CN109886433A - 智能识别城市燃气管道缺陷的方法 - Google Patents
智能识别城市燃气管道缺陷的方法 Download PDFInfo
- Publication number
- CN109886433A CN109886433A CN201910102828.0A CN201910102828A CN109886433A CN 109886433 A CN109886433 A CN 109886433A CN 201910102828 A CN201910102828 A CN 201910102828A CN 109886433 A CN109886433 A CN 109886433A
- Authority
- CN
- China
- Prior art keywords
- layer
- pipeline
- dbn
- model
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000007547 defect Effects 0.000 title claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 36
- 239000010410 layer Substances 0.000 claims description 81
- 238000003745 diagnosis Methods 0.000 claims description 21
- 238000012360 testing method Methods 0.000 claims description 19
- 238000001514 detection method Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000002474 experimental method Methods 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 3
- 239000011229 interlayer Substances 0.000 claims description 2
- 230000001537 neural effect Effects 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 claims 3
- 238000007476 Maximum Likelihood Methods 0.000 claims 1
- 238000013459 approach Methods 0.000 claims 1
- 230000004888 barrier function Effects 0.000 claims 1
- 238000011010 flushing procedure Methods 0.000 claims 1
- 238000004519 manufacturing process Methods 0.000 claims 1
- 238000011056 performance test Methods 0.000 claims 1
- 238000012423 maintenance Methods 0.000 abstract description 2
- 238000000605 extraction Methods 0.000 abstract 1
- 239000007789 gas Substances 0.000 description 28
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 8
- 239000002737 fuel gas Substances 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000002405 diagnostic procedure Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 239000003345 natural gas Substances 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 238000013480 data collection Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000032258 transport Effects 0.000 description 3
