CN111735583B - 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 - Google Patents

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 Download PDF

Info

Publication number
CN111735583B
CN111735583B CN202010588123.7A CN202010588123A CN111735583B CN 111735583 B CN111735583 B CN 111735583B CN 202010588123 A CN202010588123 A CN 202010588123A CN 111735583 B CN111735583 B CN 111735583B
Authority
CN
China
Prior art keywords
pipeline
sound wave
characteristic
isc
lcd
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
CN202010588123.7A
Other languages
English (en)
Other versions
CN111735583A (zh
Inventor
路敬祎
董宏丽
周怡娜
韩非
李学贵
高宏宇
霍凤财
宋金波
杨帆
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.)
Northeast Petroleum University
Original Assignee
Northeast Petroleum 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 Northeast Petroleum University filed Critical Northeast Petroleum University
Priority to CN202010588123.7A priority Critical patent/CN111735583B/zh
Publication of CN111735583A publication Critical patent/CN111735583A/zh
Application granted granted Critical
Publication of CN111735583B publication Critical patent/CN111735583B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Examining Or Testing Airtightness (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
  • Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)

Abstract

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，涉及信号处理和管道泄漏检测技术领域。其为了解决目前管道声波信号的特征提取难、无法反应出泄漏信号的本质特征，从而影响管道工况的准确识别的问题。本发明利用声波传感器分别采集天然气管道在不同工况下的管道声波信号；采用局部特征尺度分解(LCD)方法对采集到的管道声波信号进行自适应分解，将声波信号分解为若干个具有不同尺度的本征尺度分量(ISC)，计算各ISC分量与与原始信号的相关系数，利用相关系数加权结果来选取包含有效信息较多的特征分量。计算各特征分量的指数熵(EE)，构成特征向量，进而通过模式识别方法对特征向量进行识别，识别出管道的不同工况情况。本发明用于管道泄漏检测。

