CN110953488A - 基于堆栈自编码的气液两相流管道泄漏声发射检测方法 - Google Patents
基于堆栈自编码的气液两相流管道泄漏声发射检测方法 Download PDFInfo
- Publication number
- CN110953488A CN110953488A CN201911397375.5A CN201911397375A CN110953488A CN 110953488 A CN110953488 A CN 110953488A CN 201911397375 A CN201911397375 A CN 201911397375A CN 110953488 A CN110953488 A CN 110953488A
- Authority
- CN
- China
- Prior art keywords
- leakage
- testing
- training
- data set
- pipeline
- 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.)
- Granted
Links
- 230000005514 two-phase flow Effects 0.000 title claims abstract description 44
- 239000007788 liquid Substances 0.000 title claims abstract description 32
- 238000001514 detection method Methods 0.000 title claims abstract description 25
- 238000012360 testing method Methods 0.000 claims abstract description 85
- 238000012549 training Methods 0.000 claims abstract description 54
- 238000000034 method Methods 0.000 claims abstract description 34
- 238000010606 normalization Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims description 9
- 239000012530 fluid Substances 0.000 claims description 4
- 238000003909 pattern recognition Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 abstract description 2
- 230000002265 prevention Effects 0.000 abstract description 2
- 238000012795 verification Methods 0.000 abstract 1
- 239000012071 phase Substances 0.000 description 8
- 210000002569 neuron Anatomy 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 239000007822 coupling agent Substances 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 239000007791 liquid phase Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Examining Or Testing Airtightness (AREA)
Abstract
本发明公开了一种基于堆栈自编码的气液两相流管道泄漏声发射检测方法，属于管道泄漏检测技术领域，步骤包括：采集气液两相流管道各种流型的泄漏信号与背景噪声信号，将信号分割为训练集和测试集，对训练集和测试集进行相同的最大值最小值归一化，调整堆栈自编码网络结构及参数并使用训练集进行训练，使用SoftMax对结果进行分类，测试集对训练好的模型进行准确率验证，使用训练好的模型即可实现两相流流型识别及管道是否泄漏判别两大目标。本方法能实现在复杂工况下的气液两相流管道泄漏的精确识别，能及时捕捉到管道泄漏的隐患，为事故的预防和管道的维修提供很大的帮助。
Description
技术领域