- 208000037656 Respiratory Sounds Diseases 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007257 malfunction Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 229910000975 Carbon steel Inorganic materials 0.000 description 1
- 208000003443 Unconsciousness Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000010962 carbon steel Substances 0.000 description 1
- 239000000567 combustion gas Substances 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000002542 deteriorative effect Effects 0.000 description 1
- 229910001651 emery Inorganic materials 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Landscapes
- Pipeline Systems (AREA)
Abstract
本发明提供一种智能识别城市燃气管道缺陷的方法，该方法基于深度置信网络(DBN)通过利用声发射检测仪采集到的管道特征信号建立数据集经过多次训练构建深度置信网络模型，结合管道故障类型来完成对城市燃气管道的故障分类。深度置信网络模型能够将底层特征组合更加抽象化的表达高级特征，更加准确的识别管道特征信号，避免了人工提取的不确定性，有效的提高了管道故障特征提取的准确性，为管道的日常维护管理提供了依据，使燃气管网在运行中更加安全可靠。
Description
技术领域
本发明涉及燃气管道运行状态检测技术领域，特别是涉及一种基于深度置信网络模型的智能识别城市燃气管道缺陷的方法。
背景技术
随着天然气和液化气的快速发展，天然气和液化气输运管道铺设的长度越来越长，范围也越来越广。但是输运液化气与天然气的管道大多数都错综复杂地分布于地下，少许的管道分布在地面之上。连续输运液化气与天然气的管道一旦出现人们未发觉的泄漏情况，就会很容易发生连锁反应造成重特大事故。城市燃气作为人们日常生活中不可或缺的一部分，燃气管道能否正常运行直接影响到市民是否可以正常的生活，因此对燃气管道进行泄漏检测研究对于保证人们的正常生活有重要的意义，也为国家的稳定和发展提供了一个基本保障。
目前常用的检测方法都是以长距离输送管道为主，而城市燃气管网由于其地形复杂且容易受到人为的影响，传统的检测方法并不适用，因此结合深度置信网络模型能够对从底层分析数据抽取数据特征，结合softmax分类器提出了一种基于深度置信网络的城市燃气管网故障识别方法及诊断装置。
发明内容
本发明所要解决的技术问题是：有鉴于此，本发明提供一种智能识别城市燃气管道缺陷的方法，以解决现有长输管道检测方法的不适用于城市燃气管道、工作效率低、浪费人力物力、不能精确发现问题及工作量巨大等问题。
本发明解决其技术问题所要采用的技术方案是：一种智能识别城市燃气管道缺陷的方法，包括信号采集、数据预处理及数据集的建立、DBN模型构建训练及微调、管道故障诊断几部分，具体步骤如下：
步骤1，实验室中模拟管道运行状态搭建城市管道故障诊断实验平台，利用声发射检测仪采集管道声发射信号。
步骤2，确定特征参数，将采集到的信号经过小波变换消噪处理后，进一步进行归一标准化对数据进行预处理，并划分为测试集和训练集。
步骤3，构建DBN模型，使用经典机器学习数据集对其测试。
步骤4，对管道运行中不同工况进行分类，并将网络模型的结构和相关参数进行初始化包括确定DBN模型层数、节点数、迭代次数等构建基于DBN的城市燃气管网故障识别模型。
步骤5，输入数据集内管道故障特征信号数据对待测管道进行故障诊断。
进一步，步骤1中，一种智能识别城市燃气管道缺陷的装置及方法信号采集部分由工业计算机(XP系统)、声发射卡(PCI-Ⅱ型双通道)、滤波范围为20～120KHz的S/N2462026504型声发射前置放大器、声发射传感器(型号为R15、单端宽频带)以及对应处理软件组成。数据采集系统内置十八位A/D转换处理器，其频率响应范围为3K～3MHz，可对声发射信号波形以及特征参数进行高精度的采集和处理。
步骤2中，由于城市燃气管道的结构和材质方面有很大的差异，致使燃气管道发生故障产生的声发射信号可能被其他信号或环境噪声遮盖。因为小波变换技术能够较好地鉴别声发射信号和噪声，因此选用此技术对采集到的原始数据进行消噪预处理。
假设把原始声发射信号定义为：
S(t)＝N(t)+f(t)(t＝0,1,2,3…，n-1)
式中：S(t)表示最初始的声发射信号，f(t)表示较为真实的声发射信号，N(t)表示噪声信号。
运用声发射系统对城市中铺设的燃气管道进行故障检测，选取相应的小波系数门限值对高频段信号筛选，把噪声从原始信号中剥离出来。
