CN111664365B - 基于改进vmd和1dcnn的油气管道泄漏检测方法 - Google Patents
基于改进vmd和1dcnn的油气管道泄漏检测方法 Download PDFInfo
- Publication number
- CN111664365B CN111664365B CN202010509296.5A CN202010509296A CN111664365B CN 111664365 B CN111664365 B CN 111664365B CN 202010509296 A CN202010509296 A CN 202010509296A CN 111664365 B CN111664365 B CN 111664365B
- Authority
- CN
- China
- Prior art keywords
- layer
- vmd
- pipeline
- convolution
- leakage detection
- 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
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
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M3/00—Investigating fluid-tightness of structures
- G01M3/02—Investigating fluid-tightness of structures by using fluid or vacuum
- G01M3/04—Investigating fluid-tightness of structures by using fluid or vacuum by detecting the presence of fluid at the leakage point
- G01M3/24—Investigating fluid-tightness of structures by using fluid or vacuum by detecting the presence of fluid at the leakage point using infrasonic, sonic, or ultrasonic vibrations
- G01M3/243—Investigating fluid-tightness of structures by using fluid or vacuum by detecting the presence of fluid at the leakage point using infrasonic, sonic, or ultrasonic vibrations for pipes
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Acoustics & Sound (AREA)
- General Physics & Mathematics (AREA)
- Examining Or Testing Airtightness (AREA)
Abstract
本发明涉及的是基于改进VMD和1DCNN的油气管道泄漏检测方法,它包括:一、利用声波传感器采集在正常、泄漏两种工况下天然气管道中的声波信号;二、初始化变分模态分解算法VMD的参数,确定VMD模态数K;三、利用VMD算法对声波信号进行自适应分解,选取其中方差最大的IMF作为有效本征模态函数;四、通过优化网络结构和超参数构建一维卷积神经网络1DCNN管道泄漏检测模型;五、将训练样本输入到1DCNN管道泄漏检测模型中进行训练,使用测试样本测试模型泛化性能,最终获取分类结果检测管道是否发生泄漏。本发明有效解决了VMD方法在分解实际信号时分解数K依赖经验选取的问题,可以准确地发现管道发生泄漏并及时报警。
Description
技术领域
本发明涉及的是信号处理和管道泄漏检测技术领域,具体涉及基于改进 VMD和1DCNN的油气管道泄漏检测方法。
背景技术
随着石油天然气工业的快速发展,管道运输被广泛应用。然而,受到自然 腐蚀、老化,地质灾害和人为破坏等因素的影响,管道泄漏的发生不可避免。 管道泄漏不仅会严重污染环境,还会浪费大量资源,对经济造成损失,甚至会 威胁到生命安全,因此能够发现泄漏,从而采取采用合适的管道泄漏检测技术 对管道进行监测,预防泄漏和及时的发现泄漏,能够有效减少环境的污染和经 济的损失。