Description

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
技术领域
本发明涉及信号处理和管道泄漏检测技术领域，特别是涉及一种基于LCD-EE的管道声波信号特征提取方法。
背景技术
管道输送因其在输送液体、气体、泥浆等方面的独特优点，在各行各业得到了广泛的应用。管道运输已经成为我国五大运输方式之一。由于管道存在腐蚀、老化、阴极保护失效现象、自然灾害、生产施工和不法分子的偷盗等人为破坏现象，使得管道泄漏事件难以杜绝。管道的泄漏不仅会影响管道运输的正常运行，造成环境的污染、资源的浪费，而且还会严重影响人们的正常生活、使人们的生命受到威胁，人们的财产造成严重的损失。因此，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并准确的对泄漏进行定位，可有效的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。
对管道信号的处理是非线性信号处理问题，常用的非线性信号处理方法有小波变换法、奇异值降噪法、EMD分解法、变分模态分解法等。虽然近几年来EMD、VMD方法逐步应用于管道泄漏检测中，但是二者皆有一定的局限性。EMD算法在自适应地将信号分解为若干个内禀模态函数之和后，容易产生欠包络、过包络、断电效应、模态混沌的问题。VMD可以避免EMD分解存在的问题，但其在分解前需要对一些参数进行预设，参数的取值影响VMD分解的效果。
局部特征尺度分解是一种基于EMD等自适应分解算法进行改进而提出的一种适用于非线性非平稳信号的分析方法，其优点是可以将复杂的多分量信号自适应地分解成若干个内禀尺度分量(ISC)之和，LCD分解过程中使用线性变换构造基线信号，进而减少了算法迭代的次数和计算量，一些学者证明了LCD算法在一定程度上改善了EMD存在的问题，分解性能优于EMD算法，并且ISC分量包含的信息比EMD分解后IMF分量包含的信息更多，非常适用于对非线性非平稳信号的分析和处理。管道声波信号是非线性非平稳信号，用LCD进行处理非常高效。
管道泄漏产生的是一种随机的非平稳信号，该信号含有大量的泄漏信息特征。采集系统采集的信号中含有大量的采样点，如果将信号直接构成向量，作为分类器的输入向量，不仅会加大分类器训练的难度，而且不能很好的反应出泄漏信号的本质特征。因此可通过选取特征参数来表征不同信号的特征，现有技术中没有披露这样的技术手段。
发明内容
本发明要解决的技术问题为：本发明的目的是为了解决目前管道声波信号的特征提取难、无法反应出泄漏信号的本质特征，从而影响管道工况的准确识别的问题，进而提供了一种基于LCD-指数熵的管道声波信号特征提取的管道工况识别方法。
技术方案：为实现上述目的，本发明采用如下技术方案：
本发明的目的是通过以下技术方案实现的：基于LCD-指数熵的管道声波信号特征提取方法,包括如下步骤：
步骤1、采用声波传感器分别采集实验室管道在三种不同工况下的声波原始信号样本数据，选取每种工况下的信号数据各50组，每组时域信号含有4096个采样数据。
步骤2、采用局部特征尺度分解(LCD)算法对步骤1中采集到的不同工况管道声波信号分别进行自适应分解，分解得到若干个具有不同尺度的ISC分量和一个单调残差项函数，用公式表示为：
Figure BDA0002555415630000021
其中：x(t)表示为采集到的管道声波信号；ISCk(t)为第k个内禀尺度分量，k＝1，2，…，K；rk(t)为残差。
进一步地，所述的步骤3中，定义第k个ISC分量与原始信号的相关系数如下：
Figure BDA0002555415630000022
其中，ISCk为LCD分解后的第k个ISC分量，x(t)为原始信号，E为期望，
Figure BDA0002555415630000023
表示第k个ISC分量的均值，
Figure BDA0002555415630000024
为信号x(t)的均值，
Figure BDA0002555415630000026
为ISCk的标准差，σx(t)为x(t)的标准差；
进而，计算LCD分解后各ISC分量与原始信号相关性权重系数，根据特征分量筛选原则，选取权重系数Wi>0.1的ISC分量作为特征分量,则权重系数计算公式如下：
Figure BDA0002555415630000025
进一步地，所述的步骤4中，记筛选的有效ISC特征分量分别记为I1,I2,…,Im，则定义第m个ISC分量的指数熵为：
Figure BDA0002555415630000031
其中，EE(m)是Im的指数熵值；N是Im时间序列的样本点数；Pj是第j采样点的能量与Im能量的比例。