为了降低数据之间的差异利用标准化公式对降噪后的数据进行标准化处理使其在[0.1]区间内。
步骤3中，构建DBN模型，使用经典机器学习数据集对其验证，DBN网络由多个受限玻尔兹曼机单元堆叠而成，其中RBM一共有两层，上层为隐层，下层为显层。前一个RBM的输出层(隐层)作为下一个RBM单元的输入层(显层)，依次堆叠，便构成了基本的DBN结构，最后再添加一层输出层，就是DBN结构。受限波尔兹曼机器是一种基于能量的典型模型，其包括可见层和隐含层，其中v和h分别表示可见层和隐含层，w为两层之间的联系，即权重，两层中的神经元均相互独立，没有任何连接。
假设可见层和隐含层是二进制变量，可见层和隐含层中的神经元数量分别为i和j；vi表示可见层中第i个神经元的状态，hj表示隐含层中第j个神经元的状态。由于RBM具有单向加权连接的特点，所以能够采用无监督的方式来学习RBM中输入的特征信息。将最大似然理论用于训练RBM，训练的目的是通过调整权重和偏差来增加输入数据p(v)的概率。根据式(3-15)和式(3-16)能够更新可见层与隐含层间的权重。
在上式中，m表示动量，主要是表征学习的速度；r表示学习率，其能够表征噪音消除与重构误差；d代表权重衰减，惩罚的权重旨在提供更好地测试数据的性能。上式也体现了偏差ai和bi的调整过程。
原始可见数据和重构误差之间的平方误差可以很容易地计算出来，但并不适用于监测训练过程。因为RBM训练的目标是最大限度地提高输入数据的可行性，而不是尽量减小重构误差，尽管他们之间是相关的。重构误差的增加并不一定表明模型正在恶化。验证数据的概率开始下降，训练过程就应该被终止，在训练过程中引入了另一个称为自由能的变量。自由能F(vdata)下式定义：
在训练过程的每个时期，我们分别计算训练数据集的平均自由能力和验证数据集。平均自由能会随着模型性能的提升而下降，随着模型开始超载，验证数据的平均自由能将对于训练数据的平均自由能上升，与验证/训练数据的平均可再生能源差距代表了过度配套的程度。
在基于DBN网络的无监督训练方法中，DBN可以作为一个自动编码器，对每个数据进行编码或映射到一个高维空间而不需要标签。每个数据的抽象表示被视为该数据的特征向量fv。最后，距离度量(或相似性度量)应用于给定对p(xi，yi)的特征向量以确定匹配或不匹配对，这种方法方法是数据二进制标签之间的转换。
步骤1中，使用0.5mmHB铅笔进行断铅试验来模拟管道疲劳裂纹的故障，用砂布快速打磨管道来模拟管道因冲刷造成的故障，用金属棒敲击管道来模拟腐蚀、焊缝缺陷引起的故障，并采集管道正常输运状态下的数据信号。试验工况描述如表1。
表1试验工况描述
在步骤5中，进一步将训练样本输入到已建立的基于DBN的管道故障诊断模型中，将数据输入顶层RBM中，并将其输出的数据作为下一层的输入数据进行训练，逐次进行下去直至所有的训练RBM学习完成。步骤6中，依据训练样本中带标签的数据和分类误差，从DBN模型中的顶层向最低层逐层进行参数微调，直到完成整个DBN模型的训练。
步骤7中，通过样本数据集里已有的故障数据对待测管道进行故障诊断。其中的数据集是指采集到的经预处理后管道故障特征参数构成的样本集，将样本集输入基于DBN的城市燃气管网故障识别模型中得出结果。
本发明的有益效果是：本发明提供的一种智能识别城市燃气管道缺陷的方法，基于深度置信网络的管道缺陷诊断方法，提高了管道缺陷识别诊断的智能性，这种管道缺陷识别模型方法通过深度置信网络的学习和识别能力，能够高效、精准地识别出管道所处的故障状态，弥补了传统人工识别不确定性高的不足，为保证城市燃气管道安全运行工作提供了依据。
附图说明
下面结合附图和实施例对本发明作进一步说明。
图1是DBN网络模型图。
图2是限制玻尔兹曼机模型图。
图3是实验室管道声发射检测系统简图。
图4是基于DBN网络模型的管道缺陷识别模型图。
图5是DBN参数选择流程图。
图6是本发明的总体流程图。
具体实施方式
现在结合附图对本发明作详细的说明。此图为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。
如图1-图6所示，本发明的一种智能识别城市燃气管道缺陷的方法，包括以下步骤：
步骤1.依据实验室模型建立的有效性、多面性、简单性在实验室中建立城市燃气管道故障模拟试验模型，该模型主要是由管道输运、数据采集和仪表仪器三个单元构成，模型试验装置图如图3所示，包括空气压缩机、球阀1、缓冲罐、球阀2、声发射传感器、计算机、6个泄漏阀、3个压力变送器、3个流量变送器。
在管道输送单元中，用连接额定压力0.3～1.2Mpa的空气压缩机规格为直径25mm、壁厚5mm的20号碳素钢管系统模拟燃气管道系统，向管道中输送流动空气模拟燃气在管道中运行输送状态，总体布置四圈盘绕的长方形(上下圈间隔320mm)，在输送管道上布置6个阀门来模拟管道故障点。