本发明属于管道泄漏检测领域，具体地涉及一种气液两相流管道在已知流型或未知流型情况下的泄漏识别方法，尤其涉及一种基于堆栈自编码的气液两相流管道泄漏声发射信号识别方法。
背景技术
气液两相流广泛存在于许多工业过程中，尤其是在管道中。当气相和液相流体在管道内被输送的时候，由于气液流量、管内压力、管道形状及方向、介质属性等原因，气液两相流会产生不同的流型。而由于气体和液体的物理属性相差较大，气液两相流管道内部非常不稳定，管道也极易产生较大的振动，这使得因管道老化、疲劳或磨损破坏产生的泄漏时常发生，而两相流不稳定和复杂的特性又使得泄漏检测非常困难，常规的检测方法很难有效检测出气液两相流管道的泄漏。因此研究一种能准确检测出气液两相流管道泄漏的方法对保障气液两相流管道安全运行具有重要意义。
现在的管道检测与监测方法主要包括基于硬件和基于软件两类检测方法。基于软件的方法是使用数据采集系统实时采集管道的参数如压力、流量、温度等数据，利用建立好的动态模型、压力梯度、质量体积平衡等方法计算数学模型来检测管道异常并定位。但由于气液两相流复杂多变，通过这类方法很难对两相流进行泄漏检测。而基于硬件的方法大多针对单相稳定管道的研究，对于多相流泄漏检测研究较少，但表现出较高的可行性。中国专利CN107907279A公开了一种基于小波系数增幅的多相流管道泄漏声波信号分析方法，该方法通过判断小波近似系数与细节系数幅值比分析泄漏信号，从而实现泄漏识别。中国专利CN10818059A公开了一种基于小波信号的多相流管道泄漏声波信号识别方法，该方法通过对小波系数能量极值分析判断能量损失，根据能量守恒对泄漏进行识别。
综上所述，现有的对于多相流泄漏检测的方法很少，大多没有形成可靠的方法，上述两种方法都是基于声波信号进行泄漏检测，且均未详细考虑流型；此外，现有的多相流泄漏技术均是对某种特定多相流流型某个特定泄漏方向进行识别，未考虑实际情况中多种流型及两相流不同泄漏方向的差异；在多相流泄漏信号采集后大多方法采用如小波变换等信号处理方法进行繁琐处理后进行识别，并没有涉及不需特征提取直接对原始信号进行识别的方法。
发明内容
为解决以上存在的技术不足，本发明提供了一种基于堆栈自编码的气液两相流管道泄漏声发射信号识别方法，利用堆栈自编码强大的特征提取能力和模式识别能力实现考虑泄漏方位的两相流管道泄漏状态判别，实现已知流型或未知流型气液两相流管道泄漏的快速识别。
本发明所采用的技术方案如下：
基于堆栈自编码的气液两相流管道泄漏声发射检测方法的检测装置，包括：声发射传感器，前置放大器，声发射采集卡，带有检测软件的工控机；所述声发射传感器通过耦合剂与检测对象表面连接；所述检测对象为设有缺陷的气液两相流管道；所述声发射传感器通过自带信号线与前置放大器连接；所述前置放大器通过信号电缆与声发射采集卡连接；所述声发射采集卡通过自带连接装置如USB接口或PCI插槽与工控机相连。
一种利用上述系统对气液两相流管道进行泄漏检测的方法，包括以下步骤：
(1)调整气液两相流管道中流体的流型，采集不同泄漏方向下不同流型的泄漏声发射信号和不同流型不泄漏时的背景噪声信号；
(2)对采集信号中的波形信号进行分割，N个数据点分割为一个样本，其中N可以表示为N＝A*A(A为任意正整数)，由M个样本构成一个数据集。数据集包括：用于管道流型识别的不同流型背景噪声信号的数据集X、用于管道泄漏识别的融合不同泄漏方位的不同流型泄漏数据集Y，并对每个样本按照种类添加相应的标签，如泄漏为1、背景噪声为0，数据集中样本的数量要满足步骤(4)中模型训练及测试的数量，即测试结果正确率足够高；
(3)将X数据集分割为训练集和测试集，训练集和测试集数量要满足步骤(5)中模型训练及测试的数量，即测试结果正确率足够高，并对训练集和测试集进行相同的最大值最小值归一化处理；
(4)将Y数据集分割为训练集和测试集，训练集和测试集数量要满足步骤(6)中模型训练及测试的数量，即测试结果正确率足够高，并对训练集和测试集进行相同的最大值最小值归一化处理；
(5)判断正常运行状态下两相流管道的流型：调整堆栈自编码的网络结构，对数据集X的训练集数据进行训练，并使用SoftMax分类器进行分类，通过数据集X的测试集对训练好的网络结构进行测试，直到使测试正确率达到预期；基于上述网络结构，对相关参数进行寻优，包括迭代次数、稀疏系数、权重衰减系数、稀疏惩罚因子权重；对数据集X的训练集数据使用堆栈自编码进行训练，并使用SoftMax分类器进行分类，通过数据集X的测试集对训练好的模型进行测试，直到使测试正确率达到预期，上述参数值即为最优参数值；使用上述网络结构及最优参数训练的模型即为最优流型识别模型，可实现对包含在该模型范围内的流型种类的判别；
