多个声音探测器之间的空间特征来优化声音特征的表达，进而提高声音探测的精准度，以此来进行泄露监测。
24.具体地，在本技术的技术方案中，首先，获取由以阵列方式布置的多个声音传感器采集的多个泄露声音探测信号。接着，对于所述多个泄露声音探测信号中各个泄露声音探测信号进行域转换，具体地，分别计算所述多个泄露声音探测信号中各个泄露声音探测信号的时域增强图以得到多个声音信号时域增强图。
25.然后，就可以将所述多个声音信号时域增强图中各个声音信号时域增强图分别通过作为过滤器的第一卷积神经网络模型以得到多个声音时域特征向量。也就是，以所述第一卷积神经网络模型作为特征过滤器来提取由所述多个泄露声音探测信号转化而来的所述多个声音信号时域增强图中的各个声音信号时域增强图在时域空间内的局部隐含特征以得到多个声音时域特征向量。
26.接着，对于对应于所述各个声音传感器的声音探测信号隐含特征，将所述多个声音时域特征向量进行二维排列以整合所述各个声音传感器的声音探测信号特征信息，从而得到全局声音时域特征矩阵。
27.特别地，在本技术的技术方案中，在将所述多个声音时域特征向量进行二维排列以得到全局声音时域特征矩阵时，由于每个声音时域特征向量用于表示单个声音传感器的信号时域增强图的图像语义关联特征，而每个声音传感器具有其独特的探测信号状态，这导致每个声音时域特征向量具有不同的表达信息量，直接将所述多个声音时域特征向量进行二维排列为全局声音时域特征矩阵会影响所述全局声音时域特征矩阵的信息表达效果。
28.因此，对于每个声音时域特征向量，计算其类小波函数族能量聚合因数，表示为：因此，对于每个声音时域特征向量，计算其类小波函数族能量聚合因数，表示为：是每个声音时域特征向量的长度。
29.也就是，考虑到对于高维流形来说，由于信息表示倾向于集中在高频分量上，因此信息倾向于分布在流形边缘，类小波函数族作为用于分离特征分布维度上的边缘的可分离变换，通过其可以将高维特征的隐状态转换为频率分量，并以类小波能量的方式表达信息量。这样，以其作为加权系数对各个声音时域特征向量进行加权之后再二维排列为全局声音时域特征矩阵，可以提高所述全局声音时域特征矩阵在其特征表达空间内的信息聚合程度，以提升所述全局声音时域特征矩阵的信息表达效果，进而提高分类的准确性。
30.进一步地，基于以所述阵列方式布置的多个声音传感器的拓扑结构来获取所述多个声音传感器的拓扑矩阵，这里，所述拓扑矩阵中非对角线位置上各个位置的值为相应两个声音传感器之间的距离，所述拓扑矩阵中对角线位置上各个位置的值为零。接着，将所述多个声音传感器的拓扑矩阵通过作为特征提取器的第二卷积神经网络模型中进行处理，以提取出所述多个声音传感器之间的空间拓扑特征，从而得到拓扑特征矩阵。
31.然后，就可以以所述各个声音传感器的所述多个优化后声音时域特征向量作为节
点的特征表示，而以所述拓扑特征矩阵作为节点与节点之间的边的特征表示，将由所述多个优化后声音时域特征向量经二维排列得到的所述全局声音时域特征矩阵和所述拓扑特征矩阵通过图神经网络以得到拓扑全局声音时域特征矩阵。具体地，使用所述图神经网络以可学习的神经网络参数对所述全局声音时域特征矩阵和所述拓扑特征矩阵进行处理以得到包含不规则的空间拓扑特征和声音高维特征的所述拓扑全局声音时域特征矩阵。进一步地，将所述拓扑全局声音时域特征矩阵作为分类特征矩阵通过分类器就可以得到用于表示固态储氢罐是否发生泄露的分类结果。这样，能够利用所述多个声音探测器之间的空间拓扑特征来优化所述声音高维特征的表达，进而能够提高声音探测的精准度，并且以此来对于所述固态储氢罐进行泄露监测，能够提高固态储氢罐的安全性和故障预警能力。