数据采集单元由工业计算机、声发射卡(PCI-Ⅱ型双通道)、滤波范围为20～120KHz的S/N2462026504型声发射前置放大器、声发射传感器(型号为R15、单端宽频带)以及对应处理软件组成。数据采集系统内置十八位A/D转换处理器，其频率响应范围为3K～3MHz，可以对采集的对声发射信号波形以及特征参数进行高精度的采集和处理满足本方法需要。
在仪器仪表单元中，转子流量变送器、温度传感器及压力表主要用于监测管道系统的整体运行状态。
首先，在气体管道的故障模拟点(阀门)处的两端安置两个检测声发射信号的传感器，分别采集若干周期的管道运行正常、裂纹、冲刷、腐蚀的信号数据，将这里的故障定义为裂纹、冲刷、腐蚀引起的管道泄漏状况，通过已固定的声发射传感器来获取信号。
步骤2：实验数据采集过程如下：打开空气压缩机对管道进行加压，当管道内压力达到0.3MPa～0.5MPa区间内时关闭空气压缩机。采集管道不同运行状态下模拟故障点处的声发射信号，其中主要是通过传感器来获取各特征参数，选取持续时间、幅值、事件计数、振铃计数、绝对能量、上升时间、有效值电平和平均信号电平这8个参数作为诊断模型的初始数据。采集信号后利用小波变换法进行消噪处理后的声发射信号作为管道故障特征信号。
为了缩小数据间的差异性使计算更加精确，将采集到的管道故障特征信号利用归一化公式进行标准化处理：
式中：xnew为标准化后特征值；x为特征参数原来的值；xmean为x所占各参数值总量的均值；xstd表示该特征参数的标准差值。
共选取预处理后2500组去标签数据作为模型学习的预训练集，选取600组管道正常、故障状态的带标签数据作为调节模型的测试集与微调集，其比例为1:2，表2展示了故障和正常状态的样本集。将调节好的模型用于管道故障诊断试验。
表2不同管道运行状态的样本集
步骤3：建立DBN模型，用经典学习数据进行测试验证；
深度信念网络是含有许多隐含层的生成模型，主要分为两个阶段，第一阶段是向前堆叠RBM训练学习，第二阶段是向后微调学习。由于含有三个RBM结构的深度信念网络在实际工程的分类应用中有较好的结果，因此在这里也选用具有三个RBM结构的深度信念网络，此时的DBN就由一个输入层，三个RBM和一个输出层构成。
如图4所示为深度置信网络诊断模型，下面结合附图进行具体说明。
步骤3.对管道运行中不同工况进行分类，并将网络模型的结构和相关参数进行初始化包括确定DBN模型层数、节点数、迭代次数等构建基于DBN的城市燃气管道缺陷识别模型。
结合实际情况，将实验中的工况分为以下四类，基于DBN网络的城市燃气管网缺陷检测模型的诊断输出结果也分为以下四种：
表3试验工况描述
结合DBN理论，迭代次数、节点数和样本长度等参数选取的主要步骤如下：
结合图5说明，设置管道故障识别率的目标值Qm，最大迭代次数Km及样本长度增长步长t。设置迭代次数K初始值K0和样本长度n初始值n0，构建RBM结构。向RBM1中输入步骤2.中建立好的训练集中的训练数据，从可视层v中学习得到隐含层h；将RBM1隐含层h的输出作为RBM2中可视层h的输入，并学习得到隐含层v；将RBM2中隐含层的输出v作为下一层可视层的输入，以此循环，直至所有数据训练完成。将最后一个RBM中的隐含层h输入到SOFTMAX分类器中，计算分类的误差J。从DBM结构的最高层向最低层逐层进行参数微调，从而得到完整的DBN分类模型。将设置的测试数据输入到已建立的DBN分类模型中测试。判断条件Q是否大于或等于Qm或者K是够大于或等于Km，如果条件满足，计算立即终止，输出分类识别率Q，迭代次数K，样本长度n；若条件不满足，进一步判断样本长度n是够大于或等于nm，增加样本长度n或者迭代次数m，重复上述训练步骤，直至满足条件，计算才可以终止。
根据上述过程实验结果确定基于DBN网络的城市燃气管网缺陷检测模型的结构和具体相关参数。
在实例中，根据以上步骤，针对管道故障诊断问题进行模型参数测定。
由于输入数据的节点数代表了数据的维数，因此节点数的多少对于故障诊断的正确率有十分重要的影响。输入层输入了8个特征变量，也就是输入层有8个节点，而输出层输出有4中状态，输出层具有4个节点，但是三个隐含层中节点数的设定是没有标准的，因此隐含层中节点数的设置带有一定的主观性。为了确定模型节点数这里设置了不同的隐含层节点数组合，来讨论其对故障诊断正确率的影响。为了便于表达，设置f×g×k，表示第一，二，三层隐含层分别有f，g，k个节点。
表4燃气管道故障诊断情况
在250次迭代中第8组的隐含层节点数组合构成的DBN有最好的诊断效果，故障诊断的正确率达92.09％，因此本章选用隐含层节点数组合为12×24×12的DBN网络作为城市燃气管道故障诊断的诊断模型。
为了比较和分析，预训练集、微调集和测试集的数量对诊断结果的影响，表5为基于DBN的管道故障诊断方法对于不同预训练集的诊断情况。
表5不同预训练集时基于DBN的管道故障诊断情况
