CN105546352A - 基于声音信号的天然气管道微泄漏检测方法 - Google Patents
基于声音信号的天然气管道微泄漏检测方法 Download PDFInfo
- Publication number
- CN105546352A CN105546352A CN201510963312.7A CN201510963312A CN105546352A CN 105546352 A CN105546352 A CN 105546352A CN 201510963312 A CN201510963312 A CN 201510963312A CN 105546352 A CN105546352 A CN 105546352A
- Authority
- CN
- China
- Prior art keywords
- sound signal
- natural gas
- layer
- tiny leakage
- gas line
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
- F17D—PIPE-LINE SYSTEMS; PIPE-LINES
- F17D5/00—Protection or supervision of installations
- F17D5/005—Protection or supervision of installations of gas pipelines, e.g. alarm
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
- F17D—PIPE-LINE SYSTEMS; PIPE-LINES
- F17D5/00—Protection or supervision of installations
- F17D5/02—Preventing, monitoring, or locating loss
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
- F17D—PIPE-LINE SYSTEMS; PIPE-LINES
- F17D5/00—Protection or supervision of installations
- F17D5/02—Preventing, monitoring, or locating loss
- F17D5/06—Preventing, monitoring, or locating loss using electric or acoustic means
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Examining Or Testing Airtightness (AREA)
Abstract
本发明提供了一种基于声音信号的天然气管道微泄漏检测方法,将管道微泄漏时波动最强烈的声音信号作为主信号,将温度、压力、流量信号作为次信号,建立基于多参数的深度卷积神经网络,通过学习主信号和次信号的数据来确定天然气管道微泄漏概率,此外,针对多参数数据的异构性,设计一个深度受限玻尔兹曼机模型,对多参数数据进行预训练,获得最优权值矩阵和最优偏置值,作为深度卷积神经网络模型的权重初始值和偏置值初始值,该方法大大提高了管道微泄漏事故判定的准确率,降低了大型安全事故的发生,提高天然气管道事故抢险效率。
Description
技术领域
本发明涉及天然气输送管道安全检测技术领域,具体涉及一种基于声音信号的加气站管道微泄漏检测方法。
背景技术
天然气作为一种清洁能源,有效缓解能源的紧缺以及对环境的污染问题,得到了广泛利用。因此,压缩天然气(简称CNG)加气站成为了国家重要的基础设施建设项目。从2010年开始,CNG汽车以16%的速度逐年增长,加强CNG加气站建设的安全性具有重要的社会意义。据统计,全国的CNG加气站已经从2012年年底的2400座左右,增长至2013年六月底的3000座左右,天然气汽车新增47.3万辆,总保有量已达到157.7万辆,同比增长40%。
然而,随着CNG加气站数量的增加,安全事故的发生率也呈现逐渐上升之势。近几年,由于CNG加气站发生了多起安全事故,国家科技部重点开展对CNG汽车加气站安全性研究。一旦加气站发生安全事故,则会导致爆炸、爆燃、泄漏、爆脱、环境性损伤、机件解体或飞溅、设备内腐蚀、设备外腐蚀等严重后果和经济损失。