32.基于此，本技术提出了一种具有泄漏检测功能的固态储氢罐，其包括：声音探测模块，用于获取由以阵列方式布置的多个声音传感器采集的多个泄露声音探测信号；时域增强模块，用于分别计算所述多个泄露声音探测信号中各个泄露声音探测信号的时域增强图以得到多个声音信号时域增强图；声音时频特征提取模块，用于将所述多个声音信号时域增强图中各个声音信号时域增强图分别通过作为过滤器的第一卷积神经网络模型以得到多个声音时域特征向量；空间拓扑构造模块，用于获取所述多个声音传感器的拓扑矩阵，其中，所述拓扑矩阵中非对角线位置上各个位置的值为相应两个声音传感器之间的距离，所述拓扑矩阵中对角线位置上各个位置的值为零；拓扑特征提取模块，用于将所述多个声音传感器的拓扑矩阵通过作为特征提取器的第二卷积神经网络模型以得到拓扑特征矩阵；声音特征优化模块，用于分别对所述多个声音时域特征向量中各个声音时域特征向量的特征分布进行优化以得到多个优化后声音时域特征向量；声音特征全局化模块，用于将所述多个优化后声音时域特征向量进行二维排列以得到全局声音时域特征矩阵；图神经编码模块，用于将所述全局声音时域特征矩阵和所述拓扑特征矩阵通过图神经网络以得到拓扑全局声音时域特征矩阵；以及，泄露自检结果生成模块，用于将所述拓扑全局声音时域特征矩阵通过分类器以得到分类结果，所述分类结果用于表示固态储氢罐是否发生泄露。
33.图1图示了根据本技术实施例的具有泄漏检测功能的固态储氢罐的应用场景图。如图1所示，在该应用场景中，通过由以阵列方式布置的多个声音传感器（例如，如图1中所示意的v1-vn）采集多个泄露声音探测信号。接着，将上述信号输入至部署有用于具有泄漏检测功能的固态储氢罐的算法的服务器（例如，图1中的s）中，其中，所述服务器能够以所述具有泄漏检测功能的固态储氢罐的算法对上述输入的信号进行处理，以生成用于表示固态储氢罐是否发生泄露的分类结果。
34.在介绍了本技术的基本原理之后，下面将参考附图来具体介绍本技术的各种非限制性实施例。
35.示例性系统图2图示了根据本技术实施例的具有泄漏检测功能的固态储氢罐的框图。如图2所示，根据本技术实施例的具有泄漏检测功能的固态储氢罐300包括：声音探测模块310；时域增强模块320；声音时频特征提取模块330；空间拓扑构造模块340；拓扑特征提取模块350；声音特征优化模块360；声音特征全局化模块370；图神经编码模块380；以及，泄露自检结果生成模块390。
36.其中，所述声音探测模块310，用于获取由以阵列方式布置的多个声音传感器采集
的多个泄露声音探测信号；所述时域增强模块320，用于分别计算所述多个泄露声音探测信号中各个泄露声音探测信号的时域增强图以得到多个声音信号时域增强图；所述声音时频特征提取模块330，用于将所述多个声音信号时域增强图中各个声音信号时域增强图分别通过作为过滤器的第一卷积神经网络模型以得到多个声音时域特征向量；所述空间拓扑构造模块340，用于获取所述多个声音传感器的拓扑矩阵，其中，所述拓扑矩阵中非对角线位置上各个位置的值为相应两个声音传感器之间的距离，所述拓扑矩阵中对角线位置上各个位置的值为零；所述拓扑特征提取模块350，用于将所述多个声音传感器的拓扑矩阵通过作为特征提取器的第二卷积神经网络模型以得到拓扑特征矩阵；所述声音特征优化模块360，用于分别对所述多个声音时域特征向量中各个声音时域特征向量的特征分布进行优化以得到多个优化后声音时域特征向量；所述声音特征全局化模块370，用于将所述多个优化后声音时域特征向量进行二维排列以得到全局声音时域特征矩阵；所述图神经编码模块380，用于将所述全局声音时域特征矩阵和所述拓扑特征矩阵通过图神经网络以得到拓扑全局声音时域特征矩阵；以及，所述泄露自检结果生成模块390，用于将所述拓扑全局声音时域特征矩阵通过分类器以得到分类结果，所述分类结果用于表示固态储氢罐是否发生泄露。