表5中的数据显示，当预训练集的数量从500增加到1000时，故障诊断的平均正确率增加了1.15％；预训练集数量从1000增加到2500时，故障诊断率增加了0.28％。表明管道故障诊断的平均正确率随预训练集数量增加而增加，但管道诊断的平均正确率达到一定峰值后增长速度变慢，因此选取合适数量的预训练集可以有效的节约时间成本还可以保证诊断准确率。
为了凸显本方法的优越性，对比本方法与其他方法在相同条件下的诊断准确性：
表6不同方法的管道故障诊断情况对比表
表明基于深度置信网络的管道故障诊断模型效果明显优于基于浅层神经网络的管道故障诊断效果，而且体现出了诊断的智能性和科学性。
进一步，步骤4：将步骤2.中选取的样本集中的数据输入步骤3.中构建的基于DBN网络的城市燃气管网缺陷检测模型，得出诊断结果。
在本发明中，依据经验选取的八种特征参数能够全面的反映管道运行状态，其变化对管道诊断结果影响较大。基于DBN的管道故障诊断方法对燃气管道进行诊断，能够以逐层贪婪学习的方式来用高层特征代替低层特征，有利于挖掘样本的分布式特征，诊断准确率达到了90％以上，免去了人工提取分类的不确定性及随机性，结果表明方法有更强的诊断智能性和更好的诊断效果。
本方法在传统的管道故障方法只能辨别管道是否发生泄漏的基础上增加了管道状态分类，可以识别出管道断裂，腐蚀等多种状态，为日常保养等提供了合理依据。
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关的工作人员完全可以在不偏离本发明的范围内，进行多样的变更以及修改。本项发明的技术范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。
Claims (5)
1.一种智能识别城市燃气管道缺陷的方法，其特征在于：利用声发射检测仪对待测管道进行检测，将采集到的声发射信号通过预处理后分为样本集和训练集，并将其输入深度置信网络模型中进行逐层训练，经过深度置信网络模型的识别分类输出故障类型，以对待测故障管道进行诊断识别的方法，具体步骤如下：
步骤1：实验室中模拟管道运行状态搭建城市管道故障诊断实验平台，利用声发射仪器进行检测获取管道声发射信号；
步骤2：确定特征参数，将采集到的信号经过小波变换消噪处理后，进一步进行归一标准化对数据进行预处理，并划分为测试集和训练集；
步骤3：构建DBN模型，使用经典机器学习数据集对模型进行测试和优化；
步骤4：对管道运行中不同工况进行分类，根据步骤3的DBN模型确定基于DBN的城市燃气管道缺陷识别模型的相关参数，如DBN模型层数、节点数、迭代次数等，这些参数对故障诊断的正确率有十分重要的影响；
步骤5：将训练集输入到已建立的基于DBN的城市燃气管道缺陷识别模型中，向第一个RBM中输入数据，并将其输出的数据作为下一层的输入数据进行训练，依次循环，直到所有的RBM学习完成；
步骤6：根据训练集中带标签的数据和分类误差，从基于DBN的城市燃气管道缺陷识别模型中的顶层向最低层逐层进行RBM参数微调，直到完成整个DBN模型的训练；
步骤7：将测试样本输入到已训练好的基于DBN的城市燃气管道缺陷识别模型中进行分类性能测试，得出诊断结果。
2.如权利要求1所述的智能识别城市燃气管道缺陷的方法，其特征在于：步骤1中搭建实验平台具体包括：在管道上进行断铅实验来模拟管道断裂，管道上阀门模拟泄漏，向管道增加应力激励措施，利用声发射传感器来采集管道在不同运行状态下的声发射信号。
3.如权利要求1所述的智能识别城市燃气管道缺陷的方法，其特征在于：步骤2中选取幅值、绝对能量、振铃计数、上升时间、持续时间、平均信号电平、有效值电压和事件计数八个特征变量作为特征参数来反映管道运行状态，将采集到的信号经过小波变换分析法进行消噪使声发射信号更加清晰，为后期深度分析做了准备；为了缩小各特征之间的差异，将经过小波变换分析法处理后的数据进行标准化处理，将数据范围调整在[0.1]，标准化处理公式：
式中：xnew为标准化后特征值；x为特征参数原来的值；xmean为x所占各参数值总量的均值；xstd表示该特征参数的标准差值。
4.如权利要求1所述的智能识别城市燃气管道缺陷的方法，其特征在于：步骤3中构建DBN模型，使用经典机器学习数据集对其验证，DBN网络由多个受限玻尔兹曼机单元堆叠而成，其中RBM一共有两层，上层为隐层，下层为显层；前一个RBM的输出层(隐层)作为下一个RBM单元的输入层(显层)，依次堆叠，便构成了基本的DBN结构，最后再添加一层输出层，就是DBN结构；受限波尔兹曼机器是一种基于能量的典型模型，其包括可见层和隐含层，其中v和h分别表示可见层和隐含层，w为两层之间的联系，即权重，两层中的神经元均相互独立，没有任何连接；
假设可见层和隐含层是二进制变量，可见层和隐含层中的神经元数量分别为i和j；vi表示可见层中第i个神经元的状态，hj表示隐含层中第j个神经元的状态；由于RBM具有单向加权连接的特点，所以能够采用无监督的方式来学习RBM中输入的特征信息；将最大似然理论用于训练RBM，训练的目的是通过调整权重和偏差来增加输入数据p(v)的概率；根据以下2式够更新可见层与隐含层间的权重：