(6)判断两相流管道的泄漏状态：调整堆栈自编码的网络结构，对数据集Y的训练集数据进行训练，并使用SoftMax分类器进行分类，通过数据集Y的测试集对训练好的网络结构进行测试，直到使测试正确率达到预期；基于上述网络结构，对相关参数进行寻优，包括迭代次数、稀疏系数、权重衰减系数、稀疏惩罚因子权重；对数据集Y的训练集数据使用堆栈自编码进行训练，并使用SoftMax分类器进行分类，通过数据集Y的测试集对训练好的模型进行测试，直到使测试正确率达到预期，上述参数值即为最优参数值；使用上述网络结构及最优参数训练的模型即为最优泄漏判别模型，可实现对包含在该模型范围内的两相流泄漏状态判别。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。
图1是基于堆栈自编码的气液两相流管道泄漏声发射检测方法的检测装置结构示意图；
图2是实施基于堆栈自编码的气液两相流管道泄漏声发射检测方法的流程图；
上图中：1-泄漏源，2-待测管道，3-声发射信号，4-声发射传感器，5-前置放大器，6-声发射采集卡，7-带有检测软件的工控机。
具体实施方式
检测系统各部分名称如图1所示：1-泄漏源，2-待测管道，3-声发射信号，4-声发射传感器，5-前置放大器，6-声发射采集卡，7-带有检测软件的工控机。所述泄漏源(1)位于待测管道(2)某位置；所述声发射信号(3)由泄漏源产生，沿待测管道(2)传播；所述声发射传感器(4)通过耦合剂与待测管道(2)连接；所述声发射传感器(4)采集泄漏产生声发射信号(3)；所述声发射传感器(4)通过自带连接线与前置放大器(5)连接；所述声发射传感器(4)将声发射信号(3)转化为电流信号通过信号线传输给前置放大器(5)；所述前置放大器(5)通过信号电缆与声发射采集卡(6)连接；所述前置放大器(5)将电流信号放大并转换成电压信号然后将其输入声发射采集卡(6)；所述声发射采集卡(6)通过自带连接装置如USB接口或PCI插槽与带有检测软件的主机(7)相连；声发射采集卡(6)将电压信号转换为可以处理的数字信号保存至带有检测软件的工控机(7)中用于信号处理。
一种利用上述系统对气液两相流管道进行泄漏检测的方法，包括以下步骤：
(1)调整气液两相流管道中流体的流型，采集不同泄漏方向下不同流型的泄漏声发射信号和不同流型不泄漏时的背景噪声信号；
(2)对采集信号中的波形信号进行分割，N个数据点分割为一个样本，其中N可以表示为N＝A*A(A为任意正整数)，由M个样本构成一个数据集。数据集包括：用于管道流型识别的不同流型背景噪声信号的数据集X、用于管道泄漏识别的融合不同泄漏方位的不同流型泄漏数据集Y，并对每个样本按照种类添加相应的标签，如泄漏为1、背景噪声为0，数据集中样本的数量要满足步骤(4)中模型训练及测试的数量，即测试结果正确率足够高；
(3)将X数据集分割为训练集和测试集，训练集和测试集数量要满足步骤(5)中模型训练及测试的数量，即测试结果正确率足够高，并对训练集和测试集进行相同的最大值最小值归一化处理；
(4)将Y数据集分割为训练集和测试集，训练集和测试集数量要满足步骤(6)中模型训练及测试的数量，即测试结果正确率足够高，并对训练集和测试集进行相同的最大值最小值归一化处理；
(5)判断正常运行状态下两相流管道的流型：调整堆栈自编码的网络结构，对数据集X的训练集数据进行训练，并使用SoftMax分类器进行分类，通过数据集X的测试集对训练好的网络结构进行测试，直到使测试正确率达到预期；基于上述网络结构，对相关参数进行寻优，包括迭代次数、稀疏系数、权重衰减系数、稀疏惩罚因子权重；对数据集X的训练集数据使用堆栈自编码进行训练，并使用SoftMax分类器进行分类，通过数据集X的测试集对训练好的模型进行测试，直到使测试正确率达到预期，上述参数值即为最优参数值；使用上述网络结构及最优参数训练的模型即为最优流型识别模型，可实现对包含在该模型范围内的流型种类的判别；
(6)判断两相流管道的泄漏状态：调整堆栈自编码的网络结构，对数据集Y的训练集数据进行训练，并使用SoftMax分类器进行分类，通过数据集Y的测试集对训练好的网络结构进行测试，直到使测试正确率达到预期；基于上述网络结构，对相关参数进行寻优，包括迭代次数、稀疏系数、权重衰减系数、稀疏惩罚因子权重；对数据集Y的训练集数据使用堆栈自编码进行训练，并使用SoftMax分类器进行分类，通过数据集Y的测试集对训练好的模型进行测试，直到使测试正确率达到预期，上述参数值即为最优参数值；使用上述网络结构及最优参数训练的模型即为最优泄漏判别模型，可实现对包含在该模型范围内的两相流泄漏状态判别。
实例
泄漏存在的管段长为1150mm，内径为32mm，外径为40mm，安装至两相流试验系统上，将传感器安装至泄漏孔上游150mm处，采集所需所有种类的信号，具体数据种类如表1所示。
表1实验工况
