CN111022941B - 一种基于lstm循环神经网络的天然气管道泄漏检测方法 - Google Patents
一种基于lstm循环神经网络的天然气管道泄漏检测方法 Download PDFInfo
- Publication number
- CN111022941B CN111022941B CN201911375104.XA CN201911375104A CN111022941B CN 111022941 B CN111022941 B CN 111022941B CN 201911375104 A CN201911375104 A CN 201911375104A CN 111022941 B CN111022941 B CN 111022941B
- Authority
- CN
- China
- Prior art keywords
- natural gas
- leakage detection
- gas pipeline
- pipeline leakage
- neural network
- 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.)
- Expired - Fee Related
Links
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 title claims abstract description 68
- 238000001514 detection method Methods 0.000 title claims abstract description 38
- 239000003345 natural gas Substances 0.000 title claims abstract description 34
- 230000000306 recurrent effect Effects 0.000 title claims abstract description 21
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 20
- 238000000034 method Methods 0.000 claims abstract description 17
- 238000000605 extraction Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 14
- 238000013178 mathematical model Methods 0.000 claims description 7
- 238000001228 spectrum Methods 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000005236 sound signal Effects 0.000 claims description 3
- 238000009432 framing Methods 0.000 claims description 2
- 238000009499 grossing Methods 0.000 claims description 2
- CIWBSHSKHKDKBQ-JLAZNSOCSA-N Ascorbic acid Chemical compound OC[C@H](O)[C@H]1OC(=O)C(O)=C1O CIWBSHSKHKDKBQ-JLAZNSOCSA-N 0.000 claims 1
- 238000011160 research Methods 0.000 abstract description 6
- 230000000694 effects Effects 0.000 abstract description 5
- 230000008901 benefit Effects 0.000 abstract description 3
- 238000005457 optimization Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 abstract description 3
- 230000035484 reaction time Effects 0.000 abstract description 2
- 230000007787 long-term memory Effects 0.000 abstract 1
- 230000006403 short-term memory Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 230000037433 frameshift Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000003466 welding 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