进一步地，所述的步骤5中，将特征分量的指数熵值构成的特征向量，则特征向量T＝[EE1，EE2，…，EEm]。
本发明具有以下有益效果：
本发明利用声波传感器分别采集天然气管道在不同工况下的管道声波信号；采用局部特征尺度分解(LCD)方法对采集到的管道声波信号进行自适应分解，将声波信号分解为若干个具有不同尺度的本征尺度分量(ISC)，计算各ISC分量与与原始信号的相关系数，利用相关系数加权结果来选取包含有效信息较多的特征分量。计算各特征分量的指数熵(EE)，构成特征向量，进而通过模式识别方法对特征向量进行识别，识别出管道的不同工况情况。本发明采用局部特征尺度分解算法对采集到的管道声波信号进行分解，得到多个内禀尺度分量，通过相关性分析选择与原始信号相关性较大的分量作为特征分量，计算特征分量的指数熵作为区分管道信号的特征，将特征分量指数熵值构成特征向量。通过对实验数据的分析结果验证了该方法可有效提取管道不同信号的特征，在管道泄漏检测技术方面具有应用价值。
与现有技术相比，本发明的基于LCD-EE的管道声波信号特征提取方法，针对管道声波信号非平稳性特点，采用局部特征尺度分解算法对声波信号进行分解，通过相关性分析筛选出含有特征信息较多的特征分量；指数熵具有信息熵对信号复杂程度进行度量的性质，本发明将LCD和指数熵相结合来区分管道不同工况产生的信号特征，特征提取效果更为显著。
本方法可通过模式识别方法对管道不同工况情况下信号的进行识别和分类，本发明能够有效的区分出管道不同工况下的声波信号，识别出管道泄漏信号，为管道信号特征提取提供了一种新方法，本发明用于管道泄漏检测。
附图说明
图1为基于LCD-EE的管道信号特征提取方法流程图；
图2为管道不同工况原始声波信号时频谱图；
图3为泄漏信号LCD分解各ISC分量时域图(泄漏信号LCD分解结果)；
图4为敲击信号LCD分解各ISC分量时域图(敲击信号LCD分解结果)；
图5为正常信号LCD分解各ISC分量时域图(正常信号LCD分解结果)；
图6为三种不同工况下选取的特征分量的指数熵值图；
图7为BP网络对测试样本的识别分类结果图。
具体实施方式
以下结合实验室仿真和附图对本发明做进一步说明。在本发明中，LCD-EE为局部特征尺度分解-指数熵。
本文发明的一种基于LCD-EE的管道声波信号特征提取方法,包括如下步骤：
步骤1、采用声波传感器分别采集实验室管道在三种不同工况下的声波原始信号号样本数据，选取每种工况下的信号数据各50组，每组时域信号含有4096个采样数据。
步骤2、采用局部特征尺度分解(LCD)算法对步骤1中采集到的三种管道声波信号分别进行自适应分解，得到相对应信号的若干个内禀尺度分量(ISC)分量信号，这些ISC分量中含有不同成分的可表示原始信号中的不同时间尺度的局部特征信号。
步骤3、将ISC分量与原始信号进行相关性分析，根据特征分量筛选原则，选取含有特征信息较多的特征分量。
步骤4、提取各特征分量的指数熵作为区分管道声波信号的特征，分别计算所选取的特征分量的指数熵值。
步骤5、将不同状态下各组声波信号分解后选取的特征分量的指数熵值组成特征向量T；最后通过BP神经网络对特征向量进行训练和识别，进而识别出不同的管道工况情况。该方法步骤如图1所示。
在步骤2中，采用LCD算法对步骤1中采集到的不同声波信号分别进行自适应分解，分解得到若干个具有不同尺度的ISC分量和一个单调残差项函数，即：
Figure BDA0002555415630000041
其中：x(t)表示为采集到的管道声波信号；ISCk(t)为第k个内禀尺度分量，k＝1，2，…，K；rk(t)为残差。
在步骤3中，定义第k个ISC分量与原始信号的相关系数如下：
Figure BDA0002555415630000042
其中，ISCk为LCD分解后的第k个ISC分量，x(t)为原始信号，E为期望，
Figure BDA0002555415630000043
表示第k个ISC分量的均值，
Figure BDA0002555415630000051
为信号x(t)的均值，
Figure BDA0002555415630000054
为ISCk的标准差，σx(t)为x(t)的标准差。
相关系数Ri为用于表征两个随机变量间相关密切程度的统计指标，其范围在[0,1]之间；若该值越大，则表示两个变量间的相关程度越大，反之相关程度越小。
在本发明中，计算LCD分解后各ISC分量与原始信号相关性权重系数，根据特征分量筛选原则，选取权重系数Wi>0.1的ISC分量作为特征分量,则权重系数计算公式如下：
Figure BDA0002555415630000052
