CN110185939B - 基于卷积神经网络的气体管道泄漏识别方法 - Google Patents

基于卷积神经网络的气体管道泄漏识别方法 Download PDF

Info

Publication number
CN110185939B
CN110185939B CN201910408262.4A CN201910408262A CN110185939B CN 110185939 B CN110185939 B CN 110185939B CN 201910408262 A CN201910408262 A CN 201910408262A CN 110185939 B CN110185939 B CN 110185939B
Authority
CN
China
Prior art keywords
leakage
time
layer
neural network
convolutional neural
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.)
Active
Application number
CN201910408262.4A
Other languages
English (en)
Other versions
CN110185939A (zh
Inventor
宁方立
段爽
韩鹏程
韦娟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dongguan Sanhang Civil-Military Integration Innovation Research Institute
Northwestern Polytechnical University
Xidian University
Original Assignee
Dongguan Sanhang Civil-Military Integration Innovation Research Institute
Northwestern Polytechnical University
Xidian University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Dongguan Sanhang Civil-Military Integration Innovation Research Institute, Northwestern Polytechnical University, Xidian University filed Critical Dongguan Sanhang Civil-Military Integration Innovation Research Institute
Priority to CN201910408262.4A priority Critical patent/CN110185939B/zh
Publication of CN110185939A publication Critical patent/CN110185939A/zh
Application granted granted Critical
Publication of CN110185939B publication Critical patent/CN110185939B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • F17D5/02—Preventing, monitoring, or locating loss
    • F17D5/06—Preventing, monitoring, or locating loss using electric or acoustic means
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Mechanical Engineering (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Acoustics & Sound (AREA)
  • Examining Or Testing Airtightness (AREA)

Abstract

本发明提出一种基于卷积神经网络的气体管道泄漏识别方法，在采集典型泄漏类型的泄漏声信号和背景声信号后，进行分帧处理以及短时傅里叶变化得到表征原始泄漏声信号的时频图；而后搭建针对于泄漏声信号的卷积神经网络分类模型，将传统的正方形卷积核改变为特定长条状的长方形卷积核从而能够更好的提取到时频图中的线谱特征；将泄漏声和背景声的时频图混合送入搭建好的卷积神经网络进行训练，训练采用K折交叉验证，对网络模型超参数进行优化，从而选出最优的模型超参数并增强模型的鲁棒性和普适性。该方法相较于现有技术中的管道泄漏识别方法不但在识别率上有进一步的提升，而且还能有效的解决现有技术中最难以处理的特征筛选问题。