本发明提供一种基于LSTM循环神经网络的天然气管道泄漏检测方法,包括以下步骤：步骤1：采集管道泄漏音频数据；步骤2：对所述音频数据采用改进的梅尔频率倒谱系数MFCC方法进行特征提取；步骤3：构建一个基于长短期记忆LSTM循环神经网络的天然气管道泄漏检测模型；步骤4：对所述管道微泄漏检测模型进行训练及参数优化，并验证模型的鲁棒性。与现有技术相比，本发明提供的技术方案，具有的技术效果或优点是：在管道泄漏检测模型的参数优化过程中，基于LSTM循环神经网络的天然气管道泄漏检测方法能够对管道状态进行检测，提高管道泄漏检测的准确性，提供充足的反应时间，降低了安全事故发生的可能性，具有一定的理论研究价值和广阔的应用前景。
Description
技术领域
本发明涉及管线密封性检测检测领域，具体涉及一种基于LSTM循环神经网络的天然气管道泄漏检测方法。
背景技术
天然气是一种安全、清洁和高效的绿色能源，因此天然气及相关行业作为环境保护和经济可持续发展的最佳选择。天然气能源采用长距离管道运输方式，该方式通过管道连接各地区，构成一个复杂、大型的管道运输网系统。管道运输具有成本低、安全性高、节约资源等特点，但并不意味的没有风险。因此，管道运输的安全性是确保输气管道设施的一项重要的考核指标。
天然气管道承载的繁重的运输任务，但是存在如下问题：在管道建设中，管道质量、焊接工艺和施工损伤的缺陷；随着管道使用年限越长，管道的本身受到外界自然因素和人为因素的影响，会出现腐蚀现象。存在上述问题，管道会发生泄漏。由于天然气属于易燃易爆的气体，一旦有管道泄漏发生，直接或间接的影响人们的生活和环境污染，更严重的会造成人员伤亡等。
如何搭建高效、稳定的管道泄漏检测模型，通过采集的信号进行实时检测管道状况，从而使管道运输网系统能够快速、可靠地检测是否发生泄漏的方法是管道泄漏检测的一个研究热点。现有的研究多是利用负压波法，通过压力信号的变化和泄漏点产生的负压波形成的时间差，从而实现泄漏检测，该方法针对于小泄漏检测识别率低，效果达不到预期效果。在面对管道运输网系统复杂性、稳定性等问题时，无法高效、准确的实时检测管道发生泄漏的情况，还需要进一步深入的研究。
发明内容
为了实现上述目的，本发明采用的技术方案是：基于LSTM循环神经网络的天然气管道泄漏检测方法，包括以下步骤：
步骤1：采集管道泄漏音频数据；
步骤2:对所述音频数据采用改进MFCC方法进行特征提取；包括
步骤2.1：对天然气管道音频信号进行(LMD)分解得到若干PF分量，选择出最优的PF分量；
步骤2.2：对PF分量执行分帧后，每帧数据乘以汉明窗，再通过快速傅里叶变换得到各帧的频谱数据；
步骤2.3：采用Mel刻度滤波器组过滤方法对频谱数据进行平滑处理，消除谐波；
步骤2.4：执行log函数运算并输出对数能量，得到Fbank特征，所述MFCCT特征大小为98×22；
步骤2.5：执行离散余弦变换(DCT)函数运算并输出对数能量，得到LMFCC和ΔLMFCC，所述LMFCC特征大小为98×12和ΔLMFCC特征大小为98×12。
步骤3:构建一个基于LSTM循环神经网络的天然气管道泄漏检测模型；
步骤4:对所述管道微泄漏检测模型进行训练及参数优化，并验证模型的鲁棒性。
进一步的，步骤1中采集的管道泄漏音频数据，每段音频的固定时长为1s。
进一步的，步骤2包括，音频数据采用了Fbank特征、LMFCC特征和ΔLMFCC进行模型的验证。
进一步的，步骤3包括，生成一个基于LSTM循环神经网络的天然气管道泄漏检测模型，所述天然气管道泄漏检测模型包括输入门It、遗忘门ft、输出门Ot：
It＝σ(Xtwxi+Ht-1Whi+bi)
Ft＝σ(Xtwxf+Ht-1Whf+bf)
Ot＝σ(Xtwxo+Ht-1Wh0+bo)
式中，t是时间步长；Xt为输入，wxi、wxf、wxo、Whi、Whf、Wh0分别为网络权值，bi、bf、bo分别为偏置；Ht-1为上一时间步隐藏状态；σ为激活函数。
所述天然气管道泄漏检测模型中候选记忆细胞的数学模型为：
式中,wxc、Whc为网络权值，bc为偏置。
所述天然气管道泄漏检测模型中记忆细胞的数学模型为：
式中，Ct-1为上一个时刻的记忆细胞。
隐藏状态Ht输出：
Ht＝Otσ(Ct)Ct为t时刻的记忆细胞；
构建n×k的矩阵：
获取Ht特征向量识别出管道泄漏的类型的概率Yi：
Yi＝σ(∑(Ttwt+bt))
式中，wt为网络权值，bt为偏置；
LSTM网络模型的输出，n为时序长度，k为LSTM隐含层输出识别结果。
本发明的有益效果是：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：在管道泄漏检测模型的参数优化过程中，基于LSTM循环神经网络的天然气管道泄漏检测方法能够对管道状态进行检测，提高管道泄漏检测的准确性，提供充足的反应时间，降低了安全事故发生的可能性，具有一定的理论研究价值和广阔的应用前景。