37.图3图示了根据本技术实施例的具有泄漏检测功能的固态储氢罐的系统架构图。如图3所示，在所述具有泄漏检测功能的固态储氢罐300的系统架构中，首先通过所述声音探测模块310获取由以阵列方式布置的多个声音传感器采集的多个泄露声音探测信号；所述时域增强模块320分别计算所述声音探测模块310获取的多个泄露声音探测信号中各个泄露声音探测信号的时域增强图以得到多个声音信号时域增强图；所述声音时频特征提取模块330将所述时域增强模块320得到的多个声音信号时域增强图中各个声音信号时域增强图分别通过作为过滤器的第一卷积神经网络模型以得到多个声音时域特征向量；然后，所述空间拓扑构造模块340获取所述多个声音传感器的拓扑矩阵，其中，所述拓扑矩阵中非对角线位置上各个位置的值为相应两个声音传感器之间的距离，所述拓扑矩阵中对角线位置上各个位置的值为零；所述拓扑特征提取模块350将所述空间拓扑构造模块340获取的多个声音传感器的拓扑矩阵通过作为特征提取器的第二卷积神经网络模型以得到拓扑特征矩阵；接着，所述声音特征优化模块360分别对所述声音时频特征提取模块330得到的多个声音时域特征向量中各个声音时域特征向量的特征分布进行优化以得到多个优化后声音时域特征向量；所述声音特征全局化模块370将所述声音特征优化模块360生成的多个优化后声音时域特征向量进行二维排列以得到全局声音时域特征矩阵；所述图神经编码模块380将所述声音特征全局化模块370生成的全局声音时域特征矩阵和所述得到的拓扑特征矩阵通过图神经网络以得到拓扑全局声音时域特征矩阵；进而，所述泄露自检结果生成模块390将所述拓扑全局声音时域特征矩阵通过分类器以得到分类结果，所述分类结果用于表示固态储氢罐是否发生泄露。
38.具体地，在所述具有泄漏检测功能的固态储氢罐300的运行过程中，所述声音探测模块310和所述时域增强模块320，用于获取由以阵列方式布置的多个声音传感器采集的多个泄露声音探测信号，再分别计算所述多个泄露声音探测信号中各个泄露声音探测信号的时域增强图以得到多个声音信号时域增强图。在本技术的技术方案中，首先，获取由以阵列方式布置的多个声音传感器采集的多个泄露声音探测信号。接着，对于所述多个泄露声音探测信号中各个泄露声音探测信号进行域转换，具体地，分别计算所述多个泄露声音探测
信号中各个泄露声音探测信号的时域增强图以得到多个声音信号时域增强图。
39.具体地，在所述具有泄漏检测功能的固态储氢罐300的运行过程中，所述声音时频特征提取模块330，用于将所述多个声音信号时域增强图中各个声音信号时域增强图分别通过作为过滤器的第一卷积神经网络模型以得到多个声音时域特征向量。在本技术的技术方案中，将所述多个声音信号时域增强图中各个声音信号时域增强图分别通过作为过滤器的第一卷积神经网络模型以得到多个声音时域特征向量。也就是，以所述第一卷积神经网络模型作为特征过滤器来提取由所述多个泄露声音探测信号转化而来的所述多个声音信号时域增强图中的各个声音信号时域增强图在时域空间内的局部隐含特征以得到多个声音时域特征向量。
40.图4图示了根据本技术实施例的具有泄漏检测功能的固态储氢罐中第一卷积神经网络编码过程的流程图。如图4所示，所述第一卷积神经网络编码过程，包括：s210，对输入数据进行卷积处理以得到卷积特征图；s220，对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图；以及，s230，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为过滤器的第一卷积神经网络的最后一层的输出为所述多个声音时域特征向量，所述作为过滤器的第一卷积神经网络的第一层的输入为所述多个声音信号时域增强图中各个声音信号时域增强图。