声波检测法具有灵敏度高、误报率低、定位精度高、适应性好,安装和维 护费用较低、可以实时检测等优点,是管道泄漏检测的主要检测方法之一。在 声波法泄漏检测过程中,信号的处理和特征提取是对管道进行准确识别的关键。 VMD算法是Dragomiretskiy等人于2014年提出的一种信号自适应分解方法,作 为一种改进经验模式分解方法,具有坚实的数学理论基础,噪声鲁棒性和信号 分离性能也得到了极大提高。VMD参数中模态个数K决定了变分模态分解的分 解层数,对分解结果影响很大,K的取值不准确会导致得到的本征模态函数分 量中包含的噪声较多,目前K值的选取一般依据经验或者试探等方法来确定,无法准确确定模态个数,导致信号分析的效果不好。
随着深度学习近年来的快速发展,开始有学者将深度学习算法用于管道泄 漏检测,而一维卷积神经网络区别于传统卷积神经网络,通过使用一维卷积可 以提取一维信号的特征,且一维卷积和一维池化方法可以更好地识别管道泄漏 与正常信号的特征,利用一维卷积神经网络对管道进行泄漏检测具有很重要的 现实意义。
发明内容
本发明的目的是提供基于改进VMD和1DCNN的油气管道泄漏检测方法, 这种基于改进VMD和1DCNN的油气管道泄漏检测方法用来解决无法准确判断 管道是否发生泄漏的问题。
本发明解决其技术问题所采用的技术方案是:这种基于改进VMD和 1DCNN的油气管道泄漏检测方法包括以下步骤:
步骤一、利用声波传感器采集在正常、泄漏两种工况下天然气管道中的声 波信号;
步骤二、初始化变分模态分解算法VMD的参数,确定VMD模态数K,由 2到N从低到高依次选取K值,N>2,选择相关系数值最大的模态分量计算其 方差值,并绘制方差的变化曲线,若在当前曲线方差没有峰值且单调递增,则 继续计算K为N+1时,相关系数最大IMF的方差值,并重复以上步骤,根据方 差最大原则,选取方差值最大时候的当前K值作为最佳K值;
步骤三、利用VMD算法对步骤一采集的声波信号进行自适应分解,获取若 干从低频到高频分布的本征模态函数IMF,并计算VMD分解后各个IMFS的方 差值,选取其中方差最大的IMF作为有效本征模态函数;
步骤四、通过优化网络结构和超参数构建一维卷积神经网络1DCNN管道泄 漏检测模型;
步骤五、将步骤三预处理后的声波信号构建训练样本和测试样本,训练样 本输入到步骤四构建的一维卷积神经网络1DCNN管道泄漏检测模型中进行训 练,使用测试样本测试模型泛化性能,最终获取分类结果检测管道是否发生泄 漏。
上述方案中步骤四的具体方法为:
通过分析不同网络结构和超参数对泄露检测的准确率和loss值的影响,使 用逐一测试的方法进行实验选取最优网络结构和超参数;
所述超参数包含卷积层数目,卷积核数量及尺寸,池化层数目及池化大小, 批处理样本数目;
所述网络结构设计为9层,包括输入层,卷积层,池化层,平坦层,全连 接层,输出层,每个卷积层后面对应一层池化层,在最后一层全连接层后连接 一个softmax分类器,输出模型预测的各个工况的概率;
所述卷积层针对管道一维信号使用一维卷积层,卷积层通过训练得到满足 损失函数最小的一组最优卷积核,利用卷积核实现自动特征提取;
X=[x1,x2,...,xt,...,xs]T作为输入信号传递到输入层。其中,X∈Rs×d为时间序列信号,s为信号长度,d为特征值长度,xt表示当前t时刻的特征值向量,R是 实数;
时间序列信号经过一维卷积层中进行一维卷积运算:
f(x)=max(x,0) (2)
其中:*表示一维卷积运算;表示由卷积核Wc j生成的第j个特征映射,j∈[1,nc],nc表示卷积核个数,每个卷积核对应一个特征映射,并联后构成卷积层;卷积核表示为一个权值矩阵,m为卷积核尺寸,b为偏置;f(x)为激活函数, 用于对经过一维卷积运算后的数据进行非线性化,采用深度学习中主流激活函 数ReLu,加速模型收敛,增强模型的稀疏表示;
所述池化层使用一维最大池化层,提取出相邻区域内的最大值,将时间序 列信号长度减半,池化层提取出卷积结果中最主要的特征,降低输出的维度, 如式3所示:
所述平坦层将上一层池化层的输出首尾拼接为一维行向量;所述全连接层 与传统神经网络结构一致,由多层隐藏层组成;
所述分类器采用归一化指数函数softmax分类器,将输入转化为和为1的概 率分布输出到输出层。