附图说明
图1本发明一实施例管道泄漏音频数据的信号图；
图2本发明一实施例的一种改进MFCC的管道数据特征提取方法；
图3本发明一实施例的管道音频数据的特征图；
图4本发明一实施例的LSTM循环神经网络模型的流程图；
图5本发明一实施例的LSTM循环神经网络模型识别效果图；
图6本发明一实施例的一种天然气管道泄漏检测方法的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
下面对本发明中英文缩写的含义进行说明：
LSTM：长短时记忆网络，能够有效解决音频信号在CNN神经网络的稳定性差和波动大的问题，而且也能解决RNN无法处理长距离的依赖问题。
MFCC：梅尔频率倒谱系数。
LMD:局域均值分解。
Fbank:滤波器组。
DCT:执行离散余弦变换。
LMFCC:改进MFCC。
ΔLMFCC:改进的MFCC一阶差分。
PF分量:生产函数(Production Function)分量。
Mel刻度滤波器组：梅尔频率滤波器组。
下面结合附图及具体实施例对本发明的应用原理作进一步描述。
下面对本发明的图6实施方式进行说明：
一种基于LSTM循环神经网络的天然气管道泄漏检测方法,包括以下步骤：
步骤1：采集的管道泄漏音频数据；
步骤2：音频数据采用改进MFCC方法进行特征提取；
步骤3：设计一种基于LSTM循环神经网络的天然气管道泄漏检测模型；
步骤4：对管道微泄漏检测模型进行训练及参数优化，验证模型的鲁棒性。
下面对本发明的图1实施方式进行说明：
本发明采集的音频数据.wav文件，采集的每段音频数据的时长，经过处理后每段音频数据时长相同为1s。采集的音频数据构成为音频数据集，数据集分为三大类，分别为正常型、干扰无泄漏型和泄漏型，如表1。通过scipy库读取.wav文件进行预处理，得到信号矩阵signal(1,22050)和频率为22050HZ。
表1管道检测数据集
| 管道数据类型 | 数据量(段) |
| 正常型 | 341 |
| 干扰无泄漏型 | 288 |
| 泄漏型 | 249 |
下面对本发明的图2和图3实施方式进行说明：
本发明提出一种改进MFCC方法进行特征提取，有效、合理的获取更有价值的特征值，从而提升了检测管道泄漏的准确性。
语音信号signal通过高通滤波器进行LMD分解、选择PF分量、加窗、FFT、能量谱、Mel刻度滤波器组过滤、能量值取对数等步骤，得出特征Fbank(98，24),其中，滤波器系数取值为0.97、信号帧0.025ms、帧移0.01m、NFFT为512、梅尔频率滤波器组22个，得到Fbank特征(98,22)。在通过DCT变换，得到LMFCC(98,12)和ΔLMFCC(98,12)。
下面对本发明的图4和图5实施方式进行说明：
本发明基于深度学习的算法研究，可以降低外界因素的干扰，同时提高检测管道泄漏的准确性。
LSTM模型的结构，由于本发明是多分类问题，因此输出层采用sigmoid分类器，结果直接识别出管道泄漏的概率。其LSTM的框架结构如表2：
表2 LSTM的框架结构图
LSTM模型有三个门，分别为输入门It、遗忘门Ft、输出门Ot，其数学模型如下：
It＝σ(Xtwxi+Ht-1Whi+bi)
Ft＝σ(Xtwxf+Ht-1Whf+bf)
Ot＝σ(Xtwxo+Ht-1Wh0+bo)
式中，t是时间步长；Xt为输入；wxi、wxf、wxo、Whi、Whf、Wh0为网络权值；bi、bf、bo为偏置；Ht-1为上一时间步隐藏状态；σ为sigmoid函数函数。
对模型参数进行初始化，设置隐藏单元的个数为49，批大小为32，并采用梯度下降法进行wxi、wxf、wxo、Whi、Whf、Wh0进行更新。
LSTM计算候选记忆细胞
它，它跟输入门It、遗忘门Ft、输出门Ot类似，但采用了值域在[-1,1]的tanh函数作为激活函数，其候选记忆细胞的数学模型为：
式中,wxc为网络权值，bc为偏置；σ选择tanh函数。
记忆细胞Ct跟上一时间步记忆细胞和当前时间步候选记忆细胞结合得到的信息，并通过输入门it和遗忘门ft来控制信息的流动，其记忆细胞的数学模型为：
输出门来控制从记忆细胞到隐藏状态Ht，其隐藏状态输出的模型：
Ht＝Otσ(Ct)
式中,σ选择tanh函数。
LSTM网络模型的输出，时序长度为n，LSTM隐含层输出为k，因此得到n×k的矩阵：
Ht特征向量识别出管道泄漏的类型的概率fmax：
fmax＝σ(∑(Ttwt+bt))
式中，wt为网络权值，bt为偏置；
式中,σ选择softmax函数。
通过对模型建立，对管道微泄漏检测模型进行训练及参数优化，学习率为0.001，误差为1e-6，迭代次数为200，截取长度为49，以交叉熵计算误差，并采用Adam优化算法更新设计的管道泄漏模型的参数。验证模型的鲁棒性。通过多次实验验证，实验效果能达到98％，如表3：