Description

基于卷积神经网络的气体管道泄漏识别方法
技术领域
本发明属于气体管道泄漏识别领域，具体涉及一种基于卷积神经网络的气体管道泄漏识别方法。
背景技术
随着经济的发展，人们生活水平的不断提高，天然气已经普及到了城乡居民的日常生活中，现代城市的地下空间中分布着大量的燃气管道。随着时间的推移以及城市的发展，地下空间中分布着的管道会逐渐老化腐蚀或被人为损坏，这必然会导致燃气的泄漏。燃气泄漏不仅对环境造成了极大的污染而且在城乡居民的人身安全方面也埋下了极大的隐患。因此能够及时检测到泄漏源在保障居民人身安全和保护环境方面就显得尤为重要。
申请号为2018106517382的专利提出了一种基于最小二乘支持向量机信息融合的管道泄漏检测方法。该方法相比于传统的质量或体积平衡法、负压波法和人工巡检等泄漏识别方法在识别率上有一定提高，但是基于支持向量机的识别方法需要人工筛选声信号的特征，而且识别率对于所选取的特征具有较高的依赖性，而特征的选取在很大程度上仅仅依靠人的先验知识，这在无形之中就加大了时间成本和人工成本。
发明内容
为了解决传统泄漏识别方法耗时耗力以及漏报率和误报率高的问题，本发明提出了一种基于卷积神经网络的泄漏识别方法，尤其是在卷积神经网络的卷积核上做出了针对气体泄漏声特点的创造性改进。该方法相较于现有技术中的管道泄漏识别方法不但在识别率上有进一步的提升，而且还能有效的解决现有技术中最难以处理的特征筛选问题。
本发明的基本原理是：
模拟实际输气管道中的典型泄漏类型，如通过阀门开口、垫片钻孔和管壁钻孔模拟实际输气管道中最容易发生的阀门外泄、垫片泄漏和管壁泄漏；通过麦克风阵列采集典型泄漏类型的泄漏声信号，进行分帧处理得到大规模短时音频数据，对这些音频数据进行短时傅里叶变化得到表征原始泄漏声信号的时频图。搭建针对于泄漏声信号的卷积神经网络分类模型。卷积神经网络在图像识别领域具有得天独厚的优势，这完全得益于它的卷积核可以提取图像中的深层次特征。然而通过短时傅里叶变化得到的表征原始声信号的时频图不同于自然界中的真实图片，时频图具有明显的条纹状特征，因而基于这一特征，本专利通过将传统的正方形卷积核改变为特定长条状的长方形卷积核从而能够更好的提取到时频图中的线谱特征。将上述典型泄漏类型的泄漏信号的时频图标记为“泄漏”，将通过采集背景(无泄漏情况下的)声音转换得到的时频图标记为“背景”，最后将二者混合送入搭建好的卷积神经网络进行训练。训练采用K折交叉验证，对网络模型超参数进行优化，从而选出最优的模型超参数并增强模型的鲁棒性和普适性。
本发明的技术方案为：
所述一种基于卷积神经网络的气体管道泄漏识别方法，其特征在于：包括以下步骤：
步骤1：模拟实际输气管道中的典型泄漏类型，通过麦克风阵列分别采集各典型泄漏类型的泄漏声信号和背景声信号；
步骤2：对采集到的泄漏声信号和背景声信号进行分帧处理，得到大规模的短时音频信号；
步骤3：定义短时傅里叶变化窗函数长度，将短时音频信号进行短时傅里叶变化得到表征原始信号的时频图；
步骤4：基于时频图中的线谱横向纹理特征，搭建适用于气体管道泄漏检测的卷积神经网络模型：
其中网络模型架构为：
第一层为卷积层，卷积核的大小为5*3，其厚度为3，个数为16；对卷积之后得到的16个特征图进行最大池化操作，池化核的大小为3*3；
第二层为卷积层，卷积核的大小为3*1，其厚度为16，个数为32；对卷积之后得到的32个特征图进行最大池化操作，池化核的大小为3*3；
第三层为卷积层，卷积核的大小为3*1，其厚度为32，个数为64；对卷积之后得到的64个特征图进行最大池化操作，池化核的大小为3*3；
第四层为全连接层，全连接层采用128个神经元；
第五层为softmax层，作为分类层；该层采用两个神经元，作为泄漏与否的二分类结果；
网络模型中各层的激活函数均采用ReLU函数，且在各层中均使用Dropout操作，其中网络模型中前四层还使用局部响应归一化操作；
网络模型的模型损失函数采用交叉熵函数：
Figure BDA0002061952820000031
其中m表示一次参与网络训练的样本个数，y(i)表示第i个样本为泄漏类别的真实概率，
Figure BDA0002061952820000032
表示第i个样本为通过网络模型进行计算得到的泄漏类别概率；
步骤5：将步骤3得到的泄漏声信号时频图和背景声信号时频图作为整个卷积神经网络模型泄漏识别的数据集进行模型训练；
步骤6：通过麦克风阵列对实际输气管道进行巡检，采集实际输气管道附近声信号，并获取声信号的时频图，输入训练好的卷积神经网络模型，得到泄漏与否的识别结果。
进一步的优选方案，所述一种基于卷积神经网络的气体管道泄漏识别方法，其特征在于：步骤1中，分别通过阀门开口、垫片钻孔、管壁钻孔来模拟实际输气管道中的阀门松动泄漏、垫片老化泄漏以及管壁腐蚀破损泄漏三种典型泄漏类型。
进一步的优选方案，所述一种基于卷积神经网络的气体管道泄漏识别方法，其特征在于：通过麦克风阵列分别采集三种模拟典型泄漏类型的泄漏声信号，并分别通过调节阀门开口的大小、更换不同孔径的垫片和管壁进行多次采集。
进一步的优选方案，所述一种基于卷积神经网络的气体管道泄漏识别方法，其特征在于：步骤5中模型训练采用K折交叉验证：将数据集进行K等分，每次选取其中一等分作为验证集，剩下的作为训练集。