上述方案中在天然气管道泄漏检测实验室采集正常、泄漏两种工况下天然 气管道中的声波信号,每类采集1180组,共2360组,截取每组样本数据采样 点数为784,将采集的两类声波信号按步骤三进行处理后,按照8:2的比例分为 训练样本和测试样本,构建的训练样本输入到一维卷积神经网络1DCNN管道泄 漏检测模型中训练模型,用测试样本测试模型在实际情况下的识别准确性。
本发明具有以下有益效果:
1、本发明采用变分模态分解算法对管道信号进行分解,分解得到若干从低 频到高频分布的有限带宽的本征模态函数,可根据相关系数最大模态的方差值 选取VMD最优参数K,有效解决了VMD方法在分解实际信号时分解数K依赖 经验选取的问题,可以准确地发现管道发生泄漏并及时报警,减少经济损失。
2、本发明通过提取出方差值最大的本征模态函数,可有效解决噪声干扰管 道信号,给泄漏检测带来误差,并提出将深度学习的思想引入管道泄漏检测中, 进而使得泄漏识别准确率明显提高。
3、本发明建立了一种一维卷积神经网络管道泄漏检测模型,在此基础上通 过优化网络结构和超参数,提高了模型与管道信号识别特性的契合度。
4、本发明可以准确区分管道泄漏与正常工况,非常适用于油气管道的泄漏 检测。
附图说明
图1基于改进VMD和1DCNN的油气管道泄漏检测方法流程图。
图2管道泄漏信号。
图3最大相关系数模态的方差趋势图。
图4是K为5时VMD分解结果。
图5模型训练准确率及loss值迭代结果。
具体实施方式
下面结合附图对本发明作进一步的说明:
如图1所示,这种基于改进VMD和1DCNN的油气管道泄漏检测方法包括 以下步骤:
步骤一、利用声波传感器采集在正常、泄漏两种工况下天然气管道中的声 波信号。
正常、泄漏两种工况下天然气管道中的声波信号采集自东北石油大学的实 验室天然气管道泄漏检测模拟实验平台,管道总长为160m,管道直径为DN50, 管道壁厚为4mm,管道内可以实现气体和液体的运输。本发明采用压缩空气仿 真气体管道,其中气体压力为0.5MPa,流速16m/s,泄漏口径16mm。管道上 设有多个泄漏点,用于仿真现场管道的泄漏,并且可通过监控台对管道的相关 参数进行监控。实验数据包括正常和泄漏两种不同工况下所采集到的信号数据。 其中,正常信号是管道阀门关闭,管道气体运输正常情况下采集到的信号;泄 漏信号是通过在泄漏点处安装一条10m的高压声波衰减管,在管的末端安装上一个泄漏孔径为1mm的堵头和一个4分球阀,然后迅速切换4分球阀开关模拟 管道泄漏所采集的信号,系统采样频率设为1000Hz。利用声波传感器采集在正 常、泄漏两种工况下天然气管道中的声波信号。各工况原始声波信号时域波形 如图2所示。
步骤二、首先对VMD参数进行初始化,然后计算从2到n每个K值下, 最大相关系数的IMF的方差值D(IMFi(t)),并绘制方差波动曲线,若在该曲线内 方差值单调递增没有峰值,则计算K为n+1时,相关系数最大的方差值,重复 以上步骤,选取方差值最大时候的当前K值作为最佳VMD分解参数。最大相 关系数模态的方差趋势图如图3所示,K值由2到5,方差值单调递增,当K 为6时,方差值相比K等于5时最大相关系数模态的方差值有所减小,因此选 择最佳VMD分解参数值为5。
本实施例中对管道声波信号进行变分模态分解的具体分解步骤如下:
(1)采用Hilbert变换,计算每个uk的解析函数以获得其相应的单边频谱:
(2)对每个模态uk,通过与其对应的中心频率的指数项混叠,将每个模态uk的频谱转移到相应基带:
(3)由解调信号的高斯平滑度和梯度平方范数来估计带宽。
(4)由上述步骤得到的约束变分问题为:
(5)通过引入拉格朗日乘子λ(t)和二次惩罚因子将约束变分问题转变为非 约束变分问题,二次惩罚因子是典型的实现重构信号保真度的方法,拉格朗日 乘子则用来实现精确重构。将两者结合得到拓展的拉格朗日表达式如下:
(6)采用乘法算子交替方向法解决上述变分问题,迭代优化uk+1、ωk+1、λk+1即 可求得扩展拉格朗日表达式的“鞍点”,变分问题的解为:
(7)中心频率的更新方法为:
步骤三、利用VMD算法对步骤一采集的声波信号进行自适应分解,获取若 干从低频到高频分布的本征模态函数IMF,并计算VMD分解后各个IMFS的方 差值,选取其中方差最大的IMF作为有效本征模态函数。当K值选为5时,对 管道信号进行VMD自适应分解,分解得到从低频到高频分布的本征模态函数, 分解结果如图4所示。计算每个模态分量的方差值,选取方差值最大的模态作 为有效本征模态函数,该模态包含的信息成分最多。