表3管道泄漏检测效果
| 特征参数 | Fbank | LMFCC | LMFCC+ΔLMFCC |
| 识别率 | 98.86％ | 99.43％ | 98.30％ |
本发明提出一种基于LSTM的管道泄漏检测方法，从而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。
以上所述的具体实施仅为本发明的一种基于LSTM循环神经网络的天然气管道泄漏检测方法，并不用于限制本发明的专利范围，凡是利用本发明思想和原则及附图内容所作的等效结构或等效流程变换，均应包括在本发明的专利保护范围内。
Claims (4)
1.一种基于LSTM循环神经网络的天然气管道泄漏检测方法，包括以下步骤：
步骤1：采集管道泄漏音频数据；
步骤2：对所述音频数据采用改进的梅尔频率倒谱系数方法进行特征提取；包括
步骤2.1：对天然气管道音频信号进行局域均值分解得到若干PF分量，选择出最优的PF分量；
步骤2.2：对PF分量执行分帧后，每帧数据乘以汉明窗，再通过快速傅里叶变换得到各帧的频谱数据；
步骤2.3：采用Mel刻度滤波器组过滤方法对频谱数据进行平滑处理，消除谐波；
步骤2.4：执行log函数运算并输出对数能量，得到Fbank特征，所述Fbank特征大小为98×22；
步骤2.5：执行离散余弦变换函数运算并输出对数能量，得到LMFCC和ΔLMFCC，所述LMFCC特征大小为98×12，ΔLMFCC特征大小为98×12；
步骤3：构建一个基于LSTM循环神经网络的天然气管道泄漏检测模型；
步骤4：对所述管道微泄漏检测模型进行训练及参数优化，并验证模型的鲁棒性。
2.根据权利要求1所述的一种基于LSTM循环神经网络的天然气管道泄漏检测方法，其特征在于，步骤1中采集的管道泄漏音频数据，每段音频的固定时长为1s。
3.根据权利要求1所述的一种基于LSTM循环神经网络的天然气管道泄漏检测方法，其特征在于，步骤2包括，音频数据采用了Fbank特征、LMFCC特征和ΔLMFCC进行模型的验证。
4.根据权利要求1所述的一种基于LSTM循环神经网络的天然气管道泄漏检测方法，其特征在于，步骤3包括，生成一个基于LSTM循环神经网络的天然气管道泄漏检测模型，所述天然气管道泄漏检测模型包括输入门It、遗忘门Ft、输出门Ot：
It＝σ(Xtwxi+Ht-1Whi+bi)
Ft＝σ(Xtwxf+Ht-1Whf+bf)
Ot＝σ(Xtwxo+Ht-1Wh0+bo)
式中，t是时间步长；Xt为输入，wxi、wxf、wxo、Whi、Whf、Wh0分别为网络权值，bi、bf、bo分别为偏置；Ht-1为上-时间步隐藏状态；σ为激活函数；
所述天然气管道泄漏检测模型中候选记忆细胞
的数学模型为：
式中，wxc、Whc为网络权值，bc为偏置；
所述天然气管道泄漏检测模型中记忆细胞Ct的数学模型为：
式中，Ct-1为上一个时刻的记忆细胞；
隐藏状态Ht输出：
Ht＝Otσ(Ct)Ct为t时刻的记忆细胞；
构建n×k的矩阵：
获取Ht特征向量识别出管道泄漏的类型的概率Yi：
Yi＝σ(∑(Ttwt+bt))
式中，wt为网络权值，bt为偏置，Yi为LSTM网络模型的输出，n为时序长度，k为LSTM隐含层输出识别结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911375104.XA CN111022941B (zh) | 2019-12-27 | 2019-12-27 | 一种基于lstm循环神经网络的天然气管道泄漏检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911375104.XA CN111022941B (zh) | 2019-12-27 | 2019-12-27 | 一种基于lstm循环神经网络的天然气管道泄漏检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111022941A CN111022941A (zh) | 2020-04-17 |
| CN111022941B true CN111022941B (zh) | 2021-05-28 |
Family
ID=70196222
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911375104.XA Expired - Fee Related CN111022941B (zh) | 2019-12-27 | 2019-12-27 | 一种基于lstm循环神经网络的天然气管道泄漏检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111022941B (zh) |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111798089B (zh) * | 2020-05-25 | 2023-10-27 | 成都华润燃气设计有限公司 | 一种城市天然气高压管网运行状态风险评价方法 |
