1.一种自动提取特征的压力容器气体泄漏声学识别方法，其特征在于，所述识别方法包括：步骤1：通过采集装置采集不同工况下的泄漏声信号，在不同距离、不同压力、不同泄漏孔径下，建立一个信号数据集，为后续步骤训练提供前提；

步骤2：对步骤1中采集到的每一条信号进行预处理，利用小波包变换将信号分解成8个子带，选取小波熵最高的前三个子带重构信号，去除其他无关频段的干扰；

步骤3：对步骤2中预处理后的数据集以8：2的比例分为训练集和测试集，利用小波散射网络对训练集和测试集进行自动特征提取，在最大化保留数据特征的同时对采集信号降维；

步骤4：利用步骤3中分好的训练集数据训练设计好的协同双向长短期记忆神经网络，测试集数据测试训练后网络的分类精度；

所述步骤3中的小波散射网络中每一层都进行包括散射传播和散射输出两个独立操作；

所述小波散射网络中第一层的第一步将信号 与复数小波 卷积并通过取模运算得到第一层小波模系数 并作为第二层的输出值，其中 表示散射传播路径；

第一层的第二步将输入信号 与尺度为 的高斯低通滤波器 卷积得到小波系数；

对于散射网络第二层输出，空心节点表示第一层小波模算子 ，将 再次与复数小波 卷积取模得到第三层的小波模算子即 ；

第二层第二步运算是将散射算子 应用于第二层小波模系数 与尺度为 的高斯低通滤波器 卷积得到小波系数 ；

重复进行小波散射网络运算步骤到第3层，如下所示：

     （2）

数据经过小波散射网络后，每条数据的特征降维到349*4；

所述协同双向长短期记忆神经网络的框架图表达式为：

                        （3）

式中， 为前向LSTM层的输出， 为反向LSTM层的输出， 为BiLSTM叠加后的隐藏层的输出。

2.根据权利要求1所述的一种自动提取特征的压力容器气体泄漏声学识别方法，其特征在于，所述步骤1中采集装置包括空气压缩机、高压气瓶、减压阀、压力表、低压气瓶、精调阀、可拆卸安装拥有不同尺寸的圆形泄漏孔、声学传感器阵列、采集设备、上位机。

3.根据权利要求1所述的一种自动提取特征的压力容器气体泄漏声学识别方法，其特征在于，所述步骤1中采集信号时所设置的采样率为500kHz，采样间隔为0.5s，采样距离为

30cm和100cm，采样压力为0.2MPa和0.5MPa，泄漏孔径为0.2mm和0.5mm。

4.根据权利要求1所述的一种自动提取特征的压力容器气体泄漏声学识别方法，其特征在于，所述步骤2中数据预处理时，设定 时刻信号在第 层小波包分解后得到 个频带为 ，通过高通滤波器和低通滤波器对频带 进行分解，得到第 层子频带和 表达式：

               （1）

对前两个子带的信号进行重构，并将其余6个子带的小波系数都置为0，对预处理过后的信号取4096个数据点输入进步骤3的小波散射网络。

5.根据权利要求1所述的一种自动提取特征的压力容器气体泄漏声学识别方法，其特征在于，所述协同双向长短期记忆神经网络中利用Softmax层将隐藏层输出的分值转换成一个向量输出，向量的每个元素值在0到1之间，且所有元素之和为1，将网络训练的结果转化为概率表示；

运用sigmoid函数把所有的得分值映射到0到正无穷，sigmoid函数公式如下所示：                          （4）然后利用Softmax函数对正确的分类求得概率值，其Softmax函数如下所示：                         （5）。

6.根据权利要求1所述的一种自动提取特征的压力容器气体泄漏声学识别方法，其特征在于，所述协同双向长短期记忆神经网络参数设置如下：输入层Inputsize设置为349，隐藏单元设置为500，输出模式为“last”，将数据的最后一个元素作为输出，全连接层对应本方法辨识类型的数量，数量为9，训练参数采用Adam优化器，学习率为0.01，梯度阈值设置为1，损失函数选择交叉熵损失，每轮选取的小样本数量为1000个，最大迭代轮数为80，使用辨识准确率作为分类的评价指标，准确率 ，其中 为预测标签与检测样本实际标签相同的个数，N为检测样本的总个数。

7.一种自动提取特征的压力容器气体泄漏声学识别控制器，储存有运行权利要求1‑6任意一项所述的自动提取特征的压力容器气体泄漏声学识别方法程序。