步骤四、通过优化网络结构和超参数构建一维卷积神经网络1DCNN管道泄 漏检测模型,一维卷积神经网络1DCNN管道泄漏检测模型参阅表1。根据管道 信号特性设计一维卷积神经网络管道泄漏检测模型,通过分析不同网络结构和 超参数对泄露检测的准确率和loss值的影响,使用逐一测试的方法进行实验选 取最优网络结构和超参数;
所述网络结构设计为9层,具体的1DCNN网络结构模型如表1所示,包括 输入层,卷积层,池化层,平坦层,全连接层,输出层,每个卷积层后面对应 一层池化层,在最后一层全连接层后连接一个softmax分类器,输出模型预测的 各个工况的概率。
表1 1DCNN网络结构及参数设置
所述超参数经实验分析后卷积层数目选为两层,第一层卷积层中卷积核数 量为16个,尺寸为16*1,第二层中为32个,尺寸为8*1,池化层数目为两层, 对应在每层卷积层之后,尺寸为4*1,批处理样本数目为200个。
步骤五、将天然气管道泄漏检测实验室中采集到的正常和泄漏类管道信号, 每类采集1180组,共2360组,截取每组样本数据采样点数为784,将两类声波 信号按所述步骤依次进行处理后,将样本数据分为训练集和测试集,首先通过 反向传播算法训练模型,直至误差满足精度要求或者达到最大次数,这里选用 准确率和loss损失值为模型训练性能评价指标,对模型进行迭代训练,模型训 练迭代过程如图5所示。模型测试部分验证训练好的模型实际测试的检测准确 程度。选用准确率和loss损失值作为性能评价指标,对模型进行迭代训练。
泄漏检测分析中“误判泄漏”和“漏判泄漏”对系统造成的影响不同,前 者将正常信号错判为泄漏,后者将泄漏信号错判为正常,后者带来的影响要大 得多,因此模型评价指标除了采用常规的准确率外,还引入了其他统计学指标 包括误差率,召回率以及F1分数。各项评价指标结果如表2所示。
表2各项评价指标结果
混淆矩阵被用于在分类问题上对准确率的一种评估形式,可通过观察混淆 矩阵的对角线来评估出模型的分类效果,最理想的结果就是所有的数据都在对 角线上,那么说明分类精度最高。混淆矩阵显示结果如表3所示,其中标签0 表示正常信号,标签1表示正常信号。
表3混淆矩阵显示效果
Claims (3)
1.一种基于改进VMD和1DCNN的油气管道泄漏检测方法,其特征在于:
步骤一、利用声波传感器采集在正常、泄漏两种工况下天然气管道中的声波信号;
步骤二、初始化变分模态分解算法VMD的参数,确定VMD模态数K,由2到N从低到高依次选取K值,N>2,选择相关系数值最大的模态分量计算其方差值,并绘制方差的变化曲线,若在当前曲线方差没有峰值且单调递增,则继续计算K为N+1时,相关系数最大IMF的方差值,并重复以上步骤,根据方差最大原则,选取方差值最大时候的当前K值作为最佳K值;
对管道声波信号进行变分模态分解的具体分解步骤如下:
(1)采用Hilbert变换,计算每个uk的解析函数以获得其相应的单边频谱:
(2)对每个模态uk,通过与其对应的中心频率的指数项混叠,将每个模态uk的频谱转移到相应基带:
(3)由解调信号的高斯平滑度和梯度平方范数来估计带宽;
(4)由上述步骤得到的约束变分问题为:
(5)通过引入拉格朗日乘子λ(t)和二次惩罚因子将约束变分问题转变为非约束变分问题,二次惩罚因子是典型的实现重构信号保真度的方法,拉格朗日乘子则用来实现精确重构;将两者结合得到拓展的拉格朗日表达式如下:
(6)采用乘法算子交替方向法解决上述变分问题,迭代优化uk+1、ωk+1、λk+1求得扩展拉格朗日表达式的鞍点,变分问题的解为:
(7)中心频率的更新方法为:
步骤三、利用VMD算法对步骤一采集的声波信号进行自适应分解,获取若干从低频到高频分布的本征模态函数IMF,并计算VMD分解后各个IMFS的方差值,选取其中方差最大的IMF作为有效本征模态函数;
步骤四、通过优化网络结构和超参数构建一维卷积神经网络1DCNN管道泄漏检测模型;
步骤五、将步骤三预处理后的声波信号构建训练样本和测试样本,训练样本输入到步骤四构建的一维卷积神经网络1DCNN管道泄漏检测模型中进行训练,使用测试样本测试模型泛化性能,最终获取分类结果检测管道是否发生泄漏。
2.根据权利要求1所述的基于改进VMD和1DCNN的油气管道泄漏检测方法,其特征在于:所述的步骤四的具体方法为:
通过分析不同网络结构和超参数对泄漏 检测的准确率和loss值的影响,使用逐一测试的方法进行实验选取最优网络结构和超参数;