| CN111783945B (zh) * | 2020-06-22 | 2022-08-16 | 东北石油大学 | 基于迁移学习lstm的长输油管道泄漏实时检测系统 |
| CN113065735A (zh) * | 2020-12-25 | 2021-07-02 | 泰州可以信息科技有限公司 | 智能化蒸汽泄露辨别平台 |
| CN112613431B (zh) * | 2020-12-28 | 2021-06-29 | 中北大学 | 一种泄漏气体自动识别方法、系统及装置 |
| CN113469407A (zh) * | 2021-05-21 | 2021-10-01 | 北京市燃气集团有限责任公司 | 一种燃气事故预测方法及装置 |
| CN113588179B (zh) * | 2021-06-24 | 2023-11-21 | 武汉众智鸿图科技有限公司 | 一种供水管网漏损检测方法及系统 |
| CN113944888B (zh) * | 2021-11-03 | 2023-12-08 | 北京软通智慧科技有限公司 | 燃气管道泄漏检测方法、装置、设备和存储介质 |
| 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 |
| US11953161B1 (en) | 2023-04-18 | 2024-04-09 | Intelcon System C.A. | Monitoring and detecting pipeline leaks and spills |
| CN117288392B (zh) * | 2023-11-24 | 2024-04-16 | 福建优迪电力技术有限公司 | 一种用于sf6气体泄漏监测的方法和系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2015043001A (ja) * | 2014-12-02 | 2015-03-05 | 株式会社東芝 | 漏水検出装置 |
| CN106015951A (zh) * | 2016-07-07 | 2016-10-12 | 北京信息科技大学 | 一种适应多种状态变化的输气管道泄漏检测系统及方法 |
| CN106525349A (zh) * | 2016-11-18 | 2017-03-22 | 山西中天信科技股份有限公司 | 一种可燃气体泄漏检测方法及系统 |
| JP2018077123A (ja) * | 2016-11-09 | 2018-05-17 | 積水化学工業株式会社 | 管内音検知装置 |
| JP2019039891A (ja) * | 2017-08-29 | 2019-03-14 | 株式会社グッドマン | 漏水探索位置特定装置および漏水探索位置特定方法 |
| 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 |
| CN110195823A (zh) * | 2019-07-16 | 2019-09-03 | 重庆科技学院 | 一种基于深度神经网络的管道微泄露检测方法 |
-
2019
- 2019-12-27 CN CN201911375104.XA patent/CN111022941B/zh not_active Expired - Fee Related
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2015043001A (ja) * | 2014-12-02 | 2015-03-05 | 株式会社東芝 | 漏水検出装置 |
| CN106015951A (zh) * | 2016-07-07 | 2016-10-12 | 北京信息科技大学 | 一种适应多种状态变化的输气管道泄漏检测系统及方法 |
| JP2018077123A (ja) * | 2016-11-09 | 2018-05-17 | 積水化学工業株式会社 | 管内音検知装置 |
| CN106525349A (zh) * | 2016-11-18 | 2017-03-22 | 山西中天信科技股份有限公司 | 一种可燃气体泄漏检测方法及系统 |
| JP2019039891A (ja) * | 2017-08-29 | 2019-03-14 | 株式会社グッドマン | 漏水探索位置特定装置および漏水探索位置特定方法 |
| 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 |