41.具体地，在所述具有泄漏检测功能的固态储氢罐300的运行过程中，所述空间拓扑构造模块340，用于获取所述多个声音传感器的拓扑矩阵，其中，所述拓扑矩阵中非对角线位置上各个位置的值为相应两个声音传感器之间的距离，所述拓扑矩阵中对角线位置上各个位置的值为零。在本技术的技术方案中，基于以所述阵列方式布置的多个声音传感器的拓扑结构来获取所述多个声音传感器的拓扑矩阵，这里，所述拓扑矩阵中非对角线位置上各个位置的值为相应两个声音传感器之间的距离，所述拓扑矩阵中对角线位置上各个位置的值为零。接着，将所述多个声音传感器的拓扑矩阵通过作为特征提取器的第二卷积神经网络模型中进行处理，以提取出所述多个声音传感器之间的空间拓扑特征，从而得到拓扑特征矩阵。
42.具体地，在所述具有泄漏检测功能的固态储氢罐300的运行过程中，所述拓扑特征提取模块350，用于将所述多个声音传感器的拓扑矩阵通过作为特征提取器的第二卷积神经网络模型以得到拓扑特征矩阵。在本技术的技术方案中，将所述多个声音传感器的拓扑矩阵通过作为特征提取器的第二卷积神经网络模型中进行处理，以提取出所述多个声音传感器之间的空间拓扑特征，从而得到拓扑特征矩阵。
43.图5图示了根据本技术实施例的具有泄漏检测功能的固态储氢罐中第二卷积神经网络编码过程的流程图。如图5所示，所述第二卷积神经网络编码过程，包括：s310，对输入数据进行卷积处理以得到卷积特征图；s320，对所述卷积特征图进行沿通道维度的池化以得到池化特征图；以及，s330，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为特征提取器的第二卷积神经网络的最后一层的输出为所述拓扑特征矩阵，所述作为特征提取器的第二卷积神经网络的第一层的输入为所述声音传感器的拓扑矩阵。
44.具体地，在所述具有泄漏检测功能的固态储氢罐300的运行过程中，所述声音特征优化模块360，用于分别对所述多个声音时域特征向量中各个声音时域特征向量的特征分布进行优化以得到多个优化后声音时域特征向量。
45.图6图示了根据本技术实施例的具有泄漏检测功能的固态储氢罐中声音特征优化模块的框图。如图6所示，所述声音特征优化模块360，包括：权重计算单元361，用于以如下公式分别计算所述多个声音时域特征向量中各个声音时域特征向量的类小波函数族能量聚合因数；其中，所述公式为：其中表示所述多个声音时域特征向量中各个声音时域特征向量的每个位置的特征值，且是所述多个声音时域特征向量中每个声音时域特征向量的长度，表示以2为底的对数函数值；以及，加权单元362，用于以所述多个声音时域特征向量中各个声音时域特征向量的类小波函数族能量聚合因数分别对于所述多个声音时域特征向量中各个声音时域特征向量进行加权优化以得到所述多个优化后声音时域特征向量。
46.具体地，在所述具有泄漏检测功能的固态储氢罐300的运行过程中，所述声音特征全局化模块370，用于将所述多个优化后声音时域特征向量进行二维排列以得到全局声音时域特征矩阵。应可以理解，对应于所述各个声音传感器的声音探测信号隐含特征，将所述多个声音时域特征向量进行二维排列以整合所述各个声音传感器的声音探测信号特征信息，从而得到全局声音时域特征矩阵。特别地，在本技术的技术方案中，在将所述多个声音时域特征向量进行二维排列以得到全局声音时域特征矩阵时，由于每个声音时域特征向量用于表示单个声音传感器的信号时域增强图的图像语义关联特征，而每个声音传感器具有其独特的探测信号状态，这导致每个声音时域特征向量具有不同的表达信息量，直接将所述多个声音时域特征向量进行二维排列为全局声音时域特征矩阵会影响所述全局声音时域特征矩阵的信息表达效果。
47.因此，对于每个声音时域特征向量，计算其类小波函数族能量聚合因数，表示为：其中是每个声音时域特征向量的长度。