首先以三种流型不泄漏时的背景噪声信号即试验10、11、12组成数据集X，将三次试验采集到的三段波形信号中每段截取3000段信号，每段100个数据点作为样本(N＝100)，添加标签分别为1、2、3，即数据集中有9000个样本(M＝9000)。其中6000组作为训练集，3000组作为测试集，并使用MATLAB中的mapminmax函数对训练集和测试集同步进行最大最小值归一化。将样本输入堆栈自编码对其模型结构及参数进行调整，本例子使用相同神经元数的两隐含层结构堆栈自编码。经过调整，最终得到最优网络模型为40个隐含层神经元，共迭代60次，稀疏系数选择0.2，权重衰减系数选择1e-8，稀疏惩罚因子权重为3。使用该结构和参数的模型经过训练后，测试结果基本稳定在90％—93％之间，经过多次判定后可准确断定是哪一种流型。
然后，以三种流型的泄漏信号与背景噪声组成数据集Y，即层状流数据集1(试验1、4、7、10)、弹状流数据集2(试验2、5、8、11)、环状流数据集3(试验3、6、9、12)，其中泄漏信号的数据集包含不同泄漏方位的数据。每个泄漏方向信号截取3000段，即每个数据集泄漏信号共9000段，从每种背景噪声信号截取9000段信号，所有信号每段100个数据点作为样本(N＝100)，泄漏添加标签为1，背景噪声添加标签为2，即每个数据集18000个样本(M＝18000)。取12000个样本作为训练集，6000组作为测试集，并使用MATLAB中的mapminmax函数对训练集和测试集同步进行最大最小值归一化。将样本输入堆栈自编码对其模型结构及参数进行调整，本例子使用相同神经元数的两隐含层结构堆栈自编码。经过调整，最终得到最优网络模型为40个隐含层神经元，共迭代180次，稀疏系数选择0.2，权重衰减系数选择1e-8，稀疏惩罚因子权重为3。使用该结构和参数的模型训练，测试结果如表2所示，证明了每种流型每种压力下都可以使用该方法进行准确的判断。
表2测试结果
相对于现有技术，本发明具有如下有益效果：该方法是基于声发射检测装置的泄漏识别方法，拥有声发射检测技术的所有优势；该方法使用基于堆栈自编码的深度学习方法对直接输入原始信号进行识别也能拥有很高的识别正确率，省略了人工信号处理和特征提取的过程；该方法不仅可以用于气液两相流泄漏识别，同时也可以单独使用第一步对流型进行识别；该方法有效克服不同方位对气液两相流泄漏的影响，普适性强；该方法适用于多种工况下气液两相流泄漏的检测，适用范围广。本方法能实现在复杂工况下的气液两相流管道泄漏的精确识别，能及时捕捉到管道泄漏的隐患，为事故的预防和管道的维修提供很大的帮助。
Claims (1)
1.一种基于堆栈自编码的气液两相流管道泄漏声发射检测方法，其特征在于，包括以下步骤：
(1)调整气液两相流管道中流体的流型，采集不同泄漏方向下不同流型的泄漏声发射信号和不同流型不泄漏时的背景噪声信号；
(2)对采集信号中的波形信号进行分割，N个数据点分割为一个样本，其中N可以表示为N＝A*A(A为任意正整数)，由M个样本构成一个数据集。数据集包括：用于管道流型识别的不同流型背景噪声信号的数据集X、用于管道泄漏识别的融合不同泄漏方位的不同流型泄漏数据集Y，并对每个样本按照种类添加相应的标签，如泄漏为1、背景噪声为0，数据集中样本的数量要满足步骤(4)中模型训练及测试的数量，即测试结果正确率足够高；
(3)将X数据集分割为训练集和测试集，训练集和测试集数量要满足步骤(5)中模型训练及测试的数量，即测试结果正确率足够高，并对训练集和测试集进行相同的最大值最小值归一化处理；
(4)将Y数据集分割为训练集和测试集，训练集和测试集数量要满足步骤(6)中模型训练及测试的数量，即测试结果正确率足够高，并对训练集和测试集进行相同的最大值最小值归一化处理；
(5)判断正常运行状态下两相流管道的流型：调整堆栈自编码的网络结构，对数据集X的训练集数据进行训练，并使用SoftMax分类器进行分类，通过数据集X的测试集对训练好的网络结构进行测试，直到使测试正确率达到预期；基于上述网络结构，对相关参数进行寻优，包括迭代次数、稀疏系数、权重衰减系数、稀疏惩罚因子权重；对数据集X的训练集数据使用堆栈自编码进行训练，并使用SoftMax分类器进行分类，通过数据集X的测试集对训练好的模型进行测试，直到使测试正确率达到预期，上述参数值即为最优参数值；使用上述网络结构及最优参数训练的模型即为最优流型识别模型，可实现对包含在该模型范围内的流型种类的判别；