由于传感器安装的局限性和其自身物理特征的约束性,在天然气输送管道发生泄漏的初期很难实现微泄漏的检测。大量学者也主要关注于通过改善传感器精度和分析特定输送管道参数关系来提高安全事故发生的判断准确率,而对天然气输送管道微泄漏的检测少有研究,主要是因为以下关键问题:
(1)天然气泄漏初期传感器很难采集到数据,导致微泄漏扩展到较大的泄漏,带来巨大的人员和财产损失。由于传感器物理特性的限制,加气站的天然气输送管道泄漏初期传感器很难检测到数据,泄漏量必须达到一定数量后传感器才能够采集相关数据,但管道泄漏初期泄漏声音却异常突出,同时由于加气站环境复杂,噪音也比较明显。为了避免初期可及时处理的小问题演变成不可收拾的大事故,尽早正确检测天然气输送管道泄漏状况,也就是在管道微泄漏时正确判断事故发生是减低输送过程安全事故、提高泄漏事故抢险效率的有效途径之一。
(2)造成管道微泄漏的因素很多,这些因素中某些因素之间可以建立物理方程,但方程中很多参数现实中根本无法测量,且很难构建一个概率函数囊括所有的影响因素,因此现有方法通常着重于某几个参数值的分析,导致运算结果的不准确性。影响管道微泄漏的参数如温度、流量、压力,以及声音信号,很难找一个标准的方程组,完整的表达所有参数之间的关系。而且天然气管道不同采集变量具有不同的量纲,各变量取值之间具有较大的分散差异。
(3)对管道泄漏的研究经历了几个阶段,从纯物理方程到人工设定参数的概率推理,直到机器学习。现仍有大量研究着重于一个参数的物理结构来确定管道状态,评价误差较大。由于引入决策的参数数量越来越多,每个参数与微泄漏事故的关系度不好直接定义。某一参数判断结果的影响力表现为连接权重,传统采用随机生成0-1之间的数来避免过分强调某一参数的影响。这就带来了学习结果的巨大误差。其实,每个参数对判断结果的影响是有一定规律的,但不能采用人工或随机的方法来设定。
上述问题必然会影响快速、准确判断加气站管道微泄漏事故的发生,成为制约天然气输送科学发展、保障加气站安全的瓶颈。
发明内容
本申请通过提供一种基于声音信号的天然气管道微泄漏检测方法,利用管道微泄漏时波动最强烈的声音信号来弥补泄露初期传感器很难采集到数据的物理弱点,将管道微泄漏的声音信号作为主信号,将压力、温度、流量作为次信号共同建立深度卷积神经网络模型,通过学习主信号和次信号的数据来确定天然气管道微泄漏概率,此外,针对多参数数据的异构性,设计一个深度受限玻尔兹曼机模型,对多参数数据进行预训练,获得最优权值矩阵和最优偏置值,作为深度卷积神经网络模型的权重初始值和偏置值初始值,以解决管道微泄漏时难以快速、准确判断的技术问题。
为解决上述技术问题,本申请采用以下技术方案予以实现:
一种基于声音信号的天然气管道微泄漏检测方法,包括如下步骤:
S1:采集天然气管道微泄漏时的声音信号以及温度、压力、流量信号;
S2:对声音信号进行特征提取和去噪的预处理;
S3:设计一个深度受限玻尔兹曼机模型,对步骤S2预处理后的声音信号以及步骤S1采集到的温度、压力、流量信号的进行预训练,获得最优权值矩阵和最优偏置值,作为深度卷积神经网络模型的权重初始值和偏置值初始值;
S4:将步骤S3得到的最优权值矩阵和最优偏置值作为权重初始值和偏置值初始值,建立四层深度卷积神经网络模型,并利用该模型对天然气管道的微泄漏状况进行监测,其中,所述四层深度卷积神经网络模型包括一个输入层、两个隐藏层和一个输出层,输入层所输入的主信号为预处理后的声音信号,次信号为温度、压力和流量信号,输出层所输出的信号为天然气管道微泄漏概率,每个隐藏层均由卷积和下采样函数组成。
进一步地,步骤S4中具体包括如下步骤:
S41:取每个采样点预处理后的声音信号和对应的温度、压力、流量信号构成输入向量组;
S42:对输入数据进行卷积计算,得到式中,为第l层隐藏层第j个单元的输出值,f为激活函数,为第l层隐藏层第j个单元的偏置值,为第l-1层隐藏层第i个单元的输出值,为第l-1层隐藏层第i个单元的输出值到第l层隐藏层第j个单元的输出值之间的连接权值;
S43:设计基于窗口边界大小的下采样函数:对局部进行均值化,降低第二个隐藏层的输入量,式中,N为窗宽;
S44:设计输出函数的运算函数,输出管道微泄漏事故发生的概率。
进一步地,在每个隐藏层的输入端引入Dropout以降低数据的过拟合,即,在训练过程中将隐藏层节点的输出层以概率P清零,利用反向传播算法更新权值。
进一步地,在步骤S3中采用了Gibbs采样。