48.也就是，考虑到对于高维流形来说，由于信息表示倾向于集中在高频分量上，因此信息倾向于分布在流形边缘，类小波函数族作为用于分离特征分布维度上的边缘的可分离变换，通过其可以将高维特征的隐状态转换为频率分量，并以类小波能量的方式表达信息量。这样，以其作为加权系数对各个声音时域特征向量进行加权之后再二维排列为全局声音时域特征矩阵，可以提高所述全局声音时域特征矩阵在其特征表达空间内的信息聚合程度，以提升所述全局声音时域特征矩阵的信息表达效果，进而提高分类的准确性。
49.具体地，在所述具有泄漏检测功能的固态储氢罐300的运行过程中，所述图神经编码模块380，用于将所述全局声音时域特征矩阵和所述拓扑特征矩阵通过图神经网络以得到拓扑全局声音时域特征矩阵。在本技术的技术方案中，以所述各个声音传感器的所述多个优化后声音时域特征向量作为节点的特征表示，而以所述拓扑特征矩阵作为节点与节点之间的边的特征表示，将由所述多个优化后声音时域特征向量经二维排列得到的所述全局
声音时域特征矩阵和所述拓扑特征矩阵通过图神经网络以得到拓扑全局声音时域特征矩阵。具体地，使用所述图神经网络以可学习的神经网络参数对所述全局声音时域特征矩阵和所述拓扑特征矩阵进行处理以得到包含不规则的空间拓扑特征和声音高维特征的所述拓扑全局声音时域特征矩阵。进一步地，将所述拓扑全局声音时域特征矩阵作为分类特征矩阵通过分类器就可以得到用于表示固态储氢罐是否发生泄露的分类结果。这样，能够利用所述多个声音探测器之间的空间拓扑特征来优化所述声音高维特征的表达，进而能够提高声音探测的精准度，并且以此来对于所述固态储氢罐进行泄露监测，能够提高固态储氢罐的安全性和故障预警能力。在本技术的一个具体示例中，使用所述图神经网络以可学习的神经网络参数对所述全局声音时域特征矩阵和所述拓扑特征矩阵进行处理以得到包含不规则的空间拓扑特征和声音高维特征的所述拓扑全局声音时域特征矩阵。
50.具体地，在所述具有泄漏检测功能的固态储氢罐300的运行过程中，所述泄露自检结果生成模块390，用于将所述拓扑全局声音时域特征矩阵通过分类器以得到分类结果，所述分类结果用于表示固态储氢罐是否发生泄露。在本技术的一个具体示例中，所述泄露自检结果生成模块，包括：使用所述分类器以如下公式对所述拓扑全局声音时域特征矩阵进行处理以获得分类结果，所述公式为：，其中表示将所述拓扑全局声音时域特征矩阵投影为向量，至为各层全连接层的权重矩阵，至表示各层全连接层的偏置矩阵。
51.综上，根据本技术实施例的具有泄漏检测功能的固态储氢罐300被阐明，其通过利用基于深度学习的人工智能监测算法来对于声音探测器采集的固态储氢罐的泄露声音探测信号进行处理和分析，以对所述固态储氢罐是否发生泄露进行检测，进一步地，还利用多个声音探测器之间的空间特征来优化声音特征的表达，提高了声音探测的精准度，进而提高固态储氢罐的安全性和故障预警能力。
52.如上所述，根据本技术实施例的具有泄漏检测功能的固态储氢罐可以实现在各种终端设备中。在一个示例中，根据本技术实施例的具有泄漏检测功能的固态储氢罐300可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该具有泄漏检测功能的固态储氢罐300可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该具有泄漏检测功能的固态储氢罐300同样可以是该终端设备的众多硬件模块之一。
53.替换地，在另一示例中，该具有泄漏检测功能的固态储氢罐300与该终端设备也可以是分立的设备，并且该具有泄漏检测功能的固态储氢罐300可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
54.示例性方法图7图示了根据本技术实施例的具有泄漏检测功能的固态储氢罐的方法的流程图。如图7所示，根据本技术实施例的具有泄漏检测功能的固态储氢罐的方法，包括步骤：s110，获取由以阵列方式布置的多个声音传感器采集的多个泄露声音探测信号；s120，分别计算所述多个泄露声音探测信号中各个泄露声音探测信号的时域增强图以得到多个声音信号时域增强图；s130，将所述多个声音信号时域增强图中各个声音信号时域增强图分别