所述超参数包含卷积层数目,卷积核数量及尺寸,池化层数目及池化大小,批处理样本数目;
所述网络结构设计为9层,包括输入层,卷积层,池化层,平坦层,全连接层,输出层,每个卷积层后面对应一层池化层,在最后一层全连接层后连接一个softmax分类器,输出模型预测的各个工况的概率;
所述卷积层针对管道一维信号使用一维卷积层,卷积层通过训练得到满足损失函数最小的一组最优卷积核,利用卷积核实现自动特征提取;
X=[x1,x2,...,xt,...,xs]T作为输入信号传递到输入层,其中,X∈Rs×d为时间序列信号,s为信号长度,d为特征值长度,xt表示当前t时刻的特征值向量,R是实数;
时间序列信号经过一维卷积层中进行一维卷积运算:
f(x)=max(x,0) (2)
其中:*表示一维卷积运算;表示由卷积核生成的第j个特征映射,j∈[1,nc],nc表示卷积核个数,每个卷积核对应一个特征映射,并联后构成卷积层;卷积核表示为一个权值矩阵,m为卷积核尺寸,b为偏置;f(x)为激活函数,用于对经过一维卷积运算后的数据进行非线性化,采用深度学习中主流激活函数ReLu,加速模型收敛,增强模型的稀疏表示;
所述池化层使用一维最大池化层,提取出相邻区域内的最大值,将时间序列信号长度减半,池化层提取出卷积结果中最主要的特征,降低输出的维度,如式3所示:
所述平坦层将上一层池化层的输出首尾拼接为一维行向量;所述全连接层与传统神经网络结构一致,由多层隐藏层组成;
所述分类器采用归一化指数函数softmax分类器,将输入转化为和为1的概率分布输出到输出层。
3.根据权利要求2所述的基于改进VMD和1DCNN的油气管道泄漏检测方法,其特征在于:在天然气管道泄漏检测实验室采集正常、泄漏两种工况下天然气管道中的声波信号,每类采集1180组,共2360组,截取每组样本数据采样点数为784,将采集的两类声波信号按步骤三进行处理后,按照8:2的比例分为训练样本和测试样本,构建的训练样本输入到一维卷积神经网络1DCNN管道泄漏检测模型中训练模型,用测试样本测试模型在实际情况下的识别准确性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010509296.5A CN111664365B (zh) | 2020-06-07 | 2020-06-07 | 基于改进vmd和1dcnn的油气管道泄漏检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010509296.5A CN111664365B (zh) | 2020-06-07 | 2020-06-07 | 基于改进vmd和1dcnn的油气管道泄漏检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111664365A CN111664365A (zh) | 2020-09-15 |
CN111664365B true CN111664365B (zh) | 2022-01-28 |
Family
ID=72386703
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010509296.5A Active CN111664365B (zh) | 2020-06-07 | 2020-06-07 | 基于改进vmd和1dcnn的油气管道泄漏检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111664365B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112649196B (zh) * | 2020-11-19 | 2022-09-06 | 上海交通大学烟台信息技术研究院 | 基于频域信息的信号变分模态分解预设尺度参数选取方法 |
CN112665801B (zh) * | 2021-01-14 | 2023-09-01 | 浙江浙能技术研究院有限公司 | 基于卷积神经网络的输气管线阀门内漏识别装置及方法 |
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 |
CN112560806B (zh) * | 2021-01-26 | 2022-06-21 | 华东交通大学 | 一种天然气管道泄漏信号人工智能识别方法 |