| CN110195823A (zh) * | 2019-07-16 | 2019-09-03 | 重庆科技学院 | 一种基于深度神经网络的管道微泄露检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111022941A (zh) | 2020-04-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111022941B (zh) | 一种基于lstm循环神经网络的天然气管道泄漏检测方法 | |
| CN109856517B (zh) | 一种特高压设备局部放电检测数据的判别方法 | |
| CN107301864A (zh) | 一种基于Maxout神经元的深度双向LSTM声学模型 | |
| CN105488466B (zh) | 一种深层神经网络和水声目标声纹特征提取方法 | |
| CN105546352A (zh) | 基于声音信号的天然气管道微泄漏检测方法 | |
| Myer et al. | Efficient keyword spotting using time delay neural networks | |
| US11521622B2 (en) | System and method for efficient processing of universal background models for speaker recognition | |
| CN104240720A (zh) | 一种基于多重分形和信息融合的语音情感识别方法 | |
| CN102789779A (zh) | 一种语音识别系统及其识别方法 | |
| CN112613493A (zh) | 一种基于多特征提取和woa-elm的滚动轴承故障诊断方法 | |
| CN109658943A (zh) | 一种音频噪声的检测方法、装置、存储介质和移动终端 | |
| CN113203914A (zh) | 基于dae-cnn的地下电缆早期故障检测和识别方法 | |
| CN114676814A (zh) | 一种基于satcn-lstm的风功率超短期预测方法 | |
| CN116741148A (zh) | 一种基于数字孪生的语音识别系统 | |
| CN112183582A (zh) | 一种多特征融合的水下目标识别方法 | |
| CN113571095B (zh) | 基于嵌套深度神经网络的语音情感识别方法和系统 | |
| US11699445B2 (en) | Method for reduced computation of T-matrix training for speaker recognition | |
| Zhang et al. | Fault diagnosis of natural gas pipeline leakage based on 1D-CNN and self-attention mechanism | |
| US11783841B2 (en) | Method for speaker authentication and identification | |
| CN113239618A (zh) | 一种基于声信号特征分析的燃气管道探测识别方法 | |
| CN116680639A (zh) | 一种基于深度学习的深海潜水器传感器数据的异常检测方法 | |
| CN115512717A (zh) | 一种基于集成学习的二阶段单传感器管道泄漏定位方法 | |
| CN111883175B (zh) | 一种基于声纹库的油站服务质量提升方法 | |
| Hu et al. | Speaker Recognition Based on 3DCNN-LSTM. | |
| CN111091817A (zh) | 一种基于窗口输入的双向回馈神经网络的语音识别方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20221129 Address after: No. 14-042, Changjiayan Village, Tuban Town, Linxian County, Luliang City, Shanxi Province, 033,000 Patentee after: Shanxi Tianhao Clean Energy Co.,Ltd. Address before: No. 20, East Road, University City, Chongqing, Shapingba District, Chongqing Patentee before: Chongqing University of Science & Technology |
|
| TR01 | Transfer of patent right | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210528 |