在上式中，m表示动量，主要是表征学习的速度；r表示学习率，其能够表征噪音消除与重构误差；d代表权重衰减，惩罚的权重旨在提供更好地测试数据的性能；上式也体现了偏差ai和bi的调整过程。
5.如权利要求1所述的智能识别城市燃气管道缺陷的方法，其特征在于：步骤4中，结合实际生产运行过程中通常出现的故障，将管道故障识别结果分为4类：(1)正常情况下无故障；(2)由疲劳裂纹造成的轻度故障；(3)由管道冲刷造成的轻度故障；(4)由于腐蚀、焊缝缺陷导致的中度故障。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910102828.0A CN109886433A (zh) | 2019-02-01 | 2019-02-01 | 智能识别城市燃气管道缺陷的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910102828.0A CN109886433A (zh) | 2019-02-01 | 2019-02-01 | 智能识别城市燃气管道缺陷的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109886433A true CN109886433A (zh) | 2019-06-14 |
Family
ID=66927795
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910102828.0A Pending CN109886433A (zh) | 2019-02-01 | 2019-02-01 | 智能识别城市燃气管道缺陷的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109886433A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110486630A (zh) * | 2019-08-20 | 2019-11-22 | 西南石油大学 | 天然气管道腐蚀缺陷典型特征提取方法 |
| CN111815561A (zh) * | 2020-06-09 | 2020-10-23 | 中海石油(中国)有限公司 | 一种基于深度时空特征的管道缺陷及管道组件的检测方法 |
| CN113033601A (zh) * | 2021-02-02 | 2021-06-25 | 湖南科技大学 | 用于双转子不对中故障识别的dbn参数选取方法 |
| CN113466022A (zh) * | 2020-03-31 | 2021-10-01 | 丰田自动车株式会社 | 加压检查方法和加压检查装置 |
| CN113884573A (zh) * | 2021-09-02 | 2022-01-04 | 北京强度环境研究所 | 一种运动机构故障声源位置的鉴别方法 |
| CN113987907A (zh) * | 2021-09-09 | 2022-01-28 | 浙江浙能天然气运行有限公司 | 基于机器学习的天然气站场输配流量异常检测系统及其检测方法 |
| CN114091355A (zh) * | 2022-01-10 | 2022-02-25 | 深圳市水务工程检测有限公司 | 基于人工智能的城市管网缺陷位置定位分析系统及方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107884475A (zh) * | 2017-10-18 | 2018-04-06 | 常州大学 | 一种基于深度学习神经网络的城市燃气管道故障诊断方法 |
| CN108520301A (zh) * | 2018-04-17 | 2018-09-11 | 重庆大学 | 一种基于深度置信网络的电路间歇故障诊断方法 |
-
2019
- 2019-02-01 CN CN201910102828.0A patent/CN109886433A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107884475A (zh) * | 2017-10-18 | 2018-04-06 | 常州大学 | 一种基于深度学习神经网络的城市燃气管道故障诊断方法 |
| CN108520301A (zh) * | 2018-04-17 | 2018-09-11 | 重庆大学 | 一种基于深度置信网络的电路间歇故障诊断方法 |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110486630A (zh) * | 2019-08-20 | 2019-11-22 | 西南石油大学 | 天然气管道腐蚀缺陷典型特征提取方法 |