通过作为过滤器的第一卷积神经网络模型以得到多个声音时域特征向量；s140，获取所述多个声音传感器的拓扑矩阵，其中，所述拓扑矩阵中非对角线位置上各个位置的值为相应两个声音传感器之间的距离，所述拓扑矩阵中对角线位置上各个位置的值为零；s150，将所述多个声音传感器的拓扑矩阵通过作为特征提取器的第二卷积神经网络模型以得到拓扑特征矩阵；s160，分别对所述多个声音时域特征向量中各个声音时域特征向量的特征分布进行优化以得到多个优化后声音时域特征向量；s170，将所述多个优化后声音时域特征向量进行二维排列以得到全局声音时域特征矩阵；s180，将所述全局声音时域特征矩阵和所述拓扑特征矩阵通过图神经网络以得到拓扑全局声音时域特征矩阵；以及，s190，将所述拓扑全局声音时域特征矩阵通过分类器以得到分类结果，所述分类结果用于表示固态储氢罐是否发生泄露。
55.在一个示例中，在上述具有泄漏检测功能的固态储氢罐的方法中，所述步骤s130，包括：使用所述作为过滤器的第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为过滤器的第一卷积神经网络的最后一层的输出为所述多个声音时域特征向量，所述作为过滤器的第一卷积神经网络的第一层的输入为所述多个声音信号时域增强图中各个声音信号时域增强图。
56.在一个示例中，在上述具有泄漏检测功能的固态储氢罐的方法中，所述步骤s150，包括：使用所述作为特征提取器的第二卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行沿通道维度的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为特征提取器的第二卷积神经网络的最后一层的输出为所述拓扑特征矩阵，所述作为特征提取器的第二卷积神经网络的第一层的输入为所述声音传感器的拓扑矩阵。
57.在一个示例中，在上述具有泄漏检测功能的固态储氢罐的方法中，所述步骤s160，包括：以如下公式分别计算所述多个声音时域特征向量中各个声音时域特征向量的类小波函数族能量聚合因数；其中，所述公式为：其中表示所述多个声音时域特征向量中各个声音时域特征向量的每个位置的特征值，且是所述多个声音时域特征向量中每个声音时域特征向量的长度，表示以2为底的对数函数值；以及，以所述多个声音时域特征向量中各个声音时域特征向量的类小波函数族能量聚合因数分别对于所述多个声音时域特征向量中各个声音时域特征向量进行加权优化以得到所述多个优化后声音时域特征向量。
58.在一个示例中，在上述具有泄漏检测功能的固态储氢罐的方法中，所述步骤s180，包括：使用所述图神经网络以可学习的神经网络参数对所述全局声音时域特征矩阵和所述拓扑特征矩阵进行处理以得到包含不规则的空间拓扑特征和声音高维特征的所述拓扑全
局声音时域特征矩阵。
59.在一个示例中，在上述具有泄漏检测功能的固态储氢罐的方法中，所述步骤s190，包括：使用所述分类器以如下公式对所述拓扑全局声音时域特征矩阵进行处理以获得分类结果，所述公式为：，其中表示将所述拓扑全局声音时域特征矩阵投影为向量，至为各层全连接层的权重矩阵，至表示各层全连接层的偏置矩阵。
60.综上，根据本技术实施例的具有泄漏检测功能的固态储氢罐的方法被阐明，其通过利用基于深度学习的人工智能监测算法来对于声音探测器采集的固态储氢罐的泄露声音探测信号进行处理和分析，以对所述固态储氢罐是否发生泄露进行检测，进一步地，还利用多个声音探测器之间的空间特征来优化声音特征的表达，提高了声音探测的精准度，进而提高固态储氢罐的安全性和故障预警能力。