在步骤4中，记经过步骤3筛选后得到的特征分量分别为I1,I2,…,Im，定义第m个ISC分量的指数熵为：
Figure BDA0002555415630000053
其中，EE(m)是Im的指数熵值；N是Im时间序列的样本点数；Pj是第j采样点的能量与Im能量的比例。
在步骤5中，将特征分量的指数熵值构成的特征向量T＝[EE1，EE2，…，EEm]。
下面通过实施例对本发明的有益效果进行说明：
实验参数如下：本发明中用到的实验数据均来自东北石油大学的实验室油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、敲击和泄漏这三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；敲击信号是在阀门关闭，由人为敲击所采集到的干扰信号，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。基于LCD-EE的管道声波信号特征提取方法，如图1所示：包括如下步骤：
S1，首先，采用声波传感器分别采集实验室管道在正常、敲击和泄漏三种工况下的声波信号样本数据，每种工况下采集的信号数据各50组，每组数据的样本点数为4096，各工况原始声波信号时域波形与频谱如图2所示：
S2，采用LCD算法对步骤1中采集到的三种管道声波信号分别进行自适应分解，得到相对应信号的若干个ISC分量信号，这些ISC分量中含有不同成分的可表示原始信号中的不同时间尺度的局部特征信息。三种工况下的各一组数据的LCD分解结果分别如图3、图4和图5所示：
S3，由LCD分解结果图可以看到，LCD分解后得到的每个ISC分量所包含的信息特征不同，为了选取能够代表信号有效特征的特征分量，将LCD分解后得到的ISC分量与原始信号进行相关性分析。
表1为正常信号分解后各ISC分量与原始信号的相关系数
ISCk ISC1 ISC2 ISC3 ISC4
CC 0.7726 0.5963 0.3235 0.1788
ISC5 ISC6 ISC7 ISC8 ISC9
0.0826 0.0554 0.0557 0.0527 0.0812
表2为敲击信号分解后各ISC分量与原始信号的相关系数
ISCk ISC1 ISC2 ISC3 ISC4 ISC5 ISC6
CC 0.7778 0.5493 0.3222 0.1670 0.0704 0.0466
ISC7 ISC8 ISC9 ISC10 ISC11 ISC12
0.0302 0.0292 0.0234 0.0172 -0.0083 -0.0074
表3为泄漏信号分解后各ISC分量与原始信号的相关系数
ISCk ISC1 ISC2 ISC3 ISC4 ISC5 ISC6
CC 0.1772 0.0985 0.2548 0.3522 0.3353 0.3782
ISC7 ISC8 ISC9 ISC10 ISC11 ISC12
0.4303 0.3120 0.6221 0.4861 0.1107 0.2778
通过加权系数公式，计算得到的分解后个分量与原始信号相关性权重系数。根据特征分量筛选原则，选取权重系数Wi>0.1的ISC分量作为特征分量，因此，正常信号的特征分量为ISC1，ISC2和ISC3；敲击信号的特征分量为ISC1，ISC2和ISC3；泄漏信号的特征分量为ISC7，ISC9和ISC10。
S4，提取特征分量的指数熵作为区分管道声波信号的特征，根据定义的指数熵公式计算出特征分量的指数值。
表4为三种工况的特征分量的指数熵值
EE<sub>1</sub> EE<sub>2</sub> EE<sub>3</sub>
正常信号 2.6962 2.6580 2.6638
泄漏信号 2.3532 2.4084 2.6376
敲击信号 2.7160 2.7142 2.7144
S5，将特征分量的指数熵值构成的特征向量T＝[EE1，EE2，…，EEm]作为管道信号特征。三种不同工况下选取的特征分量的指数熵构成的特征向量如图6所示：由于篇幅所限，此处仅列出各工况下的一组数据对应的特征分量指数熵特征值。由图6可以直观地看出不同工况信号的特征分量所对应的指数熵是不同的，并且三种工况信号的指数熵拟合曲线不存在相交现象，这说明了指数熵作为管道信号特征参数的有效性，并且筛选的特征分量的指数熵可以作为识别不同工况信号的特征。
将特征向量T作为BP神经网络识别管道工况状态的输入，BP网络对测试样本的识别分类结果如图7所示。由图7可以看出，基于LCD-EE的BP网络识别方法对三种工况信号能够进行很好的分类和识别，这进一步说明了本发明的有效性和可行性。测试样本识别分类结果如图7所示。