进一步的优选方案，所述一种基于卷积神经网络的气体管道泄漏识别方法，其特征在于：步骤4中建立多个网络架构相同但超参数不同的模型，对各个模型分别进行n次K折交叉验证，计算n次结果的平均值，将准确率最高的模型作为最终泄漏识别模型。
有益效果
1、本发明所述的基于卷积神经网络的管道泄漏识别方法，搭建了管道泄漏的数据集，通过阀门开口以及在垫片和管壁上钻孔模拟了真实泄漏中的阀门松动、垫片老化泄漏以及管壁腐蚀泄漏等基本常见泄漏类型，该数据集在实际的工程应用中具有一定的代表性。
2、本发明所述的基于卷积神经网络的管道泄漏识别方法，将图像识别领域最为杰出的卷积神经网络引入到了声音信号分类识别领域，并且针对声音信号特点，设计出了针对声音信号分类的卷积神经网络模型，尤其是在卷积核上做出了不同于传统卷积核的创造性改进。
3、本发明所述的基于卷积神经网络的管道泄漏识别方法，能够大大减少前期的声音信号预处理工作，不需要做出特征筛选等较为耗时耗力的工作，同时还因保留了最原始最齐全的特征信息使得最终的泄漏识别准确率达到了一个新的高度。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1是基于本发明的整个流程图；
图2是自主设计的管道泄漏识别网络模型架构图。
具体实施方式
下面详细描述本发明的实施例，所述实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
如图1所示，本实施例中的基于卷积神经网络的气体管道泄漏识别方法，包括以下步骤：
步骤1：，分别通过阀门开口、垫片钻孔、管壁钻孔来模拟实际输气管道中最容易发生的阀门松动泄漏、垫片老化泄漏以及管壁腐蚀破损泄漏三种典型泄漏类型。通过麦克风阵列分别采集三种模拟典型泄漏类型的泄漏声信号和背景声信号；并分别通过调节阀门开口的大小、更换不同孔径的垫片和管壁进行多次采集，以获得尽可能多的不同情况下的泄漏声信号。
步骤2：对采集到的泄漏声信号和背景声信号进行分帧处理，得到大规模的短时音频信号。
步骤3：定义短时傅里叶变化窗函数长度，将短时音频信号进行短时傅里叶变化得到表征原始信号的时频图。
短时傅里叶变化中，图像分辨率与窗函数的长度具有较大关系。窗长越长，频率分辨率越高，时间分辨率越低；窗长越短则频率分辨率越低，时间分辨率越高。
时域分辨率：
Figure BDA0002061952820000051
频域分辨率：
Figure BDA0002061952820000052
[·]表示向下取整运算。NX是参与STFT的样本长度，NW是窗函数长度，N0是窗口重叠宽度。
根据图像分辨率的定义，将时频谱的图像分辨率P定义为：
P＝T×F
步骤4：基于时频图中的线谱横向纹理特征，搭建适用于气体管道泄漏检测的卷积神经网络模型：
其中网络模型架构如图2所示：
第一层为卷积层，卷积核的大小为5*3，其厚度为3，个数为16；对卷积之后得到的16个特征图进行最大池化操作，池化核的大小为3*3；
第二层为卷积层，卷积核的大小为3*1，其厚度为16，个数为32；对卷积之后得到的32个特征图进行最大池化操作，池化核的大小为3*3；
第三层为卷积层，卷积核的大小为3*1，其厚度为32，个数为64；对卷积之后得到的64个特征图进行最大池化操作，池化核的大小为3*3；
第四层为全连接层，全连接层采用128个神经元；
第五层为softmax层，作为分类层；该层采用两个神经元，作为泄漏与否的二分类结果。
网络模型中各层的激活函数均采用ReLU函数，同时在各层中使用Dropout操作来将隐含层的部分权重或输出随机归零以防止网络模型过拟合的现象。在网络的前四层中使用Local Response Normalization(局部响应归一化)来模拟生物神经系统的侧抑制机制，以提高模型的泛化能力。
网络模型的模型损失函数采用交叉熵函数：
Figure BDA0002061952820000061
其中m表示一次参与网络训练的样本个数，y(i)表示第i个样本为泄漏类别的真实概率，
Figure BDA0002061952820000062
表示第i个样本为通过网络模型进行计算得到的泄漏类别概率。
此外，还采用Adam算法来优化模型提升网络的训练速度。
步骤5：将步骤3得到的泄漏声信号时频图和背景声信号时频图作为整个卷积神经网络模型进行模型训练的数据集。为了保证模型对于数据样本的充分利用，模型训练采用10折交叉验证，即将数据集进行10等分，每次选取其中一等分作为验证集，剩下的作为训练集。10折交叉验证让每一个数据样本都有均等的几率被用于模型的训练和测试，在一定程度上能提升模型的泛化能力。
对各个网络架构相同但超参数不同的模型分别进行10次10折交叉验证，计算10次结果的平均值，将准确率最高的模型作为最终泄漏识别模型。
方法 准确率 训练时间 识别时间
普通卷积神经网络 95.3％ 32.3min 2.8s
本专利方法 99.2％ 15.8min 2.2s
表中普通卷积神经网络采用的是AlexNet模型架构，从准确率和模型训练时间来看，本发明所搭建的网络模型要优于一般传统的神经网络模型，本发明对于气体管道泄漏识别具有很高的识别率。
步骤6：通过麦克风阵列对实际输气管道进行巡检，采集实际输气管道附近声信号，并获取声信号的时频图，输入训练好的卷积神经网络模型，得到泄漏与否的识别结果。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (5)