CN114199992B (zh) * | 2021-12-02 | 2024-04-05 | 国家石油天然气管网集团有限公司 | 一种储油罐罐壁腐蚀检测方法及系统 |
CN114282579A (zh) * | 2021-12-30 | 2022-04-05 | 浙大城市学院 | 基于变分模态分解和残差网络的航空轴承故障诊断方法 |
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 |
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 |
CN116415119B (zh) * | 2023-04-26 | 2024-06-28 | 山东大学 | 基于熵混叠和特征增强的燃气异常信号检测方法及系统 |
CN116382100B (zh) * | 2023-06-05 | 2023-08-01 | 中特检管道工程(北京)有限公司 | 一种油气管道检测控制系统及控制方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5416724A (en) * | 1992-10-09 | 1995-05-16 | Rensselaer Polytechnic Institute | Detection of leaks in pipelines |
CN107192553A (zh) * | 2017-06-28 | 2017-09-22 | 石家庄铁道大学 | 基于盲源分离的齿轮箱复合故障诊断方法 |
CN108932480A (zh) * | 2018-06-08 | 2018-12-04 | 电子科技大学 | 基于1d-cnn的分布式光纤传感信号特征学习与分类方法 |
CN109654384A (zh) * | 2019-01-29 | 2019-04-19 | 南京工业大学 | 基于pso-vmd算法的管道泄漏检测装置及检测方法 |
CN109681789A (zh) * | 2019-03-01 | 2019-04-26 | 重庆邮电大学 | 基于变分模态分解的流体管道泄漏声振动相干检测定位方法 |
CN110069886A (zh) * | 2019-05-05 | 2019-07-30 | 四川大学 | 基于vmd和cnn的电缆早期故障识别与分类方法 |
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 |
CN110454687A (zh) * | 2019-07-22 | 2019-11-15 | 常州大学 | 一种基于改进vmd的管道多点泄漏定位方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS516083A (en) * | 1974-07-03 | 1976-01-19 | Nippon Kokan Kk | Ryutaino morekenchisochi |
CN110174269B (zh) * | 2019-05-06 | 2021-02-26 | 江苏联能电子技术有限公司 | 变分模态分解和共振解调分析核电用泵冲击特征的方法 |
-
2020
- 2020-06-07 CN CN202010509296.5A patent/CN111664365B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5416724A (en) * | 1992-10-09 | 1995-05-16 | Rensselaer Polytechnic Institute | Detection of leaks in pipelines |
CN107192553A (zh) * | 2017-06-28 | 2017-09-22 | 石家庄铁道大学 | 基于盲源分离的齿轮箱复合故障诊断方法 |
CN108932480A (zh) * | 2018-06-08 | 2018-12-04 | 电子科技大学 | 基于1d-cnn的分布式光纤传感信号特征学习与分类方法 |
CN109654384A (zh) * | 2019-01-29 | 2019-04-19 | 南京工业大学 | 基于pso-vmd算法的管道泄漏检测装置及检测方法 |
CN109681789A (zh) * | 2019-03-01 | 2019-04-26 | 重庆邮电大学 | 基于变分模态分解的流体管道泄漏声振动相干检测定位方法 |