Claims (4)

1.基于LCD-EE的管道声波信号特征提取的管道工况识别方法，其特征在于：包括如下步骤：
步骤1、采用声波传感器分别采集油气管道三种不同工况下的声波原始信号样本数据，选取每种工况下的信号数据各至少50组，每组时域信号含有至少4096个采样数据；
步骤2、采用局部特征尺度分解(LCD)算法对步骤1中采集到的三种管道声波信号分别进行自适应分解，得到信号的若干个内禀尺度分量(ISC)信号；
步骤3、将ISC分量与原始信号进行相关性分析，根据特征分量筛选原则，选取含有特征信息较多的特征分量；定义第k个ISC分量与原始信号的相关系数如下：
Figure FDA0003351488160000011
其中，ISCk为LCD分解后的第k个ISC分量，x(t)为原始信号，E为期望，
Figure FDA0003351488160000012
表示ISC分量的均值，
Figure FDA0003351488160000013
为信号x(t)的均值，
Figure FDA0003351488160000016
为ISCk的标准差，σx(t)为x(t)的标准差；相关系数用于表征两个随机变量间相关密切程度的统计指标，其范围在[0,1]之间；若该值越大，则表示两个变量间的相关程度越大，反之相关程度越小；
步骤4、提取各特征分量的指数熵作为区分管道声波信号的特征，分别计算所选取的特征分量的指数熵值；
步骤5、将不同状态下各组声波信号分解后选取的特征分量的指数熵值组成特征向量T；最后通过BP神经网络对特征向量进行训练和识别，进而识别出不同的管道工况情况。
2.根据权利要求1所述的基于LCD-EE的管道声波信号特征提取的管道工况识别方法，其特征在于：按照步骤3得到的相关系数Rk，计算LCD分解后各ISC分量与原始信号相关性权重系数，根据特征分量筛选原则，选取权重系数Wi>0.1的ISC分量作为特征分量，则权重系数计算公式如下：
Figure FDA0003351488160000014
3.根据权利要求2所述的基于LCD-EE的管道声波信号特征提取的管道工况识别方法，其特征在于：所述的步骤4中，记筛选的有效ISC特征分量分别记为I1,I2,…,Im，则定义第m个ISC分量的指数熵为：
Figure FDA0003351488160000015
其中，EEm是Im的指数熵值；N是Im时间序列的样本点数；Pj是第j采样点的能量与Im能量的比例。
4.根据权利要求3所述的基于LCD-EE的管道声波信号特征提取的管道工况识别方法，其特征在于：所述的步骤5中，构成的特征向量T＝[EE1，EE2，…，EEm]。
CN202010588123.7A 2020-06-24 2020-06-24 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 Active CN111735583B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010588123.7A CN111735583B (zh) 2020-06-24 2020-06-24 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010588123.7A CN111735583B (zh) 2020-06-24 2020-06-24 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

Publications (2)

Publication Number Publication Date
CN111735583A CN111735583A (zh) 2020-10-02
CN111735583B true CN111735583B (zh) 2022-01-28

Family

ID=72650971

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010588123.7A Active CN111735583B (zh) 2020-06-24 2020-06-24 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

Country Status (1)

Country Link
CN (1) CN111735583B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112539887A (zh) * 2020-12-23 2021-03-23 东北石油大学 一种基于wt-lcd-wd的管道泄漏信号去噪方法
CN112989965B (zh) * 2021-02-25 2023-01-31 中国人民解放军海军航空大学 一种基于svd-lcd-bcm的故障特征提取方法
CN115031174A (zh) * 2022-06-10 2022-09-09 常州大学 一种基于lcd的城市管道泄漏分析方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103033362A (zh) * 2012-12-31 2013-04-10 湖南大学 一种基于改进多变量预测模型的齿轮故障诊断方法
CN104634571A (zh) * 2015-02-06 2015-05-20 北京航空航天大学 一种基于lcd-mf的滚动轴承故障诊断方法
CN107702922A (zh) * 2017-09-11 2018-02-16 南京信息工程大学 基于lcd与堆叠自动编码器的滚动轴承故障诊断方法
WO2018152431A1 (en) * 2017-02-17 2018-08-23 Nitto Denko Corporation Gas detection system and gas detection method