1.一种基于卷积神经网络的气体管道泄漏识别方法，其特征在于：包括以下步骤：
步骤1：模拟实际输气管道中的典型泄漏类型，通过麦克风阵列分别采集各典型泄漏类型的泄漏声信号和背景声信号；
步骤2：对采集到的泄漏声信号和背景声信号进行分帧处理，得到大规模的短时音频信号；
步骤3：定义短时傅里叶变化窗函数长度，将短时音频信号进行短时傅里叶变化得到表征原始信号的时频图；
步骤4：基于时频图中的线谱横向纹理特征，搭建适用于气体管道泄漏检测的卷积神经网络模型：
其中网络模型架构为：
第一层为卷积层，卷积核的大小为5*3，其厚度为3，个数为16；对卷积之后得到的16个特征图进行最大池化操作，池化核的大小为3*3；
第二层为卷积层，卷积核的大小为3*1，其厚度为16，个数为32；对卷积之后得到的32个特征图进行最大池化操作，池化核的大小为3*3；
第三层为卷积层，卷积核的大小为3*1，其厚度为32，个数为64；对卷积之后得到的64个特征图进行最大池化操作，池化核的大小为3*3；
第四层为全连接层，全连接层采用128个神经元；
第五层为softmax层，作为分类层；该层采用两个神经元，作为泄漏与否的二分类结果；
网络模型中各层的激活函数均采用ReLU函数，且在各层中均使用Dropout操作，其中网络模型中前四层还使用局部响应归一化操作；
网络模型的模型损失函数采用交叉熵函数：
Figure FDA0002061952810000011
其中m表示一次参与网络训练的样本个数，y(i)表示第i个样本为泄漏类别的真实概率，
Figure FDA0002061952810000012
表示第i个样本为通过网络模型进行计算得到的泄漏类别概率；
步骤5：将步骤3得到的泄漏声信号时频图和背景声信号时频图作为整个卷积神经网络模型泄漏识别的数据集进行模型训练；
步骤6：通过麦克风阵列对实际输气管道进行巡检，采集实际输气管道附近声信号，并获取声信号的时频图，输入训练好的卷积神经网络模型，得到泄漏与否的识别结果。
2.根据权利要求1所述一种基于卷积神经网络的气体管道泄漏识别方法，其特征在于：步骤1中，分别通过阀门开口、垫片钻孔、管壁钻孔来模拟实际输气管道中的阀门松动泄漏、垫片老化泄漏以及管壁腐蚀破损泄漏三种典型泄漏类型。
3.根据权利要求2所述一种基于卷积神经网络的气体管道泄漏识别方法，其特征在于：通过麦克风阵列分别采集三种模拟典型泄漏类型的泄漏声信号，并分别通过调节阀门开口的大小、更换不同孔径的垫片和管壁进行多次采集。
4.根据权利要求1或3所述一种基于卷积神经网络的气体管道泄漏识别方法，其特征在于：步骤5中模型训练采用K折交叉验证：将数据集进行K等分，每次选取其中一等分作为验证集，剩下的作为训练集。
5.根据权利要求4所述一种基于卷积神经网络的气体管道泄漏识别方法，其特征在于：步骤4中建立多个网络架构相同但超参数不同的模型，对各个模型分别进行n次K折交叉验证，计算n次结果的平均值，将准确率最高的模型作为最终泄漏识别模型。
CN201910408262.4A 2019-05-16 2019-05-16 基于卷积神经网络的气体管道泄漏识别方法 Active CN110185939B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910408262.4A CN110185939B (zh) 2019-05-16 2019-05-16 基于卷积神经网络的气体管道泄漏识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910408262.4A CN110185939B (zh) 2019-05-16 2019-05-16 基于卷积神经网络的气体管道泄漏识别方法