CN110069886A (zh) * | 2019-05-05 | 2019-07-30 | 四川大学 | 基于vmd和cnn的电缆早期故障识别与分类方法 |
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 |
CN110454687A (zh) * | 2019-07-22 | 2019-11-15 | 常州大学 | 一种基于改进vmd的管道多点泄漏定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111664365A (zh) | 2020-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111664365B (zh) | 基于改进vmd和1dcnn的油气管道泄漏检测方法 | |
CN110185939B (zh) | 基于卷积神经网络的气体管道泄漏识别方法 | |
CN109164343B (zh) | 基于特征信息量化与加权knn的变压器故障诊断方法 | |
CN109084186B (zh) | 基于改进的elmd多尺度熵的管道泄漏信号识别方法 | |
CN101539241B (zh) | 一种管道泄漏监测网络的层级式多源数据融合方法 | |
Yang et al. | Novel leakage detection by ensemble 1DCNN-VAPSO-SVM in oil and gas pipeline systems | |
CN111853555A (zh) | 一种基于动态过程的供水管网暗漏识别方法 | |
CN110242865B (zh) | 一种易于持续优化的燃气泄漏检测判定方法及系统 | |
Wang et al. | Prediction model of natural gas pipeline crack evolution based on optimized DCNN-LSTM | |
CN109886433A (zh) | 智能识别城市燃气管道缺陷的方法 | |
CN109838696A (zh) | 基于卷积神经网络的管道故障诊断方法 | |
CN110245443A (zh) | 一种基于映射函数的多类型输出仿真模型可信度综合评估方法 | |
US20230417622A1 (en) | Methods and systems for leakage analysis of urban pipelines and storage media | |
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 | |
CN113822201B (zh) | 基于流场速度分量时程的水下物体外形识别的深度学习方法 | |
CN110555235A (zh) | 基于向量自回归模型的结构局部缺陷检测方法 | |
CN114925536A (zh) | 机载系统phm测试性建模与诊断策略优化方法和装置 | |
CN113343402B (zh) | 基于多层卷积稀疏编码的管道腐蚀等级评估方法 | |
CN113468804B (zh) | 一种基于矩阵束和深度神经网络的地下管道识别方法 | |
Xing et al. | Sensor placement for robust burst identification in water systems: Balancing modeling accuracy, parsimony, and uncertainties | |
CN110889207A (zh) | 一种基于深度学习的体系组合模型可信度智能评估方法 | |
CN112131781B (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 | |
CN117520989A (zh) | 一种基于机器学习的天然气管道泄漏检测方法 | |
CN116975763A (zh) | 一种基于双谱和卷积神经网络的供水管网异常诊断方法 | |
CN109632942B (zh) | 一种基于集成学习的管道缺陷尺寸的反演方法 |
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 |