(6)判断两相流管道的泄漏状态：调整堆栈自编码的网络结构，对数据集Y的训练集数据进行训练，并使用SoftMax分类器进行分类，通过数据集Y的测试集对训练好的网络结构进行测试，直到使测试正确率达到预期；基于上述网络结构，对相关参数进行寻优，包括迭代次数、稀疏系数、权重衰减系数、稀疏惩罚因子权重；对数据集Y的训练集数据使用堆栈自编码进行训练，并使用SoftMax分类器进行分类，通过数据集Y的测试集对训练好的模型进行测试，直到使测试正确率达到预期，上述参数值即为最优参数值；使用上述网络结构及最优参数训练的模型即为最优泄漏判别模型，可实现对包含在该模型范围内的两相流泄漏状态判别。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911397375.5A CN110953488B (zh) | 2019-12-30 | 2019-12-30 | 基于堆栈自编码的气液两相流管道泄漏声发射检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911397375.5A CN110953488B (zh) | 2019-12-30 | 2019-12-30 | 基于堆栈自编码的气液两相流管道泄漏声发射检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110953488A true CN110953488A (zh) | 2020-04-03 |
| CN110953488B CN110953488B (zh) | 2021-04-02 |
Family
ID=69984941
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911397375.5A Expired - Fee Related CN110953488B (zh) | 2019-12-30 | 2019-12-30 | 基于堆栈自编码的气液两相流管道泄漏声发射检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110953488B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112483910A (zh) * | 2020-12-04 | 2021-03-12 | 常州大学 | 一种基于声-压耦合的气液两相流管道泄漏模拟装置 |
| 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 |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20230041893A1 (en) * | 2021-08-09 | 2023-02-09 | The Esab Group Inc. | Performing consumable diagnostics via spectral analysis |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105512635A (zh) * | 2015-12-15 | 2016-04-20 | 鲁东大学 | 一种融合类别属性的深度网络地下目标识别方法及系统 |
| CN106548470A (zh) * | 2016-10-19 | 2017-03-29 | 大连理工大学 | 一种应用ct计算多孔介质内气液间舍伍德数的经验关系式的方法 |
| CN106682688A (zh) * | 2016-12-16 | 2017-05-17 | 华南理工大学 | 基于粒子群优化的堆叠降噪自编码网络轴承故障诊断方法 |
| CN107255225A (zh) * | 2017-05-18 | 2017-10-17 | 哈尔滨理工大学 | 基于加权修正参数p范数的管道泄漏高精度声学定位方法 |
| CN109827082A (zh) * | 2019-03-13 | 2019-05-31 | 常州大学 | 一种管道多点泄漏精确定位方法 |
-
2019
- 2019-12-30 CN CN201911397375.5A patent/CN110953488B/zh not_active Expired - Fee Related
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105512635A (zh) * | 2015-12-15 | 2016-04-20 | 鲁东大学 | 一种融合类别属性的深度网络地下目标识别方法及系统 |
| CN106548470A (zh) * | 2016-10-19 | 2017-03-29 | 大连理工大学 | 一种应用ct计算多孔介质内气液间舍伍德数的经验关系式的方法 |
| CN106682688A (zh) * | 2016-12-16 | 2017-05-17 | 华南理工大学 | 基于粒子群优化的堆叠降噪自编码网络轴承故障诊断方法 |