Publications (2)

Publication Number Publication Date
CN110185939A CN110185939A (zh) 2019-08-30
CN110185939B true CN110185939B (zh) 2021-04-02

Family

ID=67716559

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910408262.4A Active CN110185939B (zh) 2019-05-16 2019-05-16 基于卷积神经网络的气体管道泄漏识别方法

Country Status (1)

Country Link
CN (1) CN110185939B (zh)

Families Citing this family (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111022941B (zh) * 2019-12-27 2021-05-28 重庆科技学院 一种基于lstm循环神经网络的天然气管道泄漏检测方法
CN111314934B (zh) * 2020-02-14 2021-08-10 西北工业大学 一种统一最优判决的网络协同探测方法
CN111507271B (zh) * 2020-04-20 2021-01-12 北京理工大学 一种机载光电视频目标智能化检测与识别方法
GB2595660A (en) * 2020-06-01 2021-12-08 Homeserve Plc Flow event classification
CN111664365B (zh) * 2020-06-07 2022-01-28 东北石油大学 基于改进vmd和1dcnn的油气管道泄漏检测方法
CN111750283A (zh) * 2020-06-26 2020-10-09 西北工业大学 基于深度学习的强背景噪声环境下的气体管道泄漏识别方法
CN112183187A (zh) * 2020-08-15 2021-01-05 天津大学 基于Selective Search和LeNet-5的液体泄漏检测方法
CN112198232A (zh) * 2020-09-14 2021-01-08 昆明理工大学 一种排水管道工况检测和识别方法
CN112116962A (zh) * 2020-09-21 2020-12-22 河北工业大学 一种空气成分识别方法及系统
CN112418181B (zh) * 2020-12-13 2023-05-02 西北工业大学 一种基于卷积神经网络的人员落水检测方法
CN112634945A (zh) * 2020-12-15 2021-04-09 浙江和达科技股份有限公司 一种基于云平台的智能漏水声识别方法
CN112762362A (zh) * 2021-01-15 2021-05-07 中国海洋石油集团有限公司 基于卷积神经网络的水下管道泄漏声发射检测方法
CN113009077B (zh) * 2021-02-18 2023-05-02 南方电网数字电网研究院有限公司 气体检测方法、装置、电子设备和存储介质
CN112801033A (zh) * 2021-02-23 2021-05-14 西安科技大学 基于AlexNet网络的长输油气管线沿线施工扰动及泄漏识别方法
CN113205828A (zh) * 2021-04-28 2021-08-03 武汉理工大学 一种基于深度学习的sf6气体泄漏检测方法
CN113803647B (zh) * 2021-08-25 2023-07-04 浙江工业大学 一种基于知识特征与混合模型融合的管道泄漏检测方法
TWI803243B (zh) * 2022-03-16 2023-05-21 鴻海精密工業股份有限公司 圖像擴增方法、電腦設備及儲存介質
CN114877262A (zh) * 2022-04-20 2022-08-09 成都千嘉科技股份有限公司 基于ai芯片燃气管道泄漏的声发射检测方法
CN114877264A (zh) * 2022-06-06 2022-08-09 国家石油天然气管网集团有限公司 一种基于声纹识别的天然气管体泄露识别方法和系统
CN115586254B (zh) * 2022-09-30 2024-05-03 陕西师范大学 一种基于卷积神经网络识别金属材料的方法及系统
CN115950590B (zh) * 2023-03-15 2023-05-30 凯晟动力技术（嘉兴）有限公司 气体发动机泄露预警系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105546352A (zh) * 2015-12-21 2016-05-04 重庆科技学院 基于声音信号的天然气管道微泄漏检测方法
CN106485235B (zh) * 2016-10-24 2019-05-03 厦门美图之家科技有限公司 一种卷积神经网络生成方法、年龄识别方法及相关装置
TWI647624B (zh) * 2017-06-08 2019-01-11 財團法人資訊工業策進會 辨識系統、辨識方法及非暫態電腦可讀取媒體
CN109555977A (zh) * 2018-11-23 2019-04-02 水联网技术服务中心（北京）有限公司 漏水噪声检测的设备和识别方法