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109084186B (zh) * 2018-08-17 2020-05-26 常州大学 基于改进的elmd多尺度熵的管道泄漏信号识别方法
CN110454687B (zh) * 2019-07-22 2020-09-22 常州大学 一种基于改进vmd的管道多点泄漏定位方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103033362A (zh) * 2012-12-31 2013-04-10 湖南大学 一种基于改进多变量预测模型的齿轮故障诊断方法
CN104634571A (zh) * 2015-02-06 2015-05-20 北京航空航天大学 一种基于lcd-mf的滚动轴承故障诊断方法
WO2018152431A1 (en) * 2017-02-17 2018-08-23 Nitto Denko Corporation Gas detection system and gas detection method
CN107702922A (zh) * 2017-09-11 2018-02-16 南京信息工程大学 基于lcd与堆叠自动编码器的滚动轴承故障诊断方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
LCD谱熵及其在滚动轴承退化状态识别中的应用;王余奎 等;《中国测试》;20200331(第03期);第135-141页 *
可变模态分解算法及其在天然气管道泄漏检测中的应用;路敬祎 等;《化工自动化及仪表》;20160731;第43卷;第697-700页 *
基于LCD和VPMCD的滚动轴承故障诊断方法;李杰;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20140630(第6期);第23页第1段,第41页第3段-第42页第1段 *

Also Published As

Publication number Publication date
CN111735583A (zh) 2020-10-02

Similar Documents

Publication Publication Date Title
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
CN110185939B (zh) 基于卷积神经网络的气体管道泄漏识别方法
CN111853555B (zh) 一种基于动态过程的供水管网暗漏识别方法
CN101539241B (zh) 一种管道泄漏监测网络的层级式多源数据融合方法
Romano et al. Real-time leak detection in water distribution systems
CN112097126B (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
CN105740840B (zh) 一种岩体破裂信号与爆破振动信号的非线性识别方法
CN108665119B (zh) 一种供水管网异常工况预警方法
CN106090626B (zh) 一种供水管网异常侦测方法
CN109858755B (zh) 一种评价水体质量的方法
CN112539887A (zh) 一种基于wt-lcd-wd的管道泄漏信号去噪方法
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
US20230417622A1 (en) Methods and systems for leakage analysis of urban pipelines and storage media
CN106382981A (zh) 一种单站次声波信号识别提取方法
CN113343402B (zh) 基于多层卷积稀疏编码的管道腐蚀等级评估方法
CN115423263A (zh) 一种基于Prophet-LSTM的边坡风险预警及滑动体积预测方法
CN109630908B (zh) 一种多次降噪的管道泄漏定位方法
CN114722856A (zh) 管道损伤监测方法及装置
CN114444663A (zh) 一种基于时间卷积网络的供水管网泄漏检测与定位方法
Han et al. Identification of Pipeline Leak Sizes Based on Chaos-Grey Wolf-Support Vector Machine
CN113239618A (zh) 一种基于声信号特征分析的燃气管道探测识别方法
CN111737993B (zh) 一种配电网设备的故障缺陷文本提取设备健康状态方法
Oladele et al. Detection of Leakages in a Pipeline Network based on Hydraulic Laboratory Modelling with Artificial Intelligence
CN112836583B (zh) 一种风力机故障诊断方法
CN110617927B (zh) 一种基于emd-svr-wnn的结构沉降变形预测方法

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