由于管道微泄漏检测的数据量较大,深度卷积神经网络的初始权重会直接影响最终效果和学习的时间,为了提高深度卷积神经网络的学习能力,本发明设计了一种深度受限玻尔兹曼机模型对采样的数据进行预训练,获得最优权值矩阵和最优偏置值,作为深度卷积神经网络模型的权重初始值和偏置值初始值。步骤S3的具体步骤为:
S31:利用Gibbs采样,将步骤S2预处理后的声音信号作为样本属性,建立其他所有属性在该样本属性下的条件概率,获得各个属性的样本值x1=(x1,x2,…xn);
S32:设计样本值的编码方法,构建权值函数,计算隐藏节点特征取值概率分布,使得x1=(x1,x2,…,xn)→y=(y1,y2,…,ym);
S33:设计解码方法,构建权值函数,计算隐藏节点映射的概率分布,获取y=(y1,y2,…,ym)→x2=(x′1,x′2,…,x′n);
S34:不断学习更新能量函数,得到最优权值矩阵和最优偏置值。
不断学习更新能量函数,使得x1与x2空间尽可能地接近,最终实现解码结果与编码输入的相似,此时的权重值为最优。
天然气管道发生微泄漏时,波动最强烈的因素是声音信号,针对环境复杂而带来的杂音,需要提取声音信号的特征信息,并去除其中的噪声,步骤S2中对声音信号进行预处理的具体步骤包括:
S21:将采集到的声音信号进行离散傅里叶变换,转化为浮点型数值数据;
S22:对转化后的声音信号进行加窗处理,转化到Melfilter域上;
S23:进行离散余弦变换提取特征参数式中,mk为步骤S22转化所得的梅尔滤波系数,q为滤波器阶数,k=1,2,…q。
S24:采用倒谱均值归一化算法进行去噪,即:E(t)=c(t)-m(t),式中,E(t)为深度卷积神经网络的声音信号输入变量,倒谱均值μ为每次计算的更新步长,N为窗宽,且满足
进一步地,步骤S42中选取sigmoid函数作为激活函数。
由于管道微泄漏检测的数据量较大,深度卷积神经网络的初始权重会直接影响最终效果和学习的时间,为了提高深度卷积神经网络的学习能力,本发明设计了一种深度受限玻尔兹曼机模型对采样的数据进行预训练,获得最优权值矩阵和最优偏置值,作为深度卷积神经网络模型的权重初始值和偏置值初始值,步骤S3中具体包括如下步骤:
与现有技术相比,本申请提供的技术方案,具有的技术效果或优点是:
该方法大大提高了管道微泄漏事故判定的速度和准确率,降低了大型安全事故的发生,提高了天然气管道事故抢险效率。
附图说明
图1为本发明结构示意图。
具体实施方式
本申请实施例通过提供一种基于声音信号的天然气管道微泄漏检测方法,利用管道微泄漏时波动最强烈的声音信号来弥补泄露初期传感器很难采集到数据的物理弱点,将管道微泄漏的声音信号作为主信号,将压力、温度、流量作为次信号共同建立深度卷积神经网络模型,通过学习主信号和次信号的数据来确定天然气管道微泄漏概率,此外,针对多参数数据的异构性,设计一个深度受限玻尔兹曼机模型,对多参数数据进行预训练,获得最优权值矩阵和最优偏置值,作为深度卷积神经网络模型的权重初始值和偏置值初始值,以解决管道微泄漏时难以快速、准确判断的技术问题。
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式,对上述技术方案进行详细的说明。
一种基于声音信号的天然气管道微泄漏检测方法,包括如下步骤:
S1:采集天然气管道微泄漏时的声音信号以及温度、压力、流量信号;
S2:对声音信号进行特征提取和去噪的预处理;
S3:设计一个深度受限玻尔兹曼机模型,对步骤S2预处理后的声音信号以及步骤S1采集到的温度、压力、流量信号的进行预训练,获得最优权值矩阵和最优偏置值,作为深度卷积神经网络模型的权重初始值和偏置值初始值;
S4:将步骤S3得到的最优权值矩阵和最优偏置值作为权重初始值和偏置值初始值,建立四层深度卷积神经网络模型,并利用该模型对天然气管道的微泄漏状况进行监测,其中,所述四层深度卷积神经网络模型包括一个输入层、两个隐藏层和一个输出层,输入层所输入的主信号为预处理后的声音信号,次信号为温度、压力和流量信号,输出层所输出的信号为天然气管道微泄漏概率,每个隐藏层均由卷积和下采样函数组成。
图1所示为本发明的结构示意图。
天然气管道发生微泄漏时,波动最强烈的因素是声音信号,针对环境复杂而带来的杂音,需要提取声音信号的特征信息,并去除其中的噪声,步骤S2中对声音信号进行预处理的具体步骤包括:
S21:将采集到的声音信号进行离散傅里叶变换,转化为浮点型数值数据;
S22:对转化后的声音信号进行加窗处理,转化到Melfilter域上;
S23:进行离散余弦变换提取特征参数式中,mk为步骤S22转化所得的梅尔滤波系数,q为滤波器阶数,k=1,2,…q。
S24:采用倒谱均值归一化算法进行去噪,即:E(t)=c(t)-m(t),式中,E(t)为深度卷积神经网络的声音信号输入变量,倒谱均值μ为每次计算的更新步长,N为窗宽,且满足
由于管道微泄漏检测的数据量较大,深度卷积神经网络的初始权重会直接影响最终效果和学习的时间,为了提高深度卷积神经网络的学习能力,本发明设计了一种深度受限玻尔兹曼机模型对采样的数据进行预训练,获得最优权值矩阵和最优偏置值,作为深度卷积神经网络模型的权重初始值和偏置值初始值。步骤S3的具体步骤为:
S31:利用Gibbs采样,将步骤S2预处理后的声音信号作为样本属性,建立其他所有属性在该样本属性下的条件概率,获得各个属性的样本值x1=(x1,x2,…xn);
S32:设计样本值的编码方法,构建权值函数,计算隐藏节点特征取值概率分布,使得x1=(x1,x2,…,xn)→y=(y1,y2,…,ym);
S33:设计解码方法,构建权值函数,计算隐藏节点映射的概率分布,获取y=(y1,y2,…,ym)→x2=(x′1,x′2,…,x′n);
S34:不断学习更新能量函数,得到最优权值矩阵和最优偏置值。
不断学习更新能量函数,使得x1与x2空间尽可能地接近,最终实现解码结果与编码输入的相似,此时的权重值为最优。
进一步地,步骤S4中具体包括如下步骤:
S41:取每个采样点预处理后的声音信号和对应的温度、压力、流量信号构成输入向量组;
S42:对输入数据进行卷积计算,得到式中,为第l层隐藏层第j个单元的输出值,f为激活函数,为第l层隐藏层第j个单元的偏置值,为第l-1层隐藏层第i个单元的输出值,为第l-1层隐藏层第i个单元的输出值到第l层隐藏层第j个单元的输出值之间的连接权值;
S43:设计基于窗口边界大小的下采样函数:对局部进行均值化,降低第二个隐藏层的输入量,式中,N为窗宽;具体来说,down函数是由2*2=4个点下采样为1个点,也就是4个数的加权平均,这样降低了下一层的输入信息量和计算复杂度;
S44:设计输出函数的运算函数,输出管道微泄漏事故发生的概率。
进一步地,在每个隐藏层的输入端引入Dropout以降低数据的过拟合,即,在训练过程中将隐藏层节点的输出层以概率P清零,利用反向传播算法更新权值。
进一步地,步骤S42中选取sigmoid函数作为激活函数。
本申请的上述实施例中,通过提供一种基于声音信号的天然气管道微泄漏检测方法,将管道微泄漏时波动最强烈的声音信号作为主信号,将温度、压力、流量信号作为次信号,建立基于多参数的深度卷积神经网络,通过学习主信号和次信号的数据来确定天然气管道微泄漏概率,此外,针对多参数数据的异构性,设计一个深度受限玻尔兹曼机模型,对多参数数据进行预训练,获得最优权值矩阵和最优偏置值,作为深度卷积神经网络模型的权重初始值和偏置值初始值,该方法大大提高了管道微泄漏事故判定的速度和准确率,降低了大型安全事故的发生,提高了天然气管道事故抢险效率。
应当指出的是,上述说明并非是对本发明的限制,本发明也并不仅限于上述举例,本技术领域的普通技术人员在本发明的实质范围内所做出的变化、改性、添加或替换,也应属于本发明的保护范围。
Claims (6)
1.一种基于声音信号的天然气管道微泄漏检测方法,其特征在于,包括如下步骤:
S1:采集天然气管道微泄漏时的声音信号以及温度、压力、流量信号;
S2:对声音信号进行特征提取和去噪的预处理;
S3:设计一个深度受限玻尔兹曼机模型,对步骤S2预处理后的声音信号以及步骤S1采集到的温度、压力、流量信号的进行预训练,获得最优权值矩阵和最优偏置值,作为深度卷积神经网络模型的权重初始值和偏置值初始值;
S4:将步骤S3得到的最优权值矩阵和最优偏置值作为权重初始值和偏置值初始值,建立四层深度卷积神经网络模型,并利用该模型对天然气管道的微泄漏状况进行监测,其中,所述四层深度卷积神经网络模型包括一个输入层、两个隐藏层和一个输出层,输入层所输入的主信号为预处理后的声音信号,次信号为温度、压力和流量信号,输出层所输出的信号为天然气管道微泄漏概率,每个隐藏层均由卷积和下采样函数组成。
2.根据权利要求1所述的基于声音信号的天然气管道微泄漏检测方法,其特征在于,步骤S4中具体包括如下步骤:
S41:取每个采样点预处理后的声音信号和对应的温度、压力、流量信号构成输入向量组;