| CN107255225A (zh) * | 2017-05-18 | 2017-10-17 | 哈尔滨理工大学 | 基于加权修正参数p范数的管道泄漏高精度声学定位方法 |
| CN109827082A (zh) * | 2019-03-13 | 2019-05-31 | 常州大学 | 一种管道多点泄漏精确定位方法 |
Non-Patent Citations (1)
| Title |
|---|
| 焦敬品等: "基于BP神经网络的管道泄漏声信号识别方法研究", 《仪器仪表学报》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112483910A (zh) * | 2020-12-04 | 2021-03-12 | 常州大学 | 一种基于声-压耦合的气液两相流管道泄漏模拟装置 |
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110953488B (zh) | 2021-04-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110953488B (zh) | 基于堆栈自编码的气液两相流管道泄漏声发射检测方法 | |
| CN100552668C (zh) | 基于压力和声波信息融合的泄漏检测定位方法 | |
| CN111238843B (zh) | 一种基于快速谱峭度分析的风机健康评价方法 | |
| CN111896616B (zh) | 基于声发射-bp神经网络的气液两相流流型识别方法 | |
| CN101208589A (zh) | 用于过程控制系统的诊断设备 | |
| CN102175571B (zh) | 基于希尔伯特边际谱的两相流流型识别方法 | |
| CN101984340A (zh) | 一种基于人工智能的软性磨粒两相湍流流型识别方法 | |
| CN109827081B (zh) | 一种基于声学主动检测的埋地排水管道堵塞故障及管道三通件诊断方法 | |
| CN112762362A (zh) | 基于卷积神经网络的水下管道泄漏声发射检测方法 | |
| 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 | |
| CN115824519B (zh) | 基于多传感器信息融合的阀门泄露故障综合诊断方法 | |
| Khan et al. | Flow Regime Identification in Gas-Liquid Two-Phase Flow in Horizontal Pipe by Deep Learning | |
| CN114510974B (zh) | 一种多孔介质内气液两相流流型智能识别方法 | |
| CN116805061A (zh) | 基于光纤传感的泄漏事件判断方法 | |
| CN105909979B (zh) | 基于小波变换融合盲源分离算法的泄漏声波特征提取方法 | |
| CN1246683C (zh) | 基于软测量技术的气液两相流流型辨识方法及系统 | |
| CN103630604B (zh) | 离心式压缩机半开式叶轮裂纹故障识别方法 | |
| 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 | |
| Merizio et al. | Machine learning applied in the detection of faults in pipes by acoustic means | |
| Hamzah | Study Of The Effectiveness Of Subsea Pipeline Leak Detection Methods | |
| CN116340819A (zh) | 一种供水管网水力状态判别方法 | |
| CN105928666A (zh) | 基于希尔伯特黄变换与盲源分离的泄漏声波特征提取方法 | |
| CN113484417B (zh) | 基于小波变换的管道腐蚀检测方法 | |
| Gao et al. | Leakage detection of pipeline based on weighted-permutation entropy | |
| CN105927861B (zh) | 基于小波变换融合盲源分离算法的泄漏声波特征提取方法 |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210402 |