Also Published As

Publication number Publication date
CN110185939A (zh) 2019-08-30

Similar Documents

Publication Publication Date Title
CN110185939B (zh) 基于卷积神经网络的气体管道泄漏识别方法
JP6872077B2 (ja) 水道管の漏水検知方法
CN111664365B (zh) 基于改进vmd和1dcnn的油气管道泄漏检测方法
CN111853555B (zh) 一种基于动态过程的供水管网暗漏识别方法
CN111750283A (zh) 基于深度学习的强背景噪声环境下的气体管道泄漏识别方法
CN101592288B (zh) 一种管道泄漏辨识方法
CN106090626B (zh) 一种供水管网异常侦测方法
Harmouche et al. Long-term monitoring for leaks in water distribution networks using association rules mining
CN109858755B (zh) 一种评价水体质量的方法
CN104766090B (zh) 一种基于bemd和sofm的探地雷达数据可视化方法
CN110440148B (zh) 一种漏损声信号分类识别方法、装置及系统
CN112097126A (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
CN111735583B (zh) 一种基于lcd-ee的管道声波信号特征提取的管道工况识别方法
CN113378473A (zh) 一种基于机器学习模型的地下水砷风险预测方法
CN111275108A (zh) 基于生成对抗网络对局部放电数据进行样本扩展的方法
CN117113854A (zh) 一种基于ConvLSTM和三维数值模拟的咸潮预报方法
CN109632942B (zh) 一种基于集成学习的管道缺陷尺寸的反演方法
Han et al. Identification of Pipeline Leak Sizes Based on Chaos-Grey Wolf-Support Vector Machine
Srivastava et al. A study on robustness to perturbations for representations of environmental sound
CN113239618A (zh) 一种基于声信号特征分析的燃气管道探测识别方法
CN113111923A (zh) 一种基于一维迁移学习卷积神经网络集成模型的供水管网泄漏检测与定位方法
CN117633588A (zh) 基于频谱加权和残差卷积神经网络的管道泄漏定位方法
CN116772122A (zh) 一种天然气管道泄漏故障诊断方法、系统、设备及介质
CN114021422B (zh) 一种基于跨孔雷达和深度学习的地下结构内部缺陷识别方法
CN115962428A (zh) 一种燃气管网泄漏实时在线智能可解释性监测溯源方法

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
GR01 Patent grant
GR01 Patent grant