S42:对输入数据进行卷积计算,得到式中,为第l层隐藏层第j个单元的输出值,f为激活函数,为第l层隐藏层第j个单元的偏置值,为第l-1层隐藏层第i个单元的输出值,为第l-1层隐藏层第i个单元的输出值到第l层隐藏层第j个单元的输出值之间的连接权值;
S43:设计基于窗口边界大小的下采样函数:对局部进行均值化,降低第二个隐藏层的输入量,式中,N为窗宽;
S44:设计输出函数的运算函数,输出管道微泄漏事故发生的概率。
3.根据权利要求2所述的基于声音信号的天然气管道微泄漏检测方法,其特征在于,在每个隐藏层的输入端引入Dropout以降低数据的过拟合,即,在训练过程中将隐藏层节点的输出层以概率P清零,利用反向传播算法更新权值。
4.根据权利要求1所述的基于声音信号的天然气管道微泄漏检测方法,其特征在于,步骤S3中采用了Gibbs采样。
5.根据权利要求1所述的基于声音信号的天然气管道微泄漏检测方法,其特征在于,步骤S2中对声音信号进行预处理的具体步骤包括:
S21:将采集到的声音信号进行离散傅里叶变换,转化为浮点型数值数据;
S22:对转化后的声音信号进行加窗处理,转化到Melfilter域上;
S23:进行离散余弦变换提取特征参数式中,mk为步骤S22转化所得的梅尔滤波系数,q为滤波器阶数,k=1,2,…q。
S24:采用倒谱均值归一化算法进行去噪,即:E(t)=c(t)-m(t),式中,E(t)为深度卷积神经网络的声音信号输入变量,倒谱均值μ为每次计算的更新步长,N为窗宽,且满足
6.根据权利要求2所述的基于声音信号的天然气管道微泄漏检测方法,其特征在于,步骤S42中选取sigmoid函数作为激活函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510963312.7A CN105546352A (zh) | 2015-12-21 | 2015-12-21 | 基于声音信号的天然气管道微泄漏检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510963312.7A CN105546352A (zh) | 2015-12-21 | 2015-12-21 | 基于声音信号的天然气管道微泄漏检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105546352A true CN105546352A (zh) | 2016-05-04 |
Family
ID=55825751
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510963312.7A Pending CN105546352A (zh) | 2015-12-21 | 2015-12-21 | 基于声音信号的天然气管道微泄漏检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105546352A (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105956577A (zh) * | 2016-05-20 | 2016-09-21 | 重庆科技学院 | 基于随机共振的输气管道微泄漏音波信号特征提取方法 |
CN107313808A (zh) * | 2016-06-12 | 2017-11-03 | 中国石油化工股份有限公司 | 易燃气体浓度监测和预警的方法 |
CN109816937A (zh) * | 2019-03-29 | 2019-05-28 | 淮阴工学院 | 一种罐车的气体泄漏预警系统及方法 |
CN110145695A (zh) * | 2019-06-03 | 2019-08-20 | 大连理工大学 | 一种基于深度置信网络信息融合的供暖管道泄漏检测方法 |
CN110185939A (zh) * | 2019-05-16 | 2019-08-30 | 西北工业大学 | 基于卷积神经网络的气体管道泄漏识别方法 |
CN110841142A (zh) * | 2019-10-22 | 2020-02-28 | 江苏爱朋医疗科技股份有限公司 | 一种用于预测输液管路堵塞的方法及系统 |
CN110841143A (zh) * | 2019-10-22 | 2020-02-28 | 江苏爱朋医疗科技股份有限公司 | 一种用于预测输液管路状态的方法及系统 |
CN110989016A (zh) * | 2019-12-26 | 2020-04-10 | 山东师范大学 | 一种基于移动终端的非视野区域管线勘测系统及方法 |
CN112413414A (zh) * | 2020-12-11 | 2021-02-26 | 大连海心信息工程有限公司 | 一种供热管网泄漏的综合检测方法 |
CN112907095A (zh) * | 2021-03-05 | 2021-06-04 | 国家能源集团谏壁发电厂 | 基于改进bp神经网络的火电机组智能泄漏监测方法 |
CN112949817A (zh) * | 2020-12-24 | 2021-06-11 | 长江勘测规划设计研究有限责任公司 | 基于时间卷积神经网络的给水管泄漏边缘设备检测方法 |
CN113063100A (zh) * | 2019-12-30 | 2021-07-02 | 北京国双科技有限公司 | 管道泄漏的检测方法及装置 |
CN114838296A (zh) * | 2022-02-25 | 2022-08-02 | 重庆兆光科技股份有限公司 | 一种基于天然气用户使用序列的管道泄漏诊断方法及系统 |
CN115640915A (zh) * | 2022-12-19 | 2023-01-24 | 成都秦川物联网科技股份有限公司 | 一种智慧燃气管网压缩机安全管理方法和物联网系统 |
CN115949891A (zh) * | 2023-03-09 | 2023-04-11 | 天津佰焰科技股份有限公司 | 一种lng加气站智能控制系统及其控制方法 |
CN116150566A (zh) * | 2023-04-20 | 2023-05-23 | 浙江浙能迈领环境科技有限公司 | 船舶燃料供应安全监测系统及其方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1183588A (ja) * | 1997-09-10 | 1999-03-26 | Matsushita Electric Ind Co Ltd | ガス遮断装置 |
CN101196872A (zh) * | 2007-11-19 | 2008-06-11 | 清华大学 | 基于压力和声波信息融合的泄漏检测定位方法 |
CN101539241A (zh) * | 2009-05-07 | 2009-09-23 | 北京航空航天大学 | 一种管道泄漏监测网络的层级式多源数据融合方法 |
CN104061445A (zh) * | 2014-07-09 | 2014-09-24 | 中国石油大学(华东) | 一种基于神经网络的管道泄漏检测方法 |
CN104373821A (zh) * | 2014-11-21 | 2015-02-25 | 天津科技大学 | 基于声学主动激励的天然气管道安全监测装置 |
CN104654024A (zh) * | 2015-02-12 | 2015-05-27 | 常州大学 | 一种广义回归神经网络城市燃气管道泄漏定位分析方法 |
-
2015
- 2015-12-21 CN CN201510963312.7A patent/CN105546352A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1183588A (ja) * | 1997-09-10 | 1999-03-26 | Matsushita Electric Ind Co Ltd | ガス遮断装置 |
CN101196872A (zh) * | 2007-11-19 | 2008-06-11 | 清华大学 | 基于压力和声波信息融合的泄漏检测定位方法 |
CN101539241A (zh) * | 2009-05-07 | 2009-09-23 | 北京航空航天大学 | 一种管道泄漏监测网络的层级式多源数据融合方法 |
CN104061445A (zh) * | 2014-07-09 | 2014-09-24 | 中国石油大学(华东) | 一种基于神经网络的管道泄漏检测方法 |
CN104373821A (zh) * | 2014-11-21 | 2015-02-25 | 天津科技大学 | 基于声学主动激励的天然气管道安全监测装置 |
CN104654024A (zh) * | 2015-02-12 | 2015-05-27 | 常州大学 | 一种广义回归神经网络城市燃气管道泄漏定位分析方法 |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105956577A (zh) * | 2016-05-20 | 2016-09-21 | 重庆科技学院 | 基于随机共振的输气管道微泄漏音波信号特征提取方法 |
CN107313808A (zh) * | 2016-06-12 | 2017-11-03 | 中国石油化工股份有限公司 | 易燃气体浓度监测和预警的方法 |
CN109816937A (zh) * | 2019-03-29 | 2019-05-28 | 淮阴工学院 | 一种罐车的气体泄漏预警系统及方法 |
CN110185939A (zh) * | 2019-05-16 | 2019-08-30 | 西北工业大学 | 基于卷积神经网络的气体管道泄漏识别方法 |
CN110145695A (zh) * | 2019-06-03 | 2019-08-20 | 大连理工大学 | 一种基于深度置信网络信息融合的供暖管道泄漏检测方法 |
CN110841142B (zh) * | 2019-10-22 | 2022-03-08 | 江苏爱朋医疗科技股份有限公司 | 一种用于预测输液管路堵塞的方法及系统 |
CN110841142A (zh) * | 2019-10-22 | 2020-02-28 | 江苏爱朋医疗科技股份有限公司 | 一种用于预测输液管路堵塞的方法及系统 |
CN110841143A (zh) * | 2019-10-22 | 2020-02-28 | 江苏爱朋医疗科技股份有限公司 | 一种用于预测输液管路状态的方法及系统 |
CN110989016A (zh) * | 2019-12-26 | 2020-04-10 | 山东师范大学 | 一种基于移动终端的非视野区域管线勘测系统及方法 |
CN110989016B (zh) * | 2019-12-26 | 2022-06-24 | 山东师范大学 | 一种基于移动终端的非视野区域管线勘测系统及方法 |
CN113063100A (zh) * | 2019-12-30 | 2021-07-02 | 北京国双科技有限公司 | 管道泄漏的检测方法及装置 |
CN112413414A (zh) * | 2020-12-11 | 2021-02-26 | 大连海心信息工程有限公司 | 一种供热管网泄漏的综合检测方法 |
CN112949817A (zh) * | 2020-12-24 | 2021-06-11 | 长江勘测规划设计研究有限责任公司 | 基于时间卷积神经网络的给水管泄漏边缘设备检测方法 |
CN112907095A (zh) * | 2021-03-05 | 2021-06-04 | 国家能源集团谏壁发电厂 | 基于改进bp神经网络的火电机组智能泄漏监测方法 |
CN114838296A (zh) * | 2022-02-25 | 2022-08-02 | 重庆兆光科技股份有限公司 | 一种基于天然气用户使用序列的管道泄漏诊断方法及系统 |
CN114838296B (zh) * | 2022-02-25 | 2023-08-25 | 重庆兆光科技股份有限公司 | 一种基于天然气用户使用序列的管道泄漏诊断方法及系统 |
CN115640915A (zh) * | 2022-12-19 | 2023-01-24 | 成都秦川物联网科技股份有限公司 | 一种智慧燃气管网压缩机安全管理方法和物联网系统 |
CN115640915B (zh) * | 2022-12-19 | 2023-03-10 | 成都秦川物联网科技股份有限公司 | 一种智慧燃气管网压缩机安全管理方法和物联网系统 |
US11906112B2 (en) | 2022-12-19 | 2024-02-20 | Chengdu Qinchuan Iot Technology Co., Ltd | Methods for safety management of compressors in smart gas pipeline network and internet of things systems thereof |
CN115949891A (zh) * | 2023-03-09 | 2023-04-11 | 天津佰焰科技股份有限公司 | 一种lng加气站智能控制系统及其控制方法 |
CN115949891B (zh) * | 2023-03-09 | 2023-05-23 | 天津佰焰科技股份有限公司 | 一种lng加气站智能控制系统及其控制方法 |
CN116150566A (zh) * | 2023-04-20 | 2023-05-23 | 浙江浙能迈领环境科技有限公司 | 船舶燃料供应安全监测系统及其方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105546352A (zh) | 基于声音信号的天然气管道微泄漏检测方法 | |
Wang et al. | Burst detection in district metering areas using deep learning method | |
CN109654384B (zh) | 基于pso-vmd算法的管道泄漏检测装置及检测方法 | |
Kopbayev et al. | Gas leakage detection using spatial and temporal neural network model | |
Shi et al. | Probabilistic real-time deep-water natural gas hydrate dispersion modeling by using a novel hybrid deep learning approach | |
CN111853555B (zh) | 一种基于动态过程的供水管网暗漏识别方法 | |
CN110751073A (zh) | 基于分布式光纤传感和深度学习的管道早期损伤模式识别方法 | |
CN103953490A (zh) | 基于hlsne的水轮机组状态监测实现方法 | |
CN112097126B (zh) | 一种基于深度神经网络的供水管网爆管管道精确识别方法 | |
CN103488906A (zh) | 阀门内漏缺陷类型识别与内漏速率计算的方法 | |
CN107917341B (zh) | 一种输油管道泄漏检测方法及装置 | |
Zheng et al. | An online real-time estimation tool of leakage parameters for hazardous liquid pipelines | |
CN111022941A (zh) | 一种基于lstm循环神经网络的天然气管道泄漏检测方法 | |
CN101226078A (zh) | 一种基于分布式光纤传感器的长距离线性结构异常振动的检测方法 | |
CN103870670A (zh) | 一种油管腐蚀程度预测方法及装置 | |
CN116086790B (zh) | 氢燃料电池高压阀的性能检测方法及其系统 | |
CN103678938B (zh) | 一种面向空间形状和误差范围的退化模型一致性检验方法 | |
CN106971066A (zh) | 基于神经网络模型预报地磁暴的方法 | |
CN111666529A (zh) | 一种海浪数据处理及波浪谱生成方法 | |
Wang et al. | Pipeline leak detection method based on acoustic-pressure information fusion | |
CN111365624A (zh) | 一种输卤管道泄漏检测的智能终端与方法 | |
CN113343402B (zh) | 基于多层卷积稀疏编码的管道腐蚀等级评估方法 | |
Song et al. | An intelligent data-driven model for virtual flow meters in oil and gas development | |
CN114444663A (zh) | 一种基于时间卷积网络的供水管网泄漏检测与定位方法 | |
CA3110977A1 (en) | Detecting and quantifying liquid pools in hydrocarbon fluid pipelines |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160504 |
|
RJ01 | Rejection of invention patent application after publication |