| CN113466022A (zh) * | 2020-03-31 | 2021-10-01 | 丰田自动车株式会社 | 加压检查方法和加压检查装置 |
| CN111815561A (zh) * | 2020-06-09 | 2020-10-23 | 中海石油(中国)有限公司 | 一种基于深度时空特征的管道缺陷及管道组件的检测方法 |
| CN111815561B (zh) * | 2020-06-09 | 2024-04-16 | 中海石油(中国)有限公司 | 一种基于深度时空特征的管道缺陷及管道组件的检测方法 |
| CN113033601A (zh) * | 2021-02-02 | 2021-06-25 | 湖南科技大学 | 用于双转子不对中故障识别的dbn参数选取方法 |
| CN113033601B (zh) * | 2021-02-02 | 2023-11-10 | 湖南科技大学 | 用于双转子不对中故障识别的dbn参数选取方法 |
| CN113884573A (zh) * | 2021-09-02 | 2022-01-04 | 北京强度环境研究所 | 一种运动机构故障声源位置的鉴别方法 |
| CN113987907A (zh) * | 2021-09-09 | 2022-01-28 | 浙江浙能天然气运行有限公司 | 基于机器学习的天然气站场输配流量异常检测系统及其检测方法 |
| CN114091355A (zh) * | 2022-01-10 | 2022-02-25 | 深圳市水务工程检测有限公司 | 基于人工智能的城市管网缺陷位置定位分析系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109886433A (zh) | 智能识别城市燃气管道缺陷的方法 | |
| CN111664365B (zh) | 基于改进vmd和1dcnn的油气管道泄漏检测方法 | |
| CN107590516B (zh) | 基于光纤传感数据挖掘的输气管道泄漏检测识别方法 | |
| 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 | |
| CN110319982B (zh) | 基于机器学习的埋地式燃气管线泄漏判断方法 | |
| CN107884475A (zh) | 一种基于深度学习神经网络的城市燃气管道故障诊断方法 | |
| CN112651167A (zh) | 一种基于图神经网络的半监督滚动轴承故障诊断方法 | |
| CN107480705A (zh) | 一种自来水管漏水检测方法 | |
| KR102241879B1 (ko) | 인공지능 학습 모델을 이용한 덕트 공동 탐지 모델 학습 장치 및 덕트 공동 탐지 시스템 | |
| CN109838696A (zh) | 基于卷积神经网络的管道故障诊断方法 | |
| CN110516735B (zh) | 一种基于LSTM网络和Adam算法的天然气管道事件分类方法 | |
| CN110470729A (zh) | 一种基于电涡流的油田套管缺陷无损检测方法 | |
| CN110261746B (zh) | 基于振荡波电压周期衰减特性的电缆缺陷检测方法 | |
| CN110533007B (zh) | 一种桥梁车载应变影响线特征智能识别与提取方法 | |
| CN115654381A (zh) | 一种基于图神经网络的供水管道漏损检测方法 | |
| CN112114047B (zh) | 基于声发射-ga-bp神经网络的气液流动参数检测方法 | |
| CN115824519A (zh) | 基于多传感器信息融合的阀门泄露故障综合诊断方法 | |
| Ye et al. | A deep learning-based method for automatic abnormal data detection: Case study for bridge structural health monitoring | |
| CN115310361A (zh) | 基于wgan-cnn煤矿井下粉尘浓度预测方法和系统 | |
| CN109632942B (zh) | 一种基于集成学习的管道缺陷尺寸的反演方法 | |
| CN112131781A (zh) | 基于全连接神经网络与传递率函数的钢结构损伤检测方法 | |
| CN118312751A (zh) | 基于声发射信号的航空飞行器结构健康指标智能构建方法 | |
| CN118094147A (zh) | 基于变分模态分解和双向长短期网络的管道泄漏定位方法 | |
| CN111678991B (zh) | 一种用于混凝土结构无损检测损伤识别的方法 | |
| CN113239618A (zh) | 一种基于声信号特征分析的燃气管道探测